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:
Rx=Rs+Rc [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;
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BH,右乘B,得到对雷达时域回波信号的自相关矩阵Rx中杂波的白化结果:
BHRxB=BHRsB+BHRcB
[3]
=BHRsB+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xi,左乘BH,得到白化杂波后的时域回波信号yi:
yi=BHxi [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Ry为:
步骤五,对白化杂波后的时域回波信号yi进行匹配。
设f为含有目标的第i次时域回波信号xi的匹配系数,当xi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BHf;
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yi进行匹配,得到去除了杂波成分的多普勒谱Yi:
Yi=(BHf)Hyi。
[6]
=fHByi
步骤六,对去除了杂波成分的多普勒谱Yi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Yi,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:
其中,a为多普勒谱Yi主峰的幅度,fd为多普勒谱Yi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Yi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:
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Yi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=Yi-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:
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:
Rx=Rs+Rc <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:
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xi,i=1,2,...,N和雷达时域回波信号的自相关矩阵Rx为已知量,杂波信号的自相关矩阵Rc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DH,右乘D,得到对雷达时域回波信号的自相关矩阵Rx中杂波的白化结果:
DHRxD=DHRsD+DHRcD <3>
=DHRsD+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xi,左乘DH,得到白化杂波后的时域回波信号yi:
yi=DHxi <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Ry为:
步骤5,对白化杂波后的时域回波信号yi进行匹配。
设f为含有目标的第i次时域回波信号xi的匹配系数,当xi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DHf;
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yi进行匹配,得到去除了杂波成分的多普勒谱Yi:
Yi=(DHf)Hyi。
<6>
=fHDyi
步骤6,对去除了杂波成分的多普勒谱Yi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Yi,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:
其中,a为多普勒谱Yi主峰的幅度,fd为多普勒谱Yi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Yi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:
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Yi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=Yi-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:
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。
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。