针对飞行器飞行试验中外测级间段数据缺失和精度不高的问题,提出了基于长短期记忆(long-short term memory,LSTM)网络的外测级间段数据预测方法。利用遥测视速度数据和外测融合数据建立LSTM网络回归模型,将外测级间段数据作为缺失数据...针对飞行器飞行试验中外测级间段数据缺失和精度不高的问题,提出了基于长短期记忆(long-short term memory,LSTM)网络的外测级间段数据预测方法。利用遥测视速度数据和外测融合数据建立LSTM网络回归模型,将外测级间段数据作为缺失数据进行预测插值,可将制导工具系统误差以及飞行器初始误差,包括遥外测时间对不准误差,一并利用回归网络表示,从而将遥测视速度数据作为网络输入,得到外测级间段的预测数据。试验数据处理结果证明,基于LSTM网络获得的外测级间段预测数据满足精度要求,所提方法具有实际应用价值。展开更多
针对现有基于深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法的再入制导方法计算精度较差,对强扰动条件适应性不足等问题,在DDPG算法训练框架的基础上,提出一种基于长短期记忆-DDPG(long short term memory-DDPG,LST...针对现有基于深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法的再入制导方法计算精度较差,对强扰动条件适应性不足等问题,在DDPG算法训练框架的基础上,提出一种基于长短期记忆-DDPG(long short term memory-DDPG,LSTM-DDPG)的再入制导方法。该方法采用纵、侧向制导解耦设计思想,在纵向制导方面,首先针对再入制导问题构建强化学习所需的状态、动作空间;其次,确定决策点和制导周期内的指令计算策略,并设计考虑综合性能的奖励函数;然后,引入LSTM网络构建强化学习训练网络,进而通过在线更新策略提升算法的多任务适用性;侧向制导则采用基于横程误差的动态倾侧反转方法,获得倾侧角符号。以美国超音速通用飞行器(common aero vehicle-hypersonic,CAV-H)再入滑翔为例进行仿真,结果表明:与传统数值预测-校正方法相比,所提制导方法具有相当的终端精度和更高的计算效率优势;与现有基于DDPG算法的再入制导方法相比,所提制导方法具有相当的计算效率以及更高的终端精度和鲁棒性。展开更多
文摘针对飞行器飞行试验中外测级间段数据缺失和精度不高的问题,提出了基于长短期记忆(long-short term memory,LSTM)网络的外测级间段数据预测方法。利用遥测视速度数据和外测融合数据建立LSTM网络回归模型,将外测级间段数据作为缺失数据进行预测插值,可将制导工具系统误差以及飞行器初始误差,包括遥外测时间对不准误差,一并利用回归网络表示,从而将遥测视速度数据作为网络输入,得到外测级间段的预测数据。试验数据处理结果证明,基于LSTM网络获得的外测级间段预测数据满足精度要求,所提方法具有实际应用价值。
文摘针对现有基于深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法的再入制导方法计算精度较差,对强扰动条件适应性不足等问题,在DDPG算法训练框架的基础上,提出一种基于长短期记忆-DDPG(long short term memory-DDPG,LSTM-DDPG)的再入制导方法。该方法采用纵、侧向制导解耦设计思想,在纵向制导方面,首先针对再入制导问题构建强化学习所需的状态、动作空间;其次,确定决策点和制导周期内的指令计算策略,并设计考虑综合性能的奖励函数;然后,引入LSTM网络构建强化学习训练网络,进而通过在线更新策略提升算法的多任务适用性;侧向制导则采用基于横程误差的动态倾侧反转方法,获得倾侧角符号。以美国超音速通用飞行器(common aero vehicle-hypersonic,CAV-H)再入滑翔为例进行仿真,结果表明:与传统数值预测-校正方法相比,所提制导方法具有相当的终端精度和更高的计算效率优势;与现有基于DDPG算法的再入制导方法相比,所提制导方法具有相当的计算效率以及更高的终端精度和鲁棒性。
