基于LSTM神经网络的来袭导弹制导律识别方法研究

摘 要：""""" 三体对抗场景下， 对来袭导弹制导律的准确识别可以为其轨迹预测提供有力支持。 针对此场景中来袭导弹运动与目标运动呈现半合作特征的特点， 在收集导弹轨迹数据时加入不同目标机动， 使数据更加贴合实际。 提出了一种基于长短期记忆（Long Short-Term Memory， LSTM）神经网络的制导律识别方法， 对来袭导弹制导律的类型进行识别。 设计了一种加入注意力机制的LSTM神经网络， 提高了网络模型的自适应能力以及泛化能力， 使识别准确率及识别精度大幅度提高。 实验结果证明， 此方法识别准确率较高， 且识别所需时间小， 可以满足弹上使用需求。

关键词："""" 神经网络； 制导律识别； LSTM； 三体对抗； 注意力机制

中图分类号："""" TJ765； V249

文献标识码：""" A

文章编号："""" 1673-5048（2024）06-0057-07

DOI： 10.12132/ISSN.1673-5048.2024.0100

0 引" 言

随着现代化武器技术的不断发展， 空战攻防场景的复杂度不断提高， 传统的一对一攻防场景有时无法满足战场需求。 同时， 随着来袭导弹多模导引和复合制导方式的普遍采用以及机动能力的不断提升， 传统的被动对抗手段越来越难以奏效。 因此， 由主动防御引发的三体对抗问题成为研究热点^［1-2］。 典型的三体对抗场景一般存在我方载机（T）、 来袭导弹（A）、 我方拦截弹（D）三种飞行器， 三体对抗模型如图1所示。 这种作战场景与传统的追逃模式不同， 具有更强的复杂度， 也为战场博弈提供了更多的可能性^［3］。 在三体对抗场景下， 来袭导弹以攻击我方载机为目标， 其运动轨迹与我方载机的运动强相关， 呈现较强合作特性， 且目前国内外的空空/面空导弹的制导律大多是以比例导引为基础， 这为来袭导弹类半合作目标的轨迹预测带来了可能性。

然而， 由于环境的不确定性、 模型泛化能力有限及训练数据的局限性等原因， 随着预测时间的延长， 轨迹预测的误差会逐步积累， 导致长时间预测准确率迅速下降， 这种误差积累效应在导弹轨迹预测这种复杂、 非线性轨迹预测任务中尤为明显。 如果能预测出来袭导弹的制导规律， 通过弹道仿真， 就能够获得来袭导弹未来的航迹信息。 这样不仅可以摆脱对数据的依赖性， 还能降低各种不确定因素对预测的影响， 使长时间轨迹预测更加精准。 在三体对抗场景下， 来袭导弹在交战中测量自身与其目标的相对运动信息， 按照预定的制导律控制自身的航迹变化从而实现对其目标的精确制导。 不同的制导律及其参数对来袭导弹轨迹的影响主要体现在导弹的弯曲程度上， 制导律识别解决来袭导弹采用何种典型制导律及其制导参数， 进而基于三体对抗场景， 改善轨迹

精度。 因此， 本文对来袭导弹的制导律识别进行研究。

因来袭导弹的运动轨迹与目标的运动呈现半合作特征， 需要对目标机动进行研究。 从20世纪开始， 学者们就开始研究战斗机的机动方法， 以此来规避导弹的攻击。 随着多年的研究和发展， 对机动方法的研究取得了显著进展。 杜瑾等^［4］运用数字仿真技术构建了飞机机动库， 用较少参数刻画不同机动动作。 吴家湖^［5］给出了非常规机动运动的非线性数学模型， 并总结了常规机动与非常规机动共10种机动。 李昭锐等^［6］重点对滚筒机动进行建模仿真， 分析了滚筒机动规避导弹的效果。 苏光旭等^［7］在机动动作仿真时加入气动数据， 建立了典型战术机动库， 并对机动动作进行可视化研究， 可以更直观地得到飞行参数。

目前关于制导律识别的工作研究较少， 大部分都是基于多模型自适应的方法。 Fonod等^［8］设置多个卡尔曼滤波器并行运行， 每个滤波器代表一种对方可能使用的拦截弹制导律， 采用非线性多模型自适应的制导律辨识方法对来袭弹制导律进行辨识。 杜润乐等^［9］采用一种通用的隐式制导函数对制导行为进行统一描述， 并将低通滤波与卡尔曼滤波相结合， 对制导律进行分析辨识。 蔡远利等^［10］基于三体对抗场景， 建立了多模型自适应滤波算法来辨识拦截弹的的制导律。 然而， 在可查的参考文献中， 基于多模型自适应的方法一般需要2 s甚至更长时间才能识别出来袭导弹的制导律^［10-11］， 但是在真正的战场中往往需要更快的识别速度以获得战场中的优势。 神经网络拥有高度优化的结构和可以并行处理的特点， 可以做到在短时间内快速而准确地进行识别。 因此， 使用神经网络进行制导律识别的方法也开始被关注和研究。 王因翰等^［12］发明了一种基于GRU的制导律快速辨识方法， 来识别比例导引制导律或增强比例导引制导律。 王江等^［13］使用神经网络对协同制导律进行快速回归辨识。 Wang等^［14］假设采用比例导航制导律的导弹对空中目标进行攻击， 建立了基于GRU神经网络的参数辨识模型， 并提出一种改进的多模型机制输出处理方法。 目前， 使用神经网络方法对制导律进行辨识的文献较少， 还需要学者和专家们的进一步研究。

本文选用基于神经网络的制导律识别方法。 首先， 运用仿真软件模拟导弹和目标的轨迹， 获取神经网络训练所需的数据； 考虑来袭导弹3种不同的制导律形式以及载机8种不同的机动动作生成仿真轨迹数据， 将使用同一种制导律的导弹轨迹划分为一类， 再用LSTM神经网络对不同类别的制导律进行识别； 提出一种基于注意力机制的LSTM神经网络， 提高了网络的整体性能。 经过仿真实验验证， 基于LSTM神经网络的制导律识别方法能够确保识别率， 且大幅度减少识别所需时间。

1 模型建立

本文收集的数据需要在普通弹道的基础上加入不同的目标机动， 从而获得不同目标机动下的导弹轨迹。 因此， 模型的建立包括弹目相对模型以及目标机动模型两部分。

1.1 三维比例导引模型

来袭导弹与载机的相对运动模型如图2所示。

图中， OXYZ为地面坐标系， OXLYLZL为视线坐标系； θm， ψm分别为导弹的弹道倾角和弹道偏角； ψt为目标的弹道偏角； θl， ψl为目标视线的倾角和偏角。

传统的比例导引法接近目标时的需用法向过载有较大波动， 这会影响导弹的稳定性和命中精度。 因此根据文献［15］对其进行改进得到：

ny=K1|R·|θ·l+ω1（1）

nz=K2|R·|ψ·l+ω2（2）

式中： ny， nz为弹道坐标系内的俯仰通道过载和偏航通道过载； K1， K2为比例系数； ω1， ω2为附加增量。 对ω1， ω2进行合理取值， 可以补偿引起目标线转动的几个因素， 减小需用法向过载的波动。 弹目相对运动模型为

R·=vtcosθlcos（ψl－ψt）－［cosvmcosθlcos（ψl－ψm）+sinθmsinθl］vm（3）

Rθ·l=－vtsinθlcos（ψl－ψt）－［sinθmcosθl－sinθlcosθm·

cos（ψl－ψm）］vm－Rcosθlψl=－vtsin（ψl－ψt）－

vmcosθmsin（ψl－ψm）（4）

又有

ny=vmθ·m/g+cosθm（5）

nz=－vmcosθmψ·m/g（6）

则由式（1）～（2）、 式（5）～（6）可得

θ·m=g（ny－cosθm）/vm（7）

ψ·m=－gnz/（vmcosθm）（8）

先将式（4）求导， 再将式（3）代入式（4）可得

Rθ¨l+2R·θ·l=vtψ·lsinθlcos（ψl－ψt）－［cosθmcosθlθ·m+sin（ψl－ψm）（ψ·l－ψ·m）sinθlcosθm］vm（9）

使导弹的切向加速度以及重力引起的弹道需要过载在命中点处的影响为零， 即可通过式（7）～（9）求解出ω1和ω2。

本文在比例导引的基础上进行改进， 得到改进比例导引律以及变结构比例导引律。 根据文献［16］得到有落角约束的变系数改进比例导引律：

ny=K1Vθ·l/g+cosθm（10）

nz=K2Vψ·l/g（11）

K1的自适应更新方程为

K·1=kVsinθ（K1－N）/h（12）

式中： N=（θq－θm）/（θq－θl）， θq为期望弹道倾角， 当Ngt;2时K1=N， 当N≤2时K1=0.8； V为导弹速度； h为导弹高度； k为增益系数， 且kgt;0。

根据文献［17］得出变结构导引律：

ny=（N1+1）R·θ·l+ξ1（θ·l/R）/|θ·l|+δ1（13）

nz=－（N2+1）R·1ψ·l+ξ2（ψ·l/R1）/|ψ·l|+δ2（14）

式中： R1=Rcosθl； N1， N2为大于零的常数； δ1， δ2为常数； ξ1， ξ2为变结构增益。

1.2 目标机动库构建

除典型机动外， 本文目标机动库加入组合两种典型机动的扩充机动， 更加贴近实际。 目标机动库共有8种机动， 包括平飞机动、 盘旋机动、 筋斗机动、 蛇形机动、 滚筒机动、 螺旋上升机动6种典型机动， 以及破S机动和殷麦曼机动2种扩充机动。" 目标机动库模型覆盖了典型的攻防对战场景。

以蛇形机动为例对目标机动库中的机动进行介绍。 蛇形机动在XOY平面内， 目标沿X轴前进， 同时沿Ｚ轴正弦运动。 蛇形机动轨迹如图3所示， 轨迹可描述为

x=x0+v3xt（15）

y=y0（16）

z=z0－a3ω2cos（ωt+ω0）（17）

式中： a3为加速度； v3x为X轴初速度； ω， ω0分别为机动频率和初相位。

2 基于LSTM神经网络的来袭导弹制导律识别

2.1 LSTM 神经网络

长短期记忆（Long Short-Term Memory， LSTM）^［18］是一种特殊的循环神经网络（Recurrent Neural Network， RNN）， 与 RNN重复模块中只包含单一的层不同， LSTM 通过在重复模块中加入4个交互的层来避免长期依赖问题的出现， 解决了循环神经网络长序列训练过程中的梯度消失和梯度爆炸问题。

由于LSTM神经网络具有记忆单元， 能够捕捉长期依赖关系， 非常适合处理具有长期依赖关系的序列数据， 在时间序列预测等领域被广泛应用^［19-21］。 本文的数据属于序列数据， 所以选择使用LSTM神经网络来训练数据。 LSTM 模型的结构示意图如图4所示。

基础LSTM 网络模型由输入层、 LSTM层、 全连接层、 激活函数层以及分类输出层5层构成， 其网络结构如图5所示。

2.2 基于注意力机制的LSTM神经网络

注意力机制（Attention Mechanism）是一种模仿人类注意力机制的计算机科学原理， 主要用于提高神经网络在处理序列数据时的性能^［22］。 在深度学习中， 注意力机制被广泛应用于各种任务， 如自然语言处理、 计算机视觉和强化学习等领域^［23-25］。 引入注意力机制后， 根据输入数据的重要性， 模型可以对其分配不同的权重， 这样能够用更多注意力去处理重要的数据， 提高模型的性能和泛化能力。

本文的数据是导弹轨迹数据， 轨迹按照导弹每一步长的位置变换形成， 设置的步长为0.01， 步长较小， 导弹数据的变化很细微， 导致一些轨迹在某些时刻的变化甚至是数值可能是相同的。 然而， 一条轨迹数据的不同区域对任务贡献的重要程度是截然不同的。 空间注意力就是寻找数据中最重要的部分进行处理， 提升关键区域的特征表达， 同时弱化不相关的背景区域。

根据本文数据特性， 设计了一个加入空间注意力机制的神经网络， 其结构如图6所示。 在该神经网络中， SigmoidLayer层的输出得到了每个位置的注意力权重； 通过MultiplicationLayer层将注意力权重应用到数据中， 以增强或抑制特定位置的特征表示， 数据的每个位置就有了相应权重； 再用LSTM神经网络按照相应权重进行训练， 使得模型可以自动关注输入序列中最重要的部分， 从而提高模型的性能和泛化能力。

2.3 网络训练

2.3.1 数据集制作

通过查阅大量国内外文献， 来袭空空/面空导弹制导律一般采用比例导引或在比例导引基础上改进的导引律^［26］。 当前在役导弹如AIM-9响尾蛇空空导弹、 AIM-120先进中程空空导弹、 AIM-7麻雀、 FIM-92防空导弹等皆采用比例导引或以比例导引为基础的导引律。 此外， 基于对P73和P27等红外类空空导弹的分析， 被动制导导弹广泛采用了比例导引制导律^［27-28］。 因此， 对比例制导律、 改进比例制导律和变结构比例制导律三种制导律进行识别。 将目标机动代入不同制导律中， 得到目标做不同机动时的导弹轨迹， 再对机动参数进行遍历得到导弹轨迹数据簇（忽略目标轨迹）， 如图7所示。 将12 000条导弹轨迹进行整合， 进行神经网络训练。

将所有数据进行整合后， 需要对数据进行预处理。 数据预处理是构建高性能神经网络的关键步骤之一， 能够提高模型稳健性和训练效果。 本文数据预处理分为三个部分， 分别为： 野值剔除、 数据归一化和划分数据集。 野值剔除是指在实验前将测量数据中的异常值剔除， 这样不仅可以提高数据准确性， 还可以减少实验成本。 数据归一化对实验中所用到的数值比较大的实测数据进行归一化处理，" 通过特定公式将数据中的数值规定在［-1， 1］之间， 这样可以减少数据中极大值和极小值对识别的影响， 同时提高神经网络的运算速度。 本文使用归一化公式为

xnormalization=x－xminxmax－xmin（18）

式中： x为样本值； xmin为样本值最小值； xmax为样本值最大值； xnormalization为归一化之后的样本值。 划分数据集是按照一定的比例将全部数据划分成训练集和测试集， 本文数据共12 000条， 将其中75%划分为训练集， 25%划分为测试集。

2.3.2 神经网络训练

确定好网络结构后开始对网络进行训练。 针对所提出的网络， 采用以下设置进行训练， 详细训练参数如表1所示。 LSTM神经网络与基于注意力机制的神经网络的网络参数相同。

3 仿真结果

训练集进行神经网络训练后， 将神经网络测试集输出与原测试数据集的标签进行对比， 可得到准确率以及精确率。 将传统LSTM神经网络与改进后的LSTM神经网络的准确率与训练误差进行对比， 每50次训练记一点， 如图8所示。 改进后的网络性能有大幅度提升， 两种网络的详细训练结果对比如表2～3所示。

基于注意力机制的LSTM神经网络的混淆矩阵以及精度柱状图如图9所示。

除准确率外， 预测时间也是神经网络预测的优势之一。 经实验验证， 使用多模型自适应的方法进行制导律识别， 根据识别制导律的不同， 所需时间为2 s左右^［10-11］。 本文测试集数据共3 000条， 从图10的识别时间分布可以看出， 基本可以做到实时识别， 识别所需时间大幅度降低。

4 结" 论

本文主要研究了三体对抗场景下来袭导弹制导律识别的问题。 对比例制导律、 最优比例制导律和变结构比例制导律三种制导律进行识别。 在数据集收集阶段， 加入不同的目标机动， 得到不同目标机动下的来袭导弹轨迹， 解决了三体对抗场景下来袭导弹运动轨迹与目标轨迹强相关的问题； 设计了一种基于注意力机制的LSTM神经网络， 提高了网络性能， 使识别准确率及识别精度大幅度提升。 从实验结果可以看出， 所提出的制导律识别方法有效可行， 可以在保证识别准确率的同时大幅度降低识别时间。

参考文献：

［1］ 张浩， 张奕群， 张鹏飞. 三体对抗中的制导控制研究方法综述［J］. 战术导弹技术， 2021（1）： 67-73.

Zhang Hao， Zhang Yiqun， Zhang Pengfei. A Survey of Guidance Law Design in Active Target Defense Scenario［J］. Tactical Missile Technology， 2021（1）： 67-73.（in Chinese）

［2］ Weintraub I E， Pachter M， Garcia E. An Introduction to Pursuit-Evasion Differential Games［C］∥American Control Conference （ACC）， 2020.

［3］ 龚晓鹏， 陈万春， 陈中原. 基于深度强化学习的三体对抗博弈策略研究［J］. 战术导弹技术， 2022（4）： 178-186.

Gong Xiaopeng， Chen Wanchun， Chen Zhongyuan. Three-Body Adversarial Game Strategies Based on Deep Reinforcement Learning［J］. Tactical Missile Technology， 2022（4）： 178-186.（in Chinese）

［4］ 杜瑾， 邹坤， 张义飞. 近距空战中目标飞机战术机动数学模型建模与仿真［J］. 现代电子技术， 2024， 47（5）： 29-34.

Du Jin， Zou Kun， Zhang Yifei. Mathematical Modeling and Simulation of Tactical Maneuvers of Target Aircraft in Close-Range Air Combat［J］. Modern Electronics Technique， 2024， 47（5）： 29-34.（in Chinese）

［5］ 吴家湖. 基于深度学习的空中目标机动类型识别研究［D］. 广州： 广东工业大学， 2020.

Wu Jiahu. Research on Maneuver Type Recognition of Aerial Targets Based on Deep Learning［D］.Guangzhou： Guangdong University of Technology， 2020. （in Chinese）

［6］ 李昭锐， 戢治洪， 李高春， 等. 基于建模仿真的飞机桶滚机动规避空空导弹效果及原因分析［J］. 海军航空大学学报， 2023， 38（1）： 145-150.

Li Zhaorui， Ji Zhihong， Li Gaochun， et al. Effect and Reason Analysis for Aircraft Barrel Roll Avoiding Air-to-Air Missile Based on Modeling Simulations［J］. Journal of Naval Aviation University， 2023， 38（1）： 145-150.（in Chinese）

［7］ 苏光旭， 张登成， 魏金鹏， 等. 三维重建的飞机机动动作库设计与可视化［J］. 北京航空航天大学学报， 2021， 47（6）： 1277-1287.

Su Guangxu， Zhang Dengcheng， Wei Jinpeng， et al. Design and Visualization of 3D Reconstruction of Aircraft Maneuver Movements Library［J］. Journal of Beijing University of Aeronautics and Astronautics， 2021， 47（6）： 1277-1287.（in Chinese）

［8］ Fonod R， Shima T. Multiple Model Adaptive Evasion Against a Homing Missile［J］. Journal of Guidance， Control， and Dynamics， 2016， 39（7）： 1578-1592.

［9］ 杜润乐， 刘佳琪， 李志峰， 等. 低通滤波与卡尔曼滤波相结合的制导律识别［J］. 哈尔滨工业大学学报， 2017， 49（4）： 66-72.

Du Runle， Liu Jiaqi， Li Zhifeng， et al. A LPF Enhanced Adaptive Kalman Filter for Guidance Law Recognition［J］. Journal of Harbin Institute of Technology， 2017， 49（4）： 66-72.（in Chinese）

［10］ 蔡远利，胡翌玮，方峰.基于多模型自适应滤波的拦截弹制导律辨识方法［C］∥第20届中国系统仿真技术及其应用学术年会， 2019： 125-128.

Cai Yuanli， Hu Yiwei， Fang Feng. Intercept Guidance Law Identification Based on Multiple-Model Adaptive Estimator ［C］∥ 20th Chinese Annual Conference on System Simulation Technology and Its Application， 2019： 125-128. （in Chinese）

［11］ Fonod R， Shima T. Multiple Model Adaptive Evasion Against a Homing Missile［J］. Journal of Guidance， Control， and Dyna-mics， 2016， 39（7）： 1578-1592.

［12］ 王因翰， 范世鹏， 吴广， 等. 基于GRU的敌方拦截弹制导律快速辨识方法［J］. 航空学报， 2022， 43（2）： 325024.

Wang Yinhan， Fan Shipeng， Wu Guang， et al. Fast Guidance Law Identification Approach for Incoming Missile Based on GRU Network［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（2）： 325024.（in Chinese）

［13］ 王江， 王因翰， 范世鹏， 等. 基于人工智能的飞行器协同制导律快速回归辨识方法： CN116224801A ［P］. 2023-06-06.

Wang Jiang， Wang Yinhan， Fan Shipeng， et al. Fast Regression Identification Method of Aircraft Cooperative Guidance Law Based on Artificial Intelligence ： CN116224801A ［P］. 2023-06-06. （in Chinese）

［14］ Wang Y H， Wang J， Fan S P， et al. Parameter Identification of a PN-Guided Incoming Missile Using an Improved Multiple-Model Mechanism［J］. IEEE Transactions on Aerospace and Electronic Systems， 2023， 59（5）：" 5888-5899.

［15］ 黄汉桥， 周军， 郭建国. 具有角度和时间约束的导弹最优全弹道设计［J］. 西北工业大学学报， 2010， 28（2）： 165-170.

Huang Hanqiao， Zhou Jun， Guo Jianguo. Design and Simulation of an Optimal Missile Trajectory with Constraints of Impact Time and Impact Angle［J］. Journal of Northwestern Polytechnical University， 2010， 28（2）： 165-170.（in Chinese）

［16］ 李炯良， 刘怀勋， 王航， 等. 制导炸弹自适应比例末制导律研究［J］. 弹箭与制导学报， 2014， 34（6）： 54-56.

Li Jiongliang， Liu Huaixun， Wang Hang， et al. Terminal Adaptive Proportional Guidance Law for Guided Bomb［J］. Journal of Projectiles， Rockets， Missiles and Guidance， 2014， 34（6）： 54-56.（in Chinese）

［17］ 周德云， 杨振， 张堃. 基于模糊RBF网络的自适应变结构制导律设计［J］. 飞行力学， 2016， 34（4）： 54-58.

Zhou Deyun， Yang Zhen， Zhang Kun. Design of Adaptive Variable Structure Guidance Law Based on Fuzzy RBFNN［J］. Flight Dynamics， 2016， 34（4）： 54-58.（in Chinese）

［18］ Yu Y， Si X S， Hu C H， et al. A Review of Recurrent Neural Networks： LSTM Cells and Network Architectures［J］. Neural Computation， 2019， 31（7）： 1235-1270.

［19］ 李青勇， 何兵， 张显炀， 等. 基于LSTM的Encoder-Decoder多步轨迹预测技术［J］. 航空兵器， 2021， 28（2）： 49-54.

Li Qingyong， He Bing， Zhang Xianyang， et al. Encoder-Decoder Multi-Step Trajectory Prediction Technology Based on LSTM［J］. Aero Weaponry， 2021， 28（2）： 49-54.（in Chinese）

［20］ 宋波涛， 许广亮. 基于LSTM与1DCNN的导弹轨迹预测方法［J］. 系统工程与电子技术， 2023， 45（2）： 504-512.

Song Botao， Xu Guangliang. Missile Trajectory Prediction Method Based on LSTM and 1DCNN［J］. Systems Engineering and Electronics， 2023， 45（2）： 504-512.（in Chinese）

［21］ 张露， 苏雨， 张科， 等. 基于LSTM的导弹拦截点预测研究［J］. 航空兵器， 2022， 29（3）： 21-27.

Zhang Lu， Su Yu， Zhang Ke， et al. Research on Missile Interception Point Prediction Based on LSTM Network［J］. Aero Weaponry， 2022， 29（3）： 21-27.（in Chinese）

［22］ 任洪苇， 周志峰， 李汶洁， 等. 基于空间注意力机制的脊柱侧弯自动诊断方法［J/OL］. 激光与光电子学进展， doi： 10.3788/LOP240979.

Ren Hongwei， Zhou Zhifeng， Li Wenjie， et al. Automatic Diagnosis of Scoliosis Based on Spatial Attention Mechanism［J/OL］. Laser amp; Optoelectronics Progress， doi： 10.3788/LOP240979.（in Chinese）

［23］ 徐富元， 蒋明， 王志印， 等. 基于注意力机制与CNN-GRU模型的飞机航迹预测研究［J］. 航天电子对抗， 2022， 38（6）： 25-30.

Xu Fuyuan， Jiang Ming， Wang Zhiyin， et al. Trajectory Prediction of Aircraft Based on Attention Mechanism and CNN-GRU Model［J］. Aerospace Electronic Warfare， 2022， 38（6）： 25-30.（in Chinese）

［24］ 李航宇， 玄祖兴， 周建平， 等. 信息蒸馏与异构上采样的眼底图像超分辨重建［J］. 计算机工程与应用， 2022， 58（23）： 238-244.

Li Hangyu， Xuan Zuxing， Zhou Jianping， et al. Super-Resolution of Fundus Images by Information Distillation and Heterogeneous Up-Sampling［J］. Computer Engineering and Applications， 2022， 58（23）： 238-244.（in Chinese）

［25］ 丁正凯， 傅启明， 陈建平， 等. 结合注意力机制与深度强化学习的超短期光伏功率预测［J］. 计算机应用， 2023， 43（5）： 1647-1654.

Ding Zhengkai， Fu Qiming， Chen Jianping， et al. Ultra-Short-Term Photovoltaic Power Prediction by Deep Reinforcement Learning Based on Attention Mechanism［J］. Journal of Computer Applications， 2023， 43（5）： 1647-1654.（in Chinese）

［26］ 魏明英. 远程防空导弹飞行控制方法研究［M］. 北京： 中国宇航出版社， 2022.

Wei Mingying. Research on Flight Control Method of Long-Range Air Defense Missile［M］. Beijing： China Astronautic Publishing House， 2022.（in Chinese）

［27］ 李斌， 刘琪， 徐琰珂. 美国未来空空导弹发展与能力［J］. 航空兵器， 2023， 30（2）： 83-90.

Li Bin， Liu Qi， Xu Yanke. Development and Capability of American Air-to-Air Missile in the Future［J］. Aero Weaponry， 2023， 30（2）： 83-90.（in Chinese）

［28］ 杨军， 朱学平， 贾晓洪， 等. 空空导弹制导控制总体技术［M］. 西安： 西北工业大学出版社， 2022.

Yang Jun， Zhu Xueping， Jia Xiaohong， et al. Guidance and Control of Air-to-Air Missiles［M］. Xi’an： Northwestern Polytechnical University Press， 2022.（in Chinese）

Research on Guidance Law Recognition Method of Incoming

Missile Based on LSTM Neural Network

Yuan Zehua^1*， Cui Hao^{1， 2}， Xu Yanke1， Wang Long1， Zhou Taopin1

（1. China Airborne Missile Academy， Luoyang 471009， China；

2. National Key Laboratory of Air-based Information Perception and Fusion， Luoyang 471009， China）

Abstract： In the three-body confrontation scenario， the accurate recognition of the guidance law of incoming missile can provide strong support for its trajectory prediction. In view of the semi-cooperative characteristics of incoming missile movement and target movement in this scenario， different target maneuvers are added when collecting missile trajectory data to make the data more realistic. A guidance law recognition method based on long short-term memory （LSTM） neural network is proposed to identify the type of guidance law for incoming missile. A LSTM neural network with attention mechanism is designed to improve the adaptive ability and generalization ability of the network model， and the recognition accuracy and precision are greatly improved. The experimental results show that this method has high recognition accuracy and short recognition time， which can meet the needs of on-board use.

Key words： neural network; guidance law identification; LSTM; three-body confrontation; attention mechanism