CN116070498A - 一种手持式快速毁伤评估装置 - Google Patents

Abstract

一种手持式快速毁伤评估装置，该装置安装于无人机上，包括采集模块以及控制单元，其中，采集模块采集目标的当前毁伤效果、弹药的速度、着弹点、着弹角，控制单元根据采集结果对一次打击后进行毁伤预估，预估包括如下步骤：步骤1，建立基于SVM的二次打击弹药消耗量预测模型；步骤2：对SVM参数进行QPSO优化；步骤3：对量子粒子群优化算法的参数进行改进和优化。本发明对量子粒子群的收缩‑扩张系数做了进一步改进，选用异步递减的策略对其进一步优化。最后通过与其他算法对比，证明改进后的方法在毁伤预测的准确性和有效性方面要优于贝叶斯网络和PSO‑SVM及BP神经网络算法。

Description

一种手持式快速毁伤评估装置

技术领域

本发明属于无人机领域，具体来说是针对一次打击完毕后的毁伤评估装置。

背景技术

在对目标打击之后，由无人平台节点评估目标的毁伤效果，若没有达到预期的毁伤效果，则需要继续对目标实施二次打击。由于无法直接得到达到预期毁伤效果所需要的弹药数量，需要有一种弹药和弹目交汇参数变化时预测达到目标期望毁伤所需弹药数量的方法。当前针对弹药消耗量预测的研究方法，主要有实验法、经验公式法以及模拟仿真法等。其中经验公式法是在分析弹药参数的基础上模拟对目标打击，采用数学计算的方式估算出需要的弹药消耗量，但是计算二次打击弹药消耗量的过程不仅复杂，而且影响因素众多，目前还没有一个高精度的毁伤经验公式覆盖多个变量因素(如着弹角、着靶速度、瞄准点等)；毁伤实验法通过对目标真实的打击，统计二次打击弹药的消耗量，但是该方法需要以大量弹药资源和经费为代价，无法普遍应用于实际战场。

为了有效解决弹药消耗量预测这一问题，一些学者引入具有高维非线性预测能力的神经网络模型，如张宗腾等人公开了基于改进GA-BP神经网络的毁伤评估方法建立了毁伤预测评估的一般模型；刘国强等人公开了为了预测集成武器系统的作战效能，基于BP神经网络模型建立了集成武器系统的效能评估模型。当前基于神经网络的弹药消耗量预测，主要是BP神经网络和RBF神经网络，且都取得了良好的预测效果，但是神经网络较好的非线性预测能力依赖大量且准确性高的训练样本数据。为解决在小样本数据且数据存在误差的条件下二次打击弹药消耗量预测问题，王富永等人公开提出了应用支持向量机模型进行弹药消耗量预测的方法。在样本存在误差和样本量有限的情况下，SVM以其结构风险最小化的特点依然获得良好的预测效果。

发明内容

本发明要解决的技术问题是：针对二次打击弹药消耗量预测问题提出一种改进型的QPSO-SVM弹药消耗量预测的方法，从而进行快速毁伤评估。采用改进型的量子粒子群算法对SVM的核心参数寻优，利用SVM建立弹目交汇参数和弹药消耗量之间的映射关系，解决二次打击弹药消耗量的预测问题。

为解决上述技术问题，本发明采用以下技术方案：

一种手持式快速毁伤评估装置，该装置安装于无人机上，包括采集模块以及控制单元，其中，采集模块采集目标的当前毁伤效果、弹药的速度、着弹点、着弹角，控制单元根据采集结果对一次打击后进行毁伤预估，预估包括如下步骤：

步骤1，建立基于SVM的二次打击弹药消耗量预测模型：建立弹目交汇参数等输入向量和弹药消耗量输出参数对应的关系：

f(x_i)＝y_i

式中：x_i是第i次实验时当前毁伤效果、弹目交汇参数以及期望毁伤效果等参数，称为输入量；y_i表示第i次二次打击时达到期望毁伤效果时弹药的消耗量，称为输出量；可知x_i＝(Cur_i,Aim_i,S_i,E_i)，Cur_i、Aim_i、S_i、E_i分别表示第i次实验的当前毁伤效果、瞄准点、着靶速度、期望达成的毁伤效果，y_i为从当前毁伤效果到期望毁伤效果所需要的弹药消耗量；基于支持向量机构建二次打击弹药消耗量预测的模型：在建立输入向量与输出结果之间的映射关系后，根据新的输入量输得出相应的弹药消耗量；

步骤2：对SVM参数进行QPSO优化：采用量子粒子群算法对C和g这两个参数寻优，以获取弹药消耗量预测效果较好的模型；

步骤3：对量子粒子群优化算法的参数进行改进和优化。

二次打击弹药消耗量预测模型的建立过程为：

给定k个样本((x₁,y₁),(x₂,y₂),...(x_k,y_k),x_i∈Rⁿ,y_i∈{1,2,3...60})组成训练集T，其中，x_i为样本里的第i组弹目交汇参数特征量，y_i为对应的达到期望毁伤等级所需的弹药量，寻找输入向量x_i和输出量y_i之间的映射关系f(·)，使得f(x_i)＝y_i成立，首先需要将n维输入向量投射到某一个l维的特征空间，然后在此特征空间内构造回归函数

式中：ω表示为权值向量；

表示输入向量x_i映射到l为特征空间的函数；b表示为阈值；设经验风险函数

式中：G称为损失函数，其表达式为

式中：ε是大于0的小数；

根据SVM算法考虑的泛化风险SRM准则选取非线性回归函数为

式中：sgn为符号函数；

结合支持向量机算法的“最大间隔”原理求解(4.6)(4.7)的规划问题；

式中：ξ_i，

为两个增加的松弛变量，用于考虑在实际应用中存在不满足线性可分的情况；C称为惩罚参数，表示为对错误的惩罚程度，s.t.表示约束条件；

将式(4.6)和(4.7)转化为拉格朗日对偶问题求解，可解得

式中：α_i，α_j均为拉个朗日乘数，K(·)称为核函数；所述的核函数为径向基核函数。

步骤2中，量子粒子群算法为：设在一个N维解空间中，有M个粒子组成粒子群，迭代次数设置为t，第i个粒子在第t次迭代时的位置为

x_i(t)＝(x_i1(t),x_i2(t),...,x_iN(t)),i＝1,2,...,M (0.7)第i个粒子最好位置为:

式中：g为群体中全局最好的粒子的下标，g∈{1,2,...,M}。

群体中所有粒子最优的位置

G(t)＝(G_i1(t),G_i2(t),...,G_iN(t)),i＝1,2,...,M (0.9)

在每迭代过程中，粒子在更新其位置前，都要重新计算群体中最优的位置，即是当前粒子最优位置与群体最优位置比较，如果当前粒子最优位置相比于最优的位置较好，则更新全局最优位置G(t)，否则，G(t)继续保持不变；

式中：

为0～1之间的随机系数

则粒子位置的进化规则为

式中：α为收缩扩展系数，但是在实际应用中，系数α值会影响粒子群的收敛性能；c_j(t)表示当前粒子群的平均最优位置，即

u取为0～1之间的随机数，且当u≥0.5时，±取为“-”号，否则取为“+”号。

步骤3中，采用非线性异步递减的策略对α的取值做进一步改进，将α按如下方法进行取值：

式中α_max、α_min分别为α的初始值和最终值，t为迭代次数，t_max作为寻优过程中总的迭代次数。

采用上述技术方案的本发明，为快速对毁伤进行评估，进而对目标二次打击时弹药消耗量进行预测，本发明对量子粒子群的收缩-扩张系数做了进一步改进，选用异步递减的策略对其进一步优化。最后通过与其他算法对比，证明改进后的方法在毁伤预测的准确性和有效性方面要优于贝叶斯网络和PSO-SVM及BP神经网络算法。

附图说明

图1为粒子群算法优化支持向量机流程图；

图2为不同策略下的收缩-扩展系数α值随迭代次数变化规律图；

图3为改进的QPSO对SVM参数优化的过程流程图。

具体实施方式

一种手持式快速毁伤评估装置，该装置安装于无人机上，包括采集模块以及控制单元，其中，采集模块采集目标的当前毁伤效果、弹药的速度、着弹点、着弹角，控制单元根据采集结果对一次打击后进行毁伤预估，进而预测二次打击的弹药消耗量。包括如下步骤：

步骤1，建立基于SVM的二次打击弹药消耗量预测模型：支持向量机的基本思想是运用核函数定义的非线性变换将输入空间变换到高维空间以寻找输入与输出间的非线性映射关系，以结构风险化最小原则为基础，在处理训练样本量不足且存在误差的非线性预测问题时依然具有良好的预测效果。

动能弹对地面目标进行打击时，目标的当前毁伤效果、弹药的速度、着弹点、着弹角以及期望毁伤效果等都会直接影响二次打击弹药消耗量预测的准确性，建立弹目交汇参数等输入向量和弹药消耗量输出参数对应的关系如式(4.1)。

f(x_i)＝y_i (0.14)

式中：x_i是第i次实验时当前毁伤效果、弹目交汇参数以及期望毁伤效果等参数，称为输入量；y_i表示第i次二次打击时达到期望毁伤效果时弹药的消耗量，称为输出量；可知x_i＝(Cur_i,Aim_i,S_i,E_i)，Cur_i、Aim_i、S_i、E_i分别表示第i次实验的当前毁伤效果、瞄准点、着靶速度、期望达成的毁伤效果，y_i为从当前毁伤效果到期望毁伤效果所需要的弹药消耗量。但到目前未能直接推导当前毁伤效果、弹目交汇参数、期望毁伤效果与达到期望毁伤效果时弹药的消耗量之间的关系，由于参数较多且是非线性的，于是，基于支持向量机构建了二次打击弹药消耗量预测的模型来解决该问题。

给定k个样本((x₁,y₁),(x₂,y₂),...(x_k,y_k),x_i∈Rⁿ,y_i∈{1,2,3...60})组成训练集T，其中，x_i为样本里的第i组弹目交汇参数特征量，y_i为对应的达到期望毁伤等级所需的弹药量，当弹药大于60颗时，认为是达不到期望毁伤效果的，则基于支持向量机的训练，即是寻找输入向量x_i和输出量y_i之间的映射关系f(·)，使得f(x_i)＝y_i成立，首先需要将n维输入向量投射到某一个l维的特征空间，然后在此特征空间内构造回归函数

式中：ω表示为权值向量；

表示输入向量x_i映射到l为特征空间的函数；b表示为阈值；为提高模型精度并使得风险最小化，应该选取合适的参数，设经验风险函数

式中：G称为损失函数，其表达式为

式中：ε是大于0的小数。

根据SVM算法考虑的泛化风险SRM准则选取非线性回归函数为

式中：sgn为符号函数。

结合支持向量机算法的“最大间隔”原理可以非线性回归问题转化为求解(4.6)(4.7)的规划问题。

式中：ξ_i，

为两个增加的松弛变量，用于考虑在实际应用中存在不满足线性可分的情况；C称为惩罚参数，表示为对错误的惩罚程度，s.t.表示约束条件。

将式(4.6)和(4.7)转化为拉格朗日对偶问题求解，可解得

式中：α_i，α_j均为拉个朗日乘数，K(·)称为核函数，核函数的引入可有效的降低运算维数和复杂度，目前，主要应用比较广泛并且效果较好的核函数主要有四类。

1)线性核函数

K(x,y)＝x^T·y (0.22)

2)多项式核函数

K(x,y)＝[(x·y)+1]^q (0.23)

3)感知器(Sigmoid)核函数

K(x,y)＝tanh[v(x·y)+c] (0.24)

4)径向基核函数(RBF)

本模型选用的核函数是对参数选择要求较低的径向基核函数。

该问题存在唯一解，求解获得最优的分类函数如式(4.13)

式中：sgn[]为符号函数；

为最优解；b^*为分类的阈值。

在建立输入向量与输出结果之间的映射关系后，即可根据新的输入量输得出相应的弹药消耗量。

步骤2：对SVM参数进行QPSO优化：惩罚参数C与核参数g的取值对基于径向基核函数的SVM泛化性能影响比较显著，对这两个参数设置合理的值可以明显提升SVM预测弹药消耗量的精度和速度，所以，需要对C和g这两个参数寻优，以获取弹药消耗量预测效果较好的模型。

传统的Bagging算法和Boosting算法常作为求解参数C和g的方法，但是这两种算法效率较慢且均不能保证获得最优解。而粒子群优化算法(Particle swarmoptimization，PSO)通过群体中粒子间的协作与竞争来搜索解空间，并且迭代过程中通过持续跟踪个体最优值和全局最优值来更新自身的运动轨迹达到最快求解问题的最优解目的，具有的收敛速度快和全局搜索等优势，非常适用于SVM参数的寻优。

粒子群优化算法解决了参数寻优慢的问题，但是在寻优过程中也存在容易陷入局部最优和搜索空间不能够完全覆盖可能的解空间等不足，相关参数便不能得到最优解，导致训练的SVM模型精度的降低。而量子粒子群算法(Quantum Particle SwarmOptimization，QPSO)的提出很好的利用了粒子群算法的优点并避开了其不足，并且协同能力更强，在该算法中粒子像量子一样以一定概率的方式出现，量子粒子群算法结合了量子物理学的思想，在整个空间内理论上达到完全遍历整个全局区域，从而避免局部最优的缺陷。

设在一个N维解空间中，有M个粒子组成粒子群，迭代次数设置为t，第i个粒子在第t次迭代时的位置为

x_i(t)＝(x_i1(t),x_i2(t),...,x_iN(t)),i＝1,2,...,M (0.27)第i个粒子最好位置为:

式中：g为群体中全局最好的粒子的下标，g∈{1,2,...,M}。

群体中所有粒子最优的位置

G(t)＝(G_i1(t),G_i2(t),...,G_iN(t)),i＝1,2,...,M (0.29)

在每迭代过程中，粒子在更新其位置前，都要重新计算群体中最优的位置，即是当前粒子最优位置与群体最优位置比较，如果当前粒子最优位置相比于最优的位置较好，则更新全局最优位置G(t)，否则，G(t)继续保持不变。

式中：

为0～1之间的随机系数

则粒子位置的进化规则为

式中：α为收缩扩展系数，但是在实际应用中，系数α值会影响粒子群的收敛性能；c_j(t)表示当前粒子群的平均最优位置，即

u取为0～1之间的随机数，且当u≥0.5时，±取为“-”号，否则取为“+”号。

本模型通过K-CV法确定其适应度函数

式中：f是加权平均分类精度；n是类别数目；ω_ij是第i组第j类权重系数；e_ijt和e_ijf分别是第i组第j类正确和错误分类数量。

QPSO算法相比于PSO算法，首先引入量子的概念，粒子以一定的概率出现在可能的解空间中，并且在寻优过程中不再受速度的限制，理论上能够完全寻优整个解空间，使其避免了在寻优过程中“局部最优”的缺陷；其次，QPSO优化算法需要调整的参数更少，只有一个收缩扩张系数α，而经典PSO算法需要调整自身学习因子c₁、群体学习因子c₂和惯性权重ω，因此，QPSO算法更为简洁。

在生成训练样本数据并确定算法的误差函数后，即可使用QPSO算法对SVM模型进行训练以寻求惩罚参数C和核参数g的最优解，当迭代次数达到设定阈值或输出小于设定的误差值时寻优结束。优化流程如图1所示。

步骤3：对量子粒子群优化算法的参数进行改进和优化：QPSO具有较高的全局寻优能力和较低的参数调控难度，可以较好的对SVM的核心参数进行寻优，从而获得良好的模型实现对二次打击弹药消耗量的预测。虽然QPSO提高了全局搜索的能力，但是其局部寻优的能力相对较差，因此在寻优过程中收敛较慢，导致耗时较长，本发明对QPSO优化算法的参数做了进一步改进。

在QPSO寻优过程中，收缩-扩展系数α影响着该算法收敛的快慢，α值越大，全局搜索能力越强，α值越小，在局部搜索能力越强；在应用到具体场景时，在前期，为了能搜索完整的解空间，往往需要算法收敛速度慢，在后期时随着迭代次数的增加，为了减少寻优的时长，往往需要加强其局部搜索的能力，加快收敛的速度。于是，一些学者提出采用α值线性递减的策略，线性递减的方法虽然在一定程度上保证了算法前期全局搜索能力强、后期局部搜索能力强的目的，但是在性能上还有一些欠缺，本发明对采用非线性异步递减的策略对α的取值做进一步改进，以提高QPSO算法性能，从而更快的寻优SVM核心参数的最优解。

基于非线性递减策略，本发明将α按如下方法进行取值：

式中α_max、α_min分别为α的初始值和最终值，t为迭代次数，t_max作为寻优过程中总的迭代次数。将α_max设为1，α_min设为0.5，β设置为0.1，最大迭代次数t_max设为100，同时设置线性递减策略中的α参数相同的数值。图2展示了两种策略下的α值随迭代次数变化规律。

由图2可得，寻优过程中，采用非线性递减的策略α值高于传统线性递减策略的值，说明在迭代初期，改进后的方法具有较强的全局搜索能力，在迭代后期，非线性递减的策略α值低于传统线性递减策略，改进后的方法具有较强的局部搜索能力，因此，改进后的策略不管是在迭代前期还是后期，都比传统PSO算法效果更好。

综合上文，改进后的QPSO算法对SVM中的惩罚参数C与核参数g的优化流程如图3所示。

实验分析：

本发明利用刘瑞朝等人提出的工程毁伤算法，通过仿真实验得到目标毁伤数据，分析弹目交汇中影响目标毁伤的参数，提取特征量。经过分析，输入特征量为四个，分别是目标的当前毁伤等级、着弹点X、着弹点Y以及预期毁伤等级，输出量为达到预期伤等级还需要的弹药数量，目标的毁伤等级分为四类:1级、2级、3级和4级。毁伤数据如表1所示。

表1。

将训练集目标毁伤的特征量样本输入改进型的QPSO-SVM模型，对其进行训练，训练的过程即是通过改进后的粒子群算法对SVM的惩罚因子C和核函数参数δ寻求最优解的过程。设置参数δ的搜索范围为[2^-8,2⁸]；参数C取值范围为[2^-6,2⁶]；初始化粒子种群规模M为30；最大允许迭代次数t_max＝100；收缩-扩张系数最大值α_max＝1，最小值α_min＝0.4，取值采用改进后的异步递减的方法。寻优完后记录最优的惩罚参数C和核函数参数δ。

在本次实验中，样本总数是812组，其中训练样本609组，测试样本203组，使用改进后的QPSO-SVM训练完成之后，训练结束后得到支持向量机最优的惩罚参数C＝9.5156和核函数参数δ＝0.23285，将测试集样本的特征量输入改进型QPSO-SVM算法中进行预测，为了描述评估效的效果，引入两种精确度评判指标：

(1)预测准确度Accuracy，代表改进后的QPSO-SVM算法对所有样本的综合预测准确率。

其中：PCC表示正确预测的样本数，PAC表示预测的样本总数。

(2)预测灵敏度Sentivity，代表改进后的QPSO-SVM算法毁伤样本的灵敏度。

其中：CPCC表示某一类别中正确预测的样本数；CPAC表示某一类预测的样本总数。弹药消耗量预测的结果如表2所示。

表2。

表2为改进后模型预测的结果，直观的展现了弹药消耗量预测的结果，在203组测试样本中，共187组样本在误差不超过2枚的情况下预测准确，16组样本预测结果与实际结果相差较大，故改进后的模型预测的准确率为92.12％；同时依次计算了各个等级间预测的灵敏度，模型在1级到2级、1级到3级以及2级到3级的灵敏度较高，灵敏度分别为100％、97.62％和100％，在1级到4级以及3级到4级的灵敏度较差，灵敏度分比为84％和80.65％。

预测模型准确性验证：为了验证改进的算法相比较其他毁伤预测算法的优越性，在同样的实验环境下，将相同的毁伤数据分别输入至QPSO-SVM、贝叶斯网络以及BP神经网络算法中，通过Python平台进行编程实验。其中，设置未改进的QPSO-SVM算法的收缩-扩张系数初始值α_max＝1，最终值α_min＝0.5，值的变化采用线性递减策略，其他参数设置均与改进型QPSO-SVM相同，粒子群规模为30，最大迭代次数t_max＝100，粒子的维数dim设置为2；BP神经网络隐含层节点数设置为10，输出层设置为1，输入层设置为4，贝叶斯网络采用的是高斯分布的朴素贝叶斯。分别对每个测试算法单独运行100次实验。

在寻优结束后，把参数C和g代入用相同的数据集对模型进行训练，训练结束后，将相同的测试集分别输入上述几类模型中进行测试。表3中分别列举贝叶斯网络、BP神经网络、QPSO-SVM以及改进的QPSO-SVM算法预测的结果。

模型算法	准确数量(组)	失败数量(组)	准确度(％)
				贝叶斯网络	172	31	84.73％
BP网络	173	30	86.5％
				QPSO-SVM	185	18	91.13％
改进QPSO-SVM	187	16	92.12％

表3。

由表3可知：对于贝叶斯网络正确预测了其中的172组，31组样本被误判，预测的准确度Accuracy为84.73％；BP神经网络正确预测了173组样本，30组样本被误判，预测准确度Accuracy为86.5％；对于未改进的QPSO-SVM正确预测了其中的185组，18组样本被误判，预测准确度Accuracy为91.13％；对于改进的PSO-SVM正确预测了其中的187组，16组样本被误判，预测准确度为92.12％，准确度最高。

预测模型有效性验证：本发明除了对不同算法预测的准确性进行了比较之外，还对不同模型的适应度进行了对比，展示了本文改进后的预测算法与其他预测算法适应度随迭代次数T的变化情况对比，适应度与SVM预测的准确性成反比，适应度越低，模型预测的准确性越高。

PSO-SVM算法大概迭代10次适应度值便不在变化，且远高于其他两类算法，表明PSO-SVM未能完全的搜索可能的解空间而陷入了“局部最优”，导致寻优提前结束，模型的准确度较低。QPSO-SVM算法大概迭代12次左右适应度值变化，相对于其他两种方法，其迭代次数最多，表明该算法为了寻找最优解而搜索了整个解空间，最优值与改进型QPSO-SVM相同，都低于PSO-SVM。改进的QPSO-SVM算法对收缩-扩张系数α进行了优化，在迭代进行了3次左右便达到最优，这是因为在迭代前期，提高了其全局搜索的能力，在迭代后期，提高了局部搜索的能力，大大减少了寻优的时间，同时预测的准确度也是最高的。

另外，本发明预测算法与未改进的QPSO-SVM算法训练时寻优结束的时收敛代数对比，以当前代开始粒子适应度值连续10代不再变化作为寻优结束。

由此，改进型QPSO-SVM算法的寻优时收敛代数与未改进QPSO-SVM和PSO-SVM相比寻优时间更短，这是因为QPSO-SVM寻优时遍历了整个可行解空间，所以耗时比较长，而对收缩扩张系数改进之后，加快了在迭代后期的收敛速度，使得寻优时间大幅减少，表明改进后的算法能够较好地满足快速寻优的需求。

表4展示了不同预测算法对同样毁伤数据样本的训练时间。

预测算法	训练时长
		改进型QPSO-SVM	26.98s
QPSO-SVM	48.57s
		PSO-SVM	32.64s
BP神经网络	42.61s

表4。

由表4可知，改进型QPSO-SVM的训练时长为26.98s，QPSO-SVM的训练时长为48.57s，PSO-SVM的训练时长为32.64s，相比于其他几种算法改进型QPSO-SVM算法的训练时间最少。

Claims (4)

1.一种手持式快速毁伤评估装置，其特征在于：该装置安装于无人机上，包括采集模块以及控制单元，其中，采集模块采集目标的当前毁伤效果、弹药的速度、着弹点、着弹角，控制单元根据采集结果对一次打击后进行毁伤预估，预估包括如下步骤：

步骤1，建立基于SVM的二次打击弹药消耗量预测模型：建立弹目交汇参数等输入向量和弹药消耗量输出参数对应的关系：

f(x_i)＝y_i

式中：x_i是第i次实验时当前毁伤效果、弹目交汇参数以及期望毁伤效果等参数，称为输入量；y_i表示第i次二次打击时达到期望毁伤效果时弹药的消耗量，称为输出量；可知x_i＝(Cur_i,Aim_i,S_i,E_i)，Cur_i、Aim_i、S_i、E_i分别表示第i次实验的当前毁伤效果、瞄准点、着靶速度、期望达成的毁伤效果，y_i为从当前毁伤效果到期望毁伤效果所需要的弹药消耗量；基于支持向量机构建二次打击弹药消耗量预测的模型：在建立输入向量与输出结果之间的映射关系后，根据新的输入量输得出相应的弹药消耗量；

步骤2：对SVM参数进行QPSO优化：采用量子粒子群算法对C和g这两个参数寻优，以获取弹药消耗量预测效果较好的模型；

步骤3：对量子粒子群优化算法的参数进行改进和优化。

2.根据权利要求1所述的手持式快速毁伤评估装置，其特征在于：二次打击弹药消耗量预测模型的建立过程为：

给定k个样本((x₁,y₁),(x₂,y₂),...(x_k,y_k),x_i∈Rⁿ,y_i∈{1,2,3...60})组成训练集T，其中，x_i为样本里的第i组弹目交汇参数特征量，y_i为对应的达到期望毁伤等级所需的弹药量，寻找输入向量x_i和输出量y_i之间的映射关系f(·)，使得f(x_i)＝y_i成立，首先需要将n维输入向量投射到某一个l维的特征空间，然后在此特征空间内构造回归函数

式中：ω表示为权值向量；

表示输入向量x_i映射到l为特征空间的函数；b表示为阈值；设经验风险函数

式中：G称为损失函数，其表达式为

式中：ε是大于0的小数；

根据SVM算法考虑的泛化风险SRM准则选取非线性回归函数为

式中：sgn为符号函数；

结合支持向量机算法的“最大间隔”原理求解(4.6)(4.7)的规划问题；

式中：ξ_i，

为两个增加的松弛变量，用于考虑在实际应用中存在不满足线性可分的情况；C称为惩罚参数，表示为对错误的惩罚程度，s.t.表示约束条件；

将式(4.6)和(4.7)转化为拉格朗日对偶问题求解，可解得

式中：α_i，α_j均为拉个朗日乘数，K(·)称为核函数；所述的核函数为径向基核函数。

3.根据权利要求1所述的手持式快速毁伤评估装置，其特征在于：步骤2中，量子粒子群算法为：设在一个N维解空间中，有M个粒子组成粒子群，迭代次数设置为t，第i个粒子在第t次迭代时的位置为

x_i(t)＝(x_i1(t),x_i2(t),...,x_iN(t)),i＝1,2,...,M (0.7)

第i个粒子最好位置为:

式中：g为群体中全局最好的粒子的下标，g∈{1,2,...,M}。

群体中所有粒子最优的位置

G(t)＝(G_i1(t),G_i2(t),...,G_iN(t)),i＝1,2,...,M (0.9)

在每迭代过程中，粒子在更新其位置前，都要重新计算群体中最优的位置，即是当前粒子最优位置与群体最优位置比较，如果当前粒子最优位置相比于最优的位置较好，则更新全局最优位置G(t)，否则，G(t)继续保持不变；

式中：

为0～1之间的随机系数

则粒子位置的进化规则为

式中：α为收缩扩展系数，但是在实际应用中，系数α值会影响粒子群的收敛性能；c_j(t)表示当前粒子群的平均最优位置，即

u取为0～1之间的随机数，且当u≥0.5时，±取为“-”号，否则取为“+”号。

4.根据权利要求1所述的手持式快速毁伤评估装置，其特征在于：步骤3中，采用非线性异步递减的策略对α的取值做进一步改进，将α按如下方法进行取值：

式中α_max、α_min分别为α的初始值和最终值，t为迭代次数，t_max作为寻优过程中总的迭代次数。

Images