CN110018461B - 基于高分辨距离像和单脉冲测角的群目标识别方法 - Google Patents

Abstract

本发明涉及一种基于高分辨距离像和单脉冲测角的群目标识别方法，用于雷达群目标识别。针对传统群目标识别方法要求各子目标相对雷达运动、且运算量较大的不足之处，提出基于高分辨距离像和单脉冲测角的群目标识别方法。该方法基于高分辨距离像和单脉冲测角信息，形成“方位向距离‑径向距离”二维平面，在此二维平面上采用均值漂移聚类算法完成聚类并提取各个子目标的HRRP，并不利用目标的运动信息，因此对各个子目标的是否运动无约束，解决了传统方法要求各子目标相对雷达运动的要求；该方法利用散射点幅度信息，对传统的均值漂移聚类算法从初值选择和样本权重两个方面做了改进，提升了均值漂移算法的迭代效率，解决了传统方法运算量较大的问题。

Description

基于高分辨距离像和单脉冲测角的群目标识别方法

技术领域

本发明涉及雷达信号处理领域，特别涉及雷达群目标识别处理，提出了一种新的基于高分辨距离像和单脉冲测角的群目标识别方法，本发明方法不需要先验群目标中各子目标的数量，对各个子目标的是否运动无约束，所提方法的噪声鲁棒性高且运算量小。

背景技术

雷达目标识别是雷达系统的一个重要功能，高分辨距离像(High ResolutionRange Profile，HRRP)反映了目标在雷达视线方向上的几何结构信息，且易于获取和处理，因此HRRP在雷达目标识别领域得到了广泛的应用。单脉冲雷达由于其测角跟踪精度高、抗干扰能力强，且数据率高等优点而得到普遍应用。当波束内有群目标或编队目标时，如图1所示。当各个子目标距离接近时，它们的HRRP可能连接、甚至重叠，如何识别群目标中子目标的数量并提取各个子目标的HRRP，这就是群目标识别问题。

解决群目标识别问题，公开文献主要有两大思路，一种思路是对群目标进行分辨再进行目标识别，另外一种思路是不进行群目标分离，将群目标回波作为一个整体建模，直接进行目标识别。第一种思路的关键是群目标分辨，群目标分辨主要有四种方法，一是基于ISAR的图像域分割，在图像域利用K-means算法进行聚类，再将各个目标反变换回时域，这种思路局限于ISAR的成像条件，即目标须做旋转运动。二是基于时-频域的群目标分离，若不同目标的速度不同则时频曲线不同，在时-频平面进行分离，再反变换回时域。这种思路的局限是要求不同目标的速度不同，对于多个目标速度相同或者都静止的情况会无法分离。三是基于群目标回波合成模型进行分辨，通过瞬时匹配矩方法、模型简化似然求解以及最大似然估计各自获得了两个目标高分辨角度估计，这类方法无法提取各个目标的HRRP，也就无法基于HRRP完成目标识别。四是对多时域回波直接进行分离，在单脉冲雷达中采用独立成分分析ICA在时域进行波形分离，当波束内多个点目标在距离维无重叠时效果较好，当距离维折叠时由于群目标回波完全相关而无法使用ICA进行分离，且对于HRRP雷达有局限性，会将具有多个强散射中心的目标回波分割为多个目标。第二种思路是不进行群目标分离直接进行目标识别，直接对群目标的HRRP进行处理，利用ESPRIT算法提取散射中心特征，将问题转化为一个群目标建库的问题。这种方法的复杂程度高且工作量比较大。

综上所示，传统方法主要的不足之处有两个方面：一是要求各子目标相对雷达运动，需要利用相对多普勒信息，当各个子目标相对雷达静止时则无法进行识别；二是计算复杂度较大。

发明内容

要解决的技术问题

针对传统群目标识别方法要求各子目标相对雷达运动、且运算量较大的不足之处，本发明提出一种基于高分辨距离像和单脉冲测角的群目标识别方法。

技术方案

一种基于高分辨距离像和单脉冲测角的群目标识别方法，其特征在于步骤如下：

步骤1：利用公式(1)计算每个散射点的方位向距离D_i，从而得到了“径向距离-方位向距离”二维平面，第i个散射点样本记为x_i＝(R_i；D_i；A_i)，所有散射点样本集记为w，w＝{x₁,x₂,...x_n}：

D_i＝R_i·θ_i/57.3,i＝1,2,...,...N (1)

其中，θ_i为群目标第i个散射点的方位角误差，R_i为群目标第i个散射点的距离，A_i为群目标第i个散射点的幅度；

步骤2：利用集合w内所有样本点，利用公式(2)计算均值漂移算法中圆心初值u₀；

其中

表示当A_i取最大值时的R和D的值；

步骤3：将u₀为圆心，预设值r为半径内所有样本记为集合w₁，对集合w₁内样本利用公式(3)更新圆心；

步骤4：不断重复步骤3，直到圆心的值不再发生变化；

步骤5：圆心u₀，r为半径内所有散射点即为其中一个子目标的散射点，散射点样本中幅度信息即为其HRRP；

步骤6：将未归类的其他散射点样本，更新集合w，即w＝w∩not(w₁)，不断重复步骤2～5，得到其他子目标的HRRP，直到w为空集则停止重复，得到多个子目标的HRRP，算法完成。

有益效果

本发明提出的一种基于高分辨距离像和单脉冲测角的群目标识别方法。基于高分辨距离像和单脉冲测角信息，形成“方位向距离-径向距离”二维平面，在此二维平面上采用均值漂移聚类算法完成聚类并提取各个子目标的HRRP，并不利用目标的运动信息，因此对各个子目标的是否运动无约束，解决了传统方法要求各子目标相对雷达运动的要求；该方法利用散射点幅度信息，对传统的均值漂移聚类算法从初值选择和样本权重两个方面做了改进，提升了均值漂移算法的迭代效率，解决了传统方法运算量较大的问题。

本发明与传统群目标识别方法相比较，具有的有益效果是：

1)将均值漂移聚类算法应用于群目标识别中，在“方位向距离-径向距离”二维平面对群目标进行聚类并根据聚类结果提取各个子目标的HRRP，不需要先验子目标的数量，且对各个子目标的是否运动无约束；

2)利用散射点幅度信息，对传统的均值漂移聚类算法从初值选择和样本权重两个方面做了改进，提升了均值漂移算法的迭代效率，极大减小了运算量。

附图说明

图1群目标的示意图

图2群目标识别的流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明解决技术问题的方案是：对距离高分辨雷达回波进行预处理(包括数字下变频、脉冲压缩、单脉冲测角等)后得到群目标HRRP各个散射点的幅度、距离、方位角误差，该方法首先将“角误差-径向距离”坐标变换为“方位向距离-径向距离”二维平面，然后利用改进的均值漂移算法对二维平面进行聚类，再根据聚类结果确定群目标中目标数量并提取各个目标的HRRP。

图2为群目标识别的流程图，群目标HRRP各个散射点的幅度、距离、方位角误差记为Q(A_i,R_i,θ_i)，i＝1...N，其中，N为群目标总的散射点的个数，A_i为群目标第i个散射点的幅度，R_i为群目标第i个散射点的距离，θ_i为群目标第i个散射点的方位角误差。

1)利用公式(1)计算每个散射点的方位向距离D_i，从而得到了“径向距离-方位向距离”二维平面，第i个散射点样本记为x_i＝(R_i；D_i；A_i)，所有散射点样本集记为w，w＝{x₁,x₂,...x_n}。

D_i＝R_i·θ_i/57.3,i＝1,2,...,...N (1)

2)利用集合w内所有样本点，使用公式(2)计算均值漂移算法中圆心初值u₀；

其中

表示当A_i取最大值时的R和D的值；

3)将u₀为圆心，预设值r为半径内所有样本记为集合w₁，对集合w₁内样本利用公式(3)更新圆心；

4)不断重复步骤3)，直到圆心的值不再发生变化；

5)圆心u₀，r为半径内所有散射点即为其中一个子目标的散射点，散射点样本中幅度信息即为其HRRP。

6)将未归类的其他散射点样本，更新集合w，即w＝w∩not(w₁)，不断重复2)-5)，得到其他子目标的HRRP，直到w为空集则停止重复，得到多个子目标的HRRP，算法完成。

本发明对距离高分辨雷达回波进行预处理(包括数字下变频、脉冲压缩、单脉冲测角等)后得到群目标高分辨距离像各个散射点的幅度、距离、方位角误差，首先将“角误差-径向距离”坐标变换为“方位向距离-径向距离”二维平面，然后利用改进的均值漂移算法对二维平面进行聚类，再根据聚类结果确定群目标中目标数量并提取各个目标的HRRP。

本发明的特点：

1)本发明基于高分辨距离像和单脉冲测角信息完成群目标识别，并没有使用速度或者多普勒信息，因此对各子目标的运动状态无约束，极大扩展了其应用范围。

2)均值漂移算法中初值设计方法。传统均值漂移算法方法是随机选择初值，本发明选择当前样本中幅度最大的样本点作为初值，提升了均值漂移算法迭代效率。

3)均值漂移算法中均值迭代的样本权重设计方法。传统权重时均匀权或者高斯核等，本发明将每个散射点归一化幅度作为其权重，从而降低了算法的噪声的敏感度，提升了聚类的稳健性。

Claims (1)

1.一种基于高分辨距离像和单脉冲测角的群目标识别方法，其特征在于步骤如下：

步骤1：利用公式(1)计算每个散射点的方位向距离D_i，从而得到了“径向距离-方位向距离”二维平面，第i个散射点样本记为x_i＝(R_i；D_i；A_i)，所有散射点样本集记为w，w＝{x₁,x₂,...x_n}：

D_i＝R_i·θ_i/57.3,i＝1,2,...,...N (1)

其中，θ_i为群目标第i个散射点的方位角误差，R_i为群目标第i个散射点的距离，A_i为群目标第i个散射点的幅度；

步骤2：利用集合w内所有样本点，利用公式(2)计算均值漂移算法中圆心初值u₀；

其中

表示当A_i取最大值时的R和D的值；

步骤3：将u₀为圆心，预设值r为半径内所有样本记为集合w₁，对集合w₁内样本利用公式(3)更新圆心；

步骤4：不断重复步骤3，直到圆心的值不再发生变化；

步骤5：圆心u₀，r为半径内所有散射点即为其中一个子目标的散射点，散射点样本中幅度信息即为其HRRP；

步骤6：将未归类的其他散射点样本，更新集合w，即w＝w∩not(w₁)，不断重复步骤2～5，得到其他子目标的HRRP，直到w为空集则停止重复，得到多个子目标的HRRP，算法完成。

Images