CN107748862A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107748862A CN107748862A CN201710859807.4A CN201710859807A CN107748862A CN 107748862 A CN107748862 A CN 107748862A CN 201710859807 A CN201710859807 A CN 201710859807A CN 107748862 A CN107748862 A CN 107748862A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- frequency
- time
- feature
- wave bands
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供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,所述方法包括:S1,利用短时傅里叶变换对双波段雷达系统获取的各无人机的时域数据进行处理,获取所述各无人机的两个波段的时频图;S2,使用主成分分析算法对所述各无人机的两个波段的时频图进行特征提取;S3,对于每个无人机,将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入至支持向量机以对所述各无人机进行分类。本发明通过使用双波段的雷达系统向无人机发射不同波段的电磁波,通过对无人机回波的微多普勒信息进行特征提取,然后对双波段的特征进行融合分析,从而得到不同无人机的类别,提高了无人机分类的精度。
Description
技术领域
本发明涉及模式识别领域,更具体地,涉及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。
背景技术
无人机是利用一种无线电设备控制的不载人飞机。随着无人机的使用越来越多,数量的大幅增加,同时也引起了一些安全方面的担忧,因此准确地探测和分类无人机,判定其威胁等级、提供应对措施的有效依据等具有重要意义,相关需求广泛存在于反恐、民航监控等领域。
现有的基于图像识别的无人机分类容易受到许多因素的影响,如雨天、大雾、光线等,识别精度不高,而且识别过程复杂,运算量大。此外,无人机作为一种受人控制的目标,其飞行路线的能够实现动态规划,可以通过地形或建筑物隐藏,规避监控识别系统。雷达是一种利用电磁波探测目标的电子设备,通过发射电磁波照射目标然后接收回波获取目标的特征。相比于基于图像的识别系统,雷达具备全天候全时段工作能力,具有探测精度高,实时性能好,受环境因素影响小等优势。
现代雷达除了传统的获取目标的距离、距离变化率、方位和高度等信息外,普遍具有提取目标更多细节特征的能力,如目标主体运动速度之外的其它部分运动信息,这些相对于主体的运动反映为微多普勒信息。微多普勒是由目标各部分相对主体运动引起的多普勒效应,可表征目标丰富的状态信息,主要是目标内部的相对运动,如旋翼的转动等。通过提取微多普勒的特征,可以对目标个体的运动状态进行精细判读和识别。当前,微多普勒提取技术已经得到广泛研究,如利用微多普勒信息判断直升机螺旋桨转动等。现有的利用单波段的雷达进行目标分类常常只得到目标在一个频率的特征信息,而目标的散射特性常常是随着雷达频率不同而不同,因此不能对无人机进行准确分类。
发明内容
为克服上述现有技术中不能对无人机进行准确分类的问题或者至少部分地解决上述问题,本发明提供了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。
根据本发明的第一方面,提供一种基于双频雷达信号时频分布的无人机分类方法,包括:
S1,利用短时傅里叶变换对双波段雷达系统获取的各无人机的时域数据进行处理,获取所述各无人机的两个波段的时频图;
S2,使用主成分分析算法对所述各无人机的两个波段的时频图进行特征提取;
S3,对于每个无人机,将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入至支持向量机以对所述各无人机进行分类。
具体地,所述两个波段分别为中心频率为24GHz的K波段连续波和中心频率为9.8GHz的X波段连续波。
具体地,所述步骤S1中所述短时傅里叶变换的公式为:
其中,x为离散的时间信号,w为短时傅里叶变换的窗函数,n为时刻,m是窗函数每次滑动的距离,j为单位虚数,ω是角频率,STFT为时频图。
具体地,所述步骤S1和S2之间还包括:
从所述各无人机的两个波段的时频图中分别截取预设时长的数据段,所述预设时长大于或等于对应的无人机的转动周期;
使用正则化处理方法将所述数据段的幅度映射到dB域;
根据dB域中的最大幅度对所述数据段的幅度进行归一化处理。
具体地,所述步骤S2具体包括:
获取所述各时频图的协方差矩阵的特征值和特征向量;
获取最大的第一预设数量的特征值对应的特征向量,将所述对应的特征向量进行投影获取所述第一预设数量的主成分的特征向量。
具体地,所述步骤S3具体包括:
使用支持向量机决策树算法将所述各无人机分为两个子类;
将每个所述子类中的各无人机划分为两个子类,依此类推,直到所述子类中的各无人机不能满足划分的预设条件。
具体地,所述步骤S1之前还包括:
将不同类别的无人机悬停在双波段雷达系统前方的各高度和各方位;
对于每类所述无人机,获取该类无人机在各高度和各方位上的第二预设数量的时域数据;
从所述第二预设数量的时域数据中选择第三预设数量的时域数据作为训练样本对所述支持向量机进行训练。
根据本发明的第二方面,提供一种基于双频雷达信号时频分布的无人机分类装置,包括:
获取单元,用于利用短时傅里叶变换对双波段雷达系统获取的各无人机的时域数据进行处理,获取所述各无人机的两个波段的时频图;
提取单元,用于使用主成分分析算法对所述各无人机的两个波段的时频图进行特征提取;
分类单元,用于对于每个无人机,将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入至支持向量机以对所述各无人机进行分类。
根据本发明的第三方面,提供一种基于双频雷达信号时频分布的无人机分类设备,包括:
至少一个处理器、至少一个存储器和总线;其中,
所述处理器和存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如前所述的方法。
根据本发明的第四方面,提供一种非暂态计算机可读存储介质,用于存储如前所述方法的计算机程序。
本发明提供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,该方法通过使用双波段的雷达系统向无人机发射不同波段的电磁波,通过短时傅里叶变换对获取无人机回波的时域数据,并使用主成分分析算法对无人机回波的微多普勒信息进行特征获取,然后对双波段的特征进行融合分析,从而得到不同无人机的类别,提高了无人机分类的精度。
附图说明
图1为本发明实施例提供的基于双频雷达信号时频分布的无人机分类方法整体流程示意图;
图2为本发明实施例提供的基于双频雷达信号时频分布的无人机分类方法中K波段雷达传感器获取的三类无人机的时频分布示意图;其中,(a)为四翼机的K波段时频图,(b)为直升机的K波段时频图,(c)为六翼机的K波段时频图;
图3为本发明实施例提供的基于双频雷达信号时频分布的无人机分类方法中X波段雷达传感器获取的三类无人机的时频分布示意图;其中,(a)为四翼机的X波段时频图,(b)为直升机的X波段时频图,(c)为六翼机的X波段时频图;
图4为本发明实施例提供的基于双频雷达信号时频分布的无人机分类方法中特征值示意图;
图5为本发明实施例提供的基于双频雷达信号时频分布的无人机分类方法中三类无人机K波段的特征分布示意图;
图6为本发明实施例提供的基于双频雷达信号时频分布的无人机分类方法中三类无人机X波段的特征分布示意图;
图7为本发明实施例提供的基于双频雷达信号时频分布的无人机分类方法中三类无人机K波段和X波段的融合特征分布示意图;
图8是本发明实施例提供的基于双频雷达信号时频分布的无人机分类方法流程示意图;
图9为本发明实施例提供的基于双频雷达信号时频分布的无人机分类装置整体结构示意图;
图10为本发明实施例提供的基于双频雷达信号时频分布的无人机分类设备整体结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在本发明的一个实施例中提供一种基于双频雷达信号时频分布的无人机分类方法,图1为本发明实施例提供的基于双频雷达信号时频分布的无人机分类方法整体流程示意图,该方法包括:S1,利用短时傅里叶变换对双波段雷达系统获取的各无人机的时域数据进行处理,获取所述各无人机的两个波段的时频图;S2,使用主成分分析算法对所述各无人机的两个波段的时频图进行特征提取;S3,对于每个无人机,将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入至支持向量机以对所述各无人机进行分类。
具体地,S1中,双波段雷达系统可以选择使用K波段和X波段的雷达传感器。使用双波段雷达系统获取所述各无人机的时域数据,所述短时傅里叶变换的分析结果既反映了信号的频率内容,也反映了频率内容随时间变化的规律,代表着每一时刻目标运动状态对应的多普勒信息,将所述多普勒信息作为时频图。使用所述短时傅里叶变换作为时频分析工具对双波段雷达系统采集到的时域数据进行分析,得到每个无人机在两个波段下的时频图,如图2和图3所示。所述时频图为信号在时间和频率平面上的分布。在目标的时频图中不仅包括有无人机主体运动的主多普勒信息,还包括运动过程中旋翼转动引起的微多普勒信息,这些微多普勒信息在时频图中都能被清晰地观测,并将根据这些时频图的信息应用于后续工作中。S2中,所述主成分分析算法是一种主要用于降维的多元数学统计方法,把多个主成分转化为少数几个综合成分,可以看作是对特征进行提取。从获取的时频图中提取特征,采用主成份分析方法分别对两个波段的时频图进行处理,获取各无人机的两个波段的特征。S3,对于每个无人机,将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入到支持向量机中进行分类。本实施例中使用的测试样本是从总样本中随机选取的,并且使用蒙特卡洛实验验证分类结果。
本实施例通过使用双波段的雷达系统向无人机发射不同波段的电磁波,通过短时傅里叶变换对获取无人机回波的时域数据,并使用主成分分析算法对无人机回波的微多普勒信息进行特征获取,然后对双波段的特征进行融合分析,从而得到不同无人机的类别,通过双波段雷达系统融合处理的方法相对于单波段雷达系统能更准确地对无人机进行分类。此外,本实施例不需要对硬件进行改造。
在上述实施例的基础上,本实施例中所述两个波段分别为中心频率为24GHz的K波段连续波和中心频率为9.8GHz的X波段连续波。
在上述各实施例的基础上,本实施例中所述步骤S1中所述短时傅里叶变换的公式为:
其中,x为离散的时间信号,w为短时傅里叶变换的窗函数,n为时刻,m是窗函数每次滑动的距离,j为单位虚数,ω是角频率,STFT为时频图。
在上述各实施例的基础上,本实施例中所述步骤S1和S2之间还包括:从所述各无人机的两个波段的时频图中分别截取预设时长的数据段,所述预设时长大于或等于对应的无人机的转动周期;使用正则化处理方法将所述数据段的幅度映射到dB域;根据dB域中的最大幅度对所述数据段的幅度进行归一化处理。
具体地,对所述时频图进行预处理。从所述各无人机的两个波段的时频图中分别截取预设时长的数据段,如截取0.5S的数据段。所述预设时长大于或等于对应的无人机的转动周期。对于每个数据段,使用正则化处理方法将所述数据段的幅度映射到dB域,根据dB域中的最大幅度对所述数据段的幅度进行归一化处理。
在上述各实施例的基础上,本实施例中所述步骤S2具体包括:获取所述各时频图的协方差矩阵的特征值和特征向量;获取最大的第一预设数量的特征值对应的特征向量,将所述对应的特征向量进行投影获取所述第一预设数量的主成分的特征向量。
具体地,可以使用所述主成分分析算法直接对所述各无人机的两个波段的时频图进行特征提取,或对预处理后的所述时频图进行特征提取。对频谱图做主成分分析,公式如下:
Cu=λu;
其中,Cu为协方差矩阵,λ为特征值,u为特征向量。获取最大的k个特征值对应的特征向量[U1,…,Uk],其中k为预设数量。将所述对应的特征向量进行投影获取k个主成分[f1,…,fk]的特征向量。k可以取3。图4为最大的20个特征值的示例图。可以利用t-SNE在三维空间的对最大的预设数量的特征值对应的特征向量及其融合后的融合特征进行可视化,如图5、图6和图7所示,其中,图5、图6和图7中Quadcopter为四翼机,Helicopter为直升机,Hexacopter为六翼机。图5和图6分别为无人机的K波段和X波段的前3个特征的特征分布图,图7为将图5和图6中相同类别的无人机的K波段和X波段融合后的6个特征对应的特征向量的分布图。t-SNE的基本原理为在高维空间相似的数据点,映射到低维空间后也是相似的。主要包括两个步骤,首先,构建一个高维对象之间的概率分布,通过高概率选择相似的对象,低概率选择不相似的对象;然后,在低维空间里构建这些点的概率分布,使得这些点在高维控件和地位控件中的概率分布尽可能相似。t-SNE适用于高维数据降维到2维或者3维空间进行可视化的展示。
在上述各实施例的基础上,本实施例中所述步骤S3具体包括:使用支持向量机决策树算法将所述各无人机分为两个子类;将每个所述子类中的各无人机划分为两个子类,依此类推,直到所述子类中的各无人机不能满足划分的预设条件。
具体地,由于支持向量机只能进行二分类,而对无人机的分类不止二分类,因此选用支持向量机决策树算法进行分类。基于二叉树的支持向量机多类分类算法先将所有类别的无人机分成两个子类,再将所述子类进一步划分为两个次级子类,如此循环下去,直到所述子类中的各无人机不能满足划分条件,如各无人机的特征之间的距离小于预设阈值。该方法将原来的多类问题分解成了一系列的二分类问题。其中,两个子类间的分类目标函数通过对支持向量机进行训练获取。
在上述实施例的基础上,本实施例中所述步骤S1之前还包括:将不同类别的无人机悬停在双波段雷达系统前方的各高度和各方位;对于每类所述无人机,获取该类无人机在各高度和各方位上的第二预设数量的时域数据;从所述第二预设数量的时域数据中选择第三预设数量的时域数据作为训练样本对所述支持向量机进行训练。
具体地,在进行试验时,设置双波段雷达系统识别实验场景,使用的雷达分别为K波段连续波雷达,中心频率为24GHz和X波段连续波雷达,中心频率为9.8GHz。调频连续波雷达的优点在于其精度高、功率低、不存在距离盲点和便于携带,因此非常适合采集无人机的时域数据。本实施例中选择三种不同类的无人机作为代表,所述无人机在雷达前方空中悬停。每类无人机位于雷达前方的不同的高度与方位,每类无人机在不同的角度功采集第二预设数量的时域数据,如60组时域数据,雷达每次发射的时长为预先设置的时长,如6秒。从所述时域数据中选择第三预设数量的时域数据作为训练样本,获取所述时域数据对应的融合特征,将所述融合特征作为样本输入到所述支持向量机对所述执行向量机进行训练。
例如,实验中每一类无人机的样本数据为720个,采用交叉验证的方法进行测试。每次随机从每一类选择30%即216个样本作为训练样本训练所述支持向量机,剩下70%即504个测试样本测试支持向量机的分类结果,50次蒙特卡洛实验结果后的平均值如下表所示。
图8是本发明实施例提供的基于双频雷达信号时频分布的无人机分类方法流程示意图。先将雷达采集的时域数据进行短时傅里叶变换,获取所述各无人机的两个波段的时频图,然后使用主成分分析算法对所述各无人机的两个波段的时频图进行特征提取,根据提取的无人机特征产生测试样本和训练样本,训练样本用于训练支持向量机分类器,测试样本用于使用训练好的支持向量机分类器对无人机进行分类。
表1三类无人机仅利用K波段雷达传感器的分类混合矩阵
表2三类无人机仅利用X波段雷达传感器的分类混合矩阵
表3三类无人机利用融合双波段雷达传感器的分类混合矩阵
从表1-表3可以看出,直升机比其他两架无人机更容易区分,因为它的旋转叶片在固定的相位进行旋转,而其他两架无人机的旋转叶片旋转相位并不固定。由于波长较短,单个K波段雷达传感器可以获得比X波段雷达传感器更高的分类精度。由于双波段雷达传感器的测量,使用双波段获取的融合特征是单一雷达传感器所获得的两倍,提高了对无人机分类精度,降低了分类误差。第一方面,实验中无人机与雷达距离较近,信噪比比较高,在信号处理过程中虽然未去噪也能得到很好的效果;第二方面,采用二叉树的支持向量机方法进行分类,充分发挥了支持向量机在小样本情况下分类准确的优势;第三方面,获取的双波段雷达融合特征能够有效融合无人机的在不同波段下的散射特征,因此最大程度地区分这三类无人机。
从分类结果看,本发明能够通过有效的融合双波段雷达时频图中的特征,输入到二叉树的支持向量机中进行分类识别,演过证明了这种方法能够实现对不同类别无人机进行分类识别,效果显著,能较好地区分出这三类无人机。
在本发明的另一个实施例中提供一种基于双频雷达信号时频分布的无人机分类装置,图9为本发明实施例提供的基于双频雷达信号时频分布的无人机分类装置整体结构示意图,该装置包括获取单元1、提取单元2和分类单元3,其中:
所述获取单元1用于利用短时傅里叶变换对双波段雷达系统获取的各无人机的时域数据进行处理,获取所述各无人机的两个波段的时频图;所述提取单元2用于使用主成分分析算法对所述各无人机的两个波段的时频图进行特征提取;所述分类单元3用于对于每个无人机,将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入至支持向量机以对所述各无人机进行分类。
具体地,双波段雷达系统可以选择使用K波段和X波段的雷达传感器。使用双波段雷达系统获取所述各无人机的时域数据,所述短时傅里叶变换的分析结果既反映了信号的频率内容,也反映了频率内容随时间变化的规律,代表着每一时刻目标运动状态对应的多普勒信息,将所述多普勒信息作为时频图。所述获取单元1使用所述短时傅里叶变换作为时频分析工具对双波段雷达系统采集到的时域数据进行分析,得到每个无人机在两个波段下的时频图。所述时频图为信号在时间和频率平面上的分布。在目标的时频图中不仅包括有无人机主体运动的主多普勒信息,还包括运动过程中旋翼转动引起的微多普勒信息,这些微多普勒信息在时频图中都能被清晰地观测,并将根据这些时频图的信息应用于后续工作中。所述主成分分析算法是一种主要用于降维的多元数学统计方法,把多个主成分转化为少数几个综合成分,可以看作是对特征进行提取。所述提取单元2从获取的时频图中提取特征,采用主成份分析方法分别对两个波段的时频图进行处理,获取各无人机的两个波段的特征。对于每个无人机,所述分类单元3将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入到支持向量机中进行分类。本实施例中使用的测试样本是从总样本中随机选取的,并且使用蒙特卡洛实验验证分类结果。
本实施例通过使用双波段的雷达系统向无人机发射不同波段的电磁波,通过短时傅里叶变换对获取无人机回波的时域数据,并使用主成分分析算法对无人机回波的微多普勒信息进行特征获取,然后对双波段的特征进行融合分析,从而得到不同无人机的类别,通过双波段雷达系统融合处理的方法相对于单波段雷达系统能更准确地对无人机进行分类。此外,本实施例不需要对硬件进行改造。
在上述实施例的基础上,本实施例中所述两个波段分别为中心频率为24GHz的K波段连续波和中心频率为9.8GHz的X波段连续波。
在上述各实施例的基础上,本实施例中所述短时傅里叶变换的公式为:
其中,x为离散的时间信号,w为短时傅里叶变换的窗函数,n为时刻,m是窗函数每次滑动的距离,j为单位虚数,ω是角频率,STFT为时频图。
在上述各实施例的基础上,本实施例中所述装置还包括预处理单元,具体用于:从所述各无人机的两个波段的时频图中分别截取预设时长的数据段,所述预设时长大于或等于对应的无人机的转动周期;使用正则化处理方法将所述数据段的幅度映射到dB域;根据dB域中的最大幅度对所述数据段的幅度进行归一化处理。
在上述各实施例的基础上,本实施例中所述提取单元具体用于:获取所述各时频图的协方差矩阵的特征值和特征向量;获取最大的第一预设数量的特征值对应的特征向量,将所述对应的特征向量进行投影获取所述第一预设数量的主成分的特征向量。
在上述实施例的基础上,本实施例中所述分类单元具体用于:使用支持向量机决策树算法将所述各无人机分为两个子类;将每个所述子类中的各无人机划分为两个子类,依此类推,直到所述子类中的各无人机不能满足划分的预设条件。
在上述实施例的基础上,本实施例中所述装置还包括训练单元,具体用于:将不同类别的无人机悬停在双波段雷达系统前方的各高度和各方位;对于每类所述无人机,获取该类无人机在各高度和各方位上的第二预设数量的时域数据;从所述第二预设数量的时域数据中选择第三预设数量的时域数据作为训练样本对所述支持向量机进行训练。
本实施例提供一种基于双频雷达信号时频分布的无人机分类设备,图10为本发明实施例提供的基于双频雷达信号时频分布的无人机分类设备整体结构示意图,该设备包括:至少一个处理器101、至少一个存储器102和总线103;其中,
所述处理器101和存储器102通过所述总线103完成相互间的通信;
所述存储器102存储有可被所述处理器101执行的程序指令,所述处理器调用所述程序指令能够执行上述各方法实施例所提供的方法,例如包括:S1,利用短时傅里叶变换对双波段雷达系统获取的各无人机的时域数据进行处理,获取所述各无人机的两个波段的时频图;S2,使用主成分分析算法对所述各无人机的两个波段的时频图进行特征提取;S3,对于每个无人机,将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入至支持向量机以对所述各无人机进行分类。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:S1,利用短时傅里叶变换对双波段雷达系统获取的各无人机的时域数据进行处理,获取所述各无人机的两个波段的时频图;S2,使用主成分分析算法对所述各无人机的两个波段的时频图进行特征提取;S3,对于每个无人机,将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入至支持向量机以对所述各无人机进行分类。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的基于双频雷达信号时频分布的无人机分类设备实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于双频雷达信号时频分布的无人机分类方法,其特征在于,包括:
S1,利用短时傅里叶变换对双波段雷达系统获取的各无人机的时域数据进行处理,获取所述各无人机的两个波段的时频图;
S2,使用主成分分析算法对所述各无人机的两个波段的时频图进行特征提取;
S3,对于每个无人机,将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入至支持向量机以对所述各无人机进行分类。
2.根据权利要求1所述的方法,其特征在于,所述两个波段分别为中心频率为24GHz的K波段连续波和中心频率为9.8GHz的X波段连续波。
3.根据权利要求1或2所述的方法,其特征在于,所述步骤S1中所述短时傅里叶变换的公式为:
<mrow>
<mi>S</mi>
<mi>T</mi>
<mi>F</mi>
<mi>T</mi>
<mo>{</mo>
<mi>x</mi>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
<mo>}</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mo>&Sigma;</mo>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</mover>
<mi>x</mi>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
<mi>w</mi>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>-</mo>
<mi>m</mi>
<mo>&rsqb;</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mi>&omega;</mi>
<mi>n</mi>
</mrow>
</msup>
<mo>,</mo>
</mrow>
其中,x为离散的时间信号,w为短时傅里叶变换的窗函数,n为时刻,m是窗函数每次滑动的距离,j为单位虚数,ω是角频率,STFT为时频图。
4.根据权利要求1或2所述的方法,其特征在于,所述步骤S1和S2之间还包括:
从所述各无人机的两个波段的时频图中分别截取预设时长的数据段,所述预设时长大于或等于对应的无人机的转动周期;
使用正则化处理方法将所述数据段的幅度映射到dB域;
根据dB域中的最大幅度对所述数据段的幅度进行归一化处理。
5.根据权利要求1或2所述的方法,其特征在于,所述步骤S2具体包括:
获取所述各时频图的协方差矩阵的特征值和特征向量;
获取最大的第一预设数量的特征值对应的特征向量,将所述对应的特征向量进行投影获取所述第一预设数量的主成分的特征向量。
6.根据权利要求1或2所述的方法,其特征在于,所述步骤S3具体包括:
使用支持向量机决策树算法将所述各无人机分为两个子类;
将每个所述子类中的各无人机划分为两个子类,依此类推,直到所述子类中的各无人机不能满足划分的预设条件。
7.根据权利要求1或2所述的方法,其特征在于,所述步骤S1之前还包括:
将不同类别的无人机悬停在双波段雷达系统前方的各高度和各方位;
对于每类所述无人机,获取该类无人机在各高度和各方位上的第二预设数量的时域数据;
从所述第二预设数量的时域数据中选择第三预设数量的时域数据作为训练样本对所述支持向量机进行训练。
8.一种基于双频雷达信号时频分布的无人机分类装置,其特征在于,包括:
获取单元,用于利用短时傅里叶变换对双波段雷达系统获取的各无人机的时域数据进行处理,获取所述各无人机的两个波段的时频图;
提取单元,用于使用主成分分析算法对所述各无人机的两个波段的时频图进行特征提取;
分类单元,用于对于每个无人机,将提取的该无人机的两个波段的特征进行融合,获得对应的融合特征,将所述各融合特征作为样本输入至支持向量机以对所述各无人机进行分类。
9.一种基于双频雷达信号时频分布的无人机分类设备,其特征在于,包括:
至少一个处理器、至少一个存储器和总线;其中,
所述处理器和存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710859807.4A CN107748862A (zh) | 2017-09-21 | 2017-09-21 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710859807.4A CN107748862A (zh) | 2017-09-21 | 2017-09-21 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107748862A true CN107748862A (zh) | 2018-03-02 |
Family
ID=61255454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710859807.4A Pending CN107748862A (zh) | 2017-09-21 | 2017-09-21 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748862A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549076A (zh) * | 2018-03-12 | 2018-09-18 | 清华大学 | 一种基于速度节凑图的多种类无人机场景识别方法 |
CN108681751A (zh) * | 2018-05-22 | 2018-10-19 | 平安科技(深圳)有限公司 | 确定事件影响因素的方法及终端设备 |
CN108764331A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工程大学 | 基于分数阶傅里叶变换的联合分类器多信号调制识别方法 |
CN108768562A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种基于遥控与图传信号的非法无人机识别方法 |
CN108872984A (zh) * | 2018-03-15 | 2018-11-23 | 清华大学 | 基于多基地雷达微多普勒和卷积神经网络的人体识别方法 |
CN109034088A (zh) * | 2018-08-06 | 2018-12-18 | 北京邮电大学 | 一种无人机信号探测方法及装置 |
CN109086487A (zh) * | 2018-06-29 | 2018-12-25 | 厦门大学 | 持续激励型共形傅里叶变换的无人机微小故障检测方法 |
CN109409225A (zh) * | 2018-09-21 | 2019-03-01 | 清华大学 | 基于雷达多径信号时频特征融合的无人机分类方法及装置 |
CN109870683A (zh) * | 2019-03-06 | 2019-06-11 | 北京航空航天大学 | 基于雷达信号时频特征分析的铁轨异常扣件检测方法 |
CN109901130A (zh) * | 2019-03-15 | 2019-06-18 | 桂林电子科技大学 | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 |
CN110618465A (zh) * | 2018-06-04 | 2019-12-27 | 富士通株式会社 | 物品检测方法和装置 |
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 |
CN113705551A (zh) * | 2021-10-29 | 2021-11-26 | 中国人民解放军空军预警学院 | 一种基于无人机集群的雷达波束特征提取方法及装置 |
CN115878982A (zh) * | 2022-12-08 | 2023-03-31 | 中国海洋大学 | 一种基于双频回波信号特征的水下目标识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136141A (zh) * | 2007-10-12 | 2008-03-05 | 清华大学 | 基于单频连续波雷达的车型分类方法 |
CN103413134A (zh) * | 2013-07-11 | 2013-11-27 | 四川大学 | 基于稀疏分解的地面移动目标微动信号特征提取 |
CN104021400A (zh) * | 2014-06-16 | 2014-09-03 | 电子科技大学 | 基于分数谱稀疏表示的sar图像目标识别方法 |
CN104330784A (zh) * | 2014-11-19 | 2015-02-04 | 西安电子科技大学 | 基于旋翼物理参数估计实现飞机目标分类的方法 |
CN105044701A (zh) * | 2015-08-05 | 2015-11-11 | 西安电子科技大学 | 基于稳健性时频特征的地面目标分类方法 |
CN106295684A (zh) * | 2016-08-02 | 2017-01-04 | 清华大学 | 一种基于微多普勒特征的动态连续/非连续手势识别方法 |
-
2017
- 2017-09-21 CN CN201710859807.4A patent/CN107748862A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136141A (zh) * | 2007-10-12 | 2008-03-05 | 清华大学 | 基于单频连续波雷达的车型分类方法 |
CN103413134A (zh) * | 2013-07-11 | 2013-11-27 | 四川大学 | 基于稀疏分解的地面移动目标微动信号特征提取 |
CN104021400A (zh) * | 2014-06-16 | 2014-09-03 | 电子科技大学 | 基于分数谱稀疏表示的sar图像目标识别方法 |
CN104330784A (zh) * | 2014-11-19 | 2015-02-04 | 西安电子科技大学 | 基于旋翼物理参数估计实现飞机目标分类的方法 |
CN105044701A (zh) * | 2015-08-05 | 2015-11-11 | 西安电子科技大学 | 基于稳健性时频特征的地面目标分类方法 |
CN106295684A (zh) * | 2016-08-02 | 2017-01-04 | 清华大学 | 一种基于微多普勒特征的动态连续/非连续手势识别方法 |
Non-Patent Citations (4)
Title |
---|
LE YANG 等: "Classification of Personnel Targets with Baggage Using Dual-band Radar", 《REMOTE SENSING》 * |
P. MOLCHANOV 等: "Classification of small UAVs and birds by micro-Doppler signatures", 《PROCEEDINGS OF THE 10TH EUROPEAN RADAR CONFERENCE》 * |
YUANYUAN GUO 等: "Radar Signal Classification Based on Cascade of STFT, PCA and Naïve Bayes", 《2016 7TH INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEMS, MODELLING AND SIMULATION》 * |
陈未未 等: "基于一维距离像和微动特征的弹道导弹识别方法", 《南京大学学报(自然科学)》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549076A (zh) * | 2018-03-12 | 2018-09-18 | 清华大学 | 一种基于速度节凑图的多种类无人机场景识别方法 |
CN108872984A (zh) * | 2018-03-15 | 2018-11-23 | 清华大学 | 基于多基地雷达微多普勒和卷积神经网络的人体识别方法 |
CN108872984B (zh) * | 2018-03-15 | 2022-04-08 | 清华大学 | 基于多基地雷达微多普勒和卷积神经网络的人体识别方法 |
CN108768562A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种基于遥控与图传信号的非法无人机识别方法 |
CN108768562B (zh) * | 2018-05-07 | 2020-10-27 | 西北工业大学 | 一种基于遥控与图传信号的非法无人机识别方法 |
CN108681751A (zh) * | 2018-05-22 | 2018-10-19 | 平安科技(深圳)有限公司 | 确定事件影响因素的方法及终端设备 |
CN108681751B (zh) * | 2018-05-22 | 2020-05-01 | 平安科技(深圳)有限公司 | 确定事件影响因素的方法及终端设备 |
CN108764331A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工程大学 | 基于分数阶傅里叶变换的联合分类器多信号调制识别方法 |
CN110618465A (zh) * | 2018-06-04 | 2019-12-27 | 富士通株式会社 | 物品检测方法和装置 |
CN110618465B (zh) * | 2018-06-04 | 2021-07-06 | 富士通株式会社 | 物品检测方法和装置 |
CN109086487A (zh) * | 2018-06-29 | 2018-12-25 | 厦门大学 | 持续激励型共形傅里叶变换的无人机微小故障检测方法 |
CN109034088A (zh) * | 2018-08-06 | 2018-12-18 | 北京邮电大学 | 一种无人机信号探测方法及装置 |
CN109409225A (zh) * | 2018-09-21 | 2019-03-01 | 清华大学 | 基于雷达多径信号时频特征融合的无人机分类方法及装置 |
CN109409225B (zh) * | 2018-09-21 | 2020-12-22 | 清华大学 | 基于雷达多径信号时频特征融合的无人机分类方法及装置 |
CN109870683B (zh) * | 2019-03-06 | 2020-09-04 | 北京航空航天大学 | 基于雷达信号时频特征分析的铁轨异常扣件检测方法 |
CN109870683A (zh) * | 2019-03-06 | 2019-06-11 | 北京航空航天大学 | 基于雷达信号时频特征分析的铁轨异常扣件检测方法 |
CN109901130B (zh) * | 2019-03-15 | 2022-04-22 | 桂林电子科技大学 | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 |
CN109901130A (zh) * | 2019-03-15 | 2019-06-18 | 桂林电子科技大学 | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 |
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 |
CN113705551A (zh) * | 2021-10-29 | 2021-11-26 | 中国人民解放军空军预警学院 | 一种基于无人机集群的雷达波束特征提取方法及装置 |
CN113705551B (zh) * | 2021-10-29 | 2022-02-11 | 中国人民解放军空军预警学院 | 一种基于无人机集群的雷达波束特征提取方法及装置 |
CN115878982A (zh) * | 2022-12-08 | 2023-03-31 | 中国海洋大学 | 一种基于双频回波信号特征的水下目标识别方法及系统 |
CN115878982B (zh) * | 2022-12-08 | 2023-09-22 | 中国海洋大学 | 一种基于双频回波信号特征的水下目标识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107748862A (zh) | 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 | |
Huizing et al. | Deep learning for classification of mini-UAVs using micro-Doppler spectrograms in cognitive radar | |
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
CN107358252A (zh) | 一种无人机分类方法及装置 | |
CN109409225A (zh) | 基于雷达多径信号时频特征融合的无人机分类方法及装置 | |
Molchanov et al. | Classification of small UAVs and birds by micro-Doppler signatures | |
CN107886121A (zh) | 基于多波段雷达的目标识别方法、装置及系统 | |
Choi et al. | Classification of drone type using deep convolutional neural networks based on micro-Doppler simulation | |
CN106250854A (zh) | 基于微多普勒特征和支持向量机的人体步态识别方法 | |
Harmanny et al. | Radar micro-Doppler mini-UAV classification using spectrograms and cepstrograms | |
CN110018453A (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN107870322A (zh) | 基于单波段雷达的目标识别方法、装置及系统 | |
Persico et al. | Micro-Doppler classification of ballistic threats using Krawtchouk moments | |
CN105259540B (zh) | 一种多站雷达抗有源欺骗式干扰的优化方法 | |
Albert et al. | Benchmarking current and emerging approaches to infrasound signal classification | |
Wang et al. | Classification of space targets with micro-motion based on deep CNN | |
Sayed et al. | A methodology for uav classification using machine learning and full-wave electromagnetic simulations | |
Habermann et al. | Drones and helicopters classification using point clouds features from radar | |
Itschner et al. | Radio frequency interference (RFI) detection in instrumentation radar systems: A deep learning approach | |
CN115795353A (zh) | 一种基于不均衡数据集的地下金属目标分类方法及系统 | |
US20230110939A1 (en) | Device and method for generating damage matrix based on warhead fragment data and target vulnerable area data | |
Point et al. | Modelling the radar signature of rotorcraft | |
Gérard | Drone recognition with deep learning | |
Sayed et al. | UAV Classification Using Neural Networks and CAD-Generated Radar Datasets | |
Bernard-Cooper et al. | Multiple drone type classification using machine learning techniques based on FMCW radar micro-Doppler data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180302 |
|
RJ01 | Rejection of invention patent application after publication |