[发明专利]结合机器学习和物理机理的导体目标RCS预测方法

说明书

本发明公开一种结合机器学习和物理机理的导体目标RCS预测方法，具体按照以下步骤实施：步骤1：将PO机理下的导体目标单站RCS计算公式用类比的方法在形式上无限逼近SVR函数的形式；根据结合了物理先验的SVR函数形式，寻找最合适的核函数；步骤2：设计试验过程采样和预处理得到训练数据集；步骤3：根据步骤2采样得到的数据集训练步骤1提出的IPOI‑SVR模型，得到预测导体目标RCS的近似函数；步骤4：根据训练出的近似模型，预测导体目标在不同方位角天顶角θ时的RCS。该方法解决了现有RCS获取技术中单纯依赖物理方法或机器学习方法存在的精度不高的问题。

技术领域

本发明属于电磁散射计算技术领域，具体涉及一种结合机器学习和物理机理的导体目标RCS预测方法。

背景技术

导体目标的电磁散射特性研究在目标识别、雷达设计、隐身和反隐身技术中至关重要，雷达散射截面(Radar Cross section，RCS)是反映导体目标电磁散射特性的重要物理量，用来量化目标截获和散射电磁波的能力。

一般而言可通过传统算法和机器学习两种方式获取RCS数据。传统算法，如矩量法(Method of Moments，MoM)、时域有限差分法(Finite-Difference Time-Domain，FDTD)、物理光学法(Physical Optics，PO)等，能实现RCS数据的有效获取。但需要采集的RCS数据量较大或要求精度较高时，各传统方法的弊端逐渐暴露，如PO精度不高使其具有一定的局限性，FDTD和MoM计算RCS时的时间成本和硬件成本大幅增加，甚至于受条件限制不能获取。虽然后面发展中出现了一些加速算法，如快速多极子、GPU加速算法和空域求解等，在加速单点计算过程中效果显著，但当计算频点数和空间采样数很多时，传统算法消耗的时间还是很多。近年来，机器学习因其优异的非线性表达能力，在电磁学领域有了广泛的应用。如使用高斯过程回归预测导弹的电磁相应，应用机器学习方案分析有限长介质柱体的极化双站散射等，均能根据已有数据快速进行预测，从而快速丰富数据库，但因其只是从数学上发现数据的变化规律并进行预测，精度还需进一步提高。

发明内容

本发明的目的是提供一种结合机器学习和物理机理的导体目标RCS预测方法，解决了现有RCS获取技术中单纯依赖物理方法或机器学习方法存在的精度不高的问题。

本发明所采用的技术方案是，结合机器学习和物理机理的导体目标RCS预测方法，具体按照以下步骤实施：

步骤1：基于物理光学法和支持向量回归方法，将PO机理下的导体目标单站RCS计算公式用类比的方法在形式上无限逼近SVR函数的形式；根据结合了物理先验的SVR函数形式，寻找最合适的核函数，从而产生优化的以PO激励的SVR的函数式，简称IPOI-SVR；

步骤2：设计试验过程采样和预处理得到训练数据集；

步骤3：根据步骤2采样得到的数据集训练步骤1提出的IPOI-SVR模型，得到预测导体目标RCS的近似函数；

步骤4：根据训练出的近似模型，预测导体目标在不同方位角天顶角θ时的RCS。

本发明的特征还在于，

步骤1具体按照以下步骤实施：

步骤1.1：首先确定物理光学法计算导体目标在不同方位角天顶角θ以及原点到观察点的距离r处的单站散射电场的公式为：式中，j表示虚数单位，k为入射波矢量且k和η分别代表波数和波阻抗，代表第i_f个照射面，N是照射面的个数，r′代表源点；