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 PDF

Info

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
Application number
CN201910513269.2A
Other languages
English (en)
Other versions
CN110221254A (zh
Inventor
范超群
韦高
李建周
刘祥威
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201910513269.2A priority Critical patent/CN110221254B/zh
Publication of CN110221254A publication Critical patent/CN110221254A/zh
Application granted granted Critical
Publication of CN110221254B publication Critical patent/CN110221254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28Details of pulse systems
    • G01S7/285Receivers
    • G01S7/292Extracting wanted echo-signals
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling 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

一种基于正交匹配追踪算法的微动特征提取方法
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}:
Figure GDA0003670841640000021
其中,di是字典矩阵中的原子,
Figure GDA0003670841640000022
是旋转半径,
Figure GDA0003670841640000023
是角速度,
Figure GDA0003670841640000024
是初相,f是频率,t是时间,i是序号;对字典矩阵中每个原子进行能量归一化,即
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2:初始化以下参数,令回波信号余量
Figure GDA0003670841640000025
最大投影原子记录矩阵G的初值G0=[0],迭代次数n的初始值为1,残余信号能量阈值为ε;
步骤3:计算第n次迭代时的回波信号余量
Figure GDA0003670841640000026
与字典矩阵中每个原子的内积,找到内积值最大时对应的原子,即为最大投影原子,记录该最大投影原子在字典矩阵中的序号mn
步骤4:将步骤3得到的最大投影原子记录在矩阵G中,即
Figure GDA0003670841640000027
同时在字典矩阵中将该最大投影原子删除;
步骤5:定义最优化问题
Figure GDA0003670841640000028
式中,y为回波信号变量,
Figure GDA0003670841640000029
为当||Y-GnY||2取最小值时的y值集合;
采用最小二乘法求解,其解为:
Figure GDA00036708416400000210
式中,
Figure GDA00036708416400000211
为第n次迭代时求得的最优化问题的解集;
步骤6:更新回波信号余量,即
Figure GDA00036708416400000212
式中,
Figure GDA00036708416400000213
为第n次迭代后得到的回波信号余量;
步骤7:令n加1,重复步骤3到步骤6,直至满足迭代终止条件,迭代终止条件为n=N或
Figure GDA0003670841640000031
N为预设的迭代总次数,ε为残余信号能量阈值;若满足迭代中止条件,结束迭代,并记录此时已完成的迭代次数C;
步骤8:重构直升机旋翼叶片的回波信号
Figure GDA0003670841640000032
式中,GC为第n此迭代后得到的最大投影原子记录矩阵,
Figure GDA0003670841640000033
为第n次迭代时求得的最优化问题的解集,YC中仅包含直升机旋翼叶片的微动特征。
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}:
Figure GDA0003670841640000034
其中,di是字典矩阵中的原子,
Figure GDA0003670841640000035
是旋转半径,
Figure GDA0003670841640000036
是角速度,
Figure GDA0003670841640000037
是初相,f是频率,t是时间,i是序号;对字典矩阵中每个原子进行能量归一化,即
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2:初始化以下参数,令回波信号余量
Figure GDA0003670841640000041
最大投影原子记录矩阵G的初值G0=[0],迭代次数n的初始值为1,残余信号能量阈值为ε;
步骤3:计算第n次迭代时的回波信号余量
Figure GDA0003670841640000042
与字典矩阵中每个原子的内积,找到内积值最大时对应的原子,即为最大投影原子,记录该最大投影原子在字典矩阵中的序号mn
步骤4:将步骤3得到的最大投影原子记录在矩阵G中,即
Figure GDA0003670841640000043
同时在字典矩阵中将该最大投影原子删除;
步骤5:定义最优化问题
Figure GDA0003670841640000044
式中,y为回波信号变量,
Figure GDA0003670841640000045
为当||Y-GnY||2取最小值时的y值集合;
采用最小二乘法求解,其解为:
Figure GDA0003670841640000046
式中,
Figure GDA0003670841640000047
为第n次迭代时求得的最优化问题的解集;
步骤6:更新回波信号余量,即
Figure GDA0003670841640000048
式中,
Figure GDA0003670841640000049
为第n次迭代后得到的回波信号余量;
步骤7:令n加1,重复步骤3到步骤6,直至满足迭代终止条件,迭代终止条件为n=N或
Figure GDA00036708416400000410
N为预设的迭代总次数,ε为残余信号能量阈值;若满足迭代中止条件,结束迭代,并记录此时已完成的迭代次数C;
步骤8:重构直升机旋翼叶片的回波信号
Figure GDA00036708416400000411
式中,GC为第n此迭代后得到的最大投影原子记录矩阵,
Figure GDA00036708416400000412
为第n次迭代时求得的最优化问题的解集,YC中仅包含直升机旋翼叶片的微动特征。
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}:
Figure FDA0003670841630000011
其中,di是字典矩阵中的原子,
Figure FDA0003670841630000012
是旋转半径,
Figure FDA0003670841630000013
是角速度,
Figure FDA0003670841630000014
是初相,f是频率,t是时间,i是序号;对字典矩阵中每个原子进行能量归一化,即
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2:初始化以下参数,令回波信号余量
Figure FDA0003670841630000015
最大投影原子记录矩阵G的初值G0=[0],迭代次数n的初始值为1,残余信号能量阈值为ε;
步骤3:计算第n次迭代时的回波信号余量
Figure FDA0003670841630000016
与字典矩阵中每个原子的内积,找到内积值最大时对应的原子,即为最大投影原子,记录该最大投影原子在字典矩阵中的序号mn
步骤4:将步骤3得到的最大投影原子记录在矩阵G中,即
Figure FDA0003670841630000017
同时在字典矩阵中将该最大投影原子删除;
步骤5:定义最优化问题
Figure FDA0003670841630000018
式中,y为回波信号变量,
Figure FDA0003670841630000019
为当||Y-GnY||2取最小值时的y值集合;
采用最小二乘法求解,其解为:
Figure FDA00036708416300000110
式中,
Figure FDA00036708416300000111
为第n次迭代时求得的最优化问题的解集;
步骤6:更新回波信号余量,即
Figure FDA00036708416300000112
式中,
Figure FDA00036708416300000113
为第n次迭代后得到的回波信号余量;
步骤7:令n加1,重复步骤3到步骤6,直至满足迭代终止条件,迭代终止条件为n=N或
Figure FDA00036708416300000114
N为预设的迭代总次数,ε为残余信号能量阈值;若满足迭代中止条件,结束迭代,并记录此时已完成的迭代次数C;
步骤8:重构直升机旋翼叶片的回波信号
Figure FDA0003670841630000021
式中,GC为第n此迭代后得到的最大投影原子记录矩阵,
Figure FDA0003670841630000022
为第n次迭代时求得的最优化问题的解集,YC中仅包含直升机旋翼叶片的微动特征。
CN201910513269.2A 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 Active CN110221254B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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