针对上面级火箭飞行时间长、时序控制精度高的使用要求,提出一种Kalman滤波和长短程记忆(long short term memory,LSTM)深度学习网络的上面级火箭时序控制补偿方法。对时序控制原理和误差来源进行分析,针对时序回采时间基准误差大的问题...针对上面级火箭飞行时间长、时序控制精度高的使用要求,提出一种Kalman滤波和长短程记忆(long short term memory,LSTM)深度学习网络的上面级火箭时序控制补偿方法。对时序控制原理和误差来源进行分析,针对时序回采时间基准误差大的问题,采用Kalman滤波方法实现时序控制测量误差估计,输出测量误差估计值。同时,采用多层单路输入LSTM深度学习网络作为误差预测网络,将上面级火箭前1/2段测量时序的Kalman滤波估计输出序列作为LSTM网络的训练数据,预测后1/2段较大的飞行时序控制误差,实现时序控制的误差补偿。仿真结果表明,对10 h长时飞行上面级火箭随机100路时序控制结果进行误差补偿,可以将6.23 ms最大时序控制误差减少到2.92 ms范围内,该方法具有良好的时序控制补偿效果。展开更多
文摘针对上面级火箭飞行时间长、时序控制精度高的使用要求,提出一种Kalman滤波和长短程记忆(long short term memory,LSTM)深度学习网络的上面级火箭时序控制补偿方法。对时序控制原理和误差来源进行分析,针对时序回采时间基准误差大的问题,采用Kalman滤波方法实现时序控制测量误差估计,输出测量误差估计值。同时,采用多层单路输入LSTM深度学习网络作为误差预测网络,将上面级火箭前1/2段测量时序的Kalman滤波估计输出序列作为LSTM网络的训练数据,预测后1/2段较大的飞行时序控制误差,实现时序控制的误差补偿。仿真结果表明,对10 h长时飞行上面级火箭随机100路时序控制结果进行误差补偿,可以将6.23 ms最大时序控制误差减少到2.92 ms范围内,该方法具有良好的时序控制补偿效果。