具体实施方式
下面结合附图及实施例对本发明作进一步的说明。
如图所示本发明建立基于多普勒主动式微波雷达传感器为基础的区域自治网络。在图2所示的虚线圆形区域内的微波雷达传感器节点组成局域网络LAN1。他们监视有效区域由这LAN1内的节点所决定。一般四个节点覆盖区域为单个节点的覆盖区域的2.34倍。每组LAN中的传感器节点只对其所在的中心节点负责,将其收集到的信息传到LCN(Local center node)。LCNs是一系列具有较强浮点预算能力的DSP(如ADSPADSP-21xx)处理器,可以对经过节点简单预处理的数据进行ICA分析,双谱特征提取。神经网络分类需要消耗大量计算资源的复杂算法的。所有LCNs对FCN(Father center node)负责,将经过运算后的结果最终交由FCN节点判决。FCN节点也可以有网络中LCNs中的一个负担较轻的节点承担,通过网络内周期性交换网络流量信息,用流量指标函数:
用举FCN节点:FCN={i|max(Fidxi),i=1.2.3...},其中T为流量观测时间,fp观测频率,Φi(t)第i各节点在t时刻的流量。
这里的多普勒主动式微波雷达作为单位传感器的中心频率10.25GHz。多普勒雷达能够接收来自目标的反射信号(多普勒信号),并测量出目标的位置与多普勒速度。使用的多普勒雷达(CW雷达)的结构如图1所示。CW雷达首先是把振荡器产生的电波从天线发射出去,再用天线接收目标反射回来的电波。接收到的电波再用变频器变换为只有多普勒信号的信号。
上述微波雷达无线传感器网络中的节点根据采集到的目标信号构建分级预警制度,最终将区域内传感器的信号波形以及能量等信息,功率谱等信息综合由中心处理单元进行处理。实现网络中分布式协同信息处理任务。
上述微波雷达无线传感器网络中节点工作分两种模式激活:
1.为入侵式信号激活,如图3所示。全网节点监测各自防区内的收集到信号,分析信号特性,如信号能量,kurt,功率谱,峰度值。若信号能量,kurt,功率谱,李亚普罗夫指数发现异常,则向其负责的防御局域网络报警,将其所在的局域网络的节点全部激活,激活之后所有节点将各自所采集的信号向局域中心节点汇报。
2.间歇式信号激活:全网节点监测一定时隙把各自防区内收集到信号向其负责的防御局域网络中心节点报稿,局域局域网节点分析信号特性将结果通告FCN。
本发明的微波雷达传感器CAN总线的实现方法:如图5所示。CAN通讯协议主要描述设备之间的信息传递方式。CAN层的定义与开放系统互连模型(OSI)一致。每一层与另一设备上相同的那一层通讯。实际的通讯发生在每一设备上相邻的两层,而设备只通过模型物理层的物理介质互连。CAN的规范定义了模型的最下面两层:数据链路层和物理层。应用层协议可以由CAN用户定义成适合特别工业领域的任何方案。雷达传感器无线接入由CAN总线无线接入控制模块构成,每个模块的组成及各部分的作用是:无线传感器节点的微控制器及存储器模块,接收对端无线接入控制模块传来的数据并存储,然后将数据交CAN控制器待发,同时接收CAN控制器传来的数据并通过传感器网络将数据发送到对端无线接入控制模块;CAN控制器采用Msp430系列单片机,运行CAN协议,为传感器网络结点提供CAN总线服务;收发器采用Msp430系列单片机作为CAN控制器与物理媒体的物理接口,为CAN控制器提供比特流服务。
在Can接口网络中各节点采用双IDIP包模式交换信息,其信息用以上的信息包传输,帧格式如图4所示。其中Global ID为局域网络的ID,在整个网络中最多可拥有28个局域网络。Local ID为局域网内的ID,一个局域网内最多可拥有24个微波雷达传感器节点。SR为信号波形的采样率,TD为信号持续时间。Data为所采信号的数据。IDIP包模式不仅可以制定唯一的节点ID而且可以利用他定位入侵时间的大致地点,有利于地址分配管理和物理定位。
本发明的微波雷达传感器节点算法:微波雷达传感器节点对数据进行预处理,需要对信号进行实时的分析,判决信号是否异常从而向其所在局域网内的其他他节点发起警报。本发明采用分级预警制度以提高报警效率,降低虚警和漏警情况。步骤如下:
1.设定能量阈值δeng,若信号在时间T内的能量均值δeng>δav,则说明有入侵体入侵,直接向FCN报警,此预警信号具有最高优先级。若δeng≤δav则进入步骤2.。
2.用混沌Duffing振子检测在噪声中微弱的微波雷达多普勒信号
其中ω为本征频率,s为微波雷达传感器节点接收到的信号。这里我们取k=0.5.在k固定的情况下取d=0.8086,系统状态随s的的出现有规律的变化,具体相轨迹过程为同宿轨分岔状态、混沌状态、临界周期状态、大尺度周期状态。
3.建立ω滤波器组,ω的范围从10Hz~100Hz,步进为2Hz,也就是:
ωi=10+2×i
代入2中的方式建立Duffing振子,求解不同ωi下的xi。
4.判断xi所处的状态,求解若xi处于混沌状态,说明无入侵信号。若xi处于大尺度周期状态或临界周期状态则说明可能有入侵信号,需要将信号和特征送入LCN进行进一步分析才能确定。此时传感器节点将向同一局域网内的节点发起警报将网内节点激活,收集数据并将采集的数据送入LCN进行处理。系统处于处于混沌状态,尺度周期状态和临界周期状态可以用计算最大Lyapunov特性指数来度量,利用最大Lyapunov特性指数指示Duffing振子所处的状态,如果最大Lyapunov特性指数大于0,测说明系统处于混沌状态,反之则处于周期状态。Lyapunov特性指数沿某一方向取值的正负和大小表示长时间系统在吸引子中相邻轨线沿该方向。Lyapunov指数计算式为:
其中,L(tk)表示tk时刻最邻近零点间的距离;M为计算总步数。最大Lyapunov指数不仅是区别混沌吸引子的重要指标,也是混沌系统对于初始值敏感性的定量描述。对于维数大于1的系统,存在LCE集合,通常称为Lyapunov指数谱。利用Lyapunov特性指数判别混沌的标准是:只要存在一个正的Lyapunov特性指数,就说明系统处于混沌态,换句话说,只要系统的最大Lyapunov特性指数大于零,则标志着系统是混沌的。
5.微波雷达传感器中心节点的核心算法
在局域网中心节LCN点该网内收集到的信号进行分析和处理。
1.基于ICA(Independent components analysis)多源信息融合实现多目标识别,将各个入侵体和入侵性质进行分离。
独立分量分析 (IndePendentComPonentAnalysis,ICA)是由盲源分离(Blindsourceseparation,BSS)技术发展来的一种新的多维信号处理方法。它以非高期信号为处理对象,在满足一定的条件下,能从多路观测信号中,较完整的分离出隐含其中的若干独立源信号。
设x1,x2,...,xn为n维同一微波局域网内各节点雷达观测混合信号,由m为源信号(或独立源)s1,s2,...,sn线性组合而成,忽略时间下标t,并假设每个信号xi(t),为该随机变量的一次抽样。不失一般性。设混合随机变量和独立源都具有零均值。下面用矩阵形式来定义ICA模型。令X=(x1,x2,...,xn)T为n维随机观测向量,S=(s1,s2,...,sn)T是m维未知信号源,则ICA线性模型可以表示为:
式中,si称为雷达信号独立分量,A=[a1,...,am]是一满秩的n×m矩阵,称为混合矩阵,a是混合矩阵的基向量。各雷达节点观测数据xi是由经过不同的aij加权得到的。独立源si是隐含变量,不能被直接测量;混合和矩阵A也是未知矩阵。假设未知源均为独立性,针对ICA具体模型,雷达信号之间相互独立即 在ICA模型中,除了要求源信号相互独立外,还必须满足非高斯分布的特性,而雷达网络收集到的多普勒信号一般是满足这一条件。此外为简化模型,假设未知混合矩阵A是方阵,即m=n。那么ICA的目的就是寻找一个变换矩阵W,也称为解混合矩阵,对x进行线性变换,得n维输出向量:
U=Wx=WAs
当允许存在比例不定性和顺序不定性的前提下,u成为独立分量si的一个估计
中心极大定理认为,任意几个独立的随机变量之和形成的分布比两个原始的随机变量中任意一个更加接近高斯分布。也可以这么说非高斯性就是独立性。本发明我们采用峭度来度量雷达所收集到信号的非高斯性。峭度可以定义为:
kurt(y)=E(y4)-3(E(y2))2
以上y均为标准化之后的信号数据(即均值为零,方差为1)。
由此我们产生了一种极大化峭度的绝对值独立元分离信号的算法:
1.白化:
a.求解雷达网络监测到数据的协方差矩阵:Cx=E{xxT};
b.求解协方差矩阵的特征值矩阵D={λ1,λ2....λn}及特向量矩阵E={e1,e2,...,en};
c.线性算子V=D-1/2ET;
d.白化数据z=Vx。
2.梯度法求独立信号:
a.wTz的峭度绝对值的梯度:
b.梯度算法:
Δw∝sign(|kurt(wTz)|)[E{z(wTz)3}]
w←w/‖w‖
c.使用fix-point算法将b改写为:
Δw∝sign(|kurt(wTz)|)[E{z(wTz)3}-3w‖w‖2]
w←E{z(wTz)3}-3w
可以证明c中的迭代方法为FastICA一种,收敛速度非常快(cubic阶次),而且算法中没有可调参数,因此此种算法更容易且更可靠。
在实际测试中,信号是带有噪声的,以下是利用我们实际观测数据在Matlab7.0a下做仿真测试,图6中显示依次是环境噪声,入侵体信号1,入侵体信号2。图7中显示依次是微波雷达传感器1接收的信号,微波雷达传感器2接收的信号,微波雷达传感器3接收的信号。图8中显示依次是Fix-ponit-ICA算法入侵体信号1,入侵体信号2,以及背静噪声。由此可见,ICA算法不仅能将不同入侵源的信号进行准确分离,而且能够大大提高信噪比,在这次仿真中信噪比提高达到了64dB。
本发明的基于小波变换的微波雷达信号特征提取及分类方法。
1.雷达信号特征提取:
在得到分离信号后就要对信号进行特征提取处理,以得到信号特征后分类。在雷达信号处理中,从雷达回波中提取目标特征不但要能够反映目标的物理特性(比如大小、形状、结构等)外,最重要地还要具有实时性,即提取特征所花费的时间不能太长和代价不能太高,而且特征数据的存储占用空间不能太大。鉴于此原因,提出一种雷达回波信号特征提取方法。信号经小波分解后,可以在不同的尺度上得到一系列的小波变换系数,这些系数完备地描述了信号的特征,因而可以用作分类的特征子集。一般认为,如果信号的波形较为规则,则采用小波系数可以取得较好的分类效果,否则,小波变换结果的离散性将相当大,从而导致分类能力大大降低。另外,考虑到小波变换所得到的系数非常多,如果都作为特征,势必严重降低分类器的性能,而且很不适合实时应用的场合,因此必须进行降维。设雷达回波信号为x(t),特征向量提取的具体步骤如下:
1)对x(t)进行小波变换在不同的尺度上得到一系列的小波变换系数,设第i尺度上的系数为Aj={xij|j=1,2,3...};
2)对于每一尺度设置一个门限,设第i尺度上的门限为δi,将小波变换系数转换为二进制,令:
3)设置一个步长k,再将二进制小波变换系数rij每k位转换为十进制,得到的小波变换系数记为aim。在雷达目标识别系统中,可以将aim作为雷达目标的特征向量。需要指出,在要求比较高的情况下,可以对每个尺度选择不同的步长l,设置不同的门限,将小波系数转换成其它进制。以雷达目标-维距离像为例,验证本文提出方法的可行性。例如对雷达信号进行小波变换,取小波函数为‘db1’,得到3个尺度上的高频系数和第3尺度上的低频系数。
2.雷达信号特征提取及分类
采用BP网络作为模式识别分类器,将步骤1所得到的特征向量输入网络的输入神经网络。通过现场数据对神经网络进行迭代训练1000次。一般情况下三层神经网络可以很好地解决模式识别分类问题,隐层神经元个数n2和输入层神经元个数n1之间有以下关系:
n2=2n1+1
本发明针对入侵威胁将目标分为3类:有害入侵体(爆炸物等),无害入侵体(鸟的飞行),无入侵体,输出分别对应为1,0,-1。学习规则:
网络输入向量Pk=(a1,a2,...,an),网络目标向量Tk=(y1,y2,...,yn),这里Tk=y1,隐层输出向量Sk=(s1,s2,...,sn),隐层输出向量Bk=(b1,b2,...,bn)。输出层输入向量Lk=(l1,l2,...,ln),输出向量Ck=(c1,c2,...,cn);输入层至中间层的链接权ωij,中间层至输出层的链接权vij,中间层各单元的输出阈值θj,输出层各单元的输出阈值γj
(1).初始化ωij,vij,θj,γj。
(2).随机选取一组样本 Tk=(y1,y2,...,yn)提供给网络
(3).输入 链接权ωij和阈值θj计算中间层各单元的输入sj,然后用sj通过传递函数计算中间各层单元的输出bj。、
bj=f(sj),j=1,2,...,p
(4)利用中间层的输出bj,连接权ωij和阈值γj计算输出层各单元的输出Lt,然后利用传递函数计算输出层各单元的响应Ct。
Ct=f(Lj),j=1,2,...,q
(5)利用 网络的实际输出Ct,计算各层的各单元一般化误差dt k:
(6)利用权值vjt,输出层的一般化误差dt和中间层的输出bj计算中间层各单元的一般化误差ej k。
(7)利用输出层各单元的一般化误差dt k与中间个单元的输出bj来修正连接权值vjt和阈值γj:
t=1,2,...q,j=1,2,..p.0<α<1
(8)利用中间层个单元的一般化误差ej k,输入层个单元的输入Pk=(a1,a2,...,an)来修正连接权ωij和阈值θj
t=1,2,...q,j=1,2,..p.0<α<1
(9)利随机选取下一个学习样本提供网络,返回(3),知道m个训练样本训练完毕。
(10)重新从m个学习样本中随机选取一组输入和目标样本,返回(3),直到网络全局误差小于预先设定的一个极小值,网络收敛。
(10)学习结束。