CN110221254B - 一种基于正交匹配追踪算法的微动特征提取方法 - Google Patents
一种基于正交匹配追踪算法的微动特征提取方法 Download PDFInfo
- Publication number
- CN110221254B CN110221254B CN201910513269.2A CN201910513269A CN110221254B CN 110221254 B CN110221254 B CN 110221254B CN 201910513269 A CN201910513269 A CN 201910513269A CN 110221254 B CN110221254 B CN 110221254B
- Authority
- CN
- China
- Prior art keywords
- iteration
- atom
- matrix
- micro
- 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
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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于正交匹配追踪算法的微动特征提取方法,采用正交匹配追踪算法分解和重构信号,提取目标的微动特征。首先构造字典矩阵,然后通过正交迭代方式对信号进行分解,最后对直升机旋翼回波信号进行重构,有效地从复杂的散射回波中提取出只包含目标微动特征的回波信号。
Description
技术领域
本发明涉及电磁散射领域,尤其是一种微动特征提取的方法。
背景技术
近些年来,旋翼直升机在军事领域扮演着越来越重要的角色,低空慢速、武装悬停直升机常以地面目标的杂波做掩护,使得雷达不能利用其速度产生的多普勒效应来实现对它的探测。但是,旋翼叶片这一特殊的结构对雷达探测帮助极大,直升机高速旋转的旋翼叶片将会对雷达回波信号产生频率调制,从而引起较大的微多普勒频移。利用这一特性,能够实现对低空慢速、武装悬停直升机的检测。同时,旋翼叶片的微多普勒频移中还包含着很多精细结构和运动细节信息,通过对旋翼叶片微多普勒特性的检测和分析,可以反推出这些信息。因此,研究旋翼叶片的微多普勒特性对目标识别和雷达探测具有重要的指导意义。
然而,在实际的雷达探测等应用中叶片不可能单独存在,直升飞机的雷达回波中除了旋翼叶片的雷达回波,还包含了叶毂、机身等的回波,回波中包含了产生零频分量。其中,机身回波最为强烈,在某些情况下,叶毂的回波信号能量也比旋翼叶片的回波信号能量大,这导致叶片的微多普勒效应被这些强散射部件所淹没。
传统的微多普勒特征分析方法是时频分析法,其中短时傅里叶变换是最为常用的方法,通过调整窗函数的类型和长度来获得时间和频率分辨率。然而,短时傅里叶变换无法同时满足时间和频率高分辨的要求,通过短时傅里叶变换得到的频谱,频率分辨率是固定的,无法分辨出旋翼叶片的特征。小波变换可以捕捉到传统的时频方法无法获取的时间和频率细节,常被作为短时傅里叶变换的替代方法。通过采用小波多分辨率分析的方法,将时域回波信号按照频率高低进行分层,并将机身和叶毂以及部分闪烁信号所对应的频率部分置零,只保留叶片所对应的频率成分,从而实现对旋翼叶片微多普勒特性的分析。但是小波变换无法去除较强的闪烁分量,旋转部分的微多普勒特征不能完全被提取出来。
发明内容
为了解决现有技术中直升机旋翼叶片的微多普勒特征淹没于整机的回波之中的问题,本发明提供了一种基于正交匹配追踪算法的微动特征提取方法,采用正交匹配追踪算法分解和重构信号,提取目标的微动特征。首先构造字典矩阵,然后通过施密特正交迭代方式对信号进行分解,最后对直升机旋翼回波信号进行重构,有效地从复杂的散射回波中提取出只包含目标微动特征的回波信号。
为达到上述目的,本发明提供的一种基于正交匹配追踪算法的微动特征提取方法,包括以下步骤:
步骤1:构造字典矩阵
针对直升机旋翼叶片旋转产生的微多普勒正弦调频信号,选择直升机旋翼叶片的旋转半径、角速度和初相三个参数构造字典矩阵D={di}:
Di=di/||di||
定义探测到的直升机旋翼叶片的回波信号为Y;
步骤5:定义最优化问题
采用最小二乘法求解,其解为:
本发明的有益效果是:由于采用了本发明的一种基于正交匹配追踪算法的微动特征提取方法,在研究复杂目标的微动特征时,可以有效压制零频分量,从复杂的散射回波中重构出只包含目标微动特征的回波信号。
附图说明
图1是本发明流程图。
图2是四旋翼直升机的微多普勒曲线。
图3是重构的四旋翼直升机的微多普勒曲线。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,本发明提供了一种基于正交匹配追踪算法的微动特征提取方法,该方法采用正交匹配追踪算法分解和重构信号,提取目标的微动特征。首先构造字典矩阵,然后通过施密特正交迭代方式对信号进行分解,最后对直升机旋翼回波信号进行重构,有效地从复杂的散射回波中提取出只包含目标微动特征的回波信号。
包括以下步骤:
步骤1:构造字典矩阵
针对直升机旋翼叶片旋转产生的微多普勒正弦调频信号,选择直升机旋翼叶片的旋转半径、角速度和初相三个参数构造字典矩阵D={di}:
Di=di/||di||
定义探测到的直升机旋翼叶片的回波信号为Y;
步骤5:定义最优化问题
采用最小二乘法求解,其解为:
如图2为带有四个旋翼的直升机整机模型的回波信号,由于机身主体回波太强,叶片微多普勒特征没有被完全提取出来。图3为通过使用本发明的方法进行信号分解与重构,得到的结果。从结果可以看出,该算法有效的将目标主体回波从信号中分离,将微动部分的微多普勒曲线分解并重构。
Claims (1)
1.一种基于正交匹配追踪算法的微动特征提取方法,其特征在于,包括以下步骤:
步骤1:构造字典矩阵
针对直升机旋翼叶片旋转产生的微多普勒正弦调频信号,选择直升机旋翼叶片的旋转半径、角速度和初相三个参数构造字典矩阵D={di}:
Di=di/||di||
定义探测到的直升机旋翼叶片的回波信号为Y;
步骤5:定义最优化问题
采用最小二乘法求解,其解为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910513269.2A CN110221254B (zh) | 2019-06-14 | 2019-06-14 | 一种基于正交匹配追踪算法的微动特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910513269.2A CN110221254B (zh) | 2019-06-14 | 2019-06-14 | 一种基于正交匹配追踪算法的微动特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110221254A CN110221254A (zh) | 2019-09-10 |
CN110221254B true CN110221254B (zh) | 2022-09-06 |
Family
ID=67817035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910513269.2A Active CN110221254B (zh) | 2019-06-14 | 2019-06-14 | 一种基于正交匹配追踪算法的微动特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221254B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9261593B1 (en) * | 2013-03-13 | 2016-02-16 | Lockheed Martin Corporation | Higher order processing for synthetic aperture radar (SAR) |
CN105891798A (zh) * | 2016-04-08 | 2016-08-24 | 中国科学院电子学研究所 | 变prf条件下雷达目标微动特征提取的方法 |
CN106556823A (zh) * | 2016-10-24 | 2017-04-05 | 中国人民解放军海军航空工程学院 | 基于平滑l0范数的微动目标微多普勒频率提取方法 |
CN106990392A (zh) * | 2017-02-15 | 2017-07-28 | 中国人民解放军国防科学技术大学 | 一种基于随机步进频信号的空间目标微动信息获取方法 |
CN107463744A (zh) * | 2017-08-01 | 2017-12-12 | 南京理工大学 | 基于参数化稀疏表示的直升机旋翼微多普勒参数估计方法 |
CN109633629A (zh) * | 2018-10-26 | 2019-04-16 | 上海无线电设备研究所 | 太赫兹频段单旋翼无人机目标特性微多普勒特征提取方法 |
-
2019
- 2019-06-14 CN CN201910513269.2A patent/CN110221254B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9261593B1 (en) * | 2013-03-13 | 2016-02-16 | Lockheed Martin Corporation | Higher order processing for synthetic aperture radar (SAR) |
CN105891798A (zh) * | 2016-04-08 | 2016-08-24 | 中国科学院电子学研究所 | 变prf条件下雷达目标微动特征提取的方法 |
CN106556823A (zh) * | 2016-10-24 | 2017-04-05 | 中国人民解放军海军航空工程学院 | 基于平滑l0范数的微动目标微多普勒频率提取方法 |
CN106990392A (zh) * | 2017-02-15 | 2017-07-28 | 中国人民解放军国防科学技术大学 | 一种基于随机步进频信号的空间目标微动信息获取方法 |
CN107463744A (zh) * | 2017-08-01 | 2017-12-12 | 南京理工大学 | 基于参数化稀疏表示的直升机旋翼微多普勒参数估计方法 |
CN109633629A (zh) * | 2018-10-26 | 2019-04-16 | 上海无线电设备研究所 | 太赫兹频段单旋翼无人机目标特性微多普勒特征提取方法 |
Non-Patent Citations (3)
Title |
---|
Qi-fang He等.Micro-Doppler Parameter Estimation via Multiple Measurement Vector Model.《2017 IEEE》.2017, * |
张群等.微动目标雷达特征提取、成像与识别研究进展.《雷达学报》.2018,第7卷(第5期), * |
罗迎等.基于复图像OMP分解的宽带雷达微动特征提取方法.《雷达学报》.2012,第1卷(第4期), * |
Also Published As
Publication number | Publication date |
---|---|
CN110221254A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633629B (zh) | 太赫兹频段单旋翼无人机目标特性微多普勒特征提取方法 | |
Li et al. | Application of adaptive chirplet representation for ISAR feature extraction from targets with rotating parts | |
Yuan et al. | Micro-Doppler analysis and separation based on complex local mean decomposition for aircraft with fast-rotating parts in ISAR imaging | |
CN110133600B (zh) | 一种直升机旋翼物理参数提取方法 | |
CN102914768B (zh) | 基于形态成分分析的海面微动目标检测和特征提取方法 | |
WO2020228455A1 (zh) | 一种飞行器旋翼微动特征提取方法 | |
Ding et al. | Micro-Doppler trajectory estimation of pedestrians using a continuous-wave radar | |
US8816899B2 (en) | Enhanced target detection using dispersive vs non-dispersive scatterer signal processing | |
CN109975780A (zh) | 基于脉冲多普勒雷达时域回波的直升机型号识别算法 | |
Cilliers et al. | Helicopter parameter extraction using joint time-frequency and tomographic techniques | |
CN103885043B (zh) | 基于广义匹配滤波的飞机目标杂噪稳健分类方法 | |
Zhou et al. | Micro-Doppler curves extraction and parameters estimation for cone-shaped target with occlusion effect | |
Setlur et al. | Helicopter radar return analysis: Estimation and blade number selection | |
Du et al. | Noise reduction method based on principal component analysis with beta process for micro-Doppler radar signatures | |
CN111273285B (zh) | 一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 | |
Gérard et al. | Micro-Doppler signal representation for drone classification by deep learning | |
Zhou et al. | Analysis of wide-angle radar imaging | |
CN107942323B (zh) | 基于频域熵的进动目标时频曲线提取方法 | |
CN110221254B (zh) | 一种基于正交匹配追踪算法的微动特征提取方法 | |
Tran et al. | Microwave radar imaging of rotating blades | |
Zhang et al. | Enhanced micro-Doppler feature analysis for drone detection | |
CN106483513B (zh) | 一种飞机类目标微多普勒纹理特征提取方法 | |
Fogle | Human micro-range/micro-Doppler signature extraction, association, and statistical characterization for high-resolution radar | |
Mamgain et al. | Study and simulation of radar targets' micro-doppler signature | |
CN113866739B (zh) | 基于glct-gptf的多旋翼目标参数估计方法 |
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 |