[發明專利]一種基于回歸模型的三角反射器優化方法

在審

• 申請號: 202211234396.7
• 申請日: 2022-10-10
• 公開（公告）號: CN115455613A
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 盛新慶;馮濤;郭琨毅
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F111/06
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 周蜜

本發明提出了一種基于回歸模型的三角反射器優化方法，能夠根據實戰需要設定不同的優化目標函數及目標函數值，快速得到優化結果，其優化精度亦滿足工程設計需求。通過建立三角反射器陣列結構參數與RCS特性的回歸模型，作為三角反射器優化設計中RCS特性“求解器”，解決了基于電磁仿真計算進行優化存在的計算規模巨大的難題，并可根據實戰需要設定不同的優化目標函數及目標函數值，快速得到優化結果，其優化精度亦滿足工程設計需求。

技術領域

本發明涉及信號特征控制技術領域，具體涉及一種基于回歸模型的三角反射器優化方法。

背景技術

三角反射器具有強反射回波、對雷達極化不敏感以及多頻段適用性好等特點，已經廣泛應用于無源干擾及定標體裝備中。常見的三角形三面角反射器由三面相互垂直的三角形平板組成，可在約40度的觀察角內產生較大的雷達散射截面(RCS)，軍事領域中利用三角反射器組陣假目標及靶標的方式多見雙層環形布設、正多面體布設等形式。存在的主要問題：一是隨著偵察衛星、電子偵察飛機的高效性和時效性，固定式假目標的實戰效能出現“斷崖式”下降；二是三角反射器陣列RCS起伏振蕩范圍較大，導致干擾效能減弱及武器系統的定位誤差；三是常見三角反射器組陣假目標存在的架設時間長、人員需求多等缺點導致不能滿足應急作戰需求。

為了提高三角反射器用作軍事假目標的效能，出現了不少改進型的三角反射器設計。比如，將三角反射器的垂直面分解成多個葉片，通過旋轉葉片角度改變RCS特征；在三角反射器反射面確定半橢圓形凹陷結構、梯形切割等方式改進RCS特征；在三角反射器表面涂覆吸波涂層改進RCS特征。三角反射器陣列組陣方式研究多集中在衛星及機載激光測距領域，對三角反射器組陣假目標的研究不多。現有技術中大多是基于對改變結構的三角反射器進行仿真計算，得到對應RCS特性，進而選擇三角反射器的結構改變參數。存在以下問題：

常見三角反射器設計中多采取的是變量間隔采樣測試的方法尋優，結論說服力不高。三角反射器陣列設計中的仿真計算量問題與計算資源、設計時效比的矛盾難以解決。

發明內容

有鑒于此，本發明提出了一種基于回歸模型的三角反射器優化方法，能夠根據實戰需要設定不同的優化目標函數及目標函數值，快速得到優化結果，其優化精度亦滿足工程設計需求。

為實現上述目的，本發明的技術方案為：

本發明的一種基于回歸模型的三角反射器優化方法，包括如下步驟：

步驟一：選擇目標RCS求解方法；

步驟二：確定三角反射器陣列結構參數；根據三角反射器幾何結構和陣列方式，確定優化變量及變量范圍；

步驟三：基于改進的格柵序列法，以空間填充方式對步驟二確定的優化變量進行數據采樣，得到采樣數據；

步驟四：利用步驟三的采樣數據建立三角反射器陣列，采用步驟一確定的目標RCS求解方法，通過電磁仿真計算得到三角反射器陣列RCS特性基礎數據；

步驟五：將步驟三的采樣數據和步驟四的RCS特性基礎數據作為神經網絡學習的樣本數據，建立結構參數和目標RCS特性的回歸模型；具體方式為搭建神經網絡學習環境，將步驟三的第1組變量采樣點、步驟四的三角反射器RCS特性基礎數據合并，作為神經網絡學習的樣本數據，基于Levenberg-Marquardt反向傳播算法進行神經網絡訓練并生成變量與RCS特性的回歸模型；

步驟六：根據用戶需求設置優化目標函數，根據目標函數數量、性質及相互關系選擇優化算法，使用步驟五的回歸模型作進行智能優化并得到優化結果。

其中，所述步驟一中，根據三角反射器陣列的幾何結構和作戰對象工作頻率，考慮求解精度和優化時效比，選擇三角反射器陣列RCS求解方法。