CN115563861B - 一种雷达导引头智能跟踪算法的性能综合评估及优化方法 - Google Patents
一种雷达导引头智能跟踪算法的性能综合评估及优化方法 Download PDFInfo
- Publication number
- CN115563861B CN115563861B CN202211173079.9A CN202211173079A CN115563861B CN 115563861 B CN115563861 B CN 115563861B CN 202211173079 A CN202211173079 A CN 202211173079A CN 115563861 B CN115563861 B CN 115563861B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- algorithm
- weight
- performance
- parameter
- 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
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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种雷达导引头智能跟踪算法的性能综合评估及优化方法,属于软件测评与改进技术领域,解决了现有技术中针对复合雷达导引头智能跟踪算法,评估指标不全面、评估结果不准确以及无法基于评估结果对算法参数进行优化等问题。通过基于不同雷达导引头试验件下的算法的评估试验,获得评估试验数据;利用赋权优化算法和混合赋分机制,对评估试验数据进行三次加权融合,得到算法性能综合评估结果;构建多个参数评估用例,并进行三次加权融合,对算法的参数进行优化,获得优化后的雷达导引头智能跟踪算法。该方法针对具有复杂结构和参数的目标跟踪智能算法或软件的评价结果全面、可靠,准确性强,并能持续改进算法性能。
Description
技术领域
本发明涉及软件测评与改进技术领域,尤其涉及一种雷达导引头智能跟踪算法的性能综合评估及优化方法。
背景技术
在日趋复杂的战场环境下,由于主被动复合雷达导引头综合了主动和被动雷达导引头的优点,探测目标角度和位置信息的同时也提高了目标跟踪精度和探测范围,因而在对抗电磁干扰、海面杂波、假目标、拦截等要素的同时大大提高了导弹作战效能。然而,随着此类导引头识别和跟踪算法的日益智能化,其参数和结构的高复杂度使得相关性能评估工作变得日益困难。
针对复合雷达导引头智能跟踪算法评估的方法研究工作在业内较少有人关注。现有研究给出了雷达导引头抗干扰评估体系,但只限于抗干扰性能评估,不针对智能算法,覆盖的性能指标不全面且不是反舰作战环境。研究还进一步给出了智能滤波算法的评估方案,用灰色关联方法排除权值设计的主观性,但也只针对雷达抗干扰性能,指标不全面,其被评估算法局限于滤波模块,没有前期的分类和融合部分。有的研究采用了新颖的云计算理念,先用聚类方法排除极端专家评估结果,后基于反复增添专家库和逆向云/正向云发生器逐步优化评估结果一致性,然而此方法只应用于雷达导引头的质量管理评估中,其性能指标与导引头工作时的跟踪性能完全不同。
上述有限的研究表明雷达导引头智能算法评估有很大的研究和待认知空间。随着智能跟踪算法越来越复杂,以及诸如反舰复合雷达导引头这类特殊导引头对战场环境的需求,各种环境和目标特性下的智能跟踪算法性能评估正成为航天软件评测的重要部分,其评估方法也需随着算法设计的深入而逐步成熟。例如,复合导引头的多模式信息融合跟踪决策方法被提出,基于随机森林算法训练跟踪模式决策模型,对于模型分类错误的样本数据,提取数据特征,采用人工判读的方式进行误差补偿,使得提出的方法在保证决策正确率的前提下,简化人工判读流程代码量,提升运行速度,同时在复杂条件下使决策策略更智能,适应性更强。另外,针对雷达导引头末制导阶段抗干扰技术,建立了典型的距离-速度拖引干扰模型,采用无迹卡尔曼滤波,用时变状态量更新预测权值,使滤波算法带有自适应属性,并据此研究了基于速度、加速度、过载等指标的干扰目标智能识别技术。针对角反射器阵列形成的无源假目标干扰,提出一种基于Pauli极化分解和BP(反向传播,BackPropagation)神经网络的鉴别方法,即将真假目标的雷达回波进行Pauli极化分解,得到四个归一化权值系数特征量,之后结合BP神经网络模式识别模型进行分类目标识别。针对工程应用中需要快速准确解距离模糊这一问题,作者们提出了一种基于投票机制的动态解距离模糊算法,避免了大量的距离排序运算,仅在有限的投票极值点进行解距离模糊,因而极大地改善了解模糊算法效率。用BP神经网络将主被动雷达导引头探测的信息进行分类,并通过模糊系统根据目标的机动大小调节神经网络的学习速率以及根据目标距离的远近调节融合中心的权值的跟踪算法,这一算法结合了神经网络、自适应、模糊逻辑三类智能方法。
上述雷达导引头智能算法都是近些年新兴的高效目标跟踪算法,在反舰导弹中应用广泛。然而,针对这些新型智能算法的评估技术却没有成熟,无法适应开发方的评测需求。智能跟踪算法具有信号处理步骤多、内部模块复杂、参数多样、参数不确定性大等特点,而诸如反舰雷达导引头这类系统,还具有强干扰、战场更复杂等问题。上述算法的持续发展使传统评估难以给出有参考价值的评价结果,更具针对性的雷达导引头智能跟踪算法评估体系需要被构造,以满足算法对其自身不同参数和功能模块的闭环评测需求。
综上,目前的复合雷达导引头智能跟踪算法评估的方法,存在评估指标不全面、评估结果不准确等问题,更无法基于评估结果对算法参数进行优化。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种雷达导引头智能跟踪算法的性能综合评估及优化方法,用以解决现有复合雷达导引头智能跟踪算法评估的方法,存在评估指标不全面、评估结果不准确以及无法基于评估结果对算法参数进行优化等问题。
本发明的目的主要是通过以下技术方案实现的:
本发明实施例提供了一种雷达导引头智能跟踪算法的性能综合评估及优化方法,包括如下步骤:
基于不同雷达导引头试验件,开展针对雷达导引头智能跟踪算法的评估试验,获得评估试验数据;
利用赋权优化算法和线性-非线性混合赋分机制,对所述评估试验数据进行三次加权融合,得到算法性能综合评估结果;
基于所述算法的参数,获得多个参数评估用例,对每个所述参数评估用例进行所述三次加权融合,并结合所述算法性能综合评估结果,对所述算法的参数进行优化,获得优化后的雷达导引头智能跟踪算法。
基于上述方法的进一步改进,基于不同雷达导引头试验件,开展针对雷达导引头智能跟踪算法的评估试验,获得评估试验数据,包括:
选取不同环境特性和硬件特性的雷达导引头试验件;其中,所述环境特性包括贮存环境和使用环境,所述硬件特性为型号属性;
基于所述雷达导引头试验件,开展针对雷达导引头智能跟踪算法的评估试验;
试验过程中,实时采集不同的性能指标数据,并按照跟踪目标状态划分不同的跟踪工况时段;获得包括多种环境硬件特性、多类性能指标和多个跟踪工况时段的评估试验数据。
基于上述方法的进一步改进,所述贮存环境,包括:常温常压下,贮存时间小于10天、贮存时间大于10天且小于100天、贮存时间大于100天且小于1000天、贮存时间大于1000天;
所述使用环境,包括:执行1次模拟飞行跟踪任务、执行大于1次且小于10次模拟飞行跟踪任务、执行大于10次且小于100次模拟飞行跟踪任务、执行大于100次模拟飞行跟踪任务。
基于上述方法的进一步改进,所述性能指标,包括:
x轴位置误差、y轴位置误差、x轴响应时间、y轴响应时间、x轴稳态方差、y轴稳态方差、分辨力、积分旁瓣比、峰值旁瓣比、对比度和熵。
所述跟踪工况时段,包括:
静止状态、低速直线状态、中速直线状态、高速直线状态、低速转弯状态、中速转弯状态和高速转弯状态。
基于上述方法的进一步改进,利用赋权优化算法和线性-非线性混合赋分机制,对所述评估试验数据进行三次加权融合,得到算法性能综合评估结果,包括:
利用赋权优化算法,获得第一次加权融合权值、均值权值、方差权值、第二次加权融合权值和第三次加权融合权值;
基于所述第一次加权融合权值,对跟踪工况时段和性能指标相同、环境硬件特性不同的所述评估试验数据进行第一次加权融合,得到单指标单时段第一次加权数据;
基于所述均值权值和方差权值,使用线性-非线性混合赋分机制,对单指标单时段第一次加权数据进行赋分,获得单指标单时段评估结果;
基于所述第二次加权融合权值,对性能指标相同、跟踪工况时段不同的所述单指标单时段评估结果,进行第二次加权融合,得到单性能指标总分;
基于所述第三次加权融合权值,对性能指标不同的所述单性能指标总分,进行第三次加权融合,得到算法性能综合评估结果。
基于上述方法的进一步改进,利用赋权优化算法,获得第一次加权融合权值、均值权值、方差权值、第二次加权融合权值和第三次加权融合权值,包括:
S1.构建由X个评估单元组成的评估群体E1,E2,...,EX;其中,评估单元Ev(v=1,2,...,X)分别按照试验件、性能指标和跟踪工况时段的重要性确定Q个指标权值向量Wv=(Wv,1,Wv,2,...,Wv,Q)=(Wv(zi,bq,sj),Wv(Jy,ij),Wv(σy,ij),Wv(zi,rj),Wv(zi)),且满足:Wv(zi,bq,sj)=(Wv,1,Wv,2,...,Wv,n×p×m),Wv(Jy,ij)=(Wv,n×p×m+1,...,Wv,n×p×m+p×m),Wv(σy,ij)=(Wv,n×p×m+p×m+1,...,Wv,n×p×m+2×p×m),Wv(zi,rj)=(Wv,n×p×m+2×p×m+1,...,Wv,n×p×m+3×p×m),Wv(zi)=(Wv,n×p×m+3×p×m+1,...,Wv,n×p×m+3×p×m+p);其中,Wv(zi,bq,sj)为初始第一次加权融合权值,Wv(Jy,ij)为初始均值权值,Wv(σy,ij)为初始方差权值,Wv(zi,rj)为初始第二次加权融合权值,Wv(zi)为初始第三次加权融合权值;Q满足:
Q=Q1+Q2+Q3+Q4+Q5=n×p×m+3×p×m+p
Q1=n×p×m
Q2=Q3=Q4=p×m
Q5=p
其中,n表示试验件数量,p表示性能指标总数,m表示跟踪工况时段总数,Q1表示Wv(zi,bq,sj)中的权值数量,Q2表示Wv(Jy,ij)中的权值数量,Q3表示Wv(σy,ij)中的权值数量,Q4表示Wv(zi,rj)中的权值数量,Q5表示Wv(zi)中的权值数量;
则权值矩阵为:
S2.计算评估单元Ev与评估单元Eo之间的相似系数:
其中,ι是权值序号;
则相似系数矩阵为:
其中,rvo=rov(v≠o,且v,o=1,2,...,X),rvo=1(v=o,且v,o=1,2,...,X);
S3.计算评估单元Ev与评估群体E1,E2,...,EX之间的相似度:
对相似系数矩阵按行求和,构成相似度向量G=(g1,g2,...,gX)T;
S4.设置淘汰比例,根据所述淘汰比例,排除相似度低的极端评估单元的评估结果;
S5.对剩余的评估单元给出的权值向量取平均值,获得最终权值向量We=(We,1,We,2,...,We,Q)=(W(zi,bq,sj),W(Jy,ij),W(σy,ij),W(zi,rj),W(zi)),且满足:W(zi,bq,sj)=(We,1,We,2,...,We,n×p×m),W(Jy,ij)=(We,n×p×m+1,...,We,n×p×m+p×m),W(σy,ij)=(We,n×p×m+p×m+1,...,We,n×p×m+2×p×m),W(zi,rj)=(We,n×p×m+2×p×m+1,...,We,n×p×m+3×p×m),W(zi)=(We,n×p×m+3×p×m+1,...,We,n×p×m+3×p×m+p);其中,W(zi,bq,sj)为第一次加权融合权值,W(Jy,ij)为均值权值,W(σy,ij)为方差权值,W(zi,rj)为第二次加权融合权值,W(zi)为第三次加权融合权值。
基于上述方法的进一步改进,所述线性-非线性混合赋分机制,包括平滑线性函数、平滑非线性函数和非平滑非线性函数。
基于上述方法的进一步改进,所述算法的参数,包括:
神经网络的学习速率η、主动雷达导引头的融合权值与被动雷达导引头的融合权值的比值α、目标加速度a和目标的距离范围h。
基于上述方法的进一步改进,基于所述算法的参数,获得多个参数评估用例,包括:
构建摄动参数评估用例,即摄动参数集C:{参数集1,参数集2,...,参数集k,参数集k+1,参数集2k};
将各参数集符号简记为:参数集1=C1,参数集2=C2,...,参数集2k=C2k,标称参数集K=CK;
选择标称参数数值周围上下波动的参数集,小于CK的取k个参数集,大于CK的取k个参数集组成摄动参数集C,即:
其中,r=1,...,V表示参数集Cl中的参数序号,V是参数数量,l是参数集序号;
基于所述算法的参数,得到:
Cl={slr}={sl1,...,slV}
其中,slr代表任意所述算法的参数。
基于上述方法的进一步改进,对每个所述参数评估用例进行所述三次加权融合,并结合所述算法性能综合评估结果,对所述算法的参数进行优化,获得优化后的雷达导引头智能跟踪算法,包括:
在每一个参数评估用例下重复三次加权评估过程,获取每个所述参数评估用例的算法综合性能评估结果F1*,...,Fk*,Fk+1*,...,F2k*,和单性能指标评估结果Fi,1*,...,Fi,k*,Fi,k+1*,...,Fi,2k*;其中,Fi为算法的单性能指标评估结果;
基于上述评估结果,并结合所述算法性能综合评估结果F,获取最优评估结果对应的参数评估用例作为优化目标;其中,参数整体优化目标设为:
Fmax=max{F1*,…,Fk*,F,Fk+1,*,…,F2k,*}
参数局部优化目标设为:
Fi,max=max{Fi,1*,…,Fi,k*,Fi,Fi,k+1,*,…,Fi,2k,*}
获得包括算法性能综合评估结果、参数整体优化目标和参数局部优化目标在内的雷达导引头智能跟踪算法性能综合评估结果;
基于所述参数整体优化目标和参数局部优化目标,对算法的参数进行优化,获得优化后的雷达导引头智能跟踪算法。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、本发明提供了一种评估雷达导引头智能跟踪算法的方法,使得针对具有复杂结构和参数的目标跟踪智能算法或软件的评价结果的准确性高。
2、本发明提供了针对雷达导引头智能跟踪算法的持续改进方案,仅需借助综合评估结果和优化目标的参数评估用例,即可对算法参数进行不断的优化,改进算法性能。
3、本发明以软硬件总体系统性能指标,代替片面的软件指标,更能全面直接反映算法对总体系统性能的影响,评价结果全面、可靠。
4、本发明提出了剔除极端专家的赋权优化算法,这一算法确保权值按需求及时更新换代,以及其客观性不受个别专家影响。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例中评估及优化方法的总步骤示意图;
图2为本发明实施例中雷达导引头智能跟踪算法的结构示意图;
图3(a)是PID目标跟踪算法的成像面全时段x轴位置误差;
图3(b)是PID目标跟踪算法的成像面全时段y轴位置误差;
图4(a)是神经网络智能目标跟踪算法的成像面全时段x轴位置误差;
图4(b)是神经网络智能目标跟踪算法的成像面全时段y轴位置误差;
图5(a)是神经网络智能目标跟踪算法x轴位置误差分时段评估结果,及其与PID目标跟踪算法的对比;
图5(b)是神经网络智能目标跟踪算法y轴位置误差分时段评估结果,及其与PID目标跟踪算法的对比;
图6是神经网络智能目标跟踪算法x轴位置误差总分、y轴位置误差总分、性能综合评估结果,及其与PID目标跟踪算法的对比;
图7是神经网络智能目标跟踪算法x轴位置误差总分优化对比、y轴位置误差总分优化对比、性能综合评估结果优化对比。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例,公开了一种雷达导引头智能跟踪算法的性能综合评估及优化方法,包括如下步骤:
S1.基于不同雷达导引头试验件,开展针对雷达导引头智能跟踪算法的评估试验,获得评估试验数据。
S2.利用赋权优化算法和线性-非线性混合赋分机制,对所述评估试验数据进行三次加权融合,得到算法性能综合评估结果。
S3.基于所述算法的参数,获得多个参数评估用例,对每个所述参数评估用例进行所述三次加权融合,并结合所述算法性能综合评估结果,对所述算法的参数进行优化,获得优化后的雷达导引头智能跟踪算法。
实施例2
在实施例1的基础上进行优化,步骤S1可进一步细化为如下步骤:
S11.选取不同环境特性和硬件特性的雷达导引头试验件。
雷达导引头试验件的不同环境特性和硬件特性,包括环境特性和硬件特性。
环境特性,包括:贮存环境和使用环境;其中,
贮存环境,包括:常温常压下,贮存时间小于10天、贮存时间大于10天且小于100天、贮存时间大于100天且小于1000天、贮存时间大于1000天;
使用环境,包括:执行1次模拟飞行跟踪任务、执行大于1次且小于10次模拟飞行跟踪任务、执行大于10次且小于100次模拟飞行跟踪任务、执行大于100次模拟飞行跟踪任务;
硬件特性为型号属性。
具体来说,型号属性指的是雷达导引头试验件的具体型号A、型号B等20种型号的硬件属性,每种型号的硬件配置都与其它型号的不同,取20种特性项,使得硬件特性范围足够大,有助于排除硬件对算法或软件评估的影响。
值得注意的是,环境特性和硬件特性中,只要有一特性项与已选定待评估的雷达导引头试验件不同,就视为另一个试验件。试验件整体上须覆盖贮存环境、使用环境和型号属性这三类特性,且试验件数量不少于20个。
S12.构建一个雷达导引头智能跟踪算法作为待评估其算法性能的算法。
本实施例所构建的雷达导引头智能跟踪算法,是一种基于BP神经网络和模糊系统的主被动雷达导引头信息融合的目标跟踪算法,该算法的结构包括:主被动雷达导引头探测装置、神经网络、数据融合中心和模糊系统。
探测装置,用于探测获得目标信息。
神经网络,用于将目标信息分成两类,一类为目标点迹相关信息,另一类为干扰野值信息。
数据融合中心,用于将分类后的主动和被动测量的目标点迹相关信息,根据选取的融合权值对信息进行融合。融合后通过滤波除噪除杂后可得到目标轨迹。
模糊系统,用于调节神经网络的学习率和融合中心的融合权值。
具体来说,为了满足动目标有效跟踪的要求,提取目标机动参数,通过模糊系统调节神经网络的学习率;并根据主被动雷达测距不同的原理提取目标距离信息,用模糊系统调节融合中心的融合权值,从而根据目标不同的运动状态准确有效地跟踪目标。
BP神经网络是一种多层前向型神经网络,分为输入层、隐层和输出层,层与层之间采用全互连方式连接,层内神经元之间没有连接,其学习方式是一种有导师的学习类型。
算法结构如图…所示;其中,输入层神经元为x1,x2,…,xm,隐层神经元为s1,s2,…,sp,输出层神经元为y1,y2,…,yn,输入层到隐层的权值以及隐层到输出层的权值分别为ωih和ωhj,隐层神经元和输出层神经元的阈值分别为θi和θj,隐层和输出层的激活函数选取非线性激活函数为:
隐层神经元的输入为:
隐层神经元的输出为:
输出层神经元的输入为:
输出层神经元的输出为:
设期望的输出为dj,则输出节点j的误差为:
ej(k)=dj(k)-yj(k)
网络训练的目标函数为:
采用最小梯度规则对网络的权值更新,隐层到输出层的权值调整量为:
输入层到隐层的权值调整量为:
其中,η为学习速率,且满足:
示例性的,设置连接主动雷达导引头的BP神经网络的输入神经元为3个,分别为目标的跟踪识别图像显示平面的x轴和y轴坐标信息以及目标的角度信息;输出层的神经元为2个,输出为0代表与目标点迹相关的信号,输出为1代表干扰野值。连接被动雷达导引头的BP神经网络的输入神经元为2个,分别为目标的两个方向的位置信息,输出层神经元的个数和功能与主动雷达导引头连接的神经元输出层个数和功能相同。两神经网络隐层神经元的个数都为3个。
在学习训练过程中,将训练样本输入到神经网络中,随机设定网络的权值以及学习速率,将得到的输出结果与期望输出进行比较求误差,从而调整网络的权值使输出达到满意效果。最后用训练好的神经网络去对目标的探测信息进行分类。
模糊系统具有很好的非线性映射能力以及能够利用专家的经验知识。所提算法通过提取目标的加速度大小,根据目标机动的程度和目标距离的远近实时地对神经网络的学习速率以及融合中心的融合权值进行调节,从而使系统能够更加准确的跟踪目标。
当目标做着不同的机动时,为了更好的跟踪目标的状态,就要根据目标机动的大小适当的调节BP神经网络的学习速率。根据提取目标加速度的不同范围将目标的机动程度Δ模糊化为:“零”、“很小”、“小”、“中等”、“大”、“很大”,对应的神经网络的学习速率η调节如表1所示。
表1加速度范围与机动大小、学习速率的对应关系
算法采用集中式融合的方式,提出采用模糊系统实时调整融合中心融合权值的方法,克服了传统多传感器数据融合过程中,对各传感器融合权值确定了之后就不再改变的缺点。主动雷达导引头的探测距离近,精度高;被动雷达导引头的探测距离远,精度低。通过提取目标的距离信息的远近来调节主被动雷达导引头探测的信息在融合中心的权值。根据提取目标的不同距离范围h将弹目距离模糊化为R:“非常远”、“很远”、“远”、“近”、“很近”、“非常近”,对应的融合中心的主被动雷达导引头的融合权值的比值α调节如表2所示。
表2距离范围与弹幕距离、融合权值比值的对应关系
本发明所构建的雷达导引头模糊神经网络跟踪算法,是评估方法的评估对象。评估方法根据算法参数η、α、a、h设计参数评估用例,以确定评估分最高的参数评估用例,最终优化算法。
S13.构建性能指标、跟踪工况时段。
性能指标集Z:{指标1,...,指标p}涵盖雷达导引头常见的性能指标,包括:x轴位置误差、y轴位置误差、x轴响应时间、y轴响应时间、x轴稳态方差、y轴稳态方差、分辨力(IRW)、积分旁瓣比(ISLR)、峰值旁瓣比(PSLR)、对比度和熵。
跟踪工况时段,即时间段的划分,与雷达导引头的常见目标工况状态有关,可突出重点时段的指标数据,以展示跟踪算法在极端目标下的性能。
时段集标记为S:{时段1,时段2,...,时段m}。时段具体划分包括:静止状态、低速直线状态、中速直线状态、高速直线状态、低速转弯状态、中速转弯状态和高速转弯状态。
性能指标和跟踪工况时段在评估时无须覆盖以上所有集合元素,可根据评估需要,选取集合Z和S的子集设计评估方法。
S14.基于所述雷达导引头试验件,开展针对雷达导引头智能跟踪算法的评估试验;试验过程中,需要实时采集不同的性能指标数据,并按照跟踪目标状态划分不同的跟踪工况时段;
获得包括多种环境硬件特性、多类性能指标和多个跟踪工况时段的评估试验数据。
优选地,步骤S2可进一步细化为如下步骤:
S21.构建赋权优化算法,即极端评估单元剔除算法,获得第一次加权融合权值、均值权值、方差权值、第二次加权融合权值和第三次加权融合权值。
赋权优化算法的具体构建步骤如下:
Step1.构建由X个评估单元组成的评估群体E1,E2,...,EX,评估单元Ev(v=1,2,...,X)分别按照试验件、性能指标和跟踪工况时段的重要性确定Q个指标权值向量Wv=(Wv,1,Wv,2,...,Wv,Q)=(Wv(zi,bq,sj),Wv(Jy,ij),Wv(σy,ij),Wv(zi,rj),Wv(zi)),且满足:Wv(zi,bq,sj)=(Wv,1,Wv,2,...,Wv,n×p×m),Wv(Jy,ij)=(Wv,n×p×m+1,...,Wv,n×p×m+p×m),Wv(σy,ij)=(Wv,n×p×m+p×m+1,...,Wv,n×p×m+2×p×m),Wv(zi,rj)=(Wv,n×p×m+2×p×m+1,...,Wv,n×p×m+3×p×m),Wv(zi)=(Wv,n×p×m+3×p×m+1,...,Wv,n×p×m+3×p×m+p);其中,Wv(zi,bq,sj)为初始第一次加权融合权值,Wv(Jy,ij)为初始均值权值,Wv(σy,ij)为初始方差权值,Wv(zi,rj)为初始第二次加权融合权值,Wv(zi)为初始第三次加权融合权值;Q满足:
Q=Q1+Q2+Q3+Q4+Q5=n×p×m+3×p×m+p
Q1=n×p×m
Q2=Q3=Q4=p×m
Q5=p
其中,n表示试验件数量,p表示性能指标总数,m表示跟踪工况时段总数,Q1表示Wv(zi,bq,sj)中的权值数量,Q2表示Wv(Jy,ij)中的权值数量,Q3表示Wv(σy,ij)中的权值数量,Q4表示Wv(zi,rj)中的权值数量,Q5表示Wv(zi)中的权值数量。
由于共计X个评估单元,每个评估单元确定Q个指标权值向量,因此构成的权值矩阵为:
Step2.计算评估单元Ev与评估单元Eo之间的相似系数:
其中,ι是权值序号。
由于共计X个评估单元,因此构成相似系数矩阵:
显然,rvo=rov(v≠o,且v,o=1,2,...,X),rvo=1(v=o,且v,o=1,2,...,X)。
Step3.计算评估单元Ev与评估群体E1,E2,...,EX之间的相似度:
构成相似度向量G=(g1,g2,...,gX)T,即对相似系数矩阵按行求和。
Step4.排除极端评估单元的评估结果。
根据淘汰比例筛选评估单元的评估结果,将相似度低的评估单元的评估结果排除。这里采用20%淘汰比例,并且不排除评估群体的各个评估结果十分统一、理论上都应该被保留的情形。
Step5.对剩余的评估单元给出的权值向量取平均值,获得最终权值向量We=(We,1,We,2,...,We,Q)=(W(zi,bq,sj),W(Jy,ij),W(σy,ij),W(zi,rj),W(zi)),且满足:W(zi,bq,sj)=(We,1,We,2,...,We,n×p×m),W(Jy,ij)=(We,n×p×m+1,...,We,n×p×m+p×m),W(σy,ij)=(We,n×p×m+p×m+1,...,We,n×p×m+2×p×m),W(zi,rj)=(We,n×p×m+2×p×m+1,...,We,n×p×m+3×p×m),W(zi)=(We,n×p×m+3×p×m+1,...,We,n×p×m+3×p×m+p);其中,W(zi,bq,sj)为第一次加权融合权值,W(Jy,ij)为均值权值,W(σy,ij)为方差权值,W(zi,rj)为第二次加权融合权值,W(zi)为第三次加权融合权值。
值得注意的是,最终权值向量包括后续三次加权融合过程中所有涉及的权值,即第一次加权融合权值W(zi,bq,sj)、均值权值W(Jy,ij)、方差权值W(σy,ij)、第二次加权融合权值W(zi,rj)和第三次加权融合权值W(zi)。
S22.基于赋权优化算法所获得的第一次加权融合权值,对跟踪工况时段和性能指标相同、环境硬件特性不同的所述评估试验数据进行第一次加权融合,得到单指标单时段第一次加权数据。
对每个性能指标中的每个跟踪工况时段内的不同试验件数据,按照以下方式进行第一次加权融合:
其中,x(zi,sj)表示性能指标i在跟踪工况时段j内的单指标单时段第一次加权数据;X(zi,bq,sj)表示试验件q的性能指标i在跟踪工况时段j内的评估试验数据;W(zi,bq,sj)是第一次加权融合权值,其中的性能指标序号i=1,...,p,跟踪工况时段序号j=1,...,m,试验件序号q=1,...,n,且z1,...,zp,b1,...,bn,s1,...,sm分别是性能指标集Z、试验件集B、跟踪工况时段集S在权值变量中的元素标记符号。
示例性的,zp,b1,sm分别表示性能指标p,试验件1,跟踪工况时段m,因而W(zp,b1,sm)表示基于智能跟踪算法的雷达导引头试验件1的性能指标p在跟踪工况时段m内的数据所对应的权值,其它权值含义均可由此得出。
S23.基于赋权优化算法所获得的均值权值和方差权值,使用线性-非线性混合赋分机制,对单指标单时段第一次加权数据进行赋分,获得单指标单时段评估结果。
线性-非线性混合赋分机制可对单指标单时段第一次加权数据进行初始赋分,进而为后续评估创造条件。本实施例采用混合赋分机制,具体使用何种机制需要看指标集Z中有何种特性的指标。
具体来说,赋分函数包括平滑线性函数、平滑非线性函数和非平滑非线性函数。
(1)平滑线性函数。设x为指标数值即x(zi,sj)的值,y为动态评估结果值,则平滑线性的对应关系为:
y=HI(x)=ax+b
其中a和b为实常数,并设定xmin,xmax,ymin,ymax为反复试验后确定的指标最小值和最大值,及其相应评估结果。
(2)平滑非线性函数。平滑线性的对应关系为:
y=HI(x)=aτxτ+aτ-1xτ-1+...+a1x+b
其中b,a1,...,aτ为实常值,τ为正整数且最小取值为2。调节上述多项式的参数可以表示任意平滑非线性函数。非线性赋分函数的意义在于,度量指标在某一区间内变化会加速或减慢评估结果的变化,以反映这一区间对评估结果更大或更小的影响。
(3)非平滑非线性函数。这类赋分函数可细分为连续非平滑函数和不连续非平滑函数。本实施例采用的评估单元(群体)赋分就属于广义的非平滑非线性赋分函数。通用的非平滑非线性对应关系可表述为分段函数形式:
其中x1~xσ-1为性能指标值自变量区间分段点,区间内函数连续可导,区间之间函数不可导(连续或不连续均可)。常见的评估单元的评估结果,其本质是不连续函数的模糊形式。因此,以上三大类赋分机制基本涵盖了所有打分方式。
在雷达导引头智能跟踪算法度量指标数据中的单融合时段内,指标也是函数而非某一数值。因而,经过赋分机制打分后,融合时段内的动态评估结果值也是函数而非某一数值。这与得到一个时段的评估分数不一致,因此需要将评估结果函数转换为分值,最终形成单指标单时段评估结果Fij。取动态评估结果值y的均值为Jy,ij,方差为σy,ij。则单指标单时段评估结果可计为:
Fij=W(Jy,ij)Jy,ij+W(σy,ij)σy,ij
其中,W(Jy,ij)和W(σy,ij)分别为均值权值和方差权值。
综上,包含一个赋分机制集合的第一次加权融合可得到单指标单时段评估结果,为第二次加权融合得到单性能指标总分创造条件。
S24.基于赋权优化算法所获得的第二次加权融合权值,对性能指标相同、跟踪工况时段不同的所述单指标单时段评估结果,进行第二次加权融合,得到单性能指标总分。
将单性能指标内部不同时段评估结果二次加权融合得到单性能指标总分。第二次加权融合是为了将单性能指标内不同时段评估结果加权获取单性能指标总分。加权融合算法表达式为:
其中,W(zi,rj)为第二次加权融合权值,表示指标i融合时段j的权值,Fi表示单性能指标总分。
S25.基于赋权优化算法所获得的第三次加权融合权值,对性能指标不同的所述单性能指标总分,进行第三次加权融合,得到算法性能综合评估结果。
将多个性能指标总分三次加权融合得到算法性能综合评估结果。第三次加权融合是为了基于单性能指标总分加权,获取雷达导引头智能跟踪算法性能综合评估结果。融合算法表达式如下:
其中W(zi)为第三次加权融合权值,表示指标i的整体权值,F表示算法性能综合评估结果。
优选地,步骤S3可进一步细化为如下步骤:
S31.基于所述算法的参数,获得多个参数评估用例。
构建摄动参数评估用例,即摄动参数集C:{参数集1,参数集2,...,参数集k,参数集k+1,参数集2k}。则通过重复上述三次加权可得每个参数集下的单指标单时段评估结果,单性能指标总分和算法性能综合评估结果。
将各参数集符号简记为:参数集1=C1,参数集2=C2,...,参数集2k=C2k,标称参数集K=CK。
选择标称参数数值周围上下波动的参数集合,小于CK的取k个参数集,大于CK的取k个参数集组成摄动参数集C。即:
其中,r=1,...,V表示参数集Cl中的参数序号,V是参数数量,l是参数集序号。则:
Cl={slr}={sl1,...,slV}
slr代表任意智能学习参数,进而如果满足:
则表示Cl>Cl+1。
S32.对每个所述参数评估用例进行所述三次加权融合,并结合算法性能综合评估结果,对所述算法的参数进行优化,获得优化后的雷达导引头智能跟踪算法。
在每一个参数评估用例下重复三次加权评估过程,获取每个所述参数评估用例的算法综合性能综合评估结果F1*,...,Fk*,Fk+1*,...,F2k*,和单性能指标评估结果Fi,1*,...,Fi,k*,Fi,k+1*,...,Fi,2k*;其中,Fi为算法的单性能指标评估结果。
基于上述评估结果,并结合所述算法性能综合评估结果F,获取最优评估结果对应的参数评估用例作为优化目标;其中,参数整体优化目标设为:
Fmax=max{F1*,…,Fk*,F,Fk+1,*,…,F2k,*}
参数局部优化目标则设为:
Fi,max=max{Fi,1*,…,Fi,k*,Fi,Fi,k+1,*,…,Fi,2k,*}
摄动参数集是本评估方法的评估用例,参数的选择细节与具体的智能算法结构有关。
获得包括算法性能综合评估结果、参数整体优化目标和参数局部优化目标在内的雷达导引头智能跟踪算法性能综合评估结果;
基于所述参数整体优化目标和参数局部优化目标,对算法的参数进行优化,获得优化后的雷达导引头智能跟踪算法。
图1是本发明实施例中评估方法的总体框图。在参数集与摄动参数集下,重复三次加权评估过程,获得评估结果和优化评估结果,最终形成评估结果以实现对雷达导引头智能目标识别算法的优化。三次评估按先后顺序分别对应单指标单时段不同试验件性能指标数据加权评估,单指标不同时段评估结果加权评估,不同性能指标总评估结果综合加权评估。其中,第一次加权评估后有一个混合赋分环节,整个评估中的权值有优化赋权算法保证客观性,最终形成了包含多个单性能指标评估结果、综合性能评估结果和优化目标参数集的评估结果。
图3、图4、图5、图6和图7是本方案的验证结果。图3(a)、3(b)和图4(a)、4(b)中横坐标表示仿真步数即时间点,纵坐标表示跟踪误差;图5(a)、5(b)横坐标表示5个时段1、2、3、4、5,带小数点数字无意义,5个时段分别代表目标静止状态、低速直线状态、高速直线状态、低速转弯状态、高速转弯状态,纵坐标表示评估分值;图6横坐标从左至右分别表示雷达导引头成像平面的x轴位置误差总分、y轴位置误差总分、多指标综合评估结果,纵坐标表示评估分值;图7横坐标从左至右分别表示雷达导引头成像平面的x轴位置误差、y轴位置误差、多指标综合评估的优化前后对比分数,纵坐标表示评估分值。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种雷达导引头智能跟踪算法的性能综合评估及优化方法,其特征在于,包括如下步骤:
基于不同雷达导引头试验件,开展针对雷达导引头智能跟踪算法的评估试验,获得评估试验数据;
利用赋权优化算法和线性-非线性混合赋分机制,对所述评估试验数据进行三次加权融合,得到算法性能综合评估结果,包括:利用赋权优化算法,获得第一次加权融合权值、均值权值、方差权值、第二次加权融合权值和第三次加权融合权值;基于所述第一次加权融合权值,对跟踪工况时段和性能指标相同、环境硬件特性不同的所述评估试验数据进行第一次加权融合,得到单指标单时段第一次加权数据;基于所述均值权值和方差权值,使用线性-非线性混合赋分机制,对单指标单时段第一次加权数据进行赋分,获得单指标单时段评估结果;基于所述第二次加权融合权值,对性能指标相同、跟踪工况时段不同的所述单指标单时段评估结果,进行第二次加权融合,得到单性能指标总分;基于所述第三次加权融合权值,对性能指标不同的所述单性能指标总分,进行第三次加权融合,得到算法性能综合评估结果;
基于所述算法的参数,获得多个参数评估用例,对每个所述参数评估用例进行所述三次加权融合,并结合所述算法性能综合评估结果,对所述算法的参数进行优化,获得优化后的雷达导引头智能跟踪算法。
2.根据权利要求1所述的雷达导引头智能跟踪算法的性能综合评估方法,其特征在于,基于不同雷达导引头试验件,开展针对雷达导引头智能跟踪算法的评估试验,获得评估试验数据,包括:
选取不同环境特性和硬件特性的雷达导引头试验件;其中,所述环境特性包括贮存环境和使用环境,所述硬件特性为型号属性;
基于所述雷达导引头试验件,开展针对雷达导引头智能跟踪算法的评估试验;
试验过程中,实时采集不同的性能指标数据,并按照跟踪目标状态划分不同的跟踪工况时段;获得包括多种环境硬件特性、多类性能指标和多个跟踪工况时段的评估试验数据。
3.根据权利要求2所述的雷达导引头智能跟踪算法的性能综合评估方法,其特征在于,所述贮存环境,包括:常温常压下,贮存时间小于10天、贮存时间大于10天且小于100天、贮存时间大于100天且小于1000天、贮存时间大于1000天;
所述使用环境,包括:执行1次模拟飞行跟踪任务、执行大于1次且小于10次模拟飞行跟踪任务、执行大于10次且小于100次模拟飞行跟踪任务、执行大于100次模拟飞行跟踪任务。
4.根据权利要求3所述的雷达导引头智能跟踪算法的性能综合评估方法,其特征在于,所述性能指标,包括:
x轴位置误差、y轴位置误差、x轴响应时间、y轴响应时间、x轴稳态方差、y轴稳态方差、分辨力、积分旁瓣比、峰值旁瓣比、对比度和熵;
所述跟踪工况时段,包括:
静止状态、低速直线状态、中速直线状态、高速直线状态、低速转弯状态、中速转弯状态和高速转弯状态。
5.根据权利要求4所述的雷达导引头智能跟踪算法的性能综合评估方法,其特征在于,利用赋权优化算法,获得第一次加权融合权值、均值权值、方差权值、第二次加权融合权值和第三次加权融合权值,包括:
S 1.构建由X个评估单元组成的评估群体E1,E2,...,EX;其中,评估单元Ev(v=1,2,...,X)分别按照试验件、性能指标和跟踪工况时段的重要性确定Q个指标权值向量Wv=(Wv,1,Wv,2,...,Wv,Q)=(Wv(zi,bq,sj),Wv(Jy,ij),Wv(σy,ij),Wv(zi,rj),Wv(zi)),且满足:Wv(zi,bq,sj)=(Wv,1,Wv,2,...,Wv,n×p×m),Wv(Jy,ij)=(Wv,n×p×m+1,...,Wv,n×p×m+p×m),Wv(σy,ij)=(Wv,n×p×m+p×m+1,...,Wv,n×p×m+2×p×m),Wv(zi,rj)=(Wv,n×p×m+2×p×m+1,...,Wv,n×p×m+3×p×m),Wv(zi)=(Wv,n×p×m+3×p×m+1,...,Wv,n×p×m+3×p×m+p);其中,Wv(zi,bq,sj)为初始第一次加权融合权值,Wv(Jy,ij)为初始均值权值,Wv(σy,ij)为初始方差权值,Wv(zi,rj)为初始第二次加权融合权值,Wv(zi)为初始第三次加权融合权值;Q满足:
Q=Q1+Q2+Q3+Q4+Q5=n×p×m+3×p×m+p
Q1=n×p×m
Q2=Q3=Q4=p×m
Q5=p
其中,n表示试验件数量,p表示性能指标总数,m表示跟踪工况时段总数,Q1表示Wv(zi,bq,sj)中的权值数量,Q2表示Wv(Jy,ij)中的权值数量,Q3表示Wv(σy,ij)中的权值数量,Q4表示Wv(zi,rj)中的权值数量,Q5表示Wv(zi)中的权值数量;
则权值矩阵为:
S2.计算评估单元Ev与评估单元Eo之间的相似系数:
其中,ι是权值序号;
则相似系数矩阵为:
其中,rvo=rov(v≠o,且v,o=1,2,...,X),rvo=1(v=o,且v,o=1,2,...,X);
S3.计算评估单元Ev与评估群体E1,E2,...,EX之间的相似度:
对相似系数矩阵按行求和,构成相似度向量G=(g1,g2,...,gX)T;
S4.设置淘汰比例,根据所述淘汰比例,排除相似度低的极端评估单元的评估结果;
S5.对剩余的评估单元给出的权值向量取平均值,获得最终权值向量We=(We,1,We,2,...,We,Q)=(W(zi,bq,sj),W(Jy,ij),W(σy,ij),W(zi,rj),W(zi)),且满足:W(zi,bq,sj)=(We,1,We,2,...,We,n×p×m),W(Jy,ij)=(We,n×p×m+1,...,We,n×p×m+p×m),W(σy,ij)=(We,n×p×m+p×m+1,...,We,n×p×m+2×p×m),W(zi,rj)=(We,n×p×m+2×p×m+1,...,We,n×p×m+3×p×m),W(zi)=(We,n×p×m+3×p×m+1,...,We,n×p×m+3×p×m+p);其中,W(zi,bq,sj)为第一次加权融合权值,W(Jy,ij)为均值权值,W(σy,ij)为方差权值,W(zi,rj)为第二次加权融合权值,W(zi)为第三次加权融合权值。
6.根据权利要求5所述的雷达导引头智能跟踪算法的性能综合评估方法,其特征在于,所述线性-非线性混合赋分机制,包括平滑线性函数、平滑非线性函数和非平滑非线性函数。
7.根据权利要求6所述的雷达导引头智能跟踪算法的性能综合评估方法,其特征在于,所述算法的参数,包括:
神经网络的学习速率η、主动雷达导引头的融合权值与被动雷达导引头的融合权值的比值α、目标加速度a和目标的距离范围h。
8.根据权利要求7所述的雷达导引头智能跟踪算法的性能综合评估方法,其特征在于,基于所述算法的参数,获得多个参数评估用例,包括:
构建摄动参数评估用例,即摄动参数集C:{参数集1,参数集2,...,参数集k,参数集k+1,参数集2k};
将各参数集符号简记为:参数集1=C1,参数集2=C2,...,参数集2k=C2k,标称参数集K=CK;
选择标称参数数值周围上下波动的参数集,小于CK的取k个参数集,大于CK的取k个参数集组成摄动参数集C,即:
其中,r=1,...,V表示参数集Cl中的参数序号,V是参数数量,l是参数集序号;
基于所述算法的参数,得到:
Cl={slr}={sl1,...,slV}
其中,slr代表任意所述算法的参数。
9.根据权利要求8所述的雷达导引头智能跟踪算法的性能综合评估方法,其特征在于,对每个所述参数评估用例进行所述三次加权融合,并结合所述算法性能综合评估结果,对所述算法的参数进行优化,获得优化后的雷达导引头智能跟踪算法,包括:
在每一个参数评估用例下重复三次加权评估过程,获取每个所述参数评估用例的算法综合性能评估结果F1*,...,Fk*,Fk+1*,...,F2k*,和单性能指标评估结果Fi,1*,...,Fi,k*,Fi,k+1*,...,Fi,2k*;其中,Fi为算法的单性能指标评估结果;
基于上述评估结果,并结合所述算法性能综合评估结果F,获取最优评估结果对应的参数评估用例作为优化目标;其中,参数整体优化目标设为:
Fmax=max{F1*,…,Fk*,F,Fk+1,*,…,F2k,*}
参数局部优化目标设为:
Fi,max=max{Fi,1*,…,Fi,k*,Fi,Fi,k+1,*,…,Fi,2k,*}
获得包括算法性能综合评估结果、参数整体优化目标和参数局部优化目标在内的雷达导引头智能跟踪算法性能综合评估结果;
基于所述参数整体优化目标和参数局部优化目标,对算法的参数进行优化,获得优化后的雷达导引头智能跟踪算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211173079.9A CN115563861B (zh) | 2022-09-26 | 2022-09-26 | 一种雷达导引头智能跟踪算法的性能综合评估及优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211173079.9A CN115563861B (zh) | 2022-09-26 | 2022-09-26 | 一种雷达导引头智能跟踪算法的性能综合评估及优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115563861A CN115563861A (zh) | 2023-01-03 |
CN115563861B true CN115563861B (zh) | 2023-06-20 |
Family
ID=84742991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211173079.9A Active CN115563861B (zh) | 2022-09-26 | 2022-09-26 | 一种雷达导引头智能跟踪算法的性能综合评估及优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563861B (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798491B (zh) * | 2020-07-13 | 2022-09-06 | 哈尔滨工业大学 | 一种基于Elman神经网络的机动目标跟踪方法 |
CN112068119B (zh) * | 2020-07-28 | 2023-07-25 | 中国人民解放军63892部队 | 一种被动雷达导引头对雷达和诱饵干扰的识别方法 |
-
2022
- 2022-09-26 CN CN202211173079.9A patent/CN115563861B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115563861A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348708B (zh) | 一种基于极限学习机的地面目标动态威胁评估方法 | |
CN107766668B (zh) | 一种基于神经网络的复杂仿真模型验证方法 | |
CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
CN110018453A (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN107085733A (zh) | 基于cnn深度学习的近岸红外舰船识别方法 | |
CN112149715B (zh) | 一种基于深度学习的无人机空战威胁评估方法 | |
CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN111340061A (zh) | 基于svm模型参数优化的多模态数据融合和分类方法 | |
Gonzalez-Carrasco et al. | Dealing with limited data in ballistic impact scenarios: an empirical comparison of different neural network approaches | |
CN114912741A (zh) | 一种作战体系结构效能评估方法、装置以及存储介质 | |
CN114690790A (zh) | 基于gru的拦截飞行器制导律快速辨识方法 | |
CN115563861B (zh) | 一种雷达导引头智能跟踪算法的性能综合评估及优化方法 | |
Yongcui | Situation awareness and target recognition of marine big data battlefield based on deep learning | |
CN115661576A (zh) | 一种样本不平衡下的飞机群组意图识别方法 | |
Akar et al. | Open set recognition for time series classification | |
CN114417713A (zh) | 一种来袭多目标的编群方法 | |
CN113868597A (zh) | 一种用于年龄估计的回归公平性度量方法 | |
Shao et al. | A novel recurrent convolutional neural network-based estimation method for switching guidance law | |
Zhang et al. | Research on armored unit target threat assessment based on SVM | |
Yu et al. | Comparative analysis and development exploration of threat assessment methods for warship air defense | |
Feng et al. | Research on Threat Assessment evaluation model based on improved CNN algorithm | |
Hao et al. | Flight Trajectory Prediction Using an Enhanced CNN-LSTM Network | |
Notkin et al. | Classification of Ground Moving Radar Targets with RBF Neural Networks. | |
LOU et al. | Intelligent evolution method for obstacle-avoidance algorithm of unmanned surface vehicles in real sea trial based on machine learning | |
CN109866931B (zh) | 一种基于自编码器的飞机油门控制方法 |
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 |