一种计算时变目标后向电磁散射的方法技术

本发明专利技术公开了一种计算时变目标后向电磁散射的方法，步骤如下：S1、随机产生一组参数C和参数G，并初始化粒子群各参数；S2、用随机产生的参数C和参数G训练SVM模型，按照K‑CV方法；S3、将K次验证集的平均均方误差作为适应度函数值；S4、对各粒子适应度值进行选择操作：低适应度的优势粒子进入下一代种群，高适应度的劣势粒子进行交叉操作；S5、群粒子分别根据个体最优值和全局最优值更新粒子的位置和飞行速度；S6、若达到迭代次数，算法终止，输出最优参数，否则返回S2。本发明专利技术的计算时变目标后向电磁散射的方法结合了K‑CV的无偏性和PSO算法的较快收敛速度的特性，克服了单一优化算法的缺陷，具有更精确的反演精度和更强的泛化能力。

A method for calculating back electromagnetic scattering of time-varying targets

【技术实现步骤摘要】
一种计算时变目标后向电磁散射的方法
本专利技术涉及目标探测方法领域，具体涉及一种计算时变目标后向电磁散射的方法。
技术介绍
目标的特征信息提取与识别属于电磁逆散射领域的研究内容之一，一般是测量包含有散射体特征信息的散射场数据，通过一些方法得到特征信息的估计值。对于目标的电磁逆散射而言，即是通过对雷达回波的处理，重建目标的各种几何参数信息和运动特性。但由于电磁散射的逆问题本身具有的非线性、非适应性等不确定特性，使得该问题研究起来有不少困难。有学者将频域高斯-牛顿反演算法发展为时域形式，用于解决二维电磁逆散射问题，也有采用了BP神经网络来解决介质圆柱体电磁逆散射问题。在大数据时代的研究背景下，一些基于机器学习的算法(如神经网络和支持向量机方法)可以很好地处理这些非线性回归估计问题，但神经网络需要构建大量样本的训练集，而且存在过拟合的缺陷，支持向量机方法可以在少量训练样本的情况下就可以获得较好的估计函数。支持向量机方法在研究目标特性参数的反演问题时，首先根据矩量法等电磁场数值方法，在改变目标的特性参数的同时计算目标的后向散射系数，再将本文档来自技高网...

【技术保护点】
1.一种计算时变目标后向电磁散射的方法，其特征在于，步骤如下：/nS1、随机产生一组参数C和参数G，并初始化粒子群各参数；/nS2、将训练集样本均分为K个子集，用随机产生的参数C和参数G训练SVM模型，按照K-CV方法，将每个子集分别做一次验证集，其余K-1组作为训练集，如此循环K次；/nS3、将K次验证集的平均均方误差作为适应度函数值；/nS4、对各粒子适应度值进行选择操作：低适应度的优势粒子进入下一代种群，高适应度的劣势粒子进行交叉操作，再对全体粒子进行变异操作；/nS5、群粒子分别根据个体最优值和全局最优值更新粒子的位置和飞行速度；/nS6、若达到迭代次数，算法终止，输出最优参数，否则返...

【技术特征摘要】
1.一种计算时变目标后向电磁散射的方法，其特征在于，步骤如下：
S1、随机产生一组参数C和参数G，并初始化粒子群各参数；
S2、将训练集样本均分为K个子集，用随机产生的参数C和参数G训练SVM模型，按照K-CV方法，将每个子集分别做一次验证集，其余K-1组作为训练集，如此循环K次；
S3、将K次验证集的平均均方误差作为适应度函数值；
S4、对各粒子适应度值进行选择操作：低适应度的优势粒子进入下一代种群，高适应度的劣势粒子进行交叉操作，再对全体粒子进行变异操作；
S5、群粒子分别根据个体最优值和全局最优值更新粒子的位置和飞行速度；
S6、若达到迭代次数，算法终止，输出最优参数，否则返回S2。


2....

【专利技术属性】
技术研发人员：宋扬，刘辰，熊曾静，
申请(专利权)人：安徽博微长安电子有限公司，
类型：发明
国别省市：安徽;34