[发明专利]基于集成迁移学习的中段制导方法

权利要求书

1.一种基于集成迁移学习的中段制导方法，其特征在于，该方法中，在中制导段，实时获得最优控制指令a_c^new；通过该最优控制指令a_c^new控制飞行器的舵机打舵工作，使得飞行器按照预定轨迹飞行，进而完成末速度最大化的中段制导任务。

2.根据权利要求1所述的基于集成迁移学习的中段制导方法，其特征在于，

通过实时将飞行器的状态向量S输入到预先训练好的网络E实时获得所述最优控制指令a_c^new。

3.根据权利要求1所述的基于集成迁移学习的中段制导方法，其特征在于，

所述网络E的训练过程包括如下步骤：

步骤1，训练获得至少5个DNN神经网络，组成基学习器；

步骤2，将基学习器与元学习器相连得到网络E，即将基学习器的输出作为元学习器的输入；

步骤3，通过少量的飞行器训练数据对网络E进行训练，即可得到所述训练好的网络E。

4.根据权利要求3所述的基于集成迁移学习的中段制导方法，其特征在于，

在所述步骤1中，所述至少5个DNN神经网络中，每个DNN神经网络都对应一种应用场景，即各个DNN神经网络针对的应用场景各不相同。

5.根据权利要求3所述的基于集成迁移学习的中段制导方法，其特征在于，

在所述步骤1中，所述DNN神经网络为深度前馈神经网络，该DNN神经网络拥有3个隐藏层，每层20个神经元，每个隐藏层的神经元都与上一层神经元进行全连接。

6.根据权利要求3所述的基于集成迁移学习的中段制导方法，其特征在于，

在所述步骤1中，所述DNN神经网络的训练过程包括：

步骤a，对训练数据进行归一化和分组；

步骤b，向DNN神经网络输入训练集数据，并将预测值与训练集中的标准值进行比较，得出一个损失；

步骤c，误差反向传播，参数更新；

步骤d，当神经网络完成一次训练后，将验证集和测试集数据输入神经网络并计算出网络的损失值，作为神经网络泛化能力的测量指标；当所述损失值降低到设定值或到达最大epoch时停止训练。

7.根据权利要求3所述的基于集成迁移学习的中段制导方法，其特征在于，

所述元学习器为单隐层前馈神经网络，元学习器的输入至少有5个，即至少5个DNN神经网络的输出是所述元学习器的输入；所述元学习器的输出为最优控制指令a_c^new。

8.根据权利要求7所述的基于集成迁移学习的中段制导方法，其特征在于，

所述单隐层前馈神经网络中的算法为：

其中，i表示单隐层前馈神经网络输入的编号；

N表示单隐层前馈神经网络输入的数量；

a_ci表示单隐层前馈神经网络的第i个输入；

C_j表示加权函数；

b_j表示偏置函数。

9.根据权利要求3所述的基于集成迁移学习的中段制导方法，其特征在于，

在步骤3中，所述少量是指少于500组数据。