基于改进二阶优化器并行学习的弹道导弹神经网络落点预测方法

doi:10.7527/S1000-6893.2022.27964

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于改进二阶优化器并行学习的弹道导弹神经网络落点预测方法

任乐亮¹(), 鲜勇¹, 李少朋¹^,², 雷刚¹, 伍薇¹, 李冰¹

^1.火箭军工程大学作战保障学院，西安 710025
^2.清华大学自动化系，北京 100084

收稿日期:2022-09-01 修回日期:2022-09-16 接受日期:2022-11-05 出版日期:2023-07-25 发布日期:2022-11-17
通讯作者: 任乐亮 E-mail:renleliang@126.com
基金资助:
国家自然科学基金(62103432);陕西省高校科协青年人才托举计划(20210108)

A neural network model for impact point prediction of ballistic missile based on improved second-order optimizer with parallel learning

Leliang REN¹(), Yong XIAN¹, Shaopeng LI¹^,², Gang LEI¹, Wei WU¹, Bing LI¹

^1.College of War Support，Rocket Force University of Engineering，Xi’an 710025，China
^2.Department of Automation，Tsinghua University，Beijing 100084，China

Received:2022-09-01 Revised:2022-09-16 Accepted:2022-11-05 Online:2023-07-25 Published:2022-11-17
Contact: Leliang REN E-mail:renleliang@126.com
Supported by:
National Natural Science Foundation of China(62103432);Young Talent fund of University Association for Science and Technology in Shaanxi(20210108)

摘要/Abstract

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869 320个样本中， $3 σ$ 预测误差为4.97 m；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。

关键词: 弹道导弹, 大机动突防, 落点预测, 神经网络, 并行学习, 椭圆弹道, 单片机

Abstract:

To address the requirement for Impact Point Prediction （IPP） in precision guidance for the ballistic missile after high maneuver penetration， an IPP Neural Network （NN） model is proposed based on an improved second-order optimizer. The IPP of the current flight state is predicted based on the elliptical trajectory theory， and the impact deviation is decoupled. Furthermore， a sample set with flight state as input and impact deviation of elliptical trajectory as output is constructed， which greatly reduces the difficulty of NN learning. To improve the prediction accuracy， three NNs are applied to predict the three components of the impact deviation. An improved Levenberg-Marquardt optimizer for multi-GPU parallel learning is established by using the matrix block algorithm， which shortens the network learning time and reduces the demand for GPU memory. A simulation experiment is designed to analyze the advantages and computational complexity of the proposed method. Simulation results show that the proposed method has low learning difficulty， high prediction accuracy and good real-time performance. Among the 869 320 samples contained in the training set and the test set， the $3 σ$ prediction error is 4.97 m. In the learning environment with 2 GPUs， the learning time is reduced by about 49.18%. On the STM32F407 single-chip microcomputer， IPP takes 2.585 ms. The proposed method can provide support for the design of guidance algorithm， and is applicable for engineering practice.

Key words: ballistic missile, high maneuver penetration, impact point prediction, neural network, parallel learning, elliptical trajectory, single-chip microcomputer

中图分类号:

V448.131

任乐亮, 鲜勇, 李少朋, 雷刚, 伍薇, 李冰. 基于改进二阶优化器并行学习的弹道导弹神经网络落点预测方法[J]. 航空学报, 2023, 44(14): 327964.

Leliang REN, Yong XIAN, Shaopeng LI, Gang LEI, Wei WU, Bing LI. A neural network model for impact point prediction of ballistic missile based on improved second-order optimizer with parallel learning[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(14): 327964.

图/表 23

图1

图2

图3

图4

图5

表1

仿真参数范围

参数	下界	上界	离散间隔
$H 0,1$ /km	100.0	200.0	10.0
$H m$ /km	0	5.0	1.0
$φ s$ /（°）	20.0	36.0	4.0
$V s$ $/ (m ⋅ s - 1)$	6 650.0	7 850.0	40.0
$σ s$ /（°）	0	360.0	30.0
$Θ s$ /（°）	-18.5	-12.5	1.0

表1

图6

图7

图8

图9

图10

图11

表2

本文模型网络结构

模型	隐藏层1	隐藏层2
$f x N N ·$	11	6
$f y N N ·$	6	5
$f z N N ·$	5	2

表2

图12

图13

表3

文献［5］网络结构

模型	隐藏层1	隐藏层2
$f x, D T N N ·$	16	9
$f y, D T N N ·$	11	8
$f z, D T N N ·$	8	5

表3

表4

本文方法和文献［5］模型的复杂度

模型	激活函数个数		乘法量
$f x, D T N N ·$	25	共57	8×16+16×9+9×1=281	共582
$f y, D T N N ·$	19		8×11+11×8+8×1=184
$f z, D T N N ·$	13		9×8+8×5+5×1=117
$f x N N ·$	17	共35	8×11+11×6+6×1=160	共300
$f y N N ·$	11		8×6+6×5+5×1=83
$f z N N ·$	7		9×5+5×2+2×1=57

表4

图14

图15

图16

图17

表5

训练耗时和显存占用量

网络模型	网络节点数		$N G P U$	1 000代训练平均耗时/s	耗时降低率/%	$ϑ 1 = ϑ 2 = 1$ 时的显存占用量/MB		$ϑ 1 = ϑ 2 = 2$ 时的显存占用量/MB
网络模型	隐藏层1	隐藏层2	$N G P U$	1 000代训练平均耗时/s	耗时降低率/%	GPU1	GPU2	GPU1	GPU2
$f z N N ·$	5	2	2	59.97	32.30	2 105	2 003	1 563	1 461
$f z N N ·$	5	2	1	88.58	32.30	3 233		2 127
$f y N N ·$	6	5	2	62.26	36.00	2 483	2 381	1 743	1 641
$f y N N ·$	6	5	1	97.28	36.00	3 907		2 501
$f x, D T N N ·$	16	9	2	233.68	47.46	6 509	6 405	3 793	3 689
$f x, D T N N ·$	16	9	1	444.73	47.46	12 043		6 527
$f N N 1$	17	16	2	1 511.55	48.86	19 531	19 429	10 201	10 099
$f N N 1$	17	16	1	2 955.88	48.86	显存不足		19 553
$f N N 1$	20	15	2	1 875.13	49.18	21 577	21 475	11 317	11 215
$f N N 1$	20	15	1	3 689.83	49.18	显存不足		21 599

表5

表6

参考文献 44

1	周啟航，刘延芳，齐乃明，等. 基于反预警的反拦截中段规避突防策略［J］. 航空学报， 2017， 38（1）： 319922.
	ZHOU Q H， LIU Y F， QI N M， et al. Anti-warning-based anti-interception avoiding penetration strategy in midcourse［J］. Acta Aeronautica et Astronautica Sinica， 2017， 38（1）： 319922 （in Chinese）.
2	YANG C J， WU J， LIU G Q， et al. Ballistic missile maneuver penetration based on reinforcement learning［C］∥ 2018 IEEE CSAA Guidance， Navigation and Control Conference （CGNCC）. Piscataway： IEEE Press， 2020： 1-5.
3	樊博璇，陈桂明，林洪涛. 弹道导弹中段反应式机动突防规避策略［J/OL］. 兵工学报，（2021-11-29）［2022-08-23］. .
	FAN B X， CHEN G M， LIN H T. Mid-course reactive maneuver penetration and evading strategy of ballistic missile［J/OL］. Acta Armamentarii，（2021-11-29）［2022-08-23］. （in Chinese）.
4	JIANG L， NAN Y， LI Z H. Realizing midcourse penetration with deep reinforcement learning［J］. IEEE Access， 2021， 9： 89812-89822.
5	XIAN Y， REN L L， XU Y J， et al. Impact point prediction guidance of ballistic missile in high maneuver penetration condition［J/OL］. Defence Technology，（2022-06-13）［2022-08-23］. .
6	DRENICK R. The perturbation calculus in missile ballistics［J］. Journal of the Franklin Institute， 1951， 251（4）： 423-436.
7	PADHI R. An optimal explicit guidance scheme for ballistic missiles with solid motors［C］∥ Guidance， Navigation， and Control Conference and Exhibit. Reston： AIAA， 1999： 1006-1016.
8	BURCHETT B， COSTELLO M. Model predictive lateral pulse jet control of an atmospheric rocket［J］. Journal of Guidance， Control， and Dynamics， 2002， 25（5）： 860-867.
9	ZHANG X， YAO X X， ZHENG Q S. Impact point prediction guidance based on iterative process for dual-spin projectile with fixed canards［J］. Chinese Journal of Aeronautics， 2019， 32（8）： 1967-1981.
10	杨泗智，龚春林，郝波，等. 基于落点预测的高旋火箭弹弹道修正算法［J］. 航空学报， 2020， 41（2）： 323421.
	YANG S Z， GONG C L， HAO B， et al. Ballistic trajectory correction algorithms of high-spin rocket based on impact point prediction［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（2）： 323421 （in Chinese）.
11	ZHANG X， LEI H M， LI J， et al. Ballistic missile trajectory prediction and the solution algorithms for impact point prediction［C］∥ Proceedings of 2014 IEEE Chinese Guidance， Navigation and Control Conference. Piscataway： IEEE Press， 2015： 879-883.
12	牛云. 椭圆弹道射程角和飞行时间公式的一种推导方法［J］. 国防科技大学学报， 1990， 12（2）： 55-57.
	NIU Y. A method for deducing the formulas of the range angle and the flying time with the elliptical orbit［J］. Journal of National University of Defense Technology， 1990， 12（2）： 55-57 （in Chinese）.
13	任萱. 自由飞行时摄动方程的状态转移矩阵的解析解［J］.中国空间科学技术，1983， 3（1）：1-16.
	REN X. An state transition analytical solution for free flight perturbation equations ［J］. Chinese Space Science and Technology， 1983，3（1）：1-16 （in Chinese）.
14	郑伟. 地球物理摄动因素对远程弹道导弹命中精度的影响分析及补偿方法研究［D］. 长沙：国防科学技术大学， 2006.
	ZHENG W. Analysis on the influence of geophysical perturbation factors on the hit accuracy of long-range ballistic missiles and research on compensation methods［D］. Changsha： National University of Defense Technology， 2006 （in Chinese）.
15	郑伟，汤国建. 弹道导弹自由段解算的等高约束解析解［J］. 宇航学报， 2007， 28（2）： 269-272.
	ZHENG W， TANG G J. Contour restricted analytical solution for free flight trajectory of ballistic missile［J］. Journal of Astronautics， 2007， 28（2）： 269-272 （in Chinese）.
16	WANG L， ZHENG W， ZHOU X. Orbit state deviation prediction model with second-order correction due to the J₂ term［J］. Journal of Physics： Conference Series， 2018， 1074： 012104.
17	王磊. 基于状态空间摄动法的战略导弹弹道快速预报与制导方法研究［D］. 长沙：国防科技大学， 2018.
	WANG L. Fast trajectory prediction and guidance algorithm for strategic missiles based on state space perturbation method［D］. Changsha： National University of Defense Technology， 2018 （in Chinese）.
18	李晓明. 经典f、g级数的修正法［J］. 国防科技大学学报， 1991， 13（2）： 59-67.
	LI X M. A correcting method for classical f and g series［J］. Journal of National University of Defense Technology， 1991， 13（2）： 59-67 （in Chinese）.
19	朱龙根. 改进的Barrar型中间轨道：远程弹道飞行器自由飞行段的解析解［J］. 国防科技大学学报， 1985， 7（2）： 67-82.
	ZHU L G. An improved barrar—type intermediate orbit analytic solutions for free flight trajectory of long—range ballistic vehicle［J］. Journal of National University of Defense Technology， 1985， 7（2）： 67-82 （in Chinese）.
20	李连仲. 弹道飞行器自由飞行轨道的解析解法［J］.宇航学报，1982，13 （1）：1-17.
	LI L Z. An analytic method for solving the equations of free flight trajectory of ballistic vehicle［J］. Journal of Astronautics，1982，13（1）： 1-17 （in Chinese）.
21	常晓华. 考虑地球非球形引力摄动影响的自由段弹道解析解［J］. 国防科技大学学报， 2018， 40（4）： 80-86.
	CHANG X H. Analytical solution for free flight trajectory considering earth non-spherical gravitation perturbation［J］. Journal of National University of Defense Technology， 2018， 40（4）： 80-86 （in Chinese）.
22	KOZAI Y. The motion of a close earth satellite［J］. The Astronomical Journal， 1959， 64（9）： 367-377.
23	WANG Z J， ZHANG J Z， WEI W. Deep learning based missile trajectory prediction［C］∥ 2020 3rd International Conference on Unmanned Systems （ICUS）. Piscataway： IEEE Press， 2020： 474-478.
24	王森. 基于机器学习的弹道落点预测研究［D］. 南京：南京理工大学， 2020.
	WANG S. Study on impact point prediction based on machine learning［D］. Nanjing： Nanjing University of Science and Technology， 2020 （in Chinese）.
25	余跃，王宏伦. 基于深度学习的高超声速飞行器再入预测校正容错制导［J］. 兵工学报， 2020， 41（4）： 656-669.
	YU Y， WANG H L. Deep learning-based reentry predictor-corrector fault-tolerant guidance for hypersonic vehicles［J］. Acta Armamentarii， 2020， 41（4）： 656-669 （in Chinese）.
26	赵捍东，黄鑫，马焱. 基于神经网络补偿的线性弹道落点预报方法［J］. 探测与控制学报， 2017， 39（4）： 96-102， 107.
	ZHAO H D， HUANG X， MA Y. Impact point prediction method of linear trajectory based on neural network compensation［J］. Journal of Detection & Control， 2017， 39（4）： 96-102， 107 （in Chinese）.
27	SHEN Z J， LU P. Onboard generation of three-dimensional constrained entry trajectories［J］. Journal of Guidance， Control， and Dynamics， 2003， 26（1）： 111-121.
28	WILAMOWSKI B M， YU H. Improved computation for Levenberg-Marquardt training［J］. IEEE Transactions on Neural Networks， 2010， 21（6）： 930-937.
29	魏倩，蔡远利. 一种基于神经网络的中制导改进算法［J］. 西安交通大学学报， 2016， 50（7）： 125-130.
	WEI Q， CAI Y L. A modified algorithm on the midcourse guidance based on BP neural network［J］. Journal of Xi’an Jiaotong University， 2016， 50（7）： 125-130 （in Chinese）.
30	JI R P， LIANG Y， XU L F， et al. Trajectory prediction of ballistic missiles using Gaussian process error model［J］. Chinese Journal of Aeronautics， 2022， 35（1）： 458-469.
31	鲜勇，李邦杰，雷刚，等. 弹道导弹精度分析方法［M］. 长沙：国防科技大学出版社， 2012.
	XIAN Y， LI B J， LEI G， et al. Ballistic missile precision analysis method［M］. Changsha： National University of Defense Technology Press， 2012 （in Chinese）.
32	张金槐. 远程火箭精度分析与评估［M］. 长沙：国防科技大学出版社， 1995.
	ZHANG J H. Accuracy evaluation and analysis of long range rocket［M］. Changsha： National University of Defense Technology Press， 1995 （in Chinese）.
33	王文龙. 大气风场模型研究及应用［D］. 长沙：国防科技大学， 2009.
	WANG W L. Atmospheric wind field modeling and its application［D］. Changsha： National University of Defense Technology， 2009 （in Chinese）.
34	HEATH M T. Scientific computing： An introductory survey［M］. New York： McGraw-Hill Inc， 2005.
35	CURTIS H D. Orbital maneuvers［M］∥ Orbital Mechanics for Engineering Students. Amsterdam： Elsevier， 2014： 299-365.
36	张毅，肖龙旭，王顺宏. 弹道导弹弹道学［M］. 长沙，国防科技大学出版社， 1999 （in Chinese）.
	ZHANG Y， XIAO L X， WANG S H. Missile ballistic［M］. Changsha： National University of Defense Technology Press， 1999 （in Chinese）.
37	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］∥ 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2016： 770-778.
38	郭玮林，鲜勇，张大巧，等. 高超声速飞行器助推段弹道快速计算方法［J］. 中国惯性技术学报， 2018， 26（1）： 109-114.
	GUO W L， XIAN Y， ZHANG D Q， et al. Fast calculation method of booster trajectory for hypersonic vehicle［J］. Journal of Chinese Inertial Technology， 2018， 26（1）： 109-114 （in Chinese）.
39	姚琳怡. 基于强化学习的高速公路项目级养护决策研究［D］. 南京：东南大学， 2019.
	YAO L Y. Research on project level decision-making of highway asphalt pavement maintenance based on reinforcement learning［D］. Nanjing： Southeast University， 2019 （in Chinese）.
40	MARQUARDT D W. An algorithm for least-squares estimation of nonlinear parameters［J］. Journal of the Society for Industrial and Applied Mathematics， 1963， 11（2）： 431-441.
41	HAGAN M T， MENHAJ M B. Training feedforward networks with the Marquardt algorithm［J］. IEEE Transactions on Neural Networks， 1994， 5（6）： 989-993.
42	DUCHI J C， HAZAN E， SINGER Y. Adaptive subgradient methods for online learning and stochastic optimization［J］. Journal of Machine Learning Research， 2011， 12： 2121-2159.
43	RUDER S. An overview of gradient descent optimization algorithms［DB/OL］. arXiv preprint： 1609.04747，2016. .
44	KINGMA D P， BA J L. Adam： A method for stochastic optimization［C］∥ International Conference on Learning Representations. 2015： 1-13.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

模型	神经网络预测耗时/ms	椭圆弹道预测耗时/ms	其他耗时/ms	总耗时/ms
本文方法	1.250	0.634	0.696	2.585
文献［5］方法	2.299		0.696	2.995

[1]	陈海鹏, 符文星, 闫杰. 基于AGABP神经网络的运载火箭推力偏移损失故障在线诊断[J]. 航空学报, 2025, 46(8): 231148-231148.
[2]	陈谋, 黄正国, 申耀华, 刘凡. 先进飞行器复合抗干扰控制技术综述[J]. 航空学报, 2025, 46(6): 531303-531303.
[3]	杨智春, 杨特. 动载荷识别物理嵌入式神经网络模型与方法[J]. 航空学报, 2025, 46(5): 531450-531450.
[4]	赵辰豪, 吴德伟, 何晶, 吴倩. 一种无人机视觉位姿估计的语义特征匹配算法[J]. 航空学报, 2025, 46(2): 330406-330406.
[5]	施英杰, 刘斌超, 鲁嵩嵩, 陈亮, 尚海, 鲍蕊. 融合试验-仿真标定数据的机翼应变载荷关系神经网络模型[J]. 航空学报, 2025, 46(19): 530921-530921.
[6]	郭程洁, 徐典, 李进宝, 程超宇, 郭硕昌, 李锐. 基于数据融合-知识迁移方法的高温数字图像相关试验应力表征[J]. 航空学报, 2025, 46(19): 531574-531574.
[7]	张音旋, 张起, 许镇勇, 孟琳书. 基于残差神经网络的飞机力学响应预测方法[J]. 航空学报, 2025, 46(19): 531295-531295.
[8]	张玉刚, 杨哲, 何森朋, 杨文青. 基于物理信息神经网络的飞机姿态预测模型[J]. 航空学报, 2025, 46(19): 531850-531850.
[9]	王承熙, 周莉, 孙啸林, 张晓博, 王占学. 基于神经网络的S弯喷管-涡扇发动机多维度仿真[J]. 航空学报, 2025, 46(15): 130791-130791.
[10]	陈伟, 李璐璐, 陈董, 张少辉, 李亚飞, 王可, 靳远远, 徐明亮. 差异化保障需求驱动的舰载机多机协同决策方法[J]. 航空学报, 2025, 46(13): 531274-531274.
[11]	闫明, 王家兴, 李贺琦, 刘凯. 基于离线网络/在线辨识的舰载机自抗扰控制[J]. 航空学报, 2025, 46(13): 531317-531317.
[12]	马菲, 张琼, 赖培军, 岳一笛. 基于BP神经网络的试飞训练安全性量化模型[J]. 航空学报, 2024, 45(5): 529957-529957.
[13]	倪育德, 闫苗玉, 刘瑞华. 基于DOA-BP神经网络的电离层TEC短期预测[J]. 航空学报, 2024, 45(4): 328707-328707.
[14]	葛佳昊, 向锦武, 李道春. 基于组合NARX神经网络的非平稳含噪混沌时间序列在线预测[J]. 航空学报, 2024, 45(21): 330128-330128.
[15]	李俊燊, 孟祥彦, 石暖暖, 李伟, 祝宁华, 李明. 光学神经网络智能处理：技术演变与未来展望[J]. 航空学报, 2024, 45(20): 630439-630439.

基于改进二阶优化器并行学习的弹道导弹神经网络落点预测方法

A neural network model for impact point prediction of ballistic missile based on improved second-order optimizer with parallel learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 44

相关文章 15

编辑推荐

Metrics

本文评价