多目标防空射击的数据处理方法、装置及执行设备

本申请涉及武器射击方法的，尤其涉及多目标防空射击的数据处理方法、装置及执行设备。

背景技术：

1、未来空域窗射击体制自提出以来，经过多年的研究及完善，已经形成了较为完整的方法体系。未来空域窗射击体制在目标提前点附近布置一个未来空域窗，在该空域窗内布置多个瞄准点，武器向这些瞄准点射击，使射弹散布密度在该空域窗内接近均匀，从而覆盖未准确定位目标。

2、目前，针对未来空域窗射击方法，已经有学者提出了理论最优毁伤概率，并基于该方法给出了最优瞄准点配置方法等计算方法，但是这些主要针对单目标进行计算。新形势下，无人机蜂群、灵巧弹药、饱和攻击等新作战方式广泛应用，给防空带来巨大压力，需要更新射击体制，多目标射击参数的获得是其核心要求。

技术实现思路

1、有鉴于此，本申请提供多目标防空射击的数据处理方法、装置及执行设备，能够实现针对多目标防控射击目标的射击信息的获得。

2、第一方面，本申请提供一种多目标防空射击的数据处理方法，包括：

3、获取多组具有标签数据的第一多源训练数据，每组第一多源训练数据包括针对同一批目标的雷达数据、可见光数据和激光测量数据；

4、针对于所述第一多源训练数据执行第一融合目标检测算法的处理，得到目标检测结果，基于所述目标检测结果与标签数据获得损失函数，采用所述损失函数反向训练第一融合目标检测算法，得到第一融合目标检测模型；

5、将所述第一融合目标检测模型的输出结果，对未来空域窗误差模型执行细化，得到精细未来窗误差模型；

6、获取多组第二多源训练数据，每组所述第二多源训练数据包括针对于同一批目标的精细未来窗误差模型数据和目标运动模型数据，所述精细未来窗误差模型数据基于所述精细未来窗误差模型所生成；

7、将所述第二多源训练数据对第二融合目标检测算法执行训练，得到第二融合目标检测模型；

8、将所述第二融合目标检测模型的输出对精细未来窗误差模型执行细化，得到系列化未来窗误差模型；

9、基于所述系列化未来窗误差模型，获得防空射击信息。

10、可选地，针对于所述第一多源训练数据执行第一融合目标检测算法的处理，包括：

11、确定多种第一融合目标检测算法；

12、分别采用每种第一融合目标检测算法，对第一多源训练数据执行处理，获得多个中间融合目标检测数据；

13、融合所述中间融合目标检测数据，得到融合目标检测结果。

14、可选地，采用第一种第一融合目标检测算法，对第一多源训练数据执行处理，包括：

15、分别对所述雷达数据、可见光数据、激光测量数据执行时间序列异常聚类算法的处理，获得目标分类a1、a2、a3；

16、将目标分类a1、a2、a3进行融合，获得所述中间融合目标检测数据；

17、采用第二种第一融合目标检测算法，对第一多源训练数据执行处理，包括：

18、提取所述第一训练数据的区域特征；

19、将所述区域特征作为深度聚类网络的输入，所得深度聚类网络输出为中间融合目标检测数据；

20、采用第三种第一融合目标检测算法，对第一多源训练数据执行处理，包括：

21、将雷达数据、可见光数据和激光测量数据分别输入语义目标检测模型，得到对应的分类数据；

22、融合所述分类数据，得到中间融合目标检测数据。

23、可选地，提取所述第一训练数据的区域特征，具体为：

24、采用主成分法提取雷达数据的区域特征，采用特征图分解算法提取可见光数据的区域特征，采用rpca模型提取激光测量数据的区域特征。

25、可选地，融合所述中间融合目标检测数据，包括：

26、将所述中间融合目标检测数据按照聚类累加相应的分类分数；

27、对于累加后所得数据中的每个时间序列，选择分类分数最高的类作为所述时间序列的最终分类结果。

28、可选地，获取第一多源训练数据之前，还包括：

29、获取目标防空区域的探测数据，其中，所述探测数据包括雷达数据、可见光数据、激光回波数据这三类数据；

30、将所述目标防空区域的三类数据进行数据对齐；

31、采用滑动窗口在对齐后的所述三类数据的相同位置按照预设步长同步滑动，将所述滑动窗口每一次滑动所限定的子数据区域从所述三类数据中切割出来，作为第一多源训练数据。

32、可选地，所述目标运动模型数据包括目标尺寸数据和速度数据，所述第二多源训练数据还包括与各所述第二多源训练数据对应的标签数据；

33、所述第二融合目标检测算法包括itransformer模型、rnn、ssdnet、deeptcn、pyraformer中至少一者。

34、本申请提供一种多目标防空射击的数据处理装置，包括：

35、第一获取模块，用以，获取多组具有标签数据的第一多源训练数据，每组第一多源训练数据包括同一批目标的雷达数据、可见光数据和激光测量数据；

36、第一生成模块，用以，针对于所述第一多源训练数据执行第一融合目标检测算法的处理，得到目标检测结果，基于所述目标检测结果与标签数据获得损失函数，采用所述损失函数反向训练第一融合目标检测算法，得到第一融合目标检测模型；

37、精细未来窗误差模型生成模块，用以将所述第一融合目标检测模型的输出结果，对未来空域窗误差模型执行细化，得到精细未来窗误差模型；

38、第二获取模块，用以获取多组第二多源训练数据，每组所述第二多源训练数据包括针对于同一批目标的精细未来窗误差模型数据和目标运动模型数据，所述精细未来窗误差模型数据基于所述精细未来窗误差模型所生成；

39、第二生成模块，用以，将所述第二多源训练数据对第二融合目标检测算法执行训练，得到第二融合目标检测模型；

40、细化模块，用以将所述第二融合目标检测模型的输出对精细未来窗误差模型执行细化，得到系列化未来窗误差模型；

41、获得模块，用以，基于所述系列化未来窗误差模型，获得防空射击参数

42、第三方面，本申请提供一种计算机可读存储介质，包括程序，当所述程序在计算机上运行时，使得计算机执行如上述的方法。

43、第四方面，本申请提供一种执行设备，包括处理器和存储器，所述处理器与所述存储器藕合；

44、所述存储器，用于存储程序；

45、所述处理器，用于执行所述存储器中的程序，使得所述执行设备执行如上述的方法。

46、本申请所公开方法中，通过构建带有目标运动特征的系列化未来窗误差模型，基于系列化未来窗误差模型即可获得防控射击目标的防空射击信息，进而实现多目标防空射击。

技术特征：

1.一种多目标防空射击的数据处理方法，其特征在于，包括：

2.根据权利要求1所述方法，其特征在于，针对于所述第一多源训练数据执行第一融合目标检测算法的处理，包括：

3.根据权利要求2述方法，其特征在于，采用第一种第一融合目标检测算法，对第一多源训练数据执行处理，包括：

4.根据权利要求3所述方法，其特征在于，提取所述第一训练数据的区域特征，具体为：

5.根据权利要求2所述方法，其特征在于，融合所述中间融合目标检测数据，包括：

6.根据权利要求1所述方法，其特征在于，获取第一多源训练数据之前，还包括：

7.根据权利要求1所述方法，其特征在于，所述目标运动模型数据包括目标尺寸数据和速度数据，所述第二多源训练数据还包括与各所述第二多源训练数据对应的标签数据；

8.一种多目标防空射击的数据处理装置，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，包括程序，当所述程序在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的方法。

10.一种执行设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器藕合；

技术总结本申请公开了多目标防空射击的数据处理方法、装置及执行设备。该方法包括：获取多组具有标签数据的第一多源训练数据；对第一多源训练数据通过第一融合目标检测算法，再基于目标检测结果与标签数据获得损失函数，反向训练第一融合目标检测算法；将第一融合目标检测模型的输出结果，对未来空域窗误差模型细化；获取多组第二多源训练数据；将第二多源训练数据对第二融合目标检测算法训练；将第二融合目标检测模型的输出对精细未来窗误差模型细化；基于系列化未来窗误差模型，得防空射击信息。本方法，通过构建带有目标运动特征的系列化未来窗误差模型，基于系列化未来窗误差模型即可获得防控射击目标的防空射击信息，进而实现多目标防空射击。技术研发人员：邱磊,程宏凯,谢存,郝大为,何鹏,唐勉,展辉辉受保护的技术使用者：中国人民解放军陆军工程大学技术研发日：技术公布日：2024/6/26