基于卷积神经网络的毁伤效能评估和火力规划方法与流程

1.本发明涉及毁伤效能评估和火力规划，具体涉及一种基于卷积神经网络(cnn)的毁伤效能评估和火力规划方法。


背景技术：

2.目前的毁伤效能评估和火力规划方法有如下缺点：
3.(1)毁伤效能评估时，基本都基于毁伤半径的概念，与实际相差较远，毁伤效能评估不理想，进而导致火力规划方案在实际中无法达到预期效果。
4.(2)毁伤效能评估时，未考虑探测误差带来的目标位置的不确定性，实际中探测误差可能很大，严重影响毁伤效能。
5.(3)针对多(大于4)边形面目标时，没有很好地划分出面目标的有效面积，同时在计算毁伤效能时，往往将毁伤幅员近似成圆形或椭圆形，与真实毁伤幅员(元宝形、月牙形等)差别很大，在毁伤评估时误差较大。


技术实现要素：

6.本发明提供了一种基于卷积神经网络的毁伤效能评估和火力规划方法，能够充分考虑各种不确定性随机因素的影响，提高火力规划的合理性和精度。同时，将毁伤概率评估的过程看作图像到数值的回归问题，训练毁伤评估的卷积神经网络模型，进而解决火力规划耗时的难题。
7.有益效果：
8.本发明的毁伤效能评估中引入了卷积神经网络，通过将目标二维投影的几何外形及坐标、相应的瞄准点坐标转化为图像，基于图像处理的方式，通过构建卷积神经网络去预测任意给定瞄准点下对该目标的毁伤概率，使得毁伤效能的评估过程非常直观，同时为快速进行火力规划提供保障。本发明的毁伤效能评估中引入了目标位置和导弹瞄准点的不确定性，所得评估结果更符合真实情况。
9.本发明的毁伤效能评估中，对于多边形面目标，本发明在通过毁伤幅员评估毁伤效能时，根据不同工况下，战斗部破片实际分布设计毁伤幅员，通过读取仿真或实验数据生成的地面网靶文件中各个区域的破片分布数量拟合形成较圆形和椭圆更为精准的毁伤幅员。首先将面目标按外接矩形切割成若干个矩形面元，然后识别其中在面目标内的矩形，标记为有效面元。此时，只需计算被毁伤的有效面元数量占总有效面元数量的比重，即可得到当前导弹对目标的毁伤概率。
10.本发明的毁伤效能评估中，对于远距离作用式导弹，借鉴卷积滤波器原理，设计一种数据提取方式，可以灵活组合横(m)、纵(n)有效面元的数量，将多个有效面元(m*n)组合成一个大面元，将大面元作为新的有效面元进行单枚导弹对目标的毁伤概率计算，在计算时只要判断大面元被毁伤，即认为大面元内所有有效面元均被毁伤，不需要再对每个有效面元进行遍历，只需要遍历大面元即可，可极大地提高计算效率。
11.本发明的火力规划方法，由于毁伤概率评估基于毁伤效能评估代理模型进行，优化仅需不断调用毁伤效能评估代理模型，有效解决了火力规划计算耗时的难题。
12.本发明的火力规划方法，根据给定的题设条件，采用遗传算法等智能优化算法求解优化问题，得到火力规划的最佳方案，保证优化全局最优解的获取。
附图说明
13.图1为本发明卷积神经网络结构图。
14.图2(a)为本发明的面目标的有效面积分割时的有效面元示意图。
15.图2(b)为本发明的面目标的有效面积分割时的多个有效面元(m*n)组合成一个大面元示意图。
16.图3为本发明火力规划流程图。
具体实施方式
17.下面结合附图，对本发明进行详细描述。
18.本发明的基于卷积神经网络的毁伤效能评估方法，包括如下步骤：
19.步骤1，构建基于卷积神经网络的毁伤效能评估代理模型，具体如下：
20.考虑到整个火力规划中最为耗时的部分为毁伤效能评估，尤其是需要考虑探测、制导和毁伤等多源不确定性，当涉及优化迭代后，整个火力规划面临计算量大的问题，无法满足战场快速规划的需求。为此，利用图像处理领域的深度学习技术，通过设计网络的卷积层、池化层和线性层，构建基于卷积神经网络的毁伤效能评估代理模型，本发明的卷积神经网络结构图如图1所示。
21.所述毁伤效能评估代理模型输入为图像，所述图像为数据形式的目标信息和对应导弹瞄准点分布信息转化得到的图像，所述目标信息包括目标类别、几何外形尺寸和坐标；
22.所述毁伤效能评估代理模型输出为目标信息和导弹瞄准点分布信息对应的毁伤概率。
23.步骤2，针对不同用弹量、不同类别目标，生成一定数量的训练样本和测试样本，并将打击目标的几何外形尺寸、类别、导弹瞄准点分布转化为图像格式，与各自打击情况下的毁伤概率一一对应，具体为：
24.在多组不同目标信息和对应导弹瞄准点分布信息下，分别根据目标类别和几何外形尺寸得到表征导弹对目标是否毁伤的毁伤矩阵；根据目标坐标得到目标位置的散布律；根据导弹瞄准点分布信息得到导弹瞄准点的散布律；
25.根据毁伤矩阵、目标位置的散布律以及导弹瞄准点的散布律，获得多组不同目标信息和对应导弹瞄准点分布信息对应的毁伤概率；
26.将多组不同目标信息和对应导弹瞄准点分布信息分别转化为图像，得到多组图像；
27.将多组图像与各自的毁伤概率一一对应，作为训练样本和测试样本；
28.其中，对具有一定职能的、尺寸相对较小的单个小目标，比如：一架飞机、一艘舰艇、一辆坦克。根据目标侦查误差(tep)得到目标位置的散布标准差σ
t
＝tep，根据导弹cep
获得弹着点散布规律或cep，得弹着点分布标准差认为两种散布律均服从零均值正态分布。
29.对于远距离作用式导弹，引入坐标毁伤矩阵的概念，进而更加精确地评估对目标的杀伤效果。单枚导弹对目标的毁伤概率为：
[0030][0031]
其中，(x,y)表示目标位置；g(x,y)是由毁伤幅员转化而来的毁伤矩阵，表征导弹对面目标某一处是否毁伤，毁伤则为1，反之为0；f(x,y)表示目标位置的散布律；l(x,y)表示导弹瞄准点的散布律。
[0032]
对于多边形面目标，由于目标面积较大，几乎无法获取有效的毁伤矩阵，因此一般通过毁伤幅员，计算被毁伤的面积占总面积的比重来评估毁伤效能。
[0033]
在通过毁伤幅员评估毁伤效能时，一改往常将毁伤幅员近似成圆或椭圆等与真实情况相差极大的几何形状，根据不同工况下(导弹不同落速、落角等)，战斗部破片实际分布设计毁伤幅员，通过读取仿真或实验数据生成的地面网靶文件中各个区域的破片分布数量拟合形成较圆形和椭圆更为精准的毁伤幅员。首先将面目标按外接矩形切割成若干个矩形面元，然后识别其中在面目标内的矩形，标记为有效面元，如图2(a)所示。此时，只需计算被毁伤的有效面元数量占总有效面元数量的比重，即可得到当前导弹对目标的毁伤概率。
[0034]
单枚导弹对目标的毁伤概率计算方式为：
[0035][0036]
其中，g(x
‑
x
′
,y
‑
y
′
)是表示单次射击的坐标毁伤律，表征导弹对面目标某一处是否毁伤，毁伤则为1，反之为0，其中，x'和y'表示的是面目标的中心面元坐标。
[0037]
单枚导弹对目标的毁伤概率可以通过蒙特卡洛积分来实现：
[0038][0039]
其中，n为对导弹瞄准点和目标位置根据散布律抽样的数量；f
j
(s)为第j个抽样点在单发导弹对面目标作用下，对面目标的被毁伤面积的占比；m表示有效面元的数量，(x
i
,y
i
)表示第i个有效面元的中心点坐标。
[0040]
对于远距离作用式导弹，由于其毁伤面积很大，如果逐个有效面元去计算是否被毁伤，计算效率很低，因此借鉴卷积滤波器原理，设计一种数据提取方式，可以灵活组合横(m)、纵(n)有效面元的数量，将多个有效面元(m*n)组合成一个大面元，如图2(b)所示，在计算时只要判断大面元被毁伤，即认为大面元内所有有效面元均被毁伤，不需要再对每个有效面元进行遍历，只需要遍历m
s
(m
s
<m)个大面元即可，可极大地提高计算效率。
[0041]
真实战场上，往往不会仅采用一枚导弹或同一种导弹，此时需要考虑多(类型)导弹对目标的毁伤效能评估，默认导弹采取连射的方式，且不存在系统误差(瞄准误差)。对于点目标，k枚连射导弹对目标的毁伤概率为：
[0042][0043]
其中，p
i
为第i发导弹对目标的毁伤概率，由式(1)计算得出。
[0044]
对于面目标，则k次独立射击下，对面目标内有效面元的毁伤不叠加计算，对目标的毁伤概率，即：总的平均相对杀伤面积为：
[0045][0046]
其中，n为对导弹瞄准点和目标位置根据散布律抽样的数量，f
j*
(s)表示在k发导弹对面目标共同作用下，第j个抽样点对面目标的被毁伤的面积占比。
[0047]
步骤3，利用训练样本训练所述毁伤效能评估代理模型，所述毁伤效能评估代理模型通过卷积神经网络从训练样本的图像中提取目标信息和导弹瞄准点分布信息进行训练，并利用测试样本测试训练后的毁伤效能评估代理模型精度。
[0048]
步骤4，按预先设计好的方法将待评估的目标信息(尺寸、类别)和导弹瞄准点分布信息转化为图像，利用训练完成后的毁伤效能评估代理模型预测毁伤概率，完成毁伤效能评估。
[0049]
其中，所述毁伤效能评估代理模型中引入了目标位置和导弹瞄准点的不确定性，所得评估结果更符合真实情况。进一步地，引入了卷积神经网络，通过将目标二维投影的几何外形及坐标、相应的瞄准点坐标转化为图像，基于图像处理的方式，通过构建卷积神经网络去预测任意给定瞄准点下对该目标的毁伤概率，使得毁伤效能的评估过程非常直观，同时为快速进行火力规划提供保障。
[0050]
因此，在本发明基于卷积神经网络的毁伤效能评估方法的基础上，本发明还提供了一种火力规划方法，无论对于单个点目标还是面目标，火力规划实质均可归纳为求解给定用弹量k的情况下，寻找最优瞄准点坐标(x
m
,y
m
)(m＝1,2,...,k)，以使得总毁伤概率最大。
[0051]
具体地，给定预期毁伤效能下的火力规划问题为：
[0052][0053]
其中，x
l
,x
u
,y
l
和y
u
为瞄准点的范围，根据实际目标位置、幅员、侦察误差、以及战斗部毁伤幅员设定。
[0054]
若要求解给定预期毁伤效能下的火力规划问题，则可按图3所示流程进行，首先给定初始用弹量k＝n0，n0为评估用弹量的起点，实际规划中可根据某类目标的毁伤要求，给出n0默认值的推荐值，一般默认n0＝1。随即需要调用式(6)所示的火力规划模型求解当前用弹量下的最优瞄准点和最大毁伤概率，即求解器通过将目标信息(尺寸、类别)和瞄准点转化为图像，然后不断调用本发明训练好的毁伤效能评估代理模型，计算在不同瞄准点下的毁伤概率，进而找到使毁伤概率最大的瞄准点坐标。如果当前用弹量下的最大毁伤概率不满足给定预期，则需要将用弹量k+1，继续调用式(6)进行求解，直至优化得到的最大毁伤概率
满足预期，输出当前的用弹量k，最优瞄准点坐标和当前的毁伤概率。
[0055]
根据给定的题设条件，为了保证优化全局最优解的获取，采用遗传算法等智能优化算法求解式(6)所示的优化问题，得到火力规划的最佳方案。由于毁伤概率评估基于毁伤效能评估代理模型进行，优化仅需不断调用毁伤效能评估代理模型，有效解决了火力规划计算耗时的难题。
[0056]
综上所述，以上仅为本发明的实施方案，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。