一种导引头神经网络跟踪算法的性能评估方法及系统技术方案

本发明专利技术为一种导引头神经网络跟踪算法的性能评估方法及系统，属软件评测领域，包括模拟移动目标对导引头测试，基于神经网络跟踪算法获取导引头对移动目标的多个跟踪性能指标数据；基于多个跟踪性能指标数据，对每个跟踪性能指标数据分别通过线性赋分和加权融合转化为单指标评分结果；判断是否存在低于单指标评分下阈值的单指标评分结果，若存在则综合性能评估结果为0；若不存在则将高于单指标评分上阈值的单指标评分结果判为满分后，与不具备仲裁条件的单指标评分结果加权融合计算得到综合性能评估结果；判断综合性能评分是否具备仲裁条件，不具备则归零，否则保留，获得综合性能评估结果

【技术实现步骤摘要】
一种导引头神经网络跟踪算法的性能评估方法及系统


[0001]本专利技术属于软件评测
，尤其涉及一种导引头神经网络跟踪算法的性能评估方法及系统
。

技术介绍

[0002]在日益复杂的战场环境下，导引头的神经网络识别
‑
跟踪算法日益增多，其参数和结构的高度复杂性使得相关性能评估越来越困难
。
传统的软件评估没有考虑神经网络的特殊性能指标，也不涉及导引头跟踪的闭环参数，不适合导引头神经网络跟踪算法的快速发展
。
[0003]对导引头神经网络跟踪算法评估的研究工作较少，但神经网络跟踪算法设计发展迅速
。
现有方法文献中，部分文献给出了导引头抗干扰性能评估系统，但仅局限于抗干扰性能评估，未涉及智能算法
。
还有进一步给出神经网络滤波算法的评估方案，采用灰色关联法消除了权重设计的主观性，但也仅针对导引头的抗干扰性能
。
加权融合技术中，部分文献为导引头神经网络算法评估中的初始权值设计提供了思路，本专利技术也将采用类似方法消除主观性
。
[0004]导引头算法评价还有很大的研究和认知空间
。
然而，随着算法复杂度的不断提高和特殊导引头的要求，性能评估变得越来越重要
。
例如，两种基于快速区域卷积神经网络的面向对象舰船探测器被提出，其由数千个包含多个舰船信号的
x
波段机载距离压缩雷达数据训练得到
。
导引头中还会提出了一些自适应滤波技术来缓解干扰的影响，因此须考虑一些频谱和空间多样化的波信号来评估抑制性能
。
合成孔径雷达观测数据也被用来估算土壤湿度和地表粗糙度，从而对地表后向散射模型进行评价
。
部分文献推导了导引头自相关和互相关副瓣，并将其整合到多相码正交性的评估理论中
。
在探地雷达中，一种基于视觉注意机制的异常区域检测算法被多次提出，并被反复进行了验证与评估
。
然而，上述制导系统评价方法很少考虑神经网络跟踪的特殊性
。
因而针对导引头的神经网络跟踪算法，须设计一种专门的智能化评估优化方案
。
[0005]神经网络识别与跟踪算法在运动控制领域发展迅速
。
通过训练，神经网络可以使控制器锁定目标，调整执行器进行精确跟踪
。
但相关的评估技术却鲜有研究，例如，部分研究提供大量的低分辨率和超分辨率图像对数据集，并用于从信噪比和上尺度因子方面评估深度学习超分辨率模型
。
部分研究还专门对当前使深度神经网络安全可信的研究工作进行了回顾，重点工作在四个方面：验证
、
测试
、
对抗性攻防以及可解释性
。
部分研究基于得到的特征，用
Matlab
神经网络工具箱对
BP
神经网络进行训练，并对建立的连续运动控制模型进行评估
。
部分研究提出了很多新的
PID(Proportional
‑
Integral
‑
Derivative
比例
‑
积分
‑
微分
)
控制小波神经网络模型控制伺服电机，并从跟踪误差和响应时间两个方面评估了智能控制的性能
。
但上述评价技术没有考虑导引头的特殊性
。

技术实现思路

[0006]鉴于上述的分析，本专利技术实施例旨在提供一种导引头神经网络跟踪算法的性能评估方法和系统，用于解决现有技术中在导引头神经网络跟踪算法性能评估方面缺乏专门性能智能化评估方案
、
缺乏综合性能评估和缺乏针对导引头的特殊性能评估问题
。
[0007]本方案提供一种导引头神经网络跟踪算法的性能评估方法，包括如下步骤：
[0008]步骤
S1
：模拟移动目标对导引头进行测试，基于神经网络跟踪算法获取导引头对移动目标的多个跟踪性能指标数据；
[0009]步骤
S2
：基于所述多个跟踪性能指标数据，对每个跟踪性能指标数据分别通过线性赋分和加权融合转化为单指标评分结果；
[0010]步骤
S3
，判断是否存在低于单指标评分下阈值的单指标评分结果，若存在，则综合性能评估结果为0；若不存在，则将高于单指标评分上阈值的单指标评分结果判为满分后，与不具备仲裁条件的单指标评分结果加权融合计算得到综合性能评估结果；判断所述综合性能评分是否具备仲裁条件，不具备则将综合性能评估结果归零，否则保留，获得跟踪性能指标的综合性能评估结果
。
[0011]进一步地，在测试时，收集导引头成像面内
x
与
y
轴位置信息及移动目标的角度信息；所述基于神经网络跟踪算法获取导引头对移动目标的多个跟踪性能指标数据包括：
[0012]跟踪算法中的3个神经元按照时间序列输入所述
x
与
y
轴位置信息及移动目标的角度信息；
[0013]输出神经元为
n
个，其中2个神经元包含目标点迹在
x
和
y
轴位置信息的跟踪信号，根据时间序列对跟踪信号取值获得导引头对移动目标的多个跟踪性能指标数据；
[0014]其中，所述移动目标的角度为移动目标与导引头主反射面中心点的连线与导引头中轴线的夹角
。
[0015]进一步地，所述对每个跟踪性能指标数据分别通过线性赋分和加权融合转化为单指标评分结果包括：
[0016]线性赋分将每个性能跟踪指标数据转化为归一化动态评分，具体为：
[0017]v
＝
HI(u)
＝
au+b
[0018][0019]其中，
u
为跟踪性能指标数据值，
v
为动态评分值，
a
和
b
为实常数，
v
max
为反复实验后确定的跟踪性能指标数据的最大值
u
max
的对应评分，
v
*
为归一化动态评分；
[0020]经过线性赋分转化后，利用加权融合将单指标评分值的数组转化为数值
。
[0021]进一步地，所述利用加权融合将单指标评分值的数组转化为数值，包括：
[0022]F
i
＝
w(J
v,i
)J
v,i
+w(
σ
v,i
)
σ
v,i
[0023]其中，
F
i
为单指标评分值，
w(J
v,i
)
和
w(
σ
v,i
)
为归一化动态评分
v*...

【技术保护点】

【技术特征摘要】
1.
一种导引头神经网络跟踪算法的性能评估方法，其特征在于，包括如下步骤：步骤
S1
：模拟移动目标对导引头进行测试，基于神经网络跟踪算法获取导引头对移动目标的多个跟踪性能指标数据；步骤
S2
：基于所述多个跟踪性能指标数据，对每个跟踪性能指标数据分别通过线性赋分和加权融合转化为单指标评分结果；步骤
S3
，判断是否存在低于单指标评分下阈值的单指标评分结果，若存在，则综合性能评估结果为0；若不存在，则将高于单指标评分上阈值的单指标评分结果判为满分后，与不具备仲裁条件的单指标评分结果加权融合计算得到综合性能评估结果；判断所述综合性能评分是否具备仲裁条件，不具备则将综合性能评估结果归零，否则保留，获得跟踪性能指标的综合性能评估结果
。2.
根据权利要求1所述的性能评估方法，其特征在于，在测试时，收集导引头成像面内
x
与
y
轴位置信息及移动目标的角度信息；所述基于神经网络跟踪算法获取导引头对移动目标的多个跟踪性能指标数据包括：跟踪算法中的3个神经元按照时间序列输入所述
x
与
y
轴位置信息及移动目标的角度信息；输出神经元为
n
个，其中2个神经元包含目标点迹在
x
和
y
轴位置信息的跟踪信号，根据时间序列对跟踪信号取值获得导引头对移动目标的多个跟踪性能指标数据；其中，所述移动目标的角度为移动目标与导引头主反射面中心点的连线与导引头中轴线的夹角
。3.
根据权利要求2所述的性能评估方法，其特征在于，所述对每个跟踪性能指标数据分别通过线性赋分和加权融合转化为单指标评分结果包括：线性赋分将每个性能跟踪指标数据转化为归一化动态评分，具体为：
v
＝
HI(u)
＝
au+b
其中，
u
为跟踪性能指标数据值，
v
为动态评分值，
a
和
b
为实常数，
v
max
为反复实验后确定的跟踪性能指标数据的最大值
u
max
的对应评分，
v
*
为归一化动态评分；经过线性赋分转化后，利用加权融合将单指标评分值的数组转化为数值
。4.
根据权利要求3所述的性能评估方法，其特征在于，所述利用加权融合将单指标评分值的数组转化为数值，包括：
F
i
＝
w(J
v,i
)J
v,i
+w(
σ
v,i
)
σ
v,i
其中，
F
i
为单指标评分值，
w(J
v,i
)
和
w(
σ
v,i
)
为归一化动态评分
v
*
的均值和方差的权值，
i
＝
1,2
，
...Q
，
Q
为跟踪性能指标数据的序号
。5.
根据权利要求1所述的性能评估方法，其特征在于，所述步骤
S3
包括：步骤
S31
，预设单指标评分阈值区间和导引头神经网络跟踪指标综合性能评分的下阈值；步骤
S32
，判断是否存在低于单指标评分下阈值的单指标评分结果，若存在，则综合性能评估结果为0；若不存在，则将高于单指标评分上阈值的单指标评分结果判为满分；
步骤
S33
，将高于单指标评分上...

【专利技术属性】
技术研发人员：胡开宇，孙文靖，杨春霞，王佳铭，王朝阳，王佳佳，杨洋，杨硕，马越，
申请(专利权)人：北京京航计算通讯研究所，
类型：发明
国别省市：