(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 202111564646.9 (22)申请日 2021.12.20 (66)本国优先权数据 202111257920.8 2021.10.27 CN (71)申请人 中国空气动力研究与发展中心计算 空气动力研究所 地址 621000 四川省绵阳市涪城区二环路 南段6号 (72)发明人 刘滔　赵暾　张显才　侯金鑫　 郑凤麒　 其他发明人请求 不公开姓名　 (74)专利代理 机构 成都东恒知盛知识产权代理 事务所 (特殊普通合伙) 51304 专利代理师 何健雄(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种高超 声速目标中长期轨 迹预测方法 (57)摘要 本发明涉及高超声速目标技术领域， 具体地 说， 涉及一种高超声速目标中长期轨迹预测方 法， 其包括以下步骤： 步骤1、 根据雷达探测目标 的信息， 通过滤波算法获得目标的位置、 速度状 态信息； 步骤2、 通过目标跟踪得到的历史状态信 息， 计算气动参数序列αVTC， 然后建立其LSTM预 测模型； 步骤3、 利用训练好的LSTM模型预测 αVTC， 而后根据预测结果获得目标的中长期预测 的轨迹； 步骤4、 目标再入机动或机动模式发生变 化时， 按照步骤1、 步骤2生成新序列αVTC， 并依此 更新LSTM模型， 然后返回步骤3。 本发明能较佳地 预测中长期轨 迹。 权利要求书3页 说明书10页 附图6页 CN 114462293 A 2022.05.10 CN 114462293 A 1.一种高超声速目标中长期轨 迹预测方法， 其特 征在于： 包括以下步骤： 步骤1、 根据雷达 探测目标的信息， 通过 滤波算法获得目标的位置、 速度状态信息； 步骤2、 通过目标跟踪得到的历史状态信息， 计算气动参数序列αVTC， 然后建立其LSTM预 测模型； 步骤3、 利用训练好的LSTM模型预测αVTC， 而后根据预测结果获得目标的中长期预测的 轨迹； 步骤4、 目标再入机动或机动模式发生变化时， 按照步骤1、 步骤2生成新序列αVTC， 并依 此更新LSTM模型， 然后返回步骤3 。 2.根据权利要求1所述的一种高超声速目标中长期轨迹预测方法， 其特征在于： 气动参 数序列αVTC计算方法如下： 设： (1)侧滑角为零； (2)将地球视为球体， 地心引力与飞行器与地心的距离成反比； (3) 忽略地球自转； 则目标在三维空间内的质心运动方程组 为： 式中， 状态变量 其中r表示飞行器与地心的距离， φ, 分别表示纬 度和经度， θ, ψ分别表示航迹倾角和航迹偏角， g为重力加速度； 根据质心 运动方程组可推导 气动参数aVTC的计算公式： 在VTC坐标系下的气动加速度aVTC是空气压强和气动参数αVTC＝[αd, αdktd, αdkcd]T＝[αV  αT αC]的函数， 这里 可以表示 为： 由上式可知 式中， αd为阻力参数， 由飞行器的质量m、 参考面积Sa、 速 度、 高度、 长直比以及空气粘性系数确定； ρ 为空气密度； 爬阻比kcd为爬升力与阻力的比值，权　利　要　求　书 1/3 页 2 CN 114462293 A 2转阻比ktd为转弯力与阻力的比值； 升阻比kr为升力与阻力的比值， 设目标侧向机动为B TT方 式， 则有 3.根据权利要求2所述的一种高超声速目标中长期轨迹预测方法， 其特征在于： LSTM预 测模型中， LSTM通过三个门记住长时间段内信息， LSTM包括： 1)遗忘门： f(t)＝σ(Wf[αVTC(t),h(t‑1)]+bf)； 式中， αVTC(t)为当前时刻气动参数； Wf为遗忘门f的权重系数， σ 为 sigmoid激活函数， h为 LSTM的输出， b为偏置项； 2)输入门： i(t)＝σ(Wi[αVTC(t),h(t‑1)]+bi)； 输入门i(t)控制当前时刻的候选状态 中哪些信息 需要被保存； Wi表示输入门i对应 的输入权 重， Wc表示细胞状态c对应的状态权 重； 3)更新细胞状态： 遗忘门输出f(t)与细胞上一时刻的状态c(t ‑1)相乘， 用来忘记， 再加上新的候选值 根据对每 个状态决定的更新 值按比例进行缩放； 4)输出门： o(t)＝σ(Wo[aVTC(t),h(t‑1)]+bo)； h(t)＝o(t)·tanh(c(t) )； 输出门o(t)控制当前时刻的细胞状态c(t)的信息 输出。 4.根据权利要求3所述的一种高超声速目标中长期轨迹预测方法， 其特征在于： 步骤3 中， 预测前将数据进行归一 化处理； 式中， 为αVTC(t)归一化后的值， 分别为αVTC(t)的均值和偏差， 其中： 当利用训练好的模型进行 预测后， 需要对预测结果进行反归一 化， 反归一 化的公式为：权　利　要　求　书 2/3 页 3 CN 114462293 A 3