CN108594195B - 基于分割混频的低重频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分割混频的低重频调频连续波雷达飞机目标分类方法，主要解决现有方法在低重频工作模式下时，飞机目标回波的多普勒谱混叠严重，无法对飞机目标进行有效分类的问题。其实现过程是：通过雷达进行多个调频周期的观测，得到飞机目标的时域回波信号；将每个周期的时域回波信号进行分割混频处理；提取样本的时域和频域波形熵特征；观测多个飞机目标，将得到的多组目标特征进行等分，分别作为训练样本和测试样本的特征；利用训练样本特征训练分类器；将测试样本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，可用于低重频调频连续波雷达体制下，对每个调频周期的回波进行分割混频处理后进行分类识别。

Description

基于分割混频的低重频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，特别涉及一种低重频调频连续波雷达飞机目标分类方法，可用于空中运动目标的分类。

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。

上述方法主要是针对脉冲-多普勒雷达进行设计的，由于雷达的脉冲重复频率会决定慢时间维回波的采样速率。当雷达的脉冲重复频率太低时，时域回波的闪烁峰值将很难被采到，将导致多普勒谱出现混叠现象，因此传统窄带雷达目标分类识别方法一般都要求雷达工作在较高的重频条件上，此时由于飞机目标桨叶具有较为稳定的旋转特性，桨叶的时域回波会具有很明显的起伏特性，且喷气式飞机、螺旋桨飞机和直升机目标回波的时域波形有明显的区别。

当调频连续波雷达处于低重频工作模式下时，飞机目标回波的多普勒谱混叠严重，直接应用传统窄带雷达飞机目标分类方法无法对飞机目标进行有效分类。

发明内容

本发明的目的在于提出了一种基于分割混频的低重频调频连续波雷达飞机目标分类方法，以在低重频调频连续波雷达体制下实现对飞机目标的有效分类。

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，接收飞机目标的时域回波信号，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，T表示转置；

2)将每个调频周期的时域信号进行K倍的分割混频处理，得到分割混频处理后的时域回波差频信号矩阵s′；

2a)将时域回波矩阵s＝[s₁,s₂,…,s_i,…,s_m]^T中第一个调频周期的时域回波s₁进行K等分，得到第一个调频周期的时域回波K等分矩阵

其中，j＝1,2,…,K；

2b)将K等分矩阵

进行去调频dechirp处理，得到第一个调频周期的时域回波的去调频K等分矩阵

其中，

表示去调频K等分矩阵

的第j个列向量；

2c)将第一个调频周期的时域回波去调频K等分矩阵

进行快速傅里叶变换，得到经过K等分割处理的第一个调频周期的时域回波的差频信号矩阵：

其中，

表示差频信号矩阵

的第j个列向量，FFT[·]表示快速傅里叶变换，|·|表示取模运算；

2d)重复2a)到2c),对m个调频周期的时域信号均进行分割混频处理，得到分割混频处理后的时域回波差频信号矩阵

其中，

表示第i个调频周期时域回波的差频信号矩阵；

3)根据目标所在距离单元U,从时域回波差频信号矩阵s′取出第U列列向量即为目标时域回波信号，根据目标时域回波信号，得到时域波形熵feature1；对目标时域回波信号进行傅里叶变换，得到目标频域信号，根据目标频域信号，得到频域波形熵feature2；

4)重复步骤1)到3)，得到多组样本下的时域波形熵和频域波形熵特征，将得到的多组样本下的特征进行等分，分别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特征训练分类器，将测试样本的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。

本发明通过对低重频信号进行分割混频，等效降低了调频周期时间，使每个调频周期得到的回波差频信号能量在距离维上相对集中，在低重频调频连续波雷达体制下，能明显改善三类飞机桨叶的回波调制谱特性，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是未经过低重频信号分割混频处理的三类飞机目标的差频信号；

图3是经过本发明低重频信号分割混频处理后的三类飞机目标差频信号；

图4是用传统方法对低重频调频连续波雷达体制下三类飞机的识别率曲线图；

图5是本发明对低重频调频连续波雷达体制下三类飞机的识别率曲线图。

具体实施方式

以下结合幅图对本发明的实施例及效果作进一步详细描述。

参照图1，本发明实现步骤如下：

步骤1，观测得到飞机目标的时域回波信号。

雷达进行m个调频周期的观测，接收飞机目标的时域回波信号，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。

步骤2，对时域回波信号进行分割混频处理。

2a)将时域回波矩阵s＝[s₁,s₂,…,s_i,…,s_m]^T中第一个调频周期的时域回波s₁进行K等分，得到第一个调频周期的时域回波K等分矩阵

其中，j＝1,2,…,K；

2b)将K等分矩阵

进行去调频dechirp处理，得到第一个调频周期的时域回波的去调频K等分矩阵

其中，

表示去调频K等分矩阵

的第j个列向量；

2c)将第一个调频周期的时域回波去调频K等分矩阵

进行快速傅里叶变换，得到经过K等分割处理的第一个调频周期的时域回波的差频信号矩阵：

其中，

表示差频信号矩阵

的第j个列向量，FFT[·]表示快速傅里叶变换，|·|表示取模运算；

2d)重复2a)到2c),对m个调频周期的时域信号均进行分割混频处理，得到分割混频处理后的时域回波差频信号矩阵

其中，

表示第i个调频周期时域回波的差频信号矩阵。

步骤3，根据目标所在距离单元的对应回波信号，得到时域波形熵feature1和频域波形熵feature2。

3a)根据目标所在距离单元U,从时域回波差频信号矩阵s′取出第U列列向量即为目标时域回波信号p，对目标时域回波信号进行傅里叶变换，得到目标频域信号p′：

p＝[p₁,p2…,p_n,…,p_L]^T，

p′＝[p₁′,p₂′…,p_n′,…,p_L′]^T，

其中，p_n表示经过分割混频后的第n个脉冲的目标所在距离单元信号，p_n′表示对时域信号p进行快速傅里叶变换后对应频点的信号，n＝1,2,…,L，L＝mK；

3b)通过如下公式得出时域波形熵feature1和频域波形熵feature2：

其中

其中

步骤4，训练样本提取的特征和测试样本提取的特征。

4a)重复步骤1到3，得到多组样本的时域波形熵和频域波形熵特征；

4b)将得到的多组样本的特征进行等分，其中一半作为训练样本提取的特征，另一半作为测试样本提取的特征。

步骤5，根据训练样本提取的时域波形熵和频域波形熵两种特征，训练得到分类器。

将训练样本得到的两种特征组成一个特征向量：feature＝{feature1,feature2}，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时域和频域波形熵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_v,...,f_Q}和相应的权系数{ω₁,ω₂,...,ω_v,...,ω_Q}，其中f_v为第v个由训练得到的支持向量，ω_v为相应的第v个权系数v＝1,2,...,Q，Q为训练得到的支持向量的个数。

步骤6，将测试样本得到的时域波形熵和频域波形熵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。

6a)将从测试样本中提取的特征向量feature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为支持向量机分类器的高斯核参数，取值1，f_v为第v个由训练得到的支持向量，ω_v为相应的第v个权系数，v＝1,2,...,Q，Q为训练过程得到的支持向量的个数；

6b)根据支持向量机分类器的输出y(feature)确定类别标号，得到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：

当线性调频连续波雷达工作在低重频模式下时，假设载频为3GHz，调频带宽为5MHz，重频为50Hz，俯仰角固定15度，方位角在0-90度随机变化，观测时间为0.5秒，以2倍带宽进行采样。

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，对喷气式飞机，螺旋桨飞机和直升机三类飞机目标进行回波数据仿真。

(1.1)仿真对三类飞机目标回波未经过分割混频处理的差频信号，结果如图2所示，其中：

图2(a1)为直升机桨叶回波差频信号侧视图，

图2(a2)为直升机桨叶回波差频信号俯视图，

图2(b1)为螺旋桨飞机桨叶回波差频信号侧视图，

图2(b2)为螺旋桨飞机桨叶回波差频信号俯视视图，

图2(c1)为喷气式飞机桨叶差频回波信号侧视图，

图2(c2)为喷气式飞机桨叶差频回波信号俯视图，

(1.2)仿真用本发明方法对三类飞机目标回波进行40倍的分割混频处理后的差频信号，结果如图3所示，其中：

图3(a1)为直升机桨叶回波差频信号侧视图，

图3(a2)为直升机桨叶回波差频信号俯视图,

图3(b1)为螺旋桨飞机桨叶回波差频信号侧视图，

图3(b2)为螺旋桨飞机桨叶回波差频信号俯视视图,

图3(c1)为喷气式飞机桨叶差频回波信号侧视图，

图3(c2)为喷气式飞机桨叶差频回波信号俯视图。

实验2，在信噪比-30dB～30dB范围条件下，用传统方法对低重频调频连续波雷达体制下三类飞机进行识别，识别率曲线如图4所示。

实验3，在信噪比-30dB～30dB范围条件下，用本发明方法对低重频调频连续波雷达体制下三类飞机目标回波进行100倍的分割混频处理后进行识别，识别率曲线如图5所示。

3.实验结果分析：

从图2和图3中可以看出。经过分割混频方法处理，可以明显改善低重频工作模式下，三类飞机桨叶的回波调制谱特性。

从图4和图5种可以看出，在低重频工作模式下，通过分割混频处理来增大等效重频的方法可以在不增加信息维度的情况下，提高三类飞机目标的识别率。

综上，本发明方法能够对低重频调频连续波雷达体制下的飞机目标进行有效的分类。

Claims (4)

1.一种基于分割混频的低重频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，接收飞机目标的时域回波信号，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，T表示转置；

2)将每个调频周期的时域信号进行K倍的分割混频处理，得到分割混频处理后的时域回波差频信号矩阵s′；

2a)将时域回波矩阵s＝[s₁,s₂,…,s_i,…,s_m]^T中第一个调频周期的时域回波s₁进行K等分，得到第一个调频周期的时域回波K等分矩阵

其中，j＝1,2,…,K；

2b)将K等分矩阵

进行dechirp处理，得到第一个调频周期的时域回波的去调频K等分矩阵

其中，

表示去调频K等分矩阵

的第j个列向量；

2c)将第一个调频周期的时域回波去调频K等分矩阵

进行快速傅里叶变换，得到经过K等分割处理的第一个调频周期的时域回波的差频信号矩阵：

其中，

表示差频信号矩阵

的第j个列向量，FFT[·]表示快速傅里叶变换，|·|表示取模运算；

2d)重复2a)到2c),对m个调频周期的时域信号均进行分割混频处理，得到分割混频处理后的时域回波差频信号矩阵

其中，

表示第i个调频周期时域回波的差频信号矩阵；

3)根据目标所在距离单元U,从时域回波差频信号矩阵s′取出第U列列向量即为目标时域回波信号，根据目标时域回波信号，得到时域波形熵feature1；对目标时域回波信号进行傅里叶变换，得到目标频域信号，根据目标频域信号，得到频域波形熵feature2；

4)重复步骤1)到3)，得到多组样本下的时域波形熵和频域波形熵特征，将得到的多组样本下的特征进行等分，分别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特征训练分类器，将测试样本的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3)中的时域波形熵feature1和频域波形熵feature2，计算如下：

3a)设目标所在距离单元的时域信号p和频域信号p′为：

p＝[p₁,p₂…,p_n,…,p_L]^T，

p′＝[p₁′,p₂′…,p_n′,…,p_L′]^T，

其中，p_n表示经过分割混频后的第n个脉冲的目标所在距离单元信号，p_n′表示对时域信号p进行快速傅里叶变换后对应频点的信号，n＝1,2,…,L，L＝mK；

3b)通过如下公式得出时域波形熵feature1和频域波形熵feature2：

其中

其中

3.根据权利要求1所述的方法，其中步骤5)中的利用训练样本的特征训练分类器，

是先将训练样本得到的时域波形熵feature1和频域波形熵feature2两种特征组成一个特征向量：feature＝{feature1,feature2}；再利用训练样本的特征向量feature做训练得到分类器。

4.根据权利要求1所述的方法，其中步骤5)中利用训练好的分类器对测试样本进行分类，按如下步骤进行：

5a)将从测试样本中提取的特征向量feature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为支持向量机分类器的高斯核参数，取值1，f_v为第v个由训练过程得到的作为支持向量，ω_v为相应的第v个权系数，v＝1,2,...,Q，Q为训练过程得到的支持向量的个数；

5b)根据支持向量机分类器的输出y(feature)确定类别标号，得到飞机目标的分类结果。

Images