基于OLS-RBF神经网络的进场飞行时间预测

航空器预计到达时刻(ETA)是航空器进场排序与调度的基础,因此进场航空器飞行时间的快速与准确预测显得尤为重要。基于历史雷达轨迹分析,通过RBF(Radial Basic Function)神经网络构建进场航空器进港时的高度、速度、进场飞行距离与进场飞行时间的映射关系,利用正交最小二乘算法设计基于RBF神经网络的进场飞行时间预测模型。以上海浦东机场VMB进港点进场航班为例进行仿真验证,在考虑航空器机型的情况下,可将航空器飞行时间预测的均方根误差控制在50 s以内。仿真结果表明,提出的方法能够有效地实现进场飞行时间的快速与准确预测。

基于LS-SVM的航空器进场飞行时间预测

航空器预计到达时刻(ETA)的准确预测是航空器进场排序与调配的基础。基于最小二乘支持向量机方法(LS-SVM),对航空器进场飞行时间进行预测。通过对历史雷达数据进行收集,建立支持向量训练集,使用LS-SVM方法,建立航空器进场过程中的位置、高度、进场飞行速度及所需时间之间关系,预测航空器进场飞行时间。以咸阳机场为例建立仿真实验,将航空器进场飞行时间预测的均方根误差控制在11 s。仿真结果表明,可以实现对进场飞行时间的有效预测。

基于XGBoost算法的终端区进场航空器飞行时间预测

为了高效调配进离场航空器,得到进离场航空器的最佳排序顺序,采用机器学习的方法对终端区进场航空器的飞行时间进行预测.分析终端区航空器飞行特点和进场航空器飞行时间的影响因素并且提出了影响飞行时间预测的22个重要特征.引入密度聚类DBSCAN方法,聚类得到交通流的不同路径类别.建立了基于集成机器学习算法XGBoost的飞行时间预测模型,以云南昆明终端区为例,对模型进行了训练、验证和测试,并以平均相对误差和均方误差为评价指标来分析预测结果的误差.结果表明:与线性回归、支持向量机回归和人工神经网络方法相比,本文模型对飞行时间的预测结果最好,±5 min内的预测准确率达到95.18%.

基于机器学习的航空器进近飞行时间预测

为了准确预测航空器的落地时间,提高空管部门间的协作效率,采用机器学习的方法对航空器进近阶段飞行时间进行了预测。从实际运行出发,分析航空器在进近管制空域飞行时间产生差异的原因,提出了影响航空器在进近空域飞行的8类因素和17个重要特征。以航空器在进近飞行时间为标签,基于提出的重要特征,采用岭回归、支持向量机、随机森林和神经网络算法,建立了4种基于机器学习的航空器进近飞行时间预测模型。以南京进近为实例,对4种机器学习模型进行训练、验证和测试,对模型的性能指标、特征重要性和影响因素展开分析。研究结果表明,对于航空器进近飞行时间的预测,基于随机森林的模型表现出了最高的预测性能,模型的泛化能力最好、精确度高,回归效果越显著;进场状态是影响航空器进近飞行时间的最重要因素,而进场点和进场高度特征则对结果的贡献度最大。

考虑阻力系数时变的下压段半解析时间预测方法

高超声速飞行器下压段飞行环境复杂、弹道参数变化剧烈、被动减速较快,传统解析预测采用的常值阻力系数假设不再适用。考虑攻角、马赫数影响,对阻力系数表达式进行拓展,基于解析理论对复杂弹道方程加以简化,得到以剩余射程为自变量的微分方程,通过数值积分快速求解弹道诸元,提升全弹道快速规划能力。典型弹道仿真表明,与传统常值假设相比,所提方法可将俯冲下压段的时间预报误差降低到1 s左右,同时不增加计算复杂度,实现滑翔飞行器俯冲飞行时间、速度、动压的精准、快速预报。

高超声速滑翔导弹协同飞行时间重构策略研究

针对多高超声速滑翔导弹在滑翔段遭遇拦截、突防后的协同飞行时间重构问题,建立了高超声速滑翔导弹和防御弹的动力学模型以及相对运动模型,考虑过载约束和最小末速要求,构建了能够预测中末交班点飞行速度范围的BP神经网络,基于此进一步构建了能够对末制导飞行时间进行预测的BP神经网络。结合在准平衡滑翔前提下的滑翔段飞行时间预测模型,分析中末交接班点速度对滑翔段和末制导段飞行时间的影响。提出一种通过调整中末交接班点速度对突防后的滑翔导弹总的飞行时间以及中、末段飞行时间进行重构的方法。结果表明:此方法能够在滑翔弹突防后对其飞行时间进行有效重构,实现对目标的协同攻击。

有限视场角下基于改进比例导引和深度学习的多约束制导律

针对考虑气动力模型的导弹精确打击问题,开展了基于改进比例导引和深度学习的制导律研究。首先生成随机训练数据,随后在训练数据基础上基于残差神经网络生成映射网络来对剩余飞行时间误差进行预测,最后将得到的预测结果引入改进比例导引制导律,使得在视场角约束下攻击角度误差和飞行时间误差均能实现有效收敛。仿真结果表明,该方法能够满足制导要求,证明了该方法的有效性。与传统方法相比,提出的基于改进比例导引和深度学习的制导方法在攻击角度误差和飞行时间误差方面表现更优。