一种雷达性能预测模型建立方法及装置制造方法及图纸

本申请公开了一种雷达性能预测模型建立方法及装置，该方法包括：获取预先采集的原始数据，所述原始数据为在雷达实际工作环境中采集的数据，所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据；按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并，获得样本数据；根据预设的机器学习算法对所述样本数据进行训练，建立雷达性能预测模型，通过上述方式建立的雷达性能预测模型提高了模型在实际使用中的准确性。

Method and device for establishing radar performance prediction model

The present application discloses a method and apparatus for building a radar performance prediction model. The method includes: acquiring the raw data collected in advance, which is the data collected in the actual working environment of the radar. The raw data includes at least the data representing the radar state and the data representing the actual working environment. According to the time stamp of the original data, the data in the original data are merged to obtain the sample data; according to the preset machine learning algorithm, the radar performance prediction model is established by training the sample data, and the radar performance prediction model established by the above method improves the practical use of the model. Accuracy.

【技术实现步骤摘要】
一种雷达性能预测模型建立方法及装置
本申请涉及数据处理及建模
，更具体地说，涉及一种雷达性能预测模型建立方法及装置。
技术介绍
雷达性能如探测距离等会受到各种条件的影响，如天气、雷达状态等，在使用雷达前需要对雷达性能进行预测。当前对雷达性能预测的方式为试验法：设置不同条件的试验，即令雷达处于不同条件的试验环境中，运行雷达后对雷达的至少一个性能进行统计，如对雷达的最大探测距离进行统计，根据设置的条件和统计的最大探测距离进行数学建模，得到探测距离预测模型，进而基于该模型预测雷达的探测距离。但通过上述试验法建立的预测模型在实际应用中的准确性较低。
技术实现思路
有鉴于此，本申请提供一种雷达性能预测模型建立方法及装置，以提高雷达性能预测模型在实际使用中的准确性。为了实现上述目的，现提出的方案如下：一种雷达性能预测模型建立方法，所述方法包括：获取预先采集的原始数据，所述原始数据为在雷达实际工作环境中采集的数据，所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据；按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并，获得样本数据；根据预设的机器学习算法对所述样本数据进行训练，建立雷达性能预测模型。优选地，在按照所述原始数据中数据的时间戳对所述原始数据进行合并前，所述方法还包括：对所述原始数据进行清洗；根据数据的属性对所述清洗后的数据进行处理，获得属性与预测的雷达性能具有关联性的数据；所述按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并具体为：按照所述属性与预测的雷达性能具有关联性的数据中数据的时间戳对所述属性与预测的雷达性能具有关联性的数据中的数据进行合并。优选地，所述根据数据的属性对所述清洗后的数据进行处理，包括：查找所述清洗后的数据中属性值保持不变的数据、属性值在预定时长内发生的变化超过预设变化范围，且数量低于预设数量的数据，以及预指定删除数据；删除查找到的数据，获得所述属性与预测的雷达性能具有关联性的数据。优选地，所述按照所述属性与预测的雷达性能具有关联性的数据中数据的时间戳对所述属性与预测的雷达性能具有关联性的数据中的数据进行合并，获得样本数据，包括：查找所述属性与预测的雷达性能具有关联性的数据中具有相同时间戳的数据，并将具有相同时间戳的数据合并为一条数据对象；针对每一条数据对象：判断所述数据对象中除属性为预测的雷达性能外的其他属性是否与所述属性与预测的雷达性能具有关联性的数据中除属性为预测的雷达性能外的其他属性完全相同；若不完全相同，则从时间戳与所述数据对象的时间戳相邻的数据对象中获取所述数据对象缺少的属性对应的数据；删除目标数据对象，所述目标数据对象中不包括属性为预测的雷达性能对应的数据，获得样本数据。优选地，所述原始数据为格式为txt的多个文本数据，在对所述原始数据进行清洗前，所述方法还包括：将每个文本数据拆分为多个子文本数据；将每个子文本数据转换为第一格式数据；所述对所述原始数据进行清洗包括：对每个第一格式数据进行清洗；在所述根据数据的属性对所述清洗后的数据进行处理前，所述方法还包括：根据预设的属性值与数值的对应关系，将所述清洗后的第一个格式数据中数据的属性值进行数值化；将数值化的第一格式数据转换为第二格式数据；所述根据数据的属性对所述清洗后的数据进行处理具体为：根据数据的属性对所述第二格式数据进行处理，获得属性与预测的雷达性能具有关联性的数据。一种雷达性能预测模型建立装置，所述装置包括：获取单元，用于获取预先采集的原始数据，所述原始数据为在雷达实际工作环境中采集的数据，所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据；合并单元，用于按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并，获得样本数据；建模单元，用于根据预设的机器学习算法对所述样本数据进行训练，建立雷达性能预测模型。优选地，所述装置还包括：清洗单元，用于对所述原始数据进行清洗；处理单元，用于根据数据的属性对所述清洗后的数据进行处理，获得属性与预测的雷达性能具有关联性的数据；所述合并单元，具体用于按照所述属性与预测的雷达性能具有关联性的数据中数据的时间戳对所述属性与预测的雷达性能具有关联性的数据中的数据进行合并。优选地，所述处理单元包括：第一查找子单元，用于查找所述清洗后的数据中属性值保持不变的数据、属性值在预定时长内发生的变化超过预设变化范围，且数量低于预设数量的数据，以及预指定删除数据；第一删除子单元，用于删除查找到的数据，获得所述属性与预测的雷达性能具有关联性的数据。优选地，所述合并单元包括：第二查找子单元，用于查找所述属性与预测的雷达性能具有关联性的数据中具有相同时间戳的数据，并将具有相同时间戳的数据合并为一条数据对象；判断子单元，用于针对每一条数据对象：判断所述数据对象中除属性为预测的雷达性能外的其他属性是否与所述属性与预测的雷达性能具有关联性的数据中除属性为预测的雷达性能外的其他属性完全相同；获取子单元，用于当不完全相同时，从时间戳与所述数据对象时间戳相邻的数据对象中获取所述数据对象缺少的属性对应的数据；第二删除子单元，用于删除目标数据对象，所述目标数据对象中不包括属性为预测的雷达性能对应的数据，获得样本数据。优选地，所述原始数据为格式为txt的多个文本数据，所述装置还包括：拆分单元，用于将每个文本数据拆分为多个子文本数据；第一转换单元，用于将每个子文本数据转换为第一格式数据；所述清洗单元，具体用于对每个第一格式数据进行清洗；所述装置还包括：数值化单元，用于根据预设的属性值与数值的对应关系，将所述清洗后的第一个格式数据中数据的属性值进行数值化；第二转换单元，用于将数值化的第一格式数据转换为第二格式数据；所述处理单元，具体用于根据数据的属性对所述第二格式数据进行处理，获得属性与预测的雷达性能具有关联性的数据。从上述的技术方案可以看出，本申请中获取的原始数据为在雷达实际工作环境中采集的数据，该数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据，相当于是采集了雷达在各种不同的实际工作环境中关于自身状态和工作环境的大数据，后续按照数据的时间戳将不同数据合并在一起得到样本数据，并利用机器学习算法对大量的样本数据进行训练得到雷达性能预测模型，相对于现有技术设置的有限的试验环境条件及利用的数学建模方法，本申请利用满足了各种不同复杂环境条件的大数据和能够对大数据进行处理的机器学习方法建立的雷达性能预测模型，极大的扩展了适用环境条件的范围，提高了雷达性能预测模型在实际使用中的准确性。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例公开的一种雷达性能预测模型建立方法的流程图；图2为本申请另一实施例公开的一种雷达性能预测模型建立方法的流程图；图3为本申请一实施例公开的数据合并方法的流程图；图4为本申请实施例公开的一种雷达性能预测模型建立装置的框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整本文档来自技高网...

【技术保护点】
1.一种雷达性能预测模型建立方法，其特征在于，所述方法包括：获取预先采集的原始数据，所述原始数据为在雷达实际工作环境中采集的数据，所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据；按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并，获得样本数据；根据预设的机器学习算法对所述样本数据进行训练，建立雷达性能预测模型。

【技术特征摘要】
1.一种雷达性能预测模型建立方法，其特征在于，所述方法包括：获取预先采集的原始数据，所述原始数据为在雷达实际工作环境中采集的数据，所述原始数据至少包括表征雷达状态的数据和表征所述实际工作环境的数据；按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并，获得样本数据；根据预设的机器学习算法对所述样本数据进行训练，建立雷达性能预测模型。2.如权利要求1所述方法，其特征在于，在按照所述原始数据中数据的时间戳对所述原始数据进行合并前，所述方法还包括：对所述原始数据进行清洗；根据数据的属性对所述清洗后的数据进行处理，获得属性与预测的雷达性能具有关联性的数据；所述按照所述原始数据中数据的时间戳对所述原始数据中的数据进行合并具体为：按照所述属性与预测的雷达性能具有关联性的数据中数据的时间戳对所述属性与预测的雷达性能具有关联性的数据中的数据进行合并。3.如权利要求2所述方法，其特征在于，所述根据数据的属性对所述清洗后的数据进行处理，包括：查找所述清洗后的数据中属性值保持不变的数据、属性值在预定时长内发生的变化超过预设变化范围，且数量低于预设数量的数据，以及预指定删除数据；删除查找到的数据，获得所述属性与预测的雷达性能具有关联性的数据。4.如权利要求2至3任意一项所述方法，其特征在于，所述按照所述属性与预测的雷达性能具有关联性的数据中数据的时间戳对所述属性与预测的雷达性能具有关联性的数据中的数据进行合并，获得样本数据，包括：查找所述属性与预测的雷达性能具有关联性的数据中具有相同时间戳的数据，并将具有相同时间戳的数据合并为一条数据对象；针对每一条数据对象：判断所述数据对象中除属性为预测的雷达性能外的其他属性是否与所述属性与预测的雷达性能具有关联性的数据中除属性为预测的雷达性能外的其他属性完全相同；若不完全相同，则从时间戳与所述数据对象的时间戳相邻的数据对象中获取所述数据对象缺少的属性对应的数据；删除目标数据对象，所述目标数据对象中不包括属性为预测的雷达性能对应的数据，获得样本数据。5.如权利要求2所述方法，其特征在于，所述原始数据为格式为txt的多个文本数据，在对所述原始数据进行清洗前，所述方法还包括：将每个文本数据拆分为多个子文本数据；将每个子文本数据转换为第一格式数据；所述对所述原始数据进行清洗包括：对每个第一格式数据进行清洗；在所述根据数据的属性对所述清洗后的数据进行处理前，所述方法还包括：根据预设的属性值与数值的对应关系，将所述清洗后的第一个格式数据中数据的属性值进行数值化；将数值化的第一格式数据转换为第二格式数据；所述根据数据的属性对所述清洗后的数据进行处理具体为：根据数据的属性...

【专利技术属性】
技术研发人员：孙笑言，王炀，齐海超，罗喜霜，
申请(专利权)人：北京润科通用技术有限公司，
类型：发明
国别省市：北京,11