申请/专利权人：北京理工大学

申请日：2020-12-15

公开（公告）日：2022-09-27

公开（公告）号：CN112597700B

主分类号：G06F30/27

分类号：G06F30/27;G06F30/15;G06N3/02;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2022.09.27#授权;2021.04.23#实质审查的生效;2021.04.02#公开

摘要：本发明提供了一种基于神经网络的飞行器弹道仿真方法，能够在保证仿真精度的前提下，提高弹道仿真计算的速度。本发明的基于神经网络的飞行器弹道仿真方法，基于神经网络算法方法，依托神经网络的万能逼近性质，实现了与传统数值求解方法相近的求解精度。同时由于神经网络方法的可重用性，使得训练的优化模型可以不断重用在已有飞行器的弹道方程求解神经网络，实现了弹道方程求解神经网络有目的的初始化，将求解原有弹道方程的神经网络模型作为初始化模型，极大的缩短了求解新的飞行器弹道运动方程的神经网络的训练时间，提升了弹道方程的求解速度。

主权项：1.一种基于神经网络的飞行器弹道仿真方法，其特征在于，包括如下步骤：步骤1，求解弹道方程的神经网络离线预训练：包含神经网络构建和飞行器弹道运动微分方程融入神经网络；其中，飞行器弹道运动微分方程融入神经网络的目标是将飞行器弹道方程表示成神经网络损失函数的正则化项，所述正则化项与神经网络结构进行连接，保证在神经网络的训练过程中，由于输入输出关系不满足弹道运动方程而产生的训练误差逐渐降低；步骤2，融入弹道方程的神经网络在线训练：在离线训练得到的神经网络模型的基础上，针对具体型号飞行器弹道方程进行二次训练；所述步骤1具体包括如下子步骤：步骤1.1，构建神经网络；其中，神经网络结构包括输入层、输出层和4个隐藏层，输入层节点数为1，输出层节点数为4，隐藏层节点数均为10，使用ReLu函数作为激活函数，AdamOptimizer作为神经网络的优化器；神经网络的输入参数为飞行器的运动时间t，输出参数是网络计算得到的飞行器速度vt、飞行器弹道倾角θt、飞行器x轴位移xt和飞行器y轴位移yt；步骤1.2，构建损失函数；所述损失函数作用是计算神经网络每次迭代的前向计算结果与真实值的差距，产生梯度信息；所述损失函数包含数据项和正则化项；其中数据项部分采用与传统神经网络相同的均方误差MSE，正则化部分根据弹道运动微分方程组中的各个微分方程变形得到；步骤1.3，训练神经网络，使神经网络逐渐逼近飞行器弹道运动方程的特解，得到使得损失函数的值尽可能小的参数的最优解。

全文数据：

权利要求：

百度查询： 北京理工大学 基于神经网络的飞行器弹道仿真方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD