【技术实现步骤摘要】
一种基于机器学习分类器的毁伤概率计算方法
[0001]本专利技术属于毁伤评估
,具体涉及一种基于机器学习分类器的毁伤概率计算方法。
技术介绍
[0002]为准确评估破片战斗部对目标的毁伤效果,便于引战配合研究,需要在目标易损性分析的基础上建立相应的毁伤概率计算模型。
[0003]常用毁伤概率表示战斗部毁伤目标的概率,破片战斗部对目标的现有毁伤概率计算方法计算量过大,在MATLAB中对于复杂情况往往需要数百秒甚至上千秒才能够计算出单次结果,并且随着破片数量的增加计算量成指数增长。当进一步为了得到平均单发毁伤概率,而采用蒙特卡洛法进行1000次随机重复计算时,用时需以天计算。为此需寻找一种在保证结果一定准确性的基础上快速计算破片战斗部对目标毁伤概率的计算方法。
技术实现思路
[0004]本专利技术的目的在于克服上述缺陷,提供一种基于机器学习分类器的毁伤概率计算方法,包括:建立破片战斗部对目标的毁伤概率计算模型;根据以上毁伤概率计算模型,针对所有影响计算结果的随机参数基于蒙特卡洛法开展大量随机计算,每次计算中各参数随机取值;将上一步获得的大量算例数据中的毁伤概率结果近似为0和1两类或0、0.5和1三类;利用机器学习中的分类器训练上述算例数据,并且针对部分分类器算法应用优化迭代过程以提高分类器性能,最终得到毁伤概率预测模型;运用得到的毁伤概率预测模型计算破片战斗部在特定弹目交会条件下对目标的平均单发毁伤概率。本专利技术基于机器学习分类器的毁伤概率计算方法,相比于目前计算毁伤概率的常规方法,既确保 ...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习分类器的毁伤概率计算方法,其特征在于,包括:根据目标的三维模型,对目标的组成部件进行易损性分析;根据易损性分析结果,建立破片战斗部对目标的毁伤概率计算模型;根据毁伤概率计算模型,针对所有影响计算结果的随机参数,开展基于蒙特卡洛法m次以上的重复随机计算,获得针对不同毁伤级别的大量毁伤概率算例数据;每个算例数据包含一组随机参数数组以及与随机参数数组对应的不同级别的毁伤概率;m>10000;将大量毁伤概率算例数据整理为预测变量集合和响应集合;所述预测变量集合为所有算例数据中随机参数数组的集合,响应集合为与随机参数数组对应的不同级别的毁伤概率集合;响应集合中,按照毁伤概率在[0,1]区间上的实际值,将毁伤概率数据近似取值为0或1两类或0、0.5和1三类;利用机器学习中的分类器算法训练作为输入的预测变量集合和作为输出的响应集合,得到针对不同毁伤级别的毁伤概率预测模型;在特定弹目交会条件下,将毁伤概率预测模型中的相关随机参数设置为固定值,采用蒙特卡洛法基于毁伤概率预测模型开展n次以上的重复随机计算,预测得到破片战斗部在该特定弹目交会条件下对目标的平均单发毁伤概率;n>500。2.根据权利要求1所述的一种基于机器学习分类器的毁伤概率计算方法,其特征在于,按照毁伤概率在[0,1]区间上的实际值,将毁伤概率数据近似取值为0或1两类或0、0.5和1三类的具体方法为:通过四舍五入的数学近似对毁伤概率的实际值进行分类,当毁伤概率为0.5以下时近似为0,当毁伤概率为0.5及以上时近似为1;或者当毁伤概率为0.25以下时近似为1,当毁伤概率为0.25及以上0.75以下近似时近似为0.5,当毁伤概率为0.75及以上时近似为1。3.根据权利要求1所述的一种基于机器学习分类器的毁伤概率计算方法,其特征在于,所述分类器算法为逻辑回归算法,朴素贝叶斯算法,决策树算法,判别分析算法,支持向量机算法,最近邻算法或集成学习算法中的一种。4.根据权利要求1所述的一种基于机器学习分类器的毁伤概率计算方法,其特征在于,所述分类器算法中,通过误分类代价对预测结果准确度进行调整;分类器算法训练结束的依据为最大训练时间或最大迭代次数;分类器的验证方法包括交叉验证,留出法验证或无验证。5.根据权利要求1所述的一种基于机器学习分类器的毁伤概率计算方法,其特征在于,所述随机参数包括:破片战斗部起爆位置,导弹的进入角,导弹的俯仰角,导弹的弹道角,导弹的偏航角,导弹的脱靶量,导弹的末速度,导弹的末速度矢量与地面的夹角或制导精度概率误差;导弹的进入角在0
°
至360
°
范围内按照平均分布随机取值;导弹的弹道角在
‑
10
°
...
【专利技术属性】
技术研发人员:张志彪,康彦龙,刘永超,孟斐,王俊超,胡赛,王永智,
申请(专利权)人:北京航天飞腾装备技术有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。