[发明专利]基于神经网络雷达组合高精度预测弹丸着靶速度的方法

说明书

本发明涉及一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，其特征在于：将连续波雷达测试的弹丸的着靶速度作为输出信号，初速雷达测试的弹丸着靶时刻前的径向速度作为输入信号，建立BP神经网络预测模型；利用两台雷达已经测试到的弹丸的着靶速度数据建立BP神经网络模型，就可以预测出连续波雷达未测到的弹丸的着靶速度；同时引入GM(1,1)灰色模型和支持向量回归机模型进行对比，最后利用预测值与实测值的比较结果判断三个模型中哪个模型的预测精度最高；其精度达到了2‰以内，远远高于着靶速度自身的精度要求。将所述着靶速度预测方法应用于靶场测试弹丸着靶速度的试验科目中，解决相应的测试技术问题。

技术领域

本发明涉及一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，属于武器装备雷达测试技术领域。

背景技术

立靶密集度是火炮武器系统的关键性能之一，是反映火炮射击精度的关键参数。火炮射击弹丸的着靶速度又是计算立靶密集度的关键参数，因此准确测试弹丸的着靶速度直接关系到火炮的射击精度。在靶场试验中，通常采用某型连续波雷达测试弹丸的着靶速度，采用某型初速雷达测试弹丸的炮口初速，但是在试验中如果连续波雷达出现故障或者因外界因素导致弹丸跟丢时，就会缺失相关弹丸的所有数据，进而无法准确测试出弹丸的着靶速度，最终影响武器系统立靶密集度的计算，这一难题一直影响着武器装备性能鉴定工作。针对此种情况，采用合适的方法利用历史数据预测出缺失弹丸的着靶速度就显得尤为重要，但是到目前为止，预测弹丸着靶速度的相关文章和方法还很少。由于着靶速度属于一维小样本数据，可以采用GM(1,1)灰色模型进行预测，但GM(1,1)灰色预测模型要求数据具备相应的建模前提，且只能预测出着靶速度中的线性成分，只能进行短期预测，长期预测能力较差([1]王芬,马涛,马旭.基于粒子群优化支持向量回归机的黄金价格预测模型[J].兰州理工大学学报，2013，39(3)：65-69.)，注定预测精度不高，同时该模型无法适用于复杂函数形式规律的情形([2]张磊,于战果,李世民.基于灰色多项式回归组合模型的维修器材需求预测方法研究[J].兵器装备工程学报，2019，40(1)：179-183.)；针对着靶速度随机性成分较强的特征，考虑采用支持向量回归机和BP神经网络建立非线性映射模型进行预测，它们都具有很强的非线性映射能力，但是支持向量回归机在利用大规模训练样本建模时会耗费大量的机器内存和运算时间，预测精度也会出现下降，而神经网络具有非常强的非线性拟合能力和自学习能力，可映射任意复杂的非线性关系，而且学习规则简单，记忆能力强，便于计算机实现，但是BP神经网络模型对数据的输入输出关系有一定要求，科学合理的输入输出关系能够提高模型的预测精度。

发明内容

本发明的目的在于提供一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，其解决了传统方法适用范围窄、计算能力差、预测精度低的问题，由于连续波雷达和初速雷达测的是同一发弹丸，着靶速度本质上就是径向速度，所以把连续波雷达测试的着靶速度和初速雷达测试的着靶时刻前的径向速度进行融合建立的BP神经网络模型，适用范围更广、计算能力更强、预测精度更高，预测精度达到了靶场试验中测试弹丸着靶速度的精度要求。

本发明的技术方案是这样实现的，一种基于神经网络雷达组合高精度预测弹丸着靶速度的方法，其特征在于：将连续波雷达测试的弹丸的着靶速度作为输出信号，初速雷达测试的弹丸着靶时刻前的径向速度作为输入信号，建立BP神经网络预测模型；利用两台雷达已经测试到的弹丸的着靶速度数据建立BP神经网络模型，再把连续波雷达未测到而初速雷达测到的弹丸着靶时刻前的径向速度作为输入信号代入到所建立好的BP神经网络模型中，就可以预测出连续波雷达未测到的弹丸的着靶速度；选取两组不同的着靶速度数据DATA1和DATA2建模验证，分别把DATA1和DATA2中的数据一部分作为训练数据，另一部分作为测试数据，训练数据用来训练模型，测试数据用来检验模型预测精度的高低，同时引入GM(1,1)灰色模型和支持向量回归机模型进行对比，最后利用预测值与实测值的比较结果判断三个模型中哪个模型的预测精度最高；具体步骤如下：