基于二叉决策树的拦截交会条件分析方法及系统与流程

本发明涉及飞行器制导控制技术与基于统计的机器学习，具体地，涉及基于二叉决策树的拦截交会条件分析方法及系统，主要应用于提供了一种分析飞行器非线性模型以及建立初始交会条件与制导精度之间关系的方法。

背景技术：

1、针对高速大机动目标的拦截一直是飞行器制导领域中的疑难问题，而在不同的交会条件下，对于目标的机动方式、机动大小以及导引头的探测噪声的适应能力是不同的，所以为保证制导精度要求，交会条件的分析是必要的。

2、拦截过程中的弹目相对运动模型是一个具有非线性随机输入的复杂模型，直接针对这种模型进行分析的方法很少，且无法分析得到较好的结果形式。目前，对于非线性系统的分析方法主要有蒙特卡罗统计分析法(monte carlo method)，协方差分析描述函数法(cadet)和伴随方法(adjoint system analys is method)。协方差分析法可统计系统中的随机因素引起的误差特性，适用于复杂非线性系统的分析。与monte-carlo方法相比较，其计算量较小。对非线性系统进行分析时，线性化过程会降低其分析结果的精度。但是仍无法获得期望的交会条件与拦截脱靶量之间的关系。伴随法主要应用于各随机因素和扰动对于制导系统精度的影响，其优势在于对制导系统的精度分析。蒙特卡罗统计分析一般是通过大量仿真寻求一定的统计规律，理论上可以获得交会条件的统计分析结果，但一般结果都是以数学期望或者标准差等指标参数给出，分析结果无法直接揭示期望的交会条件与脱靶量之间的关系，也不易于进一步应用到设计问题当中。

3、对于这种寻求模型输入输出之间的关系的问题，机器学习方法是一种常用的工具。例如，通过神经网络和决策树都可以在一定程度上拟合或者逼近期望模型。决策树是另一种常用方法，对于非线性模型的回归和分类问题，其学习效果较好，且结果形式直观，可直接反映出输入输出之间的关系，便于进一步分析。因此本发明应用决策树理论为交会条件的分析提供了一种有效可行的方法。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种基于二叉决策树的拦截交会条件分析方法及系统。

2、根据本发明提供的基于二叉决策树的拦截交会条件分析方法，包括：

3、步骤s1：基于飞行器-目标相对运动关系建立交班条件数学模型；

4、步骤s2：根据飞行器探测装置测量噪声、目标倾向与径向机动噪声的随机分布特性，设定交班条件数学模型中交会角度、初始相对距离以及飞行器目标速度比的区间，通过飞行器与目标在惯性视线系下的相对运动模型产生训练数据并存储；

5、步骤s3：对训练数据进行标注，并利用已标注的训练数据对二叉决策树模型进行训练，建立初始交班条件与末制导脱靶量的关系，根据受试者工作曲线roc对所得到的二叉决策树模型进行评估，当评估满足预设要求时，则得到训练后的二叉决策树模型，否则继续训练；

6、步骤s4：基于训练后的二叉决策树模型，将二叉决策树根据各层节点的约束条件和分叉端点数据，提取交班条件规则，通过交班条件中各要素的区间的集合交并运算，得到具备可解释性的集合形式的交班条件规则。

7、优选地，所述步骤s1采用：根据高速飞行器对目标的末制导拦截过程，构造由交会角度、初始相对距离以及飞行器目标速度比组成的交班条件数学模型；

8、所述交班条件数学模型采用：

9、φ＝[ψ0 r0 kv]t

10、其中，ψ0表示初始交会角，r0表示飞行器与目标初始相对距离，kv表示飞行器目标速度比。

11、优选地，所述步骤s3采用：以预设值作为精确制导脱靶量的定量标准，选定拦截终端时刻的脱靶量作为分类标签，脱靶量高于预设值的数据为负样本，小于或等于预设值的数据为正样本，对训练数据进行标注；

12、所述拦截终端时刻的脱靶量采用：

13、

14、其中，r表示相对距离，tf表示终端时刻，表示视线角速率，表示接近速度，zem表示脱靶量。

15、优选地，所述初始交班条件与末制导脱靶量的关系采用：

16、zem(tf)～f(φ,x,u)

17、其中，f(φ,u)表示状态空间模型；x表示状态空间模型的状态变量；u表示状态空间模型的输入向量，包括：目标的测量机动加速度atn、轴向加速度att以及导引头的测量噪声φ表示初始交班条件。

18、优选地，所述步骤s3采用：根据受试者工作曲线roc对所得到的二叉决策树模型进行评估，包括：全局分类准确度、曲线下面积auc以及二叉决策树灵敏度。

19、优选地，所述步骤s4采用：基于训练后的二叉决策树模型依据树的叶节点、枝杈关系以及交会角度、初始相对距离以及飞行器目标速度比，提取相应的交班条件规则，通过以交会角区间、速度比区间以及相对距离区间构成的集合的交、并运算，得到满足精确制导要求的若干条规则：

20、ψ∈[ψa,ψb]∧kv∈[kva,kvb]∧r∈[ra,rb]。

21、根据本发明提供的一种基于二叉决策树的拦截交会条件分析系统，包括：

22、模块m1：基于飞行器-目标相对运动关系建立交班条件数学模型；

23、模块m2：根据飞行器探测装置测量噪声、目标倾向与径向机动噪声的随机分布特性，设定交班条件数学模型中交会角度、初始相对距离以及飞行器目标速度比的区间，通过飞行器与目标在惯性视线系下的相对运动模型产生训练数据并存储；

24、模块m3：对训练数据进行标注，并利用已标注的训练数据对二叉决策树模型进行训练，建立初始交班条件与末制导脱靶量的关系，根据受试者工作曲线roc对所得到的二叉决策树模型进行评估，当评估满足预设要求时，则得到训练后的二叉决策树模型，否则继续训练；

25、模块m4：基于训练后的二叉决策树模型，将二叉决策树根据各层节点的约束条件和分叉端点数据，提取交班条件规则，通过交班条件中各要素的区间的集合交并运算，得到具备可解释性的集合形式的交班条件规则。

26、优选地，所述模块m1采用：根据高速飞行器对目标的末制导拦截过程，构造由交会角度、初始相对距离以及飞行器目标速度比组成的交班条件数学模型；

27、所述交班条件数学模型采用：

28、φ＝[ψ0 r0 kv]t

29、其中，ψ0表示初始交会角，r0表示飞行器与目标初始相对距离，kv表示飞行器目标速度比。

30、优选地，所述模块m3采用：以预设值作为精确制导脱靶量的定量标准，选定拦截终端时刻的脱靶量作为分类标签，脱靶量高于预设值的数据为负样本，小于或等于预设值的数据为正样本，对训练数据进行标注；

31、所述拦截终端时刻的脱靶量采用：

32、

33、其中，r表示相对距离，tf表示终端时刻，表示视线角速率，表示接近速度，zem表示脱靶量；

34、所述初始交班条件与末制导脱靶量的关系采用：

35、zem(tf)～f(φ,x,u)

36、其中，f(φ,u)表示状态空间模型；x表示状态空间模型的状态变量；u表示状态空间模型的输入向量，包括：目标的测量机动加速度atn、轴向加速度att以及导引头的测量噪声φ表示初始交班条件；

37、根据受试者工作曲线roc对所得到的二叉决策树模型进行评估，包括：全局分类准确度、曲线下面积auc以及二叉决策树灵敏度。

38、优选地，所述模块m4采用：基于训练后的二叉决策树模型依据树的叶节点、枝杈关系以及交会角度、初始相对距离以及飞行器目标速度比，提取相应的交班条件规则，通过以交会角区间、速度比区间以及相对距离区间构成的集合的交、并运算，得到满足精确制导要求的若干条规则：

39、ψ∈[ψa,ψb]∧kv∈[kva,kvb]∧r∈[ra,rb]。

40、与现有技术相比，本发明具有如下的有益效果：

41、1、将交班条件分析问题转化为一种分类问题，由训练得到的树的模型并提取交会条件的规则，从而得到期望的分析结果；

42、2、将机器学习中的决策树理论与飞行器制导理论相结合，提供了一种分析非线性模型的有效思路；

43、3、充分利用机器学习输入与输出之间的“黑箱效应”，简化设计过程中对非线性模型的需求，所得到的训练结果可直接得到用于设计的数学集合规则；

44、4、算法的可拓展性强，交班条件模型的设计可人为设定，目标的机动形式可认为设定，进而可覆盖多种空域、速域的飞行条件，即可广泛分析多种飞行器与目标之间的相对运动。