结合机器学习和物理机理的导体目标RCS预测方法技术

本发明专利技术公开一种结合机器学习和物理机理的导体目标RCS预测方法，具体按照以下步骤实施：步骤1：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，寻找最合适的核函数；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

【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现数据的变化规律并进行预测，精度还需进一步提高。

技术实现思路

[0004]本专利技术的目的是提供一种结合机器学习和物理机理的导体目标RCS预测方法，解决了现有RCS获取技术中单纯依赖物理方法或机器学习方法存在的精度不高的问题。
[0005]本专利技术所采用的技术方案是，结合机器学习和物理机理的导体目标RCS预测方法，具体按照以下步骤实施：
[0006]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，寻找最合适的核函数，从而产生优化的以PO激励的SVR的函数式，简称IPOI
‑
SVR；
[0007]步骤2：设计试验过程采样和预处理得到训练数据集；
[0008]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；
[0009]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。
[0010]本专利技术的特征还在于，
[0011]步骤1具体按照以下步骤实施：
[0012]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；
[0013]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
[0014]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；
[0015]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
ω0,l＞0，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
[0016][0017]步骤1.1中，为第i
f
个面上的感应电流，其分为两种情况：在受照面，在阴影面，式中，为E
inc
(r)的单位向量，是第i
f
个面的外单位法向量。
[0018]步骤2具体按照以下步骤实施：
[0019]步骤2.1：在采样域θ∈[0,0.5π]，找到合适的正整数集p1，p2，q1和q2，使其满足n＝p1q1＝p2q2，p1,p2≥1，q1,q2≥5；其中，n表示样本数，角标“up”和“low”分别表示最大值和最小值。
[0020]步骤2.2：找到正整数的候选集用gcd(
·
)表示求解最大公约数，则为h为满足条件的正整数元素，m是候选集中元素的个数。
[0021]步骤2.3：从数据集中选择两个不同的元素生成第t个随机向量h
(t)
＝(h
t1
,h
t2
)，从而产生第t个均匀设计网格U
(t)
：：其中，mod(
·
)为模态算子。
[0022]步骤2.4：删除U
(t)
的最后一行以获得新矩阵U
(t*)
。如果n＝q1＝q2，则简化的设计矩阵为X
(t*)
＝(2U
(t*)
‑
1)/(2n)。否则，应用伪电平技术生成所需的U
(t*)
，X
(t*)
可以表示为
[0023]步骤2.5：构建混合偏差的矩阵计算式，得到设计矩阵X
(t*)
的MD，
[0024][0025]式中，代表点集，n为采样点的个数，i和j为采样点的索引，v是维度的索引。并用表示所有U类设计矩阵的集合。
[0026]步骤2.6：选择中MD最小的U类设计作为有用的设计U
n
(n2)。产生随机向量ζ＝
(ζ1,ζ2)，使其各元素服从多项分布。然后产生新的U类设计U
Trans
：
[0027]步骤2.7：建立一个随机扰动矩阵δ
n
×2本文档来自技高网...

【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：