[发明专利]一种基于变结构多模型的拦截飞行器状态估计方法

说明书

基于变结构多模型的拦截飞行器状态估计方法，属于飞行器反拦截技术领域，解决了现有飞行器对拦截飞行器状态估计方法存在准确性差的问题。本发明建立evader和pursuer的相对运动模型；基于所述的相对运动模型，建立pursuer在PN制导律约束下的运动方程；利用pursuer在PN制导律约束下的运动方程，设计evader上的滤波器；所述滤波器基于CLAMS算法实现；利用所述滤波器对pursuer的运动状态进行估计。本发明适用于对拦截飞行器进行状态估计。

技术领域

本发明属于飞行器反拦截技术领域，具体涉及一种拦截飞行器的状态估计方法。

背景技术

飞行器(evader)在飞行过程中会遭遇拦截飞行器(pursuer)的拦截，由于pursuer的运动受到制导律限制，其运动规律是有迹可循的。evader能利用这个信息，可以提高估计的精度。制导律估计方法可以应用在主动防御场景中，帮助反拦截飞行器(defender) 提高制导性能；也可以应用到逃逸问题中，提高evader的存活率。一般情况下evader不知道pursuer的PN制导律导航常数。因此制导律估计问题不但需要估计pursuer的运动状态还需要估计pursuer的PN制导律导航常数。在一些实际场景中，pursuer倾向于采用多阶段制导，每个阶段根据需要使用不同的导航常数，这使得pursuer的运动模式更为复杂。 evader可以使用多模型滤波方法来估计pursuer的运动状态和PN制导律导航常数。以 MMAE和IMM为代表的这两类多模型算法都假设在任何时刻实际模式都和模型集中某个模型匹配。而在实际场景中，往往很难保证一个含有少量模型的模型集中始终都存在和实际模式匹配的模型。例如在制导律辨识问题中实际的导航常数可以取一个连续区间的任意值。很难保证多模型算法的模型集在任意时刻都存在和实际模式匹配的模型。在这个假设不满足的情况下，算法性能会有很大幅度的下降。

为了解决上述问题，一种方法是增加模型的数量，让模型集对模式集合进行更为精细的覆盖。但是增加模型的数量存在两个问题。1、增加模型数量会直接增加计算量，大量的模型产生的计算量会阻碍算法在实际问题中的使用。2.大量的模型会产生所谓的“模型竞争”问题，即大量不匹配模型会竞争模型概率，降低了匹配模型的模型概率。对这两个问题，现今已经有人提出了变结构多模型的概念，并提出了多种不同的变结构多模型算法。其中LMS算法实现较为简单而且算法稳定性比较高。LMS算法按照模型概率大小将模型分为三类：principal，significant和unlikely模型。模型自适应过程分为模型删除和模型添加两个操作。模型删除过程将删除掉unlikely模型；模型添加过程则将principal的邻居模型添加进模型集，同时保留principal和significant模型。但是该算法采取依靠邻居关系逐步向真实模式靠近的思路，在模型跳变距离较大时收敛速度比较慢。同时对于新加入的模型，将之前不在模型集中新加入的模型的概率设为0，由于它们之前不在模型集中，而且 LMS算法直接使用了IMM算法的输入混合过程，降低了LMS算法向新模式收敛的速度。造成了飞行器对拦截飞行器轨迹估计准确性差的问题。

发明内容

本发明是为了解决现有飞行器对拦截飞行器状态估计方法存在准确性差的问题，提出了一种基于变结构多模型的拦截飞行器状态估计方法。

本发明所述基于变结构多模型的拦截飞行器状态估计方法，该方法具体为：

步骤一、建立evader和pursuer的相对运动模型；

步骤二、基于步骤一所述的相对运动模型，建立pursuer在PN制导律约束下的运动方程；

步骤三、利用pursuer在PN制导律约束下的运动方程，设计evader上的滤波器；所述滤波器基于CLAMS算法实现；

步骤四、利用步骤三所述滤波器对pursuer的运动状态进行估计。

进一步地，步骤一所述的建立的evader和pursuer的相对运动模型的具体方法为：