基于神经网络的助推滑翔飞行器发射诸元解算方法

技术领域

本发明属于高超声速飞行器发射诸元解算领域，以助推滑翔高超声速飞行器为研究对象，提出了一种多工况下的发射诸元快速解算方法。

背景技术

高超声速飞行器的快速反应能力是衡量其作战效能的重要指标，减少发射时间是提高其作战效能及生存能力的关键，特别是实战中为了更好的打击目标，可能会发射一系列飞行器进行打击，要考虑规划效率问题。现有的诸元解算运用参数化迭代的方法，依次对一条轨迹上不同飞行段诸元进行解算，计算时间较长；因此，如何实现多飞行器发射诸元快速解算是一个亟待解决的问题。

发明内容

本发明目的是为了解决现有的飞行器发射诸元解算方法诸元解算时间长的问题，本发明提供了一种基于神经网络的助推滑翔飞行器发射诸元解算方法。

基于神经网络的助推滑翔飞行器发射诸元解算方法，该方法包括如下步骤：

S1、获取样本集：

单独改变发射点、目标点的经纬度和各禁飞区的中心经纬度，根据助推滑翔飞行器的全程轨迹数据，获得M个样本；助推滑翔飞行器的全程轨迹包括助推段、拉起段、滑翔段、俯冲打击段；

同时改变发射点、目标点的经纬度和各禁飞区的中心经纬度，根据助推滑翔飞行器的全程轨迹数据，获得N个样本；

每个样本的输入数据包括发射点、目标点的经纬度和各禁飞区的中心经纬度，输出数据包括一级最大负攻角α

S2、从M+N个样本中抽取P个样本作为训练集，对诸元解算神经网络模型进行训练，获得训练后的诸元解算神经网络模型；其中，样本的输入数据和输出数据分别作为诸元解算神经网络模型的输入和输出数据；

S3、将当前发射点、目标点的经纬度、以及各禁飞区的中心经纬度输入至训练后的诸元解算神经网络模型中，通过训练后的诸元解算神经网络模型预测出助推滑翔飞行器待规划轨迹的发射诸元，包括一级最大负攻角α

优选的是，助推段采用三级助推，分别为一级助推、二级助推和三级助推，且通过助推段实现每个样本中一级最大负攻角α

选取二级助推结束高度h

迭代过程中，α

其中，β′为球心角，λ

优选的是，助推段的残差函数g′(ξ)为：

g′(ξ)＝[h

助推段的最小二乘指标函数J′为：

min J′＝||h

其中，h

优选的是，通过拉起段实现每个样本中拉起段攻角改变时刻t

选取拉起段结束时刻高度h、拉起段结束时刻航迹角γ作为参数，设计拉起段的残差函数以及最小二乘指标函数、并结合无动力段动力学方程进行迭代求解，获得拉起段攻角改变时刻t

迭代过程中，t

优选的是，拉起段的残差函数g″(ξ)为：

g″(ξ)＝[h-h

拉起段的最小二乘指标函数J″为：

min J″＝||h-h

其中，h

优选的是，通过滑翔段实现每个样本中阻力加速度D

通过积分关系与阻力加速度剖面D(E

其中，E

又由于待飞航程S由助推滑翔飞行器当前位置经纬度与目标点位置经纬度的表示如下：

S＝acos(sinφ

其中，λ

给定阻力加速度剖面D(E)上中点的横、纵坐标初始值，并联立以上两个待飞航程S的表达式进行迭代求解，阻力加速度D

优选的是，通过俯冲打击段实现每个样本中俯冲打击段攻角α的获取过程包括：

选取目标点位置R作为参数，设计俯冲打击段的残差函数以及最小二乘指标函数、并结合无动力段动力学方程进行迭代求解，获得俯冲打击段攻角α；

迭代过程中，俯冲打击段攻角α和倾侧角σ的初始值为给定值。

优选的是，俯冲打击段的残差函数g″′(ξ)为：

g″′(ξ)＝[max(R

俯冲打击段的最小二乘指标函数J″′为：

min J″′＝max(R

其中，R

优选的是，禁飞区的绕飞策略为先确定最小代价绕飞路径，再根据最小代价绕飞路径确定各待飞航路点，且待飞航路点与禁飞区存在一一对应关系。

优选的是，确定最小代价绕飞路径的具体过程包括：

A1、将禁飞区定义为一个固定半径的圆形区域；

A2、在经纬度平面内，以助推滑翔飞行器当前飞行位置为中心，作一个半径为常值的圆，计算圆上各点的代价值，圆上各点的代价值通过代价函数J

其中，J

A3、取圆上代价值最小的点作为最小代价点；

A4、从发射点至目标点，助推滑翔飞行器在各飞行位置所对应的最小代价点的连线，构成最小代价绕飞路径；

根据最小代价绕飞路径确定各待飞航路点的实现方式包括：

B1、作一条过第i个禁飞区中心、且与发射点和目标点的连线相垂直的直线，该直线在经纬度平面上的直线方程表示为：

其中，x和y分别为直线方程的横、纵坐标，λ

B2、待飞航路点选取最小代价绕飞路径上到所作直线距离最小的点，并将该点作为第i个禁飞区所对应的待飞航路点。

本发明的优点：

本发明提供了一种基于神经网络的助推滑翔飞行器发射诸元解算方法，本发明先获取样本，每个样本的输入数据包括发射点、目标点的经纬度和各禁飞区的中心经纬度，输出数据包括一级最大负攻角α

通过验证本发明全部的场景下飞行器均能实现禁飞区绕飞，并成功打击目标，且满足各约束条件，验证了本文提出方法的可行性。

附图说明

图1是基于神经网络的助推滑翔飞行器发射诸元解算方法的流程图；

图2和图3均为对表3中参数进行不同改变，所获得的最小代价路径及航路点情况示意图；

图4是诸元解算神经网络模型的内部结构示意图；

图5是诸元解算神经网络模型进行解算的原理示意图；

图6是滑翔段热流曲线；

图7是滑翔段动压曲线；

图8是滑翔段过载曲线；

图9是全段高度曲线；

图10是全段速度曲线；

图11是经纬坐标下轨迹；

图12是一级最大负攻角误差曲线图；

图13是二级最大负攻角误差曲线图；

图14是俯仰误差曲线图；

图15是三级常值俯仰角变化率误差曲线图；

图16是拉起段攻角改变时刻误差曲线图；

图17是拉起段结束时刻误差曲线图；

图18是阻力加速度误差曲线图；

图19是俯冲打击段攻角误差曲线图；

图20是诸元解算的多场景轨迹规划曲线；图20中由下至上依次为禁飞区1至3；

图21是禁飞区1的航迹曲线图；

图22是禁飞区3的航迹曲线图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

具体实施方式一、参见图1说明本实施方式所述的基于神经网络的助推滑翔飞行器发射诸元解算方法，该方法包括如下步骤：

S1、获取样本集：

单独改变发射点、目标点的经纬度和各禁飞区的中心经纬度，根据助推滑翔飞行器的全程轨迹数据，获得M个样本；助推滑翔飞行器的全程轨迹包括助推段、拉起段、滑翔段、俯冲打击段；

同时改变发射点、目标点的经纬度和各禁飞区的中心经纬度，根据助推滑翔飞行器的全程轨迹数据，获得N个样本；

每个样本的输入数据包括发射点、目标点的经纬度和各禁飞区的中心经纬度，输出数据包括一级最大负攻角α

S2、从M+N个样本中抽取P个样本作为训练集，对诸元解算神经网络模型进行训练，获得训练后的诸元解算神经网络模型；其中，样本的输入数据和输出数据分别作为诸元解算神经网络模型的输入和输出数据；

S3、将当前发射点、目标点的经纬度、以及各禁飞区的中心经纬度输入至训练后的诸元解算神经网络模型中，通过训练后的诸元解算神经网络模型预测出助推滑翔飞行器待规划轨迹的发射诸元，包括一级最大负攻角α

助推滑翔飞行器全程轨迹规划：将飞行器轨迹分为四大部分，对每部分轨迹分别规划，而后进行组合，这样可以减小规划难度。对助推、拉起、滑翔、俯冲打击段依次进行规划。规划思路为：选择共九个核心变量，通过迭代求解，实现飞行器全程轨迹快速规划。

核心待规划变量选择如下：助推段选择一级、二级最大负攻角、三级常值俯仰角变化率和发射方位角；拉起段选择攻角改变时刻及结束时刻；滑翔段选择平均值处的阻力加速度值；俯冲攻击段选择常值攻角和常值倾侧角。

具体应用之前的准备工作，该部分为现有技术：

步骤1：坐标系定义及动力学建模，该部分通过现有技术即可实现；

步骤1-1：坐标系定义及转换

步骤1-1-1：坐标系定义

地心固联坐标系：E(O

原点O

地面发射坐标系：F(o-xyz)

原点o为发射点，ox轴指向目标点，oy轴垂直于ox轴向上。oz轴与oy、ox轴构成右手系。

半速度坐标系：H(O

原点O

弹体坐标系：B(O

原点O

速度坐标系：V(O

原点O

天东北坐标系：P(O-X

原点O为地心，OX

该部分用到的各角度定义如下表1所示。

表1角度符号定义表

1).从地心固联坐标系E(O

其中，C

2).从发射系F(o-xyz)到弹体系B(O

3).从发射系F(o-xyz)到半速度系H(O

C

4).从半速度坐标系H(O

C

5).从速度坐标系V(O

C

6).从地心固联坐标系E(O

C

7).从半速度系H(O

可以直接进行两坐标系之间转换，也可以联立转换，则有如下等式关系：

C

该方程中包含八个角度，只要给出其中五个角度，即可利用该式推导其余三个角。以求解姿态角为例，则有：

则可计算出三姿态角：

步骤1-2：飞行器动力学模型

给出如下假设：地球为椭球体，考虑到地球自转、引力模型精确到J

步骤1-2-1：助推段动力学方程

将有动力的火箭助推段动力学方程建立在发射系下。由牛顿第二定律可知，质心动力学方程有如下形式：

则助推段矢量形式的状态方程可以写为：

其中各量定义如下：

r：飞行器在发射系下的位置矢量。

v：速度矢量。

P：发动机推力矢量。

R：气动力矢量。

g：地球引力加速度矢量

ω

I

地球引力加速度g可以沿r方向以及ω

只考虑到J

地球自转角速度矢量ω

各项有：

R

其中μ

故引力在发射系下最终可以表示为以下形式：

还需用到的相关方程如下：

地心纬度：

地理纬度：

在发射系下飞行器地心距r可以表示为：

椭球表面一点对应的地心距R为：

则飞行器当前位置到地球表面距离可以表示为：

h＝r-R；

速度：

弹道倾角及弹道偏角表达式为：

方程中涉及到的各项地球参数值如表2：

表2地球常用参数

为地球引力常量，a

步骤1-2-2：无动力段动力学方程

通过在半速度系中构建无动力滑翔段动力学模型，能够更准确地描述飞行器的纵向和横向运动特性，而且函数表达式也比较简单。无动力段方程具体形式：

状态量为[v,γ,ψ,r,λ,φ]，包括速度、航迹角、航向角、地心距、经度、纬度；控制量为[α,σ]，

L，D分别表示滑翔体所受气动升力、阻力。

步骤1-2-3：段间状态量转化

助推段与滑翔段的状态量不同，在助推段结束时，要将发射系下的各状态量进行转换，以作为滑翔段的初值。即从[x,y,z,v

航迹角γ是指飞行器速度方向与当地水平面的夹角，可根据地心矢径与飞行器速度进行求取：

对于航向角ψ，将速度矢量投影到天东北坐标系进行求取：

经度λ利用固联系下的地心矢径求取：

助推滑翔飞行器的全程轨迹包括助推段、拉起段、滑翔段、俯冲打击段：

(一)助推段规划：

助推段可使用三级助推火箭，将助推段分成六个部分分别进行设计，其中一级助推段由三个部分组成：垂直起飞、一级负攻角转弯、重力转弯；二级助推段包括二级负攻角转弯、定轴飞行。

一级助推过程俯仰角可以设计成如下形式：

式中，t

G

对于攻角剖面的确定，考虑到在负攻角转弯段，当飞行器速度临近声速时，通常要保证攻角为零。因此把飞行器速度作为自变量，可将一级负攻角转弯段的攻角函数设计成如下三角函数形式：

式中，v

二级助推过程包括二级负攻角转弯以及定轴飞行，将俯仰角设计为如下形式：

式中，t

二级负攻角转弯段的攻角函数α

其中，α

三级助推为常值俯仰角速率飞行段，该段俯仰角设计为：

式中，

助推段部分四个待规划变量ξ选择如下：

获得上述一级最大负攻角α

选取二级助推结束高度h

迭代过程中，α

其中，β′为球心角，λ

助推段的残差函数g′(ξ)为：

g′(ξ)＝[h

助推段的最小二乘指标函数J′为：

min J′＝||h

其中，h

(二)拉起段规划：

该段为过渡阶段，当助推段结束时，飞行器的发动机会停止运转，为了使飞行器状态满足滑翔标准，需要在该阶段调整飞行器状态。由于该阶段大气环境较为复杂，飞行器所受气动力以及相应的调整能力有限，因此该段控制量要设计的尽可能简单。拉起段初期速度较大，需要设计较大的攻角来确保飞行器安全再入。随着速度的下降，热流的影响逐渐减小，主要影响因素变为过载与动压，就要调整攻角以满足对应约束。故对拉起段攻角剖面进行设计。

待规划变量选择为拉起段攻角改变时刻t

ξ＝[t

选取拉起段结束时刻高度h、拉起段结束时刻航迹角γ作为参数，设计拉起段的残差函数以及最小二乘指标函数、并结合无动力段动力学方程进行迭代求解，获得拉起段攻角改变时刻t

迭代过程中，t

拉起段的残差函数g″(ξ)为：

g″(ξ)＝[h-h

拉起段的最小二乘指标函数J″为：

min J″＝||h-h

其中，h

可利用与助推段类似的迭代算法进行求解，当指标小于一定值或不再发生明显变化时就停止迭代，认为该解以满足精度要求。

(三)滑翔段规划：

通过调节气动力，滑翔体可以实现长时间远距离的滑翔。假设飞行器采用BTT倾斜转弯模式，即整个过程中无侧滑，因此，该段的控制量选择为攻角和倾侧角。该段规划思路也较为成熟：设计一个满足所有过程约束的阻力加速度剖面，并通过对该剖面的跟踪来控制滑翔体纵向运动。针对横向误差，设计航向误差走廊以消除误差。

求解阻力加速度剖面具体流程可为现有技术，具体为：

1.将阻力加速度剖面设计成

2.根据助推滑翔飞行器初始状态以及期望末状态的速度、高度信息(v

v

通过积分关系与阻力加速度剖面D(E

其中，E

又由于待飞航程S由助推滑翔飞行器当前位置经纬度与目标点位置经纬度的表示如下：

S＝acos(sinφ

其中，λ

给定阻力加速度剖面D(E)上中点的横、纵坐标初始值，并联立以上两个待飞航程S的表达式进行迭代求解，阻力加速度D

其中，阻力加速度剖面D(E

(四)俯冲打击段规划：

将俯冲打击过程简化，只考虑打击地面的固定点，待规划变量选择俯冲打击段攻角和倾侧角[ασ]，二者为常值，性能指标选择为实际目标点与期望目标点的位置差。与助推段和拉起段计算方法相同，使用最小二乘迭代求解；

通过俯冲打击段实现每个样本中俯冲打击段攻角α的获取过程包括：

选取目标点位置R作为参数，设计俯冲打击段的残差函数以及最小二乘指标函数、并结合无动力段动力学方程进行迭代求解，获得俯冲打击段攻角α；

迭代过程中，俯冲打击段攻角α和倾侧角σ的初始值为给定值。

俯冲打击段的残差函数g″′(ξ)为：

g″′(ξ)＝[max(R

俯冲打击段的最小二乘指标函数J″′为：

min J″′＝max(R

其中，R

禁飞区规避方法：

飞行器在实战情况下通常需要考虑对敌方在某些区域布置的反导拦截武器的规避问题，例如对已知的布防禁飞区域进行绕飞。此时的轨迹规划不仅要满足过载、动压、热流等过程约束，还需要考虑禁飞区约束。

本发明对禁飞区域规避的方案为：寻找一系列航路点，使规划的轨迹经过航路点以绕过禁飞区。已将禁飞区约束简化为无限高度的圆柱区域，此时再忽略高度，只将飞行器运动过程简化到经纬度平面内，即禁飞区为一固定半径的圆形区域。

禁飞区的绕飞策略为先确定最小代价绕飞路径，再根据最小代价绕飞路径确定各待飞航路点，且待飞航路点与禁飞区存在一一对应关系。

确定最小代价绕飞路径的具体过程包括：

A1、将禁飞区定义为一个固定半径的圆形区域；

A2、在经纬度平面内，以助推滑翔飞行器当前飞行位置为中心，作一个半径为常值的圆，计算圆上各点的代价值，圆上各点的代价值通过代价函数J

其中，J

A3、取圆上代价值最小的点作为最小代价点；

A4、从发射点至目标点，助推滑翔飞行器在各飞行位置所对应的最小代价点的连线，构成最小代价绕飞路径；

根据最小代价绕飞路径确定各待飞航路点的实现方式包括：

B1、作一条过第i个禁飞区中心、且与发射点和目标点的连线相垂直的直线，该直线在经纬度平面上的直线方程表示为：

其中，x和y分别为直线方程的横、纵坐标，λ

B2、待飞航路点选取最小代价绕飞路径上到所作直线距离最小的点，并将该点作为第i个禁飞区所对应的待飞航路点。显然，通过该方法确定的每个待飞航路点对应了一个禁飞区。且对禁飞区函数形式有普遍适应性，同时搜索效率较高。

下面针对不同禁飞区设置情况进行最小代价路径计算与绘制，目标点经纬度设置为[30°,30°]，证明该绕飞策略的合理性及有效性，各组禁飞区设置如表4所示。

表3禁飞区参数设置

表3中每个禁飞区的四项参数分别为禁飞区中心经度、中心纬度、半径和威胁系数，通过调整各参数值以改变禁飞区约束的复杂度，观察路径与航路点的选取结果，从而验证绕飞策略的可行性。各组最小代价路径及航路点情况如下图2至3所示：

将仿真结果对比可以看出，禁飞区的各项参数改变都会对路径的选取造成影响，所求得的航路点也会发生改变。在其他参数不变的情况下，禁飞区的威胁系数的大小，控制着航路点与禁飞区间距离的远近，从而影响飞行器绕飞该禁飞区的轨迹。此外，航路点与禁飞区之间都保留一定的距离，以确保飞行器能够安全绕过禁飞区。

诸元快速解算神经网络模型设计：

由于神经网络具有并行解算以及强大的非线性函数逼近的能力，理论上能够满足发射诸元快速解算的需求，因此基于上述轨迹规划过程原理储备神经网络训练样本，确定神经网络输入端参数以及输出端参数即发射诸元。选定BP网络模型，设定网络参数，建立发射诸元计算模型并训练，对训练结果进行分析并进行多场景条件下的仿真验证。同时考察传统轨迹规划速度以及使用神经网络训练的诸元解算轨迹规划速度，验证本文方法的可行性。

步骤3-1：前馈神经网络基本结构

神经网络模型由输入层、隐藏层、输出层组成，如图4所示为一经典前馈网络结构。以仅存在一个隐藏层的情况介绍神经网络具体训练过程。图4、以及下述步骤中所使用的参数定义如下：

x

ω

u

θ

隐藏层激励函数。

o

υ

U

μ

ψ：输出层激励函数。

y

Y

(1)信号前向传播

如上图4所示，网络输入为x

隐藏层函数形式设为

传递到输出层第k个节点的输入为：

则第k个节点输出y

ψ(·)为激励函数，U

(2)误差反向传播

误差的反向传播过程为：本轮输出值与实际值做差后，将此值反向传递回神经网络，神经网络依次对各节点权值和阈值进行相应调整，修正偏差，并用于下一轮训练以更新输出值。通过反复迭代，直至输出误差满足要求。样本的均方误差函数形式如下：

上式中n为一个样本中输出数据的个数；i为变量；

则样本的总偏差可表示为：

上式中P为样本总个数，i和j为变量；

神经网络的更新要向自身对误差偏导数最大的方向更新，具体修正形式由输出向前依次为：

输出层权值Δυ

/>

Δυ

输出层阈值Δμ

其中：Δμ

隐藏层权值Δω

Δω

隐藏层阈值Δθ

其中：Δθ

最终整理得各公式如下：

/>

步骤3-2：诸元解算神经网络模型设计

步骤3-2-1：输入输出参数设计

基于轨迹规划方法，确定神经网络的输入与输出参数。在轨迹规划过程中共选取了九个待规划变量进行迭代求解：一级最大负攻角α

步骤3-2-1：诸元解算神经网络模型

考虑到仿真结果中滑翔段倾侧角翻转问题严重，且俯冲打击段常值倾侧角在不同样本情况下差距较大，若进行网络预测需要大量样本数，时间成本较高，故仍使用上一步骤规划方式求解俯冲打击段倾侧角，仅保留此迭代并不会对规划时间造成很大影响。仍选用三个不同禁飞区域，故该网络是十输入八输出模型，其大致结构如图5所示：

其中，隐藏层设置为单层，取30个节点，激活函数采用

本发明可采用标准BP神经网络模型，应用梯度下降算法。采用反向传播算法计算梯度，故其在数量较少的神经网络训练中可以保证训练效率。使用BR(BayesianRegularization)算法进行训练。当误差性能函数有平方和形式时，Hessian矩阵有如下形式：

H＝J

则梯度计算公式有：

g＝J

式中，J代表雅克比矩阵，e为网络误差向量。

损失函数的定义为预测值相对真实值的误差。例如均方差函数：

式中，n为总样本数，

步骤3-3：诸元解算神经网络训练

利用助推段、拉起段、滑翔段、俯冲打击段所获得全程轨迹数据，为神经网络训练提供轨迹样本。在进行训练时，需要储备的样本数与输入输出间关系的复杂程度成正比，在选取样本时，要尽可能确保数据的均匀分布。图5共计10个输入参数，分别单独改变发落点与各禁飞区的经纬度，选定50组样本；再同时改变多组经纬度，确定50组共计100组样本，规划轨迹得到八个输出量相应的实际值。从中抽取70组进行神经网络训练，另外30组用于测试实验。

全程轨迹规划仿真如下：

仿真条件设置如下：

发射点经纬度为[0°,0°]，目标点经纬度为[30°,30°]。

禁飞区参数设置为[15°,18°,1°,1]；[20°,20°,1°,1]；[25°,30°,1°,1]。

滑翔段攻角暂取为10°，并结合气动拟合函数，对整个飞行过程进行仿真模拟。指标参数与待规划变量结果如表5所示，仿真结果如图6至11所示。

表4助推段、拉起段、俯冲打击段优化结果

由过程约束的仿真曲线图6至11可以看出，该组仿真条件下，飞行器滑翔段全程满足各项过程约束，且与给定的过程约束幅值相比仍有较大余量，能够保证飞行器安全运行。同时滑翔段阻力加速度剖面跟踪效果较好，在经纬坐标系下观察轨迹曲线，轨迹较为平滑，且能够完全绕过禁飞区成功打击目标点，待飞航路点的选择也符合理论情况。

对训练后的诸元解算神经网络模型进行验证，神经网络训练结果较好，置信度接近1，并进一步观察各发射诸元的神经网络预测值，得到各量误差如下图12至19所示：

从误差图12至19可以看出，俯冲攻击段常值攻角误差相对较大，最大两组误差达到3度。其余待规划变量误差不大，这是因为它们与输入参数之间的函数关系较为简单清晰，容易解算，训练效果较为理想。而俯冲打击段的控制量与各个输入参数之间均有较为复杂的联系，非线性较强，当样本量较少时，训练结果不够理想。由于目前样本数较少，认为常值攻角的误差在合理的范围内。

多场景诸元快速解算仿真结果：

轨迹规划方法都是针对单一飞行器的流程，由于在实战中为了更好的打击目标，可能会发射一系列武器进行打击，因此要考虑规划效率问题。若传统的迭代规划方法，每次规划平均耗时约25s，且每更换一次参数，就要重新规划。假设现要求在不同发射点发射9枚飞行器打击目标点，以传统的迭代规划方式，则需要至少250s才能完成轨迹规划，即使在不考虑禁飞区的情况下，也要200s左右。

故利用训练的神经网络求解发射诸元，进行多场景轨迹规划仿真模拟。仿真参数设置如下：发射点经纬度选取0度附近共九个点，间隔1度，目标点经纬度为[30°,30°]，在途中设置三个禁飞区，具体参数为[16°,16°,1°,1]；[20°,20°,1°,2]；[28°,28°,1°,1]，滑翔段攻角设置为10°。将各输入参数输入神经网络，计算得到相应发射诸元，单次规划平均耗时10s，九个点耗时约90s，进行规划后得到仿真结果如下图20，禁飞区局部放大如图21及22。

由仿真结果可以看出，全部的场景下飞行器均能实现禁飞区绕飞，并成功打击目标，且满足各约束条件，验证了本文提出方法的可行性。基于传统迭代求解诸元方法进行规划，每次规划平均耗时约25s，且每更换一次参数，就要重新规划。如不同发射点发射9枚助推滑翔飞行器打击目标点，不考虑禁飞区的情况下需要至少200s才能完成轨迹规划，效率较低。而使用神经网络进行发射诸元解算，进而实现规划快速轨迹，每次规划平均耗时10s，完成上面规划只需90s。因此，本发明提出的基于神经网络的助推滑翔飞行器发射诸元解算方法相比于传统迭代法，在效率方面有明显优势。能够满足快速规划轨迹，规避禁飞区打击目标点的需求。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。