临近空间高超声速跳跃式滑翔目标跟踪模型

针对临近空间高超声速跳跃式滑翔目标跟踪问题,在分析目标运动特性的基础上提出了一种二阶时间相关的新型机动跟踪模型,该模型的核心是将加速度作为具有衰减振荡自相关的零均值随机过程,并据此构建了跟踪临近空间高超声速跳跃式滑翔目标的状态方程;为进一步分析模型的运动适应性,结合卡尔曼滤波算法推导了模型的系统动态误差稳态值,从模型参数取值的角度探讨了模型的适应性问题;为提高模型参数设计的合理性,分析了模型中两个参数的对应关系,并给出了参数设计的大致参考区间.理论分析表明,模型具备周期性与衰减性的统一,在短时间内主要表现为周期性,在长时间内主要表现为指数衰减性,这一特性提高了对临近空间高超声速跳跃式滑翔运动描述的合理性,此外,该模型跟踪临近空间高超声速跳跃式滑翔目标时的参数理论取值具有较低的系统动态误差稳态值.仿真实验表明与已有的临近空间高超声速目标单噪声机动模型相比,该模型具有较高的跟踪精度;并通过比较不同参数下的仿真结果一定程度说明了参数取值方法的合理性.     

高超声速滑翔飞行器机动状态识别方法研究

高超声速滑翔飞行器(HGV)的迅猛发展改变了传统的作战样式,开辟了军事斗争的新领域。对HGV的机动状态进行识别可以为威胁评估、轨迹预测和防御决策提供有力支撑。为提高HGV机动状态识别精度,该文提出一种基于注意力机制的卷积长短时记忆网络识别模型(AT-ConvLSTM)。在对HGV进行机动建模和特性分析基础上,将HGV在空间的机动状态分为8类,构造了对应的特征识别参数,建立了包含不同初始条件和控制模式下HGV机动轨迹的轨迹库。推导了从雷达跟踪信息到特征识别参数的转换步骤,使用提出的状态识别模型对HGV机动轨迹的时空特征进行提取,并通过SoftMax分类器输出机动状态分类。最后,通过仿真实验对模型性能进行验证。结果表明,所提状态识别模型能够有效在线识别HGV机动状态,具有较好的实时性和准确性。