一种基于信号分解和支持向量机的制导律辨识方法技术

本发明专利技术公开了一种基于信号分解和支持向量机的制导律辨识方法，基于短时间内的不同制导律的相对运动信息，无需逐步迭代和状态融合，采用信号分解与支持向量机分类的方法，实现对制导律的快速、高精度辨识，是一种新的制导律辨识方法。目前还未见到相关技术。目前还未见到相关技术。目前还未见到相关技术。

【技术实现步骤摘要】
一种基于信号分解和支持向量机的制导律辨识方法


[0001]本专利技术属于飞行器系统辨识
，具体涉及一种基于信号分解和支持向量机的制导律辨识方法。

技术介绍

[0002]现代战争中，空中打击已成为局部战争中的主要方式。我方飞机攻击敌方重要目标比如预警机时，预警机的护卫机往往发射防御弹对我方飞机实施拦截。如果我方飞机能够通过测得的防御弹相关信息辨识得到其制导律，则对于我方飞机的突防或发射导弹对其实施反拦截具有重要的意义。
[0003]目前，制导律辨识的相关文献数量较少。胡志恒和周荻在三维空间中研究了制导律辨识问题。以系统可观条件为基础，设计扩展卡尔曼滤波器，输出制导律参数信息。Yun等人利用改进的交互式多模型滤波算法对反舰导弹制导律进行辨识，从而提升海军舰船的生存能力。蔡远利等人针对主动防御的典型TDM问题，基于非线性多模型自适应滤波方法，通过多个卡尔曼滤波器并行运行，实现来袭拦截弹的制导律辨识问题。此外，基于卡尔曼滤波器的制导律辨识还与其它方法结合来增强方法的适应性和准确度，例如卡尔曼滤波算法与低通滤波器结合构建频域分离自适应卡尔曼滤波方法，实现观测数据的实时处理从而辨识得到制导律。上述制导律辨识方法主要是基于卡尔曼滤波及其改进算法的方法。
[0004]现有方案中，首先建立飞机和敌方防御弹的相对运动模型，再假设防御弹采用几种典型制导律的前提下，将无迹卡尔曼滤波算法与非线性导弹运动学模型结合，构建并行的卡尔曼滤波器。通过迭代更新每一步的估计协方差和预测误差，计算得到相应的高斯分布的似然函数值，实现每一步的概率更新。通过融合雷达量测值与不同制导律模型的状态预测值，修正系统模型的总状态。当一种制导律的概率较大，另几种制导律的概率较小时，可认为来袭导弹采用的是概率较大的制导律，实现对来袭导弹采用的制导律和制导系数的辨识。
[0005]制导律辨识的主流方法主要采用基于卡尔曼滤波及其改进算法的方法。卡尔曼滤波在辨识过程中需要大量的运动学参数，在得到辨识结果之前需要参数的不断迭代和信息融合。而且卡尔曼滤波辨识出制导律需要较长的时间，这对在线应用产生不利的影响。

技术实现思路

[0006]有鉴于此，本专利技术的目的是提供一种不同于卡尔曼滤波算法的全新的制导律辨识方法，不需要依靠连续运动信息的迭代更新和状态融合估计。而只需要根据雷达测得的较短时间的相对运动信息，即可快速辨识出防御弹采用的制导律，有利于在线应用。
[0007]一种基于信号分解和支持向量机的制导律辨识方法，包括：
[0008]步骤1、模拟防御弹采用不同制导律拦截机动作战飞机时的视线角速度和距离变化率信号；
[0009]步骤2、基于经验模态分解EMD方法，对不同制导律下视线角速度和距离变化率
信号进行分解，分别提取得到两个信号的全部IMF分量和一个残差res；
[0010]步骤3、计算视线角速度各IMF分量和残差res的能量，以及距离变化率信号各IMF分量和残差res的能量，将所有能量排列成向量，构成各制导律对应的特征向量能量带T，为每一个特征向量能量带T标注制导律类别标签；
[0011]步骤4、对制导律类别的两两组合进行遍历，为每一种组合构建一个二分类支持向量机SVM，采用对应两种制导律的特征向量能量带T对SVM进行训练；
[0012]步骤5、针对待识别的防御弹的视线角速度和距离变化率信号，先进行基于经验模态分解EMD方法进行分解，再得到对应的特征向量能量带T，输入到每个训练好的SVM中，每个二分类SVM的辨识结果计为1票，最后得票最多的制导律类别即为待识别信号的类别。
[0013]较佳的，所述步骤2的具体方法为：
[0014]Step1：找到信号或者信号所有的极值点，采用三次样条插值法根据极值点拟合上、下包络线e
max
和e
min
；
[0015]Step2：求取上、下包络线均值为m(t)；
[0016]Step3：将信号或者信号减去m(t)得到序列c(t)；
[0017]Step4：检测序列c(t)是否满足设定条件：
[0018]若满足，c(t)作为一个IMF分量分离出来，得到剩余序列r(t)，即或
[0019]若不满足，则将序列c(t)作为新信号重复上述Step1至Step3，直至序列c(t)满足设定条件为止，则提取出信号的全部IMF分量和一个残差；
[0020]所述设定条件为：在整个时间轴上，信号序列的极值点和过零点数目相同或至多相差一个，且任意的时间点，信号序列的局部极大值与局部极小值分别构成的上包络线与下包络线的平均值须为0，即该信号序列波形必须局部对称。
[0021]较佳的，所述步骤2中，对于信号或者信号在信号的两端分别对数据进行镜像操作，将原始信号对称地延拓成一个闭合的环形信号，然后再进行所述分解。
[0022]较佳的，所述步骤3中，不同制导律对应的特征向量能量带T元素数量不同时，最低频IMF后补充0特征，使得后续基于机器学习的制导律辨识环节中的样本数据的长度一致。
[0023]较佳的，所述步骤3中，对特征向量能量带T元素进行归一化操作。
[0024]较佳的，SVM采用高斯核函数。
[0025]较佳的，所述步骤3中，计算能量式为：
[0026][0027][0028]式中，c
i
为各IMF分量i时刻对应的值；r
i
为残差i时刻对应的值。
[0029]本专利技术具有如下有益效果：
[0030]本专利技术基于短时间内的不同制导律的相对运动信息，无需逐步迭代和状态融合，
采用信号分解与支持向量机分类的方法，实现对制导律的快速、高精度辨识，是一种新的制导律辨识方法。目前还未见到相关技术。
附图说明
[0031]图1为防御弹飞机相对运动关系示意图；
[0032]图2为基于EMD的视线角速度信号分解结果；
[0033]图3为镜像延拓与未延拓包络线比较；
[0034]图4为镜像延拓与未延拓序列比较；
[0035]图5为“一对一”多分类SVM模型；
[0036]图6为本专利技术的基于经验模态分解的制导律辨识方法流程；
[0037]图7为四种制导律下的双方轨迹；
[0038]图8为四种制导律下的视线角速度；
[0039]图9为四种制导律下的距离变化率；
[0040]图10为PPN视线角速度EMD结果；
[0041]图11为PPN距离变化率EMD结果；
[0042]图12为TPN视线角速度EMD结果；
[0043]图13为TPN距离变化率EMD结果；
[0044]图14为IPN视线角速度EMD结果；
[0045]图15为IPN距离变化率EMD结果；
[0046]图16为APN视线角速度EMD结果；
[0047]图17为APN距离变化率EMD结果。
具体实施方式
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信号分解和支持向量机的制导律辨识方法，其特征在于，包括：步骤1、模拟防御弹采用不同制导律拦截机动作战飞机时的视线角速度和距离变化率信号；步骤2、基于经验模态分解EMD方法，对不同制导律下视线角速度和距离变化率信号进行分解，分别提取得到两个信号的全部IMF分量和一个残差res；步骤3、计算视线角速度各IMF分量和残差res的能量，以及距离变化率信号各IMF分量和残差res的能量，将所有能量排列成向量，构成各制导律对应的特征向量能量带T，为每一个特征向量能量带T标注制导律类别标签；步骤4、对制导律类别的两两组合进行遍历，为每一种组合构建一个二分类支持向量机SVM，采用对应两种制导律的特征向量能量带T对SVM进行训练；步骤5、针对待识别的防御弹的视线角速度和距离变化率信号，先进行基于经验模态分解EMD方法进行分解，再得到对应的特征向量能量带T，输入到每个训练好的SVM中，每个二分类SVM的辨识结果计为1票，最后得票最多的制导律类别即为待识别信号的类别。2.如权利要求1所述的一种基于信号分解和支持向量机的制导律辨识方法，其特征在于，所述步骤2的具体方法为：Step1：找到信号或者信号所有的极值点，采用三次样条插值法根据极值点拟合上、下包络线e
max
和e
min
；Step2：求取上、下包络线均值为m(t)；Step3：将信号或者信号减去m(t)得到序列c(t)；Step4：检测序列c(t)是否满足设定条件：若满足，c(t)作为一个IMF分量分离出来，得到...

【专利技术属性】
技术研发人员：王晓芳，张楠，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：