[发明专利]一种高超声速飞行器机动状态识别方法

说明书

本发明涉及飞行器机动状态识别技术领域，具体涉及一种高超声速飞行器机动状态识别方法。高超声速飞行器机动建模；对高超声速飞行器机动类别进行划分，构造特征参数集，在不同初始变量条件下，生成轨迹库，并将轨迹库中包含的特征识别参数信息作为训练数据；建立基于多通道注意力机制卷积长短时记忆网络的高超声速飞行器机动状态识别模型，并对模型进行训练；采集特征识别参数信息，将特征识别参数信息输入至训练好的模型，输出高超声速飞行器机动状态识别结果。解决了临近空间高超声速飞行器飞行速度快、机动状态转换所需的空间范围广、特征提取困难，常规机动状态识别方法难以直接应用于高超声速飞行器并高精度识别其机动状态的问题。

技术领域

本发明涉及飞行器机动状态识别技术领域，具体涉及一种高超声速飞行器机动状态识别方法。

背景技术

高超声速飞行器是指速度在5马赫以上，飞行空域在20～100公里之间的武器，以其高机动、大航程的特点打破了传统攻防平衡的态势，对现有防空防御体系造成了颠覆性影响，开拓了军事斗争的新领域和新形式。世界各军事大国围绕高超声速飞行器的研发正在展开激烈的军备竞赛。高超声速飞行器的不断发展给各国空天安全造成了严重威胁，对高超声速飞行器的跟踪、预测和防御成为研究热点。对高超声速飞行器机动状态识别进行研究是防御过程中非常重要的一个环节，可以为高超声速飞行器的威胁估计、轨迹预测和防御决策提供有力支撑。

现有关于高超声速飞行器机动状态识别研究的公开文献还非常少，大多研究主要是集中在常规飞行器，如飞机和弹道导弹。目前飞行器机动状态识别的方法主要有贝叶斯网络、支持向量机、随机森林等。这些方法在一定程度上为目标机动状态识别提供了解决方案，但它们在处理多维度、大数据量的输入数据时性能会明显下降。同时，高超声速飞行器的机动轨迹不同于常规飞行器，而且飞行速度更快，飞行空域特殊，其机动状态转换所需的空间范围更广，特征提取也相对更加困难，因此高超声速飞行器的机动状态识别是一个难点，建立符合高超声速飞行器机动特性的机动状态识别方法是提高识别精度的可行路径。

近年来，深度学习在特征提取、模式识别领域具有良好表现，尤其在处理多维、大批量数据和抗噪性上展现了独特优势。如何基于深度学习实现飞行器机动特性的机动状态识别是一个需要解决的技术问题。

发明内容

本发明的目的就是针对现有技术中临近空间高超声速飞行器飞行速度快、机动状态转换所需的空间范围广、特征提取困难，常规机动状态识别方法难以直接应用于高超声速飞行器并高精度识别其机动状态的问题，提供一种高超声速飞行器机动状态识别方法，利用深度学习理论对高超声速飞行器机动状态识别进行研究，其首先建立了高超声速飞行器机动模型，对机动控制参数进行了分析，根据高超声速飞行器横向和纵向机动特点，将机动类别进行划分，然后，推导了从雷达观测到特征识别参数的转换步骤，实现了特征参数的提取，最后，通过训练多通道注意力机制的卷积长短时记忆网络对高超声速飞行器机动状态进行在线识别。

本发明一种高超声速飞行器机动状态识别方法，其特征在于，包括：

步骤一：高超声速飞行器机动建模；

步骤二：对高超声速飞行器机动类别进行划分，构造特征参数集，并对特征参数进行信息增益检验，在不同初始变量条件下利用步骤一中高超声速飞行器机动建模得到的不同控制参数模型，生成包含高超声速飞行器不同机动状态下机动轨迹的轨迹库，并将该所述轨迹库中包含的特征识别参数信息作为训练数据；

步骤三：建立基于多通道注意力机制卷积长短时记忆网络的高超声速飞行器机动状态识别模型，并根据步骤三中的所述训练数据对所述模型进行训练；

步骤四：采集特征识别参数信息，将所述特征识别参数信息输入至训练好的模型，输出高超声速飞行器机动状态识别结果。

较为优选的，所述步骤一包括：

构建高超声速飞行器的滑翔段运动方程；

建立高超声速飞行器滑翔段的过程约束和终端约束；