CN105718856A - 一种基于eemd的车辆微动信号提取及分类方法 - Google Patents

Abstract

本发明公开了一种基于EEMD的车辆微动信号提取及分类方法。传统的模式识别方法无法满足在复杂环境，运动模式复杂情况下的精确分类。本发明首先利用EEMD将原始信号分解，由于轮式车辆与履带式车辆两者的微多普勒调制存在明显的差异，为了进一步确定分解后的各个本征模函数对应的是那一部分信号，对其进行相关性分析，也进一步的验证了EEMD分解的有效性。通过提取了四种特征，分别为IMF1高频段的信号强度，各个IMF之间的离散度，IMF1高频段的波动程度，IMF2车身主体部分的幅度极大值。最后采用支持向量机进行目标分类识别。本发明所提供的算法提高了车辆的识别率且对不同运动状态具有稳健性。

Description

一种基于EEMD的车辆微动信号提取及分类方法

技术领域

本发明属于SAR雷达微多普勒信号处理方法与应用技术领域，涉及一种基于EEMD的SAR/GMTI轮式/履带式车辆微动信号提取及分类方法。

背景技术

在实际的军事和民用方面很难找到单一运动模式的目标，传统的单一的速度和距离识别已经不能满足应用的需求。本发明所提出的基于微多普勒的识别方法就是从不同目标复杂运动所产生的微多普勒不同作为突破口。

微动是指目标或其部件除质心平动以外的微小运动如振动，旋转等。随着目标的隐身技术的发展，对雷达的检测技术要求也越来越高，其中目标微动的唯一性和稳定性这一特征引起了大家的关注。由于目标微动会对雷达回波产生调制，产生微多普勒效应，可以通过对调制后的回波频率进行分析，可以发现不同的目标之间存在明显的差异，这也为目标识别提供了新的方法。

微多普勒信号分离提取方法有多种，传统的信号提取方法如小波变换，它是将回波信号进行多次小波分解，然后再将其有用的部分进行重构。小波变换对时频面是一种机械的各型分解，无自适应。本发明所提出的EEMD是一种自适应的信号处理方法，在雷达回波中存在多个目标的影响时具有明显的优势。它将复杂的多分量信号自适应地分解为若干个本征模函数分量之和，进一步对每个本征模函数进行Hibert变换求出瞬时频率和瞬时幅值，从而得到原始信号完整的时频分布，并且通过增加均匀白噪声以及迭代次数从而克服了EMD分解会带来的模态混叠问题。本发明为了筛选出EEMD分解后的有用部分的内容，提出了关于相关性判别算法，从而判别出分解后各个本征模函数所对应的运动形式，也进一步验证了EEMD分解的有效性，相比传统的信号分离重构更加的严谨具有说服力。

通过对车辆目标回波的分析，我们发现实际中轮式车辆微多普勒调制不明显，能量主要集中在车身回波中。履带式车辆微多普勒调制现象较明显，能量不仅分布在车身回波中，在微动部件回波中也有分布。本发明针对这种差异，在EEMD分解后的各个本征模函数中共提取了四种特征。

发明内容

本发明的目的在于针对传统的车辆目标分类识别的不足，为SAR雷达微多普勒特征的研究提供一种基于EEMD的SAR/GMTI轮式/履带式车辆微动信号提取及分类方法。

本发明方法包括以下步骤：

步骤(1)、对SAR场景下已知轮式车辆和履带式车辆的回波信号进行建模仿真，基于仿真得到多组单通道下两种车辆的回波信号，作为训练样本；

步骤(2)、对上述每组回波信号进行EEMD分解

2.1给回波信号添加一组均匀的高斯白噪声，产生新的信号；

2.2对上述步骤2.1得到新信号进行EMD分解(经验模态分解)，得到若干个IMF(本征模函数)和一个余项，具体可表示为：

$X\left(t\right)=\underset{j=1}{\overset{n}{\Σ}}{x}_j+r_n$ 式(1)；

其中X(t)为步骤2.1得到的新信号，x_j为第j个本征模函数，r_n为EMD分解到最后剩下的余项；

2.3继续给原始回波信号添加均匀白噪声，重复2.1至2.2，重复次数与预定义的迭代次数有关，一般100多次。最后得到多个IMF和余项，具体表示如下：

$X_i\left(t\right)=\underset{j=1}{\overset{n}{\Σ}}{x}_{ij}+r_{in}$ 式(2)；

其中X_i(t)表示第i次迭代时步骤一产生的新信号，x_ij表示第i次迭代时经过EMD分解后产生的第j个本征模函数，r_in表示第i次迭代时经过EMD分解后产生的余项。

2.4对步骤2.3所有迭代产生的第j个本征模函数和余项取均值，得到最终的第j个本征模函数和余项，具体表示如下：

${\stackrel{\‾}{x}}_j=x_{ij}/N$ 式(3)；

${\stackrel{\‾}{r}}_n=r_{in}/N$ 式(4)；

其中N为迭代次数。

2.5对步骤2.4处理后得到的本征模函数进行Hibert变换，求出瞬时频率和瞬时幅值，从而得到原始信号完整的频谱图和时频图；

步骤(3)、本征模函数相关性判别

将EEMD分解后所得到的本征模函数分别与对应车辆的车身信号以及微动信号做相关性分析，其中轮式车辆的微动信号主要由前后轮胎所产生，履带式车辆的微动信号除了前后轮胎之外还有履带部分。具体的计算公式如下：

${\mathrm{\λ}}_j=\frac{\underset{k}{\mathrm{\Σ}}\left({\stackrel{\‾}{x}}_{jk}-\stackrel{\‾}{x}\right)\left(S_k-\stackrel{\‾}{S}\right)}{\sqrt{\left(\underset{k}{\mathrm{\Σ}}{\left({\stackrel{\‾}{x}}_{jk}-\stackrel{\‾}{x}\right)}^2\right)\left(\underset{k}{\mathrm{\Σ}}{\left(S_k-\stackrel{\‾}{S}\right)}^2\right)}}$ 式(5)；

式中λ_j表示第j个IMF分量与车身信号或者微动信号S的相关系数，表示第j个IMF分量信号序列中的第k个元素， 表示对应车辆的车身信号或者微动信号的均值。

相关性系数越接近1,表示两者之间的相关性越大，越接近于0表示两者之间的相关性越少。本发明选取了0.2作为阈值，意思为当相关系数大于0.2时就认为两者之间的信号是相关的，反之不相关。

在此操作过程中会存在伪相关系数，意思就是某微弱段信号也被误判别为相关。为避免这种情况，需要在相关系数的操作上再结合能量比重判别，排出伪相关系数的干扰。故若相关系数较大，则需要通过能量比重判别。如果能量比重很小时，则认为这一段是不相关的，反之，则认为相关。具体的能量比重计算如下：设相关系数为λ_j的第j个本征模函数对应的能量为E_j，本征模函数对应的能量总和为E_total，则部分能量占总能量之比的计算公式为：

${\mathrm{\η}}_j=\frac{E_j}{E_{total}}$ 式(6)；

其中η_j为第j个本征模函数所占能量的比重，

通过相关性以及能量比重判别这一方法，最后可以确定出如下结果，轮式车辆的车身信号主要集中在前两个本征模函数(IMF1、IMF2)中，微动信号几乎不存在。履带式车辆微动信号较为均匀的分布在前4个本征模函数(IMF1、IMF2、IMF3、IMF4)中，其中IMF2与IMF3存在车身信号，而IMF1主要是微动信号。

步骤(4)、特征提取

特征一：对EEMD分解后的第一个本征模函数(IMF1)的频域图的高频段进行积分：

$W={\∫}_5^{15}{x}_1\left(f\right)df$

其中W为积分后的结果，x₁为第一个本征模函数，f为频率。

轮式车辆微动不明显，在高频段含有的微动信号少，履带式车辆在高频段存在大量的微动信号，因此两类车辆在IMF1的高频段能量存在差异。

特征二：对EEMD分解后的第一个本征模函数(IMF1)的频域图的高频段计算波动程度：

$F^{\′}=max\left(\right\{x_1{\left(k\right)}_{k=(t-1)u}^{tu}\left\}\right)-min\left(\right\{x_1{\left(k\right)}_{k=(t-1)u}^{tu}\left\}\right)$

其中t＝(1,2,3...m)意思为将x₁分为m份，t表示其中的第几等份，u表示每个等份中的个数，则总的波动程度为F＝sum(F')。

轮式车辆的IMF1主要是车身主体部分，其频谱分布较窄，而履带式车辆由于履带部分的反射系数大，微动明显，导致它的频谱展宽，因此两类车辆在高频段的波动存在差异。

特征三：第二个本征模函数(IMF2)的频谱的极大值点

$max\[Y\]=max\left({\left\{x_2\left(k\right)\right\}}_{k=1}^N\right)$

其中Y为各个IMF的傅里叶变换的幅值，x₂(k)为第二个本征模函数的第k个元素。

履带式的IMF1主要成分是微动信号，与车身并无相关，IMF2部分是车身和微动信号并存的。轮式车辆的IMF1主要是车身信号，IMF2的主要部分也是车身信号。因此可以得出如下结论：轮式车辆IMF2部分频谱的幅度要小于履带式车辆IMF2频谱的幅度，主要原因是轮式车辆IMF1和IMF2均主要为车身信号，故IMF2的车身信号较少，且没有微动信号，而履带式车辆IMF2含有较多车身信号也含有微动信号，因此频谱的幅度明显要比轮式车辆频谱幅度高。

特征四：模态能量嫡判断IMF之间的离散度

$P=-\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\η}}_j{\mathrm{log\η}}_j$

式中P为各个IMF之间的离散度。

轮式车辆的车身主体部分信号主要集中于前两个IMF，由于其微动信号较少，所以微动信号相对于车身信号含量几乎可以忽略。履带式车辆车身主体信号主要集中于IMF2和IMF3，但是由于履带的反射系数大，在运动过程中产生了一个较大的微动信号，所以它在各个IMF的分布上就更加的均匀。

步骤(5)、测试样本分类

5.1对SAR场景下目标车辆的回波信号进行建模仿真，基于仿真得到单通道下回波信号，作为测试样本；

5.2按照步骤2进行EEMD分解得到多个本征模函数按照步骤(4)得到4个特征值，采用支持向量机，将测试样本进行分类，从而判断出该测试样本属于哪一类车辆。

本发明的有益效果是：

本发明提出的EEMD分解，解决了EMD分解对车辆原始回波分解中存在的模态混叠问题，且增加了相关性分析和特征能量分析使得分解后的各个本征模函数对应于哪种信号更加清晰，使得特征更加凸显，也进一步验证了EEMD分解的有效性。在特征提取部分，增加了波动特征，能量以及离散度等特征，大大提高了识别率。

附图说明

图1为本发明EEMD分解流程图；

图2为本发明方法流程图。

具体实施方式

下面结合具体实施例对本发明做进一步的分析。

本实施例采用仿真数据作为训练样本，通过不断的改变方向角范围(0～60度)以及车辆速度(0～20m/s)，从而产生大量的数据作为训练样本集，再将训练样本集分成5个子集，各个子集数据等间隔的从训练样本集中获取，这样做的目的是为了确保各个子集都包含目标样本的各个姿态，保证了训练样本集的稳定性。试验中用到的其他仿真参数如下表所示：

表1仿真雷达参数

在测试样本中主要有两类目标：轮式车辆与履带式车辆。本实施例通过随机的改变目标车辆的速度和方向角产生了多组测试数据，然后做如下处理，见图2：

步骤一：如图1所示，对训练样本的回波添加均匀的高斯白噪声序列产生新的回波，并获取它的极大值与极小值形成上下包络再取均值。用新得到的回波减去均值，假设得到的值为h1。判断h1是否满足成为IMF的条件(极大值与极小值所形成的包络均值为零)，若没有满足条件，则将h1取极大值与极小值形成上下包络，重复以上步骤，直到满足成为第一个本征模函数的条件。将原始回波减去第一个本征模函数后，重复形成第一个本征模函数的过程，依次得到多个本征模函数，直到最后剩余信号是单调的或者为常量结束循环，第一次EMD分解结束。再对训练样本的原始回波添加高斯白噪声，重复上述步骤，进行多次EMD分解，重复循环后，得到多个不同的本征模函数，最终取均值，就是最后的本征模函数加上余项。

步骤二：对EEMD分解后得到的各个本征模函数做相关性分析，将相关系数大于0.2的视为相关，能量较小的部分进行排除，最后得出轮式车辆车身主体部分主要存在于IMF1和IMF2中，微动信号几乎可以忽略。履带式车辆的微动信号主要存在于前4个IMF中，车身主体部分信号主要集中在IMF2和IMF3中。

步骤三：提取训练样本的4种特征值。

表2轮式车辆与履带式车辆的特征一到四的结果

步骤四：对测试样本执行步骤一的操作。

步骤五：提取测试样本的特征一到四。

步骤六：采用支持向量机进行分类。

最终识别结果如表3所示：

表3两类车辆的识别率

	轮式车辆	履带式车辆	平均
				识别率	95.82％	83.44％	89.63％

从统计分类结果的表中可以看出轮式车辆的识别率较高，履带式车辆的识别率稍低，平均识别率较高。由此可以得出结论，本发明所提出的这四种特征能够充分的反应轮式车辆与履带式车辆之间的差异性，可以作为区分轮式车辆以及履带式车辆的有效特征。

Claims (6)

1.一种基于EEMD的车辆微动信号提取及分类方法，其特征在于该方法包括以下步骤：

步骤(1)、对SAR场景下已知轮式车辆和履带式车辆的回波信号分别进行建模仿真，基于仿真得到多组单通道下两种车辆的回波信号，作为训练样本；

步骤(2)、对上述每组回波信号进行EEMD分解

2.1给回波信号添加一组均匀的高斯白噪声，产生新的信号；

2.2对上述步骤2.1得到新信号进行EMD分解，得到若干本征模函数和一个余项；新信号X(t)具体可表示为：

$X\left(t\right)=\underset{j=1}{\overset{n}{\Σ}}{x}_j+r_n$ 式(1)；

其中x_j为第j个本征模函数，r_n为EMD分解到最后剩下的余项；

2.3继续给回波信号添加均匀白噪声，重复2.1～2.2，最后得到多个IMF和余项，新信号X_i(t)具体表示如下：

$X_i\left(t\right)=\underset{j=1}{\overset{n}{\Σ}}{x}_{ij}+r_{in}$ 式(2)；

其中x_ij表示第i次迭代时经过EMD分解后产生的第j个本征模函数，r_in表示第i次迭代时经过EMD分解后产生的余项；

2.4对步骤2.3所有迭代产生的第j个本征模函数和余项各自取均值，得到最终的第j个本征模函数和余项，具体表示如下：

${\stackrel{\‾}{x}}_j=x_{ij}/N$ 式(3)；

${\stackrel{\‾}{r}}_n=r_{in}/N$ 式(4)；

其中N为迭代次数；

2.5对步骤2.4处理后得到的本征模函数进行Hibert变换，求出瞬时频率和瞬时幅值，从而得到原始信号完整的频谱图和时频图；

步骤(3)、本征模函数相关性判别

将EEMD分解后所得到的本征模函数分别与对应车辆的车身信号以及微动信号做相关性分析，具体的计算公式如下：

${\mathrm{\λ}}_j=\frac{\underset{k}{\Σ}({\stackrel{\‾}{x}}_{jk}-\stackrel{\‾}{x})(S_k-\stackrel{\‾}{S})}{\sqrt{\left(\underset{k}{\Σ}{({\stackrel{\‾}{x}}_{jk}-\stackrel{\‾}{x})}^2\right)\left(\underset{k}{\Σ}{(S_k-\stackrel{\‾}{S})}^2\right)}}$ 式(5)；

式中λ_j表示第j个IMF分量与车身信号或者微动信号S的相关系数，表示第j个IMF分量信号序列中的第k个元素，

$\stackrel{\‾}{x}=\underset{j=1}{\overset{n}{\Σ}}{\stackrel{\‾}{x}}_j/n,$

表示对应车辆的车身信号或者微动信号的均值；

由此可判断轮式车辆的车身信号主要集中在前两个本征模函数中，微动信号几乎不存在；履带式车辆微动信号较为均匀的分布在前4个本征模函数中，其中IMF2与IMF3存在车身信号，而IMF1主要是微动信号；

步骤(4)、根据步骤(3)判断出轮式车辆与履带式车辆的车身信号与微动信号的存在形式不同，进行特征提取；

步骤(5)、测试样本分类

5.1对SAR场景下目标车辆的回波信号进行建模仿真，基于仿真得到单通道下回波信号，作为测试数据；

5.2首先按照步骤2进行EEMD分解得到多个本征模函数根据步骤(4)得到特征值，然后采用支持向量机，将测试样本进行分类，从而判断出该测试样本属于哪一类车辆。

2.如权利要求1所述的一种基于EEMD的车辆微动信号提取及分类方法，其特征在于步骤(4)具体是对EEMD分解后的第一个本征模函数的频域图高频段进行积分：

$W={\∫}_5^{15}{x}_1\left(f\right)df$

其中W为积分后的结果，f为频率。

3.如权利要求1所述的一种基于EEMD的车辆微动信号提取及分类方法，其特征在于步骤(4)具体是对EEMD分解后的第一个本征模函数的频域图高频段求取波动程度：

$F^{\′}=max\left(\right\{x_1{\left(k\right)}_{k=(t-1)u}^{tu}\left\}\right)-min\left(\right\{x_1{\left(k\right)}_{k=(t-1)u}^{tu}\left\}\right)$

其中t＝(1,2,3...m)意思为将x₁分为m份，t表示其中的第几等份，u表示每个等份中的个数，则总的波动程度为F＝sum(F')。

4.如权利要求1所述的一种基于EEMD的车辆微动信号提取及分类方法，其特征在于步骤(4)具体是对第二个本征模函数的频谱求取极大值点：

$max\[Y\]=max\left({\left\{x_2\left(k\right)\right\}}_{k=1}^N\right)$

其中Y为各个IMF的傅里叶变换的幅值，x₂(k)为第二个本征模函数的第k个元素。

5.如权利要求1所述的一种基于EEMD的车辆微动信号提取及分类方法，其特征在于步骤(4)具体是通过模态能量嫡判断IMF之间的离散度：

$P=-\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\η}}_j{\mathrm{log\η}}_j$

式中P为所有之间的离散度。

6.如权利要求1所述的一种基于EEMD的车辆微动信号提取及分类方法，其特征在于步骤(3)中由于可能会存在伪相关系数，故对λ_j进行能量比重判别，排出伪相关系数的干扰；

若相关系数λ_j较大时，则进行以下能量比重计算：设相关系数为λ_j的第j个本征模函数对应的能量为E_j，本征模函数对应的能量总和为E_total，则部分能量占总能量之比的计算公式为：

${\mathrm{\η}}_j=\frac{E_j}{E_{total}}$ 式(6)；

其中η_j为第j个本征模函数所占能量的比重，