CN112379364A - 基于神经网络雷达组合高精度预测弹丸着靶速度的方法 - Google Patents

基于神经网络雷达组合高精度预测弹丸着靶速度的方法 Download PDF

Info

Publication number
CN112379364A
CN112379364A CN202011218768.8A CN202011218768A CN112379364A CN 112379364 A CN112379364 A CN 112379364A CN 202011218768 A CN202011218768 A CN 202011218768A CN 112379364 A CN112379364 A CN 112379364A
Authority
CN
China
Prior art keywords
speed
landing
model
radar
tested
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.)
Granted
Application number
CN202011218768.8A
Other languages
English (en)
Other versions
CN112379364B (zh
Inventor
田珂
冷雪冰
陈铎
常华俊
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.)
Pla 63861 Unit
Original Assignee
Pla 63861 Unit
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 Pla 63861 Unit filed Critical Pla 63861 Unit
Priority to CN202011218768.8A priority Critical patent/CN112379364B/zh
Publication of CN112379364A publication Critical patent/CN112379364A/zh
Application granted granted Critical
Publication of CN112379364B publication Critical patent/CN112379364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，其特征在于：将连续波雷达测试的弹丸的着靶速度作为输出信号，初速雷达测试的弹丸着靶时刻前的径向速度作为输入信号，建立BP神经网络预测模型；利用两台雷达已经测试到的弹丸的着靶速度数据建立BP神经网络模型，就可以预测出连续波雷达未测到的弹丸的着靶速度；同时引入GM(1,1)灰色模型和支持向量回归机模型进行对比，最后利用预测值与实测值的比较结果判断三个模型中哪个模型的预测精度最高；其精度达到了2‰以内，远远高于着靶速度自身的精度要求。将所述着靶速度预测方法应用于靶场测试弹丸着靶速度的试验科目中，解决相应的测试技术问题。

Description

基于神经网络雷达组合高精度预测弹丸着靶速度的方法
技术领域
本发明涉及一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，属于武器装备雷达测试技术领域。
背景技术
立靶密集度是火炮武器系统的关键性能之一，是反映火炮射击精度的关键参数。火炮射击弹丸的着靶速度又是计算立靶密集度的关键参数，因此准确测试弹丸的着靶速度直接关系到火炮的射击精度。在靶场试验中，通常采用某型连续波雷达测试弹丸的着靶速度，采用某型初速雷达测试弹丸的炮口初速，但是在试验中如果连续波雷达出现故障或者因外界因素导致弹丸跟丢时，就会缺失相关弹丸的所有数据，进而无法准确测试出弹丸的着靶速度，最终影响武器系统立靶密集度的计算，这一难题一直影响着武器装备性能鉴定工作。针对此种情况，采用合适的方法利用历史数据预测出缺失弹丸的着靶速度就显得尤为重要，但是到目前为止，预测弹丸着靶速度的相关文章和方法还很少。由于着靶速度属于一维小样本数据，可以采用GM(1,1)灰色模型进行预测，但GM(1,1)灰色预测模型要求数据具备相应的建模前提，且只能预测出着靶速度中的线性成分，只能进行短期预测，长期预测能力较差([1]王芬,马涛,马旭.基于粒子群优化支持向量回归机的黄金价格预测模型[J].兰州理工大学学报，2013，39(3)：65-69.)，注定预测精度不高，同时该模型无法适用于复杂函数形式规律的情形([2]张磊,于战果,李世民.基于灰色多项式回归组合模型的维修器材需求预测方法研究[J].兵器装备工程学报，2019，40(1)：179-183.)；针对着靶速度随机性成分较强的特征，考虑采用支持向量回归机和BP神经网络建立非线性映射模型进行预测，它们都具有很强的非线性映射能力，但是支持向量回归机在利用大规模训练样本建模时会耗费大量的机器内存和运算时间，预测精度也会出现下降，而神经网络具有非常强的非线性拟合能力和自学习能力，可映射任意复杂的非线性关系，而且学习规则简单，记忆能力强，便于计算机实现，但是BP神经网络模型对数据的输入输出关系有一定要求，科学合理的输入输出关系能够提高模型的预测精度。
发明内容
本发明的目的在于提供一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，其解决了传统方法适用范围窄、计算能力差、预测精度低的问题，由于连续波雷达和初速雷达测的是同一发弹丸，着靶速度本质上就是径向速度，所以把连续波雷达测试的着靶速度和初速雷达测试的着靶时刻前的径向速度进行融合建立的BP神经网络模型，适用范围更广、计算能力更强、预测精度更高，预测精度达到了靶场试验中测试弹丸着靶速度的精度要求。
本发明的技术方案是这样实现的，一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，其特征在于：将连续波雷达测试的弹丸的着靶速度作为输出信号，初速雷达测试的弹丸着靶时刻前的径向速度作为输入信号，建立BP神经网络预测模型；利用两台雷达已经测试到的弹丸的着靶速度数据建立BP神经网络模型，再把连续波雷达未测到而初速雷达测到的弹丸着靶时刻前的径向速度作为输入信号代入到所建立好的BP神经网络模型中，就可以预测出连续波雷达未测到的弹丸的着靶速度；选取两组不同的着靶速度数据DATA1和DATA2建模验证，分别把DATA1和DATA2中的数据一部分作为训练数据，另一部分作为测试数据，训练数据用来训练模型，测试数据用来检验模型预测精度的高低，同时引入GM(1,1)灰色模型和支持向量回归机模型进行对比，最后利用预测值与实测值的比较结果判断三个模型中哪个模型的预测精度最高；具体步骤如下：
步骤一、准确记录连续波雷达测试的所有弹丸的着靶速度以及着靶时刻，其中着靶时刻处于1.25s～1.3s之间；因为着靶速度是连续波雷达测试的弹丸在撞击到目标靶时刻的径向速度，雷达会自动计算并输出弹丸从出炮口到撞击到目标靶再到最后落地的整个飞行过程中每个时刻的径向速度，其中就包括弹丸撞击到目标靶时刻的径向速度和着靶时刻，参试人员只需准确记录即可；
步骤二、初速雷达的测量时间设置为1.5s，测量时间间隔设置为0.01s，火炮射击后初速雷达会自动计算并输出弹丸在1.5s内每隔0.01s时刻的径向速度，参试人员只需仔细观察，每一发弹丸初速雷达测试的径向速度数据的变化规律，最后发现所有弹丸出炮口后的径向速度都是先上升后下降的过程，并且均在0.05s后开始下降；
步骤三、针对每一发弹丸而言，选择从初速雷达测试的径向速度中从0.05s开始每隔0.03s选取一发径向速度值一直取到0.98s为止，共获取到32个径向速度值，其中0.98s远小于弹丸着靶时刻；
步骤四、把从初速雷达测试的每发弹丸中选取的32个径向速度值作为输入信号，连续波雷达测试的该发弹丸着靶速度作为输出信号建立BP神经网络模型；
步骤五、选取连续波雷达和初速雷达共同测试的两组着靶速度数据用来验证模型预测精度的高低，两组着靶速度分别记为DATA1和DATA2，DATA1和DATA2都有14发数据，统一分别把DATA1和DATA2第1～8发作为训练数据训练所建立的BP神经网络模型，第9～14发作为测试数据，检验所建模型预测精度的高低。
步骤六、引入GM(1,1)灰色模型和支持向量回归机模型作为对比模型，利用上述训练数据训练这两个模型、测试数据检验这两个模型的预测精度，与BP神经网络模型的预测精度进行对比，确定哪个模型的预测精度最高；
步骤七、利用Rstudio软件环境中的模型工具包对DATA1和DATA2进行建模预测，最后得出DATA1第9～14发着靶速度GM(1,1)灰色模型预测值与真实值的平均相对误差为0.641％，支持向量回归机模型预测值与真实值的平均相对误差为0.087％，BP神经网络模型预测值与真实值的平均相对误差为0.043％；DATA2第9～14发着靶速度GM(1,1)灰色模型预测值与真实值的平均相对误差为0.434％，支持向量回归机模型预测值与真实值的平均相对误差为0.336％，BP神经网络模型预测值与真实值的平均相对误差为0.192％；两组数据的检验结果证明BP神经网络模型的预测精度最高。
步骤八、把连续波雷达未测到而初速雷达测到的弹丸的32发径向速度值带入到建立好的BP神经网络模型中，就可以预测出连续波雷达未测到的弹丸的着靶速度。
所述的连续波雷达测试的弹丸的着靶速度和初速雷达测试的同一发弹丸的径向速度进行融合，初速雷达测试的弹丸的径向速度作为输入信号，连续波雷达测试的弹丸的着靶速度作为输出信号，建立从初速雷达测试的径向速度到连续波雷达测试的着靶速度之间的非线性映射模型，为模型的建立提供科学合理的数据关系。
所述的弹丸着靶时刻是利用雷达终端准确计算出所有弹丸着靶时刻的时间点，分析这些时间点是否基本一致，有无明显的差异；
所述的弹丸的径向速度从上升过程转变为下降过程的最晚时间点为0.05s，确保选取的最晚时间点之后所有弹丸的径向速度都开始下降。
所述的初速雷达测试的所有弹丸的径向速度中0.98s要小于所有弹丸的着靶时刻，这样才能保证即使无法知道缺失弹丸的着靶时刻，从初速雷达中选取的径向速度值依然是着靶时刻之前的值，这样才能保证选取的径向速度数据的有效性，才能作为模型的输入信号。
本发明的积极效果是填补了目前这一领域在预测方法上的空白，有效解决了靶场试验中数据缺失的问题，通过这一方法可以提供非常准确的预测值；能够科学合理的把多台雷达数据融合到一起，充分利用不同雷达数据之间的内在联系，为建模预测提供更加科学准确的数据基础，建立的模型更加科学可信；当一台雷达缺失数据时，利用所建立的模型可以准确的预测出缺失的数据，解决了长期数据缺失的问题；把初速雷达测试弹丸的径向速度作为输入信号，连续波雷达测试弹丸的着靶速度作为输出信号，建立BP神经网络模型实现了从初速雷达到连续波雷达的非线性映射关系，充分利用BP神经网络模型非常强的非线性拟合能力和自学习能力，在两台雷达数据融合的基础上高精度预测出了缺失弹丸的着靶速度，解决了传统预测模型孤立看待数据、预测精度不理想的问题；利用BP神经网络模型的非线性映射能力把不同雷达的数据融合起来，利用Rstudio软件环境中的模型工具包对DATA1和DATA2建模预测，把三个模型预测值与真实值进行比较分析，结果证明BP神经网络模型的预测精度是最高的，而且预测精度远远高于靶场试验中测试弹丸着靶速度的精度要求，本发明完全可以应用于靶场试验中测试弹丸着靶速度的相关领域，解决相应的外弹道中雷达测试技术问题。
附图说明
图1为本发明基于神经网络雷达组合高精度预测弹丸着靶速度的方法的流程图。
图2是连续波雷达测试的着靶速度DATA1的时间序列图。
图3是连续波雷达测试的着靶速度DATA2的时间序列图。
图4是把DATA1第1～8发作为训练数据训练好GM(1,1)灰色模型、支持向量回归机模型和BP神经网络模型以后，把DATA1第9～14发作为测试数据检验三个模型预测精度高低的时间序列图。
图5是把DATA2第1～8发作为训练数据训练好GM(1,1)灰色模型、支持向量回归机模型和BP神经网络模型以后，把DATA2第9～14发作为测试数据检验三个模型预测精度高低的时间序列图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
实施例1：如图1、2、4所示；
a.为了更好的说明本方法的可行性，选择采用某型连续波雷达测试的一组弹丸着靶速度DATA1来进行证明。在测试该组着靶速度时，初速雷达同样参与试验，负责测试弹丸的初速，经过仔细观察发现DATA1中每发弹丸在出炮口后的径向速度都是先上升后下降的，而且都在0.05s前完成了上升过程，之后就开始下降，所以针对每一发弹丸而言，选择从0.05s时刻开始每隔0.03s选取一个径向速度值，一直取到0.98s为止，共获取到32个径向速度值，弹丸的着靶时刻为t3，处于1.25s～1.30s之间，所有弹丸的着靶时刻相差都不大，时刻t3远远大于0.98s，这样就确保了即使无法知道缺失弹丸的着靶时刻，获取的初速雷达在0.98s时刻前的径向速度都是处于着靶时刻前的数据，这些数据始终是有效的，最终把这32个径向速度值作为预测模型的输入信号，着靶速度作为预测模型的输出信号，就顺利建立了BP神经网络预测模型。
b.把DATA1中第1～8发着靶速度作为训练数据，用来训练好GM(1,1)灰色模型、支持向量回归机模型和BP神经网络模型，把第9～14发着靶速度作为测试数据，用来检验预测模型预测精度的高低；建模预测完成后计算DATA1第9～14发着靶速度各模型预测值与真实值的平均相对误差。
c.实验选择Rstudio软件中的GM(1，1)灰色模型、支持向量回归机模型和神经网络模型工具箱对三个模型进行构建、训练和仿真；
d.GM(1，1)灰色模型建模预测；先利用训练数据训练GM(1，1)灰色预测模型，其级比计算公式如下所示，n表示训练样本数据的个数，x0(n)表示第n个样本数据，x0(n-1)表示第n-1个样本数据，σ表示样本训练数据中第n-1个数据除以第n个数据所构成的集合，称为级比，k表示级比中数据的个数。
Figure BDA0002761324130000081
利用级比计算公式计算得出DATA1第1～8发数据的级比为(1.0044219，0.9974988，0.9970503，1.0001743，0.9996113，1.0004962，0.9974716)处于区间
Figure BDA0002761324130000082
即(0.8007374，1.248849)中，符合建立GM(1，1)灰色预测模型的条件，经过建模预测得到DATA1第9～14发着靶速度GM(1，1)灰色模型预测值与真实值的平均相对误差为0.641％；
e.支持向量回归机建模预测；支持向量回归机模型中选择把″radial″作为核函数，其余参数选择系统默认值，经过建模预测得出DATA1第9～14发着靶速度支持向量回归机模型预测值与真实值的平均相对误差为0.087％；
f.BP神经网络模型建模预测；BP神经网络模型输入层的节点数n＝32，输出层的节点数l＝1，根据经验公式
Figure BDA0002761324130000091
并经过反复训练，最终确定隐含层的节点数为10，模型误差精度设为0.001，最大训练次数设为1000，最后经过38次训练算法完美收敛，经过建模预测得出DATA1第9～14发着靶速度BP神经网络模型预测值与真实值的平均相对误差为0.043％；
g.GM(1，1)灰色模型、支持向量回归机模型和BP神经网络模型对DATA1的建模预测结果证明，BP神经网络模型的预测精度最高；
实施例2：如图1、3、5所示；
a.为了更充分的说明本方法的可行性，选择采用某型连续波雷达测试的一组弹丸着靶速度DATA2来进行证明。在测试该组着靶速度时，经过仔细观察发现DATA2中每发弹丸在出炮口后的径向速度都是先上升后下降的过程，而且都在0.05s前完成了上升过程，之后就开始下降了，所以针对每一发弹丸而言，选择从0.05s时刻开始每隔0.03s选取一个径向速度值，一直取到0.98s前为止，共获取到32个径向速度值，弹丸的着靶时刻为t3，处于1.25s～1.30s之间，所有弹丸的着靶时刻相差都不大，时刻t3＞0.98s且t3离0.98s有一定距离，这样就确保了即使无法知道丢失弹丸的着靶时刻，获取到的初速雷达在0.98s时刻前的径向速度都是处于着靶时刻前的数据，这些数据始终是有效的，最终把这32个径向速度值作为预测模型的输入，着靶速度作为输出，就顺利建立了BP神经网络预测模型。
b.把DATA2中第1～8发着靶速度作为训练数据，用来训练GM(1，1)灰色模型、支持向量回归机模型和BP神经网络模型，把第9～14发着靶速度作为测试数据，用来检验预测模型预测精度的高低；建模预测完成后计算DATA2第9～14发着靶速度各模型预测值与真实值的平均相对误差。
c.实验选择Rstudio软件中的GM(1,1)灰色模型、支持向量回归机模型和BP神经网络模型工具箱对模型进行构建、训练和仿真；
d.GM(1,1)灰色模型建模预测；先利用训练数据训练GM(1,1)灰色预测模型，利用级比计算公式计算得出DATA2第1～8发数据的级比处于区间
Figure BDA0002761324130000101
即(0.8007374,1.248849)中，符合建立GM(1,1)灰色预测模型的条件，经过建模预测得到DATA2第914发着靶速度GM(1,1)灰色模型预测值与真实值的平均相对误差为0.434％；
l.支持向量回归机建模预测；支持向量回归机模型中选择把"radial"作为核函数，其余参数选择系统默认值，经过建模预测得出DATA2第9～14发着靶速度支持向量回归机模型预测值与真实值的平均相对误差为0.336％；
e.BP神经网络模型建模预测；BP神经网络模型输入层的节点数n＝32，输出层的节点数l＝1，根据经验公式
Figure BDA0002761324130000102
并经过反复训练，最终确定隐含层的节点数为10，模型误差精度设为0.001，最大训练次数设为1000，最后经过47次训练算法完美收敛，经过建模预测得出DATA2第9～14发着靶速度BP神经网络模型预测值与真实值的平均相对误差为0.192％；
实例1和实例2的结果可以证明，在两台雷达数据融合的基础上建立BP神经网络模型预测的着靶速度与真实值最为接近，是三个模型中预测精度最高的，精度控制在2‰以内，远远高于DATA1和DATA2两组弹丸着靶速度的精度要求，说明所采用的建模方法是科学合理的，预测的数据也是准确可信的，该方法既保证了数据精度又创新了测试方法，有效减少了数据缺失的情况发生，对准确检验武器系统杀伤力具有重要意义，可以作为靶场试验中预测弹丸着靶速度的预测模型。

Claims (5)

1.一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，其特征在于：将连续波雷达测试的弹丸的着靶速度作为输出信号，初速雷达测试的弹丸着靶时刻前的径向速度作为输入信号，建立BP神经网络预测模型；利用两台雷达已经测试到的弹丸的着靶速度数据建立BP神经网络模型，再把连续波雷达未测到而初速雷达测到的弹丸着靶时刻前的径向速度作为输入信号代入到所建立好的BP神经网络模型中，就可以预测出连续波雷达未测到的弹丸的着靶速度；选取两组不同的着靶速度数据DATA1和DATA2建模验证，分别把DATA1和DATA2中的数据一部分作为训练数据，另一部分作为测试数据，训练数据用来训练模型，测试数据用来检验模型预测精度的高低，同时引入GM(1,1)灰色模型和支持向量回归机模型进行对比，最后利用预测值与实测值的比较结果判断三个模型中哪个模型的预测精度最高；具体步骤如下：
步骤一、准确记录连续波雷达测试的所有弹丸的着靶速度以及着靶时刻，其中着靶时刻处于1.25s~1.3s之间；因为着靶速度是连续波雷达测试的弹丸在撞击到目标靶时刻的径向速度，雷达会自动计算并输出弹丸从出炮口到撞击到目标靶再到最后落地的整个飞行过程中每个时刻的径向速度，其中就包括弹丸撞击到目标靶时刻的径向速度和着靶时刻，参试人员只需准确记录即可；
步骤二、初速雷达的测量时间设置为1.5s，测量时间间隔设置为0.01s，火炮射击后初速雷达会自动计算并输出弹丸在1.5s内每隔0.01s时刻的径向速度，参试人员只需仔细观察，每一发弹丸初速雷达测试的径向速度数据的变化规律，最后发现所有弹丸出炮口后的径向速度都是先上升后下降的过程，并且均在0.05s后开始下降；
步骤三、针对每一发弹丸而言，选择从初速雷达测试的径向速度中从0.05s开始每隔0.03s选取一发径向速度值一直取到0.98s为止，共获取到32个径向速度值，其中0.98s远小于弹丸着靶时刻；
步骤四、把从初速雷达测试的每发弹丸中选取的32个径向速度值作为输入信号，连续波雷达测试的该发弹丸着靶速度作为输出信号建立BP神经网络模型；
步骤五、选取连续波雷达和初速雷达共同测试的两组着靶速度数据用来验证模型预测精度的高低，两组着靶速度分别记为DATA1和DATA2，DATA1和DATA2都有14发数据，统一分别把DATA1和DATA2第1~8发作为训练数据训练所建立的BP神经网络模型，第9~14发作为测试数据，检验所建模型预测精度的高低；
步骤六、引入GM(1,1)灰色模型和支持向量回归机模型作为对比模型，利用上述训练数据训练这两个模型、测试数据检验这两个模型的预测精度，与BP神经网络模型的预测精度进行对比，确定哪个模型的预测精度最高；
步骤七、利用Rstudio软件环境中的模型工具包对DATA1和DATA2进行建模预测，最后得出DATA1第9~14发着靶速度GM(1,1)灰色模型预测值与真实值的平均相对误差为0.641%，支持向量回归机模型预测值与真实值的平均相对误差为0.087%，BP神经网络模型预测值与真实值的平均相对误差为0.043%；DATA2第9~14发着靶速度GM(1,1)灰色模型预测值与真实值的平均相对误差为0.434%，支持向量回归机模型预测值与真实值的平均相对误差为0.336%，BP神经网络模型预测值与真实值的平均相对误差为0.192%；两组数据的检验结果证明BP神经网络模型的预测精度最高；
步骤八、把连续波雷达未测到而初速雷达测到的弹丸的32发径向速度值带入到建立好的BP神经网络模型中，就可以预测出连续波雷达未测到的弹丸的着靶速度。
2.根据权利要求1所述的一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，其特征在于所述的连续波雷达测试的弹丸的着靶速度和初速雷达测试的同一发弹丸的径向速度进行融合，初速雷达测试的弹丸的径向速度作为输入信号，连续波雷达测试的弹丸的着靶速度作为输出信号，建立从初速雷达测试的径向速度到连续波雷达测试的着靶速度之间的非线性映射模型，为模型的建立提供科学合理的数据关系。
3.根据权利要求1所述的一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，其特征在于所述的弹丸着靶时刻是利用雷达终端准确计算出所有弹丸着靶时刻的时间点，分析这些时间点是否基本一致，有无明显的差异。
4.根据权利要求1所述的一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，其特征在于所述的弹丸的径向速度从上升过程转变为下降过程的最晚时间点为0.05s，确保选取的最晚时间点之后所有弹丸的径向速度都开始下降。
5.根据权利要求1所述的一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，其特征在于所述的初速雷达测试的所有弹丸的径向速度中0.98s要小于所有弹丸的着靶时刻，这样才能保证即使无法知道缺失弹丸的着靶时刻，从初速雷达中选取的径向速度值依然是着靶时刻之前的值，这样才能保证选取的径向速度数据的有效性，才能作为模型的输入信号。
CN202011218768.8A 2020-11-04 2020-11-04 基于神经网络雷达组合高精度预测弹丸着靶速度的方法 Active CN112379364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011218768.8A CN112379364B (zh) 2020-11-04 2020-11-04 基于神经网络雷达组合高精度预测弹丸着靶速度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011218768.8A CN112379364B (zh) 2020-11-04 2020-11-04 基于神经网络雷达组合高精度预测弹丸着靶速度的方法

Publications (2)

Publication Number Publication Date
CN112379364A true CN112379364A (zh) 2021-02-19
CN112379364B CN112379364B (zh) 2023-10-10

Family

ID=74578702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011218768.8A Active CN112379364B (zh) 2020-11-04 2020-11-04 基于神经网络雷达组合高精度预测弹丸着靶速度的方法

Country Status (1)

Country Link
CN (1) CN112379364B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5864061A (en) * 1997-02-05 1999-01-26 Dilz, Jr.; Albert E. Miniature sports radar speed measuring device
EP2681584A1 (de) * 2011-03-01 2014-01-08 EADS Deutschland GmbH Verfahren zur erfassung der flugbahn von projektilen
RU2608349C1 (ru) * 2016-03-22 2017-01-18 Денис Сергеевич Татаренко Способ определения траекторий полета снарядов и устройство для его осуществления
CN110082749A (zh) * 2019-02-13 2019-08-02 中国舰船研究设计中心 炮弹外弹道飞行状态估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5864061A (en) * 1997-02-05 1999-01-26 Dilz, Jr.; Albert E. Miniature sports radar speed measuring device
EP2681584A1 (de) * 2011-03-01 2014-01-08 EADS Deutschland GmbH Verfahren zur erfassung der flugbahn von projektilen
RU2608349C1 (ru) * 2016-03-22 2017-01-18 Денис Сергеевич Татаренко Способ определения траекторий полета снарядов и устройство для его осуществления
CN110082749A (zh) * 2019-02-13 2019-08-02 中国舰船研究设计中心 炮弹外弹道飞行状态估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
迟明?;侯兴明;陈小卫;周瑜;: "基于BP神经网络的某反装甲武器系统打击效果预测", 兵器装备工程学报, no. 08 *

Also Published As

Publication number Publication date
CN112379364B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN109409695B (zh) 基于关联分析的体系效能评估指标体系构建方法及系统
CN104050318B (zh) 一种战术导弹武器系统精度仿真及校验方法
CN109446601A (zh) 一种弹丸起始扰动的不确定优化方法
EP2144032B1 (en) Method and apparatus for analysis of errors, accuracy, and precision of guns and direct and indirect fire control mechanisms
CN112784437B (zh) 一种防空导弹对直升机目标毁伤效能评估系统
CN109033493B (zh) 基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法
CN109697309B (zh) 一种弹丸高速冲击挤进阻力快速获取方法
CN110991051B (zh) 基于试验设计和Kriging模型的远程制导火箭弹落点预测系统
CN108983800B (zh) 一种基于深度学习的飞机姿态控制方法
CN114036610A (zh) 一种基于数据增强的侵彻深度预测方法
CN111931404B (zh) 基于自优化cnn的内膛复杂表面接触碰撞响应预测方法
CN112379364B (zh) 基于神经网络雷达组合高精度预测弹丸着靶速度的方法
CN116929143B (zh) 基于数字孪生的防空装备射击边界试验系统及方法
CN112749516A (zh) 适应多类型数据特征的体系组合模型可信度智能评估方法
CN109376364B (zh) 基于扩展卡尔曼滤波的高速旋转弹气动参数辨识方法
Dobrynin et al. Information technology for automated assessment of the artillery barrels wear based on SVM classifier
Boltenkov et al. Devising a method for improving the efficiency of artillery shooting based on the Markov model
CN110989665A (zh) 基于试验设计和Kriging模型的远程制导火箭弹落点预测方法
CN113836647B (zh) 弹射内弹道仿真分析系统、方法及电子设备
CN110717253B (zh) 一种两型弹药的弹道一致性检验方法
CN108509684B (zh) 舵机与动态负载模拟器匹配设计方法
CN112541392A (zh) 一种基于深度神经网络的露天台阶爆破预测方法
Bao et al. Parameters identification of a cannon counter-recoil mechanism based on PSO and interval analysis theory
Carlucci et al. Measurement of in-bore side loads and comparison to first maximum yaw
CN111914366B (zh) 一种高压冷气发射飞行器出筒速度获取方法

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