[發明專利]結合機器學習和物理機理的導體目標RCS預測方法

在審

• 申請號: 202310026682.2
• 申請日: 2023-01-09
• 公開（公告）號: CN116011588A
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 肖東海;侯牡玉;左炎春;呂冰;劉偉;郭立新
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06F17/16
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 徐瑤

1.結合機器學習和物理機理的導體目標RCS預測方法，其特征在于，具體按照以下步驟實施：

步驟1：基于物理光學法和支持向量回歸方法，將PO機理下的導體目標單站RCS計算公式用類比的方法在形式上無限逼近SVR函數的形式；根據結合了物理先驗的SVR函數形式，產生優化的以PO激勵的SVR的函數式，簡稱IPOI-SVR；

步驟2：設計試驗過程采樣和預處理得到訓練數據集；

步驟3：根據步驟2采樣得到的數據集訓練步驟1提出的IPOI-SVR模型，得到預測導體目標RCS的近似函數；

步驟4：根據訓練出的近似模型，預測導體目標在不同方位角天頂角θ時的RCS。

2.根據權利要求1所述的結合機器學習和物理機理的導體目標RCS預測方法，其特征在于，步驟1具體按照以下步驟實施：

步驟1.1：首先確定物理光學法計算導體目標在不同方位角天頂角θ以及原點到觀察點的距離r處的單站散射電場的公式為：式中，j表示虛數單位，k為入射波矢量且k和η分別代表波數和波阻抗，代表第i_f個照射面，N是照射面的個數，r′代表源點；

針對不同角度下的后向電磁散射，r近似為定值；根據定積分的中值定理，得式中，為對應面的面積，是面上的點；則單站雷達散射截面的PO計算公式為：將簡寫為其中：式中，和均為函數形式；同樣地，非線性回歸的SVR函數f(x)的函數形式為：式中，x代表自變量，n為樣本數，α_i和為拉格朗日乘子，K(x,x_i)代表核函數，b為偏移量，為常數；針對不同角度下RCS的預測，令非線性回歸中的則SVR逼近函數可轉換為簡寫為式中

將RCS散射機制集成到SVR架構中，根據簡寫的計算的PO公式：和SVR模型：可得形式上，ρ_i對應于a_i，b對應于0，核函數對應于因此，IPOI-SVR模型的核函數表達形式為為了更好的泛化能力，將核函數表達形式寫為式中，f_i1和f_i2均表示函數形式；

步驟1.2：在現有的核函數庫中，選擇與IPOI-SVR核函數的形式相同或相近的具體核函數，若PO激勵的SVR函數形式和現有的核函數相同，則直接選用該核函數，若不存在相同的核函數，采用組合轉換的方法構造新的核函數；具體地，選用Morlet小波核函數替代有PO先驗的SVR核函數，式中，l是換算因數，ω₀是角頻率，D為最大尺寸；令根據Mercer定理，將各向同性的小波核函數轉換為二維各向異性核函數，令x₁＝θ,x₁′＝θ′,則有PO先驗的各向異性核函數最終為

3.根據權利要求2所述的結合機器學習和物理機理的導體目標RCS預測方法，其特征在于，步驟1.1中，為第i_f個面上的感應電流，其分為兩種情況：在受照面，在陰影面，式中，為E_inc(r)的單位向量，是第i_f個面的外單位法向量。