弹道修正弹是性价比较高的弹药,在当今乃至未来战争都将扮演重要的角色。弹道修正是弹道修正弹实现精确打击的关键技术,而快速精确地预报弹丸落点是其核心技术之一。因此,本文对弹道落点快速准确预报方法进行了研究,提出了几种落点预报方法。1)提出了基于线性弹道的弹丸落点预报方法。针对线性弹道模型,在合理的假设下,将弹丸圆周运动方程组视为线性定常系统,利用线性定常系统状态方程的解表示弹丸的侧向速度和侧向角速度的解析式,使用梯形近似法对俯仰角、偏航角、射程和横偏的微分方程进行了简化处理,得到了线性弹道方程的解析解。对无量纲弧长进行预估,结合线性弹道的解析解来预报弹丸落点。仿真预测结果表明,该方法对射程预报的精度不理想,且对横偏的预测误差相对较小,并对产生的原因进行了分析,提出了几种改进方法。在落点预报时间上,提出了由地面计算机解算弹丸的圆周运动方程组、俯仰角、偏航角的解析式以及剩余无量纲弧长,并由弹载计算机解算弹丸射程和横偏解析式的方案。该方案预报落点的时间约为0.3564ms,相比于全部由弹载计算机解算线性弹道解析解和无量纲弧长的方案,预报时间减少了一个数量级。与数值积分法相比,预报落点的时间减少了1450.6436ms,因此,该方案有助于提高落点预报的解算速度;2)提出了BP神经网络的弹丸落点预报方法。结合弹丸的落点预报非线性方程,建立了BP神经网络射程和横偏预报模型,采用梯度下降法训练该模型,并对其进行落点预报仿真测试。仿真结果表明,预报一次落点的时间为12.642ms,且横偏的预报精度较好,但在射程上的预报精度较差。针对该模型存在射程预报误差大的问题,对模型结构及训练方法进行了改进。改进方法为:提高了BP网络隐含层神经元数目,且使用带动量项的梯度下降法来调节网络的权值,将射程与横偏信息同时作为BP网络的输出。然后进行仿真测试,结果表明射程和横偏的预报精度得到了很大的改善,且平均预报时间为6.629ms,相比于未改进的预报方法,预报时间减少了6.013ms。因此,改进型BP网络预报方法能够快速精确地预报弹丸落点。3)提出了插值型径向基神经网络的弹丸落点预报方法。分别建立了RBF神经网络的射程和横偏预报模型,采用严格插值法对该模型进行训练,得到落点预报模型,对其进行落点仿真测试。结果表明射程的最大预报误差为5.5706m,横偏的最大预报误差为0.0057m,且预报落点的平均时间为39.048ms。虽然该预报模型具有原理简单,泛化能力强,容错性好等优点,但存在由于隐含层神经元数目多而使网络结构相对复杂的问题。为保证快速精确地预报落点,同时优化该模型的网络结构,采用一种寻优方法对网络的隐含层神经网络数目进行优化。该寻优方法为:该网络的隐含层神经元个数为0时,计算网络的训练误差,并与目标误差相比较,若训练误差小于等于目标误差,则寻优停止,输出最优网络隐含层神经元数目,反之,隐含层神经元个数加25,重复上述过程,直到满足训练误差小于等于目标误差的要求为止。经优化后得到最优神经元数,对该模型进行仿真测试。结果表明射程误差最大不超过0.8m,横偏误差最大不超过6×10-3m,预报一次落点时间平均达到8.216ms。因此,优化后RBF网络的落点预报模型不仅具有结构简洁,训练效果好的优点,还能够保证快速精度的预报弹丸落点。4)提出了广义回归神经网络的弹丸落点预报方法。建立了GRNN的弹丸落点预报模型,对其仿真后发现预报效果不好。针对该问题,采用粒子群算法对该模型中的光滑因子进行优化,得到最优参数后,进行落点预报仿真测试。结果表明平均预报一次落点的时间为6.645ms,射程预报误差最大为40m,横偏的预报误差最大为0.2m。5)提出了基于高维插值的末修弹落点预报方法。将弹道诸元整理成离散点集,用高维插值法对其进行插值,得到落点预报的显式方程,对其仿真测试。结果表明落点预报时间平均为3.506ms,射程预报误差在0.03m以内,横偏误差最大为4×10-5m。综上所述,高维插值法与改进型RBF神经网络在预报精度上较好,而高维插值法与线性化法在解算速度上较快。因此,本文提出的方法快速精确地预报弹丸落点是有效可行的,可为工程实际提供理论参考。