CN117892637B - 一种基于联合网络模型的靶板击穿厚度预测方法及装置 - Google Patents

一种基于联合网络模型的靶板击穿厚度预测方法及装置 Download PDF

Info

Publication number
CN117892637B
CN117892637B CN202410287815.6A CN202410287815A CN117892637B CN 117892637 B CN117892637 B CN 117892637B CN 202410287815 A CN202410287815 A CN 202410287815A CN 117892637 B CN117892637 B CN 117892637B
Authority
CN
China
Prior art keywords
network model
data
training
target plate
layer
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
CN202410287815.6A
Other languages
English (en)
Other versions
CN117892637A (zh
Inventor
张晓伟
沈汐
董文涛
肖龙斌
孔紫宁
崔伟
陈桐
林媛媛
张雪鑫
张士太
栾新瑞
詹争光
董玉才
李震宇
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.)
CETC 15 Research Institute
Original Assignee
CETC 15 Research Institute
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 CETC 15 Research Institute filed Critical CETC 15 Research Institute
Priority to CN202410287815.6A priority Critical patent/CN117892637B/zh
Publication of CN117892637A publication Critical patent/CN117892637A/zh
Application granted granted Critical
Publication of CN117892637B publication Critical patent/CN117892637B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F42—AMMUNITION; BLASTING
    • F42B—EXPLOSIVE CHARGES, e.g. FOR BLASTING, FIREWORKS, AMMUNITION
    • F42B35/00—Testing or checking of ammunition
    • F42B35/02—Gauging, sorting, trimming or shortening cartridges or missiles
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于联合网络模型的靶板击穿厚度预测方法及装置，其中方法包括：获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据；生成网络模型及判别网络模型组成第一网络模型，对所述第一网络模型进行训练，其中生成网络模型基于训练集中的样本数据生成若干生成样本；训练后的判别网络模型的第一卷积层的参数共享给CNN网络模型的首层卷积层；基于训练集中的样本数据、生成样本以及基于相关数据确定的靶板击穿厚度的影响指标对CNN网络模型进行训练，得到训练完毕的CNN网络模型；获取待预测靶板击穿厚度的相关数据，所述训练完毕的CNN网络模型基于所述相关数据预测靶板击穿厚度。本方法提高预测的准确性和实用性。

Description

一种基于联合网络模型的靶板击穿厚度预测方法及装置
技术领域
本发明涉及炮弹技术领域，尤其是一种基于联合网络模型的靶板击穿厚度预测方法及装置。
背景技术
穿甲炮的设计目的是通过发射高速和高能量的弹丸来击穿敌方装甲，从而使敌方目标丧失作战能力。这些炮弹通常具有硬质弹芯，如钢或钨合金，以增强穿甲能力。当穿甲炮弹击中目标时，它们会利用高速撞击和强大的能量来克服装甲的抵抗，通过破坏或击穿装甲来造成伤害。穿甲炮可以是坦克上的主炮，也可以是其他装甲车辆或火炮系统上的武器。它们通常需要专门的火控系统来瞄准和发射，以确保精确度和有效性。在现代军事技术中，穿甲炮的设计和性能得到了不断改进，以适应不断发展的装甲技术和防护系统。在现代战场上，装甲车辆、坦克和装甲战斗机等装甲目标是一种常见的威胁。穿甲炮通过能够穿透装甲的高速弹丸来应对这些威胁；在一场战斗中，拥有能够有效穿透敌方装甲的武器系统可以为军队提供重要的战场优势。
预测穿甲炮穿透靶板的厚度是评估该穿甲炮的穿甲能力和有效性的一种方法。通过了解穿甲炮在不同厚度的装甲上的穿透能力，可以帮助军事规划者和作战人员确定该武器系统在实际战斗中对不同目标的威胁程度。预测靶板击穿厚度在以下几个方面具有重要意义：
（1）武器性能评估：通过预测穿甲炮对不同厚度装甲的穿透能力，军事专家可以评估该武器系统的有效性。这有助于进行战术规划和军事装备采购决策，确保装备与预期任务需求相匹配。
（2）目标脆弱性评估：了解穿甲炮的穿透能力可以帮助军事分析师评估不同目标的脆弱性。这对于确定最佳攻击策略、选择攻击目标和规划战斗行动至关重要。
（3）装甲设计和改进：穿甲炮穿透靶板的厚度预测也对装甲设计和改进具有重要意义。通过了解现代穿甲炮的穿透能力，装甲设计师可以改进装甲结构和材料，以增加装甲的防护能力，提高目标的生存能力。
现有技术涉及到穿甲弹穿透靶板预测靶板厚度的方面研究较少，这是因为这个问题涉及到多个复杂的因素。穿甲过程中，弹头的形状、靶板材料的性质、入射角度等因素都会对穿透深度产生影响。仅仅依靠弹速来预测靶板厚度是不够准确的。由于穿甲过程的复杂性和多变性，建立一个准确的模型来预测靶板厚度是具有挑战性的。
发明内容
本发明提出一种基于联合网络模型的靶板击穿厚度预测方法及装置，能够解决现有技术难于预测穿甲弹穿透靶板的击穿厚度的技术问题。
在本发明各方法实施例中，一种基于联合网络模型的靶板击穿厚度预测方法，包括：
步骤S1：获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并基于所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集；
步骤S2：生成网络模型及所述判别网络模型组成第一网络模型，所述生成网络模型G用于基于所述训练集中的样本数据，生成若干生成样本；所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率；对所述第一网络模型进行训练；
步骤S3：训练后的判别网络模型的第一卷积层的参数共享给CNN网络模型的首层卷积层；基于所述训练集中的样本数据、所述生成样本以及基于相关数据确定的靶板击穿厚度的影响指标对所述CNN网络模型进行训练，得到训练完毕的CNN网络模型，所述CNN网络模型用于预测靶板击穿厚度；
所述第一网络模型为WGAN网络模型，WGAN网络模型与CNN网络模型组成联合网络模型；
步骤S4：获取待预测靶板击穿厚度的相关数据，所述训练完毕的CNN网络模型基于所述相关数据预测靶板击穿厚度。
可选地，所述步骤S1，获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并对所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集，包括：
步骤S11：确定靶板击穿厚度的影响指标，所述影响指标包括弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度；
步骤S12：获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括弹丸的质量、直径、入射角度、靶板的屈服极限、效力系数以及击穿速度；基于所述相关数据确定各个影响指标对应的影响指标值；
步骤S13：将影响指标值进行归一化处理，归一化处理的公式为，其中，xi为待归一化的数值，xmin为待归一化的数值所属的类别中的最小值，xmax为待归一化的数值所属的类别中的最大值；
步骤S14：将归一化处理后的影响指标值作为归一化处理后的数据，根据归一化处理后的数据生成训练集及测试集。
可选地，所述步骤S2，所述生成网络模型G用于基于所述训练集中的样本数据，生成若干生成样本，其中：
所述生成网络模型包括依次相连的输入层，第一反卷积层，第二反卷积层，第三反卷积层，以及输出层，所述输入层，第一反卷积层，第二反卷积层，第三反卷积层，以及输出层均为网络层；所述输入层将输入的数据作为输入样本数据，并将所述输入样本数据转换成一维数据，作为下一个网络层的输入；所述第一反卷积层、第二反卷积层、第三反卷积层均将与之相连的上一个网络层的输出作为输入数据，对输入数据进行上采样，将所述输入数据转换为二维数据，对所述二维数据进行特征提取，再将提取的特征进行标准化处理，处理后的特征通过LeakyRelu函数激活；激活后的特征作为输出数据，从而作为下一个网络层的输入；所述输出层将所述第三反卷积层的输出数据作为输入，通过卷积操作及tanh激活函数将所述第三反卷积层的输出数据进行映射，映射后的数据作为生成样本；
所述第一反卷积层、第二反卷积层、第三反卷积层将提取的特征进行标准化处理的方式为，设置标准化层BN，标准化处理的公式为：
其中，xi为所述标准化层的输入，μβ为xi的均值，为xi的方差，ε为预设的正数，γ、β分别表示用于调整标准化处理后的特征的尺度和平移的参数；
n为进行标准化处理的特征的个数。
可选地，所述步骤S2，所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率，其中：
所述判别网络模型包括依次相连的输入卷积层、第一卷积层、第二卷积层、第三卷积层以及全连接输出层，所述输入卷积层、第一卷积层、第二卷积层、第三卷积层以及全连接输出层均为网络层；所述输入卷积层将所述训练集中的样本数据及所述生成样本作为输入数据，并从所述输入数据提取特征，作为下一个网络层的输入；所述第一卷积层、第二卷积层、第三卷积层均将与之相连的上一个网络层的输出作为输入数据，对输入数据进行采样，再将采样的特征进行标准化处理，处理后的特征通过LeakyRelu函数激活；激活后的特征作为输出数据，从而作为下一个网络层的输入；所述全连接输出层将所述第三卷积层的输出数据作为输入，将其展平成一维向量，再通过全连接，输出一个判别值，该判别值表示输入数据为真实样本的概率。
可选地，所述步骤S2，所述对所述第一网络模型进行训练，其中：所述第一网络模型采用阈值调整法对所述第一网络模型的生成网络模型及判别网络模型进行训练，所述阈值调整法为：
步骤S21：预设第一训练步长Trainsteps=2，第一训练步长Trainsteps用于指示一轮训练过程中，生成网络模型与判别网络模型的训练次数的关系，Trainsteps为2指示一轮训练过程中，生成网络模型训练1次时，判别网络模型训练2次；
步骤S22：若所述生成网络模型的损失函数达到第一预设精度，且所述判别网络模型的损失函数达到第二预设精度，则所述第一网络模型训练完毕，方法结束；否则，进入步骤S23;
步骤S23：获取第一训练步长，设置参数当前迭代次数epoch=1，当前迭代步数iter=1，当前网络训练次数k=1；设置最大迭代Maxepoch=100，最大迭代步数Maxiter=2，阈值Threshold=0.25；
步骤S24：若当前迭代次数epoch小于100，进入步骤S25；否则，进入步骤S28；
步骤S25：根据第一训练步长的指示对所述生成网络模型与判别网络模型执行一轮训练，输出所述生成网络模型和判别网络模型的权重和偏置；再对所述生成网络模型和所述判别网络各训练一次，更新所述判别网络模型的权重与偏置；
步骤S26：确定k值是否大于第一训练步长，若是，更新所述生成网络模型的权重和偏置；若否，对所述判别网络模型进行一次训练，并更新所述判别网络模型的权重和偏置；
步骤S27：当前迭代次数epoch赋值为epoch加1，进入步骤S24;
步骤S28：计算所述判别网络模型判定所述生成网络模型生成的生成样本为真的概率accuracy，若所述accuracy没有达到阈值Threshold，第一训练步长Trainsteps保持不变，进入步骤S23；否则，调整第一训练步长的值为1，指示所述生成网络模型训练1次时，所述判别网络模型训练1次，进入步骤S22。
可选地，所述步骤S3，所述CNN网络模型的输出结果为预测的靶板厚度，使所述CNN网络模型的输出结果用于训练所述生成网络模型，同时，生成网络模型的输出也用于训练所述CNN网络模型；
所述联合网络模型的目标函数如下所示：
其中，G为所述生成网络模型，D为所述判别网络模型，Y为真实样本中的靶板厚度，x为第一网络模型中的影响指标，X为CNN网络模型中的影响指标，fr(X|Y)表示以Y为条件构建CNN网络模型来拟合影响指标X和靶板厚度Y的函数关系，fr(G(X)|Y)表示以Y为条件构建CNN网络模型来拟合生成样本中的指标和靶板厚度Y的函数关系，γ为超参数，D(x|Y)表示判别网络模型在靶板厚度Y的约束条件下对真实样本x的输出，D(G(Y)|Y)表示在靶板厚度Y的约束条件下对生成样本的输出。
在本发明上述各方法实施例中，一种基于联合网络模型的靶板击穿厚度预测装置，包括：初始化模块：配置为获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括弹丸的质量、直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并基于所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集；第一网络模型模块：配置为生成网络模型及所述判别网络模型组成第一网络模型，所述生成网络模型G用于基于所述训练集中的样本数据，生成若干生成样本；所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率；对所述第一网络模型进行训练；训练模块：配置为训练后的判别网络模型的第一卷积层的参数共享给CNN网络模型的首层卷积层；基于所述训练集中的样本数据、所述生成样本以及基于相关数据确定的靶板击穿厚度的影响指标对所述CNN网络模型进行训练，得到训练完毕的CNN网络模型，所述CNN网络模型用于预测靶板击穿厚度；所述第一网络模型为WGAN网络模型，WGAN网络模型与CNN网络模型组成联合网络模型；预测模块：配置为获取待预测靶板击穿厚度的相关数据，所述训练完毕的CNN网络模型基于所述相关数据预测靶板击穿厚度。
在本发明上述各方法实施例中，一种计算机可读存储介质，所述存储介质中存储有多条指令，所述多条指令用于由处理器加载并执行如前所述方法。
在本发明上述各方法实施例中，一种电子设备，所述电子设备，包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令用于由所述存储器存储，并由所述处理器加载并执行如前所述方法。
本发明结合了实验测试、数据增强和数据分析的方法，引入神经网络构建预测模型。本发明利用穿甲弹穿透靶板的参数信息，通过对模型进行训练，构建了一种预测靶板厚度的生成对抗网络和卷积神经网络相结合的模型。鉴于样本数据量有限，而基于CNN网络的预测模型在小样本情况下的预测效果不佳的问题，本发明结合数据增强的思路，利用生成对抗网络中的生成网络生成全新的生成样本解决小样本问题，使用判别网络提取样本的浅层特征并将浅层特征共享给卷积神经网络构成的预测网络，并且使用预测网络与判别网络共同对生成网络进行约束。
本发明具有以下优点：
1、本发明利用大量的穿甲弹穿透靶板的状态参数对构建的WGAN-CNN神经网络模型进行训练，得到能够预测靶板厚度的模型，通过WGAN-CNN神经网络与穿甲弹穿透靶板厚度的预测相结合，可以充分发挥神经网络在特征识别和数据建模方面的潜力，提高预测的准确性和实用性。
2、本发明的生成网络G的输入是符合某种分布的噪声，通过噪声拟合原始样本的分布规律并生成样本，这种方法使得生成网络生成的样本过于随意，本发明以反卷积神经网络构成的生成网络G并使用真实样本数据Y作为生成样本的约束条件，删除随机噪声作为生成网络G的输入。
3、在原始GAN理论中，采取JS散度作为真实样本与生成样本的评价标准，训练不稳定，难以收敛。本发明中基于WGAN理论，使用Wasserstein距离作为真实样本与生成样本的评价标准。WGAN中的Wasserstein距离对于神经网络的梯度更加友好，这使得训练更加稳定，避免了传统GAN中的模式崩溃和训练不稳定的问题。同时WGAN对于一些超参数的选择相对更为鲁棒，不容易出现传统GAN中需要仔细调整学习率等超参数的问题。
4、本发明针对穿甲弹实验数据样本有限、易造成基于卷积神经网络预测精度不高的问题，提出了一种新的生成对抗网络的样本增强技术，通过对抗生成网络来提高CNN的检测精度。并通过设置有无阈值，实现了在训练过程是能够自动调整生成网络和对抗网络的关系。
5、本发明利用WGAN网络在小样本下的良好表现以及WGAN网络中判别网络良好的特征提取能力，使用判别网络对数据进行特征提取并将特征共享给CNN网络，利用提取的特征训练CNN网络。结果表明，本发明提出的这种模型取得了比传统神经网络更高的预测准确度。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为本发明基于联合网络模型的靶板击穿厚度预测方法流程示意图；
图2为本发明基于联合网络模型的靶板击穿厚度预测数据流向示意图；
图3为本发明生成网络模型结构示意图；
图4为本发明判别网络模型结构示意图；
图5为本发明第一网络模型的训练方式示意图；
图6为本发明对生成网络模型及判别网络模型组成的联合网络模型进行训练的流程示意图；
图7为本发明对CNN网络模型进行训练的流程示意图；
图8为本发明基于联合网络模型的靶板击穿厚度预测装置结构示意图；
图9为本发明基于联合网络模型的靶板击穿厚度预测的电子设备结构示意图。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解，本发明实施例中的“第一”、“第二”、S1、S2等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本发明一示例性实施例提供的基于联合网络模型的靶板击穿厚度预测方法的流程示意图。如图1-图2所示，包括以下步骤：
步骤S1：获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并基于所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集；
步骤S2：生成网络模型及判别网络模型组成第一网络模型，所述生成网络模型G用于基于所述训练集中的样本数据，生成若干生成样本；所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率；对所述第一网络模型进行训练；
步骤S3：训练后的判别网络模型的第一卷积层的参数共享给CNN网络模型的首层卷积层；基于所述训练集中的样本数据、所述生成样本以及基于相关数据确定的靶板击穿厚度的影响指标对所述CNN网络模型进行训练，得到训练完毕的CNN网络模型，所述CNN网络模型用于预测靶板击穿厚度；
步骤S4：获取待预测靶板击穿厚度的相关数据，所述训练完毕的CNN网络模型基于所述相关数据预测靶板击穿厚度。
所述第一网络模型为WGAN网络模型，WGAN网络模型与CNN网络模型组成联合网络模型。本发明通过数据收集和准备、特征归一化处理、生成网络设计、判别网络设计、模型训练以及CNN预测等关键步骤，实现基于WGAN-CNN网络的穿透靶板厚度预测。
所述步骤S1，获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并对所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集，包括：
步骤S11：确定靶板击穿厚度的影响指标，所述影响指标包括弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度；
步骤S12：获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度；基于所述相关数据确定各个影响指标对应的影响指标值；
步骤S13：将影响指标值进行归一化处理，归一化处理的公式为，其中，xi为待归一化的数值，xmin为待归一化的数值所属的类别中的最小值，xmax为待归一化的数值所属的类别中的最大值；
步骤S14：将归一化处理后的影响指标值作为归一化处理后的数据，根据归一化处理后的数据生成训练集及测试集。
本实施例中，先构建靶板厚度数学模型。
1.靶板厚度数学模型
根据贝尔金公式，穿甲弹弹丸、靶板材料机械性能和击穿速度vb之间存在着非线性关系，其形式为：
(1)
其中，，ms(kg)为弹丸质量，d(dm)为弹丸直径，h0(dm)为靶板厚度，θ为入射角度（即倾斜碰撞时弹轴和靶板法线间的夹角），σs为金属装甲的屈服极限，K2为考虑弹丸结构特点和装甲受力状态的效力系数。用普通穿甲弹侵彻均质钢甲时，在cm-kg-s单位制下，效力系数K2的参考值如表1所示：
2.数据预处理
由公式（1）可确定预测靶板厚度的影响指标共六个，分别为：弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度。由于每个指标的数据范围各不相同，差距极大，而神经网络模型能够接受的数据范围为[0,1]或者[-1,1]，因此在训练前需要对数据进行归一化处理，避免由于指标范围不一致导致模型在训练时特征参数产生较大的波动。经过归一化处理过后，厚度以及指标数据的值被映射到[0,1]之间。归一化公式如下所示：
(2)
其中，xmax为每个指标中的最大值，xmin为每个指标中的最小值，xi为指标当前的值。
如图3所示，所述步骤S2，所述生成网络模型G用于基于所述训练集中的样本数据，生成若干生成样本，其中：
所述生成网络模型包括依次相连的输入层，第一反卷积层，第二反卷积层，第三反卷积层，以及输出层，所述输入层，第一反卷积层，第二反卷积层，第三反卷积层，以及输出层均为网络层；所述输入层将输入的数据作为输入样本数据，并将所述输入样本数据转换成一维数据，作为下一个网络层的输入；所述第一反卷积层、第二反卷积层、第三反卷积层均将与之相连的上一个网络层的输出作为输入数据，对输入数据进行上采样，将所述输入数据转换为二维数据，对所述二维数据进行特征提取，再将提取的特征进行标准化处理，处理后的特征通过LeakyRelu函数激活；激活后的特征作为输出数据，从而作为下一个网络层的输入；所述输出层将所述第三反卷积层的输出数据作为输入，通过卷积操作及tanh激活函数将所述第三反卷积层的输出数据进行映射，映射后的数据作为生成样本。
本实施例中，输入层中的Dense是全连接层，用于进行特征学习，LeakyReLU 是激活函数，它的功能是为神经网络引入非线性的特性，使神经网络可以逼近公式（1）。输入层中执行BN批处理归一化操作，有助于加速训练过程，通过归一化每个批次的输入，提高网络的稳定性。
第一反卷积层首先进行upsampling2D（上采样层）将一维数据转换为二维数据，然后通过3*3conv2D（3*3反卷积层）对上采样层输出的数据进行反卷积运算来特征提取，并用BN（批标准化层）对反卷积层输出的数据分布进行标准化，LeakyRelu函数对BN输出的数据进行激活。
第二个和第三个反卷积层功能同上。
输出层，tanh激活函数的功能是将生成的样本映射到合理的范围，即通过卷积层以及tanh函数激活可转换为生成样本的输出规格进行结果的输出。
所述第一反卷积层、第二反卷积层、第三反卷积层中反卷积核的尺寸均为3*3。
所述生成网络模型G接收的输入的数据为服从高斯分布的随机噪声，所述服从高斯分布的随机噪声基于训练样本中的训练数据生成。
进一步地，所述第一反卷积层、第二反卷积层、第三反卷积层将提取的特征进行标准化处理的方式为，设置标准化层BN，标准化处理的公式为：
其中，xi为所述标准化层的输入，μβ为xi的均值，为xi的方差，ε为预设的正数，γ、β分别表示用于调整标准化处理后的特征的尺度和平移的参数（下文亦称为比例和位移参数）；
n为进行标准化处理的特征的个数。
本实施例中，在网络训练过程中比例和位移参数通过梯度下降优化算法进行更新。
所述生成网络模型G采用的损失函数公式如下：
其中，x为生成样本，x～表示所述生成网络模型G输出的生成样本服从概率分布，中E表示数学期望，表示生成网络中输出的服从概率分布的生成样本的数学期望，fw(x)为参数为w的判别网络模型。
本实施例中，首先对输入数据进行反卷积运算，公式如下：
其中，x是输入，output是经过反卷积和用LeakyReLU函数激活后的数据，w是卷积核的数量，b是偏置。数据经过反卷积计算提取特征之后进入批标准化层（BN），标准化公式如下所示：
其中，xi为输入，μβ为数据的均值，为数据的方差，ε表示一个小的正数。γ、β分别表示比例和位移。批标准化处理后用激活函数LeakyReLU进行激活，然后继续对批标准化处理后的特征进行反卷积计算，进行多次反卷积计算后，最后通过全连接层以及tanh函数激活转换为生成样本。生成网络的输入为服从高斯分布的随机噪声，采用的损失函数公式如下：
从而更新参数，其中为生成样本的分布，fw为含参数w的判别网络，最后输出为生成的生成样本G(xi)。
本发明中，所述生成网络模型G利用反卷积层以及LeakyReLU（线性整流函数层）提取深层特征信息，增强生成样本的真实性，接着进入批标准化层对数据进行标准化处理，进行多次反卷积计算后最后使用tanh函数激活转换为生成样本的输出规格，生成样本。
如图4所示，所述步骤S2，所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率，其中：
所述判别网络模型包括依次相连的输入卷积层、第一卷积层、第二卷积层、第三卷积层以及全连接输出层，所述输入卷积层、第一卷积层、第二卷积层、第三卷积层以及全连接输出层均为网络层；所述输入卷积层将所述训练集中的样本数据及所述生成样本作为输入数据，并从所述输入数据提取特征，作为下一个网络层的输入；所述第一卷积层、第二卷积层、第三卷积层均将与之相连的上一个网络层的输出作为输入数据，对输入数据进行采样，再将采样的特征进行标准化处理，处理后的特征通过LeakyReLU函数激活；激活后的特征作为输出数据，从而作为下一个网络层的输入；所述全连接输出层将所述第三卷积层的输出数据作为输入，将其展平成一维向量，再通过全连接，输出一个判别值，该判别值表示输入数据为真实样本的概率。
进一步地，所述判别网络模型的输入卷积层的卷积核尺寸为2*2*256的二维卷积，所述第一卷积层、第二卷积层、第三卷积层的卷积核尺寸均为3*3*256的二维卷积，步长为2，卷积计算公式如下：
其中，wi表示第i个卷积核的数量，bi是对应的第i个卷积核的偏置，矩阵表示两个数据通道中的输入变量矩阵，ui表示经过卷积计算并激活后的数据，σLeakyReLU为使用LeakyReLU函数作为激活函数，
σLeakyReLU=max(0,x)+Leak*min(0,x)
其中，Leak是一个常数，称为泄露系数，Leak的值在0.01-0.3之间，表示允许负值通过的程度，在本发明中，Leak=0.01。x为LeakyReLU激活函数的输入，min(0,x)的值为0和x中的最小值，max(0,x)的值为0和x中的最大值。
本实施例中，所述判别网络模型的输入为影响指标即真实样本和生成网络输出的生成样本。
输入卷积层包括2*2Conv2D（卷积核尺寸为2*2*256的二维卷积），LeakyReLU激活函数和Dropout层。2*2卷积用于提取输入数据的低级特征。LeakyReLU，它允许小于零的值有一个小的斜率，以便在训练中允许一些负值通过，增加模型的非线性。Dropout是一种正则化技术，用于随机丢弃部分神经元，防止过拟合。
第一个卷积层包括3*3Conv2D（卷积核尺寸为3*3*256的二维卷积），批标准化层BN，LeakyReLU激活函数和Dropout层。3*3二维卷积用于更进一步的提取特征。BN用于加速训练过程，增强对抗网络的鲁棒性，LeakyReLU保留非线性特性，Dropout防止过拟合。
第二个和第三个卷积层功能同上。
全连接输出层包括Flatten和Dense全连接层，Flatten将卷积层的输出展平成一维向量，为全连接层做准备。Dense全连接层用于最终的输出，输出为一个判别值，该判别值表示输入样本为真实样本的概率。
本实施例中，在每一层卷积层之后进行批标准化处理，并使用LeakyReLU函数作为激活函数。
本发明中，判别网络模型采用神经网络搭建，由于判别网络模型主要进行特征提取的工作，为了方便判别网络识别真实样本x和生成样本G(xi)之间的差别，增强其对输入样本的识别能力，因此在网络结构中采用卷积层进行搭建，由四个卷积层和一个全连接层组成。
本发明中，将输入的生成样本与真实样本（即影响指标）通过输入卷积层进行提取低级特征，然后通过多个卷积层，每一层卷积层运算后进行批标准化处理以及激活函数激活，最后通过全连接层输出判别模型结果。也就是说，生成网络模型输出生成样本，将生成样本与真实样本（本发明中的影响指标）输入到判别网络模型进行评估，判别网络模型输出一个表示生成样本是真实样本的概率。
本实施例中，所述生成网络模型G及所述判别网络模型采用的损失函数公式的推导过程如下：
生成网络模型G中，x～表示生成网络输出的生成样本服从概率分布，即生成网络是通过学习真实的样本分布来确定模型参数，使得生成网络模型学习到的生成样本分布与真实的样本分布尽可能地相似。
生成对抗网络的核心思想来源于博弈论和纳什均衡，生成网络模型和判别网络模型之间经过不断竞争、优化而逐渐达到平衡。生成网络模型是一个伪造者，尽量去学习真实数据x的样本分布，生成与真实数据尽可能相似的假样本即上文的生成样本；而判别网络模型就像一个二分类器，接收真实样本和生成样本，其目的是将它们区分开，如果它的输入是真样本，其输出值就接近于1，如果它的输入是生成样本，其输出值就接近于0。在生成对抗网络的训练过程中，生成网络模型和判别网络模型的能力会不断提高，直到达到纳什均衡状态。此时，判别网络模型无法区分真实样本和假样本，生成器的生成效果最好。简而言之，生成网络模型的目标是尽可能使判别网络模型无法区分生成样本和真实样本，而判别网络模型的目标是尽可能准确地区分这两类样本。
生成对抗网络（GAN）损失函数定义如下：
其中E表示数学期望。在训练判别器D时，若输入为真实样本，希望D(x)趋近于1，即希望logD(x)尽可能的高；若输入假样本，希望D(x)趋近于0，即希望log(1-D(x))尽可能的高。因此训练判别器D，就是让V(G,D)取到最大值的过程。在训练生成器G时，则希望log(1-D(x))尽可能的小。因此，训练生成器G，实质上是让V(G,D)取到最小值的过程。
所以，生成网络模型的损失函数定义为：
判别网络模型的损失函数定义为：
WGAN（Wasserstein-GAN）是对标准的GAN的改进版本，在本发明中，所述第一网络模型使用的是WGAN，所述WGAN对判别网络的权重进行了裁剪，使得判别网络不能过于强大，从而促使生成网络生成更好的样本。相比于GAN，WGAN中的损失函数不使用对数计算方法，而是引入了Wasserstein距离（或称为Earth-Mover距离）来替代GAN的损失函数。Wasserstein距离更好地衡量了两个分布之间的距离，并且它对于连续、非常数的分布是有意义的。WGAN的生成器和判别器的目标是最小化Wasserstein距离。
WGAN会对判别网络模型的参数进行限制，来确保Wasserstein距离的连续性和可导性。在WGAN中，判别网络的目标是最小化真实样本和生成样本之间的Wasserstein距离。为了实现这一目标，WGAN采用了一种叫做权重裁剪（Weight Clipping）的技术，即限制判别器的权重在一个预定义范围内。具体来说，对判别器的参数 w 进行裁剪，将其限制在一个固定的范围[-c,c] 内，其中c 是一个预先设定的常数，范围为0.01-0.1，本发明中设置c=0.01。这个操作可以通过在每次参数更新后对权重进行裁剪来实现。这样做的目的是防止判别器的参数变得过大，从而保持Wasserstein距离的连续性和可导性。
Wasserstein距离定义公式如下：
(8)
其中，inf表示取下边界，是真实样本分布Pdata与生成样本分布的联合分布中的样本，(x,y)～γ表示采样得到的真实样本和生成样本y， ||x-y||表示x、y之间的距离，E(x,y)～γ[||x-y||]表示距离的期望值。Wasserstein距离一直是连续的，不会出现梯度消失的问题。公式（8）中优化WGAN网络就需要减少x和y的数据差，但是下界很难控制。因此利用KR对偶原理，将距离的度量用函数形式表现，从而，式（8）可转换为如下形式：
(9)
其中，sup是最小上界，f是一个满足Lipschitz约束的1-Lipschitz函数，x～Pdata是服从真实样本分布Pdata的x的期望值。假如一个连续函数f，对其定义域内的任意两个元素x1和x2，都存在常数K，使得：
|f(x1)-f(x2)|≤K|x1-x2| (10)
则称函数f满足K-Lipschitz连续条件。其中，||f||L≤1表示K-Lipschitz函数，f是距离的映射。当上界为K时，K-Lipschitz函数表示为||f||L≤K。式（10）要求f的导函数绝对值不超过K，这限制了一个连续函数的最大局部变动幅度。假设用参数化函数fw来代表一系列可能的函数，式（9）可以近似变成如下求解形式：
(11)
WGAN网络中将式（11）中的fw(x)构造成一个参数为w的判别神经网络结构，但同时需要满足两个条件：（1）fw(x)要拟合的是Wasserstein距离，而不是像原始GAN一样的二分类问题，因此需要去掉判别网络最后一层的Sigmoid激活函数，以满足回归任务的需求，这样做的目的是为了强调距离的概念，而非概率；（2）fw(x)要满足K-Lipschitz条件。由于WGAN求解的目标是最小化这个距离而非距离本身，因此不限制K的取值，只限制fw(x)的取值。在WGAN中使用权重剪裁策略将fw(x)中的参数w限制在给定的范围[-c,c]中，c的取值为0.01-0.1，在本发明中设置c=0.01。
由上可推出本发明中WGAN的损失函数定义为：
其中，E表示数学期望，x表示真实样本，x～Pr表示真实样本（即影响指标）服从Pr概率分布，x～表示生成网络模型输出的生成样本服从概率分布，fw(x)表示参数为w的判别网络。和Ex～Pr分别表示输入数据的真实样本和生成样本中满足1-Lipschitz条件的函数的期望。判别网络模型采用梯度更新算法RMSprop来更新参数。
WGAN中生成网络模型的损失函数为：
WGAN中判别网络模型的损失函数为：
其中，Pr为真实样本分布，为生成数据分布，fw为含参w的判别网络，和Ex～Pr分别表示输入数据的真实样本和生成样本中满足1-Lipschitz条件的函数的期望。判别网络采用梯度更新算法RMSprop来更新参数。
如图5所示，所述步骤S2，所述对所述第一网络模型进行训练，其中：所述第一网络模型采用阈值调整法对所述第一网络模型的生成网络模型及判别网络模型进行训练，参照图6所示，所述阈值调整法为：
步骤S21：预设第一训练步长Trainsteps=2，第一训练步长Trainsteps用于指示一轮训练过程中，生成网络模型与判别网络模型的训练次数的关系，Trainsteps为2指示一轮训练过程中，生成网络模型训练1次时，判别网络模型训练2次；
步骤S22：若所述生成网络模型的损失函数达到第一预设精度，且所述判别网络模型的损失函数达到第二预设精度，则所述第一网络模型训练完毕，方法结束；否则，进入步骤S23；
步骤S23：获取第一训练步长，设置参数当前迭代次数epoch=1，当前迭代步数iter=1，当前网络训练次数k=1；设置最大迭代Maxepoch=100，最大迭代步数Maxiter=2，阈值Threshold=0.25；
步骤S24：若当前迭代次数epoch小于100，进入步骤S25；否则，进入步骤S28；
步骤S25：根据第一训练步长的指示对所述生成网络模型与判别网络模型执行一轮训练，输出所述生成网络模型和判别网络模型的权重和偏置；再对所述生成网络模型和所述判别网络各训练一次，更新所述判别网络模型的权重与偏置；
步骤S26：确定k值是否大于第一训练步长，若是（Y），更新所述生成网络模型的权重和偏置；若否（N），对所述判别网络模型进行一次训练，并更新所述判别网络模型的权重和偏置；
步骤S27：当前迭代次数epoch赋值为epoch加1，进入步骤S24;
步骤S28：计算所述判别网络模型判定所述生成网络模型生成的生成样本为真的概率accuracy，若所述accuracy没有达到阈值Threshold，第一训练步长Trainsteps保持不变，进入步骤S23；否则，调整第一训练步长的值为1，指示所述生成网络模型训练1次时，所述判别网络模型训练1次，进入步骤S22。
本实施例中，所述第一预设精度即生成网络模型的损失函数Gloss=0.01，所述第二预设精度即判别网络模型的损失函数Dloss=0.5。说明生成网络模型生成的样本最接近真实样本，判别网络模型能够识别出真实样本和生成样本（虚假的）。
所述生成网络模型和所述判别网络模型通过反复训练，逐渐提高生成器生成的样本的质量，在该反复训练过程中，通过阈值调整法，根据判别网络模型判定生成网络模型生成的生成样本为真的概率accuracy，来调整生成网络模型和判别网络模型的训练步长，以优化训练的稳定性和效果。
本实施例中，生成网络与判别网络的训练关系将会影响训练的结果。但是在WGAN网络训练过程中生成网络与判别网络要求不固定，在训练刚开始的时候，希望判别网络能快速地迭代出权重和偏重比较精确的结果，因此在网络训练初期时对判别网络要求较高，在后期时网络收敛性变差、计算速度下降，这时需要降低判别网络训练，用来防止出现网络训练过度问题。针对这种情况，本发明中在WGAN-CNN模型基础上添加了一种带阈值控制的算法，用于训练时能自动调整生成网络G与判别网络D的关系。
例如，在网络初始化之前，先设置阈值Threshold=0.25，然后初始化网络，将生成网络和判别网络步长设为TrainRelaSteps=2，之后再进行精度计算TestAcc，作用是衡量生成网络与判别网络在一次结束之后是否需要进行调整然后再进行下一次迭代。如果TestAcc没有达到预先设定的阈值，则判别网络与生成网络不需要进行调整；如果TestAcc达到预先设定的阈值，则调整TrainRelaSteps=1，即由原来的生成网络训练1次、判别网络训练2次，变为生成网络和判别网络均训练1次，调整之后如果TestAcc再次低于预先设定的阈值，将再次进行网络调整，使判别网络与生成网络再次回归之前设定的TrainRelaSteps=2的关系中。
本发明针对生成网络与判别网络的同步需求问题，提出了控制阈值法，在训练时根据需求调节生成网络与判别网络的同步关系，提高网络的稳定性，加快模型的收敛速度。
所述步骤S3：训练后的判别网络模型的第一卷积层的参数共享给CNN网络模型的首层卷积层；基于所述训练集中的样本数据、所述生成样本以及基于相关数据确定的靶板击穿厚度的影响指标对所述CNN网络模型进行训练，得到训练完毕的CNN网络模型，所述CNN网络模型用于预测靶板击穿厚度，其中：
进一步地，采用双判别网络的思想对联合网络模型进行训练。利用CNN网络模型的结果对所述生成网络模型进行约束，同时所述生成网络模型对CNN网络模型进行优化。
所述CNN网络模型的输出结果为预测的靶板厚度，使所述CNN网络模型的输出结果用于训练所述生成网络模型，同时，生成网络模型的输出也用于训练所述CNN网络模型。
所述CNN网络模型的损失函数为：
L=fr(X|Y)
其中，Y为真实样本中的靶板厚度，X为影响指标，fr(·)表示以Y为条件构建CNN网络模型来拟合影响指标X和靶板厚度Y的函数关系。
当输入为真实样本中的影响指标X时，CNN网络模型的最小化目标函数L使得预测误差减小，其目标函数表示如下，其中Y表示靶板厚度：
当输入为生成网络模型输出的生成样本中的影响指标G（X）时，CNN网络模型此时则会最大化目标函数L，通过最大化误差层输出的方式，来使得生成网络模型G生成与真实样本分布规律一致的数据，其目标函数表示如下：
因此，CNN网络模型在训练时的目标函数表示如下：
其中，X表示真实样本中的影响指标，Y表示预测值即靶板厚度，fr(·)表示影响指标和靶板厚度之间的函数关系，G(X)表示生成样本中的影响指标。
WGAN的训练目标是最小化生成的生成样本和真实样本之间的Wasserstein距离，WGAN的目标函数表示如下：
其中，D（x|Y）表示判别网络模型在以靶板厚度Y的约束条件下对真实样本x的输出，D（G(Y)|Y）表示在以靶板厚度Y的约束条件下对生成样本的输出。
判别网络模型D尽力缩小真实样本的Wasserstein距离，尽力增大生成网络模型G生成的样本的Wasserstein距离。WGAN网络目标函数的值越小则真实样本与生成样本间的Wasserstein距离也越小，WGAN的训练效果也越好，生成网络G生成的影响指标也越接近真实样本的影响指标。
在双判别网络的思想下，CNN网络模型与判别网络模型D共同作用于所述生成网络模型G，为了平衡所述判别网络模型D与CNN网络模型对所述生成网络模型G的约束作用，在目标函数中使用超参数调整影响程度，WGAN-CNN网络的目标函数如下所示：
其中，[D(x|Y)]-[D(G(Y)|Y)]为原始的WGAN的目标函数，fr(X|Y)-fr(G(X)|Y)为前述CNN目标函数，γ为超参数，γ=0.5。
本实施例中，参照图7所示，共享过程如下所示：
(1) 判别网络D提取特征，H1表示判别网络D中的首层卷积层特征，输入层输入为指标X：
H1=f1(W1X+b1) (11)
其中，W1和b1分别表示判别网络D中首层卷积层的权重向量和偏置向量。
（2）CNN网络共享特征，传统的CNN网络输出公式如下所示：
(12)
由上述公式可以推出，CNN预测网络共享判别网络D首层特征后的输出公式为：
(13)
（3）基于双判别网络的目标函数
将CNN预测网络同时作为WGAN网络中的判别网络，利用CNN预测网络的预测结果对生成网络G进行约束，同时也使生成网络G对CNN预测网络进行优化，从而达到更好的效果。
在本研究中，以真实样本Y为条件构建CNN预测网络拟合影响指标X与真实样本Y的函数关系fr，在CNN网络的全连接层后添加一个误差层之后，CNN预测网络的损失函数为：
L=fr(X|Y) (14)
当输入为真实样本指标X时，CNN预测网络需要最小化目标函数L使得预测误差减小，从而保证预测的准确性，其目标函数为：
(15)
当输入为生成样本时，CNN预测网络尽力最大化目标L，通过最大化误差层输出的方式，指导生成网络G生成与真实样本分布规律一致的数据，其目标函数为：
(16)
因此，CNN在训练时的目标函数如下所示：
(17)
在双判别网络的思想下，CNN预测网络与判别网络D共同作用于生成网络G， 为了平衡判别网络D与CNN预测网络对生成网络G的约束作用，在目标函数中使用超参数调整影响程度，网络的目标函数如下所示：
(18)
本发明中，设计了从WGAN网络中的判别网络D提取真实样本特征并将样本特征共享给CNN网络的方法，最终达到比传统神经网络精度更高的预测算法。
本发明中，生成网络与判别网络模型训练，针对生成网络与判别网络的同步需求问题，提出了控制阈值法，在训练时根据需求调节生成网络与判别网络的同步关系，提高网络的稳定性，加快模型的收敛速度。基于特征的CNN预测算法，设计了从WGAN网络中的判别网络D提取真实样本特征并将样本特征共享给CNN网络的方法，最终达到比传统神经网络精度更高的预测算法。本将预测穿甲弹穿透靶板厚度与WGAN-CNN神经网络相结合，有助于提高穿甲弹效能的预测和战术决策。
本发明对穿甲炮穿透靶板的各个状态数据进行收集，以改进的WGAN-CNN神经网络算法为基础，建立了靶板预测的神经网络模型。在进行模型训练时，本研究使用收集到的穿甲弹和靶板参数作为输入，而靶板厚度作为目标输出。通过大量的训练样本，模型可以学习到输入参数与输出靶板厚度之间的复杂关系，并建立一个预测模型。为了优化WGAN-CNN神经网络算法的训练过程，本研究提出了控制阈值法在生成对抗网络训练阶段，根据需求调节生成网络和对抗网络的同步关系，提高网络的稳定性，加快模型的收敛速度。并且提出了基于WGAN-CNN联合网络的靶板厚度预测模型，利用生成网络生成的数据训练CNN预测网络，起到补足数据的作用；判别网络通过提取特征并共享特征给CNN预测网络的方式对预测网络的训练起到约束作用；CNN预测网络与判别网络共同约束生成网络使得生成网络的训练效果更加稳定。
该预测模型具有快速和准确的预测能力，可以根据给定的穿甲弹和靶板参数，迅速预测出靶板的厚度。这种模型的应用可以帮助军事规划者和作战人员更好地评估穿甲炮的效能，制定更有效的战术和作战策略。
示例性装置
图8是本发明一示例性实施例提供的基于联合网络模型的靶板击穿厚度预测装置的结构示意图。如图8所示，本实施例包括：
初始化模块：配置为获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并基于所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集；
第一网络模型模块：配置为生成网络模型及判别网络模型组成第一网络模型，所述生成网络模型用于基于所述训练集中的样本数据，生成若干生成样本；所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率；对所述第一网络模型进行训练；
训练模块：配置为训练后的判别网络模型的第一卷积层的参数共享给CNN网络模型的首层卷积层；基于所述训练集中的样本数据、所述生成样本以及基于相关数据确定的靶板击穿厚度的影响指标对所述CNN网络模型进行训练，得到训练完毕的CNN网络模型，所述CNN网络模型用于预测靶板击穿厚度；所述第一网络模型为WGAN网络模型，WGAN网络模型与CNN网络模型组成联合网络模型；
预测模块：配置为获取待预测靶板击穿厚度的相关数据，所述训练完毕的CNN网络模型基于所述相关数据预测靶板击穿厚度。
示例性电子设备
图9是本发明一示例性实施例提供的电子设备90的结构。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。图9图示了根据本公开实施例的电子设备的框图。如图9所示，电子设备包括一个或多个处理器91和存储器92。
处理器91可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器92可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器91可以运行所述程序指令，以实现上文所述的本公开的各个实施例的软件程序的基于联合网络模型的靶板击穿厚度预测方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置93和输出装置94，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。此外，该输入装置93还可以包括例如键盘、鼠标等等。该输出装置94可以向外部输出各种信息。该输出装置94可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的基于联合网络模型的靶板击穿厚度预测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的基于联合网络模型的靶板击穿厚度预测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (7)

1.一种基于联合网络模型的靶板击穿厚度预测方法，其特征在于，所述方法包括如下步骤：
步骤S1：获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并基于所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集；
步骤S2：生成网络模型及判别网络模型组成第一网络模型，所述生成网络模型用于基于所述训练集中的样本数据，生成若干生成样本；所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率；对所述第一网络模型进行训练；
步骤S3：训练后的判别网络模型的第一卷积层的参数共享给CNN网络模型的首层卷积层；基于所述训练集中的样本数据、所述生成样本以及基于相关数据确定的靶板击穿厚度的影响指标对所述CNN网络模型进行训练，得到训练完毕的CNN网络模型，所述CNN网络模型用于预测靶板击穿厚度；所述第一网络模型为WGAN网络模型，WGAN网络模型与CNN网络模型组成联合网络模型；
步骤S4：获取待预测靶板击穿厚度的相关数据，所述训练完毕的CNN网络模型基于所述相关数据预测靶板击穿厚度；
所述步骤S1，获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并对所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集，包括：
步骤S11：确定靶板击穿厚度的影响指标，所述影响指标包括弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度；
步骤S12：获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度；基于所述相关数据确定各个影响指标对应的影响指标值；
步骤S13：将影响指标值进行归一化处理，归一化处理的公式为，其中，xi为待归一化的数值，xmin为待归一化的数值所属的类别中的最小值，xmax为待归一化的数值所属的类别中的最大值；
步骤S14：将归一化处理后的影响指标值作为归一化处理后的数据，根据归一化处理后的数据生成训练集及测试集；
所述步骤S3，所述CNN网络模型的输出结果为预测的靶板厚度，使所述CNN网络模型的输出结果用于训练所述生成网络模型，同时，生成网络模型的输出也用于训练所述CNN网络模型；
CNN网络模型在训练时的目标函数表示如下：
，
其中，X表示真实样本中的影响指标，Y表示预测值即靶板厚度，fr(·)表示影响指标和靶板厚度之间的函数关系，G(X)表示生成样本中的影响指标；
所述联合网络模型的目标函数如下所示：
，
其中，G为所述生成网络模型，D为所述判别网络模型，x为第一网络模型中的影响指标，fr(X|Y)表示以Y为条件构建CNN网络模型来拟合影响指标X和靶板厚度Y的函数关系，fr(G(X)|Y)表示以Y为条件构建CNN网络模型来拟合生成样本中的影响指标和靶板厚度Y的函数关系，γ为超参数，D(x|Y)表示判别网络模型在靶板厚度Y的约束条件下对x的输出，D(G(Y)|Y)表示在靶板厚度Y的约束条件下对生成样本的输出。
2.如权利要求1所述的方法，其特征在于，所述步骤S2，所述生成网络模型用于基于所述训练集中的样本数据，生成若干生成样本，其中：
所述生成网络模型包括均为网络层且依次相连的输入层，第一反卷积层，第二反卷积层，第三反卷积层，以及输出层；所述输入层将输入的数据作为输入样本数据，并将所述输入样本数据转换成一维数据，作为下一个网络层的输入；所述第一反卷积层、第二反卷积层、第三反卷积层均将与之相连的上一个网络层的输出作为输入数据，对输入数据进行上采样，将所述输入数据转换为二维数据，对所述二维数据进行特征提取，再将提取的特征进行标准化处理，处理后的特征通过LeakyRelu函数激活；激活后的特征作为输出数据，从而作为下一个网络层的输入；所述输出层将所述第三反卷积层的输出数据作为输入，通过卷积操作及tanh激活函数将所述第三反卷积层的输出数据进行映射，映射后的数据作为生成样本；
所述第一反卷积层、第二反卷积层、第三反卷积层将提取的特征进行标准化处理的方式为，设置标准化层BN，标准化处理的公式为：
，
其中，xi为所述标准化层的输入，μβ为xi的均值，为xi的方差，ε为预设的正数，γ、β分别表示用于调整标准化处理后的特征的尺度和平移的参数；
，
n为进行标准化处理的特征的个数。
3.如权利要求2所述的方法，其特征在于，所述步骤S2，所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率，其中：
所述判别网络模型包括均为网络层且依次相连的输入卷积层、第一卷积层、第二卷积层、第三卷积层以及全连接输出层；所述输入卷积层将所述训练集中的样本数据及所述生成样本作为输入数据，并从所述输入数据提取特征，作为下一个网络层的输入；所述第一卷积层、第二卷积层、第三卷积层均将与之相连的上一个网络层的输出作为输入数据，对输入数据进行采样，再将采样的特征进行标准化处理，处理后的特征通过LeakyRelu函数激活；激活后的特征作为输出数据，从而作为下一个网络层的输入；所述全连接输出层将所述第三卷积层的输出数据作为输入，将其展平成一维向量，再通过全连接，输出一个判别值，该判别值表示输入数据为真实样本的概率。
4.如权利要求3所述的方法，其特征在于，所述步骤S2，所述对所述第一网络模型进行训练，其中：所述第一网络模型采用阈值调整法对所述第一网络模型的生成网络模型及判别网络模型进行训练，所述阈值调整法为：
步骤S21：预设第一训练步长Trainsteps=2，第一训练步长Trainsteps用于指示一轮训练过程中，生成网络模型与判别网络模型的训练次数的关系，Trainsteps为2指示一轮训练过程中，生成网络模型训练1次时，判别网络模型训练2次；
步骤S22：若所述生成网络模型的损失函数达到第一预设精度，且所述判别网络模型的损失函数达到第二预设精度，则所述第一网络模型训练完毕，方法结束；否则，进入步骤S23;
步骤S23：获取第一训练步长，设置参数当前迭代次数epoch=1，当前迭代步数iter=1，当前网络训练次数k=1；设置最大迭代Maxepoch=100，最大迭代步数Maxiter=2，阈值Threshold=0.25；
步骤S24：若当前迭代次数epoch小于100，进入步骤S25；否则，进入步骤S28；
步骤S25：根据第一训练步长的指示对所述生成网络模型与判别网络模型执行一轮训练，输出所述生成网络模型和判别网络模型的权重和偏置；再对所述生成网络模型和所述判别网络各训练一次，更新所述判别网络模型的权重与偏置；
步骤S26：确定k值是否大于第一训练步长，若是，更新所述生成网络模型的权重和偏置；若否，对所述判别网络模型进行一次训练，并更新所述判别网络模型的权重和偏置；
步骤S27：当前迭代次数epoch赋值为epoch加1，进入步骤S24;
步骤S28：计算所述判别网络模型判定所述生成网络模型生成的生成样本为真的概率accuracy，若所述accuracy没有达到阈值Threshold，第一训练步长Trainsteps保持不变，进入步骤S23；否则，调整第一训练步长的值为1，指示所述生成网络模型训练1次时，所述判别网络模型训练1次，进入步骤S22。
5.一种基于联合网络模型的靶板击穿厚度预测装置，其特征在于，所述装置包括：
初始化模块：配置为获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并基于所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集；
第一网络模型模块：配置为生成网络模型及判别网络模型组成第一网络模型，所述生成网络模型用于基于所述训练集中的样本数据，生成若干生成样本；所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率；对所述第一网络模型进行训练；
训练模块：配置为训练后的判别网络模型的第一卷积层的参数共享给CNN网络模型的首层卷积层；基于所述训练集中的样本数据、所述生成样本以及基于相关数据确定的靶板击穿厚度的影响指标对所述CNN网络模型进行训练，得到训练完毕的CNN网络模型，所述CNN网络模型用于预测靶板击穿厚度；所述第一网络模型为WGAN网络模型，WGAN网络模型与CNN网络模型组成联合网络模型；
预测模块：配置为获取待预测靶板击穿厚度的相关数据，所述训练完毕的CNN网络模型基于所述相关数据预测靶板击穿厚度；
所述初始化模块，获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并对所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集，包括：
确定靶板击穿厚度的影响指标，所述影响指标包括弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度；
获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度；基于所述相关数据确定各个影响指标对应的影响指标值；
将影响指标值进行归一化处理，归一化处理的公式为，其中，xi为待归一化的数值，xmin为待归一化的数值所属的类别中的最小值，xmax为待归一化的数值所属的类别中的最大值；
将归一化处理后的影响指标值作为归一化处理后的数据，根据归一化处理后的数据生成训练集及测试集；
所述训练模块，所述CNN网络模型的输出结果为预测的靶板厚度，使所述CNN网络模型的输出结果用于训练所述生成网络模型，同时，生成网络模型的输出也用于训练所述CNN网络模型；
CNN网络模型在训练时的目标函数表示如下：
，
其中，X表示真实样本中的影响指标，Y表示预测值即靶板厚度，fr(·)表示影响指标和靶板厚度之间的函数关系，G(X)表示生成样本中的影响指标；
所述联合网络模型的目标函数如下所示：
，
其中，G为所述生成网络模型，D为所述判别网络模型，x为第一网络模型中的影响指标，fr(X|Y)表示以Y为条件构建CNN网络模型来拟合影响指标X和靶板厚度Y的函数关系，fr(G(X)|Y)表示以Y为条件构建CNN网络模型来拟合生成样本中的影响指标和靶板厚度Y的函数关系，γ为超参数，D(x|Y)表示判别网络模型在靶板厚度Y的约束条件下对x的输出，D(G(Y)|Y)表示在靶板厚度Y的约束条件下对生成样本的输出。
6.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-4中任一项所述方法。
7.一种电子设备，其特征在于，所述电子设备，包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求1-4中任一项所述方法。
CN202410287815.6A 2024-03-13 2024-03-13 一种基于联合网络模型的靶板击穿厚度预测方法及装置 Active CN117892637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410287815.6A CN117892637B (zh) 2024-03-13 2024-03-13 一种基于联合网络模型的靶板击穿厚度预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410287815.6A CN117892637B (zh) 2024-03-13 2024-03-13 一种基于联合网络模型的靶板击穿厚度预测方法及装置

Publications (2)

Publication Number Publication Date
CN117892637A CN117892637A (zh) 2024-04-16
CN117892637B true CN117892637B (zh) 2024-06-07

Family

ID=90642663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410287815.6A Active CN117892637B (zh) 2024-03-13 2024-03-13 一种基于联合网络模型的靶板击穿厚度预测方法及装置

Country Status (1)

Country Link
CN (1) CN117892637B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401261A (zh) * 2020-03-18 2020-07-10 金陵科技学院 基于gan-cnn框架的机器人手势识别方法
CN112016395A (zh) * 2020-07-14 2020-12-01 华北电力大学（保定） 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法
CN113379863A (zh) * 2021-06-10 2021-09-10 浙江大学 基于深度学习的动态双示踪pet图像联合重建与分割方法
CN115310361A (zh) * 2022-08-16 2022-11-08 中国矿业大学 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统
CN115305284A (zh) * 2022-02-16 2022-11-08 青岛大学附属医院 基于联合智能网络的胰腺癌定性和定阶段预测设备
CN116152146A (zh) * 2022-10-20 2023-05-23 北京理工大学 一种基于gan和cnn的铸铝气缸盖力学性能预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401261A (zh) * 2020-03-18 2020-07-10 金陵科技学院 基于gan-cnn框架的机器人手势识别方法
CN112016395A (zh) * 2020-07-14 2020-12-01 华北电力大学（保定） 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法
CN113379863A (zh) * 2021-06-10 2021-09-10 浙江大学 基于深度学习的动态双示踪pet图像联合重建与分割方法
CN115305284A (zh) * 2022-02-16 2022-11-08 青岛大学附属医院 基于联合智能网络的胰腺癌定性和定阶段预测设备
CN115310361A (zh) * 2022-08-16 2022-11-08 中国矿业大学 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统
CN116152146A (zh) * 2022-10-20 2023-05-23 北京理工大学 一种基于gan和cnn的铸铝气缸盖力学性能预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"基于WGAN和CNN的轴承故障诊断研究";佘媛等;《南京工程学院学报（自然科学版）》;20230630;第21卷(第2期);第34-37页，图1，图2 *
Yunpeng Wang 等.Combination of generative adversarial network and convolutional neural network for automatic subcentimeter pulmonary adenocarcinoma classification.Quantitative Imaging in Medicine and Surgery.第1249–1264页. *
基于GAN-CNN联合网络的复杂产品费用预测;江涛;刘鑫容;朱耀琴;曲慧杨;;电子设计工程;20200902(第17期);全文 *

Also Published As

Publication number Publication date
CN117892637A (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN111027439B (zh) 基于辅助分类生成对抗网络的sar目标识别方法
Masum et al. Bayesian hyperparameter optimization for deep neural network-based network intrusion detection
CN110348708B (zh) 一种基于极限学习机的地面目标动态威胁评估方法
Xue et al. Panoramic convolutional long short-term memory networks for combat intension recognition of aerial targets
CN110334741A (zh) 基于循环神经网络的雷达一维距离像识别方法
CN108615122A (zh) 一种防空反导体系作战能力评估方法
CN114239728B (zh) 一种多域战场态势评估与威胁排序方法
CN112598046B (zh) 一种多机协同空战中的目标战术意图识别方法
CN112131749A (zh) 一种用于坦克目标的毁伤评估方法
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
Madaan et al. Learning to generate noise for multi-attack robustness
CN117892637B (zh) 一种基于联合网络模型的靶板击穿厚度预测方法及装置
CN116739431B (zh) 基于层次分析法的飞行器实时威胁评估方法
CN113902974A (zh) 一种基于卷积神经网络的空战威胁目标识别方法
CN113283572A (zh) 基于改进人工蜂群的盲源分离抗主瓣干扰方法及装置
CN112598032A (zh) 面向红外图像对抗攻击的多任务防御模型构建方法
Dobrynin et al. Information technology for automated assessment of the artillery barrels wear based on SVM classifier
CN113988305B (zh) 一种基于机器学习的突防算法验证方法和系统
CN113378985B (zh) 一种基于逐层相关性传播的对抗样本检测方法和装置
CN115984667A (zh) 一种基于Fisher信息的对抗训练泛化能力提升方法
Zheng et al. Operational effectiveness analysis of cluster submarine formation torpedo weapon system based on fuzzy ahp comprehensive evaluation
CN115984590A (zh) 基于图像识别的目标易损性评估方法、装置及电子设备
CN115310508A (zh) 一种基于机器学习分类器的毁伤概率计算方法
CN114202185A (zh) 一种高功率微波武器协同防空的体系贡献率评估方法
Liu et al. Spotlight SAR image recognition based on dual-channel feature map convolutional neural network

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