【技術實現步驟摘要】
本專利技術屬于高速飛行器，具體涉及一種小樣本情況下高速飛行器機動對抗效能評估方法。
技術介紹
1、高速飛行器機動對抗指標體系框架中涉及眾多機動對抗效能的影響因素，在分析這些影響因素對機動對抗效能的影響時需要大量的數據，由于數據需求的規模過于龐大，通過仿真環境生成數據的時間成本較高，不利于分析方法的迭代，且由于經濟性原因，真實戰場試驗數據較少。
2、當前，現有的效能評估方法主觀性較強，現有的基于神經網絡模型進行效能評估的方法需要大量數據進行模型訓練，當訓練數據量較少時，效能網絡模型的擬合度較低，且模型的魯棒性及泛化能力較差，容易產生過擬合。
3、在數據規模小的情況下，建立準確度較高的高速飛行器機動對抗效能網絡模型能夠代替仿真環境或真實戰場環境，更加快速且準確地給出高速飛行器機動對抗效能評估的結果，有利于進一步分析高速飛行器機動對抗策略的有效性。
技術實現思路
1、本專利技術的目的是克服現有技術的不足而提出的一種實現快速、準確且高魯棒性評估的小樣本情況下高速飛行器機動對抗效能評估方法。
2、本專利技術的技術方案如下：
3、一種小樣本情況下高速飛行器機動對抗效能評估方法，包括如下步驟：
4、步驟s1：分析高速飛行器機動對抗過程，基于分析結果建立高速飛行器機動對抗指標體系框架，并明確高速飛行器機動對抗指標體系框架中各層指標要素；
5、步驟s2：根據構建的高速飛行器機動對抗指標體系框架進行網絡結構拓撲，通過建立單塊神經網
6、步驟s3：針對單塊神經網絡模型，建立以r個mlp模型為基學習器，1個線性疊加學習器為元學習器的集成學習框架，將單塊神經網絡模型的輸入分別輸入 m個mlp模型，總共得到 m個輸出結果，將輸出結果作為線性疊加學習器的輸入，單塊神經網絡模型的輸出作為其輸出，進行訓練；
7、步驟s4：針對集成學習框架中的基學習器，將“區間單調性”專家知識進行數學抽象表達構成基學習器的loss函數的正則項；
8、步驟s5：基于s1-s4中得到復雜分塊神經網絡模型對高速飛行器機動對抗效能進行評估。
9、進一步，所述步驟s1中建立高速飛行器機動對抗指標體系框架的具體過程為：
10、s101、分析高速飛行器機動對抗過程，確定高速飛行器機動對抗的價值中心為戰術躲避能力，確定表征高速飛行器機動對抗效能的指標為藍方防御武器最小接近距離；
11、s102、分析高速飛行器機動對抗過程，得到影響高速飛行器機動對抗效能的指標為機動時機、機動過載、機動方向、機動時長，并以此四項指標作為高速飛行器機動對抗指標體系框架的第二層指標；
12、s103、分析高速飛行器機動對抗過程，確認機動過載由高速飛行器推力、高速飛行器干重、高速飛行器燃料質量、高速飛行器燃料消耗率決定，機動時長由高速飛行器推力、高速飛行器比沖、高速飛行器燃料質量、高速飛行器機動次數決定，并以上述對應指標作為高速飛行器機動對抗指標體系框架的第三層指標。
13、進一步，所述步驟s2中通過構建的高速飛行器機動對抗指標體系框架進行網絡結構拓撲的具體步驟包括如下內容：
14、s201、建立高速飛行器機動對抗指標體系框架中第三層指標與第二層指標之間的單塊神經網絡模型，包括以高速飛行器推力、高速飛行器干重、高速飛行器燃料質量、高速飛行器燃料消耗率為輸入，機動過載為輸出的機動過載單塊神經網絡模型，以高速飛行器推力、高速飛行器比沖、高速飛行器燃料質量、高速飛行器機動次數為輸入，機動時長為輸出的機動時長單塊神經網絡模型；
15、s202、建立高速飛行器機動對抗指標體系框架中第二層指標與第一層指標之間的單塊神經網絡模型，包括以機動時機、機動過載、機動方向、機動時長為輸入，最小接近距離為輸出的最小接近距離單塊神經網絡模型；
16、s203、通過將機動過載單塊神經網絡模型、機動時長單塊神經網絡模型與最小接近距離單塊神經網絡模型中機動過載、機動時長輸入對應結合，建立最小接近距離復雜分塊神經網絡模型。
17、進一步，所述步驟s3中的集成學習框架的構建的具體步驟為：
18、s301、設置訓練集，測試集，其中和為樣本和的特征向量，和為對應的標簽，同時確定r個基學習器為mlp模型；
19、s302、基于8：2的比例劃分訓練集與測試集數據量的數據規模，并采用mlp基學習器依次對訓練集進行訓練，對訓練集進行預測，得到預測訓練集，將各mlp基學習器的預測訓練集預測結果記為，同時對測試集進行預測，得到的預測結果記為；
20、s303、重復上述步驟，直至遍歷完所有mlp基學習器，將所有mlp基學習器的預測結果與對應的標簽進行拼接，構成一個新的訓練樣本集，記為dnew，將所有mlp基學習器的預測結果tr與對應的標簽進行拼接，構成新的測試集，記為tnew；
21、s304、以dnew作為第二層元學習器線性疊加學習器的訓練數據進行訓練，并將tnew應用于測試集進行預測，得到最終的預測結果。
22、進一步，步驟s4中將“區間單調性”專家知識引入單塊神經網絡模型訓練loss函數設計的具體方式為：
23、s401、根據步驟s2中的網絡拓撲結果，確定不同mlp基學習器的輸入層節點數，輸出層節點數，隱藏層節點數一般遵循原則：，其中 l為隱藏層節點數， p為輸入層節點數， q為輸出層節點數， a為0~10之間的常數；
24、s402、確定高速飛行器機動對抗的“區間單調性”專家知識，并給予區間單調性確認最小接近距離隨機動過載的增大是非遞減的，最小接近距離隨機動時長的增大是非遞減的，當機動方向在區間內，最小接近距離隨機動方向的增大是非遞減的，在區間內，最小接近距離隨機動方向的增大是非遞增的；
25、s403、針對mlp基學習器的loss函數，在原有標簽數據與擬合數據均方誤差的基礎上，添加正則項，對于區間內單調性相反的情況進行懲罰，通過改變正則項的系數控制懲罰程度，并基于正則項反向傳播修改神經網絡參數，使得mlp基學習器逼近原有的單調性，所述標簽數據為在仿真環境或者真實環境中獲取的數據集輸出，擬合數據為通過效能網絡模型擬合得到的輸出；
26、s404、按照步驟s302的訓練集、測試集，通過設定學習率，基于adam優化器進行loss函數的反向傳播并優化網絡參數。
27、與現有技術相比，本專利技術的有益效果是：
28、1、本專利技術通過步驟s1中的高速飛行器本文檔來自技高網...
【技術保護點】
1.一種小樣本情況下高速飛行器機動對抗效能評估方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種小樣本情況下高速飛行器機動對抗效能評估方法，其特征在于：所述步驟S1中建立高速飛行器機動對抗指標體系框架的具體過程為：
3.根據權利要求2所述的一種小樣本情況下高速飛行器機動對抗效能評估方法，其特征在于：所述步驟S2中通過構建的高速飛行器機動對抗指標體系框架進行網絡結構拓撲的具體步驟包括如下內容：
4.根據權利要求1所述的一種小樣本情況下高速飛行器機動對抗效能評估方法，其特征在于：所述步驟S3中的集成學習框架的構建的具體步驟為：
5.根據權利要求4所述的一種小樣本情況下高速飛行器機動對抗效能評估方法，其特征在于：步驟S4中將“區間單調性”專家知識引入單塊神經網絡模型訓練Loss函數設計的具體方式為：
【技術特征摘要】
1.一種小樣本情況下高速飛行器機動對抗效能評估方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種小樣本情況下高速飛行器機動對抗效能評估方法，其特征在于：所述步驟s1中建立高速飛行器機動對抗指標體系框架的具體過程為：
3.根據權利要求2所述的一種小樣本情況下高速飛行器機動對抗效能評估方法，其特征在于：所述步驟s2中通過構建的高速飛行器機動對抗指標...
【專利技術屬性】
技術研發人員：周堯明，秦慶陽，于智行，許力文，張超越，林成浩，
申請(專利權)人：天目山實驗室，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。