CN110275150B - 基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法 - Google Patents
基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法 Download PDFInfo
- Publication number
- CN110275150B CN110275150B CN201910639766.7A CN201910639766A CN110275150B CN 110275150 B CN110275150 B CN 110275150B CN 201910639766 A CN201910639766 A CN 201910639766A CN 110275150 B CN110275150 B CN 110275150B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- iterative
- acceleration
- segment
- 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.)
- Expired - Fee Related
Links
- 238000009825 accumulation Methods 0.000 title claims abstract description 43
- 230000001427 coherent effect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000001133 acceleration Effects 0.000 title claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000005012 migration Effects 0.000 abstract description 4
- 238000013508 migration Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01S7/414—Discriminating targets with respect to background clutter
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
本发明涉及一种基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法，可用于复杂背景下变加速运动目标的检测，属于雷达信号处理和目标检测领域。具体的实现过程包括以下步骤：1)通过经验模式分解算法提取数据的多普勒频率；2)采用迭代端点拟合算法对数据分段，并提取每段数据对应的运动参数；3)对分段后的数据进行频谱搬移；4)用快速傅里叶变换实现积累。本发明可以将目标的变加速运动分为多段匀加速运动，通过对信号的频谱搬移及快速傅里叶变换实现对目标能量的有效积累，提高目标信杂比，这种处理有利于提高复杂背景下弱小目标的检测能力。
Description
技术领域：
本发明属于雷达信号处理和目标检测领域，更具体地，本发明涉及一种基于经验模式分解和迭代端点拟合算法进行变加速运动目标相参积累的方法，可用于提高复杂背景下变加速运动目标的信杂比，进而提升复杂背景下的目标检测性能。
背景技术：
岸基雷达对海观测时，由于擦地角较小，弱小目标信号的回波强度相对于背景噪声和杂波很弱，导致匹配滤波后的信杂比很低，表现为信号被海杂波所淹没，这给传统的恒虚警检测带来很大的挑战。这种情况下，通常可以延长积累时间以增加目标的能量，达到提高信号信杂比的目的。
根据长时间脉冲积累是否利用目标信号的相位信息，可以分为非相参积累(仅利用信号幅度信息)和相参积累(同时利用信号的幅度和相位信息)两种。常用的非相参积累方法包括包络插值移位补偿法、动态规划法、最大似然法和Hough变换法等，非相参积累不需要很复杂的系统来实现，但其信号积累效率和信杂比改善均明显低于相参积累方法，不适于复杂环境下弱小运动目标的检测。相参积累技术是提高复杂环境下弱小目标能量的有效方法，其基本思想将回波信号在一个距离门内相位对齐后进行叠加，以此来提高目标的信噪比。在全相参雷达中，传统的傅里叶变换一般可以对径向匀速运动的目标进行有效的检测，但随着雷达分辨率的提高和目标运动速度的提升，在积累时间较长时，回波包络发生跨越距离门的走动，即距离徙动，并且加速运动目标的瞬时频移在相参积累时间内会发生变化，导致多普勒频移扩展，即多普勒徙动，使得传统的相参积累算法的性能严重下降。而现有方法一方面计算复杂度高，另一方面对于海杂波背景下由于海浪的运动造成的变加速运动的积累效果不佳。上述问题限制了海杂波背景下变加速运动目标的相参积累方法在实际中的应用。
发明内容：
1.要解决的技术问题
本发明的目的在于同时利用运动目标回波的幅度和相位信息，解决海上目标在变加速运动时的相参积累问题，给出一种基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法。其中要解决的技术问题包括：
(1)随着积累时间增加，运动目标将跨越多个距离单元，导致目标相参积累只能在较短的时间内进行，无法得到高的积累增益；
(2)由于目标自身的运动模式以及海浪等环境因素的影响，海上目标通常表现出变加速运动的状态，广泛使用的匀速或匀加速运动模型难以满足长时间相参积累的要求，积累效果不佳。
2.技术方案
本发明所述的基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法，其特征在于包括以下步骤：
步骤一、基于经验模式分解(Empirical Mode Decomposition，EMD)算法的多普勒频率提取，估计信号的多普勒频率；
步骤二、基于迭代端点拟合(Iterative End-Point Fit，IEPF)算法进行数据分段，提取每一段的起始时刻、持续时间、初速度和加速度等运动参数；
步骤三、根据估计得到的每段数据的运动参数，对数据进行频谱搬移，将每段信号搬移到目标初速度对应的频率处；
步骤四、用快速傅里叶变换(Fast Fourier Transform，FFT)对频谱搬移处理后的数据进行相参积累，提高变加速运动目标信杂比。
2.有益效果
对比现有技术，本技术方案所述的基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法，有益效果在于：
(1)该方法可以将目标的变加速运动分为多段匀加速运动，通过分段频谱搬移，可以实现对目标的长时间积累；
(2)该方法可以提高海上变加速运动目标的信杂比，改善海杂波背景下的目标检测性能。
附图说明：
图1是本发明实施过程的流程图
图2是对目标运动状态分段后的结果图
图3是目标最终积累结果图
具体实施方式：
参照说明书附图1，本发明的处理流程具体包括：通过经验模式分解算法提取数据的多普勒频率；采用迭代端点拟合算法对数据分段，并提取每段数据对应的运动参数；对分段后的数据进行频谱搬移；用快速傅里叶变换实现积累。下面对每一步进行详细的说明。
1、基于经验模式分解(Empirical Mode Decomposition，EMD)算法的多普勒频率提取，估计信号的多普勒频率。
EMD的目的是将信号S(t)分解成n阶固有模态函数(Intrinsic Mode Function，IMF)分量ci(t)和趋势分量rn(t)，原始信号S(t)在数学意义上可以表示它们的组合，亦即
分解得到的IMF分量，随着其阶数的增加，对应的频率范围会逐渐从高频向零频移动并不断缩小，因此可通过EMD实现对信号各个频率对应时域信号的提取。
将长度为T秒的数据分成n小段，每小段对应时间dt＝T/n；对(ti,ti+dt)(i＝1,2,...,)n内第i小段的数据做EMD，得到Ni阶IMF分量，将目标所跨距离门的同阶IMF分量求和并做FFT，取模之后得到对应的Ni阶频谱分量，从第一阶频谱分量开始依次寻找每阶频谱分量的最大值。当发现某阶频谱分量的最大值大于设定的阈值时，则用式(2)计算其多普勒频率重心
即为目标在ti时刻的多普勒频率估计值；若Ni阶频谱分量的最大值都不大于阈值，则取这Ni个最大值中的最大值对应的分量，用式(2)计算得到多普勒频率估计值。
其中，Fimf(f)为对应IMF分量作FFT后的频谱分量，lmax为频谱最大值对应的频率序号，l为在最大值左右两边所取的点数。
对所有小段处理完毕后得到目标在T秒内的多普勒频率估计值，即为处理数据在该段时间内的时频曲线。
2、基于迭代端点拟合(Iterative End-Point Fit，IEPF)算法数据分段及运动参数提取，将上一步中得到的时频曲线，利用IEPF将曲线分段，得到分段点坐标(tk,fk)，进而提取包括起始时刻、持续时间、初速度和加速度在内的运动参数。
IEPF算法是一种使用距离阈值来确定何时单线是曲线段的良好近似的曲线逼近方法。该算法将输入曲线的端点相连得到一条直线，检测出曲线上各点到该直线的距离最大的点(距离值记为di)，若di小于距离阈值Td，则认为该段直线不需要再分解，若大于Td，则将该点定位新的端点；因为海上运动目标的加速度变化范围有限，反映在多普勒曲线上为斜率变化范围有限，可设置一个斜率阈值Ta，当分段点与端点连线的斜率的绝对值小于该值，认为该分段点合理。
综上所述，即同时满足式(3)和式(4)时，才认为该分段点具有实际意义，可以在此处分段，否则，将该分段点去除之后，重新寻找两端点之间到该直线的距离最大的点进行判断，直到将曲线分段完成。
di＞Td (3)
max{|a+|,|a-|}＜Ta (4)
其中，|a+|,|a-|分别表示分段点与左端点和右端点连线的斜率的绝对值，Td的取值由两端点的多普勒频率之差决定，Ta的取值由下式确定
其中，fmax,fmin为该段数据多普勒频率的最大值和最小值，Tt为该段数据的总时间，α为系数，目标机动性越强，其值越大，对于海上运动目标，可以取2-4。
利用IEPF算法同时使用距离阈值和斜率阈值对时频曲线进行折线拟合，得到m个拐点(tk,fk)(k＝1,2,...,m)，在拐点处将数据分段，然后根据式(6)计算出每段持续时间τk、初速度vk和加速度ak。
其中，k＝1,2,...,m-1，c为光速，fc为雷达载频。
3、根据估计得到的每段数据的运动参数，对数据进行频谱搬移，将每段信号搬移到目标初速度对应的频率处。
对于第k段待处理的雷达回波数据sk(t)，乘一个与速度和加速度有关的时变的
实现数据的频谱搬移。已提取得到的运动参数有第k段的起始时刻tk，初始速度vk，加速度ak，则ωk(t)的计算方法如下
之后利用式(8)对第k段数据完成频谱搬移，然后将每段数据拼接即可完成整段数据的频谱搬移。
4、用快速傅里叶变换(Fast Fourier Transform，FFT)对频谱搬移处理后的数据进行相参积累，提高变加速运动目标信杂比。
为验证该积累方法的有效性，采用雷达观测得到的数据进行了实验验证，该数据包括海杂波背景数据以及运动的海面小船，首先对该数据进行中的目标进行多普勒频率估计及数据分段，其分段结果如图2所示，可见该数据被分为两段匀加速运动。随后从中提取每段的运动参数，并进行频谱搬移，经过FFT并归一化后得到的频谱如图3所示。经计算其信杂比可以达到29dB，而传统相参积累算法，对目标出现的距离单元进行积累只有27dB左右，可以得出该积累方法可以有效提高海杂波背景下变加速运动目标的信杂比。
Claims (3)
1.基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法，其特征在于包括以下步骤：
步骤一、基于经验模式分解(Empirical Mode Decomposition，EMD)算法的多普勒频率提取，估计信号的多普勒频率；
步骤二、基于迭代端点拟合(Iterative End-Point Fit，IEPF)算法进行数据分段，利用多普勒频率和目标运动状态间的约束关系，计算距离及斜率阈值，提取每一段的运动参数：起始时刻、持续时间、初速度和加速度；
步骤三、根据估计得到的每段数据的运动参数，利用速度和加速度的约束关系计算时变相位因子，对数据进行频谱搬移，将每段信号搬移到目标初速度对应的频率处；
步骤四、用快速傅里叶变换(Fast Fourier Transform，FFT)对频谱搬移处理后的数据进行相参积累，提高变加速运动目标信杂比。
2.根据权利要求1所述的基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法，其特征在于步骤二所述的基于IEPF算法的数据分段过程中加入了斜率阈值约束，因为海上运动目标的加速度变化范围有限，反映在多普勒曲线上为斜率变化范围有限，设置一个斜率阈值Ta，当分段点与端点连线的斜率的绝对值小于该值，认为该分段点合理，即
max{|a+|,|a-|}＜Ta (1)
其中，|a+|,|a-|分别表示分段点与左端点和右端点连线的斜率的绝对值，Ta的取值由下式确定
其中，fmax,fmin为该段数据多普勒频率的最大值和最小值，Tt为该段数据的总时间，α为系数，目标机动性越强，其值越大，对于海上运动目标，取值2-4。
3.根据权利要求1所述的基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法，其特征在于步骤三所述的频谱搬移方法如下：
对于第k段待处理的雷达回波数据sk(t)，乘以一个与速度和加速度有关的时变相位
实现数据的频谱搬移，ωk(t)的计算方法如下：
式中c为光速，fc为雷达载频，tk、vk和ak分别为第k段的起始时刻、提取的初始速度和加速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910639766.7A CN110275150B (zh) | 2019-07-16 | 2019-07-16 | 基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910639766.7A CN110275150B (zh) | 2019-07-16 | 2019-07-16 | 基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110275150A CN110275150A (zh) | 2019-09-24 |
| CN110275150B true CN110275150B (zh) | 2021-01-08 |
Family
ID=67964629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910639766.7A Expired - Fee Related CN110275150B (zh) | 2019-07-16 | 2019-07-16 | 基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110275150B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838117B (zh) * | 2019-11-14 | 2022-05-13 | 中国科学院武汉岩土力学研究所 | 一种基于孔壁图像的岩石面孔隙度识别方法 |
| CN111537989B (zh) * | 2020-03-25 | 2022-07-15 | 中国电子科技集团公司第二十九研究所 | 一种基于经验模态分解提取信号微多普勒调制分量的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103176178A (zh) * | 2013-02-04 | 2013-06-26 | 中国人民解放军海军航空工程学院 | 雷达动目标Radon-分数阶傅里叶变换长时间相参积累检测方法 |
| CN103245937A (zh) * | 2013-05-27 | 2013-08-14 | 四川大学 | 基于微多普勒效应的微动目标特征提取方法 |
| CN104215939A (zh) * | 2014-10-10 | 2014-12-17 | 北京航空航天大学 | 一种融合广义对称结构信息的知识辅助空时自适应处理方法 |
| CN104635223A (zh) * | 2015-01-08 | 2015-05-20 | 南京大学 | 基于经验模式分解与分数阶傅里叶变换的激光回波去噪方法 |
| CN107132512A (zh) * | 2017-03-22 | 2017-09-05 | 中国人民解放军第四军医大学 | 基于多通道hht的uwb雷达人体运动微多普勒特征提取方法 |
| CN108919221A (zh) * | 2018-07-17 | 2018-11-30 | 武汉大学 | 一种用于变加速运动目标的相参积累检测方法 |
| CN109655805A (zh) * | 2019-01-25 | 2019-04-19 | 南京理工大学 | 一种基于扫描线段重合长度估计的激光雷达定位方法 |
| CN109782251A (zh) * | 2019-03-14 | 2019-05-21 | 北京航空航天大学 | 一种海杂波抑制后的低速目标鉴别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6297765B1 (en) * | 1980-01-17 | 2001-10-02 | Raytheon Company | Bistatic passive radar system with improved ranging |
| CN103617633B (zh) * | 2013-11-26 | 2017-01-25 | 北京航空航天大学 | 一种空间红外目标的级联识别方法 |
-
2019
- 2019-07-16 CN CN201910639766.7A patent/CN110275150B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103176178A (zh) * | 2013-02-04 | 2013-06-26 | 中国人民解放军海军航空工程学院 | 雷达动目标Radon-分数阶傅里叶变换长时间相参积累检测方法 |
| CN103245937A (zh) * | 2013-05-27 | 2013-08-14 | 四川大学 | 基于微多普勒效应的微动目标特征提取方法 |
| CN104215939A (zh) * | 2014-10-10 | 2014-12-17 | 北京航空航天大学 | 一种融合广义对称结构信息的知识辅助空时自适应处理方法 |
| CN104635223A (zh) * | 2015-01-08 | 2015-05-20 | 南京大学 | 基于经验模式分解与分数阶傅里叶变换的激光回波去噪方法 |
| CN107132512A (zh) * | 2017-03-22 | 2017-09-05 | 中国人民解放军第四军医大学 | 基于多通道hht的uwb雷达人体运动微多普勒特征提取方法 |
| CN108919221A (zh) * | 2018-07-17 | 2018-11-30 | 武汉大学 | 一种用于变加速运动目标的相参积累检测方法 |
| CN109655805A (zh) * | 2019-01-25 | 2019-04-19 | 南京理工大学 | 一种基于扫描线段重合长度估计的激光雷达定位方法 |
| CN109782251A (zh) * | 2019-03-14 | 2019-05-21 | 北京航空航天大学 | 一种海杂波抑制后的低速目标鉴别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110275150A (zh) | 2019-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106970371B (zh) | 一种基于Keystone和匹配滤波的目标检测方法 | |
| CN110865357B (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
| CN107561508B (zh) | 一种用于匀加速运动目标的相参积累检测方法 | |
| CN112505648A (zh) | 基于毫米波雷达回波的目标特征提取方法 | |
| CN111610501B (zh) | 对海雷达小目标检测方法 | |
| CN109001708B (zh) | 基于分级积累检测的雷达机动目标快速精细化处理方法 | |
| CN106896358A (zh) | 一种基于位置旋转变换的高速目标相参积累检测方法 | |
| CN107450055B (zh) | 基于离散线性调频傅立叶变换的高速机动目标检测方法 | |
| CN109655148B (zh) | 一种船舶噪声非平稳低频线谱自主提取方法 | |
| CN106597403B (zh) | 一种基于分段补偿的高速目标相参积累检测方法 | |
| CN106019256B (zh) | 基于自回归模型的雷达信号自适应检测方法 | |
| CN106646406B (zh) | 基于改进小波阈值去噪的外弹道测速雷达功率谱检测方法 | |
| CN101872484B (zh) | 图像域中多个微弱目标航迹自适应生长检测方法 | |
| CN111736128A (zh) | 基于skt-siaf-mscft的相参积累方法 | |
| CN110275150B (zh) | 基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法 | |
| CN108196241B (zh) | 一种基于Hough变换的高速动目标速度估计方法 | |
| CN109361376A (zh) | 一种高阶累积量的高精度时延估计方法 | |
| CN108919221A (zh) | 一种用于变加速运动目标的相参积累检测方法 | |
| CN107300694B (zh) | 一种基于电磁波透射系数的未知墙体参数估计方法 | |
| CN117269950A (zh) | 基于参差重频的快速解速度模糊方法、设备及存储介质 | |
| CN106199539A (zh) | 基于白化滤波器的地杂波抑制方法 | |
| CN116626590A (zh) | 一种基于频率线相位差的运动目标瞬时频率估计方法 | |
| CN110726988B (zh) | Pd雷达探测高超声速目标的距离和速度模糊互解方法 | |
| CN108983189B (zh) | 一种振动目标的二维微动轨迹估计方法 | |
| CN108459316B (zh) | 一种多途信道下的回波信号参数估计方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210108 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |