CN102043148B - 基于广义匹配滤波的地面运动目标分类方法 - Google Patents

Abstract

本发明公开了一种基于广义匹配滤波的地面运动目标分类方法，主要解决现有动目标显示技术在杂波抑制阶段对目标多普勒谱存在非线性调制的问题。其实现过程是：估计杂波自相关矩阵；求杂波自相关矩阵的白化矩阵；利用白化矩阵对含有目标的时域回波信号中的杂波成分进行白化处理，得到白化杂波后的时域回波信号；对白化杂波后的时域回波信号进行匹配处理得到去除杂波成分的多普勒谱；对去除杂波成分的多普勒谱进行特征提取，对提取的特征使用识别算法进行识别。本发明可消除动目标显示技术对目标多普勒谱的非线性调制作用，去除杂波成分对识别结果的影响，可用于对具有旋转部件的地面运动目标进行识别。

Description

基于广义匹配滤波的地面运动目标分类方法

技术领域

本发明属于雷达技术领域，涉及目标识别方法，可用于对具有旋转部件的地面运动目标进行识别。

背景技术

物体运动时，除了自身的平动，物体的某些部件通常还会有相对于物体的运动，这样的现象在自然界中普遍存在，如人行走时四肢的摆动，昆虫飞行时翅膀的振动，直升机飞行时螺旋桨的转动等，美国海军实验室的研究人员分析了这种运动，将这种运动命名为微运动，并将这类运动产生的雷达回波中的多普勒调制现象命名为微多普勒效应。微多普勒概念提出后，对不同微动形式产生的微多普勒现象的研究，深化了人们对机动部件多普勒谱调制现象的认识，使得从目标回波的多普勒信息中提取有利于识别和分类的特征有了新的途径。

在雷达目标识别领域中，地面目标所处环境较空中目标复杂，其雷达回波中含有大量地物杂波，从目标的时域信号中难以得到有利于目标识别的准确信息，由于产生杂波的地物大多是静止的，当目标与雷达之间有相对运动时，回波信号相对于发射信号会产生频率差，这就是多普勒频率，它正比于相对运动的径向速度，反比于雷达工作波长，在多普勒域中动目标的多普勒频率会在偏离零频率的位置出现，从而可以实现运动目标和静止地物杂波的分离。同时，不同目标的多普勒谱提供了目标自身的运动信息，包括目标自身的平动信息以及目标上旋转部件的微动信息，利用这些信息可以实现对目标的分类和识别。

经过对微多普勒现象的研究，使得在地面目标识别领域，有可能取代传统的人工操作模式，实现雷达的自动目标识别。在雷达目标运动时，物体的平动径向速度在物体运动中往往占主要成分，在多普勒谱中体现为目标的平动多普勒成分较微动多普勒成分强。但对于具有不同旋转部件的地面动目标，平动多普勒成分较微动多普勒成分的强弱比例是有所差异的。通过实验可以得知，轮式车辆的多普勒谱中几乎观察不到微动多普勒成分，平动多普勒成分占据了绝大多数能量。与轮式车辆不同，履带式车辆的多普勒谱中，尽管平动多普勒成分占据了较多能量，但也有相当一部分能量分布在微动多普勒成分中。正是由于存在这样的差异，为我们对地面动目标进行分类识别提供了途径。

地面运动车辆目标的雷达回波信号中，含有地物杂波。这些地物杂波在目标识别过程中属于无用信息，会降低目标识别算法的性能，因此在进行目标识别前，需要对地物杂波通过一定的预处理进行抑制。传统的杂波抑制方法为动目标显示技术(MTI)，其具体的实现是通过雷达回波信号序列的对消来去除静止地物杂波，这种方法的优点是简单易行，缺点是会对信号的多普勒谱进行非线性调制，压低接近0频率处的频率成分，放大远离0频率处的频率成分。由于传统动目标显示技术的这种缺陷，使得地面运动车辆目标的多普勒谱中的微动信息实际上受到了破坏，对最终的识别结果有很大影响。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于广义匹配滤波的地面运动目标分类方法，以消除传统的动目标显示技术对多普勒谱的非线性调制作用，去除杂波成分对识别结果的影响，提高识别率。

为实现上述目的，本发明提出以下两种技术方案：

一.技术方案1，包括以下步骤：

1)假设目标与杂波相互独立，则含有目标和杂波的时域回波信号的自相关矩阵为：R_x＝R_s+R_c，其中：

代表目标的时域回波信号的自相关矩阵，s_i代表第i次目标时域回波信号，N为信号总数，上标H代表共轭转置，

代表杂波的时域回波信号的自相关矩阵，c_i代表第i次杂波时域回波信号，

x_i代表第i次含有目标和杂波的时域回波信号；

2)在含有目标的距离单元附近，由仅含杂波的时域回波信号对杂波的自相关矩阵R_c进行估计，得到R_c的估计值：

其中

代表第i次仅含杂波的时域回波信号，M为用于估计杂波的自相关矩阵的信号数：

3)对杂波的自相关矩阵的估计值

进行特征值分解，得到

的特征向量矩阵U和特征值矩阵Λ，满足

计算

的白化矩阵：B＝UΛ^-1/2；

4)对含有目标和杂波的第i次时域回波信号x_i中的杂波成分，使用白化矩阵B进行白化处理，得到白化杂波后的时域回波信号：y_i＝B^Hx_i；

5)对白化杂波后的时域回波信号y_i进行匹配，得到去除了杂波成分的多普勒谱：Y_i＝f^HBy_i，其中f为匹配系数，当使用傅里叶变换进行匹配时，f为傅里叶系数，步骤2)至步骤5)的杂波抑制称为广义匹配滤波杂波抑制；

6)对去除了杂波成分的多普勒谱Y_i进行特征提取，对于提取的特征选用识别算法训练分类器，利用训练好的分类器对测试数据进行识别，得到最终识别结果。

二.技术方案2，包括如下步骤：

(1)假设目标与杂波相互独立，则含有目标和杂波的时域回波信号的自相关矩阵为：R_x＝R_s+R_c，其中：

代表目标的时域回波信号的自相关矩阵，s_i代表第i次目标时域回波信号，N为信号总数，上标H代表共轭转置，

代表杂波的时域回波信号的自相关矩阵，c_i代表第i次杂波时域回波信号，

x_i代表第i次含有目标和杂波的时域回波信号；

(2)在含有目标的距离单元附近，由仅含杂波的时域回波信号对杂波的自相关矩阵R_c进行估计，得到R_c的估计值：

其中代表第i次仅含杂波的时域回波信号，M为用于估计杂波的自相关矩阵的信号数：

(3)对杂波的自相关矩阵的估计值

进行Cholesky分解，得到的Cholesky分解形式：

其中G为Cholesky分解得到的上三角阵，计算的白化矩阵：D＝G^-1；

(4)对含有目标和杂波的第i次时域回波信号x_i中的杂波成分，使用白化矩阵D进行白化处理，得到白化杂波后的时域回波信号：y_i＝D^Hx_i；

(5)对白化杂波后的时域回波信号y_i进行匹配，得到去除了杂波成分的多普勒谱：Y_i＝f^HDy_i，其中f为匹配系数，当使用傅里叶变换进行匹配时，f为傅里叶系数，步骤(2)至步骤(5)的杂波抑制过程称为广义匹配滤波杂波抑制；

(6)对去除了杂波成分的多普勒谱Yi进行特征提取，对于提取的特征选用合适的识别算法训练分类器，利用训练好的分类器对测试数据进行识别，得到最终识别结果。

附图说明

图1是本发明的流程图；

图2是用现有MTI滤波对目标多普勒谱的非线性调制示意图；

图3是本发明中估计杂波自相关矩阵选取的雷达时域回波信号示意图；

图4是用本发明的广义匹配滤波与现有MTI滤波抑制杂波的效果对比图；

图5是对图4提取特征的可分性示意图。

具体实施方式

参照图1，本发明给出以下两种实施例：

实施例1：具体实现步骤如下：

步骤一，确定信号模型。

雷达照射地面运动目标时，其回波中除了包含目标信息外，还包含有地面杂波信息，对于包含目标和杂波的一系列雷达时域回波信号x_i，i＝1，2，...，N，其自相关矩阵为

其中N为信号总数，上标H代表共轭转置，假设目标与杂波是相互独立的，在这种情况下，R_x仅由信号的自相关和杂波的自相关构成，其形式为：

R_x＝R_s+R_c                    [1]

式中，

代表目标时域回波信号的自相关矩阵，s_i代表第i次目标时域回波信号，

代表杂波时域回波信号的自相关矩阵，c_i代表第i次杂波时域回波信号；若已知杂波的自相关矩阵，就可以对回波中的杂波成分进行抑制。

步骤二，估计杂波信号的自相关矩阵

2.1)确定估计杂波自相关矩阵的信号应满足的条件

在相近距离单元具有相似杂波环境，且杂波性质稳定的假设下，为了估计杂波信号的自相关矩阵，确定估计的信号中仅含有杂波和噪声，而不包含目标，同时确定估计的信号应该从尽可能离目标近的距离单元内获取，从而保证估计出的杂波自相关矩阵与目标所在距离单元内的杂波自相关矩阵性质接近；

2.2)估计杂波信号的自相关矩阵。

当获取了仅含有杂波和噪声的信号i＝1，2，...，M后，按照[2]式估计杂波时域回波信号的自相关矩阵；

${\hat{R}}_c=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\hat{c}}_i{{\hat{c}}_i}^H---\left[2\right]$

式中，上标H代表共轭转置，M为用于估计杂波信号的自相关矩阵的信号数，为了保证估计精度，M应该至少保证为信号

长度的4倍，在系统资源允许的情况下，M越大越好。

步骤三，计算白化矩阵。

实际中，雷达时域回波信号x_i，i＝1，2，...，N和雷达时域回波信号的自相关矩阵R_x为已知量，杂波信号的自相关矩阵R_c可以按步骤二得到其估计值

对杂波的自相关矩阵的估计值进行特征值分解，得到的特征向量矩阵U和特征值矩阵Λ，满足

根据特征向量矩阵U和特征值矩阵Λ，求得杂波自相关估计值

的白化矩阵B＝UΛ^-1/2；

对[1]式两边左乘B^H，右乘B，得到对雷达时域回波信号的自相关矩阵R_x中杂波的白化结果：

B^HR_xB＝B^HR_sB+B^HR_cB

                        [3]

     ＝B^HR_sB+I

其中I为对角线上元素为1其他元素为0的正万矩陈。

步骤四，使用白化矩阵对雷达时域回波信号中的杂波成分进行白化。

对于含有目标和杂波的第i次时域回波信号x_i，左乘B^H，得到白化杂波后的时域回波信号y_i：

y_i＝B^Hx_i                [4]

根据式[4]得到白化杂波后的雷达时域回波信号自相关矩阵R_y为：

$R_y=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{y_i}^H$

$=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{B}^H{x}_i{\left(B^H{x}_i\right)}^H.---\left[5\right]$

$=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{B}^H{x}_i{x_i}^{H}B$

$=B^H{R}_{x}B$

步骤五，对白化杂波后的时域回波信号y_i进行匹配。

设f为含有目标的第i次时域回波信号x_i的匹配系数，当x_i按式[4]进行了变换以后，匹配系数f也应该进行相应的变换，即变换后的匹配系数为B^Hf；

根据变换后的匹配系数，按下式对白化杂波后的时域回波信号y_i进行匹配，得到去除了杂波成分的多普勒谱Y_i：

Y_i＝(B^Hf)^Hy_i。

                        [6]

  ＝f^HBy_i

步骤六，对去除了杂波成分的多普勒谱Y_i进行特征提取，对提取的特征使用分类算法进行识别。

6.1)平动径向速度成分能量比特征提取

首先，对去除了杂波成分的多普勒谱Y_i，i＝1，2，...，N，使用谐波估计方法提取目标平动径向速度成分的时域信号p：

$p=\frac{a}{L}\exp (j2\mathrm{\π}{f}_{d}t+\mathrm{j\φ})---\left[7\right]$

其中，a为多普勒谱Y_i主峰的幅度，f_d为多普勒谱Y_i主峰对应的多普勒频率，即平动径向速度引起的多普勒频率，φ为多普勒谱Y_i主峰对应的相位，L为有效脉冲积累数，j为虚数单位，π为圆周率；

然后，对目标平动径向速度成分的时域信号p进行傅里叶变换，得到目标平动径向速度成分的多普勒谱Q；

根据目标平动径向速度成分的多普勒谱Q，计算平动径向速度成分能量比特征：

$\mathrm{feature}1=\frac{{{\left|\right|Q\left|\right|}_2}^2}{{{\left|\right|Y_i\left|\right|}_2}^2}---\left[8\right]$

式中，||·||₂代表向量的2范数。

6.2)多普勒谱主瓣与峰值副瓣幅度比特征提取

从去除了杂波成分的多普勒谱Y_i减去目标平动径向速度成分的多普勒谱Q得到去除了目标平动径向速度成分的多普勒谱：Z＝Y_i-Q；

根据去除了目标平动径向速度成分的多普勒谱Z，计算多普勒谱主瓣与峰值副瓣幅度比特征：

$\mathrm{feature}2=\frac{{\left|\right|Q\left|\right|}_{\∞}}{{\left|\right|Z\left|\right|}_{\∞}}---\left[9\right]$

式中，||·||_∞代表向量的无穷范数。

6.3)使用分类算法进行识别。

特征提取后，将得到的二维的特征向量，利用支持向量机对提取的特征进行分类。

上述实例在白化矩阵的计算上使用了特征值分解技术，对广义匹配滤波进行杂波抑制预处理后得到的多普勒谱Yi提取了平动径向速度成分能量比和多普勒谱主瓣与峰值副瓣幅度比作为识别特征，选用支持向量机进行分类，实际中分类算法不仅仅局限于支持向量机，还可以根据实际情况选取如线性判决分析，相关向量机和k近邻分类器。

实施例2：具体实现步骤如下：

步骤1，确定信号模型。

雷达照射地面运动目标时，其回波中除了包含目标信息外，还包含有地面杂波信息，对于包含目标和杂波的一系列雷达时域回波信号x_i，i＝1，2，...，N，其自相关矩阵为

其中N为信号总数，上标H代表共轭转置，假设目标与杂波是相互独立的，在这种情况下，R_x仅由信号的自相关和杂波的自相关构成，其形式为：

R_x＝R_s+R_c                <1>

式中，代表目标时域回波信号的自相关矩阵，s_i代表第i次目标时域回波信号，

代表杂波时域回波信号的自相关矩阵，c_i代表第i次杂波时域回波信号；若已知杂波的自相关矩阵，就可以对回波中的杂波成分进行抑制。

步骤2，估计杂波信号的自相关矩阵。

2a)确定估计杂波自相关矩阵的信号应满足的条件

在相近距离单元具有相似杂波环境，且杂波性质稳定的假设下，为了估计杂波信号的自相关矩阵，确定估计的信号中仅含有杂波和噪声，而不包含目标，同时确定估计的信号应该从尽可能离目标近的距离单元内获取，从而保证估计出的杂波自相关矩阵与目标所在距离单元内的杂波自相关矩阵性质接近；

2b)估计杂波信号的自相关矩阵。

当获取了仅含有杂波和噪声的信号

i＝1，2，...，M后，按照<2>式估计杂波时域回波信号的自相关矩阵：

${\hat{R}}_c=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\hat{c}}_i{{\hat{c}}_i}^H---<2>$

式中，上标H代表共轭转置，M为用于估计杂波信号的自相关矩阵的信号数，为了保证估计精度，M应该至少保证为信号

长度的4倍。在系统资源允许的情况下，M越大越好。

步骤3，计算白化矩阵。

实际中，雷达时域回波信号x_i，i＝1，2，...，N和雷达时域回波信号的自相关矩阵R_x为已知量，杂波信号的自相关矩阵R_c可以按步骤2得到其估计值

对杂波的自相关矩阵的估计值

进行Cholesky分解，得到

的Cholesky分解形式

其中G为Cholesky分解得到的上三角阵；

根据Cholesky分解得到的上三角阵G，求得杂波自相关估计值

的白化矩阵D＝G^-1；

对<1>式两边左乘D^H，右乘D，得到对雷达时域回波信号的自相关矩阵R_x中杂波的白化结果：

D^HR_xD＝D^HR_sD+D^HR_cD       <3>

     ＝D^HR_sD+I

其中I为对角线上元素为1其他元素为0的正方矩阵。

步骤4，使用白化矩阵对雷达时域回波信号中的杂波成分进行白化。

对于含有目标和杂波的第i次时域回波信号x_i，左乘D^H，得到白化杂波后的时域回波信号y_i：

y_i＝D^Hx_i                 <4>

根据式<4>得到白化杂波后的雷达时域回波信号自相关矩阵R_y为：

$R_y=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{y}_i{y_i}^H$

$=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{D}^H{x}_i{\left(D^H{x}_i\right)}^H.---<5>$

$=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{D}^H{x}_i{x_i}^{H}D$

$=D^H{R}_{x}D$

步骤5，对白化杂波后的时域回波信号y_i进行匹配。

设f为含有目标的第i次时域回波信号x_i的匹配系数，当x_i按式<4>进行了变换以后，匹配系数f也应该进行相应的变换，即变换后的匹配系数为D^Hf；

根据变换后的匹配系数，按下式对白化杂波后的时域回波信号y_i进行匹配，得到去除了杂波成分的多普勒谱Y_i：

Y_i＝(D^Hf)^Hy_i。

                    <6>

  ＝f^HDy_i

步骤6，对去除了杂波成分的多普勒谱Y_i进行特征提取，对提取的特征使用分类算法进行识别。

6a)平动径向速度成分能量比特征提取

首先，对去除了杂波成分的多普勒谱Y_i，i＝1，2，...，N，使用谐波估计方法提取目标平动径向速度成分的时域信号p：

$p=\frac{a}{L}\exp (j2\mathrm{\&pi;}{f}_{d}t+\mathrm{j\&phi;})---<7>$

其中，a为多普勒谱Y_i主峰的幅度，f_d为多普勒谱Y_i主峰对应的多普勒频率，也即平动径向速度引起的多普勒频率，φ为多普勒谱Y_i主峰对应的相位，L为有效脉冲积累数；

然后对目标平动径向速度成分的时域信号p进行傅里叶变换得到目标平动径向速度成分的多普勒谱Q；

根据目标平动径向速度成分的多普勒谱Q，计算平动径向速度成分能量比特征：

$\mathrm{feature}1=\frac{{{\left|\right|Q\left|\right|}_2}^2}{{{\left|\right|Y_i\left|\right|}_2}^2}---<8>$

式中，||·||₂代表向量的2范数。

6b)多普勒谱主瓣与峰值副瓣幅度比特征提取

从去除了杂波成分的多普勒谱Y_i减去目标平动径向速度成分的多普勒谱Q得到去除了目标平动径向速度成分的多普勒谱：Z＝Y_i-Q；

根据去除了目标平动径向速度成分的多普勒谱Z，计算多普勒谱主瓣与峰值副瓣幅度比特征：

$\mathrm{feature}2=\frac{{\left|\right|Q\left|\right|}_{\&infin;}}{{\left|\right|Z\left|\right|}_{\&infin;}}---<9>$

式中，||·||_∞代表向量的无穷范数。

6c)使用分类算法进行识别。

特征提取后，将得到的二维的特征向量，利用支持向量机对提取的特征进行分类。

上述实例在白化矩阵的计算上使用了Cholesky分解技术，对广义匹配滤波进行杂波抑制预处理后得到的多普勒谱Y_i提取了平动径向速度成分能量比和多普勒谱主瓣与峰值副瓣幅度比作为识别特征，选用支持向量机进行分类，实际中分类算法不仅仅局限于支持向量机，还可以根据实际情况选取如线性判决分析，相关向量机和k近邻分类器。

本发明的效果通过对实施例1的实测数据的实验进一步说明：

1.实验场景：

实测数据包含三种车辆目标，分别为卡车，坦克和装甲车。其中，卡车为轮式车辆，坦克和装甲车为履带式车辆。一个相关处理间隔中的脉冲积累数为64。实验数据分为训练数据集和测试数据集，两组数据集分别录取自不同的时间段，训练数据涵盖了测试数据中的逼近目标姿态，仅在录取环境上存在微小差异。

2.实验内容：

对于长度为64点的雷达时域回波信号，选取不含目标仅含有杂波的距离单元作为估计杂波自相关矩阵的信号，如图3所示，图3为目标的距离单元随时间的变化，从图3中可以得知，当帧序号增加时，即随时间推移，目标距离单元标号逐渐减小，说明目标是逼近雷达运动，矩形中的区域是目标在运动中需要经过但还未到达的距离单元，其杂波特性可以认为是目标周围环境的杂波特性，因此选取矩形区域中的信号作为估计杂波自相关矩阵的信号，约10000个样本，对杂波自相关矩阵进行估计。

由估计出的杂波自相关矩阵计算白化矩阵，由得到的白化矩阵对包含目标的时域回波信号进行杂波白化。

对白化后的信号进行傅里叶变换得到目标的多普勒谱，结果如图4所示，其中图4a表示未进行杂波抑制的包含目标的时域信号的多普勒谱，图4b表示使用MTI滤波去除杂波和使用广义匹配滤波去除杂波后目标多普勒谱的对比。

使用广义匹配滤波对包含目标的时域回波信号进行预处理后，对去除杂波的目标多普勒谱进行特征提取，提取特征的可分性示意图如图5所示，其中图5a表示使用广义匹配滤波抑制杂波后提取特征的可分性示意图，图5b表示使用MTI滤波抑制杂波后提取特征的可分性示意图。

以提取的二维特征作为轮式和履带式两类车辆目标的识别特征，使用支持向量机分类器进行分类识别的结果如表1所示。

表1MTI滤波识别结果和本发明的识别结果比较

3.实验结果分析：

从图2中可以看出，传统的MTI抑制杂波方法对目标的多普勒谱幅度具有非线性调制作用，其中图2a表示卡车目标径向速度较低时使用MTI滤波抑制杂波后卡车目标的多普勒谱，图2b表示卡车目标径向速度较高时使用MTI滤波抑制杂波后卡车目标的多普勒谱。从图2中可以看出，目标径向速度越低，则平动径向速度成分和微动径向速度成分受到MTI滤波调制的影响越大，从图2中还可以看出，抑制杂波前，目标的多普勒谱实际是相似的，但经过MTI滤波后，由于径向速度不同导致的非线性调制影响不同，使得经过MTI滤波抑制杂波后同一目标的多普勒谱出现了差异，这对识别结果是不利的。

从图4中可以看出，经过本发明的广义匹配滤波进行杂波抑制后，在杂波成分得到了较好抑制的同时，目标的多普勒谱与原信号是非常相似的，而MTI滤波抑制杂波后，尽管杂波成分得到了抑制，但目标的多普勒谱与原信号已经出现了较大差异。

从图5中可以看出，经过本发明的广义匹配滤波进行杂波抑制后，从得到的目标多普勒谱中提取的特征具有较好的可分性，而使用MTI滤波抑制杂波后，从得到的目标多普勒谱中提取的特征可分性较差。

从表1中可以看出，本发明的方法消除了MTI滤波因具有对目标多普勒谱幅度的非线性调制而对识别结果产生的影响，取得了较好的识别效果。

Claims (4)

1.一种基于广义匹配滤波的地面运动目标分类方法，包括如下步骤：

1)假设目标与杂波相互独立，则含有目标和杂波的时域回波信号的自相关矩阵为：R_x＝R_s+R_c，其中：

代表目标的时域回波信号的自相关矩阵，s_i代表第i次目标时域回波信号，N为信号总数，上标H代表共轭转置，

代表杂波的时域回波信号的自相关矩阵，c_i代表第i次杂波时域回波信号，

x_i代表第i次含有目标和杂波的时域回波信号；

2)在含有目标的距离单元附近，由仅含杂波的时域回波信号对杂波的自相关矩阵R_c进行估计，得到R_c的估计值：

其中

代表第i次仅含杂波的时域回波信号，M为用于估计杂波的自相关矩阵的信号数：

3)对杂波的自相关矩阵的估计值

进行特征值分解，得到

的特征向量矩阵U和特征值矩阵Λ，满足

计算的白化矩阵：B＝UΛ^-1/2；

4)对含有目标和杂波的第i次时域回波信号x_i中的杂波成分，使用白化矩阵B进行白化处理，得到白化杂波后的时域回波信号：_yi＝B^Hx_i；

5)对白化杂波后的时域回波信号y_i进行匹配，得到去除了杂波成分的多普勒谱：Y_i＝f^HBy_i，其中f为匹配系数，当使用傅里叶变换进行匹配时，f为傅里叶系数，步骤2)至步骤5)的杂波抑制称为广义匹配滤波杂波抑制；

6)对去除了杂波成分的多普勒谱Y_i进行特征提取，对于提取的特征选用识别算法训练分类器，利用训练好的分类器对测试数据进行识别，得到最终识别结果。

2.根据权利要求1所述的地面运动目标分类方法，其中步骤6)所述对去除了杂波成分的多普勒谱Y_i进行特征提取，是指提取目标多普勒谱Y_i中的平动径向速度成分能量比和目标多普勒谱Y_i的多普勒谱主瓣与峰值副瓣幅度比这两个特征。

3.根据权利要求1所述的地面运动目标分类方法，其中步骤6)所述的识别算法，包括：线性判决分析，支持向量机，相关向量机和k近邻分类器。

4.一种基于广义匹配滤波的地面运动目标分类方法，包括如下步骤：

(1)假设目标与杂波相互独立，则含有目标和杂波的时域回波信号的自相关矩阵为：R_x＝R_s+R_c，其中：

代表目标的时域回波信号的自相关矩阵，s_i代表第i次目标时域回波信号，N为信号总数，上标H代表共轭转置，

代表杂波的时域回波信号的自相关矩阵，c_i代表第i次杂波时域回波信号，

x_i代表第i次含有目标和杂波的时域回波信号；

(2)在含有目标的距离单元附近，由仅含杂波的时域回波信号对杂波的自相关矩阵R_c进行估计，得到R_c的估计值：

其中

代表第i次仅含杂波的时域回波信号，M为用于估计杂波的自相关矩阵的信号数：

(3)对杂波的自相关矩阵的估计值

进行Cholesky分解，得到

的Cholesky分解形式：

其中G为Cholesky分解得到的上三角阵，计算

的白化矩阵：D＝G^-1；

(4)对含有目标和杂波的第i次时域回波信号x_i中的杂波成分，使用白化矩阵D进行白化处理，得到白化杂波后的时域回波信号：y_i＝D^Hx_i；

(5)对白化杂波后的时域回波信号y_i进行匹配，得到去除了杂波成分的多普勒谱：Y_i＝f^HDy_i，其中f为匹配系数，当使用傅里叶变换进行匹配时，f为傅里叶系数，步骤(2)至步骤(5)的杂波抑制过程称为广义匹配滤波杂波抑制；

(6)对去除了杂波成分的多普勒谱Y_i进行特征提取，对于提取的特征采用识别算法训练分类器，利用训练好的分类器对测试数据进行识别，得到最终识别结果。

Images