本发明专利技术公开了一种基于联合网络模型的靶板击穿厚度预测方法及装置，其中方法包括：获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据；生成网络模型及判别网络模型组成第一网络模型，对所述第一网络模型进行训练，其中生成网络模型基于训练集中的样本数据生成若干生成样本；训练后的判别网络模型的第一卷积层的参数共享给CNN网络模型的首层卷积层；基于训练集中的样本数据、生成样本以及基于相关数据确定的靶板击穿厚度的影响指标对CNN网络模型进行训练，得到训练完毕的CNN网络模型；获取待预测靶板击穿厚度的相关数据，所述训练完毕的CNN网络模型基于所述相关数据预测靶板击穿厚度。本方法提高预测的准确性和实用性。
【技术实现步骤摘要】
本专利技术涉及炮弹，尤其是一种基于联合网络模型的靶板击穿厚度预测方法及装置。
技术介绍
1、穿甲炮的设计目的是通过发射高速和高能量的弹丸来击穿敌方装甲，从而使敌方目标丧失作战能力。这些炮弹通常具有硬质弹芯，如钢或钨合金，以增强穿甲能力。当穿甲炮弹击中目标时，它们会利用高速撞击和强大的能量来克服装甲的抵抗，通过破坏或击穿装甲来造成伤害。穿甲炮可以是坦克上的主炮，也可以是其他装甲车辆或火炮系统上的武器。它们通常需要专门的火控系统来瞄准和发射，以确保精确度和有效性。在现代军事技术中，穿甲炮的设计和性能得到了不断改进，以适应不断发展的装甲技术和防护系统。在现代战场上，装甲车辆、坦克和装甲战斗机等装甲目标是一种常见的威胁。穿甲炮通过能够穿透装甲的高速弹丸来应对这些威胁；在一场战斗中，拥有能够有效穿透敌方装甲的武器系统可以为军队提供重要的战场优势。
2、预测穿甲炮穿透靶板的厚度是评估该穿甲炮的穿甲能力和有效性的一种方法。通过了解穿甲炮在不同厚度的装甲上的穿透能力，可以帮助军事规划者和作战人员确定该武器系统在实际战斗中对不同目标的威胁程度。预测靶板击穿厚度在以下几个方面具有重要意义：
3、（1）武器性能评估：通过预测穿甲炮对不同厚度装甲的穿透能力，军事专家可以评估该武器系统的有效性。这有助于进行战术规划和军事装备采购决策，确保装备与预期任务需求相匹配。
4、（2）目标脆弱性评估：了解穿甲炮的穿透能力可以帮助军事分析师评估不同目标的脆弱性。这对于确定最佳攻击策略、选择攻击目标和规划战斗行动至关重要。
<
p>5、（3）装甲设计和改进：穿甲炮穿透靶板的厚度预测也对装甲设计和改进具有重要意义。通过了解现代穿甲炮的穿透能力，装甲设计师可以改进装甲结构和材料，以增加装甲的防护能力，提高目标的生存能力。6、现有技术涉及到穿甲弹穿透靶板预测靶板厚度的方面研究较少，这是因为这个问题涉及到多个复杂的因素。穿甲过程中，弹头的形状、靶板材料的性质、入射角度等因素都会对穿透深度产生影响。仅仅依靠弹速来预测靶板厚度是不够准确的。由于穿甲过程的复杂性和多变性，建立一个准确的模型来预测靶板厚度是具有挑战性的。
技术实现思路
1、本专利技术提出一种基于联合网络模型的靶板击穿厚度预测方法及装置，能够解决现有技术难于预测穿甲弹穿透靶板的击穿厚度的技术问题。
2、在本专利技术各方法实施例中，一种基于联合网络模型的靶板击穿厚度预测方法，包括：
3、步骤s1：获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并基于所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集；
4、步骤s2：生成网络模型及所述判别网络模型组成第一网络模型，所述生成网络模型g用于基于所述训练集中的样本数据，生成若干生成样本；所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率；对所述第一网络模型进行训练；
5、步骤s3：训练后的判别网络模型的第一卷积层的参数共享给cnn网络模型的首层卷积层；基于所述训练集中的样本数据、所述生成样本以及基于相关数据确定的靶板击穿厚度的影响指标对所述cnn网络模型进行训练，得到训练完毕的cnn网络模型，所述cnn网络模型用于预测靶板击穿厚度；
6、所述第一网络模型为wgan网络模型，wgan网络模型与cnn网络模型组成联合网络模型；
7、步骤s4：获取待预测靶板击穿厚度的相关数据，所述训练完毕的cnn网络模型基于所述相关数据预测靶板击穿厚度。
8、可选地，所述步骤s1，获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并对所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集，包括：
9、步骤s11：确定靶板击穿厚度的影响指标，所述影响指标包括弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度；
10、步骤s12：获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括弹丸的质量、直径、入射角度、靶板的屈服极限、效力系数以及击穿速度；基于所述相关数据确定各个影响指标对应的影响指标值；
11、步骤s13：将影响指标值进行归一化处理，归一化处理的公式为，其中，xi为待归一化的数值，xmin为待归一化的数值所属的类别中的最小值，xmax为待归一化的数值所属的类别中的最大值；
12、步骤s14：将归一化处理后的影响指标值作为归一化处理后的数据，根据归一化处理后的数据生成训练集及测试集。
13、可选地，所述步骤s2，所述生成网络模型g用于基于所述训练集中的样本数据，生成若干生成样本，其中：
14、所述生成网络模型包括依次相连的输入层，第一反卷积层，第二反卷积层，第三反卷积层，以及输出层，所述输入层，第一反卷积层，第二反卷积层，第三反卷积层，以及输出层均为网络层；所述输入层将输入的数据作为输入样本数据，并将所述输入样本数据转换成一维数据，作为下一个网络层的输入；所述第一反卷积层、第二反卷积层、第三反卷积层均将与之相连的上一个网络层的输出作为输入数据，对输入数据进行上采样，将所述输入数据转换为二维数据，对所述二维数据进行特征提取，再将提取的特征进行标准化处理，处理后的特征通过leakyrelu函数激活；激活后的特征作为输出数据，从而作为下一个网络层的输入；所述输出层将所述第三反卷积层的输出数据作为输入，通过卷积操作及tanh激活函数将所述第三反卷积层的输出数据进行映射，映射后的数据作为生成样本；
15、所述第一反卷积层、第二反卷积层、第三反卷积层将提取的特征进行标准化处理的方式为，设置标准化层bn，标准化处理的公式为：
16、
17、其中，xi为所述标准化层的输入，μβ为xi的均值，为xi的方差，ε为预设的正数，γ、β分别表示用于调整标准化处理后的特征的尺度和平移的参数；
18、
19、n为进行标准化处理的特征的个数。
20、可选地，所述步骤s2，所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率，其中：
21、所述判别网络模型包括依次相连的输入卷积层、第一卷积层、第二卷积层、第三卷积层以及全连接输出层，所述输入卷积层、第一卷积层、第二卷积层、第三卷积层以及全连接输出层均为网络层；所述输入卷积层将所述训练集中的样本数据及所述生成样本作为输入数据，并从所述输入数据提取特征，作为下一个网络层的输入；所述第一卷积层、第二卷积层、第三卷积层均将与之相连的上一个网络层的输出作为输入数据，本文档来自技高网
...
【技术保护点】
1.一种基于联合网络模型的靶板击穿厚度预测方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述步骤S1，获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并对所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集，包括：
3.如权利要求2所述的方法，其特征在于，所述步骤S2，所述生成网络模型用于基于所述训练集中的样本数据，生成若干生成样本，其中：
4.如权利要求3所述的方法，其特征在于，所述步骤S2，所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率，其中：
5.如权利要求4所述的方法，其特征在于，所述步骤S2，所述对所述第一网络模型进行训练，其中：所述第一网络模型采用阈值调整法对所述第一网络模型的生成网络模型及判别网络模型进行训练，所述阈值调整法为：
6.如权利要求1-5中任一项所述的方法，其特征在于，所述步骤S3，所述CNN网络模型的输出结果为预测的靶板厚度，使所述CNN网络模型的输出结果用于训练所述生成网络模型，同时，生成网络模型的输出也用于训练所述CNN网络模型；
7.一种基于联合网络模型的靶板击穿厚度预测装置，其特征在于，所述装置包括：
8.一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-6中任一项所述方法。
9.一种电子设备，其特征在于，所述电子设备，包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求1-6中任一项所述方法。
...
【技术特征摘要】
1.一种基于联合网络模型的靶板击穿厚度预测方法，其特征在于，所述方法包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述步骤s1，获取不同种类穿甲弹穿透不同材质靶板过程的多条相关数据，每条所述相关数据包括穿甲弹的弹丸质量、弹丸直径、入射角度、靶板的屈服极限、效力系数以及击穿速度，并对所述相关数据做归一化处理，根据归一化处理后的数据生成训练集及测试集，包括：
3.如权利要求2所述的方法，其特征在于，所述步骤s2，所述生成网络模型用于基于所述训练集中的样本数据，生成若干生成样本，其中：
4.如权利要求3所述的方法，其特征在于，所述步骤s2，所述判别网络模型将所述训练集中的样本数据及所述生成样本作为第一输入数据，对所述第一输入数据提取特征，输出所述第一输入数据为真实样本的概率，其中：
5.如权利要求4所述的方法，其特征在于，所述步骤s2，所述对所述第一...
【专利技术属性】
技术研发人员：张晓伟，沈汐，董文涛，肖龙斌，孔紫宁，崔伟，陈桐，林媛媛，张雪鑫，张士太，栾新瑞，詹争光，董玉才，李震宇，
申请(专利权)人：中国电子科技集团公司第十五研究所，
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。