-
公开(公告)号：CN116484721A
公开(公告)日：2023-07-25
申请号：CN202310321814.4
申请日：2023-03-29
Applicant: 北京理工大学
IPC: G06F30/27 , G06N3/0442 , G06N3/08 , G09B9/00 , G06F119/14
Abstract: 本发明公开了一种基于人工智能的拦截弹阻力系数在线辨识方法，利用飞行器上的传感器对飞行器与拦截弹的运动学信息进行实时测量，将所测量信息输入到辨识模型中，得到拦截弹阻力系数。本发明公开的基于人工智能的拦截弹阻力系数在线辨识方法，具有更快的辨识速度和更高的准确度。
-
公开(公告)号：CN116224801A
公开(公告)日：2023-06-06
申请号：CN202310321825.2
申请日：2023-03-29
Applicant: 北京理工大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于人工智能的飞行器协同制导律快速回归辨识方法，包括以下步骤：建立协同制导模型，所述协同制导模型为能够表征我方固定目标与敌方飞行器之间运动状态的模型；根据协同制导模型获得训练样本；建立神经网络，通过训练样本对神经网络进行训练，获得辨识模型；通过训练后的辨识模型获取敌方飞行器的制导参数。本发明提供的基于人工智能的飞行器协同制导律快速回归辨识方法，能够更加快速、准确的辨识敌方飞行器的时变制导参数。
-
公开(公告)号：CN119538081A
公开(公告)日：2025-02-28
申请号：CN202410915783.X
申请日：2024-07-09
Applicant: 北京理工大学
IPC: G06F18/2415 , G06F17/18 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种通过动态分布概率图像进行群体意图的识别方法，包括以下步骤：通过EKF处理与每个入侵飞行器相关的度量，得到估计的状态及其相关的协方差矩阵；基于估计的状态及其对应的协方差矩阵构造DDP图像，所述DDP图像为能够表征当前时刻估计入侵飞行器群状态的图像；将DDP图像通过CNN神经网络提取第一特征，通过BP神经网络提取第二特征；将第一特征和第二特征输入到GRU网络，由GRU神经网络输出不同意图的概率，进而确定入侵飞行器群的群体意图。本发明公开的群体意图的识别方法，具有更为准确的识别率。
-
公开(公告)号：CN115113640B
公开(公告)日：2025-02-18
申请号：CN202110294090.X
申请日：2021-03-18
Applicant: 北京理工大学 , 西北工业集团有限公司
IPC: G05D1/49 , G05D1/46 , G05D101/10 , G05D109/20
Abstract: 本发明公开了一种带落角约束的增程飞行器制导控制方法，该方法中，在中制导段，通过控制俯仰舵机打舵工作，提高飞行器的攻角来使其能够滑翔的更远，在进入到末制导段时，通过设置基于滑模面的制导律，在给定期望落角的情况下，实时解算飞行器的需用过载，并据此控制飞行器飞行，最终在曾加飞行器射程的情况下控制其按照期望落角降落并命中目标。
-
公开(公告)号：CN114690790B
公开(公告)日：2024-11-29
申请号：CN202111566673.X
申请日：2021-12-20
Applicant: 北京理工大学
IPC: G05D1/46 , G05D109/28
Abstract: 本发明公开了一种基于GRU的拦截飞行器制导律快速辨识方法，该方法中，针对拦截飞行器制导律辨识问题，首先，构建了三维空间下的拦截飞行器‑我方飞行器相对运动模型，拦截飞行器采用比例导引(PN)制导律或增强比例导引(APN)制导律。从相对运动模型中提取片段组成训练样本集和测试样本集，样本的输入为敌我双方运动学信息，标签为敌方拦截飞行器对应的制导律。其次，建立了包含三层隐含层的GRU网络模型，采用基于Adam算法的反向传播对网络进行训练，获得辨识模型，再通过辨识模型及时获得拦截飞行器的制导律。
-
Patent Agency Ranking
公开(公告)号：CN115994562A
公开(公告)日：2023-04-21
申请号：CN202210228644.0
申请日：2022-03-08
Applicant: 北京理工大学
Abstract: 本发明公开了一种改进多模型机制的神经网络输出后处理方法，通过设置多模型层神经网络，使用训练后的多模型层神经网络对输入数据进行辨识或预测，获得最终的辨识或预测结果，多模型层神经网络，包括神经网络模块和多模型层模块，多模型层模块设置在神经网络模块的隐含层与输出层之间，在多模型层模块中具有模型，所述模型中含有多个单元，每个单元将隐含层的输出结果作为输入，多个单元的输出结果合并回归后作为模型的输出传递至输出层。本发明公开的方法，降低了神经网络训练初始损失函数值，训练过程中损失函数下降快，可以减少训练次数，降低训练时间。
-
公开(公告)号：CN114690790A
公开(公告)日：2022-07-01
申请号：CN202111566673.X
申请日：2021-12-20
Applicant: 北京理工大学
IPC: G05D1/08
Abstract: 本发明公开了一种基于GRU的拦截飞行器制导律快速辨识方法，该方法中，针对拦截飞行器制导律辨识问题，首先，构建了三维空间下的拦截飞行器‑我方飞行器相对运动模型，拦截飞行器采用比例导引(PN)制导律或增强比例导引(APN)制导律。从相对运动模型中提取片段组成训练样本集和测试样本集，样本的输入为敌我双方运动学信息，标签为敌方拦截飞行器对应的制导律。其次，建立了包含三层隐含层的GRU网络模型，采用基于Adam算法的反向传播对网络进行训练，获得辨识模型，再通过辨识模型及时获得拦截飞行器的制导律。
-
公开(公告)号：CN116224801B
公开(公告)日：2025-02-18
申请号：CN202310321825.2
申请日：2023-03-29
Applicant: 北京理工大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于人工智能的飞行器协同制导律快速回归辨识方法，包括以下步骤：建立协同制导模型，所述协同制导模型为能够表征我方固定目标与敌方飞行器之间运动状态的模型；根据协同制导模型获得训练样本；建立神经网络，通过训练样本对神经网络进行训练，获得辨识模型；通过训练后的辨识模型获取敌方飞行器的制导参数。本发明提供的基于人工智能的飞行器协同制导律快速回归辨识方法，能够更加快速、准确的辨识敌方飞行器的时变制导参数。
-
公开(公告)号：CN116451149A
公开(公告)日：2023-07-18
申请号：CN202310321827.1
申请日：2023-03-29
Applicant: 北京理工大学
IPC: G06F18/2415 , G06F18/25 , G09B9/00 , G06N3/0442 , G06N3/047 , G06N3/048 , G06N3/09
Abstract: 本发明公开了一种基于人工智能的拦截弹拦截目标快速辨识方法，包括以下步骤：采用神经网络获取当前时刻每个拦截弹对飞行器的拦截概率，作为初步辨识结果；对一段时间内的初步辨识结果进行信息融合，辨识出拦截弹的拦截目标。本发明公开的基于人工智能的拦截弹拦截目标快速辨识方法，辨识精度高，灵活性高，能够适应不同数量的拦截弹以及飞行器，且对机载计算机性能要求低。
-
公开(公告)号：CN116382079A
公开(公告)日：2023-07-04
申请号：CN202310321808.9
申请日：2023-03-29
Applicant: 北京理工大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于人工智能的制导律回归辨识方法，包括以下步骤：建立追逃模型，所述追逃模型为能够表征我方飞行器与拦截飞行器之间运动状态的模型；根据追逃模型获得训练样本；建立辨识模型，通过训练样本对辨识模型进行训练；通过训练后的辨识模型获取拦截飞行器的制导律。本发明公开的基于人工智能的制导律回归辨识方法，将制导律辨识视为一个回归问题，而非分类问题进行解决，提高了辨识准确度，且过度时间短，能够更快的准确辨识拦截飞行器的制导律。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.017 seconds)
