基于制造技术

本发明专利技术提供一种基于

【技术实现步骤摘要】
基于AVMD
‑
BiLSTM模型的隐身飞机动态RCS序列预测方法


[0001]本专利技术涉及飞机雷达隐身
，尤其涉及一种基于
AVMD
‑
BiLSTM
模型的隐身飞机动态
RCS
序列预测方法
。

技术介绍

[0002]飞机的动态
RCS
受雷达入射波的频率
、
极化方式以及姿态角变化影响，这导致飞机的动态
RCS
具有复杂的起伏特性，而传统的动态
RCS
估计方法只能对
RCS
的变化趋势进行粗略估计，难以精确估计动态
RCS
值
。
[0003]综上，为更有效的对隐身飞机的动态
RCS
进行评估，需要提出一种更为精确的方法实现对隐身飞机动态
RCS
序列的准确估计
。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供一种基于
AVMD
‑
BiLSTM
模型的隐身飞机动态
RCS
序列预测方法，以实现对隐身飞机动态
RCS
序列的精确估计，进而更有效的分析隐身飞机的雷达隐身特性
。
[0005]一种基于
AVMD
‑
BiLSTM
模型的隐身飞机动态
RCS
序列预测方法，包括如下步骤：
[0006]步骤1：运用建模软件对隐身飞机进行建模，建立隐身飞机的
3D
模型；
[0007]步骤2：使用电磁方针软件求解隐身飞机在
HH
与
VV
两种极化方式下的全空域静态
RCS
数据库；
[0008]步骤3：以步骤2中的全空域静态
RCS
数据库为基础，获取隐身飞机在定常盘旋航迹下的动态
RCS
序列；
[0009]步骤4：在变分模态分解方法
VMD
的基础上进行改进，提出自适应变分模态分解方法
AVMD
；
[0010]所述变分模态分解方法
VMD
的数学表达式如下所示：
[0011][0012]式中
K
为需要分解的模态的个数，即分解尺度，
K
为正整数，
σ
t
表示进行高斯平滑计算，
j
为虚数的表示符号，
t
为时间轴，
{u
k
}
和
{
ω
k
}
分别为分解后模态分量和中心频率的集合，
u
k
为分解后模态分量，
ω
k
为中心频率，
x
为原始信号，
δ
(t)
为单位脉冲函数，
u
k
(t)
为模态分解后的序列，
s
表示傅里叶变换；
[0013]在变分模态分解方法
VMD
中引入残差能量与原始信号能量的比值作为分解尺度判据，使其能够根据信号本身设定自主设定分解尺度，其判据如下式所示
。
[0014][0015]式中
f
为原始的序列，
N
为序列长度，
MAPE
为评价指标，当
MAPE≤1
％时，确定最终的模态分解数
。
[0016]步骤5：利用自适应变分模态分解方法
AVMD
对步骤3中获得的动态
RCS
序列进行分解，得到最优的分解尺度
K
，从而获得分解后的各模态分量；
[0017]步骤6：将分解得到的各模态分量分别输入双向长短期记忆网络
BiLSTM
，并按照输入序列长度设定比例划分训练集和测试集，其中训练集用于模型拟合的数据样本，在训练过程中对训练误差进行梯度下降，进行学习，可训练的权重参数，测试集用来评估模最终模型的泛化能力，最终得到
K
个
BiLSTM
网络预测模型；
[0018]所述双向长短期记忆网络
BiLSTM
由两个
LSTM
网络叠加，分别为正向传播层和反向传播层，输出的结果由两个
LSTM
网络共同决定；
[0019]在正向传播层，当前记忆细胞的输出
H
′
t
由当前的输入
X
t
和
t
‑1时间步的输出
H
′
t
‑1决定，经过计算之后输出被储存下来，既用于下一时间步的计算，也用于输出层的计算
。
[0020]H
′
t
＝
LSTM
forw
(X
t
,H
′
t
‑1,C
′
t
‑1)(3)
[0021]式中，
LSTM
forw
()
表示正向传播计算，
C
′
t
‑1表示前一时刻记忆细胞的状态
。
[0022]在反向传播层，当前记忆细胞的输出
H
t
由当前的输入
X
t
和
t+1
时间步的输出
H
t+1
决定
。
[0023]H
t
＝
LSTM
back
(X
t
,H
t+1
,C
t+1
)(4)
[0024]式中，
LSTM
back
()
表示反向传播计算，
C
t+1
表示记忆细胞后一时刻的状态
。
[0025]最终模型的输出
Yt
由正向传播层和反向传播层的输出结果共同决定，即
[0026]Y
t
＝
Sig(W
s
·
H
′
t
+W
o
·
H
t
)(5)
[0027]式中，
Sig()
逻辑
S(Sigmoid)
形函数，
W
s
表示正向传播隐含层到输出层的权值，
W
o
表示反向传播隐含层到输出层的权值
。
[0028]步骤7：最后将
K
个
BiLSTM
网络预测模型的预测结果进行加和重构，得到最终的动态
RCS
的预测结果
。...

【技术保护点】

【技术特征摘要】
1.
一种基于
AVMD
‑
BiLSTM
模型的隐身飞机动态
RCS
序列预测方法，其特征在于，包括以下步骤：步骤1：运用建模软件对隐身飞机进行建模，建立隐身飞机的
3D
模型；步骤2：使用电磁方针软件求解隐身飞机在
HH
与
VV
两种极化方式下的全空域静态
RCS
数据库；步骤3：以步骤2中的全空域静态
RCS
数据库为基础，获取隐身飞机在定常盘旋航迹下的动态
RCS
序列；步骤4：在变分模态分解方法
VMD
的基础上进行改进，提出自适应变分模态分解方法
AVMD
；步骤5：利用自适应变分模态分解方法
AVMD
对步骤3中获得的动态
RCS
序列进行分解，得到最优的分解尺度
K
，从而获得分解后的各模态分量；步骤6：将分解得到的各模态分量分别输入双向长短期记忆网络
BiLSTM
，并按照输入序列长度设定比例划分训练集和测试集，最终得到
K
个
BiLSTM
网络预测模型；步骤7：最后将
K
个
BiLSTM
网络预测模型的预测结果进行加和重构，得到最终的动态
RCS
的预测结果
。2.
根据权利要求1所述的基于
AVMD
‑
BiLSTM
模型的隐身飞机动态
RCS
序列预测方法，其特征在于，步骤4中所述变分模态分解方法
VMD
的数学表达式如下所示：式中
K
为需要分解的模态的个数，即分解尺度，
K
为正整数，
σ
t
表示进行高斯平滑计算，
j
为虚数的表示符号，
t
为时间轴，
{u
k
}
和
{
ω
k
}
分别为分解后模态分量和中心频率的集合，
u
k
为分解后模态分量，
ω
k
为中心频率，
x
为原始信号，
δ
(t)
为单位脉冲函数，
u
k
(t)
为模态分解后的序列，
s
表示傅里叶变换；在变分模态分解方法
VMD
中引入残差能量与原始信号能量的比值作为分解尺度判据，使其能够根据信号本身设定自主设定分解尺度，其判据如下式所示；式中
f
为原始的序列，
N
为序列长度，
MAPE
为评价指标，当
MAPE≤1
％时，确定最终的模态分解数
。3.
根据权...

【专利技术属性】
技术研发人员：傅莉，邱鹏，樊金浩，任艳，张帅，张永峥，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：