一种不确定数据驱动的雷达预警探测建模方法技术

本发明专利技术公开一种不确定数据驱动的雷达预警探测建模方法，包括基于模糊聚类方法将不确定性描述转化为数字信息，生成与模型作用相关的模糊集，使用模糊C均值聚类来建立聚类中心，将训练数据的空间结构与模糊集相结合，进一步基于“IF‑THEN”规则来建立TS模糊规则模型；本发明专利技术从数据的角度出发，利用聚类算法生成信息粒以捕获隐藏在数据空间中的结构信息，可以降低不确定因素对数据的影响，同时将“IF‑THEN”模糊规则描述的定性知识和局部线性模型表示的定量知识结合的TS拓扑结构能够以任意精度逼近任意非线性模型，有利于实现复杂的非线性模型的拟合。

【技术实现步骤摘要】
一种不确定数据驱动的雷达预警探测建模方法
本专利技术涉及雷达预警探测
，尤其涉及一种不确定数据驱动的雷达预警探测建模方法。
技术介绍
雷达探测作为情报获取的重要手段，在目标侦查、火力打击等领域发挥着重要的作用，近些年来，针对雷达探测性能研究的技术已经取得了迅速发展，较多的有雷达模型探测法、雷达实测修正法，但是由于这些因素与雷达实际探测距离之间函数关系往往十分复杂且数据中存在大量噪声，因此难以构建出通用性、准确性都较好地显示数学表达式，并且存在实测数据(样本)不充足，评价专家对模型内部参数进行预测赋值，所建模型也不同程度存在人为痕迹；由于真实战场环境的复杂性、变化性、动态性等特点，传统的雷达威力图的查阅或专家经验得到的雷达有效探测与实际探测值有较大偏差，难以满足实际要求，且对抗过程中的数据数量有限且特征繁多，数据获取和采集难度较大，深度学习模型依赖大量训练数据支撑，现有的数据量难以支撑模型的学习训练，因此，本专利技术提出一种不确定数据驱动的雷达预警探测建模方法以解决现有技术中存在的问题。
技术实现思路
针对上述问题，本专利技术的目的在于提出一种不确定数据驱动的雷达预警探测建模方法，该不确定数据驱动的雷达预警探测建模方法从数据的角度出发，利用聚类算法生成信息粒以捕获隐藏在数据空间中的结构信息，可以降低不确定因素对数据的影响，同时由“IF-THEN”模糊规则描述的定性知识和局部线性模型表示的定量知识结合的TS拓扑结构具有简洁明了的形式，能够以任意精度逼近任意非线性模型，有利于实现复杂的非线性模型的拟合。为实现本专利技术的目的，本专利技术通过以下技术方案实现：一种不确定数据驱动的雷达预警探测建模方法，包括基于模糊聚类方法将不确定性描述转化为数字信息，生成与模型作用相关的模糊集，使用模糊C均值聚类来建立聚类中心，将训练数据的空间结构与模糊集相结合，进一步基于“IF-THEN”规则来建立TS模糊规则模型，令输入数据xk和对应的输出值为yk，k＝1,2，…，N，其中xk∈Rn为n维数据，则有以下步骤：步骤一、建立“IF-THEN”规则映射输入数据与输出数据之间的关系，每个规则代表一个雷达有效探测距离的影响因素的子空间，则有IFxkisAi(xk),THENyiisfi(xk),i＝1,…,c其中k＝1，2，…，N，N是是输入数据的个数，xk是n维的输入变量，c是模糊规则的数目，Ai(xk)是通过聚类算法得到的第i条规则的多变量隶属度函数，yi是在不同规则下的第i条输出，fi(xk)是与输入变量xk相关的局部线性函数；步骤二、将FCM作为结构辨识方法，通过FCM得到输入输出空间Rn+1中的聚类中心[viwi]，由隶属度函数Ai(xk)来表征规则的条件部分中模糊分区矩阵，其计算公式如下式(1)和(2)：其中m为模糊化系数；步骤三、局部线性函数的建立，将规则的结论部分由线性函数定义，并围绕输入输出空间中的原型通过泰勒展开式将结论部分的线性函数进行扩展；步骤四、模糊规则模型的建立与参数优化，汇总所有规则和与其相关的隶属函数，获得目标输出，利用预测输出和实际输出yk的平方误差之和作为目标函数计算局部线性函数的参数ai。模型的性能以及对噪声的敏感程度由均方根误差衡量，计算公式如下：进一步改进在于：所述步骤二中规则数目与聚类中心的数目是相等的。进一步改进在于：所述步骤三中的线性函数为其中ai表示沿着局部线性函数fi(xk)的斜率参数且进一步改进在于：所述步骤三中对局部线性函数fi(xk)进行扩展后由下式表示：位于数据空间中的原型周围的局部线性函数fi(xk)可以在一定程度上降低数据中不确定性因素对建模的影响。进一步改进在于：所述步骤四中获得的目标输出用表示，则有根据步骤三中扩展的线性函数得到进一步改进在于：为了有效的表示局部输入输出子空间中的结构特性，将预测输出和实际输出的平方误差之和作为适应度函数：令zi＝Ai(x)(x-vi)(9)并以下式简明描述模型令s＝[y1-h1，y2-h2，...，yN-hN]T，且Z＝[z11，z12，…，z1c；z21，z22，…，z2c；…，zN1，zN2，…，zNc]，则函数写作进一步改进在于：利用最小二乘法最小化公式(12)后得到参数斜率表示为aopt＝(ZTZ)-1ZTs。本专利技术的有益效果为：本专利技术的方法从数据的角度出发，利用聚类算法生成信息粒以捕获隐藏在数据空间中的结构信息，可以降低不确定因素对数据的影响，同时由“IF-THEN”模糊规则描述的定性知识和局部线性模型表示的定量知识结合的TS拓扑结构具有简洁明了的形式，能够以任意精度逼近任意非线性模型，有利于实现复杂的非线性模型的拟合。附图说明图1为本专利技术建模流程图。图2为本专利技术实施例c＝3时不同数据的模型输出与实际输出示意图。图3为本专利技术实施例c＝5时不同数据的模型输出与实际输出示意图。图4为本专利技术实施例c＝7时不同数据的模型输出与实际输出示意图。图5为本专利技术实施例c＝9时不同数据的模型输出与实际输出示意图。图6为本专利技术实施例c＝11时不同数据的模型输出与实际输出示意图。图7为本专利技术实施例在不同数据下训练集的RMSE的箱线图。图8为本专利技术实施例在不同数据下测试集的RMSE的箱线图。具体实施方式为了加深对本专利技术的理解，下面将结合实施例对本专利技术做进一步详述，本实施例仅用于解释本专利技术，并不构成对本专利技术保护范围的限定。根据图1所示，本实施例提供了一种不确定数据驱动的雷达预警探测建模方法，包括基于模糊聚类方法将不确定性描述转化为数字信息，生成与模型作用相关的模糊集，使用模糊C均值聚类来建立聚类中心，将训练数据的空间结构与模糊集相结合，进一步的基于“IF-THEN”规则来建立TS模糊规则模型，令输入数据xk和对应的输出值为yk，k＝1,2，…，N，其中xk∈Rn为n维数据，则有以下步骤：步骤一、建立“IF-THEN”规则映射输入数据与输出数据之间的关系，每个规则代表一个雷达有效探测距离的影响因素的子空间，则有IFxkisAi(xk),THENyiisfi(xk),i＝1,…,c其中k＝1，2，…，N，N是输入数据的个数，xk是n维的输入变量，c是模糊规则的数目，Ai(xk)是通过聚类算法得到的第i条规则的多变量隶属度函数，yi是在不同规则下的第i条输出，fi(xk)是与输入变量xk相关的局部线性函数；步骤二、将FCM作为结构辨识方法，通过FCM得到输入输出空间Rn+1中的聚类中心[viwi]，其中规则数目与聚类中心的数目是相等的，由隶属度函数Ai(xk)来表征规则的条件部分中模糊分区矩阵，其计算公式如下式(1)和(2)：其中m为模糊化系数；<本文档来自技高网...

【技术保护点】
1.一种不确定数据驱动的雷达预警探测建模方法，其特征在于，所述方法基于模糊聚类算法将不确定性描述转化为数字信息，生成与模型作用相关的模糊集，使用模糊C均值聚类来建立聚类中心，将训练数据的空间结构与模糊集相结合，进一步基于“IF-THEN”规则来建立TS模糊规则模型。令输入数据x

【技术特征摘要】
1.一种不确定数据驱动的雷达预警探测建模方法，其特征在于，所述方法基于模糊聚类算法将不确定性描述转化为数字信息，生成与模型作用相关的模糊集，使用模糊C均值聚类来建立聚类中心，将训练数据的空间结构与模糊集相结合，进一步基于“IF-THEN”规则来建立TS模糊规则模型。令输入数据xk和对应的输出值为yk，k＝1,2，…，N，其中xk∈Rn为n维数据，则有以下步骤：
步骤一、建立“IF-THEN”规则实现输入数据与输出数据之间的关系映射，每个规则代表一个雷达有效探测距离的影响因素的子空间，则有
IFxkisAi(xk)，THENyiisfi(xk)，i＝1，…，c
其中k＝1，…，N，N是是输入数据的个数，xk是n维的输入变量，c是模糊规则的数目，Ai(xk)是通过聚类算法得到的第i条规则的多变量隶属度函数，yi是在不同规则下的第i个输出，fi(x)是与输入变量xk相关的局部线性函数；
步骤二、将FCM作为结构辨识方法，通过FCM得到输入输出空间Rn+1中的聚类中心[viwi]，由隶属度函数Ai来表征规则条件部分中的模糊分区矩阵，其计算公式如下式(1)和(2)：






其中m为模糊化系数；
步骤三、局部线性函数的建立，规则的结论部分由线性函数定义，并围绕输入输出空间中的原型通过泰勒展开式对结论部分的线性函数进行扩展；
步骤四、模糊规则模型的建立与参数优化，通过汇总所有规则和与其相关的隶属函数，获得目标输出，利用预测输出和实际输出yk的平方误差之和作为目标函数计算局部线性函数的参数ai。模型的性能以及对噪声的敏感程度由均方根误差衡量，计算公式如下：





2.根据权利要求1所述的一种不确定数据驱动的雷...

【专利技术属性】
技术研发人员：胡星辰，李妍，陈超，程光权，吴克宇，黄金才，刘忠，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43