一种基于粒子群搜索的神经网络空战机动决策方法

1.一种基于粒子群搜索的神经网络空战机动决策方法，其特征在于：包括以下步骤：一、建立红蓝双方空战战斗机运动学与动力学模型；二、建立空战态势优势函数，包括角度优势函数、速度优势函数、距离优势函数、高度优势函数；三、粒子群算法优化空战机动决策；四、生成空战双方轨迹与机动决策数据库；五、构建神经网络并训练；步骤五中，构建神经网络并训练包括以下步骤：5.1)设置神经网络训练数据结构和构建训练样本集并归一化；5.2)构建神经网络并训练，初始化网络权值，利用步骤5.1)中样本对网络进行训练，然后用测试样本对训练后的网络进行性能测试并更新网络参数再次训练；步骤5.1)中，将机动轨迹数据库，按照时间间隔进行采样，并构建训练输入输出样本对，其中样本输入为红蓝双方空战态势及状态信息，样本输出为红方战机机动决策变量[n x ,n z ,γ v ]；在进行轨迹预测时，需考虑无人机本身的三维位置、姿态和速度信息，以及敌机的三维位置、姿态和速度信息，还需要考虑两机的相对距离、相对高度、速度矢量夹角、敌机进入角、敌机方位角；另外，还需考虑状态信息随时间变化的历史信息；用t 1 至t n 时刻的红蓝双方的历史状态信息{S 1 ,S 2 ,...,S n }预测t n+1 时刻空战机动a n+1 ，其中， x，y，z为战机位置，v为战机速度，θ r ，ψ r 分别为速度倾角和速度方向角，q表示战机进入角，r、b分别代表红方与蓝方，β表示红蓝双方战机的速度夹角；历史状态信息和空战机动的映射关系可以表示为：a n+1 ＝f(S 1 ,S 2 ,...,S n )；对于给定的空战实测轨迹数据，首先利用目标机轨迹数据按照一定比例构建训练样本和测试样本；构建训练样本时，选取{S 1 ,S 2 ,...,S n }组成第1个样本的输入，a n+1 为第一个样本的输出，然后再选取{S 2 ,S 2 ,...,S n+1 }为第2个样本的输入，a n+2 为样本期望输出，依次类推，最终可以形成以下训练样本矩阵：其中，L in 为输入样本矩阵，L in 每一行为样本的输入矩阵，A out 为输出样本矩阵，A out 每一行为输入样本种对应的输出矩阵；测试样本矩阵也按照同样的方式进行构建；接着，对所有训练样本和测试样本进行数据归一化处理；六、基于神经网络的机动决策。 2.根据权利要求1所述的一种基于粒子群搜索的神经网络空战机动决策方法，其特征在于：步骤一中，在地面坐标系中，ox轴取正东方向，oy轴取正北方向，oz轴取竖直方向，向上为正；在地面坐标系中红蓝双战机运动模型为：在地面坐标系中，红蓝双方战机动力学模型其中，(x,y,z)为红蓝战机在地面坐标系中的位置， 表示速度v在地面坐标系中的三轴分量，θ表示航迹倾角，ψ表示航迹偏角，g表示重力加速度，n x 表示轴向过载，n z 表示战机俯仰方向的过载，即法向过载，γ v 表示速度矢量的滚转角；通过n x 控制速度的大小，n z 和γ v 控制速度的方向。 3.根据权利要求2所述的一种基于粒子群搜索的神经网络空战机动决策方法，其特征在于：步骤二中，建立空战态势优势函数包括以下步骤：2.1)建立角度优势函数，包括目标方位角优势函数和目标进入角优势函数；目标方位角优势函数定义为：式中，λ Mmax 是导弹的最大离轴发射角；q r 为红方战机的进入角，即蓝方战机的方位角；目标进入角优势函数定义为：式中，q b 为蓝方战机的进入角；目标进入角和目标方位角对优势态势函数耦合影响，定义角度优势函数为：式中，r 1 和r 2 分别目标方位角和目标进入角优势函数的权重因子，r 1 +r 2 ＝1；2.2)建立速度优势函数，速度优势函数为：式中， V r 为红方战机速度，V b 为蓝方战机速度，V o 为最优空速，V ro 为红方战机速度与最优空速的比，V or 为最优空速与红方战机速度的比，V bo 为蓝方战机速度与最优空速的比，V rb 为红蓝战机速度比；2.3)建立高度优势函数，高度优势函数为：式中，Δh表示我方飞机与敌方飞机的高度差，单位为km，Δh＝h R -h B ；h K 为理想高度差，范围为100～1000m； h 0 为空空导弹最大发射攻击区的高度；h R 红方战机高度，h B 蓝方战机高度，h △k 为红蓝双方高度差指数；2.4)建立距离优势函数，距离优势函数为：式中，T d 为距离优势函数指数，d Mmax 为导弹最大可攻击距离，d Rmax 为机载火控雷达最大可探测距离，d Mkmin 与d Mkmax 分别表示中距导弹不可逃逸的最近和最远距离；2.5)态势优势函数由角度优势函数T a 、高度优势函数T h 、速度优势函数T v 和距离优势函数T d 组成，所述空战态势评估函数为：T＝k 1 T d +k 2 T v +k 3 T h +k 4 T a ；式中，权重因子 4.根据权利要求3所述的一种基于粒子群搜索的神经网络空战机动决策方法，其特征在于：步骤三中，粒子群算法优化空战机动决策包括以下步骤：3.1)初始化粒子种群并设定粒子种群规模和最大迭代数；将空战决策变量[n x ,n z ,γ v ]作为粒子群算法的求解变量，并设定粒子种群规模和最大迭代数目；所述粒子群的种群规模即为粒子的数目，表示初始决策方案的个数，所述迭代次数时对决策变量不断进行修改的次数；3.2)获取适应度函数值；从指控中心获取红蓝双方的状态，通过态势函数获取当前态势值，并将其作为粒子群算法的适应度函数；3.3)依据粒子群算法更新粒子位置和速度并计算对应的适应度值；3.4)判断每个新粒子适应度值是否优于粒子个体的历史最优位置，若是则将此粒子替换为个体最优粒子，粒子迭代次数加1；3.5)判断粒子适应度值是否满足要求或迭代次数是否达到最大迭代数，若满足则停止，不满足则转步骤3.3)。 5.根据权利要求4所述的一种基于粒子群搜索的神经网络空战机动决策方法，其特征在于：所述粒子群算法为：设有m个未知参数，设v i ＝(v i1 ,v i2 ,...,v im )和x i ＝(x 1i ,x 2i ,...,x mi )是粒子i的目前飞行速度和飞行位置；p i ＝(p i1 ,p i2 ,...,p im )是粒子所经历的最好位置，称为个体最优；P g ＝(P g1 ,...,P gm )为所有粒子所经历的最好位置，称为全局最优；基本PSO算法的进化方程为：v id (t+1)＝w×v id (t)+c 1 ×r 1 ×(p id (t)-x id (t))+c 2 ×r 2 ×(P gd -x id (t))；x id (t+1)＝x id (t)+v id (t+1)；其中：i＝1，2，…，n；d＝1，2，…，m；t表示第t代；w为惯性权重；r 1 、r 2 是[0,1]上的随机数；c 1 、c 2 为设置的常数，用于权衡单个粒子历史最优位置和群体粒子历史最优位置对速度的影响。 6.根据权利要求5所述的一种基于粒子群搜索的神经网络空战机动决策方法，其特征在于：步骤四中，生成空战双方轨迹与机动决策数据库包括以下步骤：4.1)设定典型空战初始态势，设定蓝方战机按照典型机动或已训练好的进行机动决策；4.2)通过粒子群算法对红方战机机动决策优化，生成满足要求的机动决策集和轨迹；4.3)改变空战初始态势，设定蓝方机动动作序列或机动决策方法；4.4)将每次满足适应度值的红蓝双方轨迹及红蓝双方决策序列存入空战双方轨迹与机动决策数据库；4.5)重复步骤4.2)、步骤4.3)和步骤4.4)，直至所有典型初始态势和蓝方机动决策组合都搜索完为止。 7.根据权利要求6所述的一种基于粒子群搜索的神经网络空战机动决策方法，其特征在于：步骤六中，基于神经网络的机动决策包括以下步骤：6.1)设定红蓝双方空战初始态势，蓝方战机机动决策采用已训练的BP神经网络；6.2)重复步骤二、步骤三和步骤四。