Page 111 - 《爆炸与冲击》2026年第5期

第 46 卷 梁俊宣，等： 基于CNN的弹体侵彻多层间隔混凝土薄靶弹道特性预测模型 第 5 期

训练及预测过程均在 Intel(R) Core(TM) i7-8750H 处理器与 NVIDIA GeForce GTX 1 050 显卡的硬件环境
中完成。
2.1 预测模型架构

模型基于 1D-CNN 架构，整体结构如图 4 所示。模型的输入量包括弹体特征（5 个）、靶体特征
（2 个）和弹靶交会特征（4 个），为避免因填充相同数量特征而引入无效数据，模型将总计 11 个特征值分
别视为独立的通道，每个通道仅包含一个特征值，形成形状为（32（批量大小），11，1）的输入张量。这使
得卷积核能够在各通道上独立地进行滑动和计算，从而让网络自动学习不同特征之间复杂的耦合关系
与相互作用。

Set 127
d
Projectile L
parameters CRH
m
l
Target f c
parameters H t v z
v y
Projectile-target ω v β
engagement α ω′
conditions φ hy
Post-target v z Fully connected
projectile v y layer 2
motion β (output layer)
parameters ω′ Max pooling Max pooling
hy
layer 1 layer 2
Input layer
Convolution Convolution Flatten
layer 1 layer 2 layer
Fully
connected
layer 1

图 4 1D-CNN 整体架构示意图
Fig. 4 Diagram of the 1D-CNN architecture

共设置 2 层一维卷积层。第 1 层卷积层使用 32 个大小为 2 的卷积核，并在输入数据两端进行填充，
以确保所有位置的信息得到平等处理。经下式计算该层输出特征图尺寸为 2，对应的输出张量形状为
（32，32，2）：
ï ò
W − F+2P
N = +1 (2)
s 1
1
式中：N 为输出特征图尺寸，W 为输入特征图尺寸，F 为卷积核大小，P 为填充大小，s 为卷积步长。为提
高模型学习复杂耦合关系的能力，使用 ReLU（rectified linear unit）激活函数引入非线性特征，该函数通过
将负值置零、保持正值不变的方式实现非线性变换，ReLU 函数定义如下：
ß
x x＞0
ReLU(x) = max(0, x) = (3)
0 x≤0
经过第 1 层卷积后，特征图经由大小与步长均为 2 的池化层进行下采样，以压缩数据量、突出关键
特征并提升模型的感受野。选择最大池化方法，即在池化窗口覆盖的区域内选取所有元素中的最大值
作为输出。由下式计算得到经过池化后每个特征图尺寸降为 1，第 1 层卷积-池化后的最终输出形状为
（32，32，1）：
ï ò
I − P s
O = +1 (4)
s 2
s
式中：O 为输出特征图尺寸，I 为输入特征图尺寸，P 为池化窗口大小，s 为池化步长。
2
将前一层的输出作为输入送入第 2 层卷积层，该层使用 64 个大小为 2 的卷积核（同样设置填充为

051432-6