本发明涉及弹道极限速度预测领域，具体涉及一种基于数据增强的破片侵彻靶板弹道极限速度预测方法。
背景技术：
1、弹道极限速度是衡量破片或弹道导弹穿透靶板能力的一种指标，对于设计和评估弹道导弹的性能十分重要。通过弹道极限速度确定弹头的穿透能力，进而评估导弹的杀伤效果并指导材料选择和设计优化，从而提高导弹的战斗效能。对于不同材料、不同直径的破片侵彻不同材质、厚度的目标，其对应的弹道极限速度不同。现有研究中，确定弹道极限速度的方法主要包括经验公式方法和数值计算方法。经验公式主要式基于大量试验实测数据建立弹道极限速度计算公式，包括de marre公式、午新民公式等，公式的适用条件及适用范围都不相同。数值计算方法主要应用有限元软件进行大量仿真工况计算，模拟结果依赖于网格划分及仿真参数，工作量大且准确性较难保证。传统计算方法中往往存在试验成本高、试验周期长等问题，因此采用机器学习方法解决这些问题。
2、随着互联网和大数据的迅速发展，机器学习方法被广泛地应用于研究破片对靶板的侵彻与贯穿过程。决策树是回归分析中的常用模型，采用集成学习的方法，将多个决策树组合成一个强大的模型，能有效减小模型的偏差和方差，且能够处理复杂的非线性关系，提升模型的预测准确性。决策树模型的预测能力依赖大量的样本数据，但侵彻数据量少且存在偏差数据，直接使用会导致模型预测效果。因此，结合数据增强方法和数据筛选，能够有效提高模型的预测效果。
技术实现思路
1、本发明的技术解决问题是：克服现有技术中存在的问题，提供了一种基于数据增强的破片侵彻靶板弹道极限速度预测方法，该方法通过新增少数区间样本数以规避侵彻数据量较少、存在异常值及样本分布不均衡带来的计算误差，从而更好地预测破片侵彻靶板的弹道极限速度值。
2、本发明的技术解决方案是：
3、一种基于数据增强的破片侵彻靶板弹道极限速度预测方法，具体包括如下步骤：
4、(1)对预先获取的侵彻数据进行数据异常检测与剔除；
5、(2)基于k-means聚类算法将经过步骤(1)处理过的侵彻数据分成h个待增强数据区间，并对该h个待增强数据区间进行处理，得到包括h个数据区间的扩充数据集d1；
6、所述对该h个待增强数据区间进行处理的方法为：
7、根据h个待增强数据区间的样本数据量及不平衡比例，选出少数样本区间，使用smote数据增强方法对该选出的少数样本区间的样本进行数据增强，对进行数据增强后的少数样本区间中的样本数据进行数据筛选；
8、(3)从扩充数据集d1中的每个数据区间中随机划分训练数据traindata和测试数据testdata；
9、(4)利用网格搜索和交叉验证方法选取最优模型参数，建立gbdt模型；
10、(5)使用步骤(3)得到的训练数据traindata对步骤(4)建立的gbdt模型进行训练，并使用测试数据testdata进行验证，得到验证后的gbdt模型；
11、(6)使用步骤(5)得到的验证后的gbdt模型对待测试的侵彻数据进行预测，得到破片侵彻靶板弹道极限速度预测值。
12、所述步骤(1)中，进行数据异常检测的方法为：以弹靶厚度比为x轴，弹道极限速度为y轴，利用origin软件进行曲线拟合，利用拟合得到的公式对弹道极限速度进行计算，统计试验数据值与公式计算值之间的误差，将误差值大于30％的数据点剔除，得到去除异常样本后的数据集，避免异常数据影响数据增强效果；
13、弹靶厚度比是破片直径与靶板厚度的比值；
14、所述步骤(2)中，分成h个待增强数据区间的方法为：使用k-means聚类算法对破片侵彻靶板试验数据进行区间聚类，初始化m个聚类中心，然后计算每个数据点到聚类中心的欧式距离，依次比较得到的欧式距离，将经过比较的各数据样本分配到距离最小的聚类中，然后以当前聚类中所有样本的均值来更新聚类中心；
15、所述步骤(2)中，进行数据增强的方法为：对少数样本区间m中的任一样本通过数据增强的方式来新增样本，具体为：
16、使用knn算法，通过欧氏距离计算m中的样本x到m中的所有样本的距离，从其k个邻居中随机选取若干个样本，假设选择的近邻为b，对每一个随机选出的样本b，分别与原样本数据按照如下公式构建新的样本：
17、bnew＝x+rand(0,1)×(x-b)
18、其中，rand(0,1)代表0到1内的随机数，不包括0和1；
19、所述步骤(2)中，进行数据筛选的方法为：
20、利用origin软件对增强数据样本进行曲线拟合，得到拟合公式后计算相应的弹道极限速度，计算增强数据值与计算值之间的误差，剔除误差大于15％的数据；
21、所述步骤(4)中，选取最优模型参数的方法为：网格搜索用于选取gbdt模型的最优超参数，将gbdt模型参数的取值区间按照设定规则划分为若干小区间，将各个参数可能的取值进行超参数组合，每组超参数采用交叉验证法进行评估，通过比较选择出最优超参数组合；对gbdt模型超参数的取值区间按照设定的搜索步长进行网格划分；超参数组合通过5折交叉验证的方法进行优化，将数据集平分为不相交的5个子集，一个子集作为测试集，其余子集作为训练集，由此得到5个gbdt模型的指标，将5个gbdt模型指标取平均值，作为5折交叉验证的模型的结果。
22、与现有技术相比，本发明的有益效果：
23、本发明提出的基于数据增强的破片侵彻靶板弹道极限速度预测方法，在数据质量的问题上，由于原数据集中存在一定的异常值，采用本发明提出的方法，规避了异常数据可能带来的误差以及对预测结果的影响；在数据数量的要求上，因为侵彻数据量较少，通过数据增强增加样本数据，解决现有方法中数据量缺乏的问题；在数据分布的问题上，解决了传统预测方法中数据分布的不平衡问题，最大程度上平衡了各区间的数据，减少样本数据不平衡带来的误差，从而提高模型整体的泛化能力，更好地实现对弹道极限速度的预测。
1.一种破片侵彻靶板弹道极限速度预测方法，其特征在于步骤包括：
2.根据权利要求1所述的一种基于数据增强的破片侵彻靶板弹道极限速度预测方法，其特征在于：
3.根据权利要求1或2所述的一种基于数据增强的破片侵彻靶板弹道极限速度预测方法，其特征在于：
4.根据权利要求3所述的一种基于数据增强的破片侵彻靶板弹道极限速度预测方法，其特征在于：
5.根据权利要求1或2所述的一种基于数据增强的破片侵彻靶板弹道极限速度预测方法，其特征在于：
6.根据权利要求5所述的一种基于数据增强的破片侵彻靶板弹道极限速度预测方法，其特征在于：
7.根据权利要求5所述的一种基于数据增强的破片侵彻靶板弹道极限速度预测方法，其特征在于：
8.根据权利要求1所述的一种基于数据增强的破片侵彻靶板弹道极限速度预测方法，其特征在于：
9.根据权利要求8所述的一种基于数据增强的破片侵彻靶板弹道极限速度预测方法，其特征在于：
