CN103885043B - 基于广义匹配滤波的飞机目标杂噪稳健分类方法 - Google Patents

Abstract

本发明属于雷达目标分类识别技术领域，特别涉及基于广义匹配滤波的飞机目标杂噪稳健分类方法。该基于广义匹配滤波的飞机目标杂噪稳健分类方法包括以下步骤：S1：利用雷达接收实测数据，针对接收到的实测数据，执行步骤S2至步骤S5；S2：得出飞机目标回波样本的自相关矩阵；S3：得出广义匹配滤波的白化矩阵；S4：得出飞机目标回波样本在滤除杂波和噪声后的自相关矩阵；S5：得出实测数据的3维特征谱散布特征；S6：得出训练数据特征矩阵；利用训练数据特征矩阵训练支撑向量机分类器；S7：利用训练完成的支撑向量机分类器对实测数据的3维特征谱散布特征进行分类。

Description

基于广义匹配滤波的飞机目标杂噪稳健分类方法

技术领域

本发明属于雷达目标分类识别技术领域，特别涉及基于广义匹配滤波的飞机目标杂噪稳健分类方法，可对空中飞机目标进行分类识别。

背景技术

物体运动时，除了自身平动，其上某些部件通常还存在着转动，振动等微运动，例如车辆行驶过程中车轮的转动，直升机飞行时桨叶的转动。美国海军实验室的研究人员将由这类微运动在雷达回波中产生的多普勒调制现象命名为微多普勒效应。JEM（Jet Engine Modulation）现象是微多普勒效应在飞机目标领域的表现形式，即当雷达发射的电磁数据照射到行驶中飞机目标上的旋转桨叶时，回波将受到桨叶的调制，这种调制与桨叶尺寸，桨叶转速以及桨叶姿态有关。因此对于不同的飞机，这种调制是不同的。现阶段JEM效应被广泛应用于空中三类飞机目标（直升机，螺旋桨飞机和喷气式飞机）的分类和识别领域中。

复杂环境下空中目标的雷达回波中通常含有大量干扰成分，一部分干扰由静止的地物杂波产生，这部分回波在多普勒域会出现在零频处；另一部分干扰成分来源于气象杂波（云雨等），通常云雨块会以一定的平均速度运动，基于多普勒效应，这部分回波在多普勒谱中存在一定的多普勒偏移，偏移的大小正比于相对于雷达视线的径向速度，反比于雷达波长，同时由于云雨块内部运动速度不一致，因此气象杂波在多普勒偏移的基础上还具有一定的多普勒带宽。同时，目标回波数据中不可避免的混杂着雷达接收机热噪声。上述的地杂波，云雨杂波和噪声不仅不含目标信息，反而会对飞机目标的JEM调制产生干扰，降低现有基于JEM调制的空中飞机目标分类方法的分类性能，因此在进行特征提取前应首先对这些干扰和噪声进行抑制。

在雷达数据处理领域，现有的杂波抑制方法主要有动目标显示（MTI），CLEAN和广义匹配滤波器（GMF）三类，三种杂波抑制方法各有其特点：MTI方法实现简单，运算量小，可以用来去除零频的地杂波，但MTI的非线性调制特性会对目标回波产生影响；CLEAN方法在去除特定频率范围内的杂波分量的同时可以很好的保留目标信息，但是这种方法需要杂波带宽的先验知识；有人提出一种基于广义匹配滤波的杂波抑制方法，适用于去除静止的地物杂波，不需要杂波带宽的先验信息，而且对目标信息影响较小。然而，广义匹配滤波过程中所涉及矩阵运算的运算复杂度和运算量对系统有较高的要求，实现起来困难较大。同时，上述方法只是单纯的实现杂波抑制，并没有考虑雷达回波中包含的噪声分量。

发明内容

本发明的目的在于提出基于广义匹配滤波的飞机目标杂噪稳健分类方法。本发明一方面通过矩阵运算将杂波自相关矩阵维度降低，降低现有广义匹配滤波杂波抑制方法的运算量和运算复杂度；另一方面，通过估计回波中噪声功率，对数据特征谱进行修正，提升特征谱特征在低信噪比条件下的分类性能。

为实现上述技术目的，本发明采用如下技术方案予以实现。

基于广义匹配滤波的飞机目标杂噪稳健分类方法包括以下步骤：

S1：利用雷达接收实测数据，雷达接收的实测数据包括飞机目标的回波数据、杂波的回波数据和噪声数据；针对雷达接收的实测数据，执行步骤S2至步骤S5；

S2：在雷达接收的实测数据中，选取飞机目标所在距离单元的回波数据作为飞机目标回波样本；得出飞机目标回波样本的自相关矩阵；

S3：在雷达接收到的实测数据中筛选出杂波样本，根据杂波样本得出广义匹配滤波的白化矩阵；

S4：根据杂波样本，估计出实测数据的噪声时域平均功率；根据实测数据的噪声时域平均功率、以及广义匹配滤波的白化矩阵，得出飞机目标回波样本在滤除杂波和噪声后的自相关矩阵；

S5：针对飞机目标回波样本在滤除杂波和噪声后的自相关矩阵，作特征值分解，根据特征值分解的结果，得出实测数据的3维特征谱散布特征；

S6：获取飞机目标的时域回波数据的多组训练数据；按照得出实测数据的3维特征谱散布特征的过程，得出每组训练数据的3维特征谱散布特征；利用各组训练数据的3维特征谱散布特征构成训练数据特征矩阵；利用训练数据特征矩阵训练支撑向量机分类器；

S7：利用训练完成的支撑向量机分类器对实测数据的3维特征谱散布特征进行分类，得出飞机目标的分类结果。

本发明的特点和进一步改进在于：

在步骤S2中，雷达接收到的实测数据表示为X，在X中选取飞机目标所在距离单元的回波数据作为飞机目标回波样本，飞机目标回波样本表示为x_N，对x_N进行步长为1、窗长为的滑窗处理，N表示飞机目标回波样本x_N的数据长度，表示向下取整；x_N经第k次滑窗处理后的数据表示为x_k；则x_N的自相关矩阵R_x为：

其中，上标H表示共轭转置。

在步骤S3中，在雷达接收到的实测数据X中，选取与飞机目标所在距离单元相距5至8个距离单元的时域回波数据，将其组合形成杂波样本对进行步长为1、窗长为的滑窗处理，N表示飞机目标回波样本x_N的数据长度；经第q次滑窗处理后的数据表示为然后，得出杂波自相关矩阵R_c的估计值

其中，M表示杂波样本的长度；

对杂波自相关矩阵R_c的估计值求逆矩阵，得到白化矩阵

则飞机目标回波样本x_N在滤除杂波后的自相关矩阵为：

$R_{\tilde{x}}={{\hat{R}}_c}^{-1}{R}_x{{\hat{R}}_c}^{-H}$

其中，上标H表示共轭转置， 表示对x_k去掉杂波后的数据，上标-H表示先求逆矩阵再求逆矩阵的共轭转置。

在步骤S4中，估计出的实测数据的噪声时域平均功率表示为σ²；

则飞机目标回波样本在滤除杂波和噪声后的自相关矩阵R_s为：

$R_s={{\hat{R}}_c}^{-1}{R}_x{{\hat{R}}_c}^{-H}-{\mathrm{\σ}}^2{{\hat{R}}_c}^{-1}{{\hat{R}}_c}^{-H}.$

在步骤S5中，对于实测数据，飞机目标回波样本在滤除杂波和噪声后的自相关矩阵表示为R_s；

对R_s作特征值分解，得出R_s的个特征值；在R_s的个特征值中，将小于0的特征值替换为0，得出R_s的个修正后的特征值，R_s的个修正后的特征值分别表示为λ₁至得出实测数据对应的第一维特征谱散布特征f₁、实测数据对应的第二维特征谱散布特征f₂、以及实测数据对应的第三维特征谱散布特征f₃；其中，f₁为：

其中，b取1至B，B为大于0的自然数；i取1至f₃为：

当λ_i>0时，令λ'_i=λ_i；当λ_i=0时，令λ'_i=10^-5；则f₂为：

然后，得出实测数据对应的三维特征谱散布特征

本发明的有益效果为：本发明在广义匹配滤波杂波抑制方法的基础上，针对其计算量大、计算复杂度高的缺点，提出一种运算效率更高的新方法，该方法不仅可以获得与传统方法相当的杂波抑制性能，同时可以在特征提取阶段实现噪声抑制，提高分类方法在低信噪比条件下的分类性能。

附图说明

图1为本发明的基于广义匹配滤波的飞机目标杂噪稳健分类方法的流程图；

图2为仿真实验中使用广义匹配滤波方法和本发明方法得到的特征谱的平均重构误差的对比示意图；

图3为仿真实验中使用三种方法得到的分类识别率随信噪比的变化曲线的对比示意图。

具体实施方式

下面结合附图对本发明作进一步说明：

参照图1，为本发明的基于广义匹配滤波的飞机目标杂噪稳健分类方法的流程图。该基于广义匹配滤波的飞机目标杂噪稳健分类方法包括以下步骤：

S1：利用雷达接收实测数据，雷达接收的实测数据包括飞机目标的回波数据、杂波的回波数据和噪声数据；针对雷达接收的实测数据，执行步骤S2至步骤S5；具体说明如下：

雷达向空中发射信号，然后接收目标反射回来的实测数据X。在实测数据X中，飞机目标的回波数据表示为x，x包含有目标分量s，杂波分量c与噪声分量w。其中，w是均值为零、方差σ²的复高斯白噪声，目标分量s，杂波分量c以及噪声分量w两两相互独立，则飞机目标的回波数据自相关矩阵R_x可表示为：R_x=R_s+R_c+R_w，其中，R_s表示飞机目标的回波数据中目标分量s的自相关矩阵，R_c表示飞机目标的回波数据中杂波分量c的自相关矩阵，R_w表示飞机目标的回波数据中噪声分量w的自相关矩阵。此时，令 $R_{\tilde{s}}=R_s+R_w,$ 则有 $R_x=R_{\tilde{s}}+R_c.$

S2：在雷达接收的实测数据中，选取飞机目标所在距离单元的回波数据作为飞机目标回波样本；得出飞机目标回波样本的自相关矩阵。具体说明如下：

雷达接收到的实测数据表示为X，在X中选取飞机目标所在距离单元的回波数据作为飞机目标回波样本，飞机目标回波样本表示为x_N，对x_N进行步长为1、窗长为的滑窗处理，N表示飞机目标回波样本x_N的序列长度，表示向下取整；x_N经第k次滑窗处理后的数据表示为x_k；则x_N的自相关矩阵R_x为：

其中，上标H表示共轭转置。

S3：在雷达接收到的实测数据中筛选出杂波样本，根据杂波样本得出广义匹配滤波的白化矩阵（步骤S3与杂波抑制过程对应）。具体说明如下：

首先确定目标所在距离单元并将该距离单元的回波表示为目标回波x_N，在雷达接收到的实测数据X中，选取出只含杂波的杂波样本例如，在雷达接收到的实测数据X，选取与目标所在距离单元附近距离单元（例如相距5至8个距离单元）的回波数据，将在雷达接收到的实测数据X选取的4个距离单元的回波数据组合形成（按照距离单元的顺序进行组合）杂波样本然后，对进行步长为1、窗长为的滑窗处理，N表示飞机目标回波样本x_N的数据长度。经第q次滑窗处理后的数据表示为然后，得出R_c的估计值

其中，M表示杂波样本的长度，的维度为本发明实施例中，杂波样本的长度为每个距离单元的时域回波数据的长度的四倍，在硬件资源允许的情况下，M值越大，R_c的估计越准确。

对R_c的估计值求逆矩阵，得到白化矩阵由上可知，白化矩阵的维度为上标-1表示矩阵的逆。

则飞机目标回波样本x_N在滤除杂波后的自相关矩阵为：

其中，上标H表示共轭转置， 表示对x_k去掉杂波后的数据，上标-H表示先求逆矩阵再求逆矩阵的共轭转置。

S4：根据杂波样本，估计出实测数据的噪声时域平均功率；根据实测数据的噪声时域平均功率、以及广义匹配滤波的白化矩阵，得出飞机目标回波样本在滤除杂波和噪声后的自相关矩阵（步骤S4与噪声抑制过程对应）。具体说明如下：

首先对杂波样本做离散傅里叶变换，得到它的频谱；

杂波样本的频谱中杂波区域外的噪声序列表示为U，则噪声的频域平均功率ζ²为：

${\mathrm{\ζ}}^2=\frac{{\left|\right|\left(\mathrm{ads}\left(U\right)\right)\left|\right|}_2^2}{\mathrm{\η}}$

其中，abs(U)表示噪声序列U的模，||·||₂为2-范数计算符，η为噪声序列U的长度。

应用帕斯瓦尔定理得到实测数据的噪声时域平均功率σ²：

${\mathrm{\σ}}^2=\frac{{\mathrm{\ζ}}^2}{N}$

其中，N为x_N的长度。

在此仅给出σ²的一种估计方法，实际情况下可以使用其他方式进行估计。例如在雷达接收机没有输入时，认为录取的数据就是噪声，再估计噪声时域平均功率。

由于雷达回波中目标分量和噪声分量是相互独立的，因此雷达时域白化后回波的自相关矩阵与目标信号的自相关矩阵R_s以及噪声的自相关矩阵R_w三者的关系可以表示为：

$R_{\tilde{x}}={{\tilde{R}}_c}^{-1}{R}_x{{\tilde{R}}_c}^{-H}=R_s+R_w=R_s+{\mathrm{\σ}}^{2}I$

其中，I为单位矩阵；根据上式可以得到飞机目标回波样本在滤除杂波和噪声后的自相关矩阵R_s为：

$R_s={{\hat{R}}_c}^{-1}{R}_x{{\hat{R}}_c}^{-H}-{\mathrm{\σ}}^2{{\hat{R}}_c}^{-1}{{\hat{R}}_c}^{-H}.$

即，实现噪声和杂波抑制的信号的自相关矩阵可以用去掉杂波后信号的自相关矩阵 $R_{\tilde{x}}={{\tilde{R}}_c}^{-1}{R}_x{{\tilde{R}}_c}^{-H}$ 减去 ${\mathrm{\σ}}^2{{\tilde{R}}_c}^{-1}{{\tilde{R}}_c}^{-H}$ 得到。

S5：针对飞机目标回波样本在滤除杂波和噪声后的自相关矩阵，作特征值分解，根据特征值分解的结果，得出对应的3维特征谱散布特征。具体说明如下：

对于任一组实测数据，按照步骤S1至步骤S4，对应的飞机目标回波样本在滤除杂波和噪声后的自相关矩阵为R_s。

对R_s作SVD特征值分解，得出R_s的个特征值；在R_s的个特征值中，将小于0的特征值替换为0，得出R_s的个修正后的特征值，R_s的个修正后的特征值分别表示为λ₁至根据λ₁至得出实测数据对应的第一维特征谱散布特征f₁、实测数据对应的第二维特征谱散布特征f₂、以及实测数据对应的第三维特征谱散布特征f₃；其中，f₁为：

其中，b取1至B，B为大于0的自然数；i取1至f₃为：

f₂为：

其中，当λ_i>0时，令λ'_i=λ_i；当λ_i=0时，令λ'_i=10^-5；然后，得出实测数据对应的三维特征谱散布特征

S6：获取飞机目标的时域回波数据的多组训练数据；例如，利用计算机生成飞机目标的时域回波数据的多组仿真数据，每组仿真数据只包括飞机目标的回波信号，而不包含杂波和噪声。优选地，此时共生成270组仿真数据，其中，90组仿真数据对应于直升机，90组仿真数据对应于螺旋桨飞机，90组仿真数据对应于喷气式飞机。

将这些仿真数据作为对应的多组训练数据。然后，根据多组训练数据，得出每组训练数据的3维特征谱散布特征；得出每组训练数据的3维特征谱散布特征的过程与得出每组训练数据的3维特征谱散布特征的过程类似，在此不再重复。然后，利用各组训练数据的3维特征谱散布特征构成训练数据特征矩阵；例如，共有270组训练数据，对应的3维特征谱散布特征分别表示为

其中，为第j组训练数据的第i维特征谱散布特征，i=1,2,3，j=1,2,…,270。则训练数据特征矩阵Ψ'为：然后，利用训练数据特征矩阵训练支撑向量机（SVM）分类器。

S7：利用训练完成的支撑向量机（SVM）分类器对每组实测数据的3维特征谱散布特征进行测试，得出对应的飞机目标的分类结果。即从每组实测数据中，识别出飞机目标的类型。

本发明的效果可以通过以下仿真实验验证：

1）实验场景：

数据说明：

训练数据：按照与实测数据相同的雷达参数，用matlab仿真得到的空中三类飞机回波数据，回波中不包含杂波与噪声。

实测数据：实际环境下录取的三类飞机回波数据，回波数据中包含杂波，同时由于回波数据中噪声分量小，故认为是高信噪比数据；为了验证本发明提出的噪声抑制性能，我们根据实测数据的信号能量，仿真产生复高斯白噪声加到高信噪比实测数据中，得到不同信噪比的测试数据。

2）实验内容：

分别计算实测数据使用广义匹配滤波方法和本发明方法得到的特征谱的平均重构误差，并进行比较，结果如图2所示。参照图2，为仿真实验中使用广义匹配滤波方法和本发明方法得到的特征谱的平均重构误差的对比示意图。图2中，带“*”的线为实测数据使用广义匹配滤波的方法得到的特征谱平均重构误差随信噪比变化曲线，带“o”的线为实测数据使用本发明方法得到的特征谱平均重构误差随信噪比变化曲线。

在仿真实验中，使用广义匹配滤波方法对实测数据进行预处理，并提取三维特征谱散布特征，然后用支撑向量机分类器进行分类，得到对应的分类结果。在仿真实验中，使用本发明得出分类结果。参照图3，为仿真实验中使用三种方法得到的分类识别率随信噪比的变化曲线的对比示意图。图3中，带“*”的线表示使用广义匹配滤波方法做预处理得到的分类识别率曲线，带“o”的线表示用本发明去杂波但不做噪声抑制预处理得到的分类识别率曲线，带“Δ”的线表示用本发明去杂波和噪声得到的分类识别率曲线。

实验结果分析：

从图2可以看出本发明得到的特征谱的平均重构误差要远小于使用广义匹配滤波方法得到的特征谱的平均重构误差，即用本发明处理后得到的特征谱更接近于不含噪声和杂波的实测数据的特征谱。

从图3可以看出使用广义匹配滤波方法对实测数据进行预处理得到的分类识别性能和用本发明只做杂波抑制不做噪声抑制预处理得到的分类识别性能相当。但从表1中对这两种方法运算量的统计可以看出，本发明只做杂波抑制不做噪声抑制预处理时的运算量要远小于广义匹配滤波方法，约为广义匹配滤波方法的1/3。同时从图3还可以看出，经过本发明的杂波抑制和噪声抑制预处理过程后，可以明显提高低信噪比条件下的分类识别性能。因此可以得出这样的结论：在相同的识别水平下，与广义匹配滤波方法相比，使用本发明得出可降低约5dB的信噪比需求；在雷达参数不变的情况下，根据雷达方程知，与广义匹配滤波方法相比，本发明可将识别距离增加至原识别距离的1.33倍。

表1广义匹配滤波方法和本发明（不包含噪声抑制）的运算量对比

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.基于广义匹配滤波的飞机目标杂噪稳健分类方法，其特征在于，包括以下步骤：

S1：利用雷达接收实测数据，雷达接收的实测数据包括飞机目标的回波数据、杂波的回波数据和噪声数据；针对雷达接收的实测数据，执行步骤S2至步骤S5；

S2：在雷达接收的实测数据中，选取飞机目标所在距离单元的回波数据作为飞机目标回波样本；得出飞机目标回波样本的自相关矩阵；

S3：在雷达接收到的实测数据中筛选出杂波样本，根据杂波样本得出广义匹配滤波的白化矩阵；

S4：根据杂波样本，估计出实测数据的噪声时域平均功率；根据实测数据的噪声时域平均功率、以及广义匹配滤波的白化矩阵，得出飞机目标回波样本在滤除杂波和噪声后的自相关矩阵；

S5：针对飞机目标回波样本在滤除杂波和噪声后的自相关矩阵，作特征值分解，根据特征值分解的结果，得出实测数据的3维特征谱散布特征；

S6：获取飞机目标的回波数据的多组训练数据；按照得出实测数据的3维特征谱散布特征的过程，得出每组训练数据的3维特征谱散布特征；利用各组训练数据的3维特征谱散布特征构成训练数据特征矩阵；利用训练数据特征矩阵训练支撑向量机分类器；

S7：利用训练完成的支撑向量机分类器对实测数据的3维特征谱散布特征进行分类，得出飞机目标的分类结果。

2.如权利要求1所述的基于广义匹配滤波的飞机目标杂噪稳健分类方法，其特征在于，在步骤S2中，雷达接收到的实测数据表示为X，在X中选取飞机目标所在距离单元的回波数据作为飞机目标回波样本，飞机目标回波样本表示为x_N，对x_N进行步长为1、窗长为的滑窗处理，N表示飞机目标回波样本x_N的数据长度，表示向下取整；x_N经第k次滑窗处理后的数据表示为x_k；则x_N的自相关矩阵R_x为：

其中，上标H表示共轭转置。

3.如权利要求2所述的基于广义匹配滤波的飞机目标杂噪稳健分类方法，其特征在于，在步骤S3中，在雷达接收到的实测数据X中，选取与飞机目标所在距离单元相距5至8个距离单元的时域回波数据，将其组合形成杂波样本对进行步长为1、窗长为的滑窗处理，N表示飞机目标回波样本x_N的数据长度；经第q次滑窗处理后的数据表示为然后，得出杂波自相关矩阵R_c的估计值

其中，M表示杂波样本的长度；

对杂波自相关矩阵R_c的估计值求逆矩阵，得到白化矩阵

则飞机目标回波样本x_N在滤除杂波后的自相关矩阵为：

$R_{\tilde{x}}={{\hat{R}}_c}^{-1}{R}_x{{\hat{R}}_c}^{-H}$

其中，上标H表示共轭转置， 表示对x_k去掉杂波后的数据，上标-H表示先求逆矩阵再求逆矩阵的共轭转置。

4.如权利要求3所述的基于广义匹配滤波的飞机目标杂噪稳健分类方法，其特征在于，在步骤S4中，估计出的实测数据的噪声时域平均功率表示为σ²；

则飞机目标回波样本在滤除杂波和噪声后的自相关矩阵R_s为：

$R_s={{\hat{R}}_c}^{-1}{R}_x{{\hat{R}}_c}^{-H}-{\mathrm{\σ}}^2{{\hat{R}}_c}^{-1}{{\hat{R}}_c}^{-H}.$