[發(fā)明專利]基于二叉決策樹的攔截交會條件分析方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202310395622.8
• 申請日: 2023-04-13
• 公開（公告）號: CN116522249A
• 公開（公告）日: 2023-08-01
• 發(fā)明（設(shè)計）人: 梁壯;沈皓敏;陳天予;徐培;顧村鋒;賈軍;張迪;楊陽;李信淦;李航宇;劉觀發(fā);魏凌云
• 申請（專利權(quán)）人: 上海機電工程研究所
• 主分類號: G06F18/243
• 分類號: G06F18/243;G06F18/214;G06F16/901
• 代理公司: 上海漢聲知識產(chǎn)權(quán)代理有限公司 31236
• 代理人: 胡晶

本發(fā)明提供了一種基于二叉決策樹的攔截交會條件分析方法及系統(tǒng)，包括：建立交班條件數(shù)學模型；根據(jù)飛行器探測裝置測量噪聲、目標傾向與徑向機動噪聲的隨機分布特性，設(shè)定交班條件數(shù)學模型中交會角度、初始相對距離以及飛行器目標速度比的區(qū)間，通過相對運動模型產(chǎn)生訓練數(shù)據(jù)；利用標注的訓練數(shù)據(jù)對二叉決策樹模型進行訓練，根據(jù)受試者工作曲線ROC對所得到的二叉決策樹模型進行評估，當評估滿足預(yù)設(shè)要求時，得到訓練后的二叉決策樹模型；基于訓練后的二叉決策樹模型，將二叉決策樹根據(jù)各層節(jié)點的約束條件和分叉端點數(shù)據(jù)，提取交班條件規(guī)則，通過交班條件中各要素的區(qū)間的集合交并運算，得到具備可解釋性的集合形式的交班條件規(guī)則。

技術(shù)領(lǐng)域

本發(fā)明涉及飛行器制導(dǎo)控制技術(shù)與基于統(tǒng)計的機器學習技術(shù)領(lǐng)域，具體地，涉及基于二叉決策樹的攔截交會條件分析方法及系統(tǒng)，主要應(yīng)用于提供了一種分析飛行器非線性模型以及建立初始交會條件與制導(dǎo)精度之間關(guān)系的方法。

背景技術(shù)

針對高速大機動目標的攔截一直是飛行器制導(dǎo)領(lǐng)域中的疑難問題，而在不同的交會條件下，對于目標的機動方式、機動大小以及導(dǎo)引頭的探測噪聲的適應(yīng)能力是不同的，所以為保證制導(dǎo)精度要求，交會條件的分析是必要的。

攔截過程中的彈目相對運動模型是一個具有非線性隨機輸入的復(fù)雜模型，直接針對這種模型進行分析的方法很少，且無法分析得到較好的結(jié)果形式。目前，對于非線性系統(tǒng)的分析方法主要有蒙特卡羅統(tǒng)計分析法(Monte?Carlo?Method)，協(xié)方差分析描述函數(shù)法(CADET)和伴隨方法(Adjoint?System?Analys?is?Method)。協(xié)方差分析法可統(tǒng)計系統(tǒng)中的隨機因素引起的誤差特性，適用于復(fù)雜非線性系統(tǒng)的分析。與Monte-Carlo方法相比較，其計算量較小。對非線性系統(tǒng)進行分析時，線性化過程會降低其分析結(jié)果的精度。但是仍無法獲得期望的交會條件與攔截脫靶量之間的關(guān)系。伴隨法主要應(yīng)用于各隨機因素和擾動對于制導(dǎo)系統(tǒng)精度的影響，其優(yōu)勢在于對制導(dǎo)系統(tǒng)的精度分析。蒙特卡羅統(tǒng)計分析一般是通過大量仿真尋求一定的統(tǒng)計規(guī)律，理論上可以獲得交會條件的統(tǒng)計分析結(jié)果，但一般結(jié)果都是以數(shù)學期望或者標準差等指標參數(shù)給出，分析結(jié)果無法直接揭示期望的交會條件與脫靶量之間的關(guān)系，也不易于進一步應(yīng)用到設(shè)計問題當中。

對于這種尋求模型輸入輸出之間的關(guān)系的問題，機器學習方法是一種常用的工具。例如，通過神經(jīng)網(wǎng)絡(luò)和決策樹都可以在一定程度上擬合或者逼近期望模型。決策樹是另一種常用方法，對于非線性模型的回歸和分類問題，其學習效果較好，且結(jié)果形式直觀，可直接反映出輸入輸出之間的關(guān)系，便于進一步分析。因此本發(fā)明應(yīng)用決策樹理論為交會條件的分析提供了一種有效可行的方法。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種基于二叉決策樹的攔截交會條件分析方法及系統(tǒng)。

根據(jù)本發(fā)明提供的基于二叉決策樹的攔截交會條件分析方法，包括：

步驟S1：基于飛行器-目標相對運動關(guān)系建立交班條件數(shù)學模型；

步驟S2：根據(jù)飛行器探測裝置測量噪聲、目標傾向與徑向機動噪聲的隨機分布特性，設(shè)定交班條件數(shù)學模型中交會角度、初始相對距離以及飛行器目標速度比的區(qū)間，通過飛行器與目標在慣性視線系下的相對運動模型產(chǎn)生訓練數(shù)據(jù)并存儲；

步驟S3：對訓練數(shù)據(jù)進行標注，并利用已標注的訓練數(shù)據(jù)對二叉決策樹模型進行訓練，建立初始交班條件與末制導(dǎo)脫靶量的關(guān)系，根據(jù)受試者工作曲線ROC對所得到的二叉決策樹模型進行評估，當評估滿足預(yù)設(shè)要求時，則得到訓練后的二叉決策樹模型，否則繼續(xù)訓練；

步驟S4：基于訓練后的二叉決策樹模型，將二叉決策樹根據(jù)各層節(jié)點的約束條件和分叉端點數(shù)據(jù)，提取交班條件規(guī)則，通過交班條件中各要素的區(qū)間的集合交并運算，得到具備可解釋性的集合形式的交班條件規(guī)則。

優(yōu)選地，所述步驟S1采用：根據(jù)高速飛行器對目標的末制導(dǎo)攔截過程，構(gòu)造由交會角度、初始相對距離以及飛行器目標速度比組成的交班條件數(shù)學模型；