机器学习在电磁炮系统效能评估中的应用研究

发布时间：2020-07-13 16:41

【摘要】：武器装备的效能评估对装备的发展有至关重要的作用,高射武器是末端防空力量和现代战争的重要组成,电磁炮是新型高射武器系统的研发重点,因此对电磁炮系统进行效能评估是很有必要的。本文对电磁炮效能评估的研究主要分三个部分。首先研究的是电磁炮综合效能指标体系的构建,并对5个综合指标值的求解方法和思路进行了研究。然后研究的是与毁伤相关的命中效能,基于“某型电磁炮方案论证”项目,对电磁炮的命中概率计算相关的目标确定、诸元求解、误差分析等问题进行研究,并用MATLAB编写了电磁炮命中概率计算程序,给出了计算示例,与普通高炮的命中概率进行了对比。最后采用自适应粒子群和支持向量回归机、BP神经网络相结合的机器学习方法,对电磁炮的综合效能进行了研究。机器学习是当前大数据时代和人工智能时代的关键技术,效能评估技术需要紧跟时代的步伐,推陈出新,进行评估方法的创新研究。本文结合自适应粒子群算法的寻优特性,对支持向量机回归模型和BP神经网络进行调参优化,建立新的机器学习模型,作为电磁炮系统综合效能的评估模型,并对电磁炮系统的综合效能进行评估和分析。本文还对效能评估和机器学习的基础理论进行了较为系统的研究,并且介绍了后面机器学习所用数据的来源。数据是机器学习的基础,从数据中学习规律,确定模型的待定参数,从而得到模型用于评估分析。本文由某仿真系统,得到电磁炮的服务概率和毁歼概率主要数据,再结合WSEIAC的经典评估模型ADC法,求得电磁炮的综合效能,作为机器学习训练用到的完整数据集,用来进行监督学习。最后是模型的程序实现。本文采用当下人工智能领域应用最广的语言Python,编写了评估模型的主程序和特征工程的数据处理程序,导入数据并进行训练。并编写了机器学习性能度量指标的求解函数和评估结果的图像输出,用于更直观的观察模型对电磁炮综合效能评估的结果和模型的性能好坏。
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP181;TJ866
【图文】：

比例量,三角模糊数,定性指标

心理学家米勒（G.A. Miller）经过试验表明，普通人在判断不同的对象时，通常能够正确区别的等级在 5～9 级之间。所以我们一般使用 5～9 个量化级别来定量这些定性指标。这个定性指标的转化通常利用如表 2.1 的量化标尺。我们通常不使用 0 和 1，原因是为了方便使用这些数据。表 2.1 定性指标量化标尺0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.99 等级极差很差差较差一般较好好很好极好7 等级极差很差差一般好很好极好5 等级极差差一般好极好除了量化标尺量化法，我们还有将定性指标的语言值量化成模糊数的方法，比较常用的是梯形模糊数和三角模糊数，如图 2.4 所示为一种常见的三角模糊数两级比例量化发。这种方法的优点是能够有效地保存模糊信息，但缺点是计算过程很复杂，尤其是排序时的计算。

对比图,机器学习,人脑,对比图

图 2.5 机器学习和人脑思考对比图出本文用到的几个常用的机器学习相关基本术语做个简单的描述。所有经个“数据集”，将数据里的每一条数据叫做“样本”，每一条样本由多个“征”组成。本文中的五大综合效能指标即五个特征或属性。有监督的机器都有一个“标记”，本文所评估的综合效能值即标记值。数据集一般分为两用于“训练”模型，称为“训练集”，一般训练集所占数据集比例在 0.6-0则用于模型训练完成后的模型验证，称为“测试集”。训练所用的模型也称，本文中训练所用的学习器是基于自适应粒子群算法的改进 SVR 算法和改算法。训练得到的模型预测新数据的能力称为“泛化能力”，泛化能力越数据的适应能力就越强，即预测的准确性越高。机器学习训练流程

示意图,条件,目标,示意图

d fM M 是目标流中目标的等待范围。图3.5 对第i个目标服务条件示意图点iM 是当前服务目标第 i 个目标在航路上的位置，i1M 是前一个被服务目标的位置，服务时间st 对应的目标航程是e fM M ，bt 是第 i 1个目标被服务或来不及服务时第个目标到达过航点所需的时间，vt 是被服务目标流中两个目标之间的时间间隔，由 Possion分布同参数a 的负指数分布随机生成，求解后有平均间隔时间为1vat 。分析电磁炮对目标的服务概率需要做一些约定，点dM 是提供服务的最早点等待点

【相似文献】