本技术为一种基于深度学习的弹丸轨迹及发射点递归预测方法。包括如下步骤:采用4阶龙格库塔算法在不同采样条件下对修正质点弹道方程进行数值仿真,获取数据;将数据整理划分为训练集和测试集;搭建正向弹丸轨迹递归预测算法模型和数据集逆向输入的弹丸发射点递归预测模型;将训练集分别输入正向弹丸轨迹预测算法模型和数据集逆向输入的弹丸发射点预测模型进行训练;进行弹丸的轨迹及发射点递归预测。本发明首次采用一个网络结构训练两个预测模型,通过调整输入数据格式,可实现对弹丸的发射点进行预测;有效提高了反导拦截以及对敌方根据地的打击能力。
背景技术
对来袭弹丸轨迹及发射点递归预测的研究意义重大,准确的预测结果能够显著提升防空和反导系统的响应能力与拦截精度。在现代战争中,快速识别和准确预测敌方来袭弹丸的轨迹是确保战斗胜利的关键。通过运用先进的算法和模型,对来袭弹丸的飞行路径进行实时分析,可以有效评估其威胁程度,从而为防御系统提供科学依据,制定优化的拦截策略。同时,发射点的递归预测则有助于确定敌方的攻击源,为目标打击和反击行动提供重要线索。这种技术的进步不仅增强了作战指挥的灵活性和准确性,还降低了误判和误伤的风险,提升了整体作战效果。
相比传统预测算法,深度学习能够自动从大量数据中提取特征,而无需手动设计复杂的特征提取算法。这种自学习能力使得深度学习模型可以处理复杂的非线性关系,适应性强,能够更好地捕捉弹丸飞行过程中的动态变化和环境影响,从而提高预测准确性。而传统方法常常依赖于简化的数学模型,可能无法有效应对复杂和不确定的战场环境。
其中,郑志伟,管雪元等人于2023发表于兵工学报上的文章“基于卷积神经网络与长短期记忆神经网络的弹丸轨迹预测”,采用多步预测方法,该方法难以保证精确度的情况下延长预测时间。
实现思路