论文部分内容阅读
弹道导弹的射程远、速度快、杀伤力极大,是现代军事斗争中承担战略威慑和战术应用任务的关键性武器,为应对其威胁,许多国家都在积极的发展弹道导弹防御技术。本文针对空间探测系统中的目标识别难题,研究了弹道目标灰度时间序列的学习、分类与特征提取方法,主要完成了以下几项工作:1.以印度“烈火-3”型弹道导弹为原型,建立了弹道目标灰度时间序列数据的获取模型。本文设计了弹道目标的主要类型、几何形状、体积和姿态运动形式,构建了高速运动平台下弹道目标的观测场景,计算了目标表面的温度分布,对弹道目标的红外辐射特性进行了建模与仿真,分析了不同目标间红外辐射特性的差异,限定了目标相关参数的变化范围,用计算机仿真的方式模拟生成了弹道目标的灰度时间序列数据。2.针对分类问题中XCS(eXtended learning Classifier System)收敛速度慢、易陷入局部最优等问题,提出了一种学习系统的改进方法。本文全面分析了XCS的结构,详细介绍了学习系统的各个模块,系统讨论了XCS的工作流程和数据交换方式。从分类器属性划分、分类器辨别参数的定义和“坏状态”集合的引入三个方面对XCS加以改进,对新分类器的产生加以引导,通过一系列的序列分类实验验证了改进后XCS的优越性能。3.针对弹道目标灰度时间序列数据维度大、难以直接学习等问题,设计了一种基于灰色系统的序列表征算法。直接对弹道目标的灰度时间序列数据进行学习和分类可能会导致维度灾难,加之相关噪声的影响,学习过程会变得异常复杂。本文为了表征灰度时间序列,构建了序列的参数拟合模型,利用灰色系统对拟合参数进行求解,从整体上模拟了灰度时间序列的变化特性,抑制了序列中小范围的噪声波动,将序列数据表征为参数数据,大幅度降低了数据维度。4.针对弹道中段弹头与非弹头的分类识别问题,完成了弹道目标灰度时间序列数据的学习、分类与特征提取工作。利用改进后的XCS,本文对序列参数数据进行了学习与分类实验,学习性能表明了参数拟合的有效性,分类结果验证了XCS种群优化的正确性。为进一步挖掘参数数据中隐含的信息,本文对学习得到的种群进行分析,筛选出与类别相关的参数作为序列的特征,结合拟合函数的周期特性,进一步压缩了特征的个数,达到了一定的分类性能。