CN109726366A - 基于随机森林的红外成像导引头抗干扰性能评估方法、系统及介质 - Google Patents

Abstract

本发明提供了一种基于随机森林的红外成像导引头抗干扰性能评估方法、系统及介质，包括：训练集生成步骤：对原始数据集S进行boostrap抽样，生成训练集S_i，i＝1，2，…，M；回归决策树生成步骤：根据生成的训练集S_i，使用S_i生成不剪枝的回归决策树h_i，生成M棵树{h_i，i＝1，…，M}；综合性能评估步骤：根据获得的M棵树{h_i，i＝1，…，M}，获得回归器F(x_t)，代入待测样本x_t，计算出抗干扰综合性能。本发明提出了一种基于随机森林的抗干扰性能评估方法，通过这种方法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了新的思路。

Description

基于随机森林的红外成像导引头抗干扰性能评估方法、系统 及介质

技术领域

本发明涉及信号处理与导航制导交叉应用技术领域，具体地，涉及基于随机森林的红外成像导引头抗干扰性能评估方法、系统及介质。

背景技术

红外导弹在现代战场上发挥着重要的作用，它具有制导精度高、抗干扰能力强、隐蔽性好、效费比高、结构紧凑、机动灵活等优点，已成为现代战争首选的精确制导武器之一，在多次局部战争，尤其是海湾战争和科索沃战争中，发挥了巨大的作用。红外制导武器的大量使用，导致了红外干扰技术的出现及迅猛发展，为了消除或减小红外制导导弹对己方空中目标的威胁，世界各国都积极发展各种人工干扰方法来削弱红外制导武器的作战效能。经过几十年来的发展，红外干扰技术也得到了长足的发展，红外制导导弹的效能在一定程度上被削弱了很多。因此，抗干扰能力弱的红外导弹在未来的战争中作用将非常有限，这使导弹的抗干扰性能试验和评估受到了密切关注。对于红外制导导弹而言，它的作战环境已经急剧恶化，为了能在这样的作战环境中发挥效能，要求在红外制导武器的研制时明确提出导引头抗人工干扰的性能指标，当研制的导弹的抗干扰性能指标满足一定条件，使得未来生产出来的导弹能够在目标飞机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，该型号导弹才具备批量生产的资格。所以，需要在红外制导导弹批量生产之前，利用研制过程中的各项性能指标，采用合适的方法对其整体的抗干扰性能进行评估。

红外导弹武器抗干扰性能的评估方法及建立的评估指标体系，可为导弹武器系统全寿命周期各阶段的重大决策提供技术支持，对提高导弹武器系统规划研制和作战运用的科学性、装备配套建设、深化导弹武器作战理论研究及全面开展各项基础研究等方面工作都具有重要意义。

目前对于红外制导导引系统的抗干扰性能评估存在着一对矛盾，一方面是由于外场靶试要消耗大量的人力、物力，而且每枚导弹价格的昂贵导致不可能大量地进行实弹测试，这样就得不到充分的样本进行统计评估；另一方面是在红外导弹研制过程中各个阶段有大量的实验数据不能充分利用。因此，如何检验红外导引系统的抗干扰能力，如何建立一整套科学的、通用的抗干扰性能评估指标体系和简单有效的评估方法，已经成为当前红外导引系统评估工作中的重要课题。

本发明提出一种基于随机森林的红外成像导引头抗干扰性能评估方法，能够定量的评估各项抗干扰指标和导引头抗干扰综合性能值之间的定量关系，为红外成像导引头抗干扰性能评估提供新的思路。

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基于随机森林的红外成像导引头抗干扰性能评估方法、系统及介质。

根据本发明提供的一种基于随机森林的红外成像导引头抗干扰性能评估方法，包括：

训练集生成步骤：对原始数据集S进行boostrap抽样，生成训练集S_i，i＝1，2，…，M；

回归决策树生成步骤：根据生成的训练集S_i，使用S_i生成不剪枝的回归决策树h_i，生成M棵树

综合性能评估步骤：根据获得的M棵树获得回归器F(x_t)，代入待测样本x_t，计算出抗干扰综合性能。

优选地，所述回归决策树生成步骤：

从训练集S_i的d个特征中随机抽取n个特征，在每个节点上从n个特征中依据Gini指数选取最优特征，不断分裂直到树生长到最大，生成不剪枝的回归决策树h_i，生成M棵树

优选地，所述Gini指数为：

其中，

D表示样本集；

p_k表示样本集D中第k类样本所占的比例；

n表示从训练集S_i的d个特征中随机抽取的特征个数。

优选地，，所述综合性能评估步骤：

根据获得的M棵树再根据随机森林算法获得回归器 将待检测样本x_t代入，计算出抗干扰综合性能F(x_t)；

表示将待检测样本x_t代入到决策树h_i中。

根据本发明提供的一种基于随机森林的红外成像导引头抗干扰性能评估系统，包括：

训练集生成模块：对原始数据集S进行boostrap抽样，生成训练集S_i，i＝1，2，…，M；

回归决策树生成模块：根据生成的训练集S_i，使用S_i生成不剪枝的回归决策树h_i，生成M棵树

综合性能评估模块：根据获得的M棵树获得回归器F(x_t)，代入待测样本x_t，计算出抗干扰综合性能。

优选地，所述回归决策树生成模块：

从训练集S_i的d个特征中随机抽取N个特征，在每个节点上从N个特征中依据Gini指数选取最优特征，不断分裂直到树生长到最大，生成不剪枝的回归决策树h_i，生成M棵树

优选地，所述Gini指数为：

其中，

D表示样本集；

p_k表示样本集D中第k类样本所占的比例。

优选地，所述综合性能评估模块：

根据获得的M棵树再根据随机森林算法获得回归器 将代入待检测样本x_t，计算出抗干扰综合性能F(x_t)。

根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述任一项所述的基于随机森林的红外成像导引头抗干扰性能评估方法的步骤。

与现有技术相比，本发明具有如下的有益效果：

本发明提出了一种基于随机森林的抗干扰性能评估方法，通过这种方法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了新的思路。

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为本发明提供的训练样本和测试样本示意图。

图2为本发明提供的预测结果和误差示意图。

图3为本发明提供的基于随机森林的红外成像导引头抗干扰性能评估方法的流程示意图。

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。

如图3所示，根据本发明提供的一种基于随机森林的红外成像导引头抗干扰性能评估方法，包括：

训练集生成步骤：对原始数据集S进行boostrap抽样，生成训练集S_i，i＝1，2，…，M；

回归决策树生成步骤：根据生成的训练集S_i，使用S_i生成不剪枝的回归决策树h_i，生成M棵树

综合性能评估步骤：根据获得的M棵树获得回归器F(x_t)，代入待测样本x_t，计算出抗干扰综合性能。

具体地，所述回归决策树生成步骤：

从训练集S_i的d个特征中随机抽取n个特征，在每个节点上从n个特征中依据Gini指数选取最优特征，不断分裂直到树生长到最大，生成不剪枝的回归决策树h_i，生成M棵树

具体地，所述Gini指数为：

其中，

D表示样本集；

p_k表示样本集D中第k类样本所占的比例；

n表示从训练集S_i的d个特征中随机抽取的特征个数。

具体地，，所述综合性能评估步骤：

根据获得的M棵树再根据随机森林算法获得回归器 将待检测样本x_t代入，计算出抗干扰综合性能F(x_t)；

表示将待检测样本x_t代入到决策树h_i中。

本发明提供的基于随机森林的红外成像导引头抗干扰性能评估系统，可以通过本发明给的方法的步骤流程实现。本领域技术人员可以将所述基于随机森林的红外成像导引头抗干扰性能评估方法，理解为所述基于随机森林的红外成像导引头抗干扰性能评估系统的一个优选例。

根据本发明提供的一种基于随机森林的红外成像导引头抗干扰性能评估系统，包括：

训练集生成模块：对原始数据集S进行boostrap抽样，生成训练集S_i，i＝1，2，…，M；

回归决策树生成模块：根据生成的训练集S_i，使用S_i生成不剪枝的回归决策树h_i，生成M棵树

综合性能评估模块：根据获得的M棵树获得回归器F(x_t)，代入待测样本x_t，计算出抗干扰综合性能。

具体地，所述回归决策树生成模块：

从训练集S_i的d个特征中随机抽取N个特征，在每个节点上从N个特征中依据Gini指数选取最优特征，不断分裂直到树生长到最大，生成不剪枝的回归决策树h_i，生成M棵树

具体地，所述Gini指数为：

其中，

D表示样本集；

p_k表示样本集D中第k类样本所占的比例。

具体地，所述综合性能评估模块：

根据获得的M棵树再根据随机森林算法获得回归器 将代入待检测样本x_t，计算出抗干扰综合性能F(x_t)。

根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述任一项所述的基于随机森林的红外成像导引头抗干扰性能评估方法的步骤。

下面通过优选例，对本发明进行更为具体地说明。

实施例1：

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，首先介绍基于随机森林的抗干扰性能评估算法。RF(Random Forest)算法是bagging+完全生长CART树(分类回归树)的组合。通过bagging方法(自举汇聚法)是建立多个分类或者回归模型，最后采用投票或平均作为预测值，可以降低过拟合。

对训练样本采用boostrap(自助法)采样方法进行M轮，分别建立决策树。由于每轮采用出的样本子集基本不相同，训练的模型相关性会降低小。为了进一步降低模型间的相关性，每轮训练前可以对训练数据的特征进行随机采样，也可以在决策树的每个branch(树枝)上进行随机特征选择。

决策树模型是一种树形结构，基于特征对实例进行分类或回归的过程。即根据某个特征把数据分划分到若干个子区域(子树)，再对子区域递归划分，直到满足某个条件则停止划分并作为叶子节点，不满足条件则继续递归划分。决策树模型学习过程通常包2个步骤：特征选择、决策树的生成。

选择特征顺序的不同将会产生不同决策树，选择好的特征能使得各个子集下标签更纯净。度量特征对产生子集的好坏有若干方法，如误差率，信息增益、信息增益比和基尼指数等。

(1)误差率

训练数据D被特征A分在若干子结点后，选择子节点中出现数目最多的类标签作为此结点的返回值，记为y_c。则误差率定义为

(2)信息增益

“信息熵”是度量样本集合纯度最常用的一种指标，假定当前样本集合D中第k类样本所占的比例为p_k，则D的信息熵定义为：

假定离散属性a有V个可能的取值，若使用a来对样本D进行划分，则会产生V个分支节点，其中第v个分支节点包含了D中所有在属性a上取值为a^v的样本，记为D^v。根据上式，计算出D^v的信息熵，再考虑到不同的分支节点所包含的样本数不同，给分支节点赋予权重|D^v|/|D|，即样本数越多的分支节点的影响越大，于是计算出可用属性a对于样本集D进行划分所获得的“信息增益”

一般而言，信息增益越大，则意味着使用属性a来进行划分所获得的提升越大。因此，可以用信息增益来进行决策树的划分属性选择。

(3)增益率

在实际引用中，信息增益准则对于可取值数目较多的属性有所偏好，为了减少这种偏好可能带来的不利影响，C4.5决策树不直接使用信息增益，而是使用增益率来选择最优划分属性，其定义如下：

其中，

值得注意的是，增益率准则可能对于可取值数目较小的属性有所偏好，因此C4.5算法不是直接选择增益率最大的候选划分属性，而是使用一个启发式的算法，先从候选划分属性中找出信息增益高于平均水平的属性，然后从中选出增益率最高的。

(4)基尼指数

CART决策树使用基尼指数来选择划分属性，数据集D的纯度可用基尼值定义如下：

直观来说，Gini(D)反应了从数据集中随机抽取两个样本，其类别标记不一致的概率。

因此，属性a的基尼指数定义如下：

决策树生成算法如下：

从根节点开始，在数据集D上计算所有可能的特征A分别计算信息增益，选择信息增益最大的特征作为分类条件，对该特征不同的取值分别建立子集作为子节点，最对子集递归地调用以上方法，直到没有特征可以选择或者信息增益很小为止。

接下来构建随机森林。在随机森林中，对基决策树的每一个结点，先从该结点的属性集合中随机选择一个包含N个属性的子集，然后在从这个子集中选择一个最优属性用于划分。这里的参数N控制了随机性的引入程度。

随机森林简单、容易实现、计算开销小，但是其在很多现实任务中展现出强大的性能。可以看出，随机森林是对Bagging的改进，但是与Bagging中基学习器的“多样性”是通过样本扰动(通过对初始训练集采样)而来不同，随机森林中基学习器的多样性不仅来自样本扰动，还来自属性扰动，这就使得最终集成的泛化性能可通过个体学习器之间的差异度的增加而进一步得到提升。

实施例2：

本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

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下所示：

随机森林算法流程

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。如图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。

如表2所示，本文采用基于随机森林的算法对样本1-25进行训练，对样本26-30进行测试，结果如图3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。

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、装置及其各个模块以外，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、装置及其各个模块以逻辑门、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程序。所以，本发明提供的系统、装置及其各个模块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程序的模块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模块视为既可以是实现方法的软件程序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 (9)

1.一种基于随机森林的红外成像导引头抗干扰性能评估方法，其特征在于，包括：

训练集生成步骤：对原始数据集S进行boostrap抽样，生成训练集S_i,i＝1,2,…,M；

回归决策树生成步骤：根据生成的训练集S_i，使用S_i生成不剪枝的回归决策树h_i，生成M棵树{h_i,i＝1,…,M}；

综合性能评估步骤：根据获得的M棵树{h_i,i＝1,…,M}，获得回归器F(x_t)，代入待测样本x_t，计算出抗干扰综合性能。

2.根据权利要求1所述的基于随机森林的红外成像导引头抗干扰性能评估方法，其特征在于，所述回归决策树生成步骤：

从训练集S_i的d个特征中随机抽取n个特征，在每个节点上从n个特征中依据Gini指数选取最优特征，不断分裂直到树生长到最大，生成不剪枝的回归决策树h_i，生成M棵树{h_i,i＝1,…,M}。

3.根据权利要求2所述的基于随机森林的红外成像导引头抗干扰性能评估方法，其特征在于，所述Gini指数为：

其中，

D表示样本集；

p_k表示样本集D中第k类样本所占的比例；

n表示从训练集S_i的d个特征中随机抽取的特征个数。

4.根据权利要求3所述的基于随机森林的红外成像导引头抗干扰性能评估方法，其特征在于，所述综合性能评估步骤：

根据获得的M棵树{h_i，i＝1,…，M}，再根据随机森林算法获得回归器 将待检测样本x_t代入，计算出抗干扰综合性能F(x_t)；

h_i(x_t)表示将待检测样本x_t代入到决策树h_i中。

5.一种基于随机森林的红外成像导引头抗干扰性能评估系统，其特征在于，包括：

训练集生成模块：对原始数据集S进行boostrap抽样，生成训练集S_i，i＝1，2，…，M；

回归决策树生成模块：根据生成的训练集S_i，使用S_i生成不剪枝的回归决策树h_i，生成M棵树{h_i，i＝1，…，M}；

综合性能评估模块：根据获得的M棵树{h_i，i＝1，…，M}，获得回归器F(x_t)，代入待测样本x_t，计算出抗干扰综合性能。

6.根据权利要求5所述的基于随机森林的红外成像导引头抗干扰性能评估系统，其特征在于，所述回归决策树生成模块：

从训练集S_i的d个特征中随机抽取N个特征，在每个节点上从N个特征中依据Gini指数选取最优特征，不断分裂直到树生长到最大，生成不剪枝的回归决策树h_i，生成M棵树{h_i，i＝1,…,M}。

7.根据权利要求6所述的基于随机森林的红外成像导引头抗干扰性能评估系统，其特征在于，所述Gini指数为：

其中，

D表示样本集；

p_k表示样本集D中第k类样本所占的比例。

8.根据权利要求7所述的基于随机森林的红外成像导引头抗干扰性能评估系统，其特征在于，所述综合性能评估模块：

根据获得的M棵树{h_i,i＝1,…,M}，再根据随机森林算法获得回归器 将代入待检测样本x_t，计算出抗干扰综合性能F(x_t)。

9.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的基于随机森林的红外成像导引头抗干扰性能评估方法的步骤。