基于支持向量机的弹道识别及其在雷达弹道外推中的应用

支持向量机(SVM )是一种基于结构风险最小化原理的分类技术,也是一种具有很好泛化性能的回归分析方法。本文用SVM分类方法对弹道类型进行识别,用SVM回归方法对不同类型的弹道数据分别建模,进而对弹道起点进行有效预测。仿真结果表明,该方法识别精度高,在SVM弹道识别的基础上,还可以有效提高弹道外推精度。

一种基于SVM的炮位校射雷达弹道外推新方法

SVM是一种理论依据充分的机器学习新算法,主要用于对有限个样本的分类识别和回归建模。将一条弹道视为一个训练样本,利用SVM回归方法在不同弹道之间归纳弹道落点的规律,从而可以对未知弹道的落点进行预测。将SVM引入弹道外推是重要创新,构建具有代表性的训练样本,以及统一样本空间维数等是技术创新。仿真实验表明,SVM可以提高弹道外推精度,同时缩短外推时间。

基于支持向量机的雷达弹道外推方法仿真研究

支持向量机是一种求解回归预测问题的优秀决策方法,具有坚实的理论基础和优秀的预测性能。为解决目前雷达弹道外推中存在的精度不高和不能有效识别弹道等问题,对基于支持向量机的雷达弹道外推方法进行了仿真设计,并通过仿真弹道模拟雷达采样,进行了仿真实验。仿真实验结果表明:基于支持向量机的雷达弹道外推方法实用可行,可以获得较高的外推精度,并且能够有效地进行弹道识别。

数字滤波技术在弹道外推中的应用——α-β滤波器及α-β-γ滤波器

文章说明,在进行常规弹丸的弹道外推,推算弹丸落点时,若不考虑机动性,利用最小二乘α-β滤波与用卡尔曼滤波两者分别进行跟踪滤波比较,在落点、精度上相近,而α-β滤波减少了一多半的计算量.在弹道外推中,α-β滤波器是一种适用的滤波器形式.

基于支持向量机的雷达弹道外推方法研究

支持向量机是一种求解回归预测问题的优秀决策方法,具有坚实的理论基础和优秀的预测性能.为解决目前雷达弹道外推中存在的外推准确率不高和不能有效地进行弹道识别等问题,用基于支持向量机的方法对雷达探测弹道进行了外推研究,并通过仿真弹道模拟雷达采样进行了仿真实验,仿真实验结果表明:基于支持向量机的雷达弹道外推方法实用可行,可以获得较高的外推精度,并且能够有效地进行弹道识别.

校射时弹道外推精度的提高及外推误差估计

考虑到地炮侦校雷达中校射时弹道外推的特点,以带有偏流项的修改动态质点方程为基础,设计了一个用于弹道外推的推广卡尔曼滤波器。提出了估计弹道外推误差方差的方法。给出了计算机模拟结果。

校射时弹道外推精度的提高及外推误差估计

考虑到地炮侦校雷达中校射时弹道外推的特点,以带有偏流项的修改动态质点方程为基础,设计了一个用于弹道外推的推广卡尔曼滤波器.提出了估计弹道外推误差方差的方法,给出了计算机模拟结果.

拟合弹道系数法进行弹道外推的研究

弹道系数Cb是影响弹道外推的重要参数。当前,在弹道外推计算时Cb的值主要依靠经验进行人工估计,其精度较差,从而影响外推精度。为提高弹道外推的精度,文中提出了一种利用拟合弹道系数C＊b进行外推的方法,该方法根据弹道测量数据求C＊b,而且能将各种射击条件的探测误差折合进弹道系数,保证了射击条件探测误差较大情况下的外推精度,具有很强的实用性。仿真结果表明,外推误差在0~0.3%D范围的概率达99.5%以上。

基于BP网络的运载火箭主动段弹道外推算法

针对火箭主动段飞行过程中,插值外推等算法时间短,目标丢失后测控设备无法快速重捕目标的问题,采用BP神经网络,以实际测量的相关联数据作为训练样本,通过指导式学习算法对火箭主动段的弹道进行预测。仿真实验表明,相比较以往的插值外推算法,基于BP神经网络对火箭主动段外弹道的预测时间长、精度高,能有效地提高引导的精度和可靠性。

基于几何距离准则的弹道外推方法

为提高雷达软件系统弹道导弹弹道外推的精度,提出一种基于三维空间几何距离准则的弹道外推方法。该方法基于在地球惯性坐标系中标准弹道为位于过地球质心的一个二维平面内的椭圆这一事实,首先由拉格朗日数乘法确定椭圆所在的平面,使所有量测点到该平面的几何距离平方和最小,然后用各量测点在平面内的投影点代替原始点迹,在平面内用最小二乘法作平滑,确定椭圆方程,最后取中点进行弹道外推。应用STK软件进行弹道仿真,结果表明这一方法可以明显提高弹道外推的精度。

基于遗传算法的弹道外推方法

传统弹道外推方法采用质点弹道方程进行外推,当外推距离过长可能会产生外推精度降低的问题,针对此问题,提出了基于遗传算法的弹道外推方法。从六自由度弹道方程入手,对只有位置和速度数据的雷达弹道测量信息进行分析处理,利用相邻测量点的弹道连续性,应用遗传算法实时辨识弹丸姿态角,建立了基于遗传算法的六自由度弹道外推方法,并外推弹道落点。仿真与试验的结果表明,该方法有效和可行。方法也可扩展到四自由度、五自由度等其他模型的弹道外推,可为准确外推弹丸落点和提高火控精度提供新的技术支持。

基于聚类思想的弹道外推算法研究

为了提高炮位侦察校射雷达中炮位侦察定位精度同时提升外推结果一致性,本文引入聚类思想,建立了基于K-均值聚类的弹道外推模型。该模型采用七态无迹卡尔曼滤波算法对量测数据进行多次滤波,然后利用4阶龙格-库塔积分方法对火炮位置进行外推,最后对多次外推结果进行K-均值聚类处理,采用综合多因子方法计算簇品质,选取最优簇对应的聚类中心作为最终的火炮位置进行输出。实验结果表明,该弹道外推算法显著提升了外推结果的一致性及定位精度。

基于Hermite插值的弹道外推算法

在利用外引导数据进行引导时,由于数据传输的延迟,需对弹道数据进行外推处理。本文提出了一种高阶赫米特插值算法用来进行弹道预测。相对于以往的线性外推,Hermite插值算法具有较高的精度,在目标速度变化较快时,能有效的提高引导精度。

基于平滑优化的弹道导弹落点外推方法

为提高雷达弹道导弹落点外推的精度,提出了一种基于平滑优化思想的弹道导弹落点外推方法。在对雷达量测按时间先后顺序进行常规滤波之后,先进行一次平滑,优化时间靠前的点迹信息,再对优化后的点迹信息按时间反向顺序进行二次平滑,对最新关联点迹信息进行二次优化,最后利用二次优化的最新关联点作为初始点进行落点外推。利用系统工具箱(STK)软件进行弹道仿真试验,结果表明该方法可以有效提高落点外推的精度。

非惯性运动目标弹道预报技术探讨

动能拦截弹的助推段和中段一般针对预测命中点实施制导,这是以目标弹道预报为前提的。空天防御体系的作战对象将来要面对具有大机动能力非惯性运动目标,因此非惯性弹道预报技术将是空天防御技术的难点和关键技术之一。首先分析了非惯性目标运动与控制的特性,讨论了大升阻比空天飞行器的控制原理、飞行约束条件与制导方法,从而探讨非惯性弹道预报的技术可行性。根据现有技术条件,分析了非惯性运动目标弹道预报的关键技术以及弹道外推预报的方法。

基于Boosting学习算法的雷达弹道识别

弹道外推技术在炮位雷达的侦察和校射中起关键作用，弹道外推的精度直接决定着炮位侦察校射雷达的性能。在文献[1]中，作者提出了将弹道外推分为弹道识别和特定弹道外推两个阶段，并用支持向量机方法对弹道识别进行了系统研究。文中引进Boosting学习算法进行弹道识别。仿真结果表明，基于决策树的Boosting学习算法是一种有效的弹道识别方法，并且识别精度高于基于核技巧的支持向量机方法。

基于主动段状态估计的弹道估计方法研究

在不具备目标先验信息的情况下,提出了采用基于主动段运动状态估计外推弹道参数的方法,完成对弹道导弹目标的弹道估计和落点预报任务.仿真结果表明,该方法脱离了弹道模板的制约,能够得到比较好的估计结果,具有一定的实用性和研究价值.

基于无迹卡尔曼滤波算法的弹道落点预测方法

为解决靶场理论弹道和外测飞行目标实时信息预测落点预测时间长,不能清晰及时预测飞行轨迹等问题,提出一种改进的弹道落点预测方法。从弹道模型出发建立基准模型坐标系,将外测设备参数配置于基准模型坐标系,实时采集的外测设备数据采用无迹卡尔曼滤波(unscentedkalmanfiltering,UKF)算法滤波处理后获得融合轨迹,并通过Runge-Kutta算法进行外推计算以进行落点预报。经Matlab仿真分析和实际效果验证,该方法的结果更加精确且适用性更强。

地炮定位雷达中定位误差方差的估计

介绍了利用卡尔曼滤波器估计弹道参数进而外推出敌方炮位的方法。提出了估计定位误差方差的方法。计算机模拟结果表明，这种方法具有较高的估计精度。定位误差方差的实时估计，对指挥员作出正确的射击决策具有指导作用。