基于XCS的目标灰度时间序列特征提取方法研究

发布时间：2021-03-10 16:08

　　弹道导弹的射程远、速度快、杀伤力极大,是现代军事斗争中承担战略威慑和战术应用任务的关键性武器,为应对其威胁,许多国家都在积极的发展弹道导弹防御技术。本文针对空间探测系统中的目标识别难题,研究了弹道目标灰度时间序列的学习、分类与特征提取方法,主要完成了以下几项工作:1.以印度“烈火-3”型弹道导弹为原型,建立了弹道目标灰度时间序列数据的获取模型。本文设计了弹道目标的主要类型、几何形状、体积和姿态运动形式,构建了高速运动平台下弹道目标的观测场景,计算了目标表面的温度分布,对弹道目标的红外辐射特性进行了建模与仿真,分析了不同目标间红外辐射特性的差异,限定了目标相关参数的变化范围,用计算机仿真的方式模拟生成了弹道目标的灰度时间序列数据。2.针对分类问题中XCS（eXtended learning Classifier System）收敛速度慢、易陷入局部最优等问题,提出了一种学习系统的改进方法。本文全面分析了XCS的结构,详细介绍了学习系统的各个模块,系统讨论了XCS的工作流程和数据交换方式。从分类器属性划分、分类器辨别参数的定义和“坏状态”集合的引入三个方面对XCS加以改进,对新分类器的产生... 

【文章来源】：国防科技大学湖南省 211工程院校 985工程院校

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

弹头和诱饵的释放过程

图 1.2 灰度时间序列特征提取流程图间序列数据库的获取。为得到目标的灰度道导弹为原型，对几种典型中段目标（弹头辐射特性进行了建模与仿真，设计了相关手段，模拟生成了目标灰度时间序列数据和挖掘。序列分类问题中的改进。为应用 XCS 对序统结构、学习思想、工作流程和分类效果，本文从分类器属性划分，新参数引入和进，而后分别进行了二进制序列和整数序 XCS 拥有更加优越的学习和分类性能。间序列数据库的参数化表征。为降低目学习，本文结合目标灰度时间序列的特点用参数拟合的方法表征灰度时间序列的整利用灰色系统的思想对灰度时间序列的长

图 3.7 覆盖机制的工作过程一般的，为保证匹配集[M]中拥有多种不同的动作，XCS 需设定最小动 θmna（minimal number of actions），该值一般为系统在当前状态下可选的。当[M]中的动作数小于θmna时，覆盖机制会产生一个新的分类器，该分态与环境状态相匹配，动作在当前[M]不包含的动作中随机选取，然后[P]，重新生成[M]。覆盖机制一般发生在种群初始化为空集的学习开随着学习次数的增加，覆盖机制被激活的频率会逐渐下降。遗传算法(GA)是种群[P]中分类器演化更新的根本方法，是 XCS 淘汰适分类器、遗传和保留高适应度分类器的途径，其工作流程如下：GA合并操作子代分类器父代分类器变异GA选择交叉θGAχμFθ插入GAsub 初始化平均适应度 删除投票值GA删除 投票值更新n, asθdel, δ删除概率N


本文编号：3074915