一种基于GA的矢量脱靶量参数估计方法与流程

本发明涉及一种矢量脱靶量参数估计方法，尤其涉及一种基于ga的矢量脱靶量参数估计方法，属于脱靶量测量
技术领域：
。
背景技术：
：现代战争中，导弹由于其具有精确的制导性能而倍受青睐，对于各种新型制导武器的研制日趋重要。然而对于制导武器性能的测试却存在高成本、难度大、实验条件难以满足等问题。因此采用目标上安装脱靶量测量设备来检测武器性能。制导武器的性能一般在弹与靶的遭遇段得到比较集中的体现，因此在靶场试验中，通过测量制导武器在遭遇段的运动参数(包括标量脱靶量参数(作用距离l0，导弹运动速度v0，脱靶量r0)和矢量运动参数(脱靶点坐标，导弹运动轨迹的方位角与俯仰角)，可以确定导弹在接近目标这一过程中在空中的运动轨迹，从而检验制导武器的精度，评定其性能的优劣。矢量脱靶量测量实际上是要测量弹靶遭遇段导弹的运动轨迹。假设弹靶遭遇段目标作匀速直线运动，导弹运动轨迹与测量雷达收发天线阵的关系如图2所示。在图中定义的系统测量坐标中，设靶标位于坐标原点。显然，目标的直线运动轨迹可由五个参数唯一确定：脱靶点的坐标(x0,y0,z0)；弹道运动轨迹与oxy平面的夹角既弹道倾角β；运动轨迹方向角既弹道偏角α；加上目标运动速度v和目标脱靶时刻t0(或起始时刻目标到脱靶点的距离l0)，目标在空间运动的整个时间历史就可唯一确定。矢量脱靶量的测量原理是通过测量弹靶交会过程中空间位置不同的接收天线接收的目标回波相位差随时间变化曲线，通过与运动轨迹模型的相位差最优拟合，估计出矢量脱靶量参数，其计算原理如下：假设脱靶点的坐标为(x0,y0,z0)，m个接收天线的坐标为(xi,yi,zi)，其中i＝1,2,3....m，导弹的弹道偏角和弹道倾角分别为α和β，t时刻导弹的轨迹的坐标为(x(t),y(t),z(t))。由于导弹与各接收天线的斜距不同，不同的接收天线在同一时刻接收到的目标回波存在相位差，第i与第j路天线接收到的多普勒回波的相位差为：其中ri(t)和rj(t)分别是第i和第j路在t时刻导弹到接收天线的瞬时距离：其中,不同的接收天线接收的目标回波相位差随时间变化的规律与脱靶点的坐标(x0,y0,z0)、弹道偏角α、弹道倾角β以及{v,l0,r0}有关，导弹运动速度为v，导弹运动轨迹与靶标最近点到靶标的距离即标量脱靶量为r0，时间参考点t＝0时刻，导弹与脱靶点的距离为l0。因此，只要测得交会过程目标回波的m-1条相位差随时间的实际变化曲线，在获得{v,l0,r0}的测量结果后，可构造如下准则函数式中和分别为在ti时刻目标反射回波的理论相位差和实际估计相位差。通过求解如下约束非线性优化问题就可获得目标运动轨迹的矢量脱靶量参数{(x0,y0,z0),α,β}的估计：subjectto由上述数学模型可知，矢量脱靶量参数估计是一个复杂的数学问题，其中涉及多参数的非线性约束条件，多通道数据不同时刻的相位差构造的目标复杂目标函数，目标函数中参数与函数输出值均为复杂的非线性关系，相位差还会存在以2π为周期的模糊，因此，该目标函数为一个多峰值函数，在整个参数空间中，会出现多个局部最优峰值。采用常规的非线性估计算法，容易陷入初始值附近的局部次优值附近，得不到全局最优值，从而导致最终得到的参数与目标的真实参数误差较大，甚至完全与真实的目标参数完全背离。另外，考虑到实验的需要，该计算方法需要具有一定的实时性要求，一般在得到回波数据的几分钟之内需要给出相关参数的计算结果，因此迫切需要一种快速准确的参数估计方法来解决此问题，本发明正是在此种需求下孕育而生。技术实现要素：本发明所要解决的技术问题是克服现有技术的缺陷，提供一种快算准确的参数估计方法，解决遇到的复杂非线性目标函数全局最优值的求解问题。为解决上述技术问题，本发明采用以下技术方案：基于ga(geneticalgorithm,遗传算法)的矢量脱靶量参数估计方法，包括下述步骤：1)构建求解目标函数：根据信号质量选择信号质量最好的通道作为参考通道，计算各个通道相对与此通道的相位差，基于相位差构建目标函数；2)构建约束函数；3)利用遗传算法，对设定的目标函数进行优化，求得其最优解；4)将步骤3)获得最优解作为非线性估计函数的迭代初始值，得到全局最优值。进一步地，构建目标函数如下：式中和分别为在ti时刻目标反射回波的理论相位差和实际估计相位差，1i为虚数单位，i_ck为参考通道的下标，j为通道下标，i为时间索引，n为有效数据点的个数，为(α,β,x0,y0,z0)的函数，具体关系如下其中ri(t)和rj(t)分别是第i和第j路在t时刻导弹到接收天线的瞬时距离：其中，{v,l0,r0}为标量脱靶量参数。进一步地，构建非线性约束函数如下其中脱靶点的坐标为(x0,y0,z0)，m个接收天线的坐标为(xi,yi,zi)，i＝1,2,3....m，导弹的弹道偏角和弹道倾角分别为α和β。进一步地，步骤3)中，遗传算法的优化求解过程为：(1)求解参数设置：包括参考通道的下标、最大遗传的代数、种群的大小、个体的长度、代沟的概率、交叉的概率、变异的概率、遗传迭代的次数；(2)初始化种；群采用二进制编码方法，生成种群采用生成随机数的方法生成每一个染色体的值，通过编码函数将初始化的种群转换成十进制的数(3)适应度计算：将目标函数作为适应度计算函数，其值越小则适应度越好，通过排序函数对个种群的适应度大小进行排序；(4)选择：采用轮盘赌选择算法，个体被选中的概率由下式计算得到：其中fj为个体j的适应度，n为种群个体的数目；(5)交叉：设定交叉的概率px，种群中每个个体，对应产生一个[0，1]的随机数，若随机数小于交叉概率px，则进行交叉；(6)变异：设定变异的概率pm，种群中的每个个体，对应产生一个[0，1]的随机数，若随机数小于变异概率pm，则进行变异；(7)通过(5)(6)产生新的种群，然后继续循环产生下一代种群；(8)选择目标函数值最小的解，作为输出。本发明所达到的有益效果：本发明方法根据问题实际建立目标函数，考虑到相位存在以2π为周期的模糊，因此将相位差转换为模式，避免了模糊的影响；本发明结合了ga算法和传统非线性估计算法的优点和不足，开发了一种快速准确的参数估计方法，该方法克服了ga局部寻优能力弱和传统非线性估计算法全局寻优能力弱的缺点，充分利用了ga的全局寻优能力和传统非线性估计的局部寻优能力，并考虑ga自身随机性的特性，采用多次ga同步寻优的思想，有效解决的复杂问题的参数估计问题。附图说明图1是发明方法流程示意图；图2是导弹运动轨迹与测量雷达收发天线阵的关系。具体实施方式下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。图1是发明方法流程示意图；图1示出了：基于ga的矢量脱靶量参数估计方法，包括:(1)构建求解目标函数具体实施例中，根据脱靶量数据采集端测得的弹靶交汇过程中八个通道不同时刻目标回波的相位数据，计算对应通道的相位差。为了达到计算的实时性，本发明中构造的相位差为m-1，其中m为接收通道。在构建目标函数时，因为在观测过程中存在遮挡、杂波等影响，不同通道接收信号质量会存在差异，选择信号质量最好的接收通道最为参考，构建目标函数如下：式中和分别为在ti时刻目标反射回波的理论相位差和实际估计相位差。1i为虚数单位，i_ck为参考通道的下标，j为通道下标，i为时间索引，n有效数据点的个数，为(α,β,x0,y0,z0)的函数，具体关系如下其中ri(t)和rj(t)分别是第i和第j路在t时刻导弹到接收天线的瞬时距离：其中,{v,l0,r0}为标量脱靶量参数。(2)构建约束函数构建非线性约束函数如下式中个参数的定义如前所述。(3)求解参数设置设置求解所需要的参数，主要包括如下参数：参考通道的下标、最大遗传的代数、种群的大小、个体的长度、代沟的概率、交叉的概率、变异的概率、遗传迭代的次数。(4)初始化种群遗传算法在一个给定的初始化种群中进行迭代搜索。本发明中，采用二进制编码方法，生成种群采用生成随机数的方法生成每一个染色体的值，通过编码函数将初始化的种群转换成十进制的数。(5)适应度计算编写适应度计算函数。评估函数根据问题的优化目标来确定。在本发明中，由于求解的问题是目标函数最小值对应的参数，因此将目标函数作为适应度计算函数，其值越小则适应度越好，通过排序函数对个种群的适应度大小进行排序。(6)选择、交叉、变异选择操作从旧的群体中以给定的代沟概率选择优良的个体组成新的种群，以繁殖得到下一代个体，个体被选中的概率由适应度得到，适应度越大，被选中的概率也越大。本发明中选择操作采用轮盘赌选择算法，个体被选中的概率由下式计算得到其中fj为个体j的适应度，由上一步计算得到，n为种群个体的数目。交叉操作是从种群中随机选择两个个体，每个染色体是否交叉由给定的交叉概率决定。其过程是：对于每个染色体，生成0～1之间的随机数，如果该值小于指定的交叉概率，则选定的染色体进行交叉，否则染色体不参与交叉，直接复制到新的种群中，交叉操作如下所示每两个个体按交叉概率进行交叉，进过各自的部分基因交换，产生两个新的子代。其具体操作时随机产生一个有效的交配位置，染色体交换位于交配位置后的所以基因。变异操作是交叉后的新种群中染色体的每一个基因，根据变异概率判定该基因是否变异。其过程是：生成0～1之间的随机数，如果该值小于指定的变异概率，则选定的基因进行变异，产生新的染色体，变异操作如下：完成以上操作后，重新计算生成的新种群的适应度，将生成的新种群按适应度的大小插入到旧的种群中，并更新最优染色体。计算新生成种群中个体的适应度，根据适应度将新的个体与旧的种群进行重组，得到新的种群。如果遗传代数小于最大遗传代数，转到步骤(5)，生成的新种群作为下一次遗传的初始值，直至满足给定的遗传代数。如果遗传计算次数小于给定的次数，转入步骤(4)，计算新的最优种群，直至满足指定的计算次数。转入步骤(7)。(7)选择最优输出对多次遗传计算给出的最优结果进行最优选择。每次遗传输出最优个体对应的解和该解对应的目标函数最优值。对每次遗传输出的目标函数最优值进行选择，选择目标函数值最小的解，作为输出，送给约束非线性估计作为迭代初始值。(8)约束非线性估计将(7)中得到的最优解作为为非线性估计函数fmincon的迭代初始值，以此来寻找局部次优值附近的最优值，得到全局最优点，作为参数估计的最优值，即我们要估计的矢量脱靶量相关参数。下面对具体实施例做出说明。本次实验中采用的相关实验参数如下：导弹运动速度：300m/s脱靶量测量设备的作用距离：75m，详细实验参数见表1.表1实验参数表采集得到回波信号以后，通过相关方法得到各个接收通道的不同时刻的相位数据和导弹运动速度的估计值、作用距离估计值、脱靶量大小的估计值，采用本发明的方法进行矢量脱靶量参数求解，过程如下：(1)选择参考通道，根据信号质量选择信号质量最好的通道作为参考通道，计算各个通道相对与此通道的相位差构建目标函数如下(2)构建约束函数如下：其中α,β,x0,y0,z0为待求解的参数。(3)设置求解参数在试验中，本发明采用的求解参数如下：种群大小nind＝200；遗传代数maxgen＝80；个体长度preci＝40；代沟概率ggap＝0.95；交叉概率px＝0.7；变异概率pm＝0.01；传重复次数为3次；(4)初始化种群、根据4给定的种群大小和个体长度，创建种群，通过相应的编码函数转换成实数。(5)适应度函数在本次实验中，由于参数估计的目标是求得目标函数最小值时所对应的参数值，因此适应度函数取为目标函数，根据不同的个体值求出其对应的目标函数值，根据排序函数对种群适应度进行排序；(6)选择、交叉、变异按照前述的算法对种群中的个体进行选择、交叉、变异操作，计算新生成种群中个体的适应度，根据适应度将新的个体与旧的种群进行重组，得到新的种群。如遗传代数达到指定的最大遗传代数，则输出本次遗传计算的最优解，及其最优解对应的目标函数的值。重复(4)～(6)的操作，经过多次遗传计算，得到每次遗传后的最优解及其对应的目标函数值。当计算次数满足设定要求时，转入步骤(7)；表2为一个具体实施例得到的输出数据(对应实验参数为：弹体速度300m/s，对应脱靶点坐标为(15,0，0)，对应弹道方位角为90度，俯仰角为60度)表2具体实施例得到的输出数据13.5991-4.669413.637113.63711.17464.584112.7193-1.36790.76681.810714.9279-0.14870.27061.04721.5724最后两个值为弧度单位表示的俯仰角与方位角对应目标函数的最优值为822.5582669.918514.5790(7)根据多次遗传计算得到的目标函数的最优值，选择其中最优的一组，在本次实验中，即目标函数值对应的一组解。对应于(6)中的数据，被选中的最优解见表3，表3具体实施例中被选中的最优解14.9279-0.14870.27061.04721.5724对应目标函数值为14.5790。(8)将(7)中得到的最优解作为初始值，输入到非线性估计函数fmincon中，带入约束函数，计算后得到矢量脱靶量的最优估计参数值见表4，表4矢量脱靶量参数估计结果x0y0z0βα14.92960.007629770.072874559.966889.5455对应于上述具体实施例设定的实验参数，采用本发明方法进行参数计算，得到相应的仿真结果和计算时间如表5：表5具体实施例的仿真结果和计算时间实验参数计算采用的电脑配置为处理器：intel(r)xeon(r)cpue3-1270v2@3.50ghz3.50ghz安装内存(ram)：16.0gb系统类型：64位操作系统仿真结果和实验结果都表明，采用本发明的估计算法，计算精度较高，而且计算时间较短，能几十秒内得到准确的结果，有效的解决的计算精度要求和实时性的要求。本发明方法结合了ga算法和传统非线性估计算法的优点和不足，用于估计复杂的非线性矢量脱靶量参数计算问题，具有良好的实时性和较高的精度，能够有效解决目前存在的问题。仿真结果和实验结果都表明，采用本发明的估计算法，不仅在求解时间上大大缩短，而且改进了估计结果的不稳定性，使得每次估计都能得到最优估计值以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。当前第1页12