تعیین زوایای پیش نشانه‌روی یک پرتابه جهت اصابت به هدف هوایی با استفاده از شبکه عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه صنعتی مالک اشتر، تهران، ایران.

2 استاد تمام،مهندسی برق کنترل، دانشگاه صنعتی مالک اشتر، تهران، ایران.

3 دانشیار، مهندسی برق کنترل، دانشگاه صنعتی مالک اشتر، تهران، ایران.

چکیده

زاویه مناسب پرتاب توپ‌های پدافند هوایی در میزان احتمال برخورد پرتابه به هدف هوایی از اهمیت بسیار بالایی برخوردار است، در صورت برخورد پرتابه به هدف هوایی، در هزینه‌های دفاعی صرفه‌جویی شده و اجازه آسیب‌رسانی توسط دشمن داده نمی‌شود، به‌عبارت‌دیگر توانایی اصابت به هدف به‌طور عمده به دلیل کاهش هزینه برای سامانه‌های مدرن توپ‌های هوایی ضروری است. هدف از تعیین زوایای پیش نشانه‌روی یک پرتابه عبارت است از جهت‌دهی اولیه یک سیستم شلیک گلوله به‌منظور اصابت گلوله پرتاب‌شده به هدف موردنظر که در مسائل کنترل آتش به آن پرداخته می‌شود بدین‌صورت که اطلاعات موردنیاز به سیستم کنترل آتش داده می‌شود و سیستم پس از تجزیه ‌و تحلیل اطلاعات مناسب‌ترین زاویه را انتخاب می‌کند و پرتابه را به سمت هدف شلیک می‌کند. در این پژوهش به دنبال راهکاری برای تعیین زوایای پیش نشانه‌روی سمت و فراز یک پرتابه برای اصابت به هدف هوایی یا به عبارتی کنترل آتش جهت اصابت توپ پدافند هوایی به هدف هستیم تا ضمن کاهش هزینه‌های دفاعی از آسیب‌های بیشتر توسط دشمن جلوگیری شود. در این راستا ابتدا به بررسی مسئله در حالت دوبعدی پرداخته‌ سپس مسئله را در سه بعد در نظر گرفته می‌شود، به‌منظور محاسبه مناسب‌ترین زاویه در سریع‌ترین زمان از شبکه عصبی MLP در این پژوهش استفاده خواهد شد.

کلیدواژه‌ها


[2]   خدادادی, ن., کنترل آتش توپ ضد هوایی ناو. دانشگاه صنعتی شریف, 1375.
[14]  رهبر, ن., به کارگیری شبکه های عصبی مصنوعی در تحلیل عملکرد بالستیک داخلی موتور راکت های سوخت جامد. 2013.
[1]  Zarchan, P., Tactical and strategic missile guidance. 2012: American Institute of Aeronautics and Astronautics, Inc.
[3]  Blakelock, J.H., Automatic control of aircraft and missiles. 1991: John Wiley & Sons.
[4]  Lee, Y.W., Neural solution to the target intercept problems in a gun fire control system. Neurocomputing, 2007. 70(4-6): p. 689-696.
[5]  Elnashar, G.A., A mathematical model derivation of general fire control problem and solution scenario. Int. J. Model. Identif. Control., 2013. 20: p. 223-233.
[6]  Weiss, I.M. and R. Cross, SHIP MOTION EFFECTS ON GUN FIRE CONTROL SYSTEM DESIGN. Naval Engineers Journal, 1979. 91: p. 75-80.
[7]  Zhu, K., et al. GeniusRoute: A new analog routing paradigm using generative neural network guidance. in 2019 IEEE/ACM International Conference on Computer-Aided Design (ICCAD). 2019. IEEE.
[8]  Lee, H., et al., Missile guidance using neural networks. Control Engineering Practice, 1997. 5(6): p. 753-762.
[9]  Wang, C.-H. and K.-N. Hung, Intelligent Adaptive Law for Missile Guidance Using Fuzzy Neural Networks. International Journal of Fuzzy Systems, 2013. 15(2).
[10]      Zhao, B., et al., Integrated strapdown missile guidance and control based on neural network disturbance observer. Aerospace Science and Technology, 2019. 84: p. 170-181.
[11]      Li, Z., et al., Missile guidance law based on robust model predictive control using neural-network optimization. IEEE transactions on neural networks and learning systems, 2014. 26(8): p. 1803-1809.
[12]      Zhang, K., G. Wan, and X. Xi, Enhanced Loran skywave delay estimation based on artificial neural network in low SNR environment. IET Radar, Sonar & Navigation, 2020. 14(1): p. 127-132.
[13]      Walczak, S., Artificial neural networks, in Advanced methodologies and technologies in artificial intelligence, computer simulation, and human-computer interaction. 2019, IGI global. p. 40-53.
[15]      Roh, M.-S., B.-S.J.I.J.o.P.E. Kang, and Manufacturing, Dynamic accuracy improvement of a MEMS AHRS for small UAVs. 2018. 19(10): p. 1457-1466.
[16]      Yoo, T.S., et al., Gain-scheduled complementary filter design for a MEMS based attitude and heading reference system. 2011. 11(4): p. 3816-3830.
[17]      Li, W. and J.J.T.J.o.N. Wang, Effective adaptive Kalman filter for MEMS-IMU/magnetometers integrated attitude and heading reference systems. 2013. 66(1): p. 99-113.