CN109299555B - 红外成像导引头抗干扰性能评估方法及系统 - Google Patents

红外成像导引头抗干扰性能评估方法及系统 Download PDF

Info

Publication number
CN109299555B
CN109299555B CN201811162653.4A CN201811162653A CN109299555B CN 109299555 B CN109299555 B CN 109299555B CN 201811162653 A CN201811162653 A CN 201811162653A CN 109299555 B CN109299555 B CN 109299555B
Authority
CN
China
Prior art keywords
svr
interference
target
infrared imaging
performance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811162653.4A
Other languages
English (en)
Other versions
CN109299555A (zh
Inventor
洪泽华
陆志沣
葛辰杰
乔宇
马潮
余海鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Electromechanical Engineering
Original Assignee
Shanghai Institute of Electromechanical Engineering
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Electromechanical Engineering filed Critical Shanghai Institute of Electromechanical Engineering
Priority to CN201811162653.4A priority Critical patent/CN109299555B/zh
Publication of CN109299555A publication Critical patent/CN109299555A/zh
Application granted granted Critical
Publication of CN109299555B publication Critical patent/CN109299555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F41—WEAPONS
    • F41G—WEAPON SIGHTS; AIMING
    • F41G3/00—Aiming or laying means

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)

Abstract

本发明提供了一种红外成像导引头抗干扰性能评估方法及系统，包括：对每个核函数训练单核SVR，得到输入抗干扰性能指标值和输出综合性能评估值之间的映射关系；获取训练样本，并初始化每个训练样本的权值，初始化回归器F(x)＝0；对每个单核SVR计算回归误差，并选择回归误差最小的最优SVR；计算最优学习器H(j)的权值β(j)，更新回归器F←F+β(j)H(j)；根据最优学习器的权值β(j)更新训练样本的权值，然后归一化所有最优学习器的权值β(j)；返回回归误差计算，直到达到迭代次数。本发明能够在抗干扰评估指标体系下得到综合的抗干扰性能值。

Description

红外成像导引头抗干扰性能评估方法及系统
技术领域
本发明涉及信号处理与导航制导领域，具体地，涉及一种基于支持向量回归与多核集成的红外成像导引头抗干扰性能评估方法及系统。
背景技术
红外干扰技术特别是新型诱饵的出现和迅猛发展，使红外制导导弹的效能在一定程度上被削弱了很多。因此在红外制导武器的研制中明确提出红外成像导引头抗人工干扰的性能指标，当研制的导弹在这些指标上满足一定条件，才能使未来生产出的导弹能够在目标施放各种干扰的条件下，仍然能够以一个较大的概率击中目标，该型号导弹才具备生产的资格。
用合适的方法对导弹的整体性能指标进行评估，具有重要意义。首先，能为指标的论证提供方法，在保证必需的综合作战能力的前提下，得到最佳作战使用性能和战术技术指标的结合。其次，能够为方案论证和方案评审提供方法，对不同导引头研制方案的优劣提出结论性建议。最后，能为鉴定定型提供方法，方便与用类导引系统作战能力做综合比较。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种红外成像导引头抗干扰性能评估方法及系统。
根据本发明提供的一种红外成像导引头抗干扰性能评估方法，包括：
映射关系建立步骤：对每个核函数训练单核SVR(支持向量回归)，得到输入抗干扰性能指标值和输出综合性能评估值之间的映射关系；
样本初始化步骤：获取训练样本，并初始化每个训练样本的权值，初始化回归器F(x)＝0；
回归误差计算步骤：对每个单核SVR计算回归误差，并选择回归误差最小的最优SVR；
权值计算步骤：计算最优学习器H(j)的权值β(j)，更新回归器F←F+β(j)H(j)；
权值更新步骤：根据最优学习器的权值β(j)更新训练样本的权值，然后归一化所有最优学习器的权值β(j)；
迭代步骤：返回回归误差计算步骤，直到达到迭代次数。
较佳的，初始化每个训练样本的权值包括：
Figure BDA0001820354740000021
其中：ns是训练样本量，nK是核函数的数量，j表第j次迭代。
较佳的，对每个单核SVR计算回归误差包括：
Figure BDA0001820354740000022
其中：符号函数Ψ[r]在r＞0条件下等于1，其余情况下等于0，hm(xi)是第m个核函数的SVR在训练样本xi上的输出，容忍程度阈值Δ表示对样本误差的容忍程度。
较佳的，所述回归误差的容忍程度阈值其中yi表示第i个样本的抗干扰性能评价量。
较佳的，计算最优学习器H(j)的权值β(j)包括：
Figure BDA0001820354740000024
其中：函数ln(r)是自然对数，
Figure BDA0001820354740000025
表示最优的SVR的最优学习器H(j)。
较佳的，根据最优学习器的权值β(j)更新训练样本的权值包括：
根据本发明提供的一种红外成像导引头抗干扰性能评估系统，包括：
映射关系建立模块：对每个核函数训练单核SVR，得到输入抗干扰性能指标值和输出综合性能评估值之间的映射关系；
样本初始化模块：获取训练样本，并初始化每个训练样本的权值，初始化回归器F(x)＝0；
回归误差计算模块：对每个单核SVR计算回归误差，并选择回归误差最小的最优SVR；
权值计算模块：计算最优学习器H(j)的权值β(j)，更新回归器F←F+β(j)H(j)；
权值更新模块：根据最优学习器的权值β(j)更新训练样本的权值，然后归一化所有最优学习器的权值β(j)；
迭代模块：返回回归误差计算，直到达到迭代次数。
较佳的，初始化每个训练样本的权值包括：
Figure BDA0001820354740000031
其中：ns是训练样本量，nK是核函数的数量，j表第j次迭代。
较佳的，对每个单核SVR计算回归误差包括：
Figure BDA0001820354740000032
其中：符号函数Ψ[r]在r＞0条件下等于1，其余情况下等于0，hm(xi)是第m个核函数的SVR在训练样本xi上的输出，容忍程度阈值Δ表示对样本误差的容忍程度。
较佳的，所述回归误差的容忍程度阈值
Figure BDA0001820354740000033
其中yi表示第i个样本的抗干扰性能评价量。
与现有技术相比，本发明具有如下的有益效果：
本发明能够建立抗干扰评估指标与抗干扰综合性能值之间的定量关系，在抗干扰评估指标体系下得到综合的抗干扰性能值，为红外成像导引头抗干扰性能评估提供新的思路。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
抗干扰评估指标集，可以从导引头的固有性能指标和引入抗干扰措施后的性能改善指标这两方面入手。红外导引头的固有性能指标中，陀螺漂移率衡量了稳定陀螺仪的漂移程度，是指单位时间内陀螺仪自转轴的进动角度；最小可分辨温差是以观察者主动视觉参与评估热像仪系统性能的综合指标；瞬时视场是指单元探测器通过光学系统所能感知的空间范围。引入抗干扰措施后的性能改善指标中，发现真实目标的时间是指从末制导开始到发现真实目标所需要的时间；跟踪效率是指导引头在攻击过程中稳定跟踪目标的时间与末制导时间的比值；跟踪精度是指导引头跟踪目标过程中系统光轴与目标视线之间的角度误差，作用距离是指导引头能够分辨出目标几何尺寸的最大距离；抗欺骗式干扰有效概率是指干扰消失后导引头正确跟踪目标的概率；目标图像损失度是图像中被遮挡的目标面积与目标总面积的比值。
如图1所示，本发明提供的一种红外成像导引头抗干扰性能评估方法，包括：
映射关系建立步骤：对每个核函数训练单核SVR，得到输入抗干扰性能指标值和输出综合性能评估值之间的映射关系；
样本初始化步骤：获取训练样本，并初始化每个训练样本的权值，初始化回归器F(x)＝0；
回归误差计算步骤：对每个单核SVR计算回归误差，并选择回归误差最小的最优SVR；
权值计算步骤：计算最优学习器H(j)的权值β(j)，更新回归器F←F+β(j)H(j)；
权值更新步骤：根据最优学习器的权值β(j)更新训练样本的权值，然后归一化所有最优学习器的权值β(j)；
迭代步骤：返回回归误差计算步骤，直到达到迭代次数。
初始化每个训练样本的权值包括：
其中：ns是训练样本量，nK是核函数的数量，j表第j次迭代。
对每个单核SVR计算回归误差包括：
Figure BDA0001820354740000042
其中：符号函数Ψ[r]在r＞0条件下等于1，其余情况下等于0，hm(xi)是第m个核函数的SVR在训练样本xi上的输出，容忍程度阈值Δ表示对样本误差的容忍程度。
回归误差的容忍程度阈值
Figure BDA0001820354740000043
其中yi表示第i个样本的抗干扰性能评价量。
计算最优学习器H(j)的权值β(j)包括：
Figure BDA0001820354740000044
其中：函数ln(r)是自然对数，
Figure BDA0001820354740000045
表示最优的SVR的最优学习器H(j)。
根据最优学习器的权值β(j)更新训练样本的权值包括：
Figure BDA0001820354740000046
在上述一种红外成像导引头抗干扰性能评估方法的基础上，本发明还提供一种红外成像导引头抗干扰性能评估系统，包括：
映射关系建立模块：对每个核函数训练单核SVR，得到输入抗干扰性能指标值和输出综合性能评估值之间的映射关系；
样本初始化模块：获取训练样本，并初始化每个训练样本的权值，初始化回归器F(x)＝0；
回归误差计算模块：对每个单核SVR计算回归误差，并选择回归误差最小的最优SVR；
权值计算模块：计算最优学习器H(j)的权值β(j)，更新回归器F←F+β(j)H(j)；
权值更新模块：根据最优学习器的权值β(j)更新训练样本的权值，然后归一化所有最优学习器的权值β(j)；
迭代模块：返回回归误差计算，直到达到迭代次数。
本发明是为了建立抗干扰评估指标与抗干扰综合性能值之间的定量关系，首先介绍基于SVR(支持向量回归)的抗干扰性能评估算法。支持向量机方法是建立在统计学习理论基础上的，将最大分类面分类器思想和基于核的方法结合在一起寻求最佳泛化能力的分类算法。把支持向量机思想用于回归，通过求解凸优化问题来进行回归分析，得到指标向量和抗干扰性能总体评价量之间的映射关系，具有坚实的理论基础。
给定训练样本D＝{(x1，y1)，(x2，y2)，…，(xm，ym)}，其中xi是表示k维指标向量，yi是抗干扰性能总体评价量，我们希望学得一个形如
f(x)＝wTx+b
的回归模型，使得f(x)与y尽可能接近，w与b是待确定的模型参数。对于样本(x，y)，传统回归模型通常直接基于模型输出f(x)与真实输出y之间的差别来计算损失，当且仅当f(x)与y完全相同时，损失才为零。与此不同，支持向量回归(SVR)假设我们能容忍f(x)与y之间最多有ε的偏差，即仅当f(x)与y之间的差别绝对值大于ε时才计算损失。
引入正则化参数C和松弛变量ξi与
Figure BDA0001820354740000051
SVR问题可写为：
s.t.f(xi)-yi≤ε+ξi，
Figure BDA0001820354740000061
通过拉格朗日乘子法，可得SVR的解形如
Figure BDA0001820354740000063
α，可通过以下对偶问题解得
Figure BDA0001820354740000066
Figure BDA0001820354740000067
为了增加所求得的分类器的分类性能，可以把样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间线性可分。
令
Figure BDA0001820354740000068
表示将x映射后的特征向量，带入SVR的解可得
Figure BDA0001820354740000069
直接计算样本映射到特征空间后的内积比较困难，因为特征空间可能维数很高，所以我们考虑核函数
所以xi与xj在特征空间的内积就等于他们在原始空间中通过核函数计算的结果。所以SVR的解可表示为
Figure BDA00018203547400000611
这样，对于每一个新样本的指标向量x，就可以通过训练出的SVR得到总的评价量。
以上介绍了单核SVR的求解过程。更进一步地，可以采取不同的核函数分别求解SVR，再将结果融合，就可以对每个SVR取长补短，降低误差，得到更为精确的结果。接下来介绍基于多核集成的抗干扰性能评估算法。
集成学习是一种可将弱学习器提升为强学习器的算法。这类算法的工作机制是，先从初始训练集中训练出一个基学习器，再根据学习器的表现对训练样本分布进行调整，使得先前基学习器做错的训练样本在后续受到更多关注，然后基于调整后的样本分布来训练下一个基学习器，如此重复进行，直到基学习器数目达到事先指定的值J，最终将这个J个基学习器加权组合。
如表1所示，我们采用以下四种常用的核函数训练SVR，第m个核函数在第j次迭代中对应的回归误差可以表示为
Figure BDA0001820354740000071
其中符号函数Ψ[r]在r＞0条件下等于1，其余情况下等于0。
Figure BDA0001820354740000072
是第i个训练样本xi在第m个核函数第j次迭代下的系数，hm(xi)是第m个核函数的SVR在训练样本xi上的输出。阈值Δ表示对样本误差的容忍程度
Figure BDA0001820354740000073
表1常用核函数
Figure BDA0001820354740000074
采用多核集成的SVR算法，就是在每次迭代中寻找最优核的学习器，最后把这些弱学习器加权结合成强学习器。每次迭代后，更新每个训练样本的分布使上次错分样本被赋予更大的权值。所以多核集成主要关注降低偏差，因此能把基于泛化性能相当弱的学习器构建出很强的集成。
结合本发明方法的内容提供以下实施例：
仿真过程分为模型训练和模型测试两个步骤进行。训练时每个样本包括各评估指标作为多维输入参数，整体抗干扰性能值作为输出参数。
得到最终的回归器后，输入抗干扰评价指标值即可输出整体抗干扰性能值。算法的一个简要描述如表2所示：
表2多核集成的SVR算法流程
Figure BDA0001820354740000081
抗干扰评估指标，可以分为导引头的固有性能指标和引入抗干扰措施后的性能改善指标。如表3所示，红外导引头的固有性能指标，包括陀螺漂移率X1(°/s)，最小可分辨温差X2(℃)，瞬时视场X3(×10-7sr)；引入抗干扰措施后的性能改善指标包括发现真实目标的时间X4(s)，跟踪效率X5，跟踪精度X6(arcsec)，作用距离X7(km)，抗欺骗式干扰有效概率X8和目标图像损失度X9。抗干扰性能值用Y表示。
表3训练样本和测试样本
Figure BDA0001820354740000091
本文采用多核集成的SVR算法对样本1-25进行训练，对样本26-30进行训练，结果如表4所示。结果表明，该方法能得到关于抗干扰评价指标和性能值之间的映射关系，误差较小，拟合效果较好，具有比较好的泛化能力。
表4预测结果和误差
序号 实际值 预测值 误差/％ 序号 实际值 预测值 误差/％
1 0.3799 0.2927 22.95 16 0.6462 0.6272 2.94
2 0.5155 0.5144 0.21 17 0.5404 0.5266 2.51
3 0.4563 0.4590 0.61 18 0.3587 0.3682 2.65
4 0.5306 0.5230 1.43 19 0.356 0.3647 2.47
5 0.5205 0.5130 1.42 20 0.2054 0.2398 16.75
6 0.485 0.4767 1.70 21 0.6071 0.5865 3.38
7 0.4055 0.4131 1.89 22 0.4505 0.4493 0.26
8 0.4003 0.4080 1.93 23 0.3687 0.3775 2.41
9 0.3295 0.3365 2.14 24 0.4286 0.4351 1.52
10 0.5133 0.5149 0.31 25 0.4678 0.4727 1.06
11 0.3866 0.3941 1.95 26 0.2762 0.3027 9.62
12 0.5519 0.5336 3.31 27 0.3323 0.3466 4.33
13 0.3442 0.3568 3.68 28 0.3886 0.4017 3.39
14 0.4228 0.4250 0.52 29 0.4891 0.4859 0.65
15 0.5445 0.5375 1.29 30 0.4992 0.4986 0.11
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种红外成像导引头抗干扰性能评估方法，其特征在于，包括：
映射关系建立步骤：对每个核函数训练单核SVR，得到输入抗干扰性能指标值和输出综合性能评估值之间的映射关系；
样本初始化步骤：获取训练样本，并初始化每个训练样本的权值，初始化回归器F(x)＝0；
回归误差计算步骤：对每个单核SVR计算回归误差，并选择回归误差最小的最优SVR；
权值计算步骤：计算最优SVR的权值β(j)，更新回归器F←F+β(j)H(j)，H(j)为最优SVR；
权值更新步骤：根据最优学习器的权值β(j)更新训练样本的权值，然后归一化所有最优学习器的权值β(j)；
迭代步骤：返回回归误差计算步骤，直到达到迭代次数；
其中，输入抗干扰性能指标值和训练样本均包括红外成像导引头的固有性能指标和引入抗干扰措施后的性能改善指标；
所述固有性能指标包括：
陀螺漂移率：单位时间内陀螺仪自转轴的进动角度；
最小可分辨温差：是以观察者主动视觉参与评估热像仪系统性能的综合指标；
瞬时视场：单元探测器通过光学系统所能感知的空间范围；
所述性能改善指标包括：
发现真实目标的时间：从末制导开始到发现真实目标所需要的时间；
跟踪效率：红外成像导引头在攻击过程中稳定跟踪目标的时间与末制导时间的比值；
跟踪精度：红外成像导引头跟踪目标过程中系统光轴与目标视线之间的角度误差；
作用距离：红外成像导引头能够分辨出目标几何尺寸的最大距离；
抗欺骗式干扰有效概率：干扰消失后红外成像导引头正确跟踪目标的概率；
目标图像损失度：图像中被遮挡的目标面积与目标总面积的比值。
2.根据权利要求1所述的红外成像导引头抗干扰性能评估方法，其特征在于，初始化每个训练样本的权值包括：
其中：ns是训练样本量，nK是核函数的数量，j表示第j次迭代。
3.根据权利要求2所述的红外成像导引头抗干扰性能评估方法，其特征在于，对每个单核SVR计算回归误差包括：
Figure FDA0002236007050000021
其中：符号函数Ψ[r]在r>0条件下等于1，其余情况下等于0，hm(xi)是第m个核函数的SVR在训练样本xi上的输出，容忍程度阈值Δ表示对样本误差的容忍程度，yi表示第i个样本的抗干扰性能评价量。
4.根据权利要求3所述的红外成像导引头抗干扰性能评估方法，其特征在于，所述回归误差的容忍程度阈值
Figure FDA0002236007050000022
5.根据权利要求4所述的红外成像导引头抗干扰性能评估方法，其特征在于，计算最优学习器H(j)的权值β(j)包括：
Figure FDA0002236007050000023
其中：函数ln(r)是自然对数，
Figure FDA0002236007050000024
表示最优的SVR的最优学习器H(j)。
6.根据权利要求5所述的红外成像导引头抗干扰性能评估方法，其特征在于，根据最优学习器的权值β(j)更新训练样本的权值包括：
Figure FDA0002236007050000025
7.一种红外成像导引头抗干扰性能评估系统，其特征在于，包括：
映射关系建立模块：对每个核函数训练单核SVR，得到输入抗干扰性能指标值和输出综合性能评估值之间的映射关系；
样本初始化模块：获取训练样本，并初始化每个训练样本的权值，初始化回归器F(x)＝0；
回归误差计算模块：对每个单核SVR计算回归误差，并选择回归误差最小的最优SVR；
权值计算模块：计算最优SVR的权值β(j)，更新回归器F←F+β(j)H(j)，H(j)为最优SVR；
权值更新模块：根据最优学习器的权值β(j)更新训练样本的权值，然后归一化所有最优学习器的权值β(j)；
迭代模块：返回回归误差计算，直到达到迭代次数；
其中，输入抗干扰性能指标值和训练样本均包括红外成像导引头的固有性能指标和引入抗干扰措施后的性能改善指标；
所述固有性能指标包括：
陀螺漂移率：单位时间内陀螺仪自转轴的进动角度；
最小可分辨温差：是以观察者主动视觉参与评估热像仪系统性能的综合指标；
瞬时视场：单元探测器通过光学系统所能感知的空间范围；
所述性能改善指标包括：
发现真实目标的时间：从末制导开始到发现真实目标所需要的时间；
跟踪效率：红外成像导引头在攻击过程中稳定跟踪目标的时间与末制导时间的比值；
跟踪精度：红外成像导引头跟踪目标过程中系统光轴与目标视线之间的角度误差；
作用距离：红外成像导引头能够分辨出目标几何尺寸的最大距离；
抗欺骗式干扰有效概率：干扰消失后红外成像导引头正确跟踪目标的概率；
目标图像损失度：图像中被遮挡的目标面积与目标总面积的比值。
8.根据权利要求7所述的红外成像导引头抗干扰性能评估系统，其特征在于，初始化每个训练样本的权值包括：
其中：ns是训练样本量，nK是核函数的数量，j表示第j次迭代。
9.根据权利要求8所述的红外成像导引头抗干扰性能评估系统，其特征在于，对每个单核SVR计算回归误差包括：
Figure FDA0002236007050000032
其中：符号函数Ψ[r]在r>0条件下等于1，其余情况下等于0，hm(xi)是第m个核函数的SVR在训练样本xi上的输出，容忍程度阈值Δ表示对样本误差的容忍程度，yi表示第i个样本的抗干扰性能评价量。
10.根据权利要求9所述的红外成像导引头抗干扰性能评估系统，其特征在于，所述回归误差的容忍程度阈值
Figure FDA0002236007050000033
CN201811162653.4A 2018-09-30 2018-09-30 红外成像导引头抗干扰性能评估方法及系统 Active CN109299555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811162653.4A CN109299555B (zh) 2018-09-30 2018-09-30 红外成像导引头抗干扰性能评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811162653.4A CN109299555B (zh) 2018-09-30 2018-09-30 红外成像导引头抗干扰性能评估方法及系统

Publications (2)

Publication Number Publication Date
CN109299555A CN109299555A (zh) 2019-02-01
CN109299555B true CN109299555B (zh) 2020-02-04

Family

ID=65161527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811162653.4A Active CN109299555B (zh) 2018-09-30 2018-09-30 红外成像导引头抗干扰性能评估方法及系统

Country Status (1)

Country Link
CN (1) CN109299555B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005284708A (ja) * 2004-03-30 2005-10-13 Institute Of Physical & Chemical Research ＲＮＡｉにおける標的配列の同定、有効性検証方法
CN102694800A (zh) * 2012-05-18 2012-09-26 华北电力大学 网络安全态势预测的高斯过程回归方法
CN105717529A (zh) * 2015-09-22 2016-06-29 西华大学 一种基于无线电信号路测功率值的信源定位方法
CN106934237A (zh) * 2017-03-09 2017-07-07 上海交通大学 雷达抗干扰效能评估可信性度量实现方法
US9738942B2 (en) * 2013-10-11 2017-08-22 Kaohsiung Medical University Use of Let-7g to down regulate NS5B gene, core protein and viral load of hepatitis C virus
CN107992895A (zh) * 2017-10-19 2018-05-04 电子科技大学 一种Boosting支持向量机学习方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103410660B (zh) * 2013-05-14 2016-08-03 湖南工业大学 基于支持向量机的风力发电变桨距自学习控制方法
CN105528504B (zh) * 2016-03-01 2018-09-04 哈尔滨理工大学 基于cfoa-mkhsvm的滚动轴承健康状态评估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005284708A (ja) * 2004-03-30 2005-10-13 Institute Of Physical & Chemical Research ＲＮＡｉにおける標的配列の同定、有効性検証方法
CN102694800A (zh) * 2012-05-18 2012-09-26 华北电力大学 网络安全态势预测的高斯过程回归方法
US9738942B2 (en) * 2013-10-11 2017-08-22 Kaohsiung Medical University Use of Let-7g to down regulate NS5B gene, core protein and viral load of hepatitis C virus
CN105717529A (zh) * 2015-09-22 2016-06-29 西华大学 一种基于无线电信号路测功率值的信源定位方法
CN106934237A (zh) * 2017-03-09 2017-07-07 上海交通大学 雷达抗干扰效能评估可信性度量实现方法
CN107992895A (zh) * 2017-10-19 2018-05-04 电子科技大学 一种Boosting支持向量机学习方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Jamming effect analysis of infrared reticle seeker for directed infrared countermeasures;Tae-Wuk Bae et al;《Infrared Physics & Technology》;20120526;第431-441页 *
基于支持向量机的红外成像导引头抗干扰性能评估方法;许友平等;《电光与控制》;20131231;第20卷(第12期);第6-9页 *
红外成像导引系统抗干扰性能评估研究;韩培俊等;《电光与控制》;20120531;第19卷;第82-86页 *

Also Published As

Publication number Publication date
CN109299555A (zh) 2019-02-01

Similar Documents

Publication Publication Date Title
Zhao et al. Good feature matching: Toward accurate, robust vo/vslam with low latency
CN111080108B (zh) 数据驱动的武器装备作战效能评估指标筛选方法及系统
US8046203B2 (en) Method and apparatus for analysis of errors, accuracy, and precision of guns and direct and indirect fire control mechanisms
CN107766668B (zh) 一种基于神经网络的复杂仿真模型验证方法
CN104050318A (zh) 一种战术导弹武器系统精度仿真及校验方法
CN112861257B (zh) 一种基于神经网络的飞机火控系统精度敏感性分析方法
CN109145474A (zh) 一种适用于作战仿真的红外成像设备侦察效果模拟方法
CN112749761A (zh) 基于注意力机制和循环神经网络的敌方作战意图识别方法及系统
CN112050832A (zh) 一种航空星敏感器大气折射误差修正方法
CN110703764A (zh) 自适应光学系统可动导引星最优位置实时规划方法
CN114690790A (zh) 基于gru的拦截飞行器制导律快速辨识方法
CN114186482A (zh) 一种基于dgwo-svm的气象环境下武器作战效能评估方法
CN109299555B (zh) 红外成像导引头抗干扰性能评估方法及系统
CN109033957A (zh) 一种基于二次多项式的视线估计方法
Maharani et al. Particle filter based single shot multibox detector for human moving prediction
CN112652003A (zh) 一种基于ransac测度优化的三维点云配准方法
CN116659485A (zh) 一种快速鲁棒的全局星图识别方法
CN112800082B (zh) 一种基于置信规则库推理的空中目标识别方法
Song et al. Instrument identification technology based on deep learning
CN115222023A (zh) 基于神经网络的非合作目标控制策略识别方法及系统
CN113076661B (zh) 一种不确定数据驱动的雷达预警探测建模方法
CN116993832B (zh) 一种基于cnn的飞行目标的位置预测方法及装置
CN113534127B (zh) 一种多目标数据关联方法、装置及计算机可读存储介质
Wang et al. Developing an innovative bimodal model to characterize the dynamic radar cross section of aircrafts
Zhang et al. Star Identification Utilizing Modified Triangle Algorithms

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant