基于残差神经网络的三维多导弹时间协同制导方法及系统

本发明涉及精确制导，尤其是涉及基于残差神经网络的三维多导弹时间协同制导方法及系统。

背景技术：

1、在现代军事体系中，导弹是核心武器系统之一，多导弹协同拦截能显著提升对高价值目标的打击概率，而时间协同制导是实现多导弹同时拦截的关键技术，其核心是通过协调各导弹的剩余飞行时间（tgo），保证多导弹在同一时刻命中目标。

2、目前，三维多导弹时间协同制导主要分为两类技术范式：一类是无弹间通信的独立制导，各导弹自主调整制导指令使tgo匹配预设值；另一类是基于弹间通信网络的协同制导，导弹实时交换状态信息（相对位置、速度、剩余时间估计等），通过一致性协议调整运动状态实现 tgo 收敛。但这两种范式均存在显著技术缺陷：其一是动力学表征不完整：传统方法未对制导系统进行时间尺度分解，快变的导弹-目标相对运动与慢变的多导弹时间协同相互耦合，导致制导律设计难以兼顾稳定性与协同精度；其二是tgo估计误差大：受导弹初始状态差异、动态模型不确定性、弹目相对几何变化的影响，tgo估计存在系统偏差和异常值，进而引发非可忽略的碰撞时间误差；其三是鲁棒性有限：面对极端初始位置条件、目标机动(速度突变）等复杂场景，传统方法的时间协同误差会急剧增大，甚至出现拦截失败，无法满足实战要求。

3、为解决上述问题，现有技术尝试引入神经网络优化tgo估计，如采用lstm网络预测目标机动轨迹、基于深度强化学习设计制导偏置项，但此类方法仍存在不足：一是未针对三维制导的时间尺度特性进行系统分解，神经网络仅作为辅助模块，未与制导律深度融合；二是采用普通多层感知机（mlp）易出现梯度消失，难以学习tgo误差的非线性动力学规律；三是缺乏闭环的误差修正机制，无法对极端误差场景进行有效优化。

技术实现思路

1、本发明的目的是提供基于残差神经网络的三维多导弹时间协同制导方法及系统，解决现有技术存在的动力学表征不完整、碰撞时间误差大、鲁棒性有限的问题。

2、为实现上述目的，本发明提供了基于残差神经网络的三维多导弹时间协同制导方法，包括以下步骤：

3、s1、通过奇异摄动理论将三维多导弹协同制导闭环系统分解为快子系统和慢子系统；通过快子系统表征导弹-目标相对运动回路，通过慢子系统表征多导弹时间协同一致性的协调回路；

4、s2、设计快子系统的增广比例导引律apn，保证快子系统的输入状态稳定性iss，生成导弹横向加速度指令；

5、s3、将多导弹的通信拓扑建模为无向连通图，计算剩余飞行时间tgo偏差，设计离散时间一致性协议；

6、s4、构建残差结构的预测神经网络predictornn，将导弹三维初始位置作为输入、预测拦截时间协同误差作为输出，并对predictornn进行训练，训练后对tgo估计的系统偏差和异常值进行预测与补偿；

7、s5、设计带动态权重调度的多目标奖励函数，根据predictornn的预测误差等级自适应调整奖励函数中各优化目标的权重，实现时间协同精度与拦截性能的动态权衡；

8、s6、设置后验验证与重试机制，对实际拦截的时间协同误差进行验证，对超阈值的极端误差场景执行参数优化与重试，实现三维多导弹的时间协同制导，保证多导弹对目标的同时拦截。

9、本发明还提供了基于残差神经网络的三维多导弹时间协同制导方法的系统，包括快子系统制导模块、慢子系统协调模块、残差网络预测模块、动态权重调度模块、后验验证优化模块，各模块依次连接形成闭环制导系统，实现上述制导方法；

10、快子系统制导模块，用于实现增广比例导引律，生成横向加速度指令，保证导弹-目标相对运动回路的iss稳定性；

11、慢子系统协调模块，用于实现离散时间一致性协议，生成纵向协同加速度指令，实现多导弹tgo的一致性收敛；

12、残差网络预测模块，用于实现predictornn的构建与训练；

13、动态权重调度模块，用于实现多目标奖励函数设计与权重调度，动态权衡时间协同精度与拦截性能；

14、后验验证优化模块，用于实现后验验证与重试机制，对极端误差场景进行验证、重试和增量学习。

15、因此，本发明采用上述基于残差神经网络的三维多导弹时间协同制导方法及系统，具有以下有益效果：

16、（1）系统分解兼顾稳定性与协同精度：采用奇异摄动理论将制导系统分解为快、慢子系统，快子系统通过apn制导律保证iss稳定性，慢子系统通过一致性协议实现tgo收敛，解决了传统方法动力学表征不完整的问题；

17、（2）残差网络降低tgo估计误差：残差结构predictornn通过“梯度高速路”和ode增量学习特性，精准预测tgo误差趋势，经蒙特卡洛仿真验证，本发明的平均碰撞时间差低至0.023s，远优于传统apn方法的0.107s；

18、（3）动态权重调度实现场景自适应：阶梯式权重调度策略根据预测误差等级动态调整优化优先级，在常规场景均衡性能，在复杂场景优先保证时间协同，实现不同场景下的自适应制导；

19、（4）闭环验证优化提升鲁棒性：“预测-调整-验证”闭环机制对极端误差场景进行重试和增量学习，极端初始位置条件下，平均时间差从传统apn方法的2.28s降至0.2202s，严重极端误差比例（y>0.5s）从65.78%降至10.52%，鲁棒性显著提升；

20、（5）工程实用性强：predictornn为轻量型网络，单次前向传播推理速度快，可满足实时制导要求；重试机制为离线执行，无需修改实际导弹的制导逻辑，易于工程实现。

21、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

1.基于残差神经网络的三维多导弹时间协同制导方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于残差神经网络的三维多导弹时间协同制导方法，其特征在于，s1中的具体内容为：

3.根据权利要求2所述的基于残差神经网络的三维多导弹时间协同制导方法，其特征在于，s2中的具体内容为：

4.根据权利要求3所述的基于残差神经网络的三维多导弹时间协同制导方法，其特征在于，s3中的具体内容为：

5.根据权利要求4所述的基于残差神经网络的三维多导弹时间协同制导方法，其特征在于，s4中的具体内容为：

6.根据权利要求5所述的基于残差神经网络的三维多导弹时间协同制导方法，其特征在于，s5中的具体过程为：

7.根据权利要求6所述的基于残差神经网络的三维多导弹时间协同制导方法，其特征在于，s6中设置后验验证与重试机制的具体内容为：

8.一种如权利要求1-7任一项所述的基于残差神经网络的三维多导弹时间协同制导方法的系统，其特征在于，包括：

9.根据权利要求8所述的基于残差神经网络的三维多导弹时间协同制导方法的系统，其特征在于：慢子系统协调模块包括通信拓扑建模单元、tgo偏差计算单元和一致性协议执行单元；通信拓扑建模单元将多导弹通信网络建模为无向连通图，构建拉普拉斯矩阵；tgo偏差计算单元计算各导弹剩余飞行时间相对导弹群均值的偏差，生成时间协同误差向量；一致性协议执行单元根据离散时间一致性协议生成纵向协同加速度指令，驱动时间协同误差向量渐近收敛。

10.根据权利要求9所述的基于残差神经网络的三维多导弹时间协同制导方法的系统，其特征在于：残差网络预测模块包括数据采集单元、网络训练单元和误差预测单元；数据采集单元通过蒙特卡洛仿真生成初始数据，筛选有效样本形成数据集；网络训练单元将均方误差作为损失函数，通过adam优化器训练残差神经网络；误差预测单元接收导弹初始位置向量，输出预测拦截时间协同误差。