CN103413134A - 基于稀疏分解的地面移动目标微动信号特征提取 - Google Patents
基于稀疏分解的地面移动目标微动信号特征提取 Download PDFInfo
- Publication number
- CN103413134A CN103413134A CN2013102894926A CN201310289492A CN103413134A CN 103413134 A CN103413134 A CN 103413134A CN 2013102894926 A CN2013102894926 A CN 2013102894926A CN 201310289492 A CN201310289492 A CN 201310289492A CN 103413134 A CN103413134 A CN 103413134A
- Authority
- CN
- China
- Prior art keywords
- signal
- decomposition
- atom
- sparse
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
该发明提供了一种基于稀疏分解理论的用于实现对地面移动目标微动信号的特征提取方法,能解决1)稀疏分解算法运行时间长、占用资源多,搜索最匹配原子的过程冗长;2)实际环境中信号由于噪声干扰引起的特征提取不充分以及高维的分解参数。具体方法步骤如下:一、建立与目标信号对应的过完备原子库。将原子的尺度、位移、频率、振幅及投影值作为变化参数并将参数离散化,根据目标信号的特点及先验知识设定参数的变化范围。对原子归一化得到对应微动信号的特征原子库;二、将优化的遗传算法(GA)与MP稀疏分解结合,高效并自适应寻找参数稀疏的原子,得到描述信号特征的一系列原子参数;三、作PCA主成分分析对得到的原子向量降维并提取有效成分做为最终特征。应用本方法能有效减少稀疏分解算法的计算量、提高算法速度与资源消耗,使特征更能有效应用于后期目标识别中。
Description
技术领域
本发明提供一种基于稀疏分解的特征提取算法,具体涉及对地面移动目标的微多普勒信号的特征提取。
背景技术
对地面移动目标的监测与识别属于战场目标监测与边境防卫的重要内容;地面移动目标通常是指各类机动式装备(如机动卡车、装甲车等),以及各种人类的运动状态(如爬行、走路、跑步等)。它们能四处分散,隐蔽性强,可以通过躲在掩体里隐藏或者伪装来躲避被发现和跟踪。
微动信号是利用微多普勒效应描述移动物体的微动特征,通过对雷达回波采用微多普勒调制得到的信号。这类信号包含能够做为描述大部分地面移动目标微动特征的微动信息;微动特征是目标的物理特征,具有“唯一”表征性,即不同的微动会有不同的微多普勒,从而可以基于目标的微动差异来提取相应的可被识别的有效特征。这对战场监视及地面目标的监测与识别具有重要的意义。
微多普勒效应反映了目标频率的瞬时特性,对微动的信号的探测非常敏感,尤其是对人爬行前进或机动车隐蔽前进等不易被察觉的行为也具有很强的探测效果;因此从微动信号中提取目标特征更符合地面移动目标的特点。
微动信号是一种典型的非平稳时变信号。目前,微动识别领域常用的方法包括采用经验模态分解、独立成分分析及时频分析等方法来进行特征提取。下面分别对这三种方法做简要介绍。
经验模态分解是根据信号自身的特点通过将信号分成若干个本征模态分量之和,从而自适应地将信号的局部特征逐级分解出来;独立成分分析是基于信号的高阶统计特性,将多路信号分解成相互独立的成分,属于盲分离的范畴;这两种方法具有良好的局部特性和自适应性,适用于类别可分的情况,但不能估计瞬时频率。
时频分析方法实质上是将一维时域信号映射到二维时频空间中,来表示信号频率信息随时间变化而变化的情况;常用的时频分析方法包括短时傅里叶变换(STFT)、小波变换、二次型时频表示等。这些方法具有不同程度的时频分辨率,能给出在特定的时间和特定的频率范围的能量分布;但当信号噪声干扰太强或信号本身变化不明显时,这些经典的时频变换方法和滤波方法受到干扰太大,进而影响信号有效特征的提取,并且这类方法通常不具有自适应性。
从上面可以看出,目前常用的这三类时、频域方法虽然能对目标信号进行局部特征的提取,但仍然克服不了信号特征分辨度不高的局限性;而且在实际环境中,地面移动目标运动不明显,目标的微动信号变化缓慢,且信号包含大量背景噪声,使用已有的方法易丢失信号的细节信息,造成信噪比损失。
稀疏分解的发展为信号的变换域表示和特征提取提供了新的发展方向。该方法根据待分解信号的特点,从过完备原子库中选择最贴近残差信号的原子,分解得到的原子参数表征的是所代表波形的特点。但在实际应用中,稀疏分解算法存在计算度复杂、算法运行时间长等问题,对硬件实现及算法时间提出了较高要求。同时在实际环境中,信号包含实际工作中的噪声给分解带来更复杂的分解度。
发明内容
本发明为解决在实际情况中对受到噪声干扰的微多普勒信号存在的特征提取不足、实际识别效果不理想等问题,提出了一种基于稀疏分解的地面移动目标特征提取方法。
本发明的基于微多普勒效应和稀疏分解的地面移动目标特征提取具体步骤如下:
步骤一:建立与目标信号对应的过完备原子库。将原子的尺度、位移、频率、振幅及投影值作为变化参数并将参数离散化,根据目标信号的特点及先验知识设定参数的变化范围。对原子归一化得到对应微动信号的特征原子库。
步骤二:将优化的遗传算法(GA)与MP稀疏分解结合,高效并自适应寻找参数稀疏的原子,得到描述信号特征的一系列原子参数。
步骤三:作PCA主成分分析对得到的特征降维并提取有效成分做为最终特征。
基于微多普勒效应和稀疏分解的地面移动目标特征提取方法具有以下优点:
1. 改变了传统的信号分析方法;在实际情况中,当物体运动的幅度非常微小时,相对噪声及目标本身信号干扰而言微动信号所占的比例是非常小的;按照传统的信号处理方法,是先对噪声信号进行降噪等优化处理再进行特征提取,但这种处理会丢失大量微动信息,造成特征提取的不充分。
2. 通过建立与信号对应的特征原子库,使原子的选取更具有代表性。根据信号的先验知识设定原子搜索的范围,能有效减少搜索次数,提高搜索的效率。
3. 系数稀疏的优异性。小波等时频分析方法不具有稀疏性,因此信号的小波系数通常不能直接作为信号特征,而是要再次采用其他的特征提取方法,如小波域奇异值分解特征等。与其他信号分析方法比较,稀疏分解的系数更具有稀疏性,能获取充分的目标特征信息。
4. 受背景噪声影响小,保留信号中更多的细节特征信息。
本发明适用于对基于微多普勒效应的地面移动目标微动信号进行有效特征提取。
附图说明
图1 本发明的流程示意图。
图2 机动车的实际微动信号。
图3 机动车原信号、重构信号及信号分解残差。
图4 对机动车的微动信号的频谱分析图。
图5 由分解原子重构得到的微动信号的频谱分析图。
具体实施步骤
具体实施方式一:结合图1说明本实施方式,本实施方式包括具体步骤如下:
步骤一:建立目标信号对应的过完备信号原子库。根据具体信号建立对应的原子库,并将原子归一化,得到信号的对应原子库。
步骤二:将优化的遗传算法与稀疏分解结合,在由原子搜索空间映射得到的遗传空间中,搜索一系列最匹配的稀疏原子,从而对信号进行分解,直到满足分解停止条件。根据信号分解理论,分解后原信号可以表示成如公式(1)形式
公式(2)中的为当信号分解到第m次时分解后的残差值。从理论上分析,当m趋近无穷时,残余量也接近0;但在实际应用中,当小于某个较小的常数σ时,我们可以认为它是可忽略不计的。因此,我们可以认为当分解满足条件后,得到原子能线性组合逼近表示原信号。
步骤三:分解结束,对得到的原子参数组向量进行PCA主成分分析降维并做为最终特征应用于后期识别。
具体实施方式二:本方式是对实施方式一中的步骤一具体说明。本方法中的过完备信号原子库是根据信号特点建立对应的原子库,采用公式(2)方法构建原子库。
其中,通过对目标信号进行取样估算提取先验值,将目标信号的幅值波动区间[amin,amax]作为原子尺度s的变化范围,将目标信号的位置移动区间[dmin,dmax]作为原子位移u的变化范围,并对变化幅值取离散化。通过这样的改进使原子库搜索空间范围与具体信号相关,而不需要去搜索整个原子空间,这种设定能在一定程度上减少整个方法的运算量。
具体实施方式三:本方式是对具体实施方式一中将优化的遗传算法和稀疏分解相结合对信号进行分解的具体说明。
步骤一: 将稀疏分解的解空间映射到遗传空间中,创建初始种群Initial_Group,即定义一个待寻优的参数组,从而将字典的最匹配原子的寻找转化为种群中最适应原子的搜索,并在第一代种群中寻找初始最适应个体g。
步骤二: 对最优个体g以变异概率pm改变向量组中的特征的值,达到产生 (N-1)/4个新个体的目的。
步骤三: 对除最佳适应个体g外的所有个体,每次选取2个个体对其进行适应度大小的比较并保留适应度高的个体;重复选择过程 (N-1)/2次从而得到(N-1)/2个竞争胜者;将这 (N-1)/2个胜者同最优适应个体g交叉,交叉概率为pc;此步骤完成后,有 (N-1)/2个个体将进入下一代。
步骤四: 随机产生 (N-1)/4个新个体与其它子代个体一起进入下一代,以改善某个局部最优个体不易被淘汰从而使算法陷入局部最优的缺点。
步骤五: 由步骤三、四和五得到的个体与最适应个体g一起得到新一代个体,判断新一代个体是否达到稳定;如果不稳定重复步骤三、四和五。
步骤六: 判断新一代个体是否满足进化要求;如果不满足,则重复以上步骤;如果满足,结束搜索得到匹配原子gi。
步骤七:判断分解是否满足初始设定的分解条件;如果不满足则继续寻找匹配原子,如果满足,结束对信号的分解。
具体实施方式四:本方式是对具体实施方式一中对分解得到的原子参数组做主成分降维的具体说明。实际环境下的目标微动信号含有大量的背景噪声及目标本身的噪声干扰,而目标微小运动的信息是混杂在这类噪声信息中的。如果采用常规方法对信号先进行降噪优化处理,会造成微动信息的损失。本方法采用对信号直接进行原子分解,搜索最佳匹配原子直到满足设定的条件。一般情况下,实际信号比高信噪的仿真信号所需要的分解匹配原子要多很多;如果直接将分解得到的原子组作为特征向量,将增大用来作为后期识别及进一步应用的计算量,因此对原子组进行主成分分析得到维数较低的最终特征。
结合附图来说明效果,图2为实际环境中由微多普勒调制得到的机动车微动信号,可以看出信号变化不明显,噪声干扰强。图3中,从上往下三组信号依次为原信号,用本方法对信号稀疏分解后利用分解得到的原子重构得到的信号,及信号残差值。图4为对图2信号做时频分析。图5为采用本方法对信号稀疏分解后,利用分解得到的原子重构得到的信号做频谱分析,可以看出图3中重构信号基本上保留了原信号中目标的微动信息。
下面表格一为采用SVM对本文方法提取的四类目标微动信号特征进行识别的结果,而四类目标平均的识别率能达到97.8% ,证明本特征提取方法是有效的。
机动车 | 人行走 | 人跑动 | 人爬行 | |
机动车 | 100 | 0 | 0 | 0 |
人行走 | 0 | 95.8 | 4.2 | 0 |
人跑动 | 0 | 3.2 | 96.8 | 0 |
人爬行 | 0 | 1.5 | 0 | 98.5 |
Claims (1)
1.一种基于稀疏分解的地面移动目标微动信号特征提取,其特征包括如下步骤:
步骤一:建立与目标信号对应的过完备原子库;将原子的尺度、位移、频率、振幅及投影值作为变化参数并将参数离散化,根据目标信号的特点及先验知识设定参数的变化范围;再对原子归一化得到对应微动信号的特征原子库。
步骤二:将优化的遗传算法与稀疏分解结合,在由原子搜索空间映射得到的遗传空间中,自适应搜索一系列最匹配的稀疏原子,从而得到描述信号特征的一系列原子参数,直到满足分解停止条件;根据信号分解理论,分解后原信号可以表示成
其中为当信号分解到第m次时分解后的残差值;当分解满足条件后,得到的原子能线性组合逼近表示原信号。
步骤三:分解结束,对得到的原子参数组向量进行PCA主成分分析提取降维。
2. 按照权利一所述的基于稀疏分解的地面移动目标微动信号特征提取的方法,其特征在于步骤二中将优化的遗传算法与稀疏分解结合包括以下部分:
(21)将稀疏分解的解空间映射到遗传空间中,创建初始种群Initial_Group,将字典的最匹配原子的寻找转化为种群中最适应原子的搜索,在第一代种群中寻找初始最适应个体g;并设定自适应分解停止条件。
(22)对最优个体g以变异概率pm改变向量组中的特征的值,达到产生 (N-1)/4个新个体的目的。
(23) 对除最佳适应个体g外的所有个体,每次选取2个个体对其进行适应度大小的比较并保留适应度高的个体;重复选择过程 (N-1)/2次从而得到(N-1)/2个竞争胜者;将这 (N-1)/2个胜者同最优适应个体g交叉,交叉概率为pc。
(24)随机产生 (N-1)/4个新个体,以改善某个局部最优个体不易被淘汰从而使算法陷入局部最优的缺点。
(25)由(23)(24)(25)步骤得到的个体与最适应个体g一起得到新一代个体,判断新一代个体是否达到稳定;如果不稳定重复(23)(24)(25)步骤。
(26)判断新一代个体是否满足进化要求;如果不满足,则重复以上步骤;如果满足,结束搜索得到匹配原子gi 。
(27)判断分解是否满足初始设定的分解条件;如果不满足则继续寻找匹配原子,如果满足,结束对信号的分解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102894926A CN103413134A (zh) | 2013-07-11 | 2013-07-11 | 基于稀疏分解的地面移动目标微动信号特征提取 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102894926A CN103413134A (zh) | 2013-07-11 | 2013-07-11 | 基于稀疏分解的地面移动目标微动信号特征提取 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103413134A true CN103413134A (zh) | 2013-11-27 |
Family
ID=49606141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102894926A Pending CN103413134A (zh) | 2013-07-11 | 2013-07-11 | 基于稀疏分解的地面移动目标微动信号特征提取 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103413134A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995973A (zh) * | 2014-05-27 | 2014-08-20 | 哈尔滨工业大学 | 一种基于过完备字典集合划分的信号稀疏分解方法 |
CN104198151A (zh) * | 2014-09-01 | 2014-12-10 | 西北工业大学 | 基于稀疏分解的压气机气动失稳信号检测方法 |
CN105044698A (zh) * | 2015-06-30 | 2015-11-11 | 西安电子科技大学 | 一种适用于短时观测的空间目标的微多普勒分析方法 |
CN105630642A (zh) * | 2014-10-28 | 2016-06-01 | 华为技术有限公司 | 基于pca余量空间的异常诊断方法及装置 |
CN107748862A (zh) * | 2017-09-21 | 2018-03-02 | 清华大学 | 一种基于双频雷达信号时频分布的无人机分类方法及装置 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN109682892A (zh) * | 2018-12-26 | 2019-04-26 | 西安科技大学 | 一种基于时频分析的信号去燥方法 |
CN111007871A (zh) * | 2019-11-29 | 2020-04-14 | 厦门大学 | 无人机动态特征识别方法、介质、设备及装置 |
CN112115918A (zh) * | 2020-09-29 | 2020-12-22 | 西北工业大学 | 一种信号稀疏表示及重构的时频原子字典及信号处理方法 |
CN113887360A (zh) * | 2021-09-23 | 2022-01-04 | 同济大学 | 一种基于迭代扩展频散模态分解的频散波提取方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093244A (zh) * | 2013-01-25 | 2013-05-08 | 西南交通大学 | 一种基于稀疏分解的雷达信号识别方法 |
-
2013
- 2013-07-11 CN CN2013102894926A patent/CN103413134A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093244A (zh) * | 2013-01-25 | 2013-05-08 | 西南交通大学 | 一种基于稀疏分解的雷达信号识别方法 |
Non-Patent Citations (3)
Title |
---|
张静等: "基于GA和MP的信号稀疏分解算法的改进", 《计算机工程与应用》, vol. 44, no. 29, 31 December 2008 (2008-12-31), pages 79 - 81 * |
袁志刚: "基于联合智能算法和MP的信号稀疏分解", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 February 2010 (2010-02-15), pages 1 - 51 * |
高瑞等: "基于GA和过完备原子库划分的MP信号稀疏分解算法", 《科学技术与工程》, vol. 8, no. 44, 29 February 2008 (2008-02-29), pages 914 - 916 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995973B (zh) * | 2014-05-27 | 2017-02-22 | 哈尔滨工业大学 | 一种基于过完备字典集合划分的信号稀疏分解方法 |
CN103995973A (zh) * | 2014-05-27 | 2014-08-20 | 哈尔滨工业大学 | 一种基于过完备字典集合划分的信号稀疏分解方法 |
CN104198151A (zh) * | 2014-09-01 | 2014-12-10 | 西北工业大学 | 基于稀疏分解的压气机气动失稳信号检测方法 |
CN105630642B (zh) * | 2014-10-28 | 2019-05-03 | 华为技术有限公司 | 基于pca余量空间的异常诊断方法及装置 |
CN105630642A (zh) * | 2014-10-28 | 2016-06-01 | 华为技术有限公司 | 基于pca余量空间的异常诊断方法及装置 |
CN105044698A (zh) * | 2015-06-30 | 2015-11-11 | 西安电子科技大学 | 一种适用于短时观测的空间目标的微多普勒分析方法 |
CN105044698B (zh) * | 2015-06-30 | 2017-04-19 | 西安电子科技大学 | 一种适用于短时观测的空间目标的微多普勒分析方法 |
CN107748862A (zh) * | 2017-09-21 | 2018-03-02 | 清华大学 | 一种基于双频雷达信号时频分布的无人机分类方法及装置 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN109682892A (zh) * | 2018-12-26 | 2019-04-26 | 西安科技大学 | 一种基于时频分析的信号去燥方法 |
CN109682892B (zh) * | 2018-12-26 | 2021-07-09 | 西安科技大学 | 一种基于时频分析的信号去噪方法 |
CN111007871A (zh) * | 2019-11-29 | 2020-04-14 | 厦门大学 | 无人机动态特征识别方法、介质、设备及装置 |
CN111007871B (zh) * | 2019-11-29 | 2022-04-29 | 厦门大学 | 无人机动态特征识别方法、介质、设备及装置 |
CN112115918A (zh) * | 2020-09-29 | 2020-12-22 | 西北工业大学 | 一种信号稀疏表示及重构的时频原子字典及信号处理方法 |
CN113887360A (zh) * | 2021-09-23 | 2022-01-04 | 同济大学 | 一种基于迭代扩展频散模态分解的频散波提取方法 |
CN113887360B (zh) * | 2021-09-23 | 2024-05-31 | 同济大学 | 一种基于迭代扩展频散模态分解的频散波提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103413134A (zh) | 基于稀疏分解的地面移动目标微动信号特征提取 | |
CN106330385B (zh) | 一种干扰类型识别方法 | |
Wu et al. | Jamming signals classification using convolutional neural network | |
CN107301381A (zh) | 基于深度学习和多任务学习策略的雷达辐射源识别方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN102279390B (zh) | 一种低信噪比雷达辐射源信号脉内调制识别方法 | |
CN103020654B (zh) | 基于样本产生与核局部特征融合的sar图像仿生识别方法 | |
CN106685478B (zh) | 基于信号时频图像信息提取的跳频信号参数估计方法 | |
CN105550636A (zh) | 一种目标类型识别的方法及装置 | |
CN106529428A (zh) | 基于深度学习的水下目标识别方法 | |
CN108416290A (zh) | 基于残差深度学习的雷达信号特征提取方法 | |
CN106529478A (zh) | 一种联合三维熵特征的雷达辐射源信号识别方法 | |
CN103474066A (zh) | 基于多频带信号重构的生态声音识别方法 | |
Li et al. | Radar signal recognition algorithm based on entropy theory | |
CN107315996A (zh) | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN101587186A (zh) | 一种雷达脉内调制信号的特征提取方法 | |
CN104268510A (zh) | 基于稀疏约束的非负矩阵分解的sar图像目标识别方法 | |
CN104156628A (zh) | 一种基于多核学习判别分析的舰船辐射信号识别方法 | |
Ristea et al. | Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks | |
CN105158749A (zh) | 高频雷达海杂波幅度统计分布检验方法 | |
Yang et al. | Radar emitter signal recognition based on time-frequency analysis | |
CN104021399B (zh) | 基于距离像时频图非负稀疏编码的sar目标识别方法 | |
CN107220607A (zh) | 基于3d平稳小波的运动轨迹行为识别方法 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20131127 |