本发明属于信号处理,具体涉及一种基于小波变换的针对复杂目标飞行数据的填补方法。
背景技术:
1、在测量目标运动过程的飞行试验中,由于测量环境的复杂性以及测量角度的局限性,使得实测数据中不可避免的存在缺失数据的情况;同时由于目标的形状、材料、散射点与环境之间的交互作用,实测数据中同样伴随着不可忽视的随机误差影响。因此,为了提高实测数据质量,需要对实测数据进行处理,使其在真实场景中更能准确地描述目标的相关信息。
2、专利文献(申请号202111415720.0)公开了基于误差分布拟合的数据填补方法,该专利提出将雷达接收机接收的rcs飞试数据和内场测量得到的rcs地试数据进行融合的方法;对这两组试验序列求差,得到误差数据;对误差数据进行分布拟合,统计分布拟合后的误差数据,计算其偏度和峰度得到正态分布的误差数据;求解正态分布的未知参数,并将拟合后符合未知参数的正态分布误差数据叠加到地面试验序列,得到融合后的飞行试验序列。但在实际环境下得到的数据并非全是噪声随机量,也包括由于目标形状、材料、散射点等因素与环境交互产生的细节分量;目标在飞行过程中,真实存在着形变、扰动、振动、微动等现象,也会对细节分量产生不可忽略的影响,且在测量过程中还会受环境的复杂性以及测量角度的局限,使得实测数据中不可避免的存在缺失数据的情况。
技术实现思路
1、为了解决现有技术中存在的上述问题,本发明提供了一种基于小波变换的针对复杂目标飞行数据的填补方法。本发明要解决的技术问题通过以下技术方案实现:
2、一种基于小波变换的针对复杂目标飞行数据的填补方法,包括:
3、测量目标在运动过程中的飞行试验数据序列s1(θ),对所述目标进行仿真得到仿真数据序列s2(θ),将两者之差作为差值序列error(θ);根据所述差值序列error(θ)得到与时间相关的差值序列error(ωt);其中,s表示所述目标的雷达散射截面积,θ表示雷达与所述目标之间的照射视角;
4、对所述与时间相关的差值序列error(ωt)进行小波分解,得到所述与时间相关的差值序列error(ωt)的近似分量a4和分层后的细节分量d1,d2,d3,d4;
5、利用所述近似分量a4对预先构建的ssa-lstm模型进行训练;通过利用训练后的ssa-lstm模型对所述近似分量a4进行预测,对所述近似分量a4中缺失的数据进行补全,得到近似分量a4_new;
6、对所述细节分量d1,d2,d3,d4分别采用统计模型对分布情况进行统计,将统计结果进行拟合得到概率密度函数;利用所述概率密度函数对每个细节分量中缺失的数据进行补全,得到细节分量d1_new,d2_new,d3_new,d4_new;
7、对所述近似分量a4_new和所述细节分量d1_new,d2_new,d3_new,d4_new进行小波重构,解算出全方位rcs差值序列error(θ)_new;
8、将所述全方位rcs差值序列error(θ)_new与所述仿真数据序列s2(θ)叠加,得到全方位rcs实测数据s1(θ)_new。
9、在本发明的一个实施例中,θ的取值范围为θ∈(-180°,180°)。
10、在本发明的一个实施例中,根据所述差值序列error(θ)得到与时间相关的差值序列error(ωt),包括:
11、根据所述差值序列error(θ)和θ=ωt得到所述时间相关的差值序列error(ωt);其中,t表示时间,ω表示角速度。
12、在本发明的一个实施例中,对所述与时间相关的差值序列error(ωt)进行小波分解,得到所述与时间相关的差值序列error(ωt)的近似分量a4和分层后的细节分量d1,d2,d3,d4,包括:
13、对所述与时间相关的差值序列error(ωt)进行时域-小波域变换得到近似分量a0;
14、对所述近似分量a0采用mallat算法得到所述近似分量a4和所述分层后的细节分量d1,d2,d3,d4。
15、在本发明的一个实施例中,ssa-lstm模型的构建过程,包括:
16、采用麻雀优化算法ssa对lstm模型的网络参数进行优化,得到所述ssa-lstm模型。
17、在本发明的一个实施例中,利用所述近似分量a4对预先构建的ssa-lstm模型进行训练,包括:
18、将所述近似分量a4的前70%作为训练集,利用所述训练集对所述ssa-lstm模型进行训练。
19、在本发明的一个实施例中,将统计结果进行拟合得到概率密度函数,包括:
20、将统计结果进行拟合得到服从高斯分布的概率密度函数;其中,
21、所述服从高斯分布的概率密度函数表示为σ表示总体标准差,μ表示总体均值,x表示当前采样点对应的细节分量。
22、在本发明的一个实施例中,对所述近似分量a4_new和所述细节分量d1_new,d2_new,d3_new,d4_new进行小波重构,解算出全方位rcs差值序列error(θ)_new,包括:
23、对所述近似分量a4_new和细节分量d1_new,d2_new,d3_new,d4_new进行小波重构,得到近似分量a0_new;
24、对所述近似分量a0_new进行小波域-时域变换,得到与时间相关的全方位rcs差值序列error(ωt)_new;
25、根据所述与时间相关的全方位rcs差值序列error(ωt)_new和θ=ωt,解算出所述全方位rcs差值序列error(θ)_new。
26、本发明的有益效果:
27、本发明将测量得到的飞行试验数据序列与仿真得到的仿真数据序列做差得出差值序列,通过对得到的差值序列进行小波分解,提取数据在不同频率上的信息,将rcs数据解算成近似分量a4和分层后的细节分量d1,d2,d3,d4,有利于降低数据的随机性和不稳定性的影响;通过ssa-lstm模型对近似分量a4进行预测,在保证输出结果准确度的同时补全了缺失的数据,有效的反映了数据的变化趋势;通过分层对细节分量d1,d2,d3,d4分别进行拟合提高了数据拟合精度的同时补全了缺失的数据,更好的反馈了数据的细节信息;通过对小波分解后得到的数据进行分开处理,提高了模型的精度,并省去了传统的小波分解中大量的卷积计算,降低了计算量。
1.一种基于小波变换的针对复杂目标飞行数据的填补方法,其特征在于,包括:
2.根据权利要求1所述的一种基于小波变换的针对复杂目标飞行数据的填补方法,其特征在于,所述θ的取值范围为θ∈(-180°,180°)。
3.根据权利要求2所述的一种基于小波变换的针对复杂目标飞行数据的填补方法,其特征在于,根据所述差值序列error(θ)得到与时间相关的差值序列error(ωt),包括:
4.根据权利要求1所述的一种基于小波变换的针对复杂目标飞行数据的填补方法,其特征在于,对所述与时间相关的差值序列error(ωt)进行小波分解,得到所述与时间相关的差值序列error(ωt)的近似分量a4和分层后的细节分量d1,d2,d3,d4,包括:
5.根据权利要求1所述的一种基于小波变换的针对复杂目标飞行数据的填补方法,其特征在于,所述ssa-lstm模型的构建过程,包括:
6.根据权利要求5所述的一种基于小波变换的针对复杂目标飞行数据的填补方法,其特征在于,利用所述近似分量a4对预先构建的ssa-lstm模型进行训练,包括:
7.根据权利要求6所述的一种基于小波变换的针对复杂目标飞行数据的填补方法,其特征在于,所述将统计结果进行拟合得到概率密度函数,包括:
8.根据权利要求7所述的一种基于小波变换的针对复杂目标飞行数据的填补方法,其特征在于,对所述近似分量a4_new和所述细节分量d1_new,d2_new,d3_new,d4_new进行小波重构,解算出全方位rcs差值序列error(θ)_new,包括: