CN107807544B

CN107807544B - 一种基于神经网络的半实物仿真红外噪声控制方法

Info

Publication number: CN107807544B
Application number: CN201711223554.8A
Authority: CN
Inventors: 岳俊华; 张朝; 郭秀娟
Original assignee: Jilin Jianzhu University
Current assignee: Jilin Jianzhu University
Priority date: 2017-11-29
Filing date: 2017-11-29
Publication date: 2020-11-20
Anticipated expiration: 2037-11-29
Also published as: CN107807544A

Abstract

本发明公开了一种基于神经网络的半实物仿真红外噪声控制方法，包括：步骤一：确定三层神经网络的输入层向量，中间层向量，以及输出层向量；步骤二：根据历史数据获取训练样本对神经网络进行训练；步骤三：按照一定的采样周期采取弹道目标距离L^a，距地面高度H，运动速率V^a，运动加速度a，场景温度T，风速V^b并将上述参数进行规格化，得到输入层向量和输出层向量；步骤四：仿真机控制红外景象模拟机的噪声释放强度、持续时间、释放速率和释放范围的参数。本发明能够避免人工操作的误差，根据相应仿真状态对红外噪声进行实时的准确控制。

Description

一种基于神经网络的半实物仿真红外噪声控制方法

技术领域

本发明涉及计算机领域，尤其涉及一种基于神经网络的半实物仿真红外噪声控制方法。

背景技术

利用计算机的强大建模功能模拟生产红外场景，已经成为红外仿真领域的重要研究课题之一。红外成像制导仿真可以降低武器的研制成本，缩短周期。红外成像制导导弹在研究阶段就需要进行大量的实验测试和仿真实验，利用计算机生成动态红外仿真图像，展现红外成像制导导弹追踪识别目标的仿真过程，实现对目标按照真实尺寸比例，利用3DMAX建立三维建模，通过环境时域特征，建立环境模型；根据导弹运动规律建立运动模型，等一系列的模型设计，用于加强导弹在复杂的环境下的识别追踪能力。在对背景环境及噪声干扰的真实模拟，经常需要准确的测试和优化，以更精准地测试其对导弹性能的影响。

在以往的红外成像制导导弹模拟训练中，对于噪声干扰和背景环境的模拟控制中通常需要对红外景象生成系统控制机进行手动操作控制，这就造成了人为对于相关参数设置、释放强度点的把握等的准确度较低，会不利于环境的真实模拟和导弹抗干扰性的评估。

因此，如何通过计算机在传统红外成像生成系统中的控制基础上，根据具体需要和相应的仿真状态自动调控对红外噪声的实时准确控制，避免人为手动操作，就变得尤为重要。

发明内容

本发明为克服目前技术的不足之处，提供一种基于神经网络的半实物仿真红外噪声控制方法，能够根据实际相应仿真状态对红外噪声进行实时的准确控制。

本发明提供的技术方案为：步骤一、按照采样周期，通过红外景象模拟机传输弹道目标距离L^a,距地面高度H，运动速率V^a，运动加速度a，场景温度T，风速V^b；

步骤二、依次将上述参数进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中x₁为目标距离系数，x₂为距地面高度系数，x₃为运动速率系数，x₄为运动加速度系数，x₅为场景温度系数，x₆为风速系数；

步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,Λ,y_m}； m为中间层节点个数；

步骤四、得到输出层向量o＝{o₁,o₂,o₃,o₄}；o₁为红外噪声的释放强度调节系数，o₂为持续时间调节系数，o₃为释放速率调节系数，o₄为释放范围调节系数；

步骤五、仿真机控制红外景象模拟机的噪声释放强度、持续时间、释放速率和释放范围的参数，使

其中，

分别为第i次采样周期输出层向量四个参数，p^a _max、 t^b _max、V^c _max、R_max分别为释放最大强度，持续最长时间、释放最大速度和释放最大范围，p^a _i+1、t^b _i+1、V^c _i+1、R_i+1分别为第i+1个采样周期时释放强度、持续时间、释放速率和释放范围。

优选的是，步骤二中，利用如下公式对环境温度T进行规格化

其中，T_max和T_min分别为环境温度的最大值和最小值；最高温度为70℃，最低温度为-50℃。

优选的是，目标距离L^a满足：

L_a＝-8.26[Ln(V^a+1.08)]²+1.93e^(H-1.39)+5.26H_max

其中，H_max为距地面高度最大值。

优选的是，所述中间层节点个数m满足：

其中p为输出层节点个数，n为输入层节点个数。

优选的是，场景内不同方位设有m_T个温度，其温度值参数分别为

根据场景位置赋予该温度值权值W_Ti，通过下式计算内部温度T

优选的是，步骤三中，将弹道目标距离L^a,距地面高度H，运动速率V^a，运动加速度a，风速V^b进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数L^a、H、V^a、a、V^b， j＝1,2,3,4,5,6；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

优选的是，初始运动状态，释放速率V^c，释放范围R满足经验值：

V^c ₀＝0.73V^c _max

R₀＝0.81R_max

其中，V^c ₀、R₀分别为释放初始速度和释放初始范围，V^c _max、R_max分别为噪音释放最大速度和释放最大范围。

优选的是，

步骤四中，采用S曲线速度控制方法对噪音释放速率进行控制。

本发明所述的有益效果：本发明提供了一种基于神经网络的半实物仿真红外噪声控制方法，构建了人工神经网络，具有自学习和预测功能，使其具有良好的适应性和调控的准确性。本发明能够处理多参数、非线性系统的控制问题，避免了人工操作带来的误差和时差，从而提高系统的集成度和实时性，实现实时仿真。

附图说明

图1为本发明所述的基于神经网络的半实物仿真红外噪声控制方法流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

半实物仿真控制台，连接控制仿真机、红外景象模拟机、红外景象控制机及红外动态图像生成系统；红外景象模拟机，实时查询各种红外噪声的控制命令，接收仿真机控制参数，生成预定的红外噪声；红外动态图像生成系统，接收仿真机发布的红外噪声模拟控制指令，实时生成相应的红外热辐射动态图像；所述仿真机依据不同弹道验证需求对所述红外噪声模拟控制模块进行初始设置，并根据接收到的实时噪音数据参数开始解算，实时仿真；

为实现半实物仿真的红外噪声模拟控制，用仿真机建立基于BP神经网络的半实物仿真红外噪声控制方法，包括以下步骤：

步骤一：建立BP神经网络模型。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示n个输入参数，些信号参数由数据预处理模块给出。第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁,x₂,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：O＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝6，输出层节点数为p＝4。隐藏层节点数 m由下式估算得出：

输入信号6个参数分别表示为：x₁为目标距离、x₂为环境温度系数、x₃为运动速率系数、x₄为运动加速度、x₅场景温度、x₆风速；

由于仿真机接收的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于弹道导弹的目标距离L^a进行规格化后，得到目标距离的系数

其中，L^a _max与L^a _min分别为弹道导弹与目标距离的最大值和最小值。

同样的，对于距地面高度H进行规格化后，得到距地面高度系数

其中，H_max与H_min分别为弹道导弹距地面高度的最大值和最小值。

对弹道导弹运动速率V^a进行规格化，得到运动速率系数

其中，V^a _max与V^a _min分别为运动速率最大值和最小值。

对弹道导弹运动加速度a进行规格化，得到运动加速度系数

其中，a_max与a_min分为运动最大加速度和最小加速度。

对场景温度T进行规格化，得到场景温度系数

其中，T_max与T_min分别为温度最大值和最小值。

对场景风速V^b进行规格化，得到场景风速系数

其中，V^b _max与V^b _min分别为风速的最大值和最小值。

在本发明中，环境最高温度T_max为70℃，环境最低温度为-50℃。

采用S曲线速度控制方法对噪音释放速率进行控制。

在半实物仿真红外模拟中，根据大量经验数据模拟，弹道导弹和目标距离L^a满足以下关系

L_a＝-8.26[Ln(V^a+1.08)]²+1.93e(^H-1.39)+5.26H_max

其中，H_max为距地面高度最大值。

输出的四个参数分别为：o₁为红外噪声的释放强度调节系数，o₂为持续时间调节系数，o₃为释放速率调节系数，o₄为释放范围调节系数。

红外噪声的释放强度调节系数o₁示下一个采样周期时释放强度与最长释放强度之比，即在第i个采样周期获取输入参数，通过BP神经网络输出第i 个采样周期的红外噪声的释放强度调节系数

后，控制第i+1个采样周期中的释放强度p^a _i+1，使其满足：

其中，p^a _max为红外噪声的最长释放强度。

持续时间调节系数o₂表示下一个采样周期时的持续时间与最长持续时间之比，即在第i个采样周期获取输入参数，通过BP神经网络输出第i个采样周期的持续时间调节系数

后，控制第i+1个采样周期中的持续时间，使其满足：

其中，t^b _max为红外噪声最长持续时间。

释放速率调节系数o₃表示下一个采样周期时的释放速率与最大释放速率之比，即在第i个采样周期获取输入参数，通过BP神经网络输出第i个采样周期的持续时间调节系数

后，控制第i+1个采样周期中的释放速率，使其满足：

其中，V^c _max为红外噪声的最大释放速率。

释放范围调节系数o₄表示下一个采样周期时的释放范围与最大释放范围之比，即在第i个采样周期获取输入参数，通过BP神经网络输出第i个采样周期的释放范围调节系数

后，控制第i+1个采样周期中的释放范围，使其满足：

其中，R_max为红外噪声的最大释放范围。

步骤二、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值w_ij，隐层节点j和输出层节点k之间的连接权值w_jk，隐层节点j的阈值θ_j，输出层节点k的阈值θ_k、w_ij、w_jk、θ_j、θ_k均为-1到1之间的随机数。

在训练过程中，不断修正w_ij和w_jk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

如表1所示，给定了一组训练样本以及训练过程中各节点的值。

表1训练过程各节点值

步骤三、采集输入参数，得到输出参数，并对仿真机进行控制。具体包括以下步骤：

1：按照采样周期，通过红外景象模拟机获取第i个采样周期时弹道目标距离L^a，距地面高度H，运动速率V^a，运动加速度a，场景温度T，风速V^b。

2：依次将上述6个参数进行规格化，得到第i个采样周期时三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅,x₆}

3：所述输入层向量映射到中间层，得到第i个采样周期时中间层向量 y＝{y₁,y₂,y₃,y₄}，m为中间层节点个数；

4：所述中间层向输出层映射，得到第i个采样周期时得到输出层向量 o＝{o₁,o₂,o₃,o₄}

5：通过仿真机控制红外景象模拟机的噪声释放强度、持续时间、释放速率和释放范围的参数，使使下一个周期即第i+1个采样周期时红外噪声释放强度、持续时间、释放速率和释放范围满足：

释放速率和释放范围其中初始值为

V^c ₀＝0.73V^c _max

R₀＝0.81R_max

其中，

别为第i次采样周期输出层向量前两个参数，p^a _max为最大噪音强度，t^b _max为最长释放强度，V^c _max最大释放速率，R_max最大释放半径。p^a _i+1、t^b _i+1、V^c _i+1、R_i+1分别为第i+1个采样周期时释放强度、持续时间、释放速率和释放范围。

通过上述设置，通过获取输入参数，通过采用BP神经网络算法，对半实物仿真红外噪声进行控制，使仿真模拟达到最佳。

其中，仿真模拟环境中由于环境范围较大，不同的位置会设置不同的温度值。作为一种优选的，在场景内不同方位设有m_T个温度，其温度值参数分别为

其单位为℃。根据每个所在位置的不同，赋予其一定的权值，即第i个温度传感器的权值为W_Ti，然后可将所有温度参数的加权平均温度定义为场景的内部温度T，其单位为℃。因此，某一时刻的环境温度T可定义为：

权值W_Ti根据经验分析得出，并且满足：

表2列出了一组温度的分布情况和测量值。

表2一组温度测量值

序号	权值	位置	测量值
				T<sub>1</sub>	W<sub>T1＝1.3</sub>	地面发射点	20
T<sub>2</sub>	W<sub>T2＝0.7</sub>	地面距离发射点100公里处	25
				T<sub>3</sub>	W<sub>T3＝1.5</sub>	地面距离发射点300公里	21
T<sub>4</sub>	W<sub>T4＝0.5</sub>	地面距离发射点500公里	20
				T<sub>5</sub>	W<sub>T5＝1.3</sub>	地面距离发射点700公里	18
T<sub>6</sub>	W<sub>T6＝1.8</sub>	距离地面100米	17
				T<sub>7</sub>	W<sub>T7＝0.9</sub>	距离地面200米	15

则根据公式可得

由此则表示此时仿真模拟环境中的温度为22℃。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims

1.一种基于神经网络的半实物仿真红外噪声的控制方法，其特征在于，还包括：

步骤一、按照采样周期，通过红外景象模拟机传输弹道导弹和目标的距离L^a,距地面高度H，运动速率V^a，运动加速度a，场景温度T，风速V^b；

步骤二、依次将所述弹道导弹和目标的距离、距地面高度、运动速率、运动加速度、场景温度和风速进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中x₁为目标距离系数，x₂为距地面高度系数，x₃为运动速率系数，x₄为运动加速度系数，x₅为场景温度系数，x₆为风速系数；

步骤三、所述输入层向量映射到中间层，所述中间层的向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

其中，

分别为第i次采样周期输出层向量四个参数，p^a _max、t^b _max、V^c _max、R_max分别为释放最大强度，持续最长时间、释放最大速度和释放最大范围，p^a _i+1、t^b _i+1、V^c _i+1、R_i+1分别为第i+1个采样周期时释放强度、持续时间、释放速率和释放范围；

弹道导弹和目标的距离L^a满足：

L^a＝-8.26[Ln(V^a+1.08)]²+1.93e^(H-1.39)+5.26H_max

其中，H_max为距地面高度最大值。

2.根据权利要求1所述的一种基于神经网络的半实物仿真红外噪声的控制方法，其特征在于，步骤二中，利用如下公式对场景温度T进行规格化

3.根据权利要求1所述的一种基于神经网络的半实物仿真红外噪声的控制方法，其特征在于，所述中间层节点个数m满足：

其中p为输出层节点个数，n为输入层节点个数。

4.根据权利要求1所述的一种基于神经网络的半实物仿真红外噪声的控制方法，其特征在于，场景内不同方位设有m_T个温度，其温度值参数分别为T₁',T₂',T₃',...,T_i',...,T_mT'，根据场景位置赋予该温度值权值W_Ti，通过下式计算内部温度T_in

5.根据权利要求3所述的一种基于神经网络的半实物仿真红外噪声的控制方法，其特征在于，步骤二中，将弹道目标距离L^a,距地面高度H，运动速率V^a，运动加速度a，风速V^b进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数L^a、H、V^a、a、V^b，j＝1,2,3,4,5,6；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

6.根据权利要求1所述的一种基于神经网络的半实物仿真红外噪声的控制方法，其特征在于，初始运动状态，释放速率V^c，释放范围R满足经验值：

V^c ₀＝0.73V^c _max

R₀＝0.81R_max

7.根据权利要求1所述的一种基于神经网络的半实物仿真红外噪声的控制方法，其特征在于，步骤五中，采用S曲线速度控制方法对噪音释放速率进行控制。