一种基于LSTM网络的鱼雷轨迹分类方法技术

基于LSTM网络的鱼雷轨迹分类方法，步骤1)建立鱼雷和潜艇的追赶场景模型，分为三类：空投式鱼雷的零提前角导引的尾追法；舰射线导的固定提前角法；潜射的平行接近法；2)基于轨迹的数学模型特征进行仿真模拟；3)建立数据集；4)建立基于LSTM网络的轨迹分类模型；5)基于LSTM网络进行训练。优点是：引入LSTM来解决通过鱼雷轨迹对鱼雷类型进行判别的问题，克服了当前鱼雷轨迹分类约束性强，鲁棒性差的问题，从而为拦截鱼雷争取更多时间；克服了传统的基于数学模型方法不具备对参数误差的自我修正能力、无法以明确的概率标准来定量评估判断结果的问题；克服了目前基于深度学习的方法对复杂的鱼雷时序序列数据效果不佳、且可能会存在梯度爆炸和梯度消失的问题。梯度爆炸和梯度消失的问题。梯度爆炸和梯度消失的问题。

【技术实现步骤摘要】
一种基于LSTM网络的鱼雷轨迹分类方法


[0001]本专利技术涉及鱼雷检测
，具体涉及一种基于LSTM网络的鱼雷轨迹分类方法。

技术介绍

[0002]鱼雷因其隐蔽性高、破坏力大、反制手段少等特点，已成为海战中潜艇面临的最大威胁之一。为建立有效的鱼雷防御系统，相关学者进行了大量研究。在鱼雷防御系统的众多技术环节中，将鱼雷根据轨迹簇分类是关键一环，从而进行有效反制。尽管近年来鱼雷轨迹分类方法层出不穷，但是由于现代海洋环境的高波动、多变量的影响，根据数学模型设计并甄别各类场景下的鱼雷轨迹仍然是极具挑战的课题。
[0003]尹文进、张静远、张勇平、饶喆合著的《仅方位条件下来袭鱼雷弹道预测方法研究》(海军工程大学学报，2016，28(02):108
‑
112)中，针对方位条件下的来袭鱼雷弹道预测问题，提出了一种通过声呐系统探测的鱼雷方位信息，分为直航雷、尾流自导鱼雷、声自导鱼雷进行运动要素合理性判别，反推计算出来袭鱼雷的运动要素，即估计速度、估计和解算运动航向的集合。但此方法含多个区间分析，在剔除不合理的鱼雷运动航线的同时容易将合理值一并漏去。传统的基于数学模型方法，如似然弹道预测法不具备对参数误差的自我修正能力,无法以明确的概率标准来定量评估判断结果；而目前基于深度学习的方法，如BP神经网络，对于复杂的鱼雷时序序列数据效果不是很理想，且可能会存在梯度爆炸和梯度消失等问题。

技术实现思路

[0004]本专利技术要解决的技术问题是：克服现有技术的不足，引入LSTM来解决通过鱼雷轨迹对鱼雷类型进行判别的问题，利用该神经网络强大的时间序列分析和预测能力实现对鱼雷轨迹簇的分类，提出了一种基于LSTM网络的鱼雷轨迹分类方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：一种基于LSTM网络的鱼雷轨迹分类方法，其特征在于：包括如下步骤：
[0006]步骤1：建立鱼雷和潜艇的追赶场景模型，分为三类：空投式鱼雷的零提前角导引的尾追法；舰射线导的固定提前角法；潜射的平行接近法；
[0007]步骤2：基于轨迹的数学模型特征进行仿真模拟：将鱼雷出射点设置为固定原点，鱼雷同潜艇位置连线的偏移角度设置为出射提前角，随机生成服从均匀分布的不同发射速度、目标速度等特征下的目标集中轨迹；
[0008]步骤3：建立数据集：根据仿真出的轨迹数据，按照步骤1中的三种类型对其进行分类标注，然后将每种类别中的数据进行归一化操作，作为模型的时序输入；将占总数的70％作为神经网络的训练集，而另外占总数30％的数据作为测试集；
[0009]步骤4：建立基于LSTM网络的轨迹分类模型：由输入层、两个LSTM层、一个全连接层、一个SoftMax层以及一个输出层构成；将鱼雷的初始提前角、角度变化率、与潜艇的相对
距离、距离变化率、潜艇速度、鱼雷速度等作为模型的输入，鱼雷类型作为模型的输出；
[0010]步骤5：基于LSTM网络进行训练：设置好相应的参数，包括优化器、学习率、迭代次数，利用上述训练集对模型进行训练；最后得到训练好的模型，用测试集判断准确率。
[0011]优选的，所述的基于LSTM网络的鱼雷轨迹分类方法，其特征在于：所述步骤1所述的鱼雷轨迹有三种模型，鱼雷导引运动时的相对运动方程：
[0012][0013]其中r为鱼雷与目标位置的相对距离，V
T
为潜艇的瞄准线；q为潜艇瞄准线与攻击平面某一基线的夹角，称为潜艇的方位角；σ
V
、σ
T
分别为鱼雷、潜艇速度矢量与攻击平面基线之间的夹角，称为鱼雷弹道角和潜艇航向角；η
V
、η
T
分别为鱼雷、潜艇速度矢量与对潜艇瞄准线之间的夹角，称为鱼雷速度提前角和潜艇速度提前角；η
V
＝0时的方法称为尾追法；η
V
为常数时称为固定提前角法；η
V
按一定规律变化，但在任何情况下都保持视线平行于自身移动的导引方法称为平行接近法。
[0014]与现有技术相比，本专利技术的有益效果是：本专利技术引入LSTM来解决通过鱼雷轨迹对鱼雷类型进行判别的问题，利用该神经网络强大的时间序列分析和预测能力实现对鱼雷轨迹簇的分类，提出了一种根据鱼雷轨迹判断鱼雷导向形式的新方法，克服了当前鱼雷轨迹分类约束性强，鲁棒性差的问题，从而为拦截鱼雷争取更多时间；克服了传统的基于数学模型方法不具备对参数误差的自我修正能力、无法以明确的概率标准来定量评估判断结果的问题；克服了目前基于深度学习的方法对复杂的鱼雷时序序列数据效果不佳、且可能会存在梯度爆炸和梯度消失的问题。
附图说明
[0015]图1是本专利技术实施例一的步骤流程图；
[0016]图2是本专利技术实施例一的网络结构图；
[0017]图3是本专利技术实施例一的预测标签和实际标签比较的混淆矩阵图；
[0018]图4是本专利技术实施例一的鱼雷(V)与潜艇(T)的相对位置示意图。
具体实施方式
[0019]下面结合说明书附图，对本专利技术的技术方案做进一步说明。
[0020]实施例一
[0021]如图1至4所示，LSTM网络，亦即长短期记忆网络(Long Short
‑
Term Memory，LSTM)网络。
[0022]基于LSTM网络的鱼雷轨迹分类预测模型构建流程图如图1所示，具体实施方式包括以下步骤：
[0023](1)建立鱼雷和潜艇的追赶场景模型，分为三类：空投式鱼雷的零提前角导引的尾追法；舰射线导的固定提前角法；潜射的平行接近法。鱼雷轨迹有三种模型，鱼雷导引运动
时的相对运动方程：
[0024][0025]其中，r为鱼雷与目标位置的相对距离，V
T
为潜艇的瞄准线。q为潜艇瞄准线与攻击平面某一基线的夹角，称为潜艇的方位角。σ
V
，σ
T
分别为鱼雷、潜艇速度矢量与攻击平面基线之间的夹角，称为鱼雷弹道角和潜艇航向角。η
V
，η
T
分别为鱼雷、潜艇速度矢量与对潜艇瞄准线之间的夹角，称为鱼雷速度提前角和潜艇速度提前角。η
V
＝0时的方法称为尾追法；η
V
为常数时称为固定提前角法；η
V
按一定规律变化，但在任何情况下都保持视线平行于自身移动的导引方法称为平行接近法。
[0026](2)基于轨迹的数学模型特征进行仿真模拟：根据不同的运动轨迹的数学模型特征，建立鱼雷和潜艇的追赶场景模型，并进行仿真。以某型号鱼雷作为来袭目标，发射方式为潜射、舰射线导和空中直投，根据发射平台，设置不同的来袭鱼雷初始位置，随机设置潜艇位置，并生成服从不同模型方法设计的具有不同的发射速度及固定提前角下的鱼雷导引弹道。鱼雷弹道根据运动模型带加速度曲线导引。鱼雷每一组不同的初始角、速度及加速度初始设定值；潜艇每一组不同的初始角、速度及加速度初始设定值作为初始发射条件，对不同发射平台本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM网络的鱼雷轨迹分类方法，其特征在于：包括如下步骤：步骤1：建立鱼雷和潜艇的追赶场景模型，分为三类：空投式鱼雷的零提前角导引的尾追法；舰射线导的固定提前角法；潜射的平行接近法；步骤2：基于轨迹的数学模型特征进行仿真模拟：将鱼雷出射点设置为固定原点，鱼雷同潜艇位置连线的偏移角度设置为出射提前角，随机生成服从均匀分布的不同发射速度、目标速度等特征下的目标集中轨迹；步骤3：建立数据集：根据仿真出的轨迹数据，按照步骤1中的三种类型对其进行分类标注，然后将每种类别中的数据进行归一化操作，作为模型的时序输入；将占总数的70％作为神经网络的训练集，而另外占总数30％的数据作为测试集；步骤4：建立基于LSTM网络的轨迹分类模型：由输入层、两个LSTM层、一个全连接层、一个SoftMax层以及一个输出层构成；将鱼雷的初始提前角、角度变化率、与潜艇的相对距离、距离变化率、潜艇速度、鱼雷速度等作为模型的输入，鱼雷类型作为模型的输出；步骤5：基于LSTM网络进行训练：设置好相应的参数，包括优化器、...

【专利技术属性】
技术研发人员：卫翔，杨家轩，刘星璇，周航程，侯文姝，
申请(专利权)人：中国人民解放军海军潜艇学院，
类型：发明
国别省市：