[发明专利]一种高速大范围机动目标轨迹的智能实时预测方法

说明书

一种高速大范围机动目标轨迹的智能实时预测方法，首先提出了学习样本建立方法；然后构建了基于改进BP神经网络的目标运动规律学习及训练机制；最后通过单步预测与滚动预测方法，实现了空天动目标高速大范围机动轨迹的智能、快速、准确预测；本发明仅需知道空天动目标的历史及当前时刻的位置数据，无需目标的运动模型，同时通过设计动量因子和采用变步长迭代策略提高了传统BP神经网络的收敛速度、减小了收敛过程中的振荡，大幅提升了轨迹预测的精度，可直接应用于各类高速、高机动目标的轨迹预测问题，具有较强的适用性，为后续针对X‑37B等高超声速飞行器监视、跟踪、拦截等任务提供了理论基础和技术储备。

技术领域

本发明涉及一种高速大范围机动目标轨迹的智能实时预测方法，属于航天器控制领域。

背景技术

高速大范围运动目标轨迹的预测是实现空天动目标拦截、跟踪和持续观测的重要保障。随着航天技术的发展，空间飞行器的运动速度和加速机动能力逐渐提升，为动目标预测带来了极大的挑战。一方面，目标运动形式复杂多样且未知，先验信息不足，难以提前预测，需通过提出具有强学习能力的智能算法来预测目标的运动行为；另一方面，目标机动能力强，星上计算、存储等资源严重受限，需通过提出低复杂度的轨迹预测方法，对运动目标轨迹实现快速准确预测。

由于高速大范围机动目标的运动模式复杂，使其动力学和运动学模型难以准确获取，导致传统的卡尔曼滤波、回归预测、强跟踪算法等基于模型的预测方法难以发挥作用。针对这一问题，近年来，在理论与工程领域，交互式多模型预测算法备受关注。通过合理地构建机动目标的动力学和运动学模型库，使得多个模型并行工作，通过信息融合对运动目标的轨迹实现预测。但是此方法需要包含尽可能全面的机动目标模型，导致其计算量大、数据处理复杂，难以对高速大范围机动目标轨迹进行实时预测。为了降低计算的复杂度，通常采用最小二乘拟合的方式，利用机动目标的历史数据，通过构造以时间和位置为输入输出变量的多项式，预测机动目标在未来时刻的位置。但是该方法局限性很大，若目标运动轨迹不满足时间多项式的形式(例如，在平面中作匀速绕飞运动)，则其拟合及预测的误差较大。

鉴于此，为了给空天动目标(主要包括：飞机、导弹、高超声速飞行器等)拦截和跟踪提供可靠、完备的先验信息，并弥补现有理论方法存在的不足，本发明专利针对缺乏有效高速大范围机动目标轨迹快速、准确预测方法的现状，提出了一种智能实时轨迹预测方法。以目标历史时间—位置数据作为学习样本，建立了训练样本模型，给出了BP神经网络构造和训练机制，使空天动目标轨迹预测问题转化为神经网络的学习预测问题。通过引入动量因子减小学习过程中的振荡趋势，改善收敛性能，采用变步长法解决了收敛速度与稳定性之间的矛盾，并给出了预测误差修正方法。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提出了一种智能实时轨迹预测方法，仅需指导空天动目标的历史及当前时刻的位置数据，无需目标的运动模型，通过改进BP神经网络，对代价函数的误差曲面进行梯度下降方式的动态寻优，充分考虑以前时刻积累的经验，引入动量因子和误差修正策略，有效提高了轨迹预测的智能化水平和精度，扩大了轨迹预测算法的应用范围和应用价值，为后续针对X-37B等高超声速飞行器监视、跟踪、拦截等任务提供了理论基础和技术储备。

本发明的技术解决方案是：一种高速大范围机动目标轨迹的智能实时预测方法，包括步骤如下：

步骤一、构建BP神经网络模型；

构建包括输入层、隐含层和输出层的三层BP神经网络模型；在该模型中存在两类信号：函数信号和误差信号；其中，函数信号是以输出函数的形式从输入层到输出层进行正向传播，每一层的神经元只影响下一层神经元；误差信号是以误差函数的形式从输出层到输入层进行反向传播；

步骤二、构建学习样本；

学习样本构建的方法如下：