新制導(dǎo)炸彈智能控制系統(tǒng)的研究

控制系統(tǒng)是制導(dǎo)炸彈的關(guān)鍵部位。目前，所有制導(dǎo)炸彈的控制系統(tǒng)都是基于一定的數(shù)學(xué)模型，以固定的方式修正彈道誤差。由于存在各種不可預(yù)知的誤差因素，但控制方式卻不可調(diào)整，造成制導(dǎo)炸彈的實際命中精度不高?；诖?，提出了一種新的制導(dǎo)炸彈智能控制系統(tǒng)，該系統(tǒng)引入具有前置濾波特性的非單點模糊化技術(shù)，針對非單點模糊推理系統(tǒng)內(nèi)部參數(shù)不易調(diào)整的問題，提出用梯度下降算法和遺傳算法構(gòu)成的混合并行學(xué)習(xí)算法調(diào)整系統(tǒng)內(nèi)部參數(shù)，從而能夠自動處理受噪聲影響的訓(xùn)練數(shù)據(jù)，提高命中精度。通過計算機仿真試驗，并與基于ANFIS的制導(dǎo)炸彈智能控制系統(tǒng)進行比較，驗證了該控制系統(tǒng)的有效性。

　　1 非單點模糊推理系統(tǒng)(NSFIS)

　　提出的制導(dǎo)炸彈智能控制系統(tǒng)的核心是非單點模糊推理系統(tǒng)(NSFIS)。一個n輸入1輸出的模糊推理系統(tǒng)，其模糊規(guī)則可表述如下

上的模糊集合，

和y∈V對應(yīng)于系統(tǒng)輸入和輸出變量，l=1，2，…，M為模糊規(guī)則數(shù)。

　　當(dāng)采用中心平均模糊消除器、乘積推理規(guī)則、高斯隸屬度函數(shù)和非單點模糊化時，得到的非單點模糊推理系統(tǒng)為

時，非單點模糊化與單點模糊化等價;當(dāng)輸入變量xk受到噪聲污染時，噪聲在非單點模糊器中會被因子

所克服。如果σx≥σFkl，噪聲將會在很大程度上被抑制。

　　2 NSFIS的參數(shù)學(xué)習(xí)算法

　　模糊推理系統(tǒng)是高度非線性系統(tǒng)，在對復(fù)雜系統(tǒng)建模的過程中，其內(nèi)部參數(shù)

主要依靠某種學(xué)習(xí)算法對輸入一輸出數(shù)據(jù)對進行訓(xùn)練來確定。目前，用于模糊推理系統(tǒng)的學(xué)習(xí)算法主要是梯度下降算法和遞推最小二乘算法。梯度下降算法簡單易行、運算量小，但收斂速度慢，容易陷入局部極值，且對信號的譜性依賴較大;遞推最小二乘算法收斂速度很快，對信號譜性無依賴，但其結(jié)構(gòu)復(fù)雜、運算量大且存在長期數(shù)值穩(wěn)定的問題。從工程的角度考慮，因為非單點模糊推理系統(tǒng)的計算復(fù)雜度本身就較大，所以運算量大的遞推最小二乘算法不適合采用。為了彌補梯度下降算法的缺點，文中引入遺傳算法。遺傳算法是模擬生物進化過程的一種全局優(yōu)化搜索算法，其目標函數(shù)既不要求連續(xù)，也不要求可微，僅要求問題可計算，而且它的搜索始終遍及整個解空間，容易得到全局最優(yōu)解。用梯度下降算法和遺傳算法同時并行的搜索解空間，并定期交換信息。這樣不僅避免了陷入局部極值的缺點，而且加快了收斂速度。雖然由于遺傳算法的加入，運算量增加了，但由于遺傳算法和梯度下降算法并行工作，所以沒有降低算法的實時性。采用減法聚類的方法設(shè)置初始參數(shù)，進一步加快了算法的收斂速度。文中所設(shè)計的非單點模糊推理系統(tǒng)參數(shù)學(xué)習(xí)算法如下：步驟1：設(shè)置初始參數(shù)。采用減法聚類算法對訓(xùn)練數(shù)據(jù)[X，y]進行聚類處理，得M到個聚類中心

構(gòu)造非單點模糊系統(tǒng)初始參數(shù)：選取聚類中心向量Xlc中的各個分量元素

作為式(2)中相應(yīng)

的初始值;以

與最近的另一個聚類中心歐式距離的一半

作為式(2)中

作為式(2)中相應(yīng)的初始值;已知訓(xùn)練數(shù)據(jù)含有大量噪聲的情況下，取

　　步驟2：(1)采用梯度下降算法調(diào)整參數(shù)

(推導(dǎo)過程省略)。

　　(2)同時采用遺傳算法搜索最佳參數(shù)

　　1)對參數(shù)編碼。以減法聚類確定的初始參數(shù)值為參考，考慮參數(shù)的解空間在初始參數(shù)值的正負s倍范圍內(nèi)，將解空間轉(zhuǎn)換為二進制，對各參數(shù)進行交叉組合編碼;

　　2)隨機生成20個個體作為初始群體;

　　3)將準則函數(shù)的數(shù)學(xué)期望E[φ(e(t))]映射為適應(yīng)度函數(shù)

　　用該適應(yīng)度函數(shù)對群體中個體的適應(yīng)度進行評估，當(dāng)適應(yīng)度達到標準Ff,max時，進化停止;

　　4)遺傳操作：采用適應(yīng)度比例方法進行選擇，兩點交叉方法進行交叉，采用基本變異算子進行變異。

　　步驟3：梯度下降算法和遺傳算法之間的信息交換。遺傳算法每進化q代，根據(jù)準則函數(shù)的數(shù)學(xué)期望E[φ(e(t))]比較遺傳算法和梯度下降算法所得參數(shù)的效果。若遺傳算法搜索到的參數(shù)更好，便用其作為梯度下降算法下一步運算的初始參數(shù);若梯度下降算法得到的參數(shù)更好，便用其替代遺傳算法的當(dāng)代群體中適應(yīng)度最差的一個個體。

　　步驟4：當(dāng)準則函數(shù)的數(shù)學(xué)期望E[φ(e(t))]達到標準1-Ff,max時，或者遺傳算法進化g代時，算法停止。文中用準則函數(shù)在訓(xùn)練數(shù)據(jù)時間長度內(nèi)的時間平均代替其數(shù)學(xué)期望進行運算。

　　3 基于NSFIS的制導(dǎo)炸彈智能控制系統(tǒng)的仿真設(shè)計

　　按照文獻[1]的設(shè)計思想，在仿真環(huán)境中采用NSFIS設(shè)計制導(dǎo)炸彈智能控制系統(tǒng)。3.1 仿真環(huán)境的設(shè)定

　　假設(shè)以下的仿真環(huán)境：

　　(1)綜合風(fēng)速UZ方向在水平面內(nèi)，且為常矢;

　　(2)重力加速度為9.8 m/s2，無阻尼;

　　(3)彈翼可產(chǎn)生的最大調(diào)控加速度max a(t)(max a(t)=maxax(t)+maxay(t))隨下落高度增加，且不考慮彈翼產(chǎn)生的加速度a(t)在鉛垂方向的分量;

　　(4)高度H為7 075.4 m(即下落時間T為38 s)，按每0.25 s落下距離△h劃分高度空間為N=152層;

　　(5)轟炸方式為水平轟炸;

　　(6)控制過程不考慮時延;

　　(7)彈體運動為質(zhì)點運動。

　　3.2 炸彈運動方程的分析

　　根據(jù)文獻[9，10]，水平轟炸的俯視圖，如圖1所示。

　　(oyxz)H：飛機航向坐標系;Of：飛機投彈點;Om：地面目標;A：無需調(diào)控，可直接命中彈D0在t時刻的坐標位置;A：需調(diào)控，方可命中彈D1在t時刻的坐標位置;B：需調(diào)控，方可命中彈D1在t-1時刻的坐標位置。

　　無需調(diào)控，可直接命中彈D0參數(shù)：Vx0：投彈點飛機空速;Uz0：投彈D0時的綜合風(fēng)速;ε0：Vx0與Uz0的夾角;Xh(t)：t時刻彈在xH方向的坐標位置;Yh(t)：t時刻彈在yH方向的坐標位置。

　　需調(diào)控，方可命中彈D1參數(shù)：Vx1：投彈點飛機空速;Uz1：投彈D1時的綜合風(fēng)速;ε1：Vx1與Uz1的夾角;Axe(t)：t時刻和t-1時刻彈在xH方向的位移差;Aye(t)：t時刻和t-1時刻彈在yH方向的位移差;Exh(t)：t時刻彈與目標Om的距離在xH方向的分量;Eyh(t)：t時刻彈與目標Om的距離在yH方向的分量;Vxh(t)：t時刻彈的速度在xH方向的分量;Vyh(t)：t時刻彈的速度在yH方向的分量。Axe(t)：t時刻彈D1和彈D0的位移差在xH方向的分量;Aye(t)：f時刻彈D1和彈D0的位移差在yH方向的分量。在仿真環(huán)境中，推導(dǎo)出彈D1在t時刻的運動方程

　　其中，Vax(t)為xH方向上t-1時刻加速度在時刻生成速度，Vay(t)為yH方向上t-1時刻加速度在t時刻生成速度。

　　3.3 制導(dǎo)炸彈智能控制系統(tǒng)的建立

　　根據(jù)彈道運動方程，x與y方向的控制相互獨立(a(t)=ax(t)+ay(t))，所以對空間每一層建立兩個非單點模糊子系統(tǒng)(NSFISix和NSFISiy)：NSFISix調(diào)控導(dǎo)彈在x方向的運動軌跡，輸入為Exh(t)、Axe(t)、Vxh(t)，輸出為ax(t);NSFISiy調(diào)控導(dǎo)彈在y方向的運動軌跡，輸入為Eyh(t)、Aye(t)、Vyh(t)，輸出為ay(t)。充分搜集每一層的訓(xùn)練數(shù)據(jù)，利用文中提出的學(xué)習(xí)算法調(diào)整好NSFISix和NSFISiy的內(nèi)部參數(shù)，就構(gòu)成了基于NSFIS的制導(dǎo)炸彈智能控制系統(tǒng)，其概略流程圖，如圖2所示。