【技术实现步骤摘要】
本专利技术涉及电磁散射领域，尤其涉及一种基于lstm(long short-term memory，长短时记忆网络)的脱靶量预估方法。
技术介绍
1、在弹目交会阶段的脱靶量参数，是指弹目交会过程中导弹与目标的最小距离。脱靶量在靶场测试中作为评估制导效能的重要参数，对制导设备的发展起着关键的作用。在弹目交会的过程中目标回波的多普勒频率随时间而变化，其变化规律由导弹与目标的标量脱靶量、脱靶时刻(起始时刻目标到脱靶点的距离)等因素决定，因此可以根据回波信号预测脱靶量。由于飞行器本身的高速运动或测量环境因素的影响，对雷达测量稳定性和可靠性要求非常高，对脱靶量预估带来挑战。
2、虽然国内外多家单位针对弹目交会过程中的导弹脱靶量开展了测量方法研究，研究方向涵盖基于弹道方程的脱靶量预测方法、基于弹载调频连续波的脱靶量测量方法等。但对于考虑信息误差对脱靶量预测的影响，实现弹目交会状态时脱靶量的高效快速预测仍有待研究。
3、这里的陈述仅提供与本专利技术有关的
技术介绍
，而并不必然地构成现有技术。
技术实现思路
1、本专利技术的目的在于提供一种弹目交会场景下的脱靶量预估方法，可实现弹目相对坐标系下相对运动状态时脱靶量的快速估计。
2、为了达到上述目的，本专利技术提供一种弹目交会场景下的脱靶量预估方法，包含以下步骤：
3、构建lstm神经网络模型，所述lstm神经网络模型包含输入层、循环层和输出层，所述循环层采用lstm单元模块，所述lstm单元模块包含遗忘
4、获取弹目交会时的回波数据，将回波数据分为训练集和测试集；
5、将训练集中的数据输入lstm神经网络模型进行循环递归计算，直到误差值达到最小；
6、将测试集中的数据输入到训练好的lstm神经网络模型中，预测脱靶量值。
7、所述构建lstm神经网络模型的方法包含：
8、把所有变量作为初始数据，输入神经网络第一层即输入层，输入层包含多个节点，用来接收不同类型的数据输入；
9、将输入层的数据带入第二层神经网络即循环层，在循环层中的lstm单元模块利用sigmoid函数进行阀值计算，决定下一步循环所需的节点计算结果；lstm单元模块采用sigmoid函数作为初始输出，sigmoid函数公式：
10、
11、函数变量映射到0～1之间，若输入趋于负无穷时，输出趋近0；若输入趋于正无穷时，输出趋近1；
12、第三层神经网络即输出层有一个单元节点，用于输出预测的脱靶量数值；所述lstm神经网络模型采用反向传播bp算法训练，以输出层的均方差mse作为网络训练结果精度的衡量指标，反向传播到网络各层，求解各层梯度；均方差公式：
13、
14、其中，y为输入数据对应的脱靶量真实值，为脱靶量预测值，n为样本个数，x为向量序列长度。
15、所述lstm单元模块中，该lstm单元模块具有三个门：遗忘门，输入门和输出门；
16、输入门表示控制当前的近场回波数据信息是否加入到当前单元状态中，计算式为：
17、fi＝σ(wi·(ht-1,xt)+bi) (3)
18、fi＝σ(wi·(ht-1,xt)+bi) (4)
19、
20、式中，σ为sigmoid激活函数；ht-1为t-1时刻的输出；xt为t时刻的输入；为新候选向量；wi、wc分别为输入门和候选向量的权重矩阵；bi、bc分别为输入门和候选向量的偏置；
21、遗忘门控制上一时刻存储的历史信息是否保留到当前状态，其计算式为：
22、ft＝σ(wf·(ht-1,xt)+bf) (6)
23、式中，wf为遗忘门的权重矩阵；bf为遗忘门的偏置；
24、输出门控制将当前节点信息的输出，其计算式为：
25、ot＝tanh(wo·(ht-1,xt)+bo) (7)
26、ht＝ot·tanh(ct) (8)
27、式中，wo、bo分别表示输出门的权重矩阵及其偏置。
28、采用仿真软件获得的弹目交会时的回波数据，所述回波数据包含近场多极化rcs数据、一维距离像数据、近场多普勒回波数据，将弹目交会状态时目标近场散射回波数据存储至数据库。
29、将回波数据输入lstm神经网络模型之前，预先对所述回波数据进行归一化处理；
30、从数据库里读取回波数据，运用公式(9)做归一化处理：
31、
32、其中，x为原始回波数据，xmax、xmin分别为原始回波数据中的最大值和最小值，xnorm为归一化处理后得到的数据。
33、将归一化后的回波数据按80％，20％的比例分为训练集和测试集，分别用于神经网络的训练和测试。
34、本专利技术通过接收、分析弹目交会过程中目标散射到探测器的近场散射回波，建立基于lstm的脱靶量预估模型，并利用仿真生成的弹目交会散射回波作为lstm神经网络模型输入实现，是一种行之有效的建模方案。本专利技术通过lstm神经网络模型进行弹目交会状态下脱靶量的预测，能够根据当前状态自动调整历史信息对当前预测的贡献，针对同类目标可以在发射前校准，提高了毁伤效果，有效提高制导精度。
本文档来自技高网...【技术保护点】
1.一种弹目交会场景下的脱靶量预估方法，其特征在于，包含以下步骤：
2.如权利要求1所述的弹目交会场景下的脱靶量预估方法，其特征在于，所述构建LSTM神经网络模型的方法包含：
3.如权利要求2所述的弹目交会场景下的脱靶量预估方法，其特征在于，所述LSTM单元模块具有三个门：遗忘门，输入门和输出门；
4.如权利要求3所述的弹目交会场景下的脱靶量预估方法，其特征在于，采用仿真软件获得的弹目交会时的回波数据，所述回波数据包含近场多极化RCS数据、一维距离像数据、近场多普勒回波数据，将弹目交会状态时目标近场散射回波数据存储至数据库。
5.如权利要求4所述的弹目交会场景下的脱靶量预估方法，其特征在于，将回波数据输入LSTM神经网络模型之前，预先对所述回波数据进行归一化处理；
6.如权利要求5所述的弹目交会场景下的脱靶量预估方法，其特征在于，将归一化后的回波数据按80％，20％的比例分为训练集和测试集，分别用于神经网络的训练和测试。
【技术特征摘要】
1.一种弹目交会场景下的脱靶量预估方法，其特征在于，包含以下步骤：
2.如权利要求1所述的弹目交会场景下的脱靶量预估方法，其特征在于，所述构建lstm神经网络模型的方法包含：
3.如权利要求2所述的弹目交会场景下的脱靶量预估方法，其特征在于，所述lstm单元模块具有三个门：遗忘门，输入门和输出门；
4.如权利要求3所述的弹目交会场景下的脱靶量预估方法，其特征在于，采用仿真软件获得的弹目交会时的回波数据，所述...
【专利技术属性】
技术研发人员：姜夏宇，谢志杰，高鹏程，
申请(专利权)人：上海无线电设备研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。