CN110412548B - 基于高分辨一维距离像的雷达多目标识别方法 - Google Patents

Abstract

本发明涉及一种基于高分辨一维距离像的雷达多目标识别方法，主要适用于预警探测系统下雷达多目标识别。其主要流程是：首先对一维距离像数据预处理；提取一维距离像能量聚集区；提取一维距离像能量聚集区强散射点；对强散射点的分布特征进行估计；然后进行一维距离像能量聚集区径向长度和姿态估计；最后进行雷达多目标属性判别。本发明所提供的方法具有工程实现简单、多目标识别效果好、所用方法理论依据充分等特点，能够快速、有效的解决空中编队目标或群目标时雷达多目标属性识别问题。

Description

基于高分辨一维距离像的雷达多目标识别方法

技术领域

本发明是一种用于预警探测系统下雷达多目标识别方法。

背景技术

雷达多目标识别是现代复杂环境中亟待解决的问题。当在雷达同一空间和时间分辨单元内存在多目标回波时，现有一些识别方法难以将它们分开，因而不能识别目标类型或属性。然而，在实际应用中，编队目标或群目标是常规飞行模式，因而对多目标进行识别具有重要的现实意义。

目前很多基于高分辨一维距离像的雷达多目标识别方法是基于模板匹配进行的，如在2013年6月电子科技大学学位论文《高分辨雷达多目标识别算法研究》中提出的雷达多目标模板库与全局搜索算法，通过多目标混叠高分辨一维距离像模板库的建立，基于模板匹配的全局搜索算法，结合混叠系数实现雷达多目标属性判别。

与其他文献中提出的方法不同，本发明针对雷达多目标的一维距离像的能量聚集区、散射点分布特征，通过综合判别，实现雷达多目标属性判别。

发明内容

本发明的目的在于提供一种解决预警雷达系统的高分辨一维距离像下多目标识别方法。通过本发明，能够在预警雷达系统中实现对各种运动状态下的空中多目标有效的分类。

实现本发明的技术解决方案为：

首先对接收到的一维距离像进行归一化、峰度法进行坏像剔除、最小熵谱估计法进行对齐和非相干积累等预处理；根据虚警概率和正态分布特性设置目标一维距离像能量聚集区提取阈值，提取目标能量聚集区；计算目标区域的最小熵、偏度和一阶中心距，利用偏-熵法，通过判断偏-熵集合元素正负提取目标区域强散射点；计算强散射点的概率分布和一维距离像能量聚集区的峰度，利用变异峰度法统计一维距离像能量聚集区强散射点的连续性；计算目标姿态和目标一维距离像能量聚集区径向长度；结合强散射点分布特征、目标姿态和目标一维距离像能量聚集区径向长度，构造目标一维距离像能量聚集区特征矩阵；结合Sigmoid函数进行线性二分类器设计；最后进行雷达多目标属性判决。

采用偏-熵法提取目标区域强散射点的方法，能够准确、有效地提取目标区域的强散射点，该方法具有自适应性好，提取概率高的特点。采用变异峰度法统计一维距离像能量聚集区强散射点的连续性，减小了外界环境和目标自身运动对目标数据提取的影响。本发明的提出和工程实现在雷达目标检测和识别领域具有很高的推广应用价值。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明的数据处理流程图。

图2是本发明的单目标一维距离像回波示意图。

图3是本发明的多目标一维距离像无交叠时回波特征示意图。

图4是本发明的多目标一维距离像有交叠时回波特征示意图。

图5是本发明目标一维距离像能量聚集区强散射点分布特征示意图。

具体实施方式

S1一维距离像数据预处理：

计算一维距离像的峰度矩阵K，找到峰度矩阵的最大元素max(K)及其对应的一维距离像，统计余下一维距离像集合{x_i}和离群峰度集合{k_i}：

其中N是一维距离像的个数，X_i是余下的第i个一维距离像样本数据，μ_i是样本均值，σ_i是样本标准方差，E(X_i-μ_i)⁴是第i个一维距离像样本数据的4阶中心距。如果k_i非正，则认为第i个一距离像为异常一维距离像，将其丢弃。以峰度矩阵最大元素对应的一维距离像为基像，采用最小熵谱估计准则进行对齐处理，对对齐后的一维距离像做非相干积累。

I(x_k)＝-logp_k

其中x_k是一维距离像样本数据，I(x_k)是信息量，X是离散随机变量，P_k是事件X＝x_k发生的概率，是一维距离像样本数据集合。

其中s_i为对齐后的第i个距离单元的非相干积累结果，N是一维距离像的个数。

S2提取一维距离像能量聚集区：

a)计算S1中非相干积累后的一维距离像P前八分之一和后八分之一部分的均值和方差，以均值最小值和方差最小值作为非相干积累后一维距离像的噪声均值和方差，将特征提取门限设置为噪声部分的均值和方差和的形式。

gate＝k*(mean(X)+6*std(X))

其中gate是局部阈值，X是一维距离距离像中噪声部分数据集合，k是一常值系数。

b)利用阈值gate对非相干积累后的一维距离像P进行分割，得到分割结果P_g：

对分割后的P_g区域，提取过提取门限部分的前后沿位置。

S3偏-熵提取法进行目标区域强散射点提取：

a)统计一维距离像能量聚集区的最小熵、偏度、一阶中心距

I(x_k)＝-logp_k

其中H(X)是样本数据最小熵，x_k是一维距离像样本数据，I(x_k)是信息量，X是一维距离像能量聚集区样本数据，P_k是事件X＝x_k发生的概率，是一维距离像样本数据集合。

其中O(X)是样本数据偏度，X是一维距离像能量聚集区样本数据，μ是样本均值，σ是样本标准方差，E(X-μ)³是样本数据的3阶中心距。

b)计算偏-熵目标区域集合{j_i}：

其中X是一维距离像能量聚集区样本数据，N是样本数据长度。如果j_i为正，则认为第i个样本数据为强散射点，如果j_i非正，将第i个样本数据置为0。

S4变异峰度法统计一维距离像能量聚集区强散射点的连续性：

a)对目标一维距离像能量聚集区按照距离单元进行等分为10份{Q_i}，

i＝1，2，…，10；

b)统计强散射点个数M；

c)统计M个强散射点的分布位置和分布强度；

d)计算强散射点概率分布p

其中M为强散射点个数，M′为一维距离像能量聚集区距离单元个数；

e)计算一维距离像能量聚集区变异峰度

其中J(X)是一维距离像能量聚集区峰度，X是一维距离像能量聚集区样本数据，μ是一维距离像能量聚集区均值，σ是一维距离像能量聚集区标准方差，E(X-μ)⁴是一维距离像能量聚集区的4阶中心距，p为强散射点概率分布；

f)计算一维距离像峰度

其中J’(X)是一维距离像峰度，X是一维距离像样本数据，μ是一维距离像均值，σ是一维距离像标准方差，E(X-μ)⁴是一维距离像的4阶中心距；

g)统计一维距离像能量聚集区强散射点的连续性l

S5一维距离像能量聚集区径向长度和姿态估计：

a)雷达目标姿态解算

其中θ是雷达目标姿态角，α是雷达目标航向，β是雷达目标方位。

b)计算一维距离能量聚集区像径向长度

f＝(pEnd-pStart)*s

其中pEnd是过门限距离单元中最后距离单元的位置，pStart是过门限距离单元中第一个距离单元的位置，s是雷达距离分辨率，f是径向长度。

S6目标一维距离像能量聚集区特征矩阵构造：

结合目标一维距离像能量聚集区强散射点特征、目标姿态和径向长度，构造目标一维像区域波形结构特征融合矩阵F∈R^6×1

x1表示强散射点个数，x2表示强散射点位置分布，x3表示强散射点幅度分布，x4表示强散射点分布连续性估计，x5表示目标姿态，x6表示目标一维距离像能量聚集区径向长度。

S7分类器设计：

本发明采用线性二分类器作为分类器进行雷达多目标属性判别，线性二分类器由输入层、激励函数和输出节点组成。输入层由6个节点构成，分别对应目标一维距离像能量聚集区特征矩阵的6个特征，使用Sigmoid函数作为激励函数，输出节点y为

其中F∈R^6×1为目标一维距离像能量聚集区特征矩阵，W∈R^6×1为输入层的权值矩阵

S8雷达多目标属性判别，其方法如下：

根据S7中输出接点y的取值进行雷达多目标识别

Claims (2)

1.基于高分辨一维距离像的雷达多目标识别方法，其特征在于:

S1：一维距离像数据预处理；

S2：提取一维距离像能量聚集区；

S3：偏-熵提取法进行目标区域强散射点提取，首先统计一维距离像能量聚集区的最小熵H(X)、偏度O(X)、和一阶中心距，其中X是一维距离像能量聚集区样本数据，x_k一维距离像样本数据，然后计算偏-熵目标区域集合{j_i}，其中N是样本数据长度，如果j_i为正，则认为第i个距离单元的样本数据为强散射点，如果j_i非正，将第i个距离单元的样本数据置为0；

S4：变异峰度法统计一维距离像能量聚集区强散射点的连续性，首先对目标一维距离像能量聚集区按照距离单元进行等分为10份，然后统计强散射点个数M，统计M个强散射点的分布位置和分布强度，计算强散射点概率分布其中M′为一维距离像能量聚集区距离单元个数，计算一维距离像能量聚集区变异峰度/>其中X是一维距离像能量聚集区样本数据，μ是一维距离像能量聚集区均值，σ是一维距离像能量聚集区标准方差，E(X-μ)⁴是一维距离像能量聚集区的4阶中心距，计算一维距离像峰度/>最后统计一维距离像能量聚集区强散射点的连续性/>

S5；一维距离像能量聚集区径向长度和姿态估计；

S6；目标一维距离像能量聚集区特征矩阵构造；

S7：分类器设计；

S8；雷达多目标属性判别。

2.根据权利要求1所述的基于高分辨一维距离像的雷达多目标识别方法，其特征在于：采用变异峰度法统计一维距离像能量聚集区强散射点的连续性，减小了外界环境和目标自身运动对目标数据提取的影响。