CN107390193A - 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 - Google Patents

Abstract

本发明公开了一种基于多距离单元信息融合的调频连续波雷达飞机目标分类方法，主要解决现有方法中只提取机身目标所在距离单元的回波进行处理，会损失大量微动信息，降低识别性能的问题。其实现过程是：通过雷达进行多个调频周期的观测，接收得到飞机目标的回波差频信号；将每个周期的时域回波差频信号进行多倍于原信号长度的快速傅里叶变换处理；提取样本的三个多距离单元融合特征；利用训练样本的多距离单元融合特征训练分类器；将测试样本多距离单元融合特征输入到分类器中，得到三类飞机目标的分类结果。本发明提高了识别性能，可用于调频连续波雷达体制下，将分散在多个距离单元的回波信息综合处理后进行分类识别。

Description

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

技术领域

本发明属于雷达技术领域，特别涉及一种空中运动目标的分类方法，可用于调频连续波雷达体制下，将分散在多个距离单元的回波信息综合处理后进行分类识别。

背景技术

近年来，微动特性在雷达目标识别中受到广泛关注。微动是指雷达目标除质心平动以外的振动或转动。2000年美国海军研究实验室的Victor C.Chen最早发表了微波雷达中微多普勒效应分析实验结果。实验表明不同的微运动会产生不同的微多普勒调制，微多普勒效应可以反映目标结构部件的几何构成和运动特性，此外由微动所产生的时域特性同样能够作为目标独一无二的特征。因此，通过目标微动差异可以提取具有良好分类性能的特征，从而实现对目标的分类和识别。

对于空中目标分为喷气式飞机，螺旋桨飞机和直升机三类，其转动的旋翼产生微多普勒效应和时域特性，现今，国内外主要在脉冲多普勒PD体制下，基于窄带雷达回波的喷气发动机调制JEM特征对空中三类飞机目标的分类方法进行研究。

陈凤，刘宏伟等2010年发表的文章《基于特征谱散布特征的低分辨雷达目标识别方法》，就是根据螺旋桨飞机、喷气式飞机和直升机三类飞机JEM调制谱对应谱线条数的差别来提取分类特征，从而区分螺旋桨飞机、喷气式飞机和直升机。

赵越，纠博等2017年发表的文章《一种基于时频分析的窄带雷达飞机目标分类特征提取方法》，是根据喷气式飞机、螺旋桨飞机和直升机三类目标调制周期的差异，提取时频谱域的熵值变化特性，并给出了时频分析中窗函数长度的优化选择方法，在低信噪比条件下提高了识别率。

上述方法均在脉冲多普勒雷达体制下进行研究，该体制下目标微动信息可以近似看作处于一个距离单元上，因此只利用机身所在单个距离单元的回波来提取特征就可以得到有效的分类效果。

在调频连续波雷达体制下，由于高速运动的旋翼部件存在，飞机目标回波会发生明显的谱峰分裂现象，微动分量分布在不同的距离单元上，无法满足上述目标处于单一距离单元的近似条件，现有方法中只提取机身目标所在距离单元的回波进行处理，会损失大量微动信息，降低识别性能。

发明内容

为了克服现有方法的缺点，本发明提出了一种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，以在调频连续波雷达体制下实现对飞机目标的有效分类，并提高分类性能。

为实现上述目的，本发明的技术方案包括如下：

1)雷达进行m个调频周期的观测，接收飞机目标的回波差频信号，得到时域回波矩阵s＝[s₁,s₂,…,s_i,…,s_m]^T，其中s_i是第i个调频周期的列向量回波，i＝1,2,…,m；

2)将每个周期的时域回波差频信号s_i进行D倍于原信号长度的快速傅里叶变换，得到新的时域回波矩阵：s′＝[s₁′,s₂′,…,s_i′,…,s_m′]^T，其中表示新的时域回波矩阵s′的第i个行向量，表示D倍于原信号长度的快速傅里叶变换，|·|表示取模运算；

3)根据机身所在距离单元估计飞机目标的微动信息，得到多距离单元融合特征：

3a)假设新的时域回波矩阵s′的第i列a_i为机身所处距离单元，得到(a_i-1,a_i,a_i+1)三个距离单元回波；

3b)分别计算三个距离单元回波所对应的自相关矩阵R_i-1，R_i，R_i+1,并求得叠加自相关矩阵：R＝R_i-1+R_i+R_i+1,将得到的叠加自相关矩阵R进行特征值分解，得到特征向量v_l，l＝1,2,…,K，其中K为特征谱维度；

3c)根据远离机身的距离单元回波估计噪声门限σ；

3d)利用3b)中求得的特征向量v_l和3c)中估计出的噪声门限σ，分别计算三个自相关矩阵R_i-1，R_i，R_i+1的降噪特征谱；

3e)将三个自相关矩阵的降噪特征谱叠加，并按照特征值从大到小排列记为：μ＝[μ₁,μ₂,…,μ_i,…,μ_K]，其中i＝1,2,…,K；

3f)根据3e)中得到的叠加后的降噪特征谱μ提取三种多距离单元融合特征feature1、feature2和feature3。

4)重复步骤1)到3)，得到多组样本下的多距离单元融合特征，将得到的多组样本下的特征等分作为训练样本提取的特征和测试样本提取的特征；

5)根据4)中提取的训练样本的多距离单元融合特征训练分类器，将测试样本的多距离单元融合特征输入训练好的分类器，根据分类器的输出得到目标类别。

本发明由于在调频连续波雷达体制下，利用目标所在多个距离单元的回波信号提取多距离单元融合特征，使飞机上高速运动的旋翼部件产生的微动能量聚合在一起，提高了目标微动信息的利用率，进而提高了分类性能。

附图说明

图1是本发明的实现流程图；

图2是用本发明方法对三类飞机信号进行多距离单元信息融合的降噪特征谱；

图3是用本发明提取的多距离单元融合特征与现有单个距离单元提取的波形熵特征在不同信噪比下的识别率对比图。

具体实施方式

参照图1，本发明实例的具体实现步骤如下：

步骤1，观测得到飞机目标的时域回波差频信号。

雷达进行m个调频周期的观测，接收飞机目标的回波差频信号，得到时域回波矩阵s＝[s₁,s₂,…,s_i,…,s_m]^T，其中s_i是第i个调频周期的列向量回波，i＝1,2,…,m。

需要说明的是，时域回波矩阵s的每一行代表着一个调制周期的时域回波差频信号，调频连续波时域信号脉压之后反映的是不同距离单元的信息，等效于时域回波矩阵s的每一列都代表不同的距离单元的信息。

步骤2，将每个周期的时域回波差频信号做D倍于原信号点数的FFT。

将每个周期的时域回波差频信号s_i进行D倍于原信号长度的快速傅里叶变换，得到新的时域回波矩阵：s′＝[s₁′,s₂′,…,s_i′,…,s_m′]^T，其中表示新的时域回波矩阵s′的第i个行向量，表示D倍于原信号长度的快速傅里叶变换，|·|表示取模运算；

步骤3，根据机身所在距离单元估计飞机目标的微动信息，得到多距离单元融合特征。

3a)假设新的时域回波矩阵s′的第i列a_i为机身所处距离单元，得到a_i-1，a_i，a_i+1三个距离单元回波；

3b)分别计算三个距离单元回波所对应的自相关矩阵R_i-1，R_i，R_i+1：

3b1)定义回波s(t)＝a_i，其中a_i为步骤2)中新得到的时域回波矩阵s′中第i个列向量，表示机身所在的距离单元回波；

3b2)选取矩形窗长度为N，对信号长度为U的回波s(t)进行滑窗截取，得到回波s(t)的时域信号矩阵：X＝[s₁(t),s₂(t),…,s_h(t),…,s_U-N+1(t)]^T，其中s_h(t)是对回波s(t)滑窗得到的信号，信号长度与矩形窗长度相同，h＝1,2,…,U-N+1；

3b3)求得时域信号矩阵X的自相关矩阵R_xx＝XX^H，其中X^H为时域信号矩阵X的共轭转置矩阵，该自相关矩阵R_xx即为机身所在距离单元回波a_i的自相关矩阵R_i；

3b4)重复3b1)到3b3)，得到机身临近两个距离单元回波的自相关矩阵R_i-1，R_i+1。

3c)将3b)中得到的机身附近三个距离单元回波的自相关矩阵R_i-1，R_i，R_i+1进行加和，得到叠加自相关矩阵：R＝R_i-1+R_i+R_i+1,将得到的叠加自相关矩阵R进行特征值分解，得到特征向量v_l，l＝1,2,…,K，其中K为特征谱维度；

3d)根据远离机身的距离单元回波估计噪声门限σ：

3d1)定义z(t)＝a_q，其中a_q为步骤2中新得到的时域回波矩阵s′中第q个列向量，其表示远离机身的距离单元回波；

3d2)选取矩形窗长度为N，对信号长度为U的回波z(t)进行滑窗截取，得到回波z(t)的时域信号矩阵：Y＝[z₁(t),z₂(t),…,z_p(t),…,z_U-N+1(t)]^T，其中z_p(t)是对回波z(t)滑窗得到的信号，信号长度与矩形窗长度相同，p＝1,2,…,U-N+1；

3d3)求得时域信号矩阵Y的自相关矩阵R_yy＝YY^H，其中Y^H为时域信号矩阵Y的共轭转置矩阵，该自相关矩阵R_yy即为远离机身所在距离单元的回波a_q的噪声自相关矩阵R_noise；

3d4)将噪声自相关矩阵R_noise进行特征值分解，得到特征谱记为其中是噪声自相关矩阵R_noise进行特征值分解得到的第i个特征值，i＝1,2,…,K，K为特征谱维度；

3d5)计算噪声门限i＝1,2,…,K。

3e)利用3c)中求得的特征向量v_l和3d)中估计出的噪声门限σ，分别计算三个自相关矩阵R_i-1，R_i，R_i+1的降噪特征谱：

3e1)根据3c)中已求得的特征向量v_l，得到叠加自相关矩阵R的特征向量矩阵V＝[v₁,v₂,…,v_l,…,v_K]，其中l＝1,2,…,K，K为特征谱维度；

3e2)计算3b)中求得的机身所在距离单元回波的自相关矩阵R_i在3e1)中得到的特征向量矩阵V下的特征谱：其中diag(·)表示取矩阵主对角线元素值的运算，矩阵V^-1是特征向量矩阵V的逆矩阵；

3e3)将3e2)计算得到的特征谱中每个特征值减去噪声门限σ，并将小于0的值置为0，得到机身所在距离单元回波的降噪特征谱

3e4)重复步骤3e2)和3e3)，得到3b)中所述机身两侧距离单元回波的自相关矩阵R_i-1的降噪特征谱和自相关矩阵R_i+1的降噪特征谱

3f)将三个自相关矩阵的降噪特征谱叠加，并按照特征值从大到小排列记为：μ＝[μ₁,μ₂,…,μ_i,…,μ_K]，其中i＝1,2,…,K；

3g)根据3f)中得到的叠加后的降噪特征谱μ提取如下三种多距离单元融合特征：

累积贡献率达到98％的大特征值个数：

特征值归一化和：

最大特征值所占比例：

步骤4，重复步骤1到步骤3，得到多组样本下的多距离单元融合特征，将得到的多组样本下的特征等分作为训练样本提取的特征和测试样本提取的特征。

步骤5，根据训练样本提取的三种多距离单元融合特征，训练得到分类器。

将训练样本得到的三种多距离单元融合特征组成一个特征向量：feature＝{feature1,feature2,feature3}，利用训练样本的特征向量feature做训练得到分类器，其中，分类器包括：线性判决分析分类器、支持向量机分类器、相关向量机分类器和k近邻分类器，本实例采用支持向量机分类器，使用从训练样本中提取的三种多距离单元融合特征以及样本标号对该支持向量机分类器进行训练，得到一组支持向量{f₁,f₂,...,f_Q}和相应的权系数{ω₁,ω₂,...,ω_Q}，其中，f_j为第j个由训练得到的支持向量，ω_j为相应的第j个权系数，j＝1,2,...,Q，Q为训练得到的支持向量的个数。

步骤6，将测试样本得到的多距离单元融合特征输入训练好的分类器，根据分类器的输出得到目标类别。

对于测试样本的多距离单元融合特征，利用已经训练好的支持向量机分类器按如下步骤对其进行分类：

6a)将由测试样本集中提取的三种多距离单元融合特征构成特征向量u＝{feature1,feature2,；

6b)将从测试样本中提取的特征向量u输入到训练好的支持向量机分类器中，按下式得到支持向量机分类器输出：

式中，||·||为范数运算，δ为参数，取值10，f_j为第j个由训练过程得到的作为支持向量，ω_j为相应的第j个权系数，j＝1,2,...,Q，Q为训练过程得到的支持向量的个数；

6c)根据支持向量机分类器的输出y(u)确定类别标号，得到多距离单元融合特征下的飞机目标的分类结果。

上述实例是对提取的特征使用了支持向量机分类器进行目标分类，在实际中，分类器还可以根据实际情况选取如相关向量机分类器，线性判决分析分类器，k近邻分类器等其他分类算法，分类过程与支持向量机分类器类似。

本发明的效果通过以下仿真实验验证：

1.实验条件：

设定雷达参数：调频周期初始频率10GHz，重频8KHz，驻留时间0.1s，调频带宽10MHz，采样频率20MHz。

实验数据包含三类飞机目标，分别为喷气式飞机，螺旋桨飞机和直升机。

2.实验内容：

实验1，上述实验条件下，利用本发明方法得到三类飞机目标的降噪特征谱结果如图2所示，其中图2(a)为喷气式飞机降噪特征谱，图2(b)为螺旋桨飞机降噪特征谱，图2(c)为直升机降噪特征谱。

实验2，在信噪比-30dB～30dB范围条件下，利用本发明方法和现有方法对实验1得到的降噪特征谱进行特征提取、分类器训练和目标识别，其中现有方法提取的特征为机身所在距离单元的波形熵特征，识别结果如图3所示。

将信噪比为8dB情况下利用现有波形熵特征和本发明多距离单元融合特征得到的三类飞机目标的识别结果进行对比，如表1所示。

表1信噪比8dB时波形熵特征和多距离单元融合特征识别结果对比

3.实验结果分析：

从图2三类飞机的降噪特征谱可以看出，三类飞机在机身附近距离单元仍有部分微动能量，通过本发明的方法让各距离单元的微动能量聚合在一起，提高了目标微动信息的利用率。

从图3可以看出，相较于现有波形熵特征的识别结果，本发明多距离单元融合特征识别结果在信噪比-10dB～15dB范围内识别率有明显提升，识别率提升5％～10％左右。

从表1可看出，在信噪比8dB时本发明方法将识别率提高了10％。

综上，本发明方法能够对调频连续波雷达体制下的飞机目标进行有效的分类。

Claims (6)

1.一种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，包括：

1)雷达进行m个调频周期的观测，接收飞机目标的回波差频信号，得到时域回波矩阵s＝[s₁,s₂,…,s_i,…,s_m]^T，其中s_i是第i个调频周期的列向量回波，i＝1,2,…,m；

2)将每个周期的时域回波差频信号s_i进行D倍于原信号长度的快速傅里叶变换，得到新的时域回波矩阵：s′＝[s₁′,s₂′,…,s_i′,…,s_m′]^T，其中表示新的时域回波矩阵s′的第i个行向量，表示D倍于原信号长度的快速傅里叶变换，|·|表示取模运算；

3)根据机身所在距离单元估计飞机目标的微动信息，得到多距离单元融合特征：

3a)假设新的时域回波矩阵s′的第i列a_i为机身所处距离单元，得到a_i-1，a_i，a_i+1三个距离单元回波；

3b)分别计算三个距离单元回波所对应的自相关矩阵R_i-1，R_i，R_i+1,并求得叠加自相关矩阵：R＝R_i-1+R_i+R_i+1,将得到的叠加自相关矩阵R进行特征值分解，得到特征向量v_l，l＝1,2,…,K，其中K为特征谱维度；

3c)根据远离机身的距离单元回波估计噪声门限σ；

3d)利用3b)中求得的特征向量v_l和3c)中估计出的噪声门限σ，分别计算三个自相关矩阵R_i-1，R_i，R_i+1的降噪特征谱；

3e)将三个自相关矩阵的降噪特征谱叠加，并按照特征值从大到小排列记为：μ＝[μ₁,μ₂,…,μ_i,…,μ_K]，其中i＝1,2,…,K；

3f)根据3e)中得到的叠加后的降噪特征谱μ提取三种多距离单元融合特征feature1、feature2和feature3。

4)重复步骤1)到3)，得到多组样本下的多距离单元融合特征，将得到的多组样本下的特征等分作为训练样本提取的特征和测试样本提取的特征；

5)根据4)中提取的训练样本的多距离单元融合特征训练分类器，将测试样本的多距离单元融合特征输入训练好的分类器，根据分类器的输出得到目标类别。

2.根据权利要求1所述的方法，其中步骤3b)中分别计算三个距离单元回波所对应的自相关矩阵R_i-1，R_i，R_i+1，按如下步骤进行：

3b1)定义回波s(t)＝a_i，其中a_i为步骤2)中新得到的时域回波矩阵s′中第i个列向量，表示机身所在的距离单元回波；

3b2)选取矩形窗长度为N，对信号长度为U的回波s(t)进行滑窗截取，得到回波s(t)的时域信号矩阵：X＝[s₁(t),s₂(t),…,s_h(t),…,s_U-N+1(t)]^T，其中s_h(t)是对回波s(t)滑窗得到的信号，信号长度与矩形窗长度相同，h＝1,2,…,U-N+1；

3b3)求得时域信号矩阵X的自相关矩阵R_xx＝XX^H，其中X^H为时域信号矩阵X的共轭转置矩阵，该自相关矩阵R_xx即为机身所在距离单元回波a_i的自相关矩阵R_i；

3b4)重复3b1)到3b3)，得到机身临近两个距离单元回波的自相关矩阵R_i-1，R_i+1。

3.根据权利要求1所述的方法，其中步骤3c)中根据远离机身的距离单元回波估计噪声门限σ，按如下步骤进行：

3c1)定义z(t)＝a_q，其中a_q为步骤2)中新得到的时域回波矩阵s′中第q个列向量，其表示远离机身的距离单元回波；

3c2)选取矩形窗长度为N，对信号长度为U的回波z(t)进行滑窗截取，得到回波z(t)的时域信号矩阵：Y＝[z₁(t),z₂(t),…,z_p(t),…,z_U-N+1(t)]^T，其中z_p(t)是对回波z(t)滑窗得到的信号，信号长度与矩形窗长度相同，p＝1,2,…,U-N+1；

3c3)求得时域信号矩阵Y的自相关矩阵R_yy＝YY^H，其中Y^H为时域信号矩阵Y的共轭转置矩阵，该自相关矩阵R_yy即为远离机身所在距离单元的回波a_q的噪声自相关矩阵R_noise；

3c4)将噪声自相关矩阵R_noise进行特征值分解，得到特征谱记为其中是噪声自相关矩阵R_no_ise进行特征值分解得到的第i个特征值，i＝1,2,…,K，K为特征谱维度；

3c5)计算噪声门限i＝1,2,…,K。

4.根据权利要求1所述的方法，其中步骤3d)中分别计算三个自相关矩阵R_i-1，R_i，R_i+1的降噪特征谱，按如下步骤进行：

3d1)根据3b)中已求得的特征向量v_l，得到叠加自相关矩阵R的特征向量矩阵V＝[v₁,v₂,…,v_l,…,v_K]，其中l＝1,2,…,K，K为特征谱维度；

3d2)计算3b)中求得的机身所在距离单元回波的自相关矩阵R_i在3c2)中得到的特征向量矩阵V下的特征谱

3d3)将3d2)计算得到的特征谱中每个特征值减去噪声门限σ，并将小于0的值置为0，得到机身所在距离单元回波的降噪特征谱

3d4)重复步骤3d2)和3d3)，得到3b)中所述机身两侧距离单元回波的自相关矩阵R_i-1的降噪特征谱和自相关矩阵R_i+1的降噪特征谱

5.根据权利要求1所述的方法，其中步骤3f)中提取三种多距离单元融合特征feature1、feature2和feature3，按如下步骤进行：

3f1)提取累积贡献率达到98％的大特征值个数：其中，μ_i是3e)中得到的叠加后的降噪特征谱μ的第i个特征值，i＝1,2,…,K，K为特征谱维度；

3f2)提取特征值归一化和：

3f3)提取最大特征值所占比例：。

6.根据权利要求1所述的方法，其中步骤5)中的分类器，包括：线性判决分析分类器，支持向量机分类器，相关向量机分类器和k近邻分类器。