技术领域
本发明涉及弹道解算方法,尤其涉及一种恶劣气象条件下的弹道解算方法。
背景技术
各类弹箭在大气中飞行的运动规律受到气象条件的影响,气象条件主要是通过空气动力影响飞行特性。现有的弹道解算和修正均是在常规气象条件下进行的,而对于飓风、暴雨以及沙尘暴等恶劣气象条件,则缺乏相应的弹道解算方法,导致在恶劣气象条件下的性能受限,影响弹箭打击精度或人工降雨等民用弹箭的使用效率。
发明内容
发明目的:本发明的目的是提供一种计及气象条件影响飞行特性的恶劣气象条件下的弹道解算方法。
技术方案:本发明的弹道解算方法,通过将恶劣气象的模式识别模型与弹道模型联立,得到可计及恶劣气象条件影响的弹道解算模型;步骤如下:
(1)针对恶劣气象对飞行弹箭弹道的影响进行分类,确定是直接对弹箭的阻力和升力有影响,或仅是对环境参数有影响;
(2)根据恶劣气象的特点,提取出恶劣气象的气象学特征;
(3)建立各种恶劣气象关于弹道气象参数的特征函数,获取弹道模型所涉及气象参数与恶劣气象之间的内在关联;
(4)利用感知机学习算法建立各种恶劣气象的模式识别模型;
(5)将恶劣气象的模式识别模型与弹道模型联立,得到可计及恶劣气象条件影响的弹道解算模型;
(6)将弹道解算模型与短临预报系统提供的信息相结合,进一步优化弹道解算结果。
进一步,步骤(1)中,所述的恶劣气象分类中,采用气动力数值模拟、多相流动数值 模拟,在不同条件下,分析恶劣气象对作用在弹箭上的力和力矩的影响;同时采用气象学和 弹道学分析各种恶劣气象对飞行环境参数的影响;所述的不同条件为不同的马赫数、雷诺 数、飞行攻角、姿态角;采用非均相流模型对每一相单独求解,考虑相间作用力,同时在空化 流动中涉及到相间质量传输,加入相间传输项以及其引起的动量修正源项,得到第
其中,
进一步,步骤(3)中,所述的弹道模型与恶劣气象的内在关联中,提取出用弹道气象参数来描述的恶劣气象特征,弹道参数受多种气象因素共同作用,设定弹道气象参数是气象因素的连续光滑函数,表达为如下形式:
其中,
其中,
进一步,步骤(4)中,实现恶劣气象的模式识别模型步骤如下:
(41)通过感知机模型对应一个
其中,
(42)定义一个损失函数:
其中,
当样本被分类正确时,输出为负值,反之,为正值;
(43)损失函数最小值求解:采用梯度下降法,通过不断改变
(44)将步骤(3)中所建立的不同恶劣气象的特征函数提取特征值构建训练数据集,感知机学习算法通过训练学习该数据集,建立各种恶劣气象的模式识别模型。
进一步,步骤(5)中,将恶劣气象预报数据作为步骤(4)中恶劣气象的模式识别模型输入,经恶劣气象的模式识别模型输出,得到匹配的弹道气象参数,完成恶劣气象条件下的弹道解算模型的建立。
进一步,步骤(6)中,采用无迹卡尔曼滤波算法对实测弹道数据进行迭代处理,并将每次迭代所得修正系数和状态变量的估计均方误差作为下次迭代的初值,直至满足迭代终止条件。
本发明与现有技术相比,其显著效果如下:1、基于气象学和弹道学分析不同恶劣气象对飞行弹箭的影响,建立各种恶劣气象关于弹道气象参数的特征函数;2、通过将恶劣气象的识别模型与弹道模型联立,得到可计及恶劣气象条件影响的弹道解算模型,从而显著提高恶劣气象条件下的弹道解算精度。
附图说明
图1为本发明的总流程框图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
首先,针对各种典型恶劣气象对飞行弹箭的影响进行分类。
有些恶劣气象与弹箭存在直接作用的关系,如飓风、暴雨及沙尘暴,将直接影响弹箭的阻力和升力,只是影响的程度和机理有所不同,同时它们也对飞行环境参数(如湿度、压力、密度、大气环流等)产生影响,从而进一步影响飞行性能;有些恶劣气象如雷电、雾霾等,与弹箭之间并无直接作用,但对飞行环境参数有影响,故间接影响其弹道性能。
其次,根据各种恶劣气象的特点,提取出恶劣气象的气象学特征,在此基础上建立各种恶劣气象关于弹道气象参数的特征函数,探明弹道模型所涉及气象参数与恶劣气象之间的内在关联。
再次,利用感知机学习算法建立恶劣气象的模式识别模型,将该模式识别模型与弹道模型联立,得到可计及恶劣气象条件影响的弹道解算模型。
最后,将弹道解算模型与短临预报系统提供的信息相结合,来进一步优化弹道解算结果。
如图1所示为总流程框图,包含三个核心环节:
第一个核心环节是确定飓风、暴雨及沙尘暴等恶劣气象对弹箭的直接影响,采用气动力数值模拟、多相流动数值模拟等在不同条件下(如不同马赫数、雷诺数、飞行攻角、姿态角等)分析这些恶劣气象对作用在弹箭上的力和力矩的影响。
第二个核心环节是确定各种恶劣气象对飞行环境参数的影响,主要是采用气象学和弹道学的相关分析方法进行研究。
第三个核心环节是建立恶劣气象与弹道模型之间的关联,需要在前面两个核心环节的基础上,提取出可以用弹道气象参数来描述的恶劣气象特征,建立相应的特征函数,利用神经网络感知机学习算法建立适配的恶劣气象的模式识别模型,该模式识别模型与弹道模型耦合使用。恶劣气象预报数据作为该模式识别模型的输入,经模式识别模型转化输出,可得到匹配的弹道气象参数,完成恶劣气象条件下的弹道解算。
本发明弹道解算方法的详细步骤如下:
步骤1,针对各种典型恶劣气象是直接影响弹箭的阻力和升力,还是仅是对环境参数有影响,对典型恶劣气象进行分类。
采用气动力数值模拟、多相流动数值模拟等在不同条件下(如不同马赫数、雷诺 数、飞行攻角、姿态角等)分析这些恶劣气象作用在弹箭上的力和力矩。多相流动过程受到 基本的流体力学规律控制,其流动满足纳斯-斯托克斯方程(
公式(1)中,
动量方程为:
公式(2)中,
同时采用气象学和弹道学分析各种恶劣气象对飞行环境参数造成的数值改变量。大气的主要物理特性之一是大气湍流特性,实际大气是湍流大气,大气运动实际是混乱交杂、迅速变化的扰动运动。为了分析各种恶劣气象对飞行环境参数造成的数值改变,首先用同一点不同时间(截口)的相关函数描述湍流场的结构,大气湍流属于平稳随机过程,并具有“各态历经”性质,故可按充分长时间求平均得到的相关函数来代替按全部观测值求得的相关函数,即
公式(3)中,
采用固定空间抽样的方法来研究某个时间点上的一个空间样本
方差为:
公式(4)中,
步骤2,根据各种恶劣气象的特点,提取出恶劣气象的风、气压以及虚温等气象学特征。
步骤3,通过线性或非线性回归建立各种恶劣气象关于弹道气象参数的特征函数,获取弹道模型所涉及气象参数与恶劣气象之间的内在关联。
弹道模型与恶劣气象的内在关联中,首先提取出可以用弹道气象参数来描述的恶劣气象特征,弹道参数受多种气象因素共同作用,假设弹道气象参数是影响因素的连续光滑函数,可表达为如下形式:
公式(6)中,
公式(7)中,
步骤4,利用感知机学习算法通过训练学习建立各种恶劣气象的模式识别模型。建立方法如下:
(41)感知机模型的建立。感知机模型对应一个
公式(8)中,
(42)损失函数的建立。在数据集线性可分的前提下,感知机的学习目标是通过已知数据训练出一个超平面,为了找到这个超平面,需定义一个损失函数:
公式(9)中,
当样本被分类正确时,输出为负值;反之,为正值;也即损失函数的最小值意味着最多的正确分类点。
(43)损失函数最小值求解。梯度下降法是一种迭代方法,它通过不断改变
公式(10)中,
公式(11)中,
之后不断重复梯度下降过程,直到该训练集中误分类点个数低于阈值为止。将最 终更新后的
(44)模式识别模型的建立。将步骤3中所建立的不同恶劣气象的特征函数提取特征值构建训练数据集,感知机学习算法通过训练学习该数据集,即可建立各种恶劣气象的模式识别模型。
步骤5,将恶劣气象的模式识别模型与弹道模型联立,得到可计及恶劣气象条件影响的弹道解算模型。
将恶劣气象预报数据作为步骤4中恶劣气象的模式识别模型的输入,经模式识别模型输出,可得到匹配的弹道气象参数,从而完成恶劣气象条件下的弹道解算。
步骤6,利用短临预报系统提供的信息修正弹道解算,来进一步优化弹道解算结果。
选取风这一因素来进行说明,根据上述所得到的弹道解算结果,结合短临预报系 统提供的预报天气数据,利用无迹卡尔曼滤波算法作为辨识算法,实现从非线性弹道模型 中辨识风修正系数,具体操作为将原始预报气象数据作为弹道模型的基础气象条件,采用 无迹卡尔曼滤波算法对实测弹道数据进行迭代处理,并将每次迭代所得风修正系数和状态 变量的估计均方误差作为下次迭代的初值,直至满足迭代终止条件。为了满足迭代效率,根 据实际情况设定迭代终止条件个数,如:条件一设定为达到最大迭代次数
机译: 两种成分的复合材料的屋顶覆盖物的一种成分由金属箔组成,另一种成分由合成材料组成,该成分在气象条件下是不透水的,并且可热负荷和机械负荷
机译: 一种通过冗余计算来减少在恶劣条件下具有高整体感应供电孔的应用中的方法
机译: 更新飞机弹道的气象数据选择方法