基于机器学习的弹道落点预测研究
在现代战争中，对弹道落点进行准确快速预测是提高弹丸射击精度的关键，也是对弹道进行修正和制导的前提。传统的弹道落点预测方法是通过数值积分法解算弹道方程来得到弹道落点。然而，要想获得精度较高的解算值，就需要较小的积分步长和较复杂的弹道模型，这会使弹道落点的解算时间增长，也会增加弹丸飞行状态参数的获取难度。如何在较为容易获取弹丸飞行状态参数的情况下对弹丸的落点进行准确且快速的预测就成了值得研究的问题。因此，本文结合机器学习理论，将弹丸的飞行状态参数作为机器学习模型的输入特征，将弹丸的落点信息作为机器学习模型的输出，来建立不显式计算弹道方程的落点预测模型。 文中建立了两种基于机器学习的弹道落点预测模型，BP神经网络预测模型和支持向量机预测模型。前者是基于连接主义的机器学习模型，后者是基于统计学习理论的机器学习模型。通过仿真依次研究了当前飞行状态参数采集点以及与其前面1~4个采集点结合时，两种机器学习模型的弹道落点预测情况。结果表明，两种模型中落点的预测误差并不是随着采集点数的增加而一直减小：当采集点数为2时，BP神经网络模型的预测误差最小；当采集点数增加时，支持向量机模型的预测误差变化不大。在实际应用中可以合理地选择飞行状态参数采集点数，以便能更快并且更准确地预测落点。两种模型对横偏的预测误差均小于对射程的预测误差，并且都能较为准确地预测射程和横偏。BP神经网络模型射程预测和横偏预测的均方根误差分别为3.83m和0.95m，射程预测误差和横偏预测误差的最大值分别为10.04m和2.71m；支持向量机模型射程预测和横偏预测的均方根误差分别为7.05m和1.11m，射程预测误差和横偏预测误差的最大值分别为14.52m和2.32m。同时，对两种模型的弹道落点预测时间进行统计，结果表明两者的预测时间均短于数值积分六自由度弹道方程所用的时间。文中还基于粒子群优化算法对BP神经网络模型和支持向量机模型的模型参数进行了寻优，仿真结果表明寻优后两种模型的预测性能均得到了一定程度的提升。因此，本文建立的两种机器学习预测模型都能较为准确快速地预测弹道落点，可以为实际应用提供一定的参考。
弹道落点预测;机器学习;BP神经网络;支持向量机;粒子群优化算法
南京理工大学
硕士
动力工程
王良明
2020
中文
TP181;TJ012.3
2021-12-23（万方平台首次上网日期，不代表论文的发表时间）