[发明专利]一种基于长短时间记忆网络的空间物理运动体建模方法

说明书

本发明涉及一种基于长短时间记忆网络的空间物理运动体建模方法，涉及空间物理运动体建模技术领域；包括如下步骤：步骤一、建立第一全连接神经网络；步骤二、建立第二全连接神经网络；步骤三、建立第三全连接神经网络；步骤四、建立第一长短时间记忆网络和第二长短时间记忆网络；步骤五、根据步骤一至步骤四建立动力学模型网络；步骤六、根据状态量Ssubgt;t/subgt;和控制量Csubgt;t/subgt;对步骤五中的动力学模型网络进行网络训练；步骤七、步骤七、重复步骤六，直至动力学模型网络收敛，完成对动力学模型网络修正；本发明采用离线训练和在线微调相结合的训练策略，实现弹道和飞行状态的在线预测，从而为后续高精度制导和高稳定控制提供依据。

技术领域

本发明属于空间物理运动体建模技术领域，涉及一种基于长短时间记忆网络的空间物理运动体建模方法。

背景技术

建立高保真的空间物理运动体动力学模型，是实现再入飞行器高精度制导和高稳定控制的关键。为了获得足够大的升力，再入飞行器通常具有类似航空飞机的扁平细长外形，再入过程中飞行器受到的气动载荷苛刻，外界干扰复杂，存在大量未建模动态，特别是在高超声速再入过程中，飞行器周围流场出现激波、边界层转捩等高超声速飞行下所特有的现象，使得飞行器弹性特性显著。上述特点给再入飞行器动力学建模带来了极大的挑战。

现有建模采用解析建模方法，通常将物理运动体看作刚体进行建模，缺点在于难以对复杂的非线性、多变量耦合特性、结构不确定性等进行充分的描述，所建立的模型与真实对象存在一定的误差，进行弹道预测时其精度往往难以满足需求。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提出一种基于长短时间记忆网络的空间物理运动体建模方法，采用离线训练和在线微调相结合的训练策略，实现弹道和飞行状态的在线预测，从而为后续高精度制导和高稳定控制提供依据。

本发明解决技术的方案是：

一种基于长短时间记忆网络的空间物理运动体建模方法，包括如下步骤：

步骤一、建立第一全连接神经网络；第一全连接神经网络的输入节点个数为预设的状态量维数与预设的控制量维数之和，第一全连接神经网络的输出节点个数为128；

步骤二、建立第二全连接神经网络；第二全连接神经网络的输入节点个数为预设的控制量维数；第二全连接神经网络的输出节点个数为128；

步骤三、建立第三全连接神经网络；第三全连接神经网络的输入节点个数为128，第三全连接神经网络的输出节点个数为预设的状态量维数；

步骤四、建立第一长短时间记忆网络和第二长短时间记忆网络；其中，第一长短时间记忆网络用于编码；第二长短时间记忆网络用于解码；

步骤五、根据步骤一至步骤四建立初始动力学模型网络；

步骤六、获取历史飞行弹道的状态量S_t和控制量C_t；根据状态量S_t和控制量C_t对步骤五中的初始动力学模型网络进行网络训练；

步骤七、重复步骤六，直至初始动力学模型网络收敛，获得最终动力学模型网络修正；通过最终动力学模型网络，实现根据当前飞行器的状态量和控制量对未来飞行器状态量的预测。

在上述的一种基于长短时间记忆网络的空间物理运动体建模方法，所述全连接神经网络为每个输入节点与各输出节点均有连接。

在上述的一种基于长短时间记忆网络的空间物理运动体建模方法，所述步骤一中，状态量包括飞行器的高度、纬度、速度标量、攻角、侧滑角、俯仰角、滚动角、偏航角、俯仰角速度、滚动角速度和偏航角速度；控制量包括俯仰控制力矩、滚动控制力矩和偏航控制力矩。