基于随机森林的红外成像导引头抗干扰性能评估方法技术

本发明专利技术提供了一种基于随机森林的红外成像导引头抗干扰性能评估方法，属于信号处理与导航制导交叉应用技术领域。面对着日益复杂的战争环境，红外成像导引头的抗干扰性能则需要不断提高以应对这一挑战。研究红外导弹武器抗干扰性能的评估方法，可为导弹武器系统研究提供技术支持，具有重要意义。本发明专利技术提出了一种基于随机森林的抗干扰性能评估方法，通过这种方法在抗干扰评估指标体系下得到综合的抗干扰性能值，为红外成像导引头抗干扰性能评估提供了新的思路。

【技术实现步骤摘要】
基于随机森林的红外成像导引头抗干扰性能评估方法
本专利技术涉及红外导引头中的抗干扰评估指标与抗干扰综合性能值之间的拟合及预测，是一种导弹制导领域里，对于抗干扰试验中红外导引头与目标之间的相关数据，使用数学分析的思想进行定量分析的方法。本专利技术属于信号处理与导航制导交叉应用

技术介绍
红外导弹在现代战场上发挥着重要的作用，它具有制导精度高、抗干扰能力强、隐蔽性好、效费比高、结构紧凑、机动灵活等优点，已成为现代战争首选的精确制导武器之一，在多次局部战争，尤其是海湾战争和科索沃战争中，发挥了巨大的作用[1]。红外制导武器的大量使用，导致了红外干扰技术的出现及迅猛发展，为了消除或减小红外制导导弹对己方空中目标的威胁，世界各国都积极发展各种人工干扰方法来削弱红外制导武器的作战效能[1][2]。经过几十年来的发展，红外干扰技术也得到了长足的发展，红外制导导弹的效能在一定程度上被削弱了很多。因此，抗干扰能力弱的红外导弹在未来的战争中作用将非常有限,这使导弹的抗干扰性能试验和评估受到了密切关注[3]。对于红外制导导弹而言，它的作战环境已经急剧恶化，为了能在这样的作战环境中发挥效能，要求在红外制导武器的研制时明确提出导引头抗人工干扰的性能指标，当研制的导弹的抗干扰性能指标满足一定条件，使得未来生产出来的导弹能够在目标飞机施放各种干扰的条件下，仍然能够以一个较大的概率击中目标，该型号导弹才具备批量生产的资格。所以，需要在红外制导导弹批量生产之前，利用研制过程中的各项性能指标，采用合适的方法对其整体的抗干扰性能进行评估。红外导弹武器抗干扰性能的评估方法及建立的评估指标体系，可为导弹武器系统全寿命周期各阶段的重大决策提供技术支持，对提高导弹武器系统规划研制和作战运用的科学性、装备配套建设、深化导弹武器作战理论研究及全面开展各项基础研究等方面工作都具有重要意义。目前对于红外制导导引系统的抗干扰性能评估存在着一对矛盾，一方面是由于外场靶试要消耗大量的人力、物力，而且每枚导弹价格的昂贵导致不可能大量地进行实弹测试，这样就得不到充分的样本进行统计评估；另一方面是在红外导弹研制过程中各个阶段有大量的实验数据不能充分利用。因此，如何检验红外导引系统的抗干扰能力，如何建立一整套科学的、通用的抗干扰性能评估指标体系和简单有效的评估方法，已经成为当前红外导引系统评估工作中的重要课题。本专利技术提出一种基于随机森林的红外成像导引头抗干扰性能评估方法，能够定量的评估各项抗干扰指标和导引头抗干扰综合性能值之间的定量关系，为红外成像导引头抗干扰性能评估提供新的思路。
技术实现思路
本专利技术是为了建立抗干扰评估指标与抗干扰综合性能值之间的定量关系，首先介绍基于随机森林的抗干扰性能评估算法。RF(RandomForest)算法是bagging+完全生长CART树(分类回归树)的组合。通过bagging方法(自举汇聚法)是建立多个分类或者回归模型，最后采用投票或平均作为预测值，可以降低过拟合。对训练样本采用boostrap(自助法)采样方法进行M轮，分别建立决策树，x表示待检测样本。由于每轮采用出的样本子集基本不相同，训练的模型相关性会降低小。为了进一步降低模型间的相关性，每轮训练前可以对训练数据的特征进行随机采样，也可以在决策树的每个branch(树枝)上进行随机特征选择。决策树模型是一种树形结构，基于特征对实例进行分类或回归的过程。即根据某个特征把数据分划分到若干个子区域(子树)，再对子区域递归划分，直到满足某个条件则停止划分并作为叶子节点，不满足条件则继续递归划分。决策树模型学习过程通常包2个步骤：特征选择、决策树的生成。选择特征顺序的不同将会产生不同决策树，选择好的特征能使得各个子集下标签更纯净。度量特征对产生子集的好坏有若干方法，如误差率，信息增益、信息增益比和基尼指数等。(1)误差率训练数据D被特征A分在若干子节点后，选择子节点中出现数目最多的类标签作为此节点的返回值，记为yc。则误差率定义为其中，Dc表示返回值对应的训练数据，I表示参考系数，yi表示第i个子节点的类标签。(2)信息增益“信息熵”是度量样本集合纯度最常用的一种指标，假定当前样本集合D中第k类样本所占的比例为pk，则D的信息熵Ent(D)定义为：其中n表示样本类型个数。假定离散属性a有V个可能的取值，若使用a来对样本D进行划分，则会产生V个分支节点，其中第v个分支节点包含了D中所有在属性a上取值为av的样本，记为Dv。根据上式，计算出Dv的信息熵，再考虑到不同的分支节点所包含的样本数不同，给分支节点赋予权重|Dv|/|D|，即样本数越多的分支节点的影响越大，于是计算出可用属性a对于样本集D进行划分所获得的“信息增益”一般而言，信息增益越大，则意味着使用属性a来进行划分所获得的提升越大。因此，可以用信息增益来进行决策树的划分属性选择。(3)增益率在实际引用中，信息增益准则对于可取值数目较多的属性有所偏好，为了减少这种偏好可能带来的不利影响，C4.5决策树不直接使用信息增益，而是使用增益率来选择最优划分属性，其定义如下：其中，值得注意的是，增益率准则可能对于可取值数目较小的属性有所偏好，因此C4.5算法不是直接选择增益率最大的候选划分属性，而是使用一个启发式的算法，先从候选划分属性中找出信息增益高于平均水平的属性，然后从中选出增益率最高的。(4)基尼指数CART决策树使用基尼指数来选择划分属性，数据集D的纯度可用基尼值定义如下：直观来说，Gini(D)反应了从数据集中随机抽取两个样本，其类别标记不一致的概率。因此，属性a的基尼指数定义如下：决策树生成算法如下：从根节点开始，在数据集D上计算所有可能的特征A分别计算信息增益，选择信息增益最大的特征作为分类条件，对该特征不同的取值分别建立子集作为子节点，最对子集递归地调用以上方法，直到没有特征可以选择或者信息增益很小为止。接下来构建随机森林。在随机森林中，对基决策树的每一个结点，先从该结点的属性集合中随机选择一个包含N个属性的子集，然后在从这个子集中选择一个最优属性用于划分。这里的参数N控制了随机性的引入程度。与现有技术相比，本专利技术具有如下的有益效果：随机森林简单、容易实现、计算开销小，但是其在很多现实任务中展现出强大的性能。可以看出，随机森林是对Bagging的改进，但是与Bagging中基学习器的“多样性”是通过样本扰动(通过对初始训练集采样)而来不同，随机森林中基学习器的多样性不仅来自样本扰动，还来自属性扰动，这就使得最终集成的泛化性能可通过个体学习器之间的差异度的增加而进一步得到提升。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。结合本专利技术方法的内容提供以下实施例：仿真过程分为模型训练和模型测试两个步骤进行。训练时每个样本包括各评估指标作为多维输入参数，整体抗干扰性能值作为输出参数。得到最终的回归器后，输入抗干扰评价指标值即可输出整体抗干扰性能值。算法的一个简要描述如表1所示：表1随机森林算法流程抗干扰评估指标，可以分本文档来自技高网...

【技术保护点】
1.一种基于随机森林的红外成像导引头抗干扰性能评估方法，其特征在于，输入抗干扰性能指标值输出综合性能评估值，具体包括如下基本步骤：步骤A：对原始数据集进行boostrap抽样，生成训练集；步骤B：使用训练集生成不剪枝的回归决策树。步骤C：对待测样本，采用随机森林输出抗干扰综合性能。

【技术特征摘要】
1.一种基于随机森林的红外成像导引头抗干扰性能评估方法，其特征在于，输入抗干扰性能指标值输出综合性能评估值，具体包括如下基本步骤：步骤A：对原始数据集进行boostrap抽样，生成训练集；步骤B：使用训练集生成不剪枝的回归决策树。步骤C：对待测样本，采用随机森林输出抗干扰综合性能。2.根据权利要求1所述的基于随机森林的红外成像导引头抗干扰性能评估方法，其特征在于，所述生成回归决策树是从训练集中随机抽取设定个数的特征，所述特征依据Gini指数选取最优特征，组合最优特征直到回归决...

【专利技术属性】
技术研发人员：陆志沣，洪泽华，马潮，杨杰，乔宇，葛辰杰，
申请(专利权)人：上海机电工程研究所，
类型：发明
国别省市：上海,31