基于KNN机器学习的弹道导弹星下点轨迹预测方法

本发明涉及弹道导弹星下点轨迹预测方法，属于机器学习和轨迹预测领域。

背景技术：

1、在现代战争中，弹道导弹作为极具攻击性的作战武器，使用率越来越高，提高其轨迹的预测精度，不仅可以对敌方目标进行精准攻击，同时也可以在探测到目标导弹时，准确预测其飞行轨迹，从而对目标导弹进行精准拦截。因此，提高弹道导弹轨迹预测的准确度成为了国防军事领域研究的热点。

2、目前，导弹轨迹预测的方法可分为两种，一种是传统的基于滤波的方法，另一种是基于机器学习的方法。前一种方法由于飞行信息难获取、预测误差较大等问题，在实际场景中很难运用。随着人工智能的发展，后来很多学者提出了基于机器学习的弹道导弹轨迹预测方法，利用神经网络对历史轨迹进行学习，从而预测未来轨迹。例如，基于反向传播(backpropagation,bp)神经网络的预测方法和基于elman神经网络的轨迹预测方法，这两种方法由于自身的局限性，随着预测时长的增加，其预测误差会急剧增大。而基于gradientboosted tree的预测方法，预测所耗时间较长。

技术实现思路

1、本发明的目的是为了解决目前提出的基于机器学习预测弹道导弹轨迹预测精度低和预测时间长的问题，而提出基于knn机器学习的弹道导弹星下点轨迹预测方法。

2、基于knn机器学习的弹道导弹星下点轨迹预测方法具体过程为：

3、所述knn为k最近邻算法；

4、步骤1：获取遥感卫星所测得的历史数据，包括历史时刻t＝{t1,t2,...,tn}以及历史时刻对应的弹道导弹星下点轨迹的经度数据集和纬度数据集ξ＝{ξ1,ξ2,...,ξn}；

5、其中tn表示第n个历史时刻，表示第n个历史时刻对应的经度数据，ξn表示第n个历史时刻对应的纬度数据，n表示历史时刻的总数量；

6、步骤2：确定需要预测导弹星下点的时间τ；

7、步骤3：计算τ与各历史时刻之间的距离集合σ＝{σ1,σ2,...,σn}；

8、其中σn表示τ与第n个历史时刻间的距离；

9、步骤4：通过交叉验证法找到最优k值；

10、步骤5：将得到的距离集合σ中的元素利用快速排序法进行升序排序，并将经度数据集和纬度数据集ξ中的元素按照排序后的σ中元素的下标重新进行排序，得到按升序排序后距离数据集σa，排序后的经度数据集排序后的纬度数据集ξa；

11、步骤6：在排序后的距离数据集σa中取前k个数据，定义这k个数据组成集合为

12、在排序后的经度数据集中取前k个数据，定义这k个数据组成集合为

13、在排序后的纬度数据集ξa中取前k个数据，定义这k个数据组成集合为

14、步骤7：计算取样权重集合β＝{β1,β2,...,βk}；

15、步骤8：将步骤6中集合与中的元素以β中的元素作为对应权重，计算出加权平均数作为τ时刻经度与纬度的预测值；

16、步骤9：利用地球平均半径ρ，计算出在地球固联坐标系下导弹在预测时刻τ时的星下点坐标x，y和z。

17、本发明的有益效果为：

18、本发明首次引入k-nearest neighbors算法，成功实现了对导弹发射后星下点快速且精准的预测。本发明采用的技术方案为：首先获取遥感卫星所测得的弹道导弹星下点的历史数据，包括历史时刻以及对应的经度与纬度信息，并建立待预测导弹星下点的时间集合。然后利用交叉验证法找到最优的最近邻点个数k，并找到与预测时刻距离最近的k个历史时刻所对应的经纬度。最后确定这k个数据的权重，将k个历史时刻对应的经度与纬度的加权平均值作为预测值，并且可根据地球的平均半径ρ，计算导弹在预测时刻相对于地球固联坐标系的星下点坐标x，y和z。

19、目前，国内外已提出的基于机器学习预测轨迹的算法大多无法满足高精度预测的要求，或者能达到高精度的预测要求，但预测时间较长，因此本发明提出了一种基于knn(k-nearest neighbors)机器学习的导弹星下点预测方法，不仅解决了预测精度低的问题，同时k-nearest neighbors算法具有简单易用、所需信息数据少、模型训练时间快的特点，能极大地缩短预测时长。同时，在实际中可根据遥感卫星传回的导弹星下点的经纬度数据进行模型训练，并不断对数据库进行更新，具有更强的适应性。

技术特征：

1.基于knn机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述方法具体过程为：

2.根据权利要求1所述的基于knn机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤3中计算τ与各历史时刻之间的距离集合σ＝{σ1,σ2,...,σn}；

3.根据权利要求2所述的基于knn机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤4中通过交叉验证法找到最优k值；具体过程为：

4.根据权利要求3所述的基于knn机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤5中将得到的距离集合σ中的元素利用快速排序法进行升序排序，并将经度数据集和纬度数据集ξ中的元素按照排序后的σ中元素的下标重新进行排序；得到按升序排序后距离数据集σa，排序后的经度数据集为排序后的纬度数据集为ξa；

5.根据权利要求4所述的基于knn机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤7中计算取样权重集合β＝{β1,β2,...,βk}；

6.根据权利要求5所述的基于knn机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤8中将步骤6中集合与中的元素以β中的元素作为对应权重，计算出加权平均数作为τ时刻经度与纬度的预测值；具体过程为：

7.根据权利要求6所述的基于knn机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤9中利用地球平均半径ρ，计算导弹在预测时刻τ相对于地球固联坐标系的星下点坐标x，y和z；具体计算公式为：

技术总结
基于KNN机器学习的弹道导弹星下点轨迹预测方法，本发明属于机器学习和轨迹预测领域。本发明的目的是为了解决目前提出的基于机器学习预测弹道导弹轨迹预测精度低和预测时间长的问题。过程为：1：获取历史数据；2：确定需要预测导弹星下点的时间τ；3：计算τ与各历史时刻之间的距离集合；4：找到最优K值；5：得到按升序排序后距离数据集以及按排序后距离数据集下标排序的经度数据集和纬度数据集；6：在排序后的距离数据集中取前K个数据组成集合；在排序后的经度和纬度数据集中分别取前K个数据组成集合；7：计算取样权重集合；8：计算加权平均数作为τ时刻经度与纬度的预测值；9：计算导弹在预测时刻在地球固联坐标系下的星下点坐标。

技术研发人员：冉光滔,张璐,邓清,王启航,刘正阳,郭延宁
受保护的技术使用者：哈尔滨工业大学
技术研发日：
技术公布日：2024/2/19