【技术实现步骤摘要】
结合机器学习和物理机理的导体目标RCS预测方法
[0001]本专利技术属于电磁散射计算
,具体涉及一种结合机器学习和物理机理的导体目标RCS预测方法。
技术介绍
[0002]导体目标的电磁散射特性研究在目标识别、雷达设计、隐身和反隐身技术中至关重要,雷达散射截面(Radar Cross section,RCS)是反映导体目标电磁散射特性的重要物理量,用来量化目标截获和散射电磁波的能力。
[0003]一般而言可通过传统算法和机器学习两种方式获取RCS数据。传统算法,如矩量法(Method of Moments,MoM)、时域有限差分法(Finite
‑
Difference Time
‑
Domain,FDTD)、物理光学法(Physical Optics,PO)等,能实现RCS数据的有效获取。但需要采集的RCS数据量较大或要求精度较高时,各传统方法的弊端逐渐暴露,如PO精度不高使其具有一定的局限性,FDTD和MoM计算RCS时的时间成本和硬件成本大幅增加,甚至于受条件限制不能获取。虽然后面发展中出现了一些加速算法,如快速多极子、GPU加速算法和空域求解等,在加速单点计算过程中效果显著,但当计算频点数和空间采样数很多时,传统算法消耗的时间还是很多。近年来,机器学习因其优异的非线性表达能力,在电磁学领域有了广泛的应用。如使用高斯过程回归预测导弹的电磁相应,应用机器学习方案分析有限长介质柱体的极化双站散射等,均能根据已有数据快速进行预测,从而快速丰富数据库,但因其只是从数学上发 ...
【技术保护点】
【技术特征摘要】
1.结合机器学习和物理机理的导体目标RCS预测方法,其特征在于,具体按照以下步骤实施:步骤1:基于物理光学法和支持向量回归方法,将PO机理下的导体目标单站RCS计算公式用类比的方法在形式上无限逼近SVR函数的形式;根据结合了物理先验的SVR函数形式,产生优化的以PO激励的SVR的函数式,简称IPOI
‑
SVR;步骤2:设计试验过程采样和预处理得到训练数据集;步骤3:根据步骤2采样得到的数据集训练步骤1提出的IPOI
‑
SVR模型,得到预测导体目标RCS的近似函数;步骤4:根据训练出的近似模型,预测导体目标在不同方位角天顶角θ时的RCS。2.根据权利要求1所述的结合机器学习和物理机理的导体目标RCS预测方法,其特征在于,步骤1具体按照以下步骤实施:步骤1.1:首先确定物理光学法计算导体目标在不同方位角天顶角θ以及原点到观察点的距离r处的单站散射电场的公式为:式中,j表示虚数单位,k为入射波矢量且k和η分别代表波数和波阻抗,代表第i
f
个照射面,N是照射面的个数,r
′
代表源点;针对不同角度下的后向电磁散射,r近似为定值;根据定积分的中值定理,得式中,为对应面的面积,的面积,是面上的点;则单站雷达散射截面的PO计算公式为:将简写为其中:其中:式中,和均为函数形式;同样地,非线性回归的SVR函数f(x)的函数形式为:式中,x代表自变量,n为样本数,α
i
和为拉格朗日乘子,K(x,x
i
)代表核函数,b为偏移量,为常数;针对不同角度下RCS的预测,令非线性回归中的则SVR逼近函数可转换为
简写为式中将RCS散射机制集成到SVR架构中,根据简写的计算的PO公式:和SVR模型:可得形式上,ρ
i
对应于a
i
,b对应于0,核函数对应于因此,IPOI
‑
SVR模型的核函数表达形式为为了更好的泛化能力,将核函数表达形式写为式中,f
i1
和f
i2
均表示函数形式;步骤1.2:在现有的核函数库中,选择与IPOI
‑
SVR核函数的形式相同或相近的具体核函数,若PO激励的SVR函数形式和现有的核函数相同,则直接选用该核函数,若不存在相同的核函数,采用组合转换的方法构造新的核函数;具体地,选用Morlet小波核函数替代有PO先验的SVR核函数,式中,l是换算因数,ω0是角频率,D为最大尺寸;令根据Mercer定理,将各向同性的小波核函数转换为二维各向异性核函数,令x1=θ,x1′
=θ
′
,则有PO先验的各向异性核函数最终为3.根据权利要求2所述的结合机器学习和物理机理的导体目标RCS预测方法,其特征在于,步...
【专利技术属性】
技术研发人员:肖东海,侯牡玉,左炎春,吕冰,刘伟,郭立新,
申请(专利权)人:西安电子科技大学,
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。