(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110084357.2 (22)申请日 2021.01.21 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 王江　刘子超　林德福　何绍溟　 范世鹏　 (74)专利代理 机构 北京康思博达知识产权代理 事务所(普通 合伙) 11426 专利代理师 刘冬梅　范国锋 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) (54)发明名称 基于深度学习的飞行器剩余飞行时间预测 方法 (57)摘要 本发明公开了一种基于深度学习的飞行器 剩余飞行时间预测方法， 所述方法针对使用特定 制导算法的飞行器， 使用飞行器自身的当前速度 信息、 飞行器与目标的相对位置信息， 通过深度 神经网络 预测剩余飞行时间。 本发 明提供的基于 深度学习的飞行器剩余飞行时间预测方法， 选取 的输入状态为当前速度、 当前速度方向、 当前高 度、 当前横向位置， 映射 关系合理， 使用深度学习 拟合这一映射关系的可行性高； 预测精度高， 计 算量少， 能够应用于在线预测场景， 确保飞行器 高效实现协同突防。 权利要求书1页 说明书8页 附图4页 CN 114818100 A 2022.07.29 CN 114818100 A 1.一种基于深度学习的飞行器剩余飞行时间预测方法， 其特征在于， 所述方法包括以 下步骤： 步骤1， 采集飞行 数据， 训练得到神经网络模型； 步骤2， 飞行器飞行时， 采用神经网络模型实时预测剩余飞行时间。 2.根据权利要求1所述的基于深度学习的飞行器剩余飞行时间预测方法， 其特征在于， 步骤1包括以下子步骤： 步骤1‑1， 飞行器运行飞行仿真程序， 采集飞行 过程中的训练样本数据； 步骤1‑2， 建立神经网络， 采用采集的训练样本数据训练神经网络； 步骤1‑3， 对训练后的神经网络进行测试。 3.根据权利要求2所述的基于深度学习的飞行器剩余飞行时间预测方法， 其特征在于， 步骤1‑1中， 所述训练样本的获得包括下述 步骤： 在每次运行仿真程序之前， 随机修改飞行器的初始状态。 4.根据权利要求3所述的基于深度学习的飞行器剩余飞行时间预测方法， 其特 征在于， 所述初始状态包括初始速度、 初始速度方向、 初始横向位置和初始高度。 5.根据权利要求2所述的基于深度学习的飞行器剩余飞行时间预测方法， 其特征在于， 步骤1‑1中， 采集的训练样本数据包括飞行器的速度大小、 速度方向、 空间位置和剩余飞行 时间。 6.根据权利要求2所述的基于深度学习的飞行器剩余飞行时间预测方法， 其特征在于， 步骤1‑2中， 所述建立的神经网络为深度神经网络， 其具有多个隐层的神经网络， 隐层的函 数如下所示： 其中， R表示隐层的输入， C表示隐层的输出， w表示隐层的权值， b表示隐层的偏移量， 下 标j表示隐层的编号， 下 标i表示隐层j中的第i个神经 元。 7.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有基于深度 学习的飞行器剩余飞行时间预测程序， 所述程序被处理器执行时， 使得处理器执行权利要 求1至6之一所述基于深度学习的飞行器剩余飞行时间预测方法的步骤。 8.一种计算机设备， 其特征在于， 所述计算机设备包括存储器和处理器， 所述存储器存 储有基于深度学习的飞行器剩余飞行时间预测 程序， 所述程序被处理器执行时， 使得处理 器执行权利要求1至 6之一所述基于深度学习的飞行器剩余飞行时间预测方法的步骤。权　利　要　求　书 1/1 页 2 CN 114818100 A 2基于深度学习的飞行器剩余飞行时间预测方 法 技术领域 [0001]本发明属于飞行器剩余飞行时间预测技术领域， 具体涉及基于深度学习的飞行器 剩余飞行时间预测方法。 背景技术 [0002]飞行器(如： 导弹)是打击重要战略目标的中坚力量， 但是现代战争中， 敌方的防御 反制手段多种多样， 尤其是地面或舰载平台拥有远程拦截武器、 近防武器， 这些都对飞行器 造成了很大的威胁。 [0003]多飞行器协同突 防能够使敌方的防御系统达到饱和， 增大突防成功的几率， 而确 保多飞行器能够同时到达目标成为了实现协同突防的一个关键问题。 精确的剩余 飞行时间 预测是精确的到达时间控制的基础， 如果剩余飞行时间无法直接或间接获得， 则到达时间 控制问题只能开环求 解， 而开环控制的控制精度一般小于闭环控制。 [0004]目前， 对飞行器剩余飞行时间的在线预测问题主要采用解析方法， 并且基于常值 飞行速度假设， 预测精度较差； 而使用微分方程迭代计算虽然能够提高预测精度， 但是计算 量较大， 难以实现在线预测。 [0005]因此， 有必要提供一种预测精度高、 计算量少、 能够应用于在线预测场景的飞行器 剩余飞行时间的预测方法。 发明内容 [0006]为了克服上述问题， 本发明人进行了锐意研究， 设计出一种基于深度学习的飞行 器剩余飞行时间预测方法， 该方法针对使用特定制导算法的飞行器， 使用飞行器 自身的当 前速度信息、 飞行器与目标的相对位置信息， 通过深度神经网络预测剩余 飞行时间， 具有良 好的预测能力， 预测精度高， 计算 量少， 能够应用于在线预测场景， 从而完成了 本发明。 [0007]具体来说， 本发明的目的在于提供以下 方面： [0008]第一方面， 提供了一种基于深度学习的飞行器剩余飞行时间预测方法， 其特征在 于， 所述方法包括以下步骤： [0009]步骤1， 采集飞行 数据， 训练得到神经网络模型； [0010]步骤2， 飞行器飞行时， 采用神经网络模型实时预测剩余飞行时间。 [0011]其中， 步骤1包括以下子步骤： [0012]步骤1‑1， 飞行器运行飞行仿真程序， 采集飞行 过程中的训练样本数据； [0013]步骤1‑2， 建立神经网络， 采用采集的训练样本数据训练神经网络； [0014]步骤1‑3， 对训练后的神经网络进行测试。 [0015]其中， 步骤1 ‑1中， [0016]所述训练样本的获得包括下述 步骤： [0017]在每次运行仿真程序之前， 随机修改飞行器的初始状态。 [0018]其中， 所述初始状态包括初始速度、 初始速度方向、 初始横向位置和初始高度。说　明　书 1/8 页 3 CN 114818100 A 3