基于综合灰关联序模型的残差门控循环神经网络位标器零部件选配

位标器漂移性能是决定精确制导武器跟踪能力与制导精度的关键因素之一,通过位标器零部件选配可改善位标器漂移性能。针对位标器零部件一次选配成功率低的问题,提出综合灰关联序(CGRO)模型并对影响位标器零部件选配的装配参数进行关联分析,得到了影响位标器零部件选配的关键装配参数;建立残差门控循环神经网络(RNGRU)模型,实现了位标器零部件的选配。以影响位标器漂移性能的陀螺转子与调漂螺钉装配为例,应用CGRO模型对陀螺转子的装配参数进行关联分析,得到了影响两者装配的关键装配参数;基于RNGRU模型实现了对调漂螺钉质量的回归预测。实验结果表明,所提方法能够实现位标器零部件的选配,其预测精度优于传统门控循环神经网络。

Stacked-GRU网络在动力随动陀螺零部件选配上的应用

动力随动陀螺是红外导引头位标器的核心部件之一,其装配质量对于导弹制导精度而言有着决定性的作用。针对动力随动陀螺零部件一次选配成功率低的问题,提出了一种基于数据驱动的动力随动陀螺零部件选配方法。对动力随动陀螺零部件装配现状进行了分析,考虑到零部件装配参数间复杂的非线性映射关系,建立了堆叠门控循环单元(Stacked-GRU)网络数据驱动模型,对陀螺待装配零部件参数属性值进行了预测。根据预测结果指导了陀螺零部件的选配,并以陀螺典型零部件装配为例进行了验证。实验结果表明,所提方法能够实现动力随动陀螺零部件的选配,且预测精度优于传统神经网络。