Predicción de punto de intercepción de proyectil y tiempo de intercepción basado en el algoritmo de optimización de halcón de Harris - red neuronal convolucional - regresión de vector de soporte
Autores: Gao, Zhanpeng; Yi, Wenjun
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Predicción de punto de intercepción de proyectil y tiempo de intercepción basado en el algoritmo de optimización de halcón de Harris - red neuronal convolucional - regresión de vector de soporte
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Predicción
HHO-CNN-SVR
Intercepción
Precisión
Estabilidad
Optimización
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
En la guerra moderna, la predicción precisa del tiempo de intercepción y del punto de intercepción del interceptor es clave para lograr la penetración. Apuntando a este problema, en primer lugar, se utiliza una red neuronal convolucional (CNN) para extraer automáticamente características de alto nivel de los datos, y luego estas características se utilizan como entrada de regresión para la predicción de un vector de soporte (SVR). La optimización del halcón de Harris (HHO) se utiliza para optimizar los hiperparámetros de SVR, y se propone el algoritmo HHO-CNN-SVR. Para verificar la efectividad del algoritmo para la predicción del punto de intercepción y del tiempo de intercepción, este artículo construye un conjunto de datos para probar el método de simulación de la maniobra de intercepción de misiles. En comparación con los modelos BP, ELM, SVR, HHO-SVR y CNN-SVR, el modelo HHO-CNN-SVR tiene un rendimiento sobresaliente en precisión y estabilidad de predicción, especialmente para el tiempo de intercepción. El error es el menor, y la fluctuación del error es pequeña. El MAE del resultado de la predicción es solo 0.0139 s; en la predicción del punto de intercepción, el error de la dirección de alcance y elevación es significativamente menor que el de los modelos utilizados para la comparación. El MAE en la dirección de alcance es de 2.3 m, y el MAE en la dirección de elevación es de 2.01 m, lo que cumple con los requisitos de ingeniería. El modelo HHO-CNN-SVR tiene una fuerte precisión y estabilidad de predicción en la predicción del tiempo de intercepción y del punto de intercepción. Además, se utilizan diferentes estrategias de control para construir un nuevo conjunto de predicciones, y se agrega ruido al conjunto de predicciones. El algoritmo HHO-CNN-SVR puede mantener buenos resultados de predicción. Los resultados muestran que el modelo HHO-CNN-SVR propuesto en este artículo tiene una fuerte capacidad de generalización y alta robustez, lo que puede proporcionar un apoyo confiable para la toma de decisiones de penetración y la optimización del sistema de defensa.
Descripción
En la guerra moderna, la predicción precisa del tiempo de intercepción y del punto de intercepción del interceptor es clave para lograr la penetración. Apuntando a este problema, en primer lugar, se utiliza una red neuronal convolucional (CNN) para extraer automáticamente características de alto nivel de los datos, y luego estas características se utilizan como entrada de regresión para la predicción de un vector de soporte (SVR). La optimización del halcón de Harris (HHO) se utiliza para optimizar los hiperparámetros de SVR, y se propone el algoritmo HHO-CNN-SVR. Para verificar la efectividad del algoritmo para la predicción del punto de intercepción y del tiempo de intercepción, este artículo construye un conjunto de datos para probar el método de simulación de la maniobra de intercepción de misiles. En comparación con los modelos BP, ELM, SVR, HHO-SVR y CNN-SVR, el modelo HHO-CNN-SVR tiene un rendimiento sobresaliente en precisión y estabilidad de predicción, especialmente para el tiempo de intercepción. El error es el menor, y la fluctuación del error es pequeña. El MAE del resultado de la predicción es solo 0.0139 s; en la predicción del punto de intercepción, el error de la dirección de alcance y elevación es significativamente menor que el de los modelos utilizados para la comparación. El MAE en la dirección de alcance es de 2.3 m, y el MAE en la dirección de elevación es de 2.01 m, lo que cumple con los requisitos de ingeniería. El modelo HHO-CNN-SVR tiene una fuerte precisión y estabilidad de predicción en la predicción del tiempo de intercepción y del punto de intercepción. Además, se utilizan diferentes estrategias de control para construir un nuevo conjunto de predicciones, y se agrega ruido al conjunto de predicciones. El algoritmo HHO-CNN-SVR puede mantener buenos resultados de predicción. Los resultados muestran que el modelo HHO-CNN-SVR propuesto en este artículo tiene una fuerte capacidad de generalización y alta robustez, lo que puede proporcionar un apoyo confiable para la toma de decisiones de penetración y la optimización del sistema de defensa.