CN108919216B - 一种微动特征获取方法及装置 - Google Patents

一种微动特征获取方法及装置 Download PDF

Info

Publication number
CN108919216B
CN108919216B CN201810290005.0A CN201810290005A CN108919216B CN 108919216 B CN108919216 B CN 108919216B CN 201810290005 A CN201810290005 A CN 201810290005A CN 108919216 B CN108919216 B CN 108919216B
Authority
CN
China
Prior art keywords
feature
frequency
time
radar echo
signal
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
Application number
CN201810290005.0A
Other languages
English (en)
Other versions
CN108919216A (zh
Inventor
李波
唐传子
肖志河
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN201810290005.0A priority Critical patent/CN108919216B/zh
Publication of CN108919216A publication Critical patent/CN108919216A/zh
Application granted granted Critical
Publication of CN108919216B publication Critical patent/CN108919216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

本发明涉及数据处理技术领域，提供了一种微动特征获取方法及装置，该方法包括：获取弹头目标的雷达回波信号；对所述雷达回波信号进行时频分析，获得信号能量分布函数；根据所述信号能量分布函数和所述雷达回波信号，提取所述弹头目标的至少一个微动特征；通过支持向量机SVM分类器对提取到的各个所述微动特征进行筛选，获得包括有至少一个所述微动特征的最优特征集。该装置包括：获取单元、时频分析单元、特征提取单元和特征筛选单元。本方案能够从雷达回波信号中获取微动特征。

Description

一种微动特征获取方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种微动特征获取方法及装置。
背景技术
弹头目标在被释放时会利用自旋来保持稳定，但由于各种横向干扰的存在，弹头目标还会出现进动和章动，这些运动共同过程了弹头目标的微动形式。弹头目标的微动特征可以反映其结构、尺寸、微动频率运动参数，通过这些参数可以对弹头目标进行识别。为了对弹头目标进行识别，目前一般通过雷达来对弹头目标进行探测，由于雷达的回波信号中包含有弹头目标的微动特征，通过对雷达的回波信号进行处理来实现弹头目标识别。雷达的回波信号中不仅包括有弹头目标的微动特征，还包括有弹头目标的自旋和宏观运动的特征，直接通过对雷达的回波信号进行处理来对弹头目标进行识别，微动特征之外其他干扰特征的存在会导致对弹头目标进行识别的准确率较低。
因此，针对以上不足，需要提供一种能够从雷达的回波信号中获取微动特征的技术方案。
发明内容
本发明要解决的技术问题在现有技术无法实现从雷达回波信号中提取微动特征，针对现有技术中的缺陷，提供了一种能够从雷达回波信号中获取微动特征的方案。
为了解决上述技术问题，本发明提供了一种微动特征获取方法，包括：
获取弹头目标的雷达回波信号；
对所述雷达回波信号进行时频分析，获得信号能量分布函数；
根据所述信号能量分布函数和所述雷达回波信号，提取所述弹头目标的至少一个微动特征；
通过支持向量机SVM分类器对提取到的各个所述微动特征进行筛选，获得包括有至少一个所述微动特征的最优特征集。
可选地，所述对所述雷达回波信号进行时频分析获得信号能量分布函数，包括：
利用维格纳Wigner-Ville分布对所述雷达回波信号进行时频分析，获得所述弹头目标的信号能量分布函数如下：
Figure BDA0001617225350000021
其中，所述Wz(t,f)表征所述雷达回波信号的信号能量在时域和频域中的分布，函数z(t)表征所述雷达回波信号的解析信号，函数z*(t)表征所述雷达回波信号在频域的解析信号，所述t表征所述雷达回波信号的时间变量，所述f表征所述雷达回波信号的频率变量，所述τ为积分变量，所述
Figure BDA0001617225350000022
可选地，所述提取所述弹头目标的至少一个微动特征，包括：
根据所述信号能量分布函数，生成所述雷达回波信号的时频图；
在所述时频图上确定微动区域；
根据所述微动区域确定时频图宽度，其中，所述时频图宽度为在所述微动区域内所述时频图在频率轴上的频率振幅；
将所述时频图宽度确定为所述弹头目标的一个所述微动特征。
可选地，所述提取所述弹头目标的至少一个微动特征，包括：
根据所述信号能量分布函数，通过如下第一公式计算所述雷达回波信号的时频图平均熵值；
所述第一公式包括：
Figure BDA0001617225350000023
其中，所述AVEn表征所述雷达回波信号的时频图平均熵值，所述M等于对所述Wz(t,f)沿时间维进行累加后，对所获得结果沿频率维进行累加后除以所述雷达回波信号的频点数的结果；
将所述时频图平均熵值确定为所述弹头目标的一个所述微动特征。
可选地，所述提取所述弹头目标的至少一个微动特征，包括：
根据所述信号能量分布函数，通过如下第二公式计算时频图频率维累加值；
所述第二公式包括：
Figure BDA0001617225350000031
其中，所述E(t)表征所述时频图频率维累加值；
对所述时频图频率维累加值进行傅里叶变换，获得时频图时间维累加值；
通过如下第三公式计算所述雷达回波信号的频谱熵；
所述第三公式包括：
Figure BDA0001617225350000032
其中，所述SEn表征所述频谱熵，所述E(f)表征所述时频图时间维累加值；
将所述频谱熵确定为所述弹头目标的一个所述微动特征。
可选地，所述提取所述弹头目标的至少一个微动特征，包括：
根据所述信号能量分布函数，通过如下方程组计算所述雷达回波信号的自相关函数峰值比；
所述方程组包括：
Figure BDA0001617225350000033
其中，所述N表征所述雷达回波信号的长度，所述k＝1,2,…,N/2，所述mod(t+k,N)等于t+k除以N的余数，所述p表征所述自相关函数峰值比；
将所述自相关函数峰值比确定为所述弹头目标的一个所述微动特征。
可选地，所述提取所述弹头目标的至少一个微动特征，包括：
利用小波变换对所述雷达回波信号进行分解，获得至少两个子带信号；
分别对每一个所述子带信号进行快速傅里叶变化，获得每一个所述子带信号上时间信号的频谱；
根据各个所述子带信号上时间信号的频谱，提取所述雷达回波信号的小波系数；
将所述小波系数确定为所述弹头目标的一个所述微动特征。
可选地，所述通过支持向量机SVM分类器对提取到的各个所述微动特征进行筛选，获得包括有至少一个所述微动特征的最优特征集，包括：
S1：针对每一个所述微动特征，均执行如下操作：
S11：构建包括有所述微动特征的特征子集；
S12通过所述SVM分类器计算所述特征子集对所述弹头目标进行分类识别的分类识别率；
S13：通过所述SVM分类器分别计算如果将所述特征子集之外的每一个所述微动特征加入所述特征子集后所述特征子集的第一分类识别率；
S14：判断是否存在所对应所述第一分类识别率大于所述分类识别率的所述微动特征，如果是，执行S15，否则执行S16；
S15：将对应所述第一分类识别率最大的一个所述微动特征加入所述特征子集，以对所述特征子集进行更新，并针对更新后的所述特征子集执行S12；
S16：将所述特征子集确定为所述S1中所述微动特征对应的最优特征子集；
S2：判断各个所述微动特征对应的所述最优特征子集中是否存在对应所述分类识别率大于预设分类识别率阈值的至少一个最优特征子集，如果是，执行S3，否则结束当前流程；
S3：将各个所述微动特征对应的所述最优特征子集中对应所述分类识别率最大的一个所述最优特征子集确定为所述最优特征集。
本发明还提供了一种微动特征获取装置，包括：获取单元、时频分析单元、特征提取单元和特征筛选单元；
所述获取单元，用于获取弹头目标的雷达回波信号；
所述时频分析单元，用于对所述获取单元获取到的所述雷达回波信号进行时频分析，获得信号能量分布函数；
所述特征提取单元，用于根据所述时频分析单元获取到的所述信号能量分布函数和所述获取单元获取到的所述雷达回波信号，提取所述弹头目标的至少一个微动特征；
所述特征筛选单元，用于通过支持向量机SVM分类器对所述特征提取单元提取到的各个所述微动特征进行筛选，获得包括有至少一个所述微动特征的最优特征集。
可选地，
所述时频分析单元，用于利用维格纳Wigner-Ville分布对所述雷达回波信号进行时频分析，获得所述弹头目标的信号能量分布函数如下：
Figure BDA0001617225350000051
其中，所述Wz(t,f)表征所述雷达回波信号的信号能量在时域和频域中的分布，函数z(t)表征所述雷达回波信号的解析信号，函数z*(t)表征所述雷达回波信号在频域的解析信号，所述t表征所述雷达回波信号的时间变量，所述f表征所述雷达回波信号的频率变量，所述τ为积分变量，所述
Figure BDA0001617225350000052
可选地，
所述特征提取单元，用于执行如下操作：
根据所述信号能量分布函数，生成所述雷达回波信号的时频图；
在所述时频图上确定微动区域；
根据所述微动区域确定时频图宽度，其中，所述时频图宽度为在所述微动区域内所述时频图在频率轴上的频率振幅；
将所述时频图宽度确定为所述弹头目标的一个所述微动特征。
可选地，
所述特征提取单元，用于执行如下操作：
根据所述信号能量分布函数，通过如下第一公式计算所述雷达回波信号的时频图平均熵值；
所述第一公式包括：
Figure BDA0001617225350000061
其中，所述AVEn表征所述雷达回波信号的时频图平均熵值，所述M等于对所述Wz(t,f)沿时间维进行累加后，对所获得结果沿频率维进行累加后除以所述雷达回波信号的频点数的结果；
将所述时频图平均熵值确定为所述弹头目标的一个所述微动特征。
可选地，
所述特征提取单元，用于执行如下操作：
根据所述信号能量分布函数，通过如下第二公式计算时频图频率维累加值；
所述第二公式包括：
Figure BDA0001617225350000062
其中，所述E(t)表征所述时频图频率维累加值；
对所述时频图频率维累加值进行傅里叶变换，获得时频图时间维累加值；
通过如下第三公式计算所述雷达回波信号的频谱熵；
所述第三公式包括：
Figure BDA0001617225350000071
其中，所述SEn表征所述频谱熵，所述E(f)表征所述时频图时间维累加值；
将所述频谱熵确定为所述弹头目标的一个所述微动特征。
可选地，
所述特征提取单元，用于执行如下操作：
根据所述信号能量分布函数，通过如下方程组计算所述雷达回波信号的自相关函数峰值比；
所述方程组包括：
Figure BDA0001617225350000072
其中，所述N表征所述雷达回波信号的长度，所述k＝1,2,…,N/2，所述mod(t+k,N)等于t+k除以N的余数，所述p表征所述自相关函数峰值比；
将所述自相关函数峰值比确定为所述弹头目标的一个所述微动特征。
可选地，
所述特征提取单元，用于执行如下操作：
利用小波变换对所述雷达回波信号进行分解，获得至少两个子带信号；
分别对每一个所述子带信号进行快速傅里叶变化，获得每一个所述子带信号上时间信号的频谱；
根据各个所述子带信号上时间信号的频谱，提取所述雷达回波信号的小波系数；
将所述小波系数确定为所述弹头目标的一个所述微动特征。
可选地，
所述特征筛选单元，用于执行如下操作：
S1：针对每一个所述微动特征，均执行如下操作：
S11：构建包括有所述微动特征的特征子集；
S12通过所述SVM分类器计算所述特征子集对所述弹头目标进行分类识别的分类识别率；
S13：通过所述SVM分类器分别计算如果将所述特征子集之外的每一个所述微动特征加入所述特征子集后所述特征子集的第一分类识别率；
S14：判断是否存在所对应所述第一分类识别率大于所述分类识别率的所述微动特征，如果是，执行S15，否则执行S16；
S15：将对应所述第一分类识别率最大的一个所述微动特征加入所述特征子集，以对所述特征子集进行更新，并针对更新后的所述特征子集执行S12；
S16：将所述特征子集确定为所述S1中所述微动特征对应的最优特征子集；
S2：判断各个所述微动特征对应的所述最优特征子集中是否存在对应所述分类识别率大于预设分类识别率阈值的至少一个最优特征子集，如果是，执行S3，否则结束当前流程；
S3：将各个所述微动特征对应的所述最优特征子集中对应所述分类识别率最大的一个所述最优特征子集确定为所述最优特征集。
实施本发明实施例提供的微动特征获取方法及装置，至少具有如下有益效果：
1、在获取到弹头目标的雷达回波信号后，通过对雷达回波信号进行时频分析获得相对应的信号能量分布函数，进而可以根据信号能量分布函数和雷达回波信号提取弹头目标的各个微动特征，之后可以通过SVM分类器对提取到的各个微动特征进行筛选，获得包括有一个或多个微动特征的最优特征集用于对弹头目标进行识别分析。由此可见，通过对雷达回波信号进行时频分析获得信号能量分布函数后，将信号能量分布函数与雷达回波信号相结合可以提取弹头目标的多个微动特征，通过SVM分类器可以从提取到的各个微动特征值筛选利于对弹头目标进行识别分析的微动特征，从而可以实现从雷达回波信号中提取微动特征以对弹头目标进行识别。
2、利用Wigner-Ville分布对雷达回波信号进行时频分析，获得的信号能量分布函数，所获得的信号能量分布函数可以作为信号能量在时域和频域中的分布，而通过信号能量分布函数可以获得雷达回波信号的时频图，时频图中的多个特征可以反映弹头目标的微动形式，比如进动、章动、自旋等相关特征，从而可以根据信号能量分布函数提取弹头目标的微动特征。
3、根据雷达回波信号和信号能量分布函数，可以提取到时频图宽度、时频图平均熵值、频谱熵、自相关函数峰值比和小波系数等多个微动特征，通过各个微动特征可以对弹头目标进行分类识别，一方面可以保证对弹头目标进行分类识别的准确性，另一方面由于去除了对于分类识别过程没有贡献的特征，可以提高对弹头目标进行分类识别的速率。
4、通过SVM分类器对提取到的各个微动特征进行筛选，获得包括有一个或多个微动特征的最优特征集，最终可以利用最优特征集对弹头目标进行分类识别。通过对微动特征进行筛选，保证最优特征集中的各个微动特征对弹头目标具有较高的分类识别率，并具有较低的冗余度，便于分类识别过程的进行。
附图说明
图1是本发明实施例一所提供微动特征获取方法的流程图；
图2是本发明实施例九所提供微动特征获取方法的流程图；
图3是本发明实施例十所提供微动特征获取装置的示意图；
图4是本发明实施例所提供微动特征获取装置所在设备的示意图。
图中：301：获取单元；302：时频分析单元；303：特征提取单元；304：特征筛选单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图1所示，本发明实施例提供的微动特征获取方法，可以包括以下步骤：
步骤101：获取弹头目标的雷达回波信号；
步骤102：对雷达回波信号进行时频分析，获得信号能量分布函数；
步骤103：根据信号能量分布函数和雷达回波信号，提取弹头目标的至少一个微动特征；
步骤104：通过支持向量机SVM分类器对提取到的各个微动特征进行筛选，获得包括有至少一个微动特征的最优特征集。
本发明实施例提供的微动特征获取方法，在获取到弹头目标的雷达回波信号后，通过对雷达回波信号进行时频分析获得相对应的信号能量分布函数，进而可以根据信号能量分布函数和雷达回波信号提取弹头目标的各个微动特征，之后可以通过SVM分类器对提取到的各个微动特征进行筛选，获得包括有一个或多个微动特征的最优特征集用于对弹头目标进行识别分析。由此可见，通过对雷达回波信号进行时频分析获得信号能量分布函数后，将信号能量分布函数与雷达回波信号相结合可以提取弹头目标的多个微动特征，通过SVM分类器可以从提取到的各个微动特征值筛选利于对弹头目标进行识别分析的微动特征，从而可以实现从雷达回波信号中提取微动特征以对弹头目标进行识别。
实施例二
在实施例一所提供微动特征获取方法的基础上，步骤102中通过对雷达回波信号进行时频分析获得信号能量分布函数的过程，具体可以通过如下方式实现：
利用Wigner-Ville分布对雷达回波信号进行时频分析，获得弹头目标的信号能量分布函数，即雷达回波信号s(t)的Wigner-Ville分布信号能量分布函数的具体形式如下：
Figure BDA0001617225350000111
其中，其中，Wz(t,f)表征雷达回波信号的信号能量在时域和频域中的分布，函数z(t)表征雷达回波信号s(t)的解析信号，函数z*(t)通过对函数z(t)进行傅里叶变换而获得，其可以表征雷达回波信号在频域的解析信号，t表征雷达回波信号的时间变量，f表征雷达回波信号的频率变量，τ为积分变量，j为虚数，具体j2＝-1。
利用Wigner-Ville分布对雷达回波信号进行时频分析，获得的信号能量分布函数，所获得的信号能量分布函数可以作为信号能量在时域和频域中的分布，而通过信号能量分布函数可以获得雷达回波信号的时频图，时频图中的多个特征可以反映弹头目标的微动形式，比如进动、章动、自旋等相关特征，从而可以根据信号能量分布函数提取弹头目标的微动特征。
实施例三
在实施例二所提供微动特征获取方法的基础上，在获得弹头目标的信号能量分布函数后，根据信号能量分布函数生成与雷达回波信号相对应的时频图，进而可以在时频图上确定微动区域，在微动区域可以确定时频图在频率轴上的频率振幅，该频率振幅即为时频图宽度，时频图宽度可以对弹头目标的进动进行描述，从而将时频图宽度确定为弹头目标的一个微动特征。
在根据信号能量分布函数生成时频图后，在时频图上确定包含微多普勒频率的区域，该区域即为微动区域。通过对微动区域内时频图进行提取，可以获得自旋、进动等微动形式的时频图谱。提取后的频带区域包含了全部的微动信息，且宽度小于原始时频分布，这样可以在不丢失信息的基础上降低了后期处理的运算量。
在确定包括微多普勒频率的区域时，可以在时间维对Wz(t,f)进行累加，获得频率维上的能量分布，再次累加后除以频点数得到均值，在所有能量值大于该均值的频点组成的集合中确定对应能量值最大和最小的频点，位于这两个频点之间的的区域即为包括微多普勒频率的区域。
实施例四
在实施例二所提供微动特征获取方法的基础上，根据获取到的信号能量分布函数可以确定雷达回波信号的时频图平均熵值，而时频图平均熵值是反映弹头目标微动形式的一个重要微动特征，获得时频图平均熵值可以通过如下第一公式实现，其中第一公式为：
Figure BDA0001617225350000121
在上述第一公式中，AVEn表征雷达回波信号的时频图平均熵值，M等于对Wz(t,f)沿时间维进行累加后，对所获得结果沿频率维进行累加后除以雷达回波信号的频点数的结果。
由于进动的周期性要强于章动，表现在时频图上的结果有两点：其一，在高频区域(时频图上下两端)，章动的能量分布要比进动的能量分布更加集中；其二，将时频图沿频率维累加求时频图能量随时间的变化，进动较章动更具周期性。上述两点特征可以利用熵的概念进行描述。熵的大小反映了能量的聚焦度，能量分布越集中则熵值越小，极端情况下如冲激信号的熵为零。
在上述第一公式中，∑f∑tWz(t,t)logWz(t,f)为对每一个频点上能量分布进行和值归一处理的结果，在时间维对Wz(t,f)进行累加，获得频率维上的能量分布，再次对频率维上的能量分布进行累加并除以频点数得到均值M。
实施例五
在实施例二所提供微动特征获取方法的基础上，根据获取到的信号能量分布函数可以确定雷达回波信号的频谱熵，而频谱熵是反映弹头目标微动形式的另一个重要微动特征，具体频谱熵可以通过如下步骤而获得：
A1：根据信号能量分布函数，通过如下第二公式计算时频图频率维累加值，其中第二公式为：
Figure BDA0001617225350000131
其中，E(t)表征时频图频率维累加值；
A2：对时频图频率维累加值进行傅里叶变换，获得时频图时间维累加值；
A3：通过如下第三公式计算雷达回波信号的频谱熵，其中第三公式为：
Figure BDA0001617225350000132
其中，SEn表征雷达回波信号的频谱熵，E(f)表征时频图时间维累加值；
A4：将雷达回波信号的频谱熵确定为弹头目标的一个微动特征。
在获取到实施例二中所示的信号能量分布函数后，将信号能量分布函数代入第二公式，计算出时频图频率维累加值E(t)，之后对计算出的时频图频率维累加值E(t)进行傅里叶变换，获得时频图时间维累加值E(f)，之后将计算出的时频图时间维累加值E(f)代入第三公式，计算出雷达回波信号的频谱熵SEn。
将时频图沿频率维累加，另E(t)＝∑fWz(t,f)，由于周期性强的信号频谱中较强分量的个数较周期性弱的信号要少，故其频谱熵较小。基于这一特性，设E(t)的傅里叶变换为E(f)，通过对E(f)进行和值归一，便可以获得雷达回波信号的频谱熵。频谱熵作为熵特征的一种，可以对雷达回波信号的能量分布进行衡量，而雷达回波信号的能量分布情况与弹头目标的微动形式相关，从而可以将频谱熵作为弹头目标的一个微动特征以对弹头目标进行识别分析。
实施例六
实施例四和实施例五所提取到的时频图平均熵值和频谱熵，均是可以反映弹头目标微动形式的熵特征，除了熵特征，还可以采用循环自相关函数与循环平均幅度差函数相结合的方法来衡量雷达回波信号的周期性强弱。
对于一个长为N的离散信号x(n)，n＝0,1,…,N-1，定义其循环自相关函数
Figure BDA0001617225350000141
与循环平均幅度差函数
Figure BDA0001617225350000142
如下：
Figure BDA0001617225350000143
Figure BDA0001617225350000144
其中，mod(n+k,N)为求n+k除以N的余数，对于一个周期为T的信号x(n)来说，循环自相关函数
Figure BDA0001617225350000145
与循环平均幅度差函数
Figure BDA0001617225350000146
具有如下性质：
Figure BDA0001617225350000147
其中a,b均为整数，即两个函数分别在周期的整数倍处取得极大值和极小值，由此可以利用峰值出现的位置及大小判断x(n)的周期与周期性强弱。为了对二维的数据进行类似操作，可以通过对上述循环自相关函数
Figure BDA0001617225350000151
与循环平均幅度差函数
Figure BDA0001617225350000152
进行重新定义，使其适用于雷达回波信号的分析，重新定义后的循环自相关函数和平均幅度差函数如下方程组所示。
在获取到信号能量分布函数后，可以通过如下方程组计算雷达回波信号的自相关函数峰值比，并将所计算出的自相关函数峰值比确定为弹头目标的一个微动特征，上述方程组为：
Figure BDA0001617225350000153
在上述方程组中，N表征雷达回波信号的长度，即为时频图列数，k＝1,2,…,N/2，mod(t+k,N)等于t+k除以N的余数，p表征自相关函数峰值比。
弹头目标的微动形式可以影响雷达回波信号的周期，而自相关函数峰值比可以判断雷达回波信号的周期性强弱，从而可以将自相关函数峰值比作为一个微动特征，以对弹头目标进行识别分析。
实施例七
除了可以根据信号能量分布函数来提取弹头目标的微动特征外，还可以直接根据雷达回波信号来提取弹头目标的微动特征，比如可以根据雷达回波信号来提取弹头目标的小波系数。根据雷达回波信号确定弹头目标小波系数的过程，可以通过如下步骤实现：
B1：利用小波变换对雷达回波信号进行分解，获得至少两个子带信号；
B2：分别对每一个子带信号进行快速傅里叶变换，获得每一个子带信号上时间信号的频谱；
B3：根据各个子带信号上时间信号的频谱，提取雷达回波信号的小波系数；
B4：将提取到的小波系数确定为弹头目标的一个微动特征。
小波系数是时间信号，而不是频谱，也就是说每个子带中实际上存在哪些频率成分还无法得知，即使使用小波包变换也很难得到个频点上的信号。虽然傅里叶变换没有时间分辨能力，但是却具有较高的频谱分辨能力，因此可以将离散小波变换和傅里叶变换结合起来确定每个子带上存在的频率成分。在实际业务实现过程中，将离散小波变换与快速傅里叶变换相结合来确定每个子带上存在的频率成分。即先利用小波变换对雷达回波信号进行分解，在对各子带信号做快速傅里叶变换，从而得到各子带上时间信号的频率，在通过对个子带上的时间信号频谱进行特征提取，获得雷达回波信号的小波系数。
实施例八
在根据雷达回波信号和信号能量分布函数提取到多个微动特征后，由于所提取的各个微动特征中可能存在部分微动特征对分类识别弹头目标的贡献较小，因此需要对各个微动特征进行筛选，筛选出对分类识别弹头目标贡献较大的微动特征对弹头目标进行分类识别。对各个微动特征进行筛选的过程可以通过如下步骤实现：
S1：针对每一个微动特征，确定一个相对应的最优特征子集；
S2：判断各个最优特征子集中是否存在对应分类识别率大于预设分类识别率阈值的至少最优特征子集，如果是，执行S3，否则结束当前流程；
S3：将各个最优特征子集中对应分类识别率最大的一个最优特征子集确定为最优特征集。
上述步骤S1分别确定每一个微动特征所对应最优特征子集的过程，针对每一个微动特征，可以通过如下子步骤确定其对应的最优特征子集：
S11：构建包括有该微动特征的特征子集(此处特征子集中可以仅包括该微动特征这一个元素)；
S12：通过SVM分类器计算特征子集对弹头目标进行分类识别的分类识别率；
S13：通过SVM分类器分别计算如果将特征子集之外的一个微动特征加入特征子集后，特征子集对弹头目标进行分类识别的第一分类识别率；
S14：判断特征子集之外是否存在所对应第一分类识别率大于分类识别率的微动特征，如果是，执行S15，否则执行S16；
S15：将特征子集之外对一个第一分类识别率最大的一个微动特征加入都特征子集中，以对特征子集进行更新，并针对更新后的特征子集执行S12；
S16：将特征子集确定为该微动特征的最优特征子集。
针对每一个微动特征，构建仅包括该微动特征的特征子集，通过SVM分类器计算此时特征子集对弹头目标进行分类识别的初始分类识别率。之后依次将其他各个微动特征加入到特征子集中，构成多个第一特征子集，通过SVM分类器分别计算各个第一特征子集对弹头目标进行分类识别的第一分类识别率。如果存在第一特征子集对应的第一分类识别率大于初始分类识别率，则将对应第一分类识别率最大的一个第一特征子集确定特征子集，将最大的第一分类识别率确定为初始分类识别率，并针对新的特征子集和新的初始分类识别率重复执行上述步骤。如果不存在对应第一分类识别率大于初始分类识别率的第一特征子集，则将此时的特征子集确定为该微动特征对应的最优特征子集。
在获取到各个微动特征对应的最优特征子集中，从各个最优特子集中选择对应分类识别率最大且大于预设分类识别率阈值的一个最优特征子集作为最优特征集，最终可以根据最优特征集中包括的各个微动特征对弹头目标进行分类识别。
需要说明的是，对应于不同微动特征的特征子集，可能相同，比如对应于微动特征1的特征子集中包括有微动特征1和微动特征2，而对应于微动特征2的特征子中包括微动特征2和微动特征1，此时对应于微动特征1和对应于微动特征2的两个特征子集相同。另外，最终所获得的最优特征集中可能包括有所提取各个微动特征中的部分微动特征，也可能包括有所提取的全部微动特征。
还需要说明的是，在利用SVM分类器对微动特征进行筛选过程是，可以对SVM分类器进行如下配置：
当训练集中的样本线性不可分时，需要放弃宽支持向量机问题的约束条件，使其能够包括训练中产生的误差。为此，引入松弛变量ξ，ξ满足以下条件：
Figure BDA0001617225350000181
据此可得到新的目标函数如下：
Figure BDA0001617225350000182
其中，参数C被称为惩罚参数或正则化参数，用于指定对训练误差的惩罚力度。一般来说，C值越大，训练误差越小，对应的最优分隔超平面H的边缘也越小；C值越小，训练误差越大，对应的最优分隔超平面H的边缘也越大。
拉格朗日函数形式为：
Figure BDA0001617225350000183
其中，拉格朗日乘子μi用来保证ξi的非负性。对应Wolfe对偶问题为：
Figure BDA0001617225350000191
可以看出，与硬边缘支持向量机相比，此处的变化是拉格朗日乘子αi有了一个上限C。
在本发明各个实施例中，为了根据微动特征对弹头目标进行分类识别，还需要从弹头目标的微动运动中去除自旋信号，具体步骤为：
C1：将雷达回波信号变道方位频域，对信号频率的二次项信息进行搜索，在聚焦效果最好时，认为是调频率，且在此时聚焦的频率点认为是中心频率；
C2：提取聚焦效果最好时的复振幅信息；
C3：对每个距离单元进行C1和C2的操作，并且通过振幅、中心频率、调频率构造一个线性调频信号；
C4：将雷达回波信号的总信号减去上述构造的每个单元的线性调频信号，得到分离后的信号。
实施例九
下面结合实施例一至实施例八所提供的微动特征获取方法，对本发明实施例提供的微动特征获取方法作进一步详细说明，如图2所示，该方法可以包括以下步骤：
步骤201：获取弹头目标的雷达回波信号。
步骤202：利用Wigner-Ville分布对雷达回波信号进行时频分析，获得弹头目标的信号能量分布函数。
在本发明实施例中，在获取到弹头目标的雷达回波信号后，通过Wigner-Ville分布对雷达回波信号进行时频分析，可以获得弹头目标的信号能量分布函数Wz(t,f)，具体过程已经在上述实施例二中进行了详细描述，此处不再赘述。
步骤203：根据信号能量分布函数提取时频图宽度作为一个微动特征。
在本发明实施例中，根据信号能量分布函数可以获得时频图宽度，具体过程可以参见上述实施例三中的描述，此处不再赘述。
步骤204：根据信号能量分布函数提取时频图平均熵值作为一个微动特征。
在本发明实施例中，根据信号能量分布函数可以获得时频图平均熵值，时频图平均熵值的获取过程已经在实施例四中进行了详细描述，此处不再赘述。
步骤205：根据信号能量分布函数提取频谱熵作为一个微动特征。
在本发明实施例中，根据信号能量分布函数可以获得雷达回波信号的频谱熵，而频谱熵可以作为一个微动特征对弹头目标进行分类识别，而频谱熵的获得过程已经在上述实施例五中进行了详细说明，具体获取过程可以参见实施例五中的描述，此处不再赘述。
步骤206：根据信号能量分布函数提取自相关函数峰值比作为一个微动特征。
在本发明实施例中，根据信号能量分布函数可以获得雷达回波信号的自相关函数峰值比，而自相关函数峰值比可以作为一个微动特征对弹头目标进行分类识别，而自相关函数峰值比的获取过程已经在上述实施例六中进行了详细说明，具体获取过程可以参见实施例六中的描述，此处不再赘述。
步骤207：根据雷达回波信号提取小波系数作为一个微动特征。
在本发明实施例中，在获取到雷达回拨信号后，可以根据雷达回波信号确定弹头目标的小波系数，而小波系数可以作为一个微动特征对弹头目标进行分类识别。小波系数的获取过程已经在上述实施例七中进行了详细说明，获取小波系数的具体过程可以参见实施例七中的描述，此处不再赘述。
步骤208：从提取到的各个微动特征中筛选最优特征集。
在本发明实施例中，在根据信号能量分布函数和雷达回波信号提取到各个微动特征后，可以通过SVM分类器对各个微动特征进行筛选，获得包括有可以快速、准确地对弹头目标进行分类识别的微动特征的最优特征集。最优特征集的获取过程已经在上述实施例八中进行了详细描述，此处不再赘述。
需要说明的是，上述实施例中各个步骤是为了更好地对微动特征获取方法进行说明而拆分出来的，在实际业务实现过程中，各个步骤没有严格意义上的先后顺序，比如，步骤203至步骤207中的各个步骤的执行顺序可以任意互换，步骤207可以在步骤202之前进行等。
实施例十
如图3所示，本发明实施例提供的微动特征获取装置，可以包括：获取单元301、时频分析单元302、特征提取单元303和特征筛选单元304；
获取单元301，用于获取弹头目标的雷达回波信号；
时频分析单元302，用于对获取单元301获取到的雷达回波信号进行时频分析，获得信号能量分布函数；
特征提取单元303，用于根据时频分析单元302获取到的信号能量分布函数和获取单元301获取到的雷达回波信号，提取弹头目标的至少一个微动特征；
特征筛选单元304，用于通过支持向量机SVM分类器对特征提取单元303提取到的各个微动特征进行筛选，获得包括有至少一个微动特征的最优特征集。
实施例十一
在实施例十所提供微动特征获取装置的基础上，如图3所示，时频分析单元302用于利用维格纳Wigner-Ville分布对雷达回波信号进行时频分析，获得弹头目标的信号能量分布函数如下：
Figure BDA0001617225350000211
其中，Wz(t,f)表征雷达回波信号的信号能量在时域和频域中的分布，函数z(t)表征雷达回波信号的解析信号，函数z*(t)表征雷达回波信号在频域的解析信号，t表征雷达回波信号的时间变量，f表征雷达回波信号的频率变量，τ为积分变量，
Figure BDA0001617225350000221
实施例十二
在实施例十一所提供微动特征获取装置的基础上，如图3所示，特征提取单元303用于执行如下操作：
根据信号能量分布函数，生成雷达回波信号的时频图；
在时频图上确定微动区域；
根据微动区域确定时频图宽度，其中，时频图宽度为在微动区域内时频图在频率轴上的频率振幅；
将时频图宽度确定为弹头目标的一个微动特征。
实施例十三
在实施例十一所提供微动特征获取装置的基础上，如图3所示，特征提取单元303用于执行如下操作：
根据信号能量分布函数，通过如下第一公式计算雷达回波信号的时频图平均熵值；
第一公式包括：
Figure BDA0001617225350000222
其中，AVEn表征雷达回波信号的时频图平均熵值，M等于对Wz(t,f)沿时间维进行累加后，对所获得结果沿频率维进行累加后除以雷达回波信号的频点数的结果；
将时频图平均熵值确定为弹头目标的一个微动特征。
实施例十四
在实施例十一所提供微动特征获取装置的基础上，如图3所示，特征提取单元303用于执行如下操作：
根据信号能量分布函数，通过如下第二公式计算时频图频率维累加值；
第二公式包括：
Figure BDA0001617225350000231
其中，E(t)表征时频图频率维累加值；
对时频图频率维累加值进行傅里叶变换，获得时频图时间维累加值；
通过如下第三公式计算雷达回波信号的频谱熵；
第三公式包括：
Figure BDA0001617225350000232
其中，SEn表征频谱熵，E(f)表征时频图时间维累加值；
将频谱熵确定为弹头目标的一个微动特征。
实施例十五
在实施例十一所提供微动特征获取装置的基础上，如图3所示，特征提取单元303用于执行如下操作：
根据信号能量分布函数，通过如下方程组计算雷达回波信号的自相关函数峰值比；
方程组包括：
Figure BDA0001617225350000233
其中，N表征雷达回波信号的长度，k＝1,2,…,N/2，mod(t+k,N)等于t+k除以N的余数，p表征自相关函数峰值比；
将自相关函数峰值比确定为弹头目标的一个微动特征。
实施例十六
在实施例十所提供微动特征获取装置的基础上，如图3所示，特征提取单元303用于执行如下操作：
利用小波变换对雷达回波信号进行分解，获得至少两个子带信号；
分别对每一个子带信号进行快速傅里叶变化，获得每一个子带信号上时间信号的频谱；
根据各个子带信号上时间信号的频谱，提取雷达回波信号的小波系数；
将小波系数确定为弹头目标的一个微动特征。
实施例十七
在实施例十至实施例十六中任一实施例所提供微动特征获取装置的基础上，如图3所示，特征筛选单元304用于执行如下操作：
S1：针对每一个微动特征，均执行如下操作：
S11：构建包括有微动特征的特征子集；
S12通过SVM分类器计算特征子集对弹头目标进行分类识别的分类识别率；
S13：通过SVM分类器分别计算如果将特征子集之外的每一个微动特征加入特征子集后特征子集的第一分类识别率；
S14：判断是否存在所对应第一分类识别率大于分类识别率的微动特征，如果是，执行S15，否则执行S16；
S15：将对应第一分类识别率最大的一个微动特征加入特征子集，以对特征子集进行更新，并针对更新后的特征子集执行S12；
S16：将特征子集确定为S1中微动特征对应的最优特征子集；
S2：判断各个微动特征对应的最优特征子集中是否存在对应分类识别率大于预设分类识别率阈值的至少一个最优特征子集，如果是，执行S3，否则结束当前流程；
S3：将各个微动特征对应的最优特征子集中对应分类识别率最大的一个最优特征子集确定为最优特征集。
需要说明的是，上述各个实施例所提供特征筛选装置内的各单位之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
另外需要说明的是，本发明实施例提供的微动特征获取装置，可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图4所示，为本发明实施例提供的微动特征获取装置所在设备的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。
综上所述，本发明实施例提供的微动特征获取方法及装置，在获取到弹头目标的雷达回波信号后，通过对雷达回波信号进行时频分析获得相对应的信号能量分布函数，进而可以根据信号能量分布函数和雷达回波信号提取弹头目标的各个微动特征，之后可以通过SVM分类器对提取到的各个微动特征进行筛选，获得包括有一个或多个微动特征的最优特征集用于对弹头目标进行识别分析。由此可见，通过对雷达回波信号进行时频分析获得信号能量分布函数后，将信号能量分布函数与雷达回波信号相结合可以提取弹头目标的多个微动特征，通过SVM分类器可以从提取到的各个微动特征值筛选利于对弹头目标进行识别分析的微动特征，从而可以实现从雷达回波信号中提取微动特征以对弹头目标进行识别。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种微动特征获取方法，其特征在于，包括：
获取弹头目标的雷达回波信号；
对所述雷达回波信号进行时频分析，获得信号能量分布函数；
根据所述信号能量分布函数和所述雷达回波信号，提取所述弹头目标的至少一个微动特征；
通过支持向量机SVM分类器对提取到的各个所述微动特征进行筛选，获得包括有至少一个所述微动特征的最优特征集；
所述提取所述弹头目标的至少一个微动特征，包括：
利用小波变换对所述雷达回波信号进行分解，获得至少两个子带信号；
分别对每一个所述子带信号进行快速傅里叶变化，获得每一个所述子带信号上时间信号的频谱；
根据各个所述子带信号上时间信号的频谱，提取所述雷达回波信号的小波系数；
将所述小波系数确定为所述弹头目标的一个所述微动特征；
所述通过支持向量机SVM分类器对提取到的各个所述微动特征进行筛选，获得包括有至少一个所述微动特征的最优特征集，包括：
S1：针对每一个所述微动特征，均执行如下操作：
S11：构建包括有所述微动特征的特征子集；
S12通过所述SVM分类器计算所述特征子集对所述弹头目标进行分类识别的分类识别率；
S13：通过所述SVM分类器分别计算如果将所述特征子集之外的每一个所述微动特征加入所述特征子集后所述特征子集的第一分类识别率；
S14：判断是否存在所对应所述第一分类识别率大于所述分类识别率的所述微动特征，如果是，执行S15，否则执行S16；
S15：将对应所述第一分类识别率最大的一个所述微动特征加入所述特征子集，以对所述特征子集进行更新，并针对更新后的所述特征子集执行S12；
S16：将所述特征子集确定为所述S1中所述微动特征对应的最优特征子集；
S2：判断各个所述微动特征对应的所述最优特征子集中是否存在对应所述分类识别率大于预设分类识别率阈值的至少一个最优特征子集，如果是，执行S3，否则结束当前流程；
S3：将各个所述微动特征对应的所述最优特征子集中对应所述分类识别率最大的一个所述最优特征子集确定为所述最优特征集。
2.根据权利要求1所述的方法，其特征在于，所述对所述雷达回波信号进行时频分析获得信号能量分布函数，包括：
利用维格纳Wigner-Ville分布对所述雷达回波信号进行时频分析，获得所述弹头目标的信号能量分布函数如下：
Figure FDA0002604565740000021
其中，所述Wz(t,f)表征所述雷达回波信号的信号能量在时域和频域中的分布，函数z(t)表征所述雷达回波信号的解析信号，函数z*(t)表征所述雷达回波信号在频域的解析信号，所述t表征所述雷达回波信号的时间变量，所述f表征所述雷达回波信号的频率变量，所述τ为积分变量，所述
Figure FDA0002604565740000022
3.根据权利要求2所述的方法，其特征在于，所述提取所述弹头目标的至少一个微动特征，包括：
根据所述信号能量分布函数，生成所述雷达回波信号的时频图；
在所述时频图上确定微动区域；
根据所述微动区域确定时频图宽度，其中，所述时频图宽度为在所述微动区域内所述时频图在频率轴上的频率振幅；
将所述时频图宽度确定为所述弹头目标的一个所述微动特征；
和/或，
根据所述信号能量分布函数，通过如下第一公式计算所述雷达回波信号的时频图平均熵值；
所述第一公式包括：
Figure FDA0002604565740000031
其中，所述AVEn表征所述雷达回波信号的时频图平均熵值，所述M等于对所述Wz(t,f)沿时间维进行累加后，对所获得结果沿频率维进行累加后除以所述雷达回波信号的频点数的结果；
将所述时频图平均熵值确定为所述弹头目标的一个所述微动特征；
和/或，
根据所述信号能量分布函数，通过如下第二公式计算时频图频率维累加值；
所述第二公式包括：
Figure FDA0002604565740000032
其中，所述E(t)表征所述时频图频率维累加值；
对所述时频图频率维累加值进行傅里叶变换，获得时频图时间维累加值；
通过如下第三公式计算所述雷达回波信号的频谱熵；
所述第三公式包括：
Figure FDA0002604565740000033
其中，所述SEn表征所述频谱熵，所述E(f)表征所述时频图时间维累加值；
将所述频谱熵确定为所述弹头目标的一个所述微动特征；
和/或，
根据所述信号能量分布函数，通过如下方程组计算所述雷达回波信号的自相关函数峰值比；
所述方程组包括：
Figure FDA0002604565740000041
其中，所述N表征所述雷达回波信号的长度，所述k＝1,2,…,N/2，所述mod(t+k,N)等于t+k除以N的余数，所述p表征所述自相关函数峰值比；
将所述自相关函数峰值比确定为所述弹头目标的一个所述微动特征。
4.一种微动特征获取装置，其特征在于，包括：获取单元、时频分析单元、特征提取单元和特征筛选单元；
所述获取单元，用于获取弹头目标的雷达回波信号；
所述时频分析单元，用于对所述获取单元获取到的所述雷达回波信号进行时频分析，获得信号能量分布函数；
所述特征提取单元，用于根据所述时频分析单元获取到的所述信号能量分布函数和所述获取单元获取到的所述雷达回波信号，提取所述弹头目标的至少一个微动特征；
所述特征筛选单元，用于通过支持向量机SVM分类器对所述特征提取单元提取到的各个所述微动特征进行筛选，获得包括有至少一个所述微动特征的最优特征集；
所述特征提取单元，用于执行如下操作：
利用小波变换对所述雷达回波信号进行分解，获得至少两个子带信号；
分别对每一个所述子带信号进行快速傅里叶变化，获得每一个所述子带信号上时间信号的频谱；
根据各个所述子带信号上时间信号的频谱，提取所述雷达回波信号的小波系数；
将所述小波系数确定为所述弹头目标的一个所述微动特征；
所述特征筛选单元，用于执行如下操作：
S1：针对每一个所述微动特征，均执行如下操作：
S11：构建包括有所述微动特征的特征子集；
S12通过所述SVM分类器计算所述特征子集对所述弹头目标进行分类识别的分类识别率；
S13：通过所述SVM分类器分别计算如果将所述特征子集之外的每一个所述微动特征加入所述特征子集后所述特征子集的第一分类识别率；
S14：判断是否存在所对应所述第一分类识别率大于所述分类识别率的所述微动特征，如果是，执行S15，否则执行S16；
S15：将对应所述第一分类识别率最大的一个所述微动特征加入所述特征子集，以对所述特征子集进行更新，并针对更新后的所述特征子集执行S12；
S16：将所述特征子集确定为所述S1中所述微动特征对应的最优特征子集；
S2：判断各个所述微动特征对应的所述最优特征子集中是否存在对应所述分类识别率大于预设分类识别率阈值的至少一个最优特征子集，如果是，执行S3，否则结束当前流程；
S3：将各个所述微动特征对应的所述最优特征子集中对应所述分类识别率最大的一个所述最优特征子集确定为所述最优特征集。
5.根据权利要求4所述的装置，其特征在于，
所述时频分析单元，用于利用维格纳Wigner-Ville分布对所述雷达回波信号进行时频分析，获得所述弹头目标的信号能量分布函数如下：
Figure FDA0002604565740000061
其中，所述Wz(t,f)表征所述雷达回波信号的信号能量在时域和频域中的分布，函数z(t)表征所述雷达回波信号的解析信号，函数z*(t)表征所述雷达回波信号在频域的解析信号，所述t表征所述雷达回波信号的时间变量，所述f表征所述雷达回波信号的频率变量，所述τ为积分变量，所述
Figure FDA0002604565740000062
6.根据权利要求5所述的装置，其特征在于，
所述特征提取单元，用于执行如下操作：
根据所述信号能量分布函数，生成所述雷达回波信号的时频图；
在所述时频图上确定微动区域；
根据所述微动区域确定时频图宽度，其中，所述时频图宽度为在所述微动区域内所述时频图在频率轴上的频率振幅；
将所述时频图宽度确定为所述弹头目标的一个所述微动特征；
和/或，
所述特征提取单元，用于执行如下操作：
根据所述信号能量分布函数，通过如下第一公式计算所述雷达回波信号的时频图平均熵值；
所述第一公式包括：
Figure FDA0002604565740000063
其中，所述AVEn表征所述雷达回波信号的时频图平均熵值，所述M等于对所述Wz(t,f)沿时间维进行累加后，对所获得结果沿频率维进行累加后除以所述雷达回波信号的频点数的结果；
将所述时频图平均熵值确定为所述弹头目标的一个所述微动特征；
和/或，
所述特征提取单元，用于执行如下操作：
根据所述信号能量分布函数，通过如下第二公式计算时频图频率维累加值；
所述第二公式包括：
Figure FDA0002604565740000071
其中，所述E(t)表征所述时频图频率维累加值；
对所述时频图频率维累加值进行傅里叶变换，获得时频图时间维累加值；
通过如下第三公式计算所述雷达回波信号的频谱熵；
所述第三公式包括：
Figure FDA0002604565740000072
其中，所述SEn表征所述频谱熵，所述E(f)表征所述时频图时间维累加值；
将所述频谱熵确定为所述弹头目标的一个所述微动特征；
和/或，
所述特征提取单元，用于执行如下操作：
根据所述信号能量分布函数，通过如下方程组计算所述雷达回波信号的自相关函数峰值比；
所述方程组包括：
Figure FDA0002604565740000081
其中，所述N表征所述雷达回波信号的长度，所述k＝1,2,…,N/2，所述mod(t+k,N)等于t+k除以N的余数，所述p表征所述自相关函数峰值比；
将所述自相关函数峰值比确定为所述弹头目标的一个所述微动特征。
CN201810290005.0A 2018-04-03 2018-04-03 一种微动特征获取方法及装置 Active CN108919216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810290005.0A CN108919216B (zh) 2018-04-03 2018-04-03 一种微动特征获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810290005.0A CN108919216B (zh) 2018-04-03 2018-04-03 一种微动特征获取方法及装置

Publications (2)

Publication Number Publication Date
CN108919216A CN108919216A (zh) 2018-11-30
CN108919216B true CN108919216B (zh) 2020-12-22

Family

ID=64404168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810290005.0A Active CN108919216B (zh) 2018-04-03 2018-04-03 一种微动特征获取方法及装置

Country Status (1)

Country Link
CN (1) CN108919216B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110146853A (zh) * 2019-06-03 2019-08-20 浙江大学 一种飞行器旋翼微动特征提取方法
CN111175718B (zh) * 2019-12-18 2023-08-08 南京理工大学 联合时频域的地面雷达自动目标识别方法及系统
CN111695461B (zh) * 2020-05-29 2021-09-07 杭州电子科技大学 一种基于图频特性的雷达杂波智能分类方法
CN112612008B (zh) * 2020-12-08 2022-05-17 中国人民解放军陆军工程大学 高速弹丸回波信号的起始参数提取方法及装置
CN113219462B (zh) * 2021-04-29 2022-12-06 森思泰克河北科技有限公司 基于时频图的目标识别方法、装置和终端设备
CN113208566B (zh) * 2021-05-17 2023-06-23 深圳大学 一种数据处理方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6906806B2 (en) * 2003-01-31 2005-06-14 Michael Mermelstein Method and apparatus for measuring motion
CN103487801A (zh) * 2013-09-02 2014-01-01 电子科技大学 雷达识别真假弹头的方法
CN105676200A (zh) * 2016-01-07 2016-06-15 北京环境特性研究所 进动目标结构参数提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6906806B2 (en) * 2003-01-31 2005-06-14 Michael Mermelstein Method and apparatus for measuring motion
CN103487801A (zh) * 2013-09-02 2014-01-01 电子科技大学 雷达识别真假弹头的方法
CN105676200A (zh) * 2016-01-07 2016-06-15 北京环境特性研究所 进动目标结构参数提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于窄带微动特征的空间椎体目标识别方法研究;韩勋;《中国博士学位论文全文数据库 信息科技辑》;20170215(第2期);正文第76-79页 *
弹道中段目标微动特性及综合识别方法;马梁;《中国博士学位论文全文数据库 信息科技辑》;20120715(第7期);正文第91-94，117页 *
微动目标雷达特征提取技术研究;陈行勇;《中国博士学位论文全文数据库 信息科技辑》;20071115(第11期);正文第2，8，22，25，28，29，50，64，142，146页 *

Also Published As

Publication number Publication date
CN108919216A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
CN108919216B (zh) 一种微动特征获取方法及装置
JP6224085B2 (ja) 改良された質量分析データを取得するための方法および装置
KR102223419B1 (ko) 시계열의 고속 그룹화 기법
CN109308912B (zh) 音乐风格识别方法、装置、计算机设备及存储介质
Wülfing et al. Unsupervised Learning of Local Features for Music Classification.
US8731293B2 (en) Representing signals for classification
CN113325277A (zh) 一种局部放电处理方法
CN111722188A (zh) 基于stft预分选的pri变换雷达信号分选方法
CN116701845B (zh) 基于数据处理的水产品品质评价方法及系统
CN111160106B (zh) 一种基于gpu的光纤振动信号特征提取及分类的方法及系统
CN111089856B (zh) 一种拉曼光谱弱信号提取的后处理方法
Xiaoqing et al. Noisy speech emotion recognition using sample reconstruction and multiple-kernel learning
US10585130B2 (en) Noise spectrum analysis for electronic device
CN114330459A (zh) 基于多层分解的振源响应信噪分离方法及系统
WO2020061346A1 (en) Methods and apparatuses for tracking weak signal traces
Wang et al. Radar HRRP target recognition in frequency domain based on autoregressive model
Bouteldja et al. A comparative analysis of SVM, K-NN, and decision trees for high resolution satellite image scene classification
JP2018179548A (ja) ジッタパルス列解析装置およびジッタパルス列解析方法
Wang et al. Novel radio-frequency fingerprint recognition scheme using multiwavelets-based cyclic-spectrum graph analysis
CN113177514B (zh) 无人机信号检测方法、装置及计算机可读存储介质
Huang et al. Effective pattern recognition and find-density-peaks clustering based blind identification for underdetermined speech mixing systems
De Aguiar et al. ST-NILM: A Wavelet Scattering-Based Architecture for Feature Extraction and Multi-Label Classification in NILM Signals
Ressom et al. Particle swarm optimization for analysis of mass spectral serum profiles
EP2118674A1 (en) Automatic procedure for merging tracks and estimating harmonic combs
Gueguen et al. Radio access technology recognition by classification of low temporal resolution power spectrum measurements

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
GR01 Patent grant
GR01 Patent grant