本發(fā)明涉及雷達(dá)領(lǐng)域，尤其涉及基于異構(gòu)網(wǎng)絡(luò)的雷達(dá)健康狀態(tài)智能預(yù)測(cè)方法。

背景技術(shù)：

1、準(zhǔn)確掌握雷達(dá)的健康狀態(tài)及發(fā)展趨勢(shì)，是合理運(yùn)用雷達(dá)設(shè)備的重要前提和基本條件。雷達(dá)健康狀態(tài)預(yù)測(cè)主要涉及三個(gè)方面：一是樣本數(shù)據(jù)獲取，二是健康狀態(tài)評(píng)價(jià)，三是健康狀態(tài)預(yù)測(cè)。

2、在現(xiàn)有技術(shù)中，對(duì)雷達(dá)健康狀態(tài)的評(píng)價(jià)方法還缺乏科學(xué)的評(píng)價(jià)理論指導(dǎo)，對(duì)健康狀態(tài)評(píng)價(jià)通常只能給出定性的結(jié)果，無(wú)法給出定量結(jié)果，導(dǎo)致健康狀態(tài)評(píng)價(jià)結(jié)果對(duì)設(shè)備未來(lái)運(yùn)行不具有指導(dǎo)價(jià)值。

3、進(jìn)一步，在現(xiàn)有技術(shù)中，對(duì)雷達(dá)健康狀態(tài)的預(yù)測(cè)主要采用兩種方式：一是如論文《基于貝葉斯理論的結(jié)構(gòu)件健康狀態(tài)評(píng)估方法研究》中采用趨勢(shì)理論，根據(jù)雷達(dá)某個(gè)關(guān)鍵性能參數(shù)的變化趨勢(shì)函數(shù)，采用預(yù)測(cè)理論預(yù)測(cè)該參數(shù)的發(fā)展變化，以實(shí)現(xiàn)對(duì)雷達(dá)設(shè)備狀態(tài)進(jìn)行預(yù)測(cè)，但是，參數(shù)變化趨勢(shì)函數(shù)僅能反映理想環(huán)境下的變化特征，與設(shè)備的實(shí)際工作環(huán)境差異較大，易造成預(yù)測(cè)結(jié)果不準(zhǔn)；二是如論文《基于遺傳算法和支持向量回歸的鋰電池健康狀態(tài)預(yù)測(cè)》中采用人工智能預(yù)測(cè)方式，對(duì)雷達(dá)的某個(gè)關(guān)鍵參數(shù)進(jìn)行預(yù)測(cè)，以達(dá)到預(yù)測(cè)雷達(dá)整機(jī)健康狀態(tài)的目的，但某個(gè)關(guān)鍵參數(shù)的變化僅能從微觀(guān)尺度體現(xiàn)雷達(dá)某個(gè)部件或模塊的健康狀態(tài)，還難以從宏觀(guān)尺度預(yù)測(cè)雷達(dá)整機(jī)的健康狀態(tài)。

4、因此，如何提高雷達(dá)健康狀態(tài)預(yù)測(cè)的準(zhǔn)確性及工作效率，是雷達(dá)健康狀態(tài)預(yù)測(cè)需要解決的難點(diǎn)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供了基于異構(gòu)網(wǎng)絡(luò)的雷達(dá)健康狀態(tài)智能預(yù)測(cè)方法，以提高雷達(dá)健康狀態(tài)預(yù)測(cè)的準(zhǔn)確性及工作效率。

2、為實(shí)現(xiàn)上述目的，本發(fā)明公開(kāi)的基于異構(gòu)網(wǎng)絡(luò)的雷達(dá)健康狀態(tài)智能預(yù)測(cè)方法，包括以下步驟：

3、（s1）獲得歸一化后的雷達(dá) n個(gè)性能參數(shù)的 m個(gè)樣本，并計(jì)算所述 n個(gè)性能參數(shù)的加權(quán)分配向量，其中，表示第 i個(gè)雷達(dá)性能參數(shù)的加權(quán)值；

4、（s2）構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，所述預(yù)測(cè)模型包括 n個(gè)子網(wǎng)絡(luò)，所述 n個(gè)子網(wǎng)絡(luò)均設(shè)置有輸入層、隱藏層和輸出層，且設(shè)置有不同的權(quán)值參數(shù)和偏置參數(shù)；其中，第 i個(gè)子網(wǎng)絡(luò) t時(shí)刻的預(yù)測(cè)數(shù)據(jù)滿(mǎn)足關(guān)系式：

5、，

6、上式中，、、、、表示第 i個(gè)子網(wǎng)絡(luò)的激活參數(shù)，其中，的典型值為零向量；、、表示第 i個(gè)子網(wǎng)絡(luò)的權(quán)值參數(shù)；、表示第 i個(gè)子網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)； s(?)表示輸出層激活函數(shù)， h(?)表示隱藏層激活函數(shù)；表示第 i個(gè)子網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)；

7、（s3）將所述循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型輸出的預(yù)測(cè)數(shù)據(jù)構(gòu)建為預(yù)測(cè)矩陣：

8、，

9、其中，表示循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型第 i個(gè)子網(wǎng)絡(luò)輸出的第 j+1個(gè)預(yù)測(cè)性能參數(shù)， m表示預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)；

10、（s4）基于所述預(yù)測(cè)矩陣和加權(quán)分配向量，構(gòu)建加權(quán)范化矩陣，其中，，表示預(yù)測(cè)模型第 i個(gè)子網(wǎng)絡(luò)輸出的第 j個(gè)預(yù)測(cè)數(shù)據(jù)；

11、（s5）計(jì)算雷達(dá)健康度的預(yù)測(cè)值 η，表示為：

12、，

13、其中，min（）表示取最小值，max（）表示取最大值。

14、所述輸出層激活函數(shù) s(?)表示為：

15、。

16、優(yōu)選地，所述隱藏層激活函數(shù) h(?)表示為：

17、。

18、優(yōu)選地，所述計(jì)算 n個(gè)性能參數(shù)的加權(quán)分配向量的步驟包括：

19、（a1）計(jì)算雷達(dá) n個(gè)性能參數(shù)的比例度量值：

20、，

21、其中， i=1,2,… n， n表示雷達(dá)性能參數(shù)的個(gè)數(shù)，表示第 i個(gè)性能參數(shù)的第 j個(gè)樣本， m表示性能參數(shù)的樣本數(shù)；

22、（a2）計(jì)算雷達(dá) n個(gè)性能參數(shù)的歸一化加權(quán)值：

23、，

24、其中， i=1,2,?… n。

25、本發(fā)明具有以下技術(shù)效果：

26、（1）提高了雷達(dá)健康狀態(tài)預(yù)測(cè)的準(zhǔn)確性

27、在本發(fā)明所公開(kāi)的技術(shù)方案中，合理選取雷達(dá)設(shè)備的多個(gè)性能參數(shù)，通過(guò)構(gòu)建包含多個(gè)子網(wǎng)絡(luò)的異構(gòu)循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，各子網(wǎng)絡(luò)分別預(yù)測(cè)雷達(dá)各性能參數(shù)，基于預(yù)測(cè)數(shù)據(jù)構(gòu)建預(yù)測(cè)矩陣，在加權(quán)分配的基礎(chǔ)上，計(jì)算得到雷達(dá)健康度的預(yù)測(cè)值。本發(fā)明所公開(kāi)的技術(shù)方案，以設(shè)備的多個(gè)性能參數(shù)樣本為依據(jù)，構(gòu)建異構(gòu)循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)各性能參數(shù)，基于權(quán)值分配和科學(xué)評(píng)價(jià)理論，計(jì)算得到雷達(dá)設(shè)備健康度的量化預(yù)測(cè)結(jié)果。相對(duì)于現(xiàn)有技術(shù)來(lái)說(shuō)，既克服了現(xiàn)有技術(shù)中預(yù)測(cè)方法存在的不足，又能準(zhǔn)確給出雷達(dá)設(shè)備健康狀態(tài)預(yù)測(cè)的量化結(jié)果，這對(duì)于指導(dǎo)設(shè)備未來(lái)狀態(tài)運(yùn)行也具有一定的參考價(jià)值。

28、（2）提高了多參數(shù)預(yù)測(cè)模型的預(yù)測(cè)能力

29、在現(xiàn)有技術(shù)中，采用參數(shù)趨勢(shì)變化函數(shù)預(yù)測(cè)雷達(dá)的健康狀態(tài)，不能反映雷達(dá)的真實(shí)工作環(huán)境，易導(dǎo)致預(yù)測(cè)結(jié)果不準(zhǔn)確；采用人工智能預(yù)測(cè)方式，預(yù)測(cè)某個(gè)關(guān)鍵參數(shù)變化以達(dá)到預(yù)測(cè)雷達(dá)整機(jī)健康狀態(tài)，用微觀(guān)尺度變化預(yù)測(cè)宏觀(guān)尺度的健康狀態(tài)，也易導(dǎo)致預(yù)測(cè)結(jié)果不準(zhǔn)確。在本發(fā)明所公開(kāi)的技術(shù)方案中，為了提高預(yù)測(cè)模型的預(yù)測(cè)能力，以雷達(dá)的多個(gè)性能參數(shù)數(shù)據(jù)作為預(yù)測(cè)模型的輸入樣本，以達(dá)到預(yù)測(cè)雷達(dá)整機(jī)健康狀態(tài)的目的；進(jìn)一步，不同的性能參數(shù)可以反映雷達(dá)的不同退化趨勢(shì)，對(duì)健康狀態(tài)預(yù)測(cè)的貢獻(xiàn)也不同。在預(yù)測(cè)模型構(gòu)建中，如果各個(gè)性能參數(shù)預(yù)測(cè)均采用相同的偏置參數(shù)和權(quán)值參數(shù)，以相同模式更新，將會(huì)各個(gè)參數(shù)的變化趨勢(shì)，導(dǎo)致預(yù)測(cè)參數(shù)不準(zhǔn)確，從而降低雷達(dá)健康狀態(tài)預(yù)測(cè)的可信度。因此，在本發(fā)明所公開(kāi)的技術(shù)方案中，所構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型包括 n個(gè)子網(wǎng)絡(luò)，各個(gè)子網(wǎng)絡(luò)均設(shè)置有輸入層、隱藏層和輸出層，且設(shè)置有不同的權(quán)值參數(shù)和偏置參數(shù)，以實(shí)現(xiàn)不同性能參數(shù)的數(shù)據(jù)更新模式，以完成對(duì)不同貢獻(xiàn)度的多個(gè)性能參數(shù)的預(yù)測(cè)，從而提高了預(yù)測(cè)數(shù)據(jù)的準(zhǔn)確性，增強(qiáng)了雷達(dá)健康狀態(tài)預(yù)測(cè)的可信度。因此，相對(duì)于現(xiàn)有技術(shù)來(lái)說(shuō)，既克服了傳統(tǒng)趨勢(shì)理論預(yù)測(cè)存在的不足，又提高了人工智能預(yù)測(cè)的準(zhǔn)確性。

30、（3）提高了工作效率

31、在本發(fā)明所公開(kāi)的技術(shù)方案中，基于 n個(gè)性能參數(shù)的 m個(gè)樣本進(jìn)行雷達(dá)設(shè)備健康狀態(tài)的預(yù)測(cè)。所述性能參數(shù)的樣本數(shù)據(jù)來(lái)自多種途徑，包括歷史運(yùn)行數(shù)據(jù)、周期檢測(cè)數(shù)據(jù)和維護(hù)保障數(shù)據(jù)等，以達(dá)到準(zhǔn)確覆蓋設(shè)備工作運(yùn)行區(qū)間；基于上述性能參數(shù)，采用人工智能方法進(jìn)行數(shù)據(jù)預(yù)測(cè)，在此基礎(chǔ)上，再采用科學(xué)的健康狀態(tài)評(píng)價(jià)方法，以計(jì)算得到雷達(dá)設(shè)備健康狀態(tài)預(yù)測(cè)的量化結(jié)果。而在現(xiàn)有技術(shù)中，設(shè)備狀態(tài)的樣本數(shù)據(jù)主要來(lái)自?xún)煞N方式，一是來(lái)自離線(xiàn)方式檢測(cè)，二是來(lái)自原位方式檢測(cè)。現(xiàn)有技術(shù)中的這兩種設(shè)備狀態(tài)檢測(cè)方式，要么易導(dǎo)致檢測(cè)結(jié)果不準(zhǔn)確，要么易造成檢測(cè)過(guò)程的費(fèi)時(shí)費(fèi)力。因此，相對(duì)于現(xiàn)有技術(shù)來(lái)說(shuō)，本發(fā)明所公開(kāi)的技術(shù)方案，在保證設(shè)備狀態(tài)檢測(cè)數(shù)據(jù)準(zhǔn)確性的前提下，數(shù)據(jù)來(lái)源多樣，檢測(cè)過(guò)程簡(jiǎn)單，大幅提高了工作效率。