[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

本發明公開一種結合機器學習和物理機理的導體目標RCS預測方法，具體按照以下步驟實施：步驟1：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，尋找最合適的核函數；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。該方法解決了現有RCS獲取技術中單純依賴物理方法或機器學習方法存在的精度不高的問題。

技術領域

本發明屬于電磁散射計算技術領域，具體涉及一種結合機器學習和物理機理的導體目標RCS預測方法。

背景技術

導體目標的電磁散射特性研究在目標識別、雷達設計、隱身和反隱身技術中至關重要，雷達散射截面(Radar?Cross?section，RCS)是反映導體目標電磁散射特性的重要物理量，用來量化目標截獲和散射電磁波的能力。

一般而言可通過傳統算法和機器學習兩種方式獲取RCS數據。傳統算法，如矩量法(Method?of?Moments，MoM)、時域有限差分法(Finite-Difference?Time-Domain，FDTD)、物理光學法(Physical?Optics，PO)等，能實現RCS數據的有效獲取。但需要采集的RCS數據量較大或要求精度較高時，各傳統方法的弊端逐漸暴露，如PO精度不高使其具有一定的局限性，FDTD和MoM計算RCS時的時間成本和硬件成本大幅增加，甚至于受條件限制不能獲取。雖然后面發展中出現了一些加速算法，如快速多極子、GPU加速算法和空域求解等，在加速單點計算過程中效果顯著，但當計算頻點數和空間采樣數很多時，傳統算法消耗的時間還是很多。近年來，機器學習因其優異的非線性表達能力，在電磁學領域有了廣泛的應用。如使用高斯過程回歸預測導彈的電磁相應，應用機器學習方案分析有限長介質柱體的極化雙站散射等，均能根據已有數據快速進行預測，從而快速豐富數據庫，但因其只是從數學上發現數據的變化規律并進行預測，精度還需進一步提高。

發明內容

本發明的目的是提供一種結合機器學習和物理機理的導體目標RCS預測方法，解決了現有RCS獲取技術中單純依賴物理方法或機器學習方法存在的精度不高的問題。

本發明所采用的技術方案是，結合機器學習和物理機理的導體目標RCS預測方法，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，尋找最合適的核函數，從而產生優化的以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。

本發明的特征還在于，

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；