CN103853894A - 基于rbf算法的诱饵弹延时投放时间精度计算方法 - Google Patents

Abstract

本发明提供了一种基于RBF算法的诱饵弹延时投放时间精度计算方法，该方法包括如下步骤：步骤a：采集影响诱饵弹延时投放时间精度的开锁窗口T1、发射窗口T2、投放延时时间T4和起转时间T5的历史数据，对历史数据进行插值，从而得到训练样本；步骤b：利用步骤a得到的训练样本，通过RBF径向基函数算法训练神经网络得到径向基神经网络；步骤c：将需要计算精度的T1、T2、T4和T5数据作为所述径向基神经网络的输入，从而训练计算得到诱饵弹延时投放时间精度值，将所述时间精度值除以诱饵弹延时投放时间得到一比值，将所述比值作为考核诱饵弹延时投放时间精度指标。本发明减少了时间复杂度与诱饵弹延时投放时间精度的计算误差。

Description

基于RBF算法的诱饵弹延时投放时间精度计算方法

技术领域

本发明涉及导弹武器系统诱饵弹投放技术领域，尤其涉及一种诱饵弹延时投放时间精度计算方法。

背景技术

随着现代军事技术的迅猛发展，现代战争中的攻防对抗日趋激烈。为了对付来袭导弹，作战飞机一般采用各种防范措施，投放有源干扰诱饵或实施载机机动等，以规避和诱骗对方防空导弹。以最大可能躲避来袭防空弹，提高载机在对抗中的生存概率。与此同时，防空导弹采用的各种先进技术层出不穷，其中很多考虑到了目标的机动因素，提高了导弹在目标机动干扰情况下的命中精度。

在实际空战过程中，并不是随意投放红外诱饵弹都能干扰导弹的正常跟踪。如果投早了，诱饵弹提前燃烧，红外能源不强引诱不了导弹。如果投晚了，诱饵弹和飞机距离过近，导弹不会过多偏离原弹道。所以从导弹出筒到诱饵弹投放这段时间长度非常重要，关系着导弹命中率的高低，这段时间称为“诱饵弹延迟投放时间”。但是在导弹武器系统中由于各种软件、硬件因素等，导致延迟投放时间会出现随机误差。由于误差的随机性和不可预见性，对诱饵弹延迟投放时间的精度造成影响，从而使诱饵弹的干扰能力降低。

诱饵弹一旦发射，出现任何故障都难于进行修复，所以必须确保诱饵弹延迟投放时间精度在要求范围内。如何提高诱饵弹延迟投放时间精度计算能力，降低诱饵弹超延迟投放时间精度投放，一直是近年研究的热点。目前主要常规的求解方法是建立微分方程。但是因为上文所述存在的随机误差，并且产生误差的几个影响因素：开锁窗口（T1）、发射窗口（T2）、投放延时时间（T4）和起转时间（T5）的数据都是多维的、非线性的，所以这种方法在诱饵弹延迟投放时间精度的计算上存在两大弊端：

（1）建立微分方程模型需要大量详尽的数据。这些实测数据在导弹武器系统中比较难获得，或者需要很高的成本才能获得。建立模型所需的一些参数无法直接获得，只能通过间接方法进行计算，而计算的误差也是影响计算准确程度的一大因素。

（2）微分方程模型是一种确定的数学模型，只考虑了影响诱饵弹延迟投放时间精度的主要因素，而事实上，诱饵弹延迟投放时间精度存在着较大的时空变化，往往受随机因素的影响。

因此，对于这种类型的问题，常规的确定性的微分方程方法已经无法满足求解了。

发明内容

本发明提供了一种基于RBF算法的诱饵弹延时投放时间精度计算方法，其特征在于，该方法包括如下步骤：

步骤a：采集影响诱饵弹延时投放时间精度的开锁窗口T1、发射窗口T2、投放延时时间T4和起转时间T5的历史数据，对所述历史数据进行插值，从而得到训练样本；

步骤b：利用步骤a得到所述训练样本，通过RBF径向基函数算法训练神经网络，从而得到训练好的径向基神经网络；

步骤c：将需要计算精度的诱饵弹延时投放时间的开锁窗口T1、发射窗口T2、投放延时时间T4和起转时间T5数据作为所述径向基神经网络的输入，从而训练计算得到诱饵弹延时投放时间精度值，将所述时间精度值除以诱饵弹延时投放时间得到一比值，将所述比值作为考核诱饵弹延时投放时间精度指标。

较佳地，上述步骤b包含有如下步骤：

步骤b1：选择足够数量样本n1作为RBF中心，例如n1取值为样本数量四分之一，其中n1的取值为能够体现训练数据样本的概率密度函数的分布即可；

步骤b2：计算RBF函数的扩展参数σ，它等于中心向量之间的最大的欧氏距离除以联想神经元数量的开根号值；

步骤b3：初始化网络输出层权值为ω，其中ω为一些随机值；

步骤b4：提交一个输入向量，按公式1计算网络的输出，

这里，公式1中：ω_j是网络的输出权值，H是联想神经元的个数，

为高斯函数；

步骤b5：按公式2更新输出层的连接权值，

$\frac{\∂E\left(l\right)}{{\∂\mathrm{\ω}}_j\left(l\right)}=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{e}_k\left(l\right)G\left(\right||x_k-c_j\left(l\right)|\left|\right)$

$w_j(l+1)=w_j\left(l\right){\mathrm{\η}}_1\frac{\∂E\left(l\right)}{\∂{\mathrm{\ω}}_j\left(l\right)}---\left(2\right)$

这里，G(x,c)是微分算子L的Green函数，第j个隐节点的中心，e_k(l)为瞬时误差函数。η₁为学习步长，取一些小的随机值即可，它改变不会对本专利构成实质性改变；

步骤b6：按公式3更新隐单元中心c，

$\frac{\∂E\left(l\right)}{{\∂c}_j\left(l\right)}={2\mathrm{\ω}}_j\left(n\right)\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{e}_k\left(l\right)\text{G\′}\left(\right||x_k-c_j\left(l\right)|\left|\right){\mathrm{\σ}}_j^{-1}\left(l\right)[x_k-c_j\left(l\right)]$

$c_k(l+1)=c_j\left(l\right)-{\mathrm{\η}}_2\frac{\∂E\left(l\right)}{{\∂c}_j\left(l\right)}---\left(3\right)$

这里，η₂为学习步长，为随机值；

步骤b7：按公式4更新函数宽度σ，

$\frac{\∂E\left(l\right)}{\∂{\mathrm{\σ}}_j^{-1}\left(l\right)}=-{\mathrm{\ω}}_j\left(l\right)\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{e}_k\left(l\right)G\′\left(\right||x_k-c_j\left(l\right)|\left|\right){[x_k-c_j\left(l\right)]}^T$

${\mathrm{\σ}}_j^{-1}(l+1)={\mathrm{\σ}}_j^{-1}\left(l\right)-{\mathrm{\η}}_3\frac{\∂E\left(l\right)}{\∂{\mathrm{\σ}}_j^{-1}\left(l\right)}---\left(4\right)$

这里，η₃为学习步长，取一些随机值；

步骤b8：如果网络收敛，能达到误差函数能达到误差容限，则停止，否则，l=l+1，转向步骤b4。

本发明提供的基于RBF算法的诱饵弹延时投放时间精度计算方法，与现有技术相比，其具有以下有益效果：

（一）提供了灵活的诱饵弹延时投放时间精度计算方法；

（二）无需与使用大规模试验数据进行计算，减少了时间复杂度；

（三）减少了诱饵弹延时投放时间精度的计算误差。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

图1为本发明实施例提供的基于RBF算法的诱饵弹延时投放时间精度计算方法流程图。

具体实施例

实施例一

本发明实施例提供了一种基于RBF算法的诱饵弹延时投放时间精度计算方法，RBF径向基神经网络具有很强的非线性映射能力，且具有较高的效率，因此能够较好的完成诱饵弹延迟投放时间精度的计算，其具体包括如下步骤：

步骤a：采集影响诱饵弹延时投放时间精度的开锁窗口T1、发射窗口T2、投放延时时间T4和起转时间T5的历史数据，对这些历史数据进行插值，从而得到更多的训练样本；本实施例中，通过利用MATLAB的二维插值函数interp2对这些历史数据进行插值；

步骤b：利用步骤a得到训练样本，通过RBF（RadialBasisFunction,径向基函数）算法训练神经网络，从而得到已经训练好的径向基神经网络；

步骤c：将需要计算精度的诱饵弹延时投放时间的开锁窗口T1、发射窗口T2、投放延时时间T4和起转时间T5数据作为通过步骤b得到的径向基神经网络的输入，从而训练计算得到诱饵弹延时投放时间精度值，通过精度值除以诱饵弹延时投放时间得到的比值考核诱饵弹延时投放时间精度指标。

其中本发明上述步骤b包含有如下步骤：

步骤b1：选择足够数量样本n1作为RBF中心，例如n1取值为样本数量四分之一。

这里，n1的取值为能够体现训练数据样本的概率密度函数的分布即可，它改变不会对本专利构成实质性改变。

步骤b2：计算RBF函数的扩展参数σ，它等于中心向量之间的最大的欧氏距离除以联想神经元数量的开根号值。

步骤b3：初始化网络输出层权值为ω。

这里，ω为一些小的随机值即可，它改变不会对本专利构成实质性改变。

步骤b4：提交一个输入向量，按公式1计算网络的输出。

这里，公式1中：ωj是网络的输出权值，H是联想神经元的个数（隐含层节点数），为高斯函数。

步骤b5：按公式2更新输出层的连接权值。

$\frac{\∂E\left(l\right)}{{\∂\mathrm{\ω}}_j\left(l\right)}=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{e}_k\left(l\right)G\left(\right||x_k-c_j\left(l\right)|\left|\right)$

$w_j(l+1)=w_j\left(l\right){\mathrm{\η}}_1\frac{\∂E\left(l\right)}{\∂{\mathrm{\ω}}_j\left(l\right)}---\left(2\right)$

这里，G(x,c)是微分算子L的Green函数，第j个隐节点的中心（称为中心向量），e_k(l)为瞬时误差函数。η₁为学习步长，取一些小的随机值即可，它改变不会对本专利构成实质性改变。

步骤b6：按公式3更新隐单元中心c。

$\frac{\∂E\left(l\right)}{{\∂c}_j\left(l\right)}={2\mathrm{\ω}}_j\left(n\right)\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{e}_k\left(l\right)\text{G\′}\left(\right||x_k-c_j\left(l\right)|\left|\right){\mathrm{\σ}}_j^{-1}\left(l\right)[x_k-c_j\left(l\right)]$

$c_k(l+1)=c_j\left(l\right)-{\mathrm{\η}}_2\frac{\∂E\left(l\right)}{{\∂c}_j\left(l\right)}---\left(3\right)$

这里，η₂为学习步长，取一些小的随机值c即j可，它改变不会对本专利构成实质性改变。

步骤b7：按公式4更新函数宽度σ。

$\frac{\∂E\left(l\right)}{\∂{\mathrm{\σ}}_j^{-1}\left(l\right)}=-{\mathrm{\ω}}_j\left(l\right)\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{e}_k\left(l\right)G\′\left(\right||x_k-c_j\left(l\right)|\left|\right){[x_k-c_j\left(l\right)]}^T$

${\mathrm{\σ}}_j^{-1}(l+1)={\mathrm{\σ}}_j^{-1}\left(l\right)-{\mathrm{\η}}_3\frac{\∂E\left(l\right)}{\∂{\mathrm{\σ}}_j^{-1}\left(l\right)}---\left(4\right)$

这里，η₃为学习步长，取一些小的随机值c即j可，它改变不会对本专利构成实质性改变。

步骤b8：如果网络收敛，能达到误差函数能达到误差容限，则停止，否则，l=l+1，转向步骤b4。

实施例二

本发明实施例使用的为某型导弹的实测数据为例。表一为其数据：

表1数据

本实施例保留前面5份数据作为测试数据。

根据步骤a：利用MATLAB的二维插值函数interp2对本实施例后面的19份数据进行插值，将数据量增加到了100份。

根据步骤b：本实施例选择25份作为RBF中心，设置η₁,η₂,η₃三种学习步长分别分0.5、0.6、0.7，网络输出层权值ω为1.2，误差容限为1e-7。经过RBF算法运算后，在迭代到98代后，网络能够收敛达到误差容限，至此RBF神经网络训练好。

根据步骤c：将本实施例保留5份数据输入神经网络，从而训练计算得到诱饵弹延时投放时间精度值，五组数据的最大的相对误差值为0.0342，平均相对误差为0.0283。

这种误差精度完成可以胜任诱饵弹延迟投放时间精度值的计算。故本发明前述的基于RBF算法的诱饵弹延时投放时间精度计算方法可以应用到大量的导弹武器系统进行诱饵弹延时投放时间精度计算。

本发明提供的基于RBF算法的诱饵弹延时投放时间精度计算方法，与现有技术相比，其具有以下有益效果：（一）提供了灵活的诱饵弹延时投放时间精度计算方法；（二）无需与使用大规模试验数据进行计算，减少了时间复杂度；（三）减少了诱饵弹延时投放时间精度的计算误差。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (2)

1.一种基于RBF算法的诱饵弹延时投放时间精度计算方法，其特征在于，该方法包括如下步骤：

步骤a：采集影响诱饵弹延时投放时间精度的开锁窗口T1、发射窗口T2、投放延时时间T4和起转时间T5的历史数据，对所述历史数据进行插值，从而得到训练样本；

步骤b：利用步骤a得到所述训练样本，通过RBF径向基函数算法训练神经网络，从而得到训练好的径向基神经网络；

步骤c：将需要计算精度的诱饵弹延时投放时间的开锁窗口T1、发射窗口T2、投放延时时间T4和起转时间T5数据作为所述径向基神经网络的输入，从而训练计算得到诱饵弹延时投放时间精度值，将所述时间精度值除以诱饵弹延时投放时间得到一比值，将所述比值作为考核诱饵弹延时投放时间精度指标。

2.如权利要求1所述的基于RBF算法的诱饵弹延时投放时间精度计算方法，其特征在于，上述步骤b包含有如下步骤：

步骤b1：选择足够数量样本n1作为RBF中心，例如n1取值为样本数量四分之一，其中n1的取值为能够体现训练数据样本的概率密度函数的分布即可；

步骤b2：计算RBF函数的扩展参数σ，它等于中心向量之间的最大的欧氏距离除以联想神经元数量的开根号值；

步骤b3：初始化网络输出层权值为ω，其中ω为一些随机值；

步骤b4：提交一个输入向量，按公式1计算网络的输出，

这里，公式1中：ω_j是网络的输出权值，H是联想神经元的个数，

为高斯函数；

步骤b5：按公式2更新输出层的连接权值，

$\frac{\∂E\left(l\right)}{{\∂\mathrm{\ω}}_j\left(l\right)}=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{e}_k\left(l\right)G\left(\right||x_k-c_j\left(l\right)|\left|\right)$

$w_j(l+1)=w_j\left(l\right){\mathrm{\η}}_1\frac{\∂E\left(l\right)}{\∂{\mathrm{\ω}}_j\left(l\right)}---\left(2\right)$

这里，G(x,c)是微分算子L的Green函数，第j个隐节点的中心，e_k(l)为瞬时误差函数。η₁为学习步长，取一些小的随机值即可，它改变不会对本专利构成实质性改变；

步骤b6：按公式3更新隐单元中心c，

$\frac{\∂E\left(l\right)}{{\∂c}_j\left(l\right)}={2\mathrm{\ω}}_j\left(n\right)\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{e}_k\left(l\right)\text{G\′}\left(\right||x_k-c_j\left(l\right)|\left|\right){\mathrm{\σ}}_j^{-1}\left(l\right)[x_k-c_j\left(l\right)]$

$c_k(l+1)=c_j\left(l\right)-{\mathrm{\η}}_2\frac{\∂E\left(l\right)}{{\∂c}_j\left(l\right)}---\left(3\right)$

这里，η₂为学习步长，为随机值；

步骤b7：按公式4更新函数宽度σ，

$\frac{\∂E\left(l\right)}{\∂{\mathrm{\σ}}_j^{-1}\left(l\right)}=-{\mathrm{\ω}}_j\left(l\right)\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{e}_k\left(l\right)G\′\left(\right||x_k-c_j\left(l\right)|\left|\right){[x_k-c_j\left(l\right)]}^T$

${\mathrm{\σ}}_j^{-1}(l+1)={\mathrm{\σ}}_j^{-1}\left(l\right)-{\mathrm{\η}}_3\frac{\∂E\left(l\right)}{\∂{\mathrm{\σ}}_j^{-1}\left(l\right)}---\left(4\right)$

这里，η₃为学习步长，取一些随机值；

步骤b8：如果网络收敛，能达到误差函数能达到误差容限，则停止，否则，l=l+1，转向步骤b4。

Images