(19)中华 人民共和国 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 202111286739.X (22)申请日 2021.11.02 (71)申请人 南京长峰航天电子科技有限公司 地址 210061 江苏省南京市江北新区星火 路14号 (72)发明人 汪大康　张昊　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 代理人 韩红莉 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于Elman神经网络的轨道预测算法 (57)摘要 本发明公开了一种基于Elman神经网络的轨 道预测算法， 其特征在于， 包括： 将待预测的弹道 导弹的轨道坐标输入Elman神经网络预测模型， 输出预测的轨道坐标； 构建Elman神经网络预测 模型， 包括： 构建Elman神经网络模型； 将获取的 侦察数据代入El man神经网络模型进行迭代训练 直到符合条件， 输出最终的Elman神经网络预测 模型。 基于侦察数据训练构建的Elman神经网络 预测模型； 基于迭代次数或者误差精度， 完成 Elman神经网络预测模型的构建， 预测的弹道导 弹的轨道坐标更加精确。 权利要求书2页 说明书7页 附图5页 CN 114186477 A 2022.03.15 CN 114186477 A 1.一种基于 Elman神经网络的轨道预测算法， 其特 征在于， 包括： 将待预测的弹道导弹的轨道坐标输入Elman神经网络预测模型， 输出 预测的轨道坐标； 构建Elman神经网络预测模型， 包括： 构建Elman神经网络模型； 将获取的侦察数据代入Elman神经网络模型进行迭代训练直到符合条件， 输出最终的 Elman神经网络预测模型。 2.根据权利要求1所述的一种基于 Elman神经网络的轨道预测算法， 其特 征在于， 条件为条件一和条件二中的一个： 条件一， 迭代次数达 到设定的次数； 条件二， 将测试数据代入Elman神经网络预测模型中， 获得预测输出的弹道导弹的轨道 坐标； 将预测输出的弹道导 弹的轨道坐标和对应时间的测试数据中弹道导弹的轨道坐标之 间的误差与设定的阈值进行比较， 若误差在设定的阈值范围内则表示Elman神经网络预测 模型合格， 否则重新迭代训练Elman神经网络模型。 3.根据权利要求1所述的一种基于 Elman神经网络的轨道预测算法， 其特 征在于， 构建Elman神经网络模型： y(k)＝g(w3·x(k)) x(k)＝f(w1·xc(k))+w2(u(k‑1)) xc(k)＝x(k ‑1)， 式中， y(k)为预测输出的弹道导弹的轨道坐标集合， m表示预测输出的弹道导弹的轨道 坐标点数； x(k)为输入Elman神经网络模 型的中间层节 点单元向量， n为中间层节 点数； u(k ‑ 1)为输入Elman神经网络模 型的r维轨道 坐标集合， r表 示x(k)中弹道 导弹的轨道 坐标点数； xc(k)为n维反馈状态向量； w3为中间层到输出层连接权值； w2为输入层到中间层连接权值； w1为承接层到中间层的连接权值； g(*)是中间层输出的线性组合； f(*)为中间层神经元的 传递函数。 4.根据权利要求3所述的一种基于 Elman神经网络的轨道预测算法， 其特 征在于， 将获取的侦察数据代入Elman神经网络模型进行多次迭代训练， 每完成一次迭代， 更新 一次w1、 w2与w3的值， 包括： Elman神经网络模型采用BP算法进行权值修正， BP算法的学习指标函数采用误差平方 和函数： 式中， 为实际上弹道导弹目标的轨道坐标向量， yk(W)为与 对应的Elman神经 网络模型输出的y(k)； 基于下式获得 更新后的w1、 w2与w3： wi＝wiold+dw 式中i＝1， 2， 3， wiold为w1、 w2与w3的初始值； dw为每次迭代的调 整值， 基于梯度 下降法的权　利　要　求　书 1/2 页 2 CN 114186477 A 2策略， 往负梯度的方向进行调整； 其中η为学习率， 取值范围为[0， 1]； 将更新后的w1、 w2与w3代入Elman神经网络模型中迭代训练。 5.根据权利要求1所述的一种基于 Elman神经网络的轨道预测算法， 其特 征在于， 在构建Elman神经网络模型之前， 对侦察数据进行归一 化处理， 包括： 利用最小 ‑最大规范化方法对侦察数据中弹道导弹的X轴坐标进行线性变换： 其中， minx为侦查数据中弹道导弹的X轴坐标的最小值， m axx为侦查数据中弹道导弹的X 轴坐标的最大值， x ’为线性变换后的X轴坐标， x为侦查数据中弹道导弹的X轴坐标； 利用最小 ‑最大规范化方法对侦察数据中弹道导弹的Y轴坐标进行线性变换： 其中， miny为侦查数据中弹道导弹的Y轴坐标的最小值， m axy为侦查数据中弹道导弹的Y 轴坐标的最大值， y ’为线性变换后的Y轴坐标， y为侦查数据中弹道导弹的Y轴坐标； 利用最小 ‑最大规范化方法对侦察数据中弹道导弹的Z轴坐标进行线性变换： 其中， minZ为侦查数据中弹道导弹的Z轴坐标的最小值， m axZ为侦查数据中弹道导弹的Z 轴坐标的最大值， z ’为线性变换后的Z轴坐标， Z为侦查数据中弹道导弹的Z轴坐标。 6.根据权利要求1所述的一种基于 Elman神经网络的轨道预测算法， 其特 征在于， 条件一中， 迭代次数达 到设定的次数一千次； 条件二中， 预测输出的弹道导弹的轨道坐标和侦察数据对应的实际弹道导弹的轨道坐 标之间的误差平方和E(w)达 到指定精度。 7.根据权利要求3所述的一种基于Elman神经网络的轨道预测算法， 其特征在于， f(*) 采用S函数。 8.根据权利要求5所述的一种基于Elman神经网络的轨道预测算法， 其特征在于， 在对 侦察数据进行归一 化处理之前， 对侦查数据进行异常值剔除和缺失值补充； 侦查数据和测试数据均为预先采集的弹道导弹的轨道坐标集合， 轨道坐标集合是按照 固定时间间隔依次采集， 缺 失值补充 是采用轨道坐标集合中缺失坐标所在位置的前后轨道 坐标求平均值获得。 9.计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机程序被处理器 执行时实现权利要求1所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114186477 A 3