枪械的射击轨迹分析方法

技术领域

本发明涉及枪械分析领域，尤其涉及一种枪械的射击轨迹分析方法。

背景技术

在当前军队推进信息化建设、发展科学化保障观的背景下，将枪械维护和寿命管理由定性转为定量分析，对于提高军械保障科学化管理水平和信息化程度具有十分重要的意义。

弹膛和线膛是枪弹发射时经过的主要部位，因此在射击后会有大量的火药残渣堆积。对枪械击发动作进行精准捕捉并统计分析射击次数，可以及时发现或预知磨损的枪管，从而及时进行保养和维护，可以延长枪械的使用寿命，减少枪械故障的发生，始终确保武器处在最佳状态，进一步提高枪支的保养水平。但是现有技术中的枪支管理缺少一种简单的方法来捕捉射击动作并计算射击次数，无法为枪械的使用寿命和理想的维护计划提供信息参考。

发明内容

本发明的目的就在于为了解决上述问题设计了一种枪械的射击轨迹分析方法。

本发明通过以下技术方案来实现上述目的：

枪械的射击轨迹分析方法，包括：

S1、获取待分析的枪械射击信息，射击信息包括枪械射击时的振动信息、压力信息、后坐力信息、加速度信息和角速度信息；

S2、提取各射击信息的特征；前一预测动作轨迹和前一射击动作轨迹导入SCM神经网络模型进行在线学习，并对协方差矩阵进行修正，当下射击信息导入学习后的SCM神经网络模型获得预测动作轨迹；

S3、根据提取的特征分别识别的局部动作轨迹；

S4、根据局部动作轨迹采用修正后的协方差矩阵进行时空对准及动作轨迹之间的协方差融合获得完整的射击动作轨迹。

本发明的有益效果在于：通过多维度传感器全方面采集枪械发射动作特征，构建多传感器融合算法，对枪械的使用寿命进行精确估计。多传感器协同融合，使用多个传感器来产生一个新的场景，利用卡尔曼滤波器，通过融合数据来估计物体的速度、位置和动作，实现射击动作的捕捉，以此便可以计算射击次数，为枪械的使用寿命和理想的维护计划提供信息参考。

附图说明

图1是本发明多传感器数据分布式融合处理结构；

图2是本发明序贯形式的协方差交叉融合算法；

图3是本发明SCM神经网络模型的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图，对本发明的具体实施方式进行详细说明。

如图1所示，枪械的射击轨迹分析方法，其特征在于，包括：

S1、通过c个传感器获取待分析的枪械射击信息，射击信息包括枪械射击时的振动信息、压力信息、后坐力信息、加速度信息和角速度信息；

S2、传感器分别提取各射击信息的特征；前一预测动作轨迹和前一射击动作轨迹导入SCM神经网络模型进行在线学习，并对协方差矩阵进行修正，当下射击信息导入学习后的SCM神经网络模型获得预测动作轨迹；

如图3所示，SCM神经网络模型包括输入层、隐含层、承接层和输出层，输入层用于接收枪械射击信息、承接层返回的上一时刻隐含层的输出和上一时刻的射击动作轨迹，隐含层对输入层输出的信息进行线性或非线性变换，承接层用于储存上一时刻隐含层的输出并返回到输入层，输出层对隐含层当期时刻输出的信息进行线性加权并输出；

其中y代表SCM神经网络模型的输出层的输出向量，x代表隐含层的输出向量，u代表输入层的输出向量，Xc代表承接层的输出向量。w1，w2，w3分别代表了承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权矩阵。

S3、每个传感器均配置无迹卡尔曼滤波器，无迹卡尔曼滤波器根据提取的特征分别识别的局部动作轨迹

S4、根据局部动作轨迹采用修正后的协方差矩阵进行时空对准及动作轨迹之间的协方差融合获得完整的射击动作轨迹，如图2所示，具体包括：

S41、任意选择其中两个局部动作轨迹进行融合获得第一融合结果

S42、第一融合结果与其余任意一个局部动作轨迹进行融合获得第二融合结果

S43、判断所有的局部动作轨迹是否融合完成，若是，则第二融合结果作为射击动作轨迹；反之，则令第二融合结果作为第一融合结果，并返回S42。

本发明枪械的射击轨迹分析方法的工作原理如下：

各传感器首先对采集的数据源进行特征提取，在局部的卡尔曼滤波器内进行动作分析处理，识别出各自的局部动作轨迹数据，然后在融合中心对来自各传感器的局部动作轨迹进行时空对准及动作轨迹之间的关联融合，最后输出最终的射击动作轨迹；

在此之上结合UKF滤波设计了SCM神经网络的分布式动作轨迹融合算法：每个传感器配置无迹卡尔曼滤波器，在每个融合时刻首先生成多条局部动作轨迹，随后对这些局部动作轨迹进行序贯形式的协方差交叉融合。在获得目标的融合估计值之后，将状态预测值与最优估计值的残差数据输入到SCM神经网络中在线学习，数据对融合结果的补偿值，并对协方差矩阵进行修正。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。