基于神经网络的雷达散射截面置信度评估方法技术

本发明专利技术提出了一种基于神经网络的雷达散射截面置信度评估方法，实现步骤为：建立包含多个不同拓扑结构的网格模型；建立网格质量评价指标数据集S1并对S1进行预处理；获取训练集、验证集和测试集；对基于反向传播算法的神经网络模型BP进行训练；获取雷达散射截面置信度评估模型Z；获取雷达散射截面的置信度评估结果。本发明专利技术所构建的雷达散射截面置信度评估模型包含有神经网络，基于分区域提取的网格质量评价指标参数对网格模型雷达散射截面的置信度进行评估，避免了电磁数值算法分析的过程，仿真结果表明，本发明专利技术在保证雷达散射截面置信度评估可靠性的前提下，与现有技术相比评估效率提高了十倍以上。估效率提高了十倍以上。估效率提高了十倍以上。

【技术实现步骤摘要】
基于神经网络的雷达散射截面置信度评估方法


[0001]本专利技术属于置信度评估
，涉及一种雷达散射截面置信度评估方法， 具体涉及一种基于神经网络的雷达散射截面置信度评估方法，可用于实现雷达散 射截面置信度的快速评估。

技术介绍

[0002]目标雷达散射截面(Radar Cross
‑
Section，以下简称RCS)是雷达隐身技术 中的关键概念之一，它是表征目标在雷达波照射下所产生回波强度的物理量。在 现有技术下，外场测量和电磁数值算法分析是获得目标RCS的重要方法，然而 外场测量耗费大量人力、物力和财力，延长目标的研发进程，电磁数值算法分析 以其灵活性和低成本性受到人们的青睐。目标RCS的电磁数值算法分析结果为 目标提供了真实电磁环境参数下的雷达散射截面数据，是判断目标设计合理性以 及加工正确性的重要依据。因此，对目标RCS的电磁数值算法分析结果进行置 信度评估十分必要。
[0003]传统的RCS置信度评估方法评估过程大致分为四个步骤：生成网格模型、 设置电磁参数、电磁数值算法分析求解、得到分析结果、置信度评估。然而，采 用此方法的置信度评估结果准确性往往受网格模型的网格质量、计算方法的准确 性、计算机有限阶截断误差等诸多不确定因素影响，其中，网格模型的网格质量 主要依赖基于人工经验的检测，是影响RCS置信度评估结果的重要因素之一。 因此传统的RCS置信度评估方法无法实现对RCS置信度的准确评估。
[0004]相似学原理在置信度评估领域的应用，大大推进置信度评估方法的发展。孙 碧晴等提出了目标RCS特性的仿真可信度评估方法及应用(孙碧晴，王旭，目 标RCS特性的仿真可信度评估方法及应用，现代防御技术，2019年4月，第47 卷第2期)，该方法提出了一种运用灰色综合评价法确定仿真权重的目标RCS特 性的可信度评估方法，以实现对目标RCS特性模拟系统的可信度评估，并给出 了相应评估模型，最后对实例进行评估并给出结果。该方法存在的不足之处在于 评估过程依赖基于电磁数值算法分析的仿真系统，实际工程应用中，对计算RCS 有需求的目标例如飞机、舰船以及导弹往往是电大尺寸散射体，由于基于电大尺 寸散射体生成的网格模型具有巨大的网格数量，因此采用电磁数值算法对上述网 格模型进行分析求解需要花费大量计算时间，从而导致无法快速对目标RCS的 置信度进行评估。
[0005]近年来，以神经网络、深度置信网络等为代表的深度学习方法的兴起，为网 格质量的检测方法带来了新的研究方向。申请公布号为CN112307673A，名称为
ꢀ“
一种基于深度学习的网格面质量检测方法”的专利申请，公开了一种基于深度 学习的网格面质量检测方法，该方法首先构建网格面数据集，并划分训练数据集 和测试数据集，其次标记训练数据和网格面质量的好坏，最后基于数据集进行训 练，得到训练好的网格面质量检测网络，实现了对网格面质量的评估。该方法存 在的不足之处在于该方法仅仅实现了对网格面质量的评估，适用于基于计算流体 力学的网格面质量检测，然而基于计算流体力学的网格在质
量检测标准和疏密分 布要求等方面都与基于电磁数值算法分析的网格不同，因此该方法不适用于基于 电磁数值算法分析的应用场景。

技术实现思路

[0006]本专利技术的目的在于克服上述现有技术存在的不足，提出了基于神经网络的雷 达散射截面置信度评估方法，旨在保证雷达散射截面置信度评估可靠性的前提下， 提高雷达散射截面置信度的评估效率十倍以上。
[0007]为实现上述目的，本专利技术采取的技术方案包括如下步骤：
[0008](1)建立包含多个不同拓扑结构的网格模型：
[0009]对电大尺寸散射体进行数学建模，并基于C个不同剖分尺寸对散射体的数学 模型表面进行网格剖分，得到C个不同拓扑结构的网格模型集 MESH＝{MESH1,MESH2,
…
MESH
c
,
…
,MESH
C
}，其中，C≥100，MESH
c
表示 第c个由多个四边形面网格单元组成的网格模型；
[0010](2)建立网格质量评价指标数据集S1并对S1进行预处理：
[0011](2a)基于网格模型MESH
c
的几何特征，对网格模型MESH
c
进行D个区域 划分，得到区域集合A＝{A1,A2,
…
,A
c
,
…
,A
C
}，其中，A
c
表示网格模型MESH
c
的 区域集合，A
c
＝{A
c1
,A
c2
,
…
,A
cd
,
…
A
cD
}，A
cd
表示MESH
c
的第d个区域，D≥2；
[0012](2b)通过网格模型MESH
c
拓扑结构的点、线、面信息的关系，对区域A
cd
内的每个四边形面网格单元进行质量评价指标参数提取，得到区域A
cd
内所有四 边形网格单元的L个网格质量评价指标参数数据集 L≥5，并对区域A
cd
内所有四边形网格单元的L个网格质量评价指标参数数据集 取极值，得到MESH
c
在区域A
cd
的网格质量评价指标参数数据集 其中和分别表示的最大值和最小值；
[0013](2c)对Area
cd
的网格质量评价指标参数进行组合，得到C个网格模型在区 域集合A
d
＝{A
1d
,A
2d
,
…
,A
cd
,
…
,A
Cd
}内的网格质量评价指标数据集 Area
d
＝{Quality1,Quality2,
…
,Quality
l
，
…
,Quality
2L
}，其中Quality
l
表示C个网格 模型在区域A
d
内的第l个网格质量评价指标参数数据集，当l为奇数时，当l为偶数时， [0014](2d)计算Area
d
中的第l个和第n个网格质量评价指标数据集Quality
l
和 Quality
n
间的相关性系数ρ
ln
，得到Area
d
的相关性系数集 ρ＝{ρ1,ρ2,
…
,ρ
l
,
…
,ρ
2L
‑1}，其中，ρ
l
表示Quality
l
的相关性系数集， ρ
l
＝{ρ
l(l+1)
,ρ
...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的雷达散射截面置信度评估方法，其特征在于，包括如下步骤：(1)建立包含多个不同拓扑结构的网格模型：对电大尺寸散射体进行数学建模，并基于C个不同剖分尺寸对散射体的数学模型表面进行网格剖分，得到C个不同拓扑结构的网格模型集MESH＝{MESH1,MESH2,
…
MESH
c
,
…
,MESH
C
}，其中，C≥100，MESH
c
表示第c个由多个四边形面网格单元组成的网格模型；(2)建立网格质量评价指标数据集S1并对S1进行预处理：(2a)基于网格模型MESH
c
的几何特征，对网格模型MESH
c
进行D个区域划分，得到区域集合A＝{A1,A2,
…
,A
c
,
…
,A
C
}，其中，A
c
表示网格模型MESH
c
的区域集合，A
c
＝{A
c1
,A
c2
,
…
,A
cd
,
…
A
cD
}，A
cd
表示MESH
c
的第d个区域，D≥2；(2b)通过网格模型MESH
c
拓扑结构的点、线、面信息的关系，对区域A
cd
内的每个四边形面网格单元进行质量评价指标参数提取，得到区域A
cd
内所有四边形网格单元的L个网格质量评价指标参数数据集L≥5，并对区域A
cd
内所有四边形网格单元的L个网格质量评价指标参数数据集取极值，得到MESH
c
在区域A
cd
的网格质量评价指标参数数据集其中和分别表示的最大值和最小值；(2c)对Area
cd
的网格质量评价指标参数进行组合，得到C个网格模型在区域集合A
d
＝{A
1d
,A
2d
,
…
,A
cd
,
…
,A
Cd
}内的网格质量评价指标数据集Area
d
＝{Quality1,Quality2,
…
,Quality
l
，
…
,Quality
2L
}，其中Quality
l
表示C个网格模型在区域A
d
内的第l个网格质量评价指标参数数据集，当l为奇数时，当l为偶数时，(2d)计算Area
d
中的第l个和第n个网格质量评价指标数据集Quality
l
和Quality
n
间的相关性系数ρ
ln
，得到Area
d
的相关性系数集ρ＝{ρ1,ρ2,
…
,ρ
l
,
…
,ρ
2L
‑1}，其中，ρ
l
表示Quality
l
的相关性系数集，ρ
l
＝{ρ
l(l+1)
,ρ
l(l+2)
,
…
,ρ
ln
,
…
ρ
l(2L)
}，l＜n≤2L；(2e)判断ρ
ln
＜E是否成立，若成立，将第l个网格质量评价指标参数数据集作为非强相关数据F
i
，放入非强相关数据集F＝{F1,F2,
…
,F
j
,
…
,F
J
}，否则，将第l个网格质量评价指标参数数据集作为强相关数据B
i
，放入强相关数据集B＝{B1,B2,
…
,B
i
,
…
,B
I
}，后续判断忽略ρ
n
中的相关性系数，其中，I为强相关数据个数，J为非强相关数据个数，E∈[0.7,1]，I∈[0,2L)，J∈[0,2L]；(2f)对强相关数据集B和非强相关数据集F进行组合，得到C个模型在区域A
d
＝{A
1d
,A
2d
,
…
,A
cd
,
…
,A
Cd
}内的网格质量评价指标参数数据集对进行组合，得到C个模型在区域集合A＝{A1,A2,
…
,A
c
,
…
,A
C
}内的网格质量评价指标参数数据集(3)获取训练集、验证集和测试集：(3a)采用高阶矩量法，并基于高阶基函数计算每个网格模型MESH
c
在角域Angular内俯仰角为θ，方位角为的M个角度的远场雷达散射截面的值，得到远场雷达散射截面数据集
RCS＝{RCS1,RCS2，
…
,RCS
c
,
…
,RCS
C
}，其中，RCS
c
表示MESH
c
的远场雷达散射截面值，的远场雷达散射截面值，表示MESH
c
的第m个远场雷达散射截面值；(3b)采用微波雷达对电大尺寸散射体在角域Angular内俯仰角为θ，方位角为的M个角度的远场雷达散射截面的值进行测量，得到电大尺寸散射体雷达散射截面实测数据其中，表示电大尺寸散射体的第m个远场雷达散射截面值；(3c)计算每个网格模型MESH
c
的雷达散射截面值RCS
c
与电大尺寸散射体雷达散射截面实测数据RCS
Test
间的均方根误差，得到均方根误差数据集MSE＝{MSE1,MSE2，
…
,MSE
c
,
…
,MSE
C
}，其中，MSE
c
表示RCS
c
与RCS
Test
间的均方根误差；(3d)对网格质量评价指标参数数据集和均方根误差数据集MSE进行归一化，得到归一化网格质量评价指标参数数据集和归一化均方根误差数据集对和进行组合，得到雷达散射截面数据集并将S中的N1个样本作为训练集S
Train
，将N2个样本作为验证集S
Validation
，将N3个样本作为测试集S
Test
，...

【专利技术属性】
技术研发人员：张玉，杨婷，赵勋旺，林中朝，焦永昌，翁子彬，
申请(专利权)人：西安中电科西电科大雷达技术协同创新研究院有限公司，
类型：发明
国别省市：