神经网络在靶场动态精度预测射击精度中的应用

格式：pdf
大小：291.23 KB
文档页数：4

弹丸命中并摧毁目标，因此，舰炮武器系统外场试在
验中考核射击精度尤为重要。考核射击精度需要一
定数量的试验样本，这就要求有大量的外场试验，由
于受到靶标特性、量安控保障能力以及经费、期测周
ＬＩＹｕｎ— ｈａＬＩＫｕｉｙｎｇｃｏ，Ｕ－ｏ
（ｉ９９１ｏＡ，ｌｄｏ１５０，ｈｎ）Ｕｎｔ２４ｆＰＬＨｕｕａ２０１Ｃｉａ
ＡｂｔａｔＩａｇ，ｈａｐｅｓｚｆｔｅｄｎｍｉｃｕａｙｔｓｓａｅｕｔｎｈｎｆｔｅｆｒｎｓｒｃ：ｎｒｎｅｔｅｓｍｌｉｅｏｈｙａｃａｃｒｃｅｔｉｄｑａｅａｄｔｅｏｅｏｈｉｉｇａｃｒｃｓｒｌｔｖｌｎｕｆｅｔｃｕａｙｉｅａｉｅｙｉｓｆｉｎ．ＴｈｕｈＭａｉｇｕｅｏｙｎｃａｃｒｒ－ｓｉａｉｇｆｉｇａｃｒｃａｃｏｇｋｎｓｆａｍｉｃｕｙｐｅｅｔｄｍｔｎｉｎｃｕａｙｃｎｒｉｃｅｓｈｅｔｓｍｐｅｓｚｉｉａｗａｓｄｆｉｕｔｉａｇｏｔｓｔＴｈｓｐｐｒｐｏｏｅｔｏｎｒａｅｔｅｔｓａｌｉｅ，ｔｓｌｙｉｆｌｎｒｎｅｈｗｏｕｅｉ．ｃｉａｅｒｐｓｓａｍｅｈｄｔａｙａｃａｃｒｙｐｅｅｔｔｎｉｉｇａｃｒｙｕｉｇｎｕａｅｗｏｋｅｈｏｏｙａｄｔｓａａｉｈｔｄｎｍｉｃｕｃｒ — ｓｍａｉｇｆｎｃｕｙｂｓｎｅｒｌｎｔｒｓｔｃｎｌｇｎｅｔｄｔｎｒｒｎｅＴｈｅｕｔｓｏｈｔｕｉｇｔｉｔｃｎｑｅｍａｎａｃｅｒｅｏｏｆｅｃｏｅｔｒｓｌｎａｇ．ｅｒｓｌｈｗｓｔａｓｎｈｓｅｈｉｕｙｅｈｎｅｄｇｅｆｃｎｉｎｅｆｒｔｓｅｕｔａｄｄｒｄｃｅｔｅｐｎｅｎｒｎｅＴｈｙｈｓｄｆｎｔｒｃｉａａｕｎｎｖｌｇｎｗｅｐｎｓｓｅ．ｅｕｅｔｓｘｅｓｓｉａｇ．ｅｗａａｅｉｉｅｐａｔｃ１ｌｅｉａａｕａｏｙｔｍｖ
精度可以增加射击精度试验样本量，过如何利用动态精度预测射击精度，直是靶场舰炮武器系统试验中不易解决的难不一
题。利用神经网络技术，结合靶场试验数据，建立了动态精度预测射击精度的模型，实现了动态精度数据预测射击精度。结果表明，应用该种方法，以增加试验结果置信度，可降低靶场试验费用，于舰炮武器系统试验具有一定的实用价值。对
等方面的限制，外场试验难以充分进行。动态精度由
指在不考虑弹丸外弹道误差条件下，炮架位指向火
的实际值与理论值的差异，主要考核武器系统在它
关键词：炮，击精度，态精度，Ｂ舰射动ＲＦ网络
中图分类号：９３３ＴＰ３．文献标识码：Ａ
ＡｐｐｉａｉｎｏｅｒｌＮｅｗｏｋｓｔｅｃｉｒｎｇＡｃｕａｙｌｃｔｏｆＮｕａｔｒｏＰｒｄｉｔｎｇＦｉｉｃｒｃＵｓｎｇＤｙｍｉｃｒｃｎＲａｅＴｅｔｉｎａｃＡｃｕａｙｉｎｇｓ
Ｖｏ．３Ｎｏ６１６。．
火力与指挥控制
ＦｉｅＣｏｔｏｒｎｒｌ＆ＣｏｍａｄＣｏｔｏｍｎｎｒｌ
Ｊｎ２１ｕ，０ｌ
第３卷第６６期２１年６月０１
文章编号：０２０４（０１０ —１９０１０ —６０２１）６０７ —４
神经网络在靶场动态精度预测射击精度中的应用
李云超，奎永刘
（放军９９１队，宁解２４部辽葫芦岛１５０）２０１
摘
要；在靶场，动态精度试验可以得到较为充分的样本量，射击精度试验样本量往往相对不足。利用动态精度预测射击
Ｋｅｒｙｗｏｄｓ：ａａｎ，ｉｉｇａｃａｙ，ｄｎａｃａｃａｙ，ｎｖｌｇｕｆｒｎｃｕｒｃｙｍｉｃｕｒｃＲＢＦｔｒｎｅｗｏｋｓ
ቤተ መጻሕፍቲ ባይዱ
引言
动态精度和射击精度（中概率）命是舰炮武器系
统外场试验主要考核的战术技术指标。动态精度是

神经网络预测方法

神经网络预测方法第一篇：神经网络预测方法(4)神经网络的预测方法神经网络(Neural Network)是由许多并行的、高度相关的计算处理单元组成，这些单元类似生物神经系统的神经元。

虽然单个的神经元的结构十分简单，但是，由大量神经元相互连接所构成的神经元系统所实现的行为是十分丰富的。

与其它方法相比，神经网络具有并行计算和白适应的学习能力㈤。

神经网络系统是一个非线性动力学系统计算系统。

神经网络模型有许多种类，经常使用的有BP网络、RBF网络、Hopfield网络、Kohonen网络、BAM网络等等，近年又出现了神经网络与模糊方法、遗传算法相结合的趋势。

浚方法已在交通流预测中得到了应用。

在交通流预测中应用最早使用最多的是反传BP 网络。

应用神经网络进行交通流预测的步骤如下：第一步，根据实际情况，选择适当的网络结构作为预测工具，根据已确定的预测因子和被预测量，决定网络的输入和输出，进而决定网络的结构(网络各层次的节点数)第二步，准备样本数据和样本的规范化处理，样本分为训练样本和检验样本；第三步，利用训练样本是对网络进行训练和学习；第四步，利用检验样本对网络训练结构进行检验，验证网络的泛化能力；第五步，用训练好的网络，根据已知的数据进行实际预测。

与传统的预测方法相比，神经网络的预测方法的预测精度要好一些。

这主要是得益于神经网络自身的特点。

神经网络擅长描述具有较强非线性、难于用精确数学模型表达的复杂系统的特性，并且具有自适应能力。

由于神经网络算法是离线学习，在线预测，所以几乎没有延时，实时性很好。

此外，神经网络对预测因子的选择也较为灵活，任何认为与待预测交通流量有关的数据均可纳入输入向量中。

但是，神经网络也有一些弱点，主要表现在以下几个方面：三、由于使用大量的样本进行训练，所以神经网络的学习训练过程收敛较慢，容易产生“过度学习”的情况，陷入对样本值的机械记忆而降低了泛化能力。

因此，应用神经网络目前很难做到在线学习，只能将学习与预测分离成两个阶段(一个离线、一个在线)来完成。

靶场实时数据处理综合弹道计算方法

靶场实时数据处理综合弹道计算方法作者：苏滢滢李飞来源：《计算机与网络》2019年第05期摘要：目前在靶场试验中遥测数据处理起到了越来越重要的作用，把神经网络算法和渐消卡尔曼滤波方法结合起来，有效融合了遥弹道和外弹道数据，给出了实时综合弹道计算方法，试验证明该方法有效提高了武器试验鉴定中对实时目标的跟踪精度，为飞行试验的实时指挥显示、落点预报及地面安全控制提供了可靠的决策依据。

关键词：渐消滤波；神经网络；数据融合中图分类号：TP393文献标志码：A文章编号：1008-1739（2019）05-70-30引言随着军事现代化程度不断提高，武器装备迅速发展，对靶场试验测控系统提出了更高要求。

目前，靶场外弹道跟踪设备包括光测、雷测和GPS等。

在卫星导航引进靶场以前，测控主要以雷达和光学装备为主。

在GPS引入测控系统以来，应用越来越广泛。

由于其具有全天候测量能力、测量精度高等优点，目前靶场实时外弹道处理优先选取其作为主选信息源，进行弹道解算。

同时，近年来遥测技术发展迅速，经过遥测参数解算处理出的内弹道数据作为一种重要的信息源，为辅助地面安全控制等指挥决策提供了可靠依据。

但是综合遥外数据处理结果，精确合理地给出遥外融合弹道的计算方法仍是目前靶场实时数据处理的一项研究课题。

1渐消卡尔曼滤波[1，2]靶场外弹道主信息源为GPS，其具有定位精度高的优点，但数据更新率低，容易受地形等因素影响，也无法提供姿态信息。

而靶场遥测参数解算出的内弹道数据通常是捷联惯导数据居多。

惯导系统可以实现连续实时自主导航，但缺点是误差会随时间累积，短时间内精度高，时间越长精度越低。

所以为了充分有效地利用遥外弹道处理结果，将遥外弹道位置和速度信息的差值，经过卡尔曼滤波，估计惯导误差，对惯导系统进行修正。

卡尔曼滤波方程如下。

3 BP神经网络与渐消卡尔曼滤波相结合算法卡尔曼滤波对模型精度的要求很高，在飞行试验中尤其是目标高速机动情况下容易发散，而单纯的神经网络又不能满足精度和效率的要求。

神经网络方法在深基坑动态风险预测中的应用

Dynamic Risk Prediction for the Deep Excavations Based on Neutral Networks and It’ s Applications
Yin Shengquan1，2 ，Liang Fayun1，2 ，Yao Xiaoqing1，2
（ 1 ． Key Laboratory of Geotechnical and Underground Engineering of Ministry of Education，Tongji University， Shanghai 200092 ，China； 2 ． Department of Geotechnical Engineering，Tongji University，Shanghai 200092 ，China） Abstract： In this paper，based on the collected onsite monitoring data of a complex deep excavation in Shanghai，a neural network model is proposed to predict the third time monitoring data of the day of construction． Combined with analysis of dynamic risk，based on the measured and predicted monitoring data，the corresponding risk levels for both data can be determined，respectively． The new feature of this study is transforming the predicted data into predicted risk，which will help the practical engineers to make appropriate preventive measures in advance according to different levels of risks and provide the basis for security alerts of deep excavation construction． Through examples presented in this paper，the present model provides a more direct description of the risk levels of deep foundation projects，and produces a reasonable prediction of the developing trend of the risk． Keywords： deep excavation； neutral network； measured data； dynamic risk analysis； risk prediction

Amari-Hopfield神经网络技术在目标运动要素解算中的应用

Ｈ＝Ｘ
＝Ｓ—Ｅ
（３）
而待估要素的最小二乘估计为
由于海洋环境的复杂与多变声纳听测到的目标乘估计原理方位经常出现非正常误差这些非正常误差对潜艇目系统未知矢量的估计方法有多种这里以最普通标运动要素解算效果有着较大的影响
第３卷３
第５期
・
拍挥控制与仿真
ＣｏｍｍａｄＣｏｔｏ＆Ｓｍｕａｉｎｎｎｒｌｉｌｔｏ
Ｖ０１３ＮＯ．．３５
２１年１０１０月
Ｏｃ．０ｌｔ２１
文章编号：１７．８９２１）５０８－３６３３１（００．０８０１
ＡｍａｉＨｉｌｒｐ经网络技术在 — ｏｆｅｄ神
目标运动要素解算中的应用
杨晓华，邓鹏
Ｅ，则式（）可写成：２
‘
常存在非正常误差或超大误差（或称野值）的情形。非正常误差的产生随意性大、突发性大且基本无规律性。为了消除其对目标运动要素估计的影响，通常会对原始量测数据中的野值进行剔点处理，即采用判别
准则组合方法进行异常点识别并剔除。常见的判别准则有Ｇｕｂ准则【、ＣａｖｎｔｒｂｓＩｈｕｅｅ准则Ｌ、Ｒｍａｏｓｙ・Ｊ２ｏｎｖｋＪ准则［、ｘｎ准则【。但这些野值判别准则均需构３Ｄｉ】ｏ４】等造判别统计量，并对观测数据的独立性有所限定，在实际应用中存在一定的约束。本文将利用Ｈｏｆｌ神ｐｅｉｄ经网络动态过程的约束优化能力，通过对系统未知Ｊ矢量的估计来得到残差矢量，自应控制残差非正常适值的影响来提高目标运动要素估计的质量。

下载提示

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

神经网络在靶场动态精度预测射击精度中的应用

合集下载

神经网络预测方法

靶场实时数据处理综合弹道计算方法

神经网络方法在深基坑动态风险预测中的应用

Amari-Hopfield神经网络技术在目标运动要素解算中的应用

文档推荐

最新文档