CN109975780A - 基于脉冲多普勒雷达时域回波的直升机型号识别算法 - Google Patents

Abstract

本发明涉及一种基于脉冲多普勒雷达时域回波的直升机型号识别算法，用于战场侦察雷达快速准确地鉴别直升机型号。基于时域回波的直升机型号鉴别算法通过CLEAN算法进行杂波抑制，去掉噪声得到不含噪声和杂波的目标时域回波，获取峰值间隔作为特征，通过SVM分类器进行分类鉴别。在较短的积累时间内准确的鉴别不同直升机。

Description

基于脉冲多普勒雷达时域回波的直升机型号识别算法

技术领域

本发明属于雷达信号处理技术领域，具体涉及一种基于脉冲多普勒雷达时域回波的直升机型号识别算法，该算法用于战场环境下不同直升机的有效鉴别。

背景技术

对于直升机旋翼雷达回波特征的研究近几年受到了国内外学者的广泛关注，作为旋翼转动的独特特征，旋翼回波能够给分类识别提供有用的信息。直升机在医疗救援、通信运输、低空攻击、敌后侦查和空降转移等军用领域有着广泛的应用前景。目前基于直升机雷达回波特征分析与识别研究已经成为一个重要的研究领域。

直升机旋翼回波研究主要包括：桨叶叶片回波建模及仿真；基于时域回波的直升机型号识别。对于战场雷达来说，直升机目标的探测识别可以推断目标的行动意图，不同直升机威胁程度不同，因而相应的应对方式也有所区别。相比于运输直升机，武装直升机的威胁程度更大，故而对于直升机型号的识别也是非常有必要的。

目前，对直升机型号识别仅限于频域的微多普勒特征，而该方法受脉冲的重复频率和积累时间的限制，以及不同直升机旋翼的微多普勒有一定的相似性，导致对直升机型号识别异常困难。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于时域回波特征的直升机型号鉴别方法，以满足战场侦察雷达在搜索模式下的快速准确识别。

技术方案

一种基于脉冲多普勒雷达时域回波的直升机型号识别算法，其特征在于步骤如下：

步骤1：直升机目标检测

对时域回波信号进行傅里叶变换得到多普勒谱，根据直升机速度与地物杂波的区别提取目标所在的距离单元；

步骤2：杂波预处理

2a)对目标所在距离单元的多普勒谱，给定杂波谱宽度，确定最大迭代次数；杂波谱宽度和最大迭代次数利用如下规则确定：

2a1)杂波谱宽度

由σ_c＝2σ_v/λ确定杂波谱宽度，其中σ_v为频谱标准偏差，λ表示雷达波长；

2a2)最大迭代次数

由脉冲重复频率f_r、动目标检测MTD点数M和杂波谱宽度σ_c确定最大迭代次数N：

2b)在杂波范围内搜索最大值，记录最大值的幅度A、相位θ以及多普勒频率f_c；

2c)重构最大值对应的杂波时域信号：

s_c＝(AK)exp[j(2πf_ct+θ)]

其中K表示脉冲积累数，从原信号中减去杂波信号得到新的时域信号；

2d)重复步骤2b)到2c)直到最大迭代次数；

步骤3：去掉噪声

将步骤2得到的新的时域信号输入到恒虚警检测器进行噪声去除，恒虚警检测器的门限为其中虚警率P_fa，为噪声均值：

步骤4：特征提取：

对上述去掉噪声的时域信号从左到右进行滑窗，将非峰值信号置0，保留峰值信号，最终统计相邻峰值信号间隔均值作为特征；

步骤4：通过支持向量机SVM进行直升机型号鉴别

5a)训练阶段，首先对步骤4提取的特征进行强度归一化，即其中||·||_∞表示向量的∞范数，表示归一化后的特征；然后将归一化的特征送入SVM进行训练，获得训练模型；训练模型参数包括支持向量个数m，支持向量i＝1,...,m，权矢量i＝1,...,m，模型的估计误差b⁰；

5b)测试阶段，首先对测试目标的特征进行强度归一化，归一化方法与训练时相同。然后利用SVM的判决函数进行判决，得到判决结果：

其中表示核函数，通常选择高斯核函数，即σ²表示高斯核参数；sgn{·}表示符号函数，输入为正时输出为1，输入为负时输出为-1；假如在训练阶段给定某型号直升机的标号为1，则符号函数的输出为1可判定为识别正确，否则识别错误。

有益效果

本发明公开基于时域回波的直升机型号鉴别算法，该算法用于战场环境侦察雷达快速准确地鉴别不同直升机。本发明解决了基于频域回波来进行直升机型号识别算法对脉冲重复频率要求过于苛刻的问题：算法中充分利用了直升机旋翼转动的时域回波差异性来鉴别。相比频域算法，可以不用考虑脉冲重复频率低引起的速度模糊问题。

附图说明

图1是本发明的实现流程图；

图2(a)是直升机一去掉噪声后的时域信号；图2(b)是直升机一提取特征后的时域信号；

图3(a)是直升机二去掉噪声后的时域信号；图3(b)是直升机二提取特征后的时域信号；

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明的物理依据是：当雷达入射信号与旋翼桨叶垂直时可观测到叶片雷达截面积的峰值，且由于sinx/x函数的作用，峰值两侧迅速回落。这就意味着当旋翼桨叶垂直于雷达时，可探测到极明显的峰值信号，而信号从其他角度照射时可检测到低水平的反射信号。

实现本发明的技术思路是：对雷达的时域回波做MTD处理，提取目标所在的距离单元，在该距离单元上通过CLEAN算法去掉地物杂波，然后去掉噪声，得到时域回波信号，最后对该时域信号进行检测并提取峰值包络，计算得到峰包的间隔作为特征，并设计相应的支持向量机(SVM)分类器进行直升机型号的鉴别，具体实现步骤包括如下：

1)直升机目标检测：

对时域信号进行傅里叶变换得到多普勒谱，根据直升机速度与地物杂波的区别提取目标所在的距离单元，获取目标的时域信号。

2)杂波预处理：杂波抑制的准则：在进行杂波抑制的同时尽可能的保留原始信号的频率成分。

2a)对目标所在距离单元的多普勒谱，给定杂波谱宽度，确定最大迭代次数；杂波谱宽度和最大迭代次数可以利用如下规则确定：

2a1)杂波谱宽度

由于直升机所处的杂波环境通常是地杂波。不同杂波的频谱标准偏差σ_v值。然后由σ_c＝2σ_v/λ确定杂波谱宽度，其中λ表示雷达波长。

2a2)最大迭代次数

由脉冲重复频率f_r、动目标检测(MTD)点数M和杂波谱宽度σ_c确定最大迭代次数N：

2b)在杂波范围内搜索最大值，记录最大值的幅度A、相位θ以及多普勒频率f_c；

2c)重构最大值对应的杂波时域信号：

s_c＝(AK)exp[j(2πf_ct+θ)]

其中K表示脉冲积累数，从原时域信号中减去杂波时域信号得到新的时域信号；

2d)重复2b)到2c)步骤直到最大迭代次数。

3)去掉噪声：

可以利用白噪声背景的恒虚警检测器进行处理，根据噪声均值和虚警率P_fa确定门限去掉噪声。其中参数确定如下：

3a)根据雷达休止期的时域数据作为噪声，并多次测量求平均得到噪声均值

3b)根据虚警率P_fa确定门限为其中为噪声均值。

4)特征提取：

对上述去掉噪声的时域信号从左到右进行滑窗，将非峰值信号置0，保留峰值信号，最终统计相邻峰值信号间隔均值作为特征。

5)通过支持向量机(SVM)进行直升机型号鉴别：

5a)训练阶段，首先对步骤4)提取的特征进行强度归一化，即其中||·||_∞表示向量的∞范数，表示归一化后的特征。然后将归一化的特征送入SVM进行训练，获得训练模型；

5b)测试阶段，首先对测试目标的特征进行强度归一化，归一化方法与训练时相同。然后利用SVM的判决函数进行判决，得到判决结果：

其中sgn{·}表示符号函数，输入为正时输出为1，输入为负时输出为-1。假如在训练阶段给定某型号直升机的标号为1，则符号函数的输出为1可判定为识别正确，否则识别错误。表示核函数，通常选择高斯核函数，即σ²表示高斯核参数，在训练阶段给出。参数m,b⁰,i＝1,,m为模型参数，可以由训练阶段得到。

在桨叶转动过程中，当雷达入射信号与旋翼桨叶垂直时可观测到叶片雷达截面积的峰值，可以查得叶片的雷达截面积(RCS)为其中θ为入射角。考虑式中的sinx/x函数的作用，峰值两侧迅速回落。这就意味着，当旋翼桨叶垂直于雷达时，可探测到极明显的峰值信号，而信号从其他角度照射时可检测到低水平的反射信号。不同直升机的旋翼转速、尺寸和数目都有区别，进而导致可探测到的峰值信号间隔不同。本发明正是由于充分利用了桨叶的区别引起的回波数据峰包间隔的差异，来进行直升机型号的鉴别。

参照图1，本发明的实现步骤如下：

步骤1，直升机目标检测：

对时域信号进行傅里叶变换得到多普勒谱，根据直升机速度与地物杂波的区别提取目标所在的距离单元，获取目标的时域信号。

步骤2，杂波的抑制：

2a)杂波抑制的准则：在进行杂波抑制的同时尽可能的保留原始信号的频率成分。

2a1)对于对空雷达来讲，其工作时雷达一般是静止的，此时杂波主要分布在零多普勒频率附近；

2a2)由于飞机目标通常活动于空上，因此所处的杂波环境通常是建筑物、气象杂波或者鸟杂波。可以查得不同杂波的频谱标准偏差σ_v值。然后由σ_c＝2σ_v/λ确定杂波谱宽度，其中λ表示雷达波长；

2a3)由脉冲重复频率f_r、动目标检测(MTD)点数M和杂波谱宽度σ_c确定最大迭代次数

2b)在杂波范围内搜索最大值，记录最大值的幅度A、相位θ以及多普勒频率f_c；

2c)重构最大值对应的杂波时域信号：

s_c＝(AK)exp[j(2πf_ct+θ)]，

其中K表示脉冲积累数，从原信号中减去杂波信号得到新的时域信号；

2d)重复2b)到2c)步骤直到最大迭代次数。

步骤3，噪声的去除：

上一步骤得到抑制掉杂波的目标时域信号，本步骤要去除噪声。

3a)噪声去除准则：在剔除噪声的同时尽可能的保留目标原始信号的成分。

3b)噪声的去除：在雷达休止期采集的回波为噪声，多次测量求平均噪声同时根据虚警率P_fa确定门限为将时域信号过门限的点保留，未过门限的点置为0。

步骤4，提取时域信号的波峰作为特征：

将时域信号的波峰提取出来，具体步骤如下：

从任意一点向两边遍历，直到出现峰值点和峰谷点，将除波峰和波谷点之外，其余点置0，并将所有波峰点记录下来，并计算相邻波峰的间隔，将这个计算的峰值间隔作为特征。得到的两类直升机的峰包间隔图如图2、图3所示。

步骤5，SVM分类器设计

4a)训练阶段，对步骤4提取的特征值，送入SVM进行训练，选取高斯核并利用网格搜索法优化核参数，在最优的核参数下获得最优的训练模型；

4b)测试阶段，对测试目标的特征值，利用判决函数进行判决，得到判决结果。

Claims (1)

1.一种基于脉冲多普勒雷达时域回波的直升机型号识别算法，其特征在于步骤如下：

步骤1：直升机目标检测

对时域回波信号进行傅里叶变换得到多普勒谱，根据直升机速度与地物杂波的区别提取目标所在的距离单元；

步骤2：杂波预处理

2a)对目标所在距离单元的多普勒谱，给定杂波谱宽度，确定最大迭代次数；杂波谱宽度和最大迭代次数利用如下规则确定：

2a1)杂波谱宽度

由σ_c＝2σ_v/λ确定杂波谱宽度，其中σ_v为频谱标准偏差，λ表示雷达波长；

2a2)最大迭代次数

由脉冲重复频率f_r、动目标检测MTD点数M和杂波谱宽度σ_c确定最大迭代次数N：

2b)在杂波范围内搜索最大值，记录最大值的幅度A、相位θ以及多普勒频率f_c；

2c)重构最大值对应的杂波时域信号：

s_c＝(A/K)exp[j(2πf_ct+θ)]

其中K表示脉冲积累数，从原信号中减去杂波信号得到新的时域信号；

2d)重复步骤2b)到2c)直到最大迭代次数；

步骤3：去掉噪声

将步骤2得到的新的时域信号输入到恒虚警检测器进行噪声去除，恒虚警检测器的门限为其中虚警率P_fa，为噪声均值：

步骤4：特征提取：

对上述去掉噪声的时域信号从左到右进行滑窗，将非峰值信号置0，保留峰值信号，最终统计相邻峰值信号间隔均值作为特征；

步骤4：通过支持向量机SVM进行直升机型号鉴别

5a)训练阶段，首先对步骤4提取的特征进行强度归一化，即其中||·||_∞表示向量的∞范数，表示归一化后的特征；然后将归一化的特征送入SVM进行训练，获得训练模型；训练模型参数包括支持向量个数m，支持向量权矢量模型的估计误差b⁰；

5b)测试阶段，首先对测试目标的特征进行强度归一化，归一化方法与训练时相同。然后利用SVM的判决函数进行判决，得到判决结果：

其中表示核函数，通常选择高斯核函数，即σ²表示高斯核参数；sgn{·}表示符号函数，输入为正时输出为1，输入为负时输出为-1；假如在训练阶段给定某型号直升机的标号为1，则符号函数的输出为1可判定为识别正确，否则识别错误。