一种激光训练服的激光接收模块结构制造技术

本发明专利技术公开了一种激光训练服的激光接收模块结构，包括训练服本体，所述训练服本体的内部固定连接有激光接收模块，所述激光接收模块包括无线芯片，所述无线芯片的输入端电连接有激光探测器，所述无线芯片的输出端和输入端双向电连接有WIFI模块，所述WIFI模块的输出端和输入端双向电连接有后台数据处理计算机。本发明专利技术通过激光探测器便于探测激光枪发射的激光，具备独立的供电、激光接收、无线传输功能，自身可通过无线数据交换方式与配套设备互联，可实现离散布置或拼接布置与数据传递方式多元组合配置，有效规避点状激光接收模块只能有线连接，随着布置数量增加导致相互之间电缆长度增加而影响训练服使用的缺点。度增加而影响训练服使用的缺点。

【技术实现步骤摘要】
一种激光训练服的激光接收模块结构


[0001]本专利技术涉及军用训练器材
，具体为一种激光训练服的激光接收模块结构。

技术介绍

[0002]传统的单兵战术对抗训练多采用“空瞄准”、“假射击”训练方式，容易使人产生疲劳，实际训练效果对提升实战水平作用有限，目前这种训练方法大多已被抛弃，取而代之的是采用实弹射击进行战术对抗训练，实弹训练方法效果突出，但缺点是训练成本高，且容易导致安全事故。
[0003]伴随着科技的发展，特别是小型安全激光发射与接收水平的提高，基于此技术开发的激光模拟对抗系统，既能逼真模拟实弹训练效果同时又避免了实弹训练带来的安全隐患，在单兵战术对抗训练中得到越来越多的应用，代替实弹训练已成为一种趋势。
[0004]常见的单兵激光模拟对抗训练装备主要有激光枪和和布置有激光接收模块的激光训练服，目前激光训练服上所布置的激光接收模块多为小型点状结构，内置单个激光探测器，供电和数据信号传输依靠外接电缆提供。此类结构的激光接收模块不足在于：单个激光探测器有效接收面积小，数据处理能力差，要提高训练服激光接收有效面积，提升训练效果，最有效途径就是增加激光接收模块的数量，但随着数量增加导致模块之间互联线缆长度也逐级增加，过度线缆连接对训练服可靠性，维修保养性有较大负面影响，而该专利技术结构激光接收模块可有效规避传统点状激光接收模块的上述不足。

技术实现思路

[0005]本专利技术的目的在于提供一种激光训练服的激光接收模块结构，具备激光探测器之间无线连接的优点，解决了随着数量增加导致激光接受模块之间互联线缆长度也逐级增加，过度线缆连接对训练服可靠性，维修保养性有较大负面影响的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种激光训练服的激光接收模块结构，包括训练服本体，所述训练服本体的内部固定连接有激光接收模块，所述激光接收模块包括无线芯片，所述无线芯片的输入端电连接有激光探测器，所述无线芯片的输出端和输入端双向电连接有WIFI模块，所述WIFI模块的输出端和输入端双向电连接有后台数据处理计算机。
[0007]优选的，所述无线芯片的输入端电连接有电池，所述电池固定安装在激光接收模块的内部，所述激光接收模块的表面设置有充电口。
[0008]优选的，所述激光接收模块的数量为若干个，每个激光接收模块中安装有六个激光探测器，六个激光探测器之间等距离排列。
[0009]优选的，所述激光接收模块的表面开设有安装孔，所述安装孔的数量为四个，所述安装孔开设在激光接收模块表面的四角。
[0010]优选的，所述训练服本体表面的底部套设有腰带，所述腰带的一端固定连接有插
块，所述腰带的另一端固定连接有卡扣，所述插块远离腰带的一侧插接至卡扣的内腔。
[0011]本专利技术还采用以下技术方案：
[0012]一种应用上述技术方案中所述的种激光训练服的激光接收模块结构内中后台数据处理计算机(6)进行数据处理的方法，包括以下步骤：
[0013](S1)数据选择、抽样，接收激光接收模块(2)、无线芯片(3)或激光探测器(4)的数据信息，对接受到的数据信息进行抽样；分析接收到的数据信息；
[0014](S2)数据计算，启动分类算法模型，对接收到的数据信息进行分类，将激光接收模块(2)、无线芯片(3)或激光探测器(4)接收到的数据信息按照不同的分类属性进行分类，以输出不同的数据类别；所述分类算法模型为K-Means算法、决策树或FCM聚类算法；其中所述K-Means算法、决策树或FCM聚类算法为改进型分类算法模型，所述K-Means算法、决策树或FCM聚类算法输出接口至少兼容三种不同类型的数据通信接口；
[0015](S3)数据输出，将所述步骤(S2)中分类算法模型输出的数据通过计算机输出接口输出。
[0016]优选地，所述K-Means算法模型连接有强强分类器，所述强强分类器通过5个不同的强分类器联合而成。
[0017]优选地，所述K-Means算法模型的训练方法为：
[0018](1)选择数据样本，选择k个不同的数据样本对象作为初始聚类中心，数据的集合为X＝{x
m
|m＝1,2,...,M}，假设数据集合存在d个不同分类属性，则有A1,A2,...,A
d
个不同的维度x
j
，然后将不同的数据样本x
i
＝(x
i1
,x
i2
,...,x
id
)、x
j
＝(x
j1
,x
j2
,...,x
jd
)为样本x
i
、x
j
对应d个不同分类属性A1,A2,...,A
d
的具体取值；
[0019](2)计算每个聚类对象到聚类中心的距离来划分分类属性，则x
i
和x
j
之间的相似度通过距离公式来计算，x
i
和x
j
之间的距离越小，样本x
i
和x
j
越相似，x
i
和x
j
之间的距离越大，样本x
i
和x
j
相差越远；所述距离公式为：
[0020][0021](3)再次计算每个聚类中心，通过反复计算，将每个聚类中的样本均值作为新的聚类中心，重复步骤(2)；
[0022](4)当聚类中心不再变化或者达到了最大迭代次数，则停止计算，否则，重复步骤(2)和(3)；
[0023]其中所述K-Means算法的聚类性能评价公式为误差平方和准则函数，所述函数为：
[0024][0025]其中p为输出数据集合X
i
中的任意数值，m
i
为不同的聚类中心，E为误差平方和准则函数，其中m
i
≥5。
[0026]优选地，所述决策树算法的构建方法为：
[0027](1)数据训练：首先选定数据样本D，假设在数据样本中选择K个类别，则样本点属
于第k类的概率设定为p
k
，则概率分布的基尼指数定义为：
[0028][0029]则对于数据样本D，则有：
[0030][0031][0032]则C
k
是数据样本D中第k类的数据样本，则在特征为A的情况下，数据样本D的基尼指数为：
[0033][0034]其中D1和D2是在数据集合D中被特征A分割的部分，然后选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点，
[0035](3)确定根节点：根据公式(5)计算出的基尼指数选择决策树的根节点，基尼指数较大的属性选作为根节点；
[0036](4)确定叶节点：根据计算出的基尼指数选择决策树的叶节点，基尼指数较小的属性选作为叶节点；然后不断地重复应用公式(5)进行计算，停止计算的条件是结点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种激光训练服的激光接收模块结构，包括训练服本体(1)，其特征在于：所述训练服本体(1)的内部固定连接有激光接收模块(2)，所述激光接收模块(2)包括无线芯片(3)，所述无线芯片(3)应用的输入端电连接有激光探测器(4)，所述无线芯片(3)的输出端和输入端双向电连接有WIFI模块(5)，所述WIFI模块(5)的输出端和输入端双向电连接有后台数据处理计算机(6)。2.根据权利要求1所述的一种激光训练服的激光接收模块结构，其特征在于：所述无线芯片(3)的输入端电连接有电池(7)，所述电池(7)固定安装在激光接收模块(2)的内部，所述激光接收模块(2)的表面设置有充电口(8)。3.根据权利要求1所述的一种激光训练服的激光接收模块结构，其特征在于：所述激光接收模块(2)的数量为若干个，每个激光接收模块(2)中安装有六个激光探测器(4)，六个激光探测器(4)之间等距离排列。4.根据权利要求1所述的一种激光训练服的激光接收模块结构，其特征在于：所述激光接收模块(2)的表面开设有安装孔(9)，所述安装孔(9)的数量为四个，所述安装孔(9)开设在激光接收模块(2)表面的四角。5.根据权利要求1所述的一种激光训练服的激光接收模块结构，其特征在于：所述训练服本体(1)表面的底部套设有腰带(10)，所述腰带(10)的一端固定连接有插块(11)，所述腰带(10)的另一端固定连接有卡扣(12)，所述插块(11)远离腰带(10)的一侧插接至卡扣(12)的内腔。6.一种应用权利要求1-5中任意一项所述的种激光训练服的激光接收模块结构内中后台数据处理计算机(6)进行数据处理的方法，包括以下步骤：(S1)数据选择、抽样，接收激光接收模块(2)、无线芯片(3)或激光探测器(4)的数据信息，对接受到的数据信息进行抽样；分析接收到的数据信息；(S2)数据计算，启动分类算法模型，对接收到的数据信息进行分类，将激光接收模块(2)、无线芯片(3)或激光探测器(4)接收到的数据信息按照不同的分类属性进行分类，以输出不同的数据类别；所述分类算法模型为K-Means算法、决策树或FCM聚类算法；其中所述K-Means算法、决策树或FCM聚类算法为改进型分类算法模型，所述K-Means算法、决策树或FCM聚类算法输出接口至少兼容三种不同类型的数据通信接口；(S3)数据输出，将所述步骤(S2)中分类算法模型输出的数据通过计算机输出接口输出。7.根据权利要求6所述的数据处理方法，其特征在于，所述K-Means算法模型连接有强强分类器，所述强强分类器通过5个不同的强分类器联合而成。8.根据权利要求7所述的数据处理方法，其特征在于，所述K-Means算法模型的训练方法为：(1)选择数据样本，选择k个不同的数据样本对象作为初始聚类中心，数据的集合为X＝{x
m
|m＝1,2,...,M}，假设数据集合存在d个不同分类属性，则有A1,A2,...,A
d
个不同的维度，然后将不同的数据样本x
i
＝(x
i1
,x
i2
,...,x
i...

【专利技术属性】
技术研发人员：黄菊，
申请(专利权)人：黄菊，
类型：发明
国别省市：