科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对弹道导弹大机动突防后精确制导面临的落点预测需求，提出了一种基于改进二阶优化器学习的神经网络落点预测方法。基于椭圆弹道理论对当前飞行状态的落点进行预测，再求解与真实落点的偏差，并对偏差量进行解耦处理，进而构建了以飞行状态量为输入、以偏差量为输出的样本集，大幅降低了神经网络学习难度。为提高神经网络预测精度，采用3个神经网络分别预测偏差量的3个分量；利用矩阵分块运算法则建立了适用于多GPU并行的改进Levenberg-Marquardt优化器，缩短了网络学习时间且降低了对GPU显存的需求量。设计了详细的仿真实验对该方法的优势和计算复杂度进行了分析，仿真结果表明，落点预测模型的学习难度小，预测精度高，实时性好。在训练集和测试集所含869320个样本中，3σ预测误差为4.97m；在含2块GPU的学习环境中，学习耗时缩短约49.18%；在STM32F407单片机上，落点预测耗时为2.585 ms，能够为制导算法设计提供支撑，具有一定的工程应用价值。
- 单位
