一種基于信號分解和支持向量機的制導律辨識方法技術

本發明專利技術公開了一種基于信號分解和支持向量機的制導律辨識方法，基于短時間內的不同制導律的相對運動信息，無需逐步迭代和狀態融合，采用信號分解與支持向量機分類的方法，實現對制導律的快速、高精度辨識，是一種新的制導律辨識方法。目前還未見到相關技術。目前還未見到相關技術。目前還未見到相關技術。

【技術實現步驟摘要】
一種基于信號分解和支持向量機的制導律辨識方法


[0001]本專利技術屬于飛行器系統辨識
，具體涉及一種基于信號分解和支持向量機的制導律辨識方法。

技術介紹

[0002]現代戰爭中，空中打擊已成為局部戰爭中的主要方式。我方飛機攻擊敵方重要目標比如預警機時，預警機的護衛機往往發射防御彈對我方飛機實施攔截。如果我方飛機能夠通過測得的防御彈相關信息辨識得到其制導律，則對于我方飛機的突防或發射導彈對其實施反攔截具有重要的意義。
[0003]目前，制導律辨識的相關文獻數量較少。胡志恒和周荻在三維空間中研究了制導律辨識問題。以系統可觀條件為基礎，設計擴展卡爾曼濾波器，輸出制導律參數信息。Yun等人利用改進的交互式多模型濾波算法對反艦導彈制導律進行辨識，從而提升海軍艦船的生存能力。蔡遠利等人針對主動防御的典型TDM問題，基于非線性多模型自適應濾波方法，通過多個卡爾曼濾波器并行運行，實現來襲攔截彈的制導律辨識問題。此外，基于卡爾曼濾波器的制導律辨識還與其它方法結合來增強方法的適應性和準確度，例如卡爾曼濾波算法與低通濾波器結合構建頻域分離自適應卡爾曼濾波方法，實現觀測數據的實時處理從而辨識得到制導律。上述制導律辨識方法主要是基于卡爾曼濾波及其改進算法的方法。
[0004]現有方案中，首先建立飛機和敵方防御彈的相對運動模型，再假設防御彈采用幾種典型制導律的前提下，將無跡卡爾曼濾波算法與非線性導彈運動學模型結合，構建并行的卡爾曼濾波器。通過迭代更新每一步的估計協方差和預測誤差，計算得到相應的高斯分布的似然函數值，實現每一步的概率更新。通過融合雷達量測值與不同制導律模型的狀態預測值，修正系統模型的總狀態。當一種制導律的概率較大，另幾種制導律的概率較小時，可認為來襲導彈采用的是概率較大的制導律，實現對來襲導彈采用的制導律和制導系數的辨識。
[0005]制導律辨識的主流方法主要采用基于卡爾曼濾波及其改進算法的方法。卡爾曼濾波在辨識過程中需要大量的運動學參數，在得到辨識結果之前需要參數的不斷迭代和信息融合。而且卡爾曼濾波辨識出制導律需要較長的時間，這對在線應用產生不利的影響。

技術實現思路

[0006]有鑒于此，本專利技術的目的是提供一種不同于卡爾曼濾波算法的全新的制導律辨識方法，不需要依靠連續運動信息的迭代更新和狀態融合估計。而只需要根據雷達測得的較短時間的相對運動信息，即可快速辨識出防御彈采用的制導律，有利于在線應用。
[0007]一種基于信號分解和支持向量機的制導律辨識方法，包括：
[0008]步驟1、模擬防御彈采用不同制導律攔截機動作戰飛機時的視線角速度和距離變化率信號；
[0009]步驟2、基于經驗模態分解EMD方法，對不同制導律下視線角速度和距離變化率
信號進行分解，分別提取得到兩個信號的全部IMF分量和一個殘差res；
[0010]步驟3、計算視線角速度各IMF分量和殘差res的能量，以及距離變化率信號各IMF分量和殘差res的能量，將所有能量排列成向量，構成各制導律對應的特征向量能量帶T，為每一個特征向量能量帶T標注制導律類別標簽；
[0011]步驟4、對制導律類別的兩兩組合進行遍歷，為每一種組合構建一個二分類支持向量機SVM，采用對應兩種制導律的特征向量能量帶T對SVM進行訓練；
[0012]步驟5、針對待識別的防御彈的視線角速度和距離變化率信號，先進行基于經驗模態分解EMD方法進行分解，再得到對應的特征向量能量帶T，輸入到每個訓練好的SVM中，每個二分類SVM的辨識結果計為1票，最后得票最多的制導律類別即為待識別信號的類別。
[0013]較佳的，所述步驟2的具體方法為：
[0014]Step1：找到信號或者信號所有的極值點，采用三次樣條插值法根據極值點擬合上、下包絡線e
max
和e
min
；
[0015]Step2：求取上、下包絡線均值為m(t)；
[0016]Step3：將信號或者信號減去m(t)得到序列c(t)；
[0017]Step4：檢測序列c(t)是否滿足設定條件：
[0018]若滿足，c(t)作為一個IMF分量分離出來，得到剩余序列r(t)，即或
[0019]若不滿足，則將序列c(t)作為新信號重復上述Step1至Step3，直至序列c(t)滿足設定條件為止，則提取出信號的全部IMF分量和一個殘差；
[0020]所述設定條件為：在整個時間軸上，信號序列的極值點和過零點數目相同或至多相差一個，且任意的時間點，信號序列的局部極大值與局部極小值分別構成的上包絡線與下包絡線的平均值須為0，即該信號序列波形必須局部對稱。
[0021]較佳的，所述步驟2中，對于信號或者信號在信號的兩端分別對數據進行鏡像操作，將原始信號對稱地延拓成一個閉合的環形信號，然后再進行所述分解。
[0022]較佳的，所述步驟3中，不同制導律對應的特征向量能量帶T元素數量不同時，最低頻IMF后補充0特征，使得后續基于機器學習的制導律辨識環節中的樣本數據的長度一致。
[0023]較佳的，所述步驟3中，對特征向量能量帶T元素進行歸一化操作。
[0024]較佳的，SVM采用高斯核函數。
[0025]較佳的，所述步驟3中，計算能量式為：
[0026][0027][0028]式中，c
i
為各IMF分量i時刻對應的值；r
i
為殘差i時刻對應的值。
[0029]本專利技術具有如下有益效果：
[0030]本專利技術基于短時間內的不同制導律的相對運動信息，無需逐步迭代和狀態融合，
采用信號分解與支持向量機分類的方法，實現對制導律的快速、高精度辨識，是一種新的制導律辨識方法。目前還未見到相關技術。
附圖說明
[0031]圖1為防御彈飛機相對運動關系示意圖；
[0032]圖2為基于EMD的視線角速度信號分解結果；
[0033]圖3為鏡像延拓與未延拓包絡線比較；
[0034]圖4為鏡像延拓與未延拓序列比較；
[0035]圖5為“一對一”多分類SVM模型；
[0036]圖6為本專利技術的基于經驗模態分解的制導律辨識方法流程；
[0037]圖7為四種制導律下的雙方軌跡；
[0038]圖8為四種制導律下的視線角速度；
[0039]圖9為四種制導律下的距離變化率；
[0040]圖10為PPN視線角速度EMD結果；
[0041]圖11為PPN距離變化率EMD結果；
[0042]圖12為TPN視線角速度EMD結果；
[0043]圖13為TPN距離變化率EMD結果；
[0044]圖14為IPN視線角速度EMD結果；
[0045]圖15為IPN距離變化率EMD結果；
[0046]圖16為APN視線角速度EMD結果；
[0047]圖17為APN距離變化率EMD結果。
具體實施方式
[00本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于信號分解和支持向量機的制導律辨識方法，其特征在于，包括：步驟1、模擬防御彈采用不同制導律攔截機動作戰飛機時的視線角速度和距離變化率信號；步驟2、基于經驗模態分解EMD方法，對不同制導律下視線角速度和距離變化率信號進行分解，分別提取得到兩個信號的全部IMF分量和一個殘差res；步驟3、計算視線角速度各IMF分量和殘差res的能量，以及距離變化率信號各IMF分量和殘差res的能量，將所有能量排列成向量，構成各制導律對應的特征向量能量帶T，為每一個特征向量能量帶T標注制導律類別標簽；步驟4、對制導律類別的兩兩組合進行遍歷，為每一種組合構建一個二分類支持向量機SVM，采用對應兩種制導律的特征向量能量帶T對SVM進行訓練；步驟5、針對待識別的防御彈的視線角速度和距離變化率信號，先進行基于經驗模態分解EMD方法進行分解，再得到對應的特征向量能量帶T，輸入到每個訓練好的SVM中，每個二分類SVM的辨識結果計為1票，最后得票最多的制導律類別即為待識別信號的類別。2.如權利要求1所述的一種基于信號分解和支持向量機的制導律辨識方法，其特征在于，所述步驟2的具體方法為：Step1：找到信號或者信號所有的極值點，采用三次樣條插值法根據極值點擬合上、下包絡線e
max
和e
min
；Step2：求取上、下包絡線均值為m(t)；Step3：將信號或者信號減去m(t)得到序列c(t)；Step4：檢測序列c(t)是否滿足設定條件：若滿足，c(t)作為一個IMF分量分離出來，得到...

【專利技術屬性】
技術研發人員：王曉芳，張楠，
申請(專利權)人：北京理工大學，
類型：發明
國別省市：