基于SSA-BP神经网络的无人机发射参数择优

doi:10.12141/j.issn.1000-565X.230781

华南理工大学学报(自然科学版) ›› 2025, Vol. 53 ›› Issue (4): 90-101.doi: 10.12141/j.issn.1000-565X.230781

基于SSA-BP神经网络的无人机发射参数择优

贾华宇¹^,², 郑会龙¹^,², 周洪², 张谦²

^1.中国科学院大学航空宇航学院北京 100049
^2.中国科学院工程热物理研究所，北京 100190

收稿日期:2023-12-21 出版日期:2025-04-25 发布日期:2024-07-22
通信作者: 郑会龙（1975—），男，研究员，主要从事无人飞行器系统设计、智能协同、智能传感等研究。 E-mail:zhenghuilong@iet.cnedu.cn
作者简介:贾华宇（1991—），男，博士，工程师，主要从事巡飞无人机总体设计、气动优化、发射分系统设计优化等研究。E-mail： jiahuayu@iet.cn
基金资助:
中国科学院重点部署项目(KGFZD-145-22-02);轻型涡轮动力全国重点实验室基金项目(E31H890206)

Optimal Selection of UAV Launch Parameters Based on SSA-BP Neural Network

JIA Huayu¹^,², ZHENG Huilong¹^,², ZHOU Hong², ZHANG Qian²

^1.School of Aeronautics and Astronautics，University of Chinese Academy of Sciences，Beijing 100049，China
^2.Institute of Engineering Thermophysics，Chinese Academy of Sciences，Beijing 100190，China

Received:2023-12-21 Online:2025-04-25 Published:2024-07-22
Contact: 郑会龙（1975—），男，研究员，主要从事无人飞行器系统设计、智能协同、智能传感等研究。 E-mail:zhenghuilong@iet.cnedu.cn
About author:贾华宇（1991—），男，博士，工程师，主要从事巡飞无人机总体设计、气动优化、发射分系统设计优化等研究。E-mail： jiahuayu@iet.cn
Supported by:
the Key Deployment Project of the Chinese Academy of Sciences(KGFZD-145-22-02);the National Key Laboratory Fund for Light Turbine Power(E31H890206)

摘要/Abstract

摘要：

火箭助推零长发射是无人机发射的重要形式，发射角度、助推器夹角、助推器推力等发射参数的选取直接关系到无人机发射任务的成败。无人机火箭助推零长发射在设计阶段借助工程经验选取发射角度、助推器夹角、助推器推力等关键参数时，存在发射参数迭代择优周期长、设计交互性差、容易造成无人机飞行姿态失稳的问题。该文以某无人机为研究对象，对其发射阶段进行动力学及运动学建模，构建了六自由度非线性模型，基于QT/C++软件编制无人机发射弹道参数化仿真软件，并结合某无人机真实发射试验数据，验证该发射弹道仿真软件的有效性。同时，为解决发射参数自主择优问题，在反向传播（BP）神经网络参数预测模型的基础上引入麻雀搜索算法（SSA）、粒子群优化算法（PSO）、遗传算法（GA）优化模块，提出基于SSA优化BP神经网络的无人机发射参数寻优方法，消除BP神经网络在参数预测过程中存在的过拟合及局部最优效应，对参数预测结果求绝对误差（MAE）、平均百分百误差（MAPE）、均方根误差（RMSE），综合评估SSA-BP对发射参数预测的优越性，并通过发射弹道校核验证发射参数选取的合理性。结果表明，SSA-BP模型对发射参数的预测精度最高、鲁棒性最好，可为无人机发射分系统工程设计阶段的发射参数自主择优选取提供设计依据。

关键词: 无人机发射, 麻雀搜索算法, BP神经网络, 参数寻优, 建模仿真

Abstract:

Rocket assisted zero length launch is an important form of UAV launch. The selection of launch parameters such as launch angle, booster angle, and booster thrust directly affects the success or failure of UAV launch mission. In the design phase of unmanned aerial vehicle rocket assisted zero length launch, key parameters such as launch angle, booster angle, and booster thrust are selected based on engineering experience. However, this approach faces several challenges, including long iteration cycles for optimal parameter selection, poor design interactivity, and the potential risk of causing instability in the UAV’s flight posture. This study focused on a specific UAV and conducts dynamic and kinematic modeling of its launch phase, constructing a six-degree-of-freedom nonlinear model. A UAV launch trajectory parameterization simulation software was developed using QT/C++ software, and the software’s effectiveness was verified through comparison with real UAV launch test data. At the same time, in order to solve the problem of autonomous optimization of launch parameters, sparrow search algorithm (SSA), particle swarm optimization algorithm (PSO), and genetic algorithm (GA) optimization modules were introduced based on the backpropagation neural network (BP neural network) parameter prediction model. A UAV launch parameter optimization method based on SSA optimized BP neural network was proposed to eliminate the overfitting and local optimal effects of BP neural network in the parameter prediction process. The absolute error (MAE), average percentage error (MAPE), and root mean square error (RMSE) of the parameter prediction results were calculated to comprehensively evaluate the superiority of SSA-BP in predicting launch parameters, and the rationality of the launch parameter selection was verified through launch trajectory verification. The results indicate that the SSA-BP model has the highest prediction accuracy and robustness for launch parameters, and can provide a design basis for the autonomous selection of launch parameters in the engineering design stage of unmanned aerial vehicle launch subsystems.

Key words: UAV launch, sparrow search algorithm, BP neural network, parameter optimization, modeling and simulation

中图分类号:

V553

贾华宇, 郑会龙, 周洪, 张谦. 基于SSA-BP神经网络的无人机发射参数择优[J]. 华南理工大学学报(自然科学版), 2025, 53(4): 90-101.

JIA Huayu, ZHENG Huilong, ZHOU Hong, ZHANG Qian. Optimal Selection of UAV Launch Parameters Based on SSA-BP Neural Network[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(4): 90-101.

图/表 13

图１

图2

图3

图4

图5

图6

表2

表１

表3

择优模块初始参数设置"

算法

参数

数值

SSA算法

初始麻雀种群数量

最大迭代次数

鸟群预警值

发现者占比

反捕食麻雀占比

100

0.8

0.4

0.3

PSO算法

初始种群规模

最大迭代次数

加速常数 $C 1$

加速常数 $C 2$

惯性权重

100

1.5

0.8

GA算法

初始种群规模

最大进化代数

交叉概率

变异概率

染色体编码长度

100

0.7

0.6

表3

图7

图8

图9

图10

参考文献 28

1	YIN J， LI W， ZHAO L，et al ． Simulation and analysis of UAV zero-length launch with rocket booster［J］．Advances in Guidance， Navigation and Control，2022，644：3635-3645.
2	YIN J， ZHANG B， ZHAO L，et al ．Simulation and analysis of short rail launch for UAV with rocket booster［C］∥Proceedings of 2020 3rd International Conference on Unmanned Systems （ICUS）．Shanghai：IEEE，2020.
3	LIU B， FANG Z， LI P，et al ．Takeoff analysis and simulation of a small scaled UAV with a rocket booster［J］．Advanced Materials Research， 2011，1286（267）：674-682.
4	PAKE G M， ANVAR A ．A feasibility study of design and development of submersible tube launched UAV-robot［C］∥Proceedings of 2014 13th International Conference on Control， Automation， Robotics & Vision． Singapore：IEEE，2014：1615-1620.
5	ZHU Z， GUO H， MA J ．Aerodynamic layout optimization design of a barrel-launched UAV wing considering control capability of multiple control surfaces［J］．Aerospace Science and Technology， 2019，93：105297/1-12.
6	LIU Q， BAO J， Shao Y， et al ．Dynamic modeling and underwater configuration analysis of fiber optic cable for UUV-launched UAV［J］．Ocean Engineering，2024，303，117774/1-15.
7	ZHOU Q B， RUI X T， WANG G P，et al ．An efficient and modular modeling for launch dynamics of tubed rockets on a moving launcher［J］．Defence Technology， 2021， 17（6）：2011-2026.
8	LU J X， WANG C， WEI Y J， et al ．Experimental and theoretical investigation of the cavity dynamics of underwater launched projectiles［J］．Ocean Engineering，2022，254，111291/1-12.
9	李浩，肖前贵，胡寿松．火箭助推无人机起飞发射段建模与仿真［J］．东南大学学报（自然科学版），2010，40（S1）：136-139.
	LI Hao， XIAO Qiangui， HU Shousong ．Modeling and simulation of UAV launching by rocket booster process［J］．Journal of Southeast University（Natural Science Edition）， 2010， 40（S1）： 136-139 .
10	LIU X L， XIA C N， MA S G ．The modeling and simulation of UAV pneumatic launch system［J］．Applied Mechanics and Materials， 2013， 2306（299）：27-30.
11	GÖKBEL E， GÜELLÜ A， ERSOY S ．Improvement of UAV： design and implementation on launchability［J］．Aircraft Engineering and Aerospace Technology， 2023， 95（5）： 734-740.
12	赵志俊，拜莉莎，孟祥喆．基于试验设计的无人机火箭助推起飞参数敏感性分析与优化［J］．飞行力学，2024，42（1）：89-94.
	ZHAO Zhijun， BAI Lisha， MENG Xiangzhe ．Sensitivity analysis and optimization of UAV rocket booster launch parameters based on DOE［J］．Flight Dynamics， 2024，42（1）：89-94.
13	何丽莎，郑耀，解利军，等．环境风对特定无人机零长发射安全性的影响［J］．哈尔滨工程大学学报， 2019，40（7）：1201-1207．
	HE Lisha， ZHENG Yao， XIE Lijun， et al ．Influence of environmental wind on the safety of a specific UAV zero-length launch［J］．Journal of Harbin Engineering University， 2019，40（7）：1201-1207．
14	贺跃帮，裴海龙，叶祥，等．无人直升机的自适应动态面轨迹跟踪控制［J］．华南理工大学学报（自然科学版），2013，41（5）：1-8.
	HE Yue-bang， PEI Hai-long， YE Xiang， et al ．Trajectory tracking control of unmanned helicopter by using adaptive dynamic surface approach［J］．Journal of South China University of Technology（Natural Science Edition）， 2013，41（5）：1-8.
15	WENG L， LIU Q， XIA M， et al ．Immune network-based swarm intelligence and its application to unmanned aerial vehicle （UAV） swarm coordination［J］．Neurocomputing， 2014， 125（11）：134-141.
16	李林洋，徐天河，王君婷，等．联合匹配场和神经网络的声速时间场构建方法［J］．哈尔滨工程大学学报，2023，44（11）：2044-2053.
	LI Linyang， XU Tianhe， WANG Junting，et al ．A method for constructing sound velocity time field by combining matched field and neural network ［J］．Journal of Harbin Engineering University，2023，44（11）：2044-2053.
17	党婉莹，周乐来，李贻斌，等．模块化机器人最优越野构型神经网络规划方法［J］．兵工学报，2024，45（10）：3674-3685.
	DANG Wanying， ZHOU Lelai， LI Yibin， et al ．Neural network planning method for optimal off-road configuration of　modular robots［J］．Acta Armamentarii，2024，45（10）：3674-3685.
18	张香竹，张立家，宋逸凡，等．基于深度学习的无人机单目视觉避障算法［J］．华南理工大学学报（自然科学版），2022，50（1）：101-108，131.
	ZHANG Xiangzhu， ZHANG Lijia， SONG Yifan，et al ．Obstacle avoidance algorithm for unmanned aerial vehicle vision based on deep learning ［J］．Journal of South China University of Technology （Natural Science Edition）， 2022，50（1）：101-108，131.
19	JIANG W， WANG Z， LI S ．An adaptive RK-UKF projectile impact point prediction method based on strong tracking filter［C］∥Proceedings of 2020 9th Asia-Pacific Conference on Antennas and Propagation （APCAP）．Xiamen：IEEE， 2020.
20	ZHANG X， YAO X， ZHENG Q ．Impact point prediction guidance based on iterative process for dual-spin projectile with fixed canards［J］．Chinese Journal of Aeronautics，2019，32（8）：1967-1981.
21	赵捍东，李志鹏．基于径向基函数神经网络和无迹卡尔曼滤波的弹丸落点预报方法研究［J］．兵工学报，2014，35（7）：965-971.
	ZHAO Han-dong， LI Zhi-peng ．Research on impactpoint prediction method based on radial basis function neural network and unscented Kalman filter ［J］．Acta Armamentarii， 2014，35（7）：965-971.
22	LI Z M， LIN T， MA Y H，et al ．Research on coordinated charging of electric vehicle based on GA-BP power quality prediction［C］∥Proceedings of the 2015 International Conference on Electronics， Electrical Engineering and Information Science．Xiamen： World Scientific Publishing Co Pte Ltd，2016.
23	XUE J， SHEN B ．A novel swarm intelligence optimization approach： sparrow search algorithm［J］．Systems Science & Control Engineering， 2020， 8（1）：22-34.
24	WANG X， LIU J， HOU T，et al ．The SSA-BP-based potential threat prediction for aerial target considering commander emotion［J］．Defence Technology，2022，18（11）：2097-2106.
25	XIN J， CHEN J， LI C，et al ．Deformation characterization of oil and gas pipeline by ACM technique based on SSA-BP neural network model［J］．Measurement，2022，189：110654/1-22.
26	WANG J， SHENG Z， ZHOU B，et al ．Lightning potential forecast over Nanjing with denoised sounding-derived indices based on SSA and CS-BP neural network［J］．Atmospheric Research， 2014， 137（12）： 245-256.
27	张福生，潘学文，路超．基于SSA优化BP神经网络的故障诊断系统研究［J］．中国工程机械学报，2022，20（1）：81-85，90.
	ZHANG Fusheng， PAN Xuewen， LU Chao ．Research on fault diagnosis system based on SSA optimized BP neural network ［J］．Chinese Journal of Construction Machinery， 2022，20（1）：81-85，90.
28	陈亮，郝祎纯，李巧茹，等．改进SSA优化的BP神经网络交通量预测模型［J］．哈尔滨工业大学学报，2024，56（7）：94-101.
	CHEN Liang， HAO Yichun， LI Qiaoru， et al ．Traffic volume forecast model based on BP neural network optimized by improved sparrow search algorithm ［J］．Journal of Harbin Institute of Technology， 2024，56（7）：94-101.

序号	高度/m	速度/（m·s^-1）	迎角/（°）	弹道倾角/（°）	发射角/（°）	助推器夹角/（°）	助推器推力/N
1	61.000	39.883	29.720	39.674	21	18	8 509
2	206.232	176.959	1.173	36.350	19	25	8 316
3	41.735	34.704	30.176	40.603	18	17	8 144
4	76.127	64.912	24.026	23.070	18	21	8 121
5	194.499	160.357	1.024	35.084	22	23	8 805
6	85.868	59.282	24.734	27.582	22	21	8 033
7	55.682	38.776	30.039	41.585	19	17	8 958
8	77.065	46.417	28.369	34.893	24	20	8 010
9	189.873	171.949	0.849	35.879	20	24	8 221
10	199.665	149.531	1.509	35.024	23	24	8 932
11	69.086	48.674	28.569	32.600	20	20	8 248
12	227.347	193.106	1.223	36.611	17	24	8 840
13	38.458	34.039	30.377	41.846	17	16	8 350
14	218.756	191.311	1.145	36.436	18	23	8 905
15	150.330	117.245	1.003	29.923	24	21	8 725
16	52.266	38.367	30.044	41.371	18	17	8 969
17	87.686	53.459	26.935	32.077	24	20	8 275
18	81.288	68.997	23.415	22.675	18	20	8 572
19	178.501	155.609	0.573	34.557	22	23	8 436
20	56.606	44.227	29.313	35.181	17	19	8 641
21	84.202	64.957	22.850	24.263	20	21	8 113
22	181.794	180.563	0.575	35.964	19	23	8 214
23	211.378	200.502	1.020	36.658	17	22	8 849
24	77.934	47.182	28.788	35.885	23	19	8 507
25	84.434	56.961	27.685	30.962	21	19	8 873
26	197.361	180.563	0.829	35.737	20	22	8 857
27	62.621	200.502	29.728	39.951	22	18	8 400
28	212.723	47.182	1.072	36.925	16	23	8 531
29	238.443	56.961	1.281	36.672	16	25	8 935
30	46.227	180.119	30.700	44.747	20	15	8 458

参数名称	数值
质量/kg	230
纵向转动惯量/（kg·m²）	236.5
发动机推力/daN	150
发射段升力系数	0.1
发射段阻力系数	0.015
俯仰力矩系数	0.2

[1]	王庆荣, 王俊杰, 朱昌锋, 郝福乐. 基于SD-ISSA-DALSTM的交通运输业碳排放预测[J]. 华南理工大学学报(自然科学版), 2025, 53(5): 66-81.
[2]	何永明, 邢婉钰, 魏堃, 等. 超高速公路自动驾驶车辆换道轨迹规划策略[J]. 华南理工大学学报(自然科学版), 2024, 52(4): 104-113.
[3]	朱睿, 刘宇, 梁钰迎, 等. 气/水介质湍流噪声强度的BP神经网络预测模型[J]. 华南理工大学学报(自然科学版), 2024, 52(12): 119-126.
[4]	兰凤崇, 张越, 陈吉清, 等. 人车碰撞事故中行人伤亡风险的关联性分析与预测 [J]. 华南理工大学学报(自然科学版), 2022, 50(5): 1-10.
[5]	周中, 邓卓湘, 陈云, 等. 基于GA-BP神经网络的泡沫轻质土强度预测[J]. 华南理工大学学报(自然科学版), 2022, 50(11): 125-132.
[6]	张益瑞苏建徐观. 三维测力装置维间耦合效应试验及解耦方法[J]. 华南理工大学学报（自然科学版）, 2021, 49(5): 135-144.
[7]	包丹文刘建荣顾佳羽. 机场巴士线网可靠性优化模型及算法设计[J]. 华南理工大学学报（自然科学版）, 2017, 45(8): 84-91.
[8]	王惜慧黄正展赵荣超黄旭为刘珐. 柴油机EGR温度的智能控制策略[J]. 华南理工大学学报（自然科学版）, 2011, 39(1): 147-151.
[9]	朱栋朱荻徐正扬. 基于神经网络的叶片电解加工阴极修正模型及其仿真[J]. 华南理工大学学报（自然科学版）, 2010, 38(2): 60-66.
[10]	陶泽明裴玉龙. 事故车辆图像特征点的自动匹配[J]. 华南理工大学学报（自然科学版）, 2009, 37(3): 138-143.
[11]	贺志勇郑伟. 基于BP神经网络的深基坑变形预测[J]. 华南理工大学学报（自然科学版）, 2008, 36(10): 92-96.

基于SSA-BP神经网络的无人机发射参数择优

Optimal Selection of UAV Launch Parameters Based on SSA-BP Neural Network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 28

相关文章 11

编辑推荐

Metrics

本文评价