CN104330784B - 基于旋翼物理参数估计实现飞机目标分类的方法 - Google Patents
基于旋翼物理参数估计实现飞机目标分类的方法 Download PDFInfo
- Publication number
- CN104330784B CN104330784B CN201410662970.8A CN201410662970A CN104330784B CN 104330784 B CN104330784 B CN 104330784B CN 201410662970 A CN201410662970 A CN 201410662970A CN 104330784 B CN104330784 B CN 104330784B
- Authority
- CN
- China
- Prior art keywords
- rotor
- clutter
- rotor wing
- rotary blade
- time
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于旋翼物理参数估计实现飞机目标分类的方法,主要解决现有基于微动调制特征的目标分类方法需要训练数据库作支撑条件下的问题。其实现过程是:从飞机雷达回波信号中分离旋翼回波信号,并从旋翼回波信号时频域中估计旋翼转速;在旋翼回波信号的时频域中对旋翼回波信号进行旋翼二维成像;对旋翼二维成像结果预处理;从预处理后的旋翼二维成像结果中估计旋翼长度和螺旋桨叶片数;将估计出的旋翼转速ω、旋翼长度L和螺旋桨叶片数N这些旋翼物理参数与飞机类型标准库中飞机旋翼物理参数比对,判断出飞机目标的类型。本发明无需训练数据库作为支撑条件下即能实现对飞机目标的分类,可提高分类速度。
Description
技术领域
本发明属于雷达技术领域,涉及飞机目标的旋翼物理参数估计,可用于雷达目标的识别。
背景技术
目前,对于飞机目标分类识别,国内外文献提出了多种窄带雷达体制下基于微动调制特征的目标分类识别方法,例如陈凤等发表的《基于特征谱散布特征的低分辨雷达目标识别方法》,根据螺旋桨飞机、喷气式飞机、直升机三类飞机微动调制引起特征谱的差别来提取分类特征,实现飞机目标的分类。这种基于微动调制特征的飞机目标分类方法的突出缺点是需要大量的仿真或实测训练数据离线学习分类器,在没有训练数据库支撑的条件下这种方法无法用于对飞机目标进行实时分类判决。另外飞机目标微动对雷达回波的调制,不仅取决于微动参数,如旋翼转速,还与飞机目标旋翼的尺寸有关。
发明内容
本发明的目的在于针对上述已有方法的不足,提出一种基于旋翼物理参数估计实现飞机目标分类的方法,以在无需大量仿真或实测训练数据作为支撑的条件下,实现对空中飞机目标的分类。
实现本发明目的的技术思路是:通过提取飞机目标螺旋叶片数目、旋翼转速和旋翼长度这些对分类有用的物理参数信息,然后根据不同种类飞机目标已知旋翼参数的差异,对飞机目标进行分类。具体步骤包括如下:
(1)从飞机雷达回波信号中分离出旋翼回波信号;
(2)利用霍夫变换从旋翼回波时频域S(tm,f)中估计出旋翼转速ωr;
(3)利用步骤(2)得到的参数在旋翼回波时频域对旋翼进行二维成像;
3a)对旋翼回波信号进行短时傅里叶变换,获得旋翼回波信号的时频域S(tm,f),其中,f为tm时刻对应的瞬时频率;
3b)遍历搜索旋翼上散射点的位置参数[r,θ]T,根据步骤(2)估计的旋翼转速、位置参数[r,θ]T及飞机旋翼回波理论模型获得一组随时间tm变化的瞬时多普勒频率fd(r,θ)和相位项exp[jφ(r,θ)];
3c)从旋翼回波信号的时频域S(tm,f)中提取一组与[tm,fd(r,θ)]对应的复值S(tm,fd(r,θ)),利用相位项exp[jφ(r,θ)]对复值S(tm,fd(r,θ))进行相位补偿,且对相位补偿后的复值S(tm,fd(r,θ))进行积分,得到积分函数G(r,θ):
G(r,θ)=|∫S(tm,fd(r,θ))·exp[jφ(r,θ)]·exp(j2πftm)dtm|2;
3d)当搜索的位置与旋翼上的一个真实散射点位置重合时,相位exp[jφ(r,θ)]与复值S(tm,fd(r,θ))的相位相匹配,积分函数G(r,θ)实现相干积累,在(r,θ)位置平面内形成一个峰值点,通过遍历搜索旋翼上散射点位置,在(r,θ)位置平面内形成一组峰值点,该组峰值点的位置分布即为旋翼上散射点的位置,即在(r,θ)位置平面内实现对旋翼的二维成像G;
(4)对步骤(3)获得的旋翼的二维成像G进行图像预处理,获得最终的旋翼图像P;
(5)利用主成分分析PCA投影方法从最终的旋翼图像P中估计出旋翼长度L和螺旋桨叶片数N;
(6)根据步骤(2)和步骤(5)估计出的参数旋翼转速ωr、旋翼长度L和螺旋桨叶片数N与飞机类型标准库中飞机旋翼转速、旋翼长度及螺旋桨叶片数参数比对,判断出飞机目标的类型。
本发明与现有技术相比的优点
本发明与现有基于微动调制特征的飞机目标分类技术相比的突出优点是不需要大量的仿真或实测训练数据离线学习分类器,即在没有先验数据库支撑的条件下能有效地提取飞机目标螺旋叶片数目、旋翼转速和旋翼长度这些反映飞机物理参数信息,实现对空中飞机目标的分类。
附图说明
图1是本发明的实现流程图;
图2是本发明中对旋翼转速的估计示意图;
图3是本发明中对旋翼的成像结果图;
图4是本发明中对旋翼长度的估计结果图。
具体实施方式
以下结合附图对本发明的实施例做进一步详细描述。
参照附图1,本发明的具体实现步骤如下:
步骤1,从飞机雷达回波信号中分离出旋翼回波信号。
1a)对采集到的飞机回波信号进行离散傅里叶变换,获得信号的多普勒谱;
1b)在多普勒谱中,搜索最大的多普勒谱幅度,并记录该最大的多普勒谱幅度对应的相位φbody、幅度Ubody和多普勒频率fbody;
1c)利用步骤(1b)获得参数,重构该最大的多普勒谱幅度对应的时域信号:Sbody=(Ubody/K)exp(j2πfbodytm+jφbody),Sbody即为机身时域分量,K为离散傅里叶变换的点数;
1d)从飞机雷达回波信号中去除机身分量Sbody;
1e)在多普勒谱中,搜索0频附近杂波区域最大的杂波多普勒谱幅度,并记录该最大的杂波多普勒谱幅度对应的相位φclutter、幅度Uclutter和多普勒频率fclutter;
1f)利用步骤(1e)获得的参数,重构该最大的杂波多普勒谱幅度对应的时域信号Sclutter=(Uclutter/K)exp(j2πfcluttertm+jφclutter),Sclutter即为杂波时域分量;
1g)从飞机雷达回波信号中减去机身分量Sclutter;
1h)重复步骤(1e)--(1g)直到迭代次数达到预设迭代门限M,以从飞机雷达回波中去除机身分量和杂波分量,获得旋翼回波信号,其中,M根据杂波谱宽设定。
步骤2,利用霍夫变换从旋翼回波时频矩阵S(tm,f)中估计出旋翼转速ωr。
2a)对旋翼回波信号进行短时傅里叶变换,获得旋翼回波信号的时频域S(tm,f),其中,f为tm时刻对应的瞬时频率;
2b)遍历搜索旋翼回波信号时频域S(tm,f)的频率幅度F和时域周期ω,根据旋翼的瞬时多普勒频率理论模型,获得一条正弦曲线y(F,ω);
2c)从旋翼回波信号时频域S(tm,f)中提取一组与正弦曲线y(F,ω)对应的复值S(tm,y(F,ω)),并对复值S(tm,y(F,ω))进行求和,得到求和函数Q(F,ω):
Q(F,ω)=sum{S[tm,y(F,ω)]};
2d)将求和函数Q(F,ω)出现峰值时,其正弦曲线y(F,ω)与旋翼回波时频域S(tm,f)上的瞬时多普勒频率曲线重合中的正弦曲线y(F,ω)所对应的时域周期ω,作为旋翼转速ωr。
步骤3,利用步骤(2)得到的参数在旋翼回波时频域对旋翼进行二维成像。
3a)对旋翼回波信号进行短时傅里叶变换,获得旋翼回波信号的时频域S(tm,f),其中,f为tm时刻对应的瞬时频率;
3b)遍历搜索旋翼上散射点的位置参数[r,θ]T,根据步骤(2)估计的旋翼转速、位置参数[r,θ]T及飞机旋翼回波理论模型获得一组随时间tm变化的瞬时多普勒频率fd(r,θ)和相位项exp[jφ(r,θ)];
3c)从旋翼回波信号的时频域S(tm,f)中提取一组与[tm,fd(r,θ)]对应的复值S(tm,fd(r,θ)),利用相位项exp[jφ(r,θ)]对复值S(tm,fd(r,θ))进行相位补偿,且对相位补偿后的复值S(tm,fd(r,θ))进行积分,得到积分函数G(r,θ):
G(r,θ)=|∫S(tm,fd(r,θ))·exp[jφ(r,θ)]·exp(j2πftm)dtm|2;
3d)当搜索的位置与旋翼上的一个真实散射点位置重合时,相位exp[jφ(r,θ)]与复值S(tm,fd(r,θ))的相位相匹配,积分函数G(r,θ)实现相干积累,在(r,θ)位置平面内形成一个峰值点,通过遍历搜索旋翼上散射点位置,在(r,θ)位置平面内形成一组峰值点,该组峰值点的位置分布即为旋翼上散射点的位置,即在(r,θ)位置平面内实现对旋翼的二维成像G。
步骤4,对旋翼的二维成像G进行图像预处理,获得最终的旋翼图像P。
4a)对旋翼的二维成像G的所有像素值进行对数变换,其表示为:
W(i,j)=10×In[G(i,j)+0.001]+30;
其中,G(i,j)是旋翼的二维成像G的第(i,j)个像素值,W(i,j)为旋翼的二维成像G所有像素值经对数变换,获得的图像W的第(i,j)个像素值;
4b)利用恒虚警CFAR对上述经过对数变换后的图像W中像素点的坐标进行目标坐标和背景坐标的判断:
其中,μ和σ分别为上述经过对数变换后的图像W所有像素值的均值和方差的估计值,c为虚警率,T代表目标区域像素点的坐标的集合,B代表背景区域像素点的坐标的集合;
4c)将上述经过对数变换后图像W中属于目标区域像素点坐标集合T的像素值置为1,属于背景区域像素点坐标集合B的像素值置为0,得到一个二值图像J;
4d)对二值图像J进行形态学滤波,去除孤立点,获得最终的旋翼图像P。
本发明中,对旋翼的二维成像G的所有像素值进行对数变换,这一处理原因压缩了图像像素值的动态范围,减小图像中大像素值的影响;因为对数变换在零点没有意义,所以在旋翼的二维成像G的所有像素值上任意加一个小的常数0.001,同时为保证对数变换后的图像W的所有像素值大于或者等于零,在最后图像W的所有像素值加一个相应的常数30。
步骤5,利用主成分分析PCA投影方法从最终的旋翼图像P中估计出旋翼长度L和螺旋桨叶片数N;
5a)从最终的旋翼图像P中,提取所有像素值为1的像素点的坐标(i,j);
5b)对所有像素值为1的像素点的坐标(i,j)进行升序排列,得到坐标矩阵X;
5c)求坐标矩阵X的协方差矩阵:C=(XT*X)/M,其中M为像素值为1的像素点数,T代表转置;
5d)对协方差矩阵C进行特征值分解:C=UΛUH,其中H代表共轭转置,Λ=[λ1,λ2]为对角矩阵,λ1,λ2分别为两个对角线上的元素,表示协方差矩阵C特征值分解后得到的两个特征值,U=[U1,U2]为正交矩阵,U1,U2分别为元素λ1,λ2对应的特征向量;
5e)对坐标矩阵X进行旋转变换,得到新的坐标矩阵:Y=(UXT)T;
5f)将新的坐标矩阵Y中的所有元素分别向所述的两个特征向量U1,U2方向上投影,分别得到新坐标矩阵Y中所有元素在所述特征向量U1上的长度投影系数向量和在所述特征向量U2方向上的初相角投影系数向量
5h)估计出翼长度L:
(5h1)根据长度投影系数向量得到最小长度投影系数和最大长度投影系数
(5h2)根据初相角投影系数向量得到最小初相角投影系数和最大初相角投影系数
(5h3)根据步骤(5h1)和(5h2)得到的参数估计出翼长度:L=sqrt[(L2-L1)2+(α2-α1)2],其中sqrt为开根号。
步骤6,将步骤(2)和步骤(5)估计出的参数旋翼转速ωr、旋翼长度L和螺旋桨叶片数N与飞机类型标准库中飞机旋翼转速、旋翼长度及螺旋桨叶片数参数比对,判断出飞机目标的类型。
本发明的效果可以通过以下仿真实验验证:
1.仿真条件:
实验数据为在旋翼电磁仿真回波信号中添加20dB的高斯白噪声的旋翼回波信号,其中,旋翼回波信号中旋翼物理参数为旋翼末端长度L2=6.2m,旋翼始端长度L1=0.3m,旋翼长度L=5.9m,旋翼转速ωr=5r/s,螺旋桨叶片数N=4;
2.仿真内容及结果分析:
仿真1,利用本发明对上述物理参数的旋翼回波信号进行转速估计,结果如图2,从图2可以,计算出的旋翼转速ω=1/[(0.2384-0.03836)]=4.999r/s。
仿真2,利用本发明对上述物理参数的旋翼回波信号进行二维成像,结果如图3。
仿真3,利用本发明对上述物理参数的旋翼回波信号的螺旋桨叶片数及旋翼长度估计,结果如图4,从图4中可看出估计出的螺旋桨叶片数N=4,旋翼长度为:L={sqrt([(5.916-0.1013)2+(0.3425-0.3678)2])+sqrt([(5.865-0.2554)2+(1.931-1.895)2])}/2=5.725m
将图2、图3和图4估计的旋翼物理参数旋翼转速、旋翼长度及螺旋桨叶片数与实验中设定的旋翼转速、旋翼长度及螺旋桨叶片数这些物理参数进行对比,可以得出:利用本发明能较准确地估计旋翼转速、旋翼长度和螺旋桨叶片数。
同时将图2、图3和图4估计的旋翼物理参数旋翼转速、旋翼长度及螺旋桨叶片数与表1中列举的常见15架三类飞机的旋翼物理参数进行比对,可以得出图2、图3和图4估计的旋翼参数旋翼转速、旋翼长度及螺旋桨叶片数与直升机的旋翼物理参数相似,判断出实验中具有该旋翼物理数的飞机为直升机。
表1:常见五架直升机、五架螺旋桨飞机及五架喷气式飞机的旋翼参数
Claims (5)
1.一种基于旋翼物理参数估计实现飞机目标分类的方法,包括如下步骤:
(1)从飞机雷达回波信号中分离出旋翼回波信号;
(2)利用霍夫变换从旋翼回波时频域S(tm,f)中估计出旋翼转速ωr;
(3)利用步骤(2)得到的参数在旋翼回波时频域对旋翼进行二维成像;
3a)对旋翼回波信号进行短时傅里叶变换,获得旋翼回波信号的时频域S(tm,f),其中,f为tm时刻对应的瞬时频率;
3b)遍历搜索旋翼上散射点的位置参数[r,θ]T,根据步骤(2)估计的旋翼转速、位置参数[r,θ]T及飞机旋翼回波理论模型获得一组随时间tm变化的瞬时多普勒频率fd(r,θ)和相位项exp[jφ(r,θ)];
3c)从旋翼回波信号的时频域S(tm,f)中提取一组与[tm,fd(r,θ)]对应的复值S(tm,fd(r,θ)),利用相位项exp[jφ(r,θ)]对复值S(tm,fd(r,θ))进行相位补偿,且对相位补偿后的复值S(tm,fd(r,θ))进行积分,得到积分函数G(r,θ):
G(r,θ)=|∫S(tm,fd(r,θ))·exp[jφ(r,θ)]·exp(j2πftm)dtm|2;
3d)当搜索的位置与旋翼上的一个真实散射点位置重合时,相位exp[jφ(r,θ)]与复值S(tm,fd(r,θ))的相位相匹配,积分函数G(r,θ)实现相干积累,在(r,θ)位置平面内形成一个峰值点,通过遍历搜索旋翼上所有散射点位置,在(r,θ)位置平面内形成一组峰值点,该组峰值点的位置分布即为旋翼上散射点的位置,即在(r,θ)位置平面内实现对旋翼的二维成像G;
(4)对步骤(3)获得的旋翼的二维成像G进行图像预处理,获得最终的旋翼图像P;
(5)利用主成分分析PCA投影方法从最终的旋翼图像P中估计出旋翼长度L和螺旋桨叶片数N;
(6)根据步骤(2)和步骤(5)估计出的参数旋翼转速ωr、旋翼长度L和螺旋桨叶片数N与飞机类型标准库中飞机旋翼转速、旋翼长度及螺旋桨叶片数参数比对,判断出飞机目标的类型。
2.根据权利要求1所述的基于旋翼物理参数估计实现飞机目标分类的方法,其中步骤(1)所述的从飞机雷达回波信号中分离出旋翼回波信号,按如下步骤进行:
(1a)对采集到的飞机回波信号进行离散傅里叶变换,获得信号的多普勒谱;
(1b)在多普勒谱中,搜索最大的多普勒谱幅度,并记录该最大的多普勒谱幅度对应的相位φbody、幅度Ubody和多普勒频率fbody;
(1c)利用步骤(1b)获得参数重构该最大的多普勒谱幅度对应的时域信号Sbody=(Ubody/K)exp(j2πfbodytm+jφbody),Sbody即为机身时域分量,K为离散傅里叶变换的点数;
(1d)从飞机雷达回波信号中去除机身分量Sbody;
(1e)在多普勒谱中,搜索0频附近杂波区域最大的杂波多普勒谱幅度,并记录该最大的杂波多普勒谱幅度对应的相位φclutter、幅度Uclutter和多普勒频率fclutter;
(1f)利用步骤(1e)获得的参数重构该最大的杂波多普勒谱幅度对应的时域信号Sclutter=(Uclutter/K)exp(j2πfcluttertm+jφclutter),Sclutter即为杂波时域分量,
(1g)从飞机雷达回波信号中减去机身分量Sclutter;
(1h)重复步骤(1e)--(1g)直到迭代次数达到预设迭代门限M,以从飞机雷达回波中去除机身分量和杂波分量,获得旋翼回波信号,其中,M根据杂波谱宽设定。
3.根据权利要求1所述的基于旋翼物理参数估计实现飞机目标分类的方法,其中步骤(2)所述的利用霍夫变换从旋翼回波时频域S(tm,f)中估计出旋翼转速ωr,按如下步骤进行:
(2a)对旋翼回波信号进行短时傅里叶变换,获得旋翼回波信号的时频域S(tm,f),其中,f为tm时刻对应的瞬时频率;
(2b)遍历搜索旋翼回波信号时频域S(tm,f)的频率幅度F和时域周期ω,根据旋翼的瞬时多普勒频率理论模型,获得一条正弦曲线y(F,ω);
(2c)从旋翼回波信号时频域S(tm,f)中提取一组与正弦曲线y(F,ω)对应的复值S(tm,y(F,ω)),并对复值S(tm,y(F,ω))进行求和,得到求和函数Q(F,ω):
Q(F,ω)=sum{S[tm,y(F,ω)]};
(2d)当求和函数Q(F,ω)出现峰值时,将正弦曲线y(F,ω)与旋翼回波时频域S(tm,f)上的瞬时多普勒频率曲线重合中的正弦曲线y(F,ω)所对应的时域周期ω,作为旋翼转速ωr。
4.根据权利要求1所述的基于旋翼物理参数估计实现飞机目标分类的方法,其中步骤(4)所述的对旋翼的二维成像G进行图像预处理,获得最终的旋翼图像P,按如下步骤进行:
(4a)对旋翼的二维成像结果G的所有像素值进行对数变换,其表示为:
W(i,j)=10×In[G(i,j)+0.001]+30;
其中,G(i,j)是旋翼的二维成像结果G的第(i,j)个像素值,W(i,j)为旋翼的二维成像结果G所有像素值经对数变换获得的图像W的第(i,j)个像素值;
(4b)利用恒虚警CFAR对上述经过对数变换后的图像W中像素点的坐标进行目标坐标和背景坐标的判断:
其中,μ和σ分别为上述经过对数变换后的图像W所有像素值的均值和方差的估计值,c为虚警率,T代表目标区域像素点的坐标的集合,B代表背景区域像素点的坐标的集合;
(4c)将上述经过对数变换后图像W中属于目标区域像素点坐标集合T的像素值置为1,属于背景区域像素点坐标集合B的像素值置为0,得到一个二值图像J;
(4d)对二值图像J进行形态学滤波,去除孤立点,获得最终的旋翼图像P。
5.根据权利要求1所述的基于旋翼物理参数估计实现飞机目标分类的方法,其中步骤(5)所述的利用主成分分析PCA投影方法估计旋翼长度L,按如下步骤进行:
(5a)从最终的旋翼图像P中,提取所有像素值为1的像素点的坐标(i,j);
(5b)对所有像素值为1的像素点的坐标(i,j)进行升序排列,得到坐标矩阵X;
(5c)求坐标矩阵X的协方差矩阵:C=(XT*X)/M,其中M为像素值为1的像素点数,T代表转置;
(5d)对协方差矩阵C进行特征值分解:C=UΛUH,其中H代表共轭转置,Λ=[λ1,λ2]为对角矩阵,λ1,λ2分别为两个对角线上的元素,为对协方差矩阵C特征值分解后得到的特征值,正交矩阵U=[U1,U2],U1,U2分别为元素λ1,λ2对应的特征向量;
(5e)对坐标矩阵X进行旋转变换,得到新的坐标矩阵:Y=(UXT)T;
(5f)将新的坐标矩阵Y中的所有元素分别向所述的两个特征向量U1,U2方向上投影,分别得到新坐标矩阵Y中所有元素在所述特征向量U1上的长度投影系数向量和在所述特征向量U2方向上的初相角投影系数向量
YU2=YT*U2;
(5h)估计旋翼长度L:
(5h1)根据长度投影系数向量得到最小长度投影系数和最大长度投影系数
(5h2)根据初相角投影系数向量得到最小初相角投影系数和最大初相角投影系数
(5h3)根据步骤(5h1)和(5h2)得到的参数估计出旋翼长度:L=sqrt[(L2-L1)2+(α2-α1)2],其中sqrt为开根号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410662970.8A CN104330784B (zh) | 2014-11-19 | 2014-11-19 | 基于旋翼物理参数估计实现飞机目标分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410662970.8A CN104330784B (zh) | 2014-11-19 | 2014-11-19 | 基于旋翼物理参数估计实现飞机目标分类的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104330784A CN104330784A (zh) | 2015-02-04 |
CN104330784B true CN104330784B (zh) | 2017-01-18 |
Family
ID=52405545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410662970.8A Active CN104330784B (zh) | 2014-11-19 | 2014-11-19 | 基于旋翼物理参数估计实现飞机目标分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104330784B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017135371A1 (en) * | 2016-02-05 | 2017-08-10 | Nidec Elesys Corporation | Multicopter with radar system |
CN106707276B (zh) * | 2016-12-20 | 2020-07-31 | 电子科技大学 | 一种基于滑窗eht的进动目标雷达三维成像方法 |
CN107167801B (zh) * | 2017-05-12 | 2019-04-26 | 成都电科智达科技有限公司 | 一种基于旋翼微多普勒特征的多旋翼无人机识别方法 |
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 |
CN108957443B (zh) * | 2018-07-16 | 2022-07-05 | 北京航空航天大学 | 一种基于双发双收相干雷达的无人机旋翼长度和转速的估计方法 |
CN110133600B (zh) * | 2019-06-17 | 2022-11-04 | 电子科技大学 | 一种直升机旋翼物理参数提取方法 |
CN110850386B (zh) * | 2019-11-20 | 2023-04-18 | 中北大学 | 一种基于分数阶域特征的旋翼类无人机深度学习识别方法 |
CN111582237B (zh) * | 2020-05-28 | 2022-08-12 | 国家海洋信息中心 | 基于atsm模型的高分影像飞机类型识别方法 |
CN111796280B (zh) * | 2020-07-30 | 2023-10-27 | 哈尔滨工业大学 | 一种isar微动特征提取-微动目标成像一体化方法 |
CN112784916B (zh) * | 2021-01-29 | 2022-03-04 | 西安电子科技大学 | 基于多任务卷积网络的空中目标微动参数实时提取方法 |
CN113311407B (zh) * | 2021-05-28 | 2024-01-19 | 西安电子科技大学 | 基于支持向量机的空中飞机目标分类在线学习方法 |
CN113534093B (zh) * | 2021-08-13 | 2023-06-27 | 北京环境特性研究所 | 飞机目标的螺旋桨叶片数量反演方法及目标识别方法 |
CN113866739B (zh) * | 2021-09-17 | 2024-05-14 | 西安电子科技大学 | 基于glct-gptf的多旋翼目标参数估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885043A (zh) * | 2014-03-31 | 2014-06-25 | 西安电子科技大学 | 基于广义匹配滤波的飞机目标杂噪稳健分类方法 |
CN104077787A (zh) * | 2014-07-08 | 2014-10-01 | 西安电子科技大学 | 一种基于时域和多普勒域的飞机目标分类方法 |
CN104133211A (zh) * | 2014-07-07 | 2014-11-05 | 中国船舶重工集团公司第七二四研究所 | 一种多普勒频率变换雷达目标分类识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201020408D0 (en) * | 2010-12-01 | 2011-08-17 | Bae Systems Plc | Radar system and method of providing a blade count of a rotating bladed target |
US8816895B2 (en) * | 2011-04-15 | 2014-08-26 | Raytheon Company | Target-tracking radar classifier with glint detection and method for target classification using measured target epsilon and target glint information |
-
2014
- 2014-11-19 CN CN201410662970.8A patent/CN104330784B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885043A (zh) * | 2014-03-31 | 2014-06-25 | 西安电子科技大学 | 基于广义匹配滤波的飞机目标杂噪稳健分类方法 |
CN104133211A (zh) * | 2014-07-07 | 2014-11-05 | 中国船舶重工集团公司第七二四研究所 | 一种多普勒频率变换雷达目标分类识别方法 |
CN104077787A (zh) * | 2014-07-08 | 2014-10-01 | 西安电子科技大学 | 一种基于时域和多普勒域的飞机目标分类方法 |
Non-Patent Citations (3)
Title |
---|
Robust Classification Scheme for Airplane Targets With Low Resolution Radar Based on EMD-CLEAN Feature Extraction Method;Lan Du等;《IEEE SENSORS JOURNAL》;20131231;4648-4662 * |
基于特征谱散布特征的低分辨雷达目标分类方法;陈风等;《中国科学》;20101231;624-636 * |
基于经验模态分解的空中飞机目标分类;王宝帅等;《电子与信息学报》;20120930;2116-2121 * |
Also Published As
Publication number | Publication date |
---|---|
CN104330784A (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104330784B (zh) | 基于旋翼物理参数估计实现飞机目标分类的方法 | |
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
Du et al. | Robust classification scheme for airplane targets with low resolution radar based on EMD-CLEAN feature extraction method | |
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
Yuan et al. | Micro-Doppler analysis and separation based on complex local mean decomposition for aircraft with fast-rotating parts in ISAR imaging | |
Liu et al. | LPI radar signal detection based on radial integration of Choi-Williams time-frequency image | |
CN103885043B (zh) | 基于广义匹配滤波的飞机目标杂噪稳健分类方法 | |
Choi et al. | Efficient discrimination of ballistic targets with micromotions | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN104077787A (zh) | 一种基于时域和多普勒域的飞机目标分类方法 | |
Guo et al. | One-dimensional frequency-domain features for aircraft recognition from radar range profiles | |
CN103969634B (zh) | 基于全极化属性散射中心模型的目标属性特征提取方法 | |
Lee et al. | Improved classification performance using ISAR images and trace transform | |
CN109613532A (zh) | 一种机载雷达实时多普勒波束锐化超分辨成像方法 | |
CN105068062A (zh) | 基于稀疏散射中心提取的距离像数据外推方法 | |
CN107390193A (zh) | 基于多距离单元融合的调频连续波雷达飞机目标分类方法 | |
Zhu et al. | Classification of UAV-to-ground targets based on enhanced micro-Doppler features extracted via PCA and compressed sensing | |
Li et al. | Target classification with low-resolution surveillance radars based on multifractal features | |
Li et al. | Research on detection method of UAV based on micro-Doppler effect | |
Li et al. | Research on analysis of aircraft echo characteristics and classification of targets in low-resolution radars based on EEMD | |
Zhu et al. | Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter | |
Zhu et al. | Classification of ground vehicles based on micro-Doppler effect and singular value decomposition | |
Yoon et al. | Efficient protocol to use fmcw radar and cnn to distinguish micro-doppler signatures of multiple drones and birds | |
Li et al. | Classification of aircraft targets with surveillance radars based on fuzzy fractal features | |
CN106054195A (zh) | 基于空时最优处理器的湍流谱宽估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |