CN110488237B - 一种基于调频连续波雷达对无人机旋翼数目进行分类的方法 - Google Patents

一种基于调频连续波雷达对无人机旋翼数目进行分类的方法 Download PDF

Info

Publication number
CN110488237B
CN110488237B CN201910705874.XA CN201910705874A CN110488237B CN 110488237 B CN110488237 B CN 110488237B CN 201910705874 A CN201910705874 A CN 201910705874A CN 110488237 B CN110488237 B CN 110488237B
Authority
CN
China
Prior art keywords
rotor
unmanned aerial
aerial vehicle
frequency
radar
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
CN201910705874.XA
Other languages
English (en)
Other versions
CN110488237A (zh
Inventor
宋春毅
谢丛霜
李俊杰
徐志伟
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.)
Yantai Xin Yang Ju Array Microelectronics Co ltd
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910705874.XA priority Critical patent/CN110488237B/zh
Publication of CN110488237A publication Critical patent/CN110488237A/zh
Application granted granted Critical
Publication of CN110488237B publication Critical patent/CN110488237B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/41—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
    • G01S7/417—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 involving the use of neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (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

本发明公开一种基于调频连续波雷达对无人机旋翼数目进行分类的方法，该方法将基于调频连续波雷达无人机旋翼回波时频图采用卷积神经网络模型进行旋翼数目的分类。该方法对旋翼数目的分类准确率较高，具有鲁棒性，有利于空中无人机监控。

Description

一种基于调频连续波雷达对无人机旋翼数目进行分类的方法
技术领域
本发明涉及雷达信号处理领域，具体涉及一种基于调频连续波雷达对无人机旋翼数目进行分类的方法。
背景技术
无人机是指能够自主驱动或者半自主驱动飞行，并且能多次使用的飞行器。无人机在海洋环境监测、海上巡查、海洋应急通信以及对地(海)攻击等方面拥有广阔的应用前景，对无人机的安全监管问题也日益突出。随着雷达技术的发展，尤其是雷达获取目标信息和信息处理能力的提升，雷达成为实现无人机监管的重要手段之一。因此，利用雷达系统实现对无人机的快速精确检测与识别在军民两个领域均具有重要意义。
微动指的是运动物体除质心平动以外任何振动、转动、摆动等微小运动。微动信号的来源十分广泛，可以是固定翼飞机、直升机上的旋转螺旋桨、车辆发动机的振动、鸟拍打的翅膀，行人摆动的手臂和腿等等。无人机旋翼的旋转也是一种典型的微动状态。当电磁波照射处于微动运动的旋翼并发生散射时，其回波信号将受到旋翼微动的调制，在目标多普勒频移后的载波频率中心附近产生边带多普勒，即旋翼产生的微多普勒效应。微多普勒频率体现的是非质心散射中心速度相对于雷达的变化，能够体现目标运动特征信息和结构特征信息。
无人机主要按照旋翼的数目进行分类(即单旋翼、四旋翼、六旋翼等)。将微动目标的回波信号进行适当的时频变换后能够获得其时频分析结果，而时频分析的结果能够很好呈现微动目标中微多普勒特征，因此基于时频分析结果进行分类，有助于提高分类精度。现有文献对无人机的时频分析结果的分类方法包括：基于无人机时频图利用朴素贝叶斯和支持向量机的方法进行分类；采用经验模式分解法分解无人机回波信号，将主向量信号转换到时频域，对分解信号的时频图采用非线性支持向量机实现了对不同微型无人机分类；结合了无人机的时频图与倒光谱图，并采用最大后验法进行分类。在单频雷达系统下，将这些无人机的旋翼雷达回波信号进行时频变换后，不同旋翼回波信号的微多普勒特性曲线在时频图上将会沿同一频率轴呈现，有可能出现相位重叠，基于这类时频图进行特征提取或者分类都会降低准确率。
发明内容
针对现有技术的不足，本发明提出一种基于调频连续波雷达对无人机旋翼数目进行分类的方法，具体技术方案如下：
一种基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，该方法具体包括如下步骤：
S1：构建无人机旋翼回波时频图数据集；
S1.1：在调频连续波雷达下，计算无人机旋翼上任一散射点P的回波信号：
Figure BDA0002152100860000021
其中，t为全时间，tk＝t-qT为快时间，q为整数，tm＝qT为慢时间；Rp是所述的散射点与雷达的距离；Tp为脉宽，T为脉冲重复周期，T＝Tp；fc是雷达发射信号频率；c是光速；μ为调频率。
S1.2：选择无人机中心O为参考点，计算O点参考信号回波：
Figure BDA0002152100860000022
其中，Tref为参考信号的脉宽；参考距离Rref是无人机中心O与雷达的距离。
S1.3：将O点参考信号回波和无人机旋翼上任一旋转散射点P的回波做解线频调处理，则散射点P的差频信号为：
Figure BDA0002152100860000023
其中，RΔ为参考点O与旋转散射点P之间的距离差，计算公式如下：
Figure BDA0002152100860000024
其中，β是雷达观测俯仰角；lp是散射点P的旋转半径；frm是无人机旋翼旋转频率；
Figure BDA0002152100860000025
是第m个旋翼上第n片叶片的初始相位；R0是无人机旋臂长；z0是无人机距地面高度；θm代表第m个旋翼的机臂与相邻旋翼的机臂的角平分线与雷达视线形成的夹角；
S1.4：省略含有1/c2的项，在一个调频周期内，将散射点P的差频信号沿叶片进行积分，得到整个叶片的回波信号：
Figure BDA0002152100860000031
其中，L是旋翼长度；
S1.5：通过下式得到拥有N片叶片的M旋翼的无人机回波散射点积分模型s(tk,tm)：
Figure BDA0002152100860000032
S1.6对S1.5得到的回波信号经过时频分析，获得时频图TF；
S1.7对时频图TF进行对比度拉伸得到TFc；
S1.8将TFc调整为pi×pi的像素大小，每种旋翼数量生成Nu张时频图作为数据集。
S2：模型迁移；
将卷积神经网络的最后一层全连接层和分类层替换为新的全连接层和分类层，新层的预测输出数量等于数据集中旋翼种类数量。
S3：模型训练；
S3.1根据模型输入层的大小自动调整训练图像的大小；
S3.2设置必要的卷积神经网络参数，抽取部分数据集作为训练数据集训练卷积神经网络。
S4：模型分类；
在模型训练完成后，从数据集中抽取除训练数据集外的数据输入S3.2训练好的训练卷积神经网络，从而得到分类结果。
进一步地，所述的S1.2中第m个旋翼上第n片叶片的初始相位
Figure BDA0002152100860000033
表示为：
Figure BDA0002152100860000034
其中，
Figure BDA0002152100860000035
为该旋翼的初始相位，
Figure BDA0002152100860000036
n为旋翼叶片编号，n＝1,2,…,N。
进一步地，所述的S1.2中第m个旋翼的机臂与相邻旋翼m+1的角平分线与雷达视线形成的夹角θm表示为：
θm＝γ+π(2m-1)/M
其中，m为旋翼编号，m＝1,2,…,M；γ表示第一个旋翼的机臂与相邻旋翼的机臂的角平分线与雷达视线形成的夹角；0≤γ≤π/M。
进一步地，所述的S1.6中时频分析采用短时傅立叶变换方法。
进一步地，所述的S2中所述卷积神经网络为AlexNet。
与现有技术相比，本发明的有益效果如下：
本发明的方法中，调频连续波雷达对信号的差频处理使调频连续波雷达旋翼回波信号在时频图呈现特有的微多普勒特征，卷积神经网络能够很好地学习旋翼回波时频图中的细节特征。因此，基于调频连续波雷达无人机旋翼数目分类方法对旋翼数目的分类准确率较高，具有鲁棒性，有利于空中无人机监控。
附图说明
图1为三维平面中雷达与无人机位置示意图；
图2为二维平面，β＝0与z0＝0，雷达与无人机位置示意图；
图3为基于AlexNet分类结果的混淆矩阵。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1-2所示，一种基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，该方法具体包括如下步骤：
S1：构建无人机旋翼回波时频图数据集；
S1.1：在调频连续波雷达下，计算无人机旋翼上任一散射点P的回波信号：
Figure BDA0002152100860000041
其中，t为全时间，tk＝t-qT为快时间，q为整数，tm＝qT为慢时间；Rp是所述的散射点与雷达的距离；Tp为脉宽，T为脉冲重复周期，T＝Tp；fc是雷达发射信号频率；c是光速；μ为调频率。
S1.2：选择无人机中心O为参考点，计算O点参考信号回波：
Figure BDA0002152100860000051
其中，Tref为参考信号的脉宽；参考距离Rref是无人机中心O与雷达的距离。
S1.3：将O点参考信号回波和无人机旋翼上任一旋转散射点P的回波做解线频调处理，则散射点P的差频信号为：
Figure BDA0002152100860000052
其中，RΔ为参考点O与旋转散射点P之间的距离差，计算公式如下：
Figure BDA0002152100860000055
其中，β是雷达观测俯仰角；lp是散射点P的旋转半径；frm是无人机旋翼旋转频率；
Figure BDA0002152100860000053
是第m个旋翼上第n片叶片的初始相位；R0是无人机旋臂长；z0是无人机距地面高度；θm代表第m个旋翼的机臂与相邻旋翼的机臂的角平分线与雷达视线形成的夹角；
S1.4：省略含有1/c2的项，在一个调频周期内，将散射点P的差频信号沿叶片进行积分，得到整个叶片的回波信号：
Figure BDA0002152100860000054
其中，L是旋翼长度；
S1.5：通过下式得到拥有N片叶片的M旋翼的无人机回波散射点积分模型s(tk,tm)：
Figure BDA0002152100860000061
S1.6对S1.5得到的回波信号经过时频分析，获得时频图TF；
S1.7对时频图TF进行对比度拉伸得到TFc；
S1.8将TFc调整为pi×pi的像素大小，每种旋翼数量生成Nu张时频图作为数据集。
S2：模型迁移；
将卷积神经网络的最后一层全连接层和分类层替换为新的全连接层和分类层，新层的预测输出数量等于数据集中旋翼种类数量。
S3：模型训练；
S3.1根据模型输入层的大小自动调整训练图像的大小；
S3.2设置必要的卷积神经网络参数，抽取部分数据集作为训练数据集训练卷积神经网络。
S4：模型分类；
在模型训练完成后，从数据集中抽取除训练数据集外的数据输入S3.2训练好的训练卷积神经网络，从而得到分类结果。
优选地，所述的S1.2中第m个旋翼上第n片叶片的初始相位
Figure BDA0002152100860000062
表示为：
Figure BDA0002152100860000063
其中，
Figure BDA0002152100860000064
为该旋翼的初始相位，
Figure BDA0002152100860000065
n为旋翼叶片编号，n＝1,2,…,N。
优选地，所述的S1.2中第m个旋翼的机臂与相邻旋翼m+1的角平分线与雷达视线形成的夹角θm表示为：
θm＝γ+π(2m-1)/M
其中，m为旋翼编号，m＝1,2,…,M；γ表示第一个旋翼的机臂与相邻旋翼的机臂的角平分线与雷达视线形成的夹角；0≤γ≤π/M。
优选地，所述的S1.6中时频分析采用短时傅立叶变换方法。
优选地，所述的S2中所述卷积神经网络为AlexNet。
为了验证本发明的方法的正确性，针对1、4、6个旋翼，分类效果如图3所示，从图中可以看出，1、4、6个旋翼的分类准确率均在85％以上，具有良好的分类效果。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (5)

1.一种基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，该方法具体包括如下步骤：
S1：构建无人机旋翼回波时频图数据集；
S1.1：在调频连续波雷达下，计算无人机旋翼上任一散射点P的回波信号：
Figure FDA0002846980830000011
其中，t为全时间，tk＝t-qT为快时间，q为整数，tm＝qT为慢时间；Rp是所述的散射点与雷达的距离；Tp为脉宽，T为脉冲重复周期，T＝Tp；fc是雷达发射信号频率；c是光速；μ为调频率；
S1.2：选择无人机中心O为参考点，计算O点参考信号回波：
Figure FDA0002846980830000012
其中，Tref为参考信号的脉宽；参考距离Rref是无人机中心O与雷达的距离；
S1.3：将O点参考信号回波和无人机旋翼上任一旋转散射点P的回波做解线频调处理，则散射点P的差频信号为：
Figure FDA0002846980830000013
其中，RΔ为参考点O与旋转散射点P之间的距离差，计算公式如下：
Figure FDA0002846980830000014
其中，β是雷达观测俯仰角；lp是散射点P的旋转半径；frm是无人机旋翼旋转频率；
Figure FDA0002846980830000015
是第m个旋翼上第n片叶片的初始相位；R0是无人机旋臂长；z0是无人机距地面高度；θm代表第m个旋翼的机臂与相邻旋翼的机臂的角平分线与雷达视线形成的夹角；
S1.4：省略含有1/c2的项，在一个调频周期内，将散射点P的差频信号沿叶片进行积分，得到整个叶片的回波信号：
Figure FDA0002846980830000021
其中，L是旋翼长度；
S1.5：通过下式得到拥有N片叶片的M旋翼的无人机回波散射点积分模型s(tk，tm)：
Figure FDA0002846980830000022
S1.6对S1.5得到的回波信号经过时频分析，获得时频图TF；
S1.7对时频图TF进行对比度拉伸得到TFc；
S1.8将TFc调整为pi×pi的像素大小，每种旋翼数量生成Nu张时频图作为数据集；
S2：模型迁移；
将卷积神经网络的最后一层全连接层和分类层替换为新的全连接层和分类层，新层的预测输出数量等于数据集中旋翼种类数量；
S3：模型训练；
S3.1根据模型输入层的大小自动调整训练图像的大小；
S3.2设置必要的卷积神经网络参数，抽取部分数据集作为训练数据集训练卷积神经网络；
S4：模型分类；
在模型训练完成后，从数据集中抽取除训练数据集外的数据输入S3.2训练好的训练卷积神经网络，从而得到分类结果。
2.根据权利要求1所述的基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，所述的S1.2中第m个旋翼上第n片叶片的初始相位
Figure FDA0002846980830000023
表示为：
Figure FDA0002846980830000031
其中，
Figure FDA0002846980830000032
为该旋翼的初始相位，
Figure FDA0002846980830000033
n为旋翼叶片编号，n＝1，2，...，N。
3.根据权利要求1所述的基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，所述的S1.2中第m个旋翼的机臂与相邻旋翼m+1的角平分线与雷达视线形成的夹角θm表示为：
θm＝γ+π(2m-1)/M
其中，m为旋翼编号，m＝1，2，...，M；γ表示第一个旋翼的机臂与相邻旋翼的机臂的角平分线与雷达视线形成的夹角；0≤γ≤π/M。
4.根据权利要求1所述的基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，所述的S1.6中时频分析采用短时傅立叶变换方法。
5.根据权利要求1所述的基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，所述的S2中所述卷积神经网络为AlexNet。
CN201910705874.XA 2019-08-01 2019-08-01 一种基于调频连续波雷达对无人机旋翼数目进行分类的方法 Active CN110488237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910705874.XA CN110488237B (zh) 2019-08-01 2019-08-01 一种基于调频连续波雷达对无人机旋翼数目进行分类的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910705874.XA CN110488237B (zh) 2019-08-01 2019-08-01 一种基于调频连续波雷达对无人机旋翼数目进行分类的方法

Publications (2)

Publication Number Publication Date
CN110488237A CN110488237A (zh) 2019-11-22
CN110488237B true CN110488237B (zh) 2021-05-07

Family

ID=68548964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910705874.XA Active CN110488237B (zh) 2019-08-01 2019-08-01 一种基于调频连续波雷达对无人机旋翼数目进行分类的方法

Country Status (1)

Country Link
CN (1) CN110488237B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111198358B (zh) * 2020-01-11 2022-06-03 桂林电子科技大学 一种基于相关检测的多旋翼无人机回波积累方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107167801A (zh) * 2017-05-12 2017-09-15 成都电科智达科技有限公司 一种基于旋翼微多普勒特征的多旋翼无人机识别方法
CN206984331U (zh) * 2017-05-10 2018-02-09 深圳市软芯微电子科技有限公司 一种带有易识别辅助定位机构的无人机

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160069994A1 (en) * 2014-09-09 2016-03-10 University Of Kansas Sense-and-avoid systems and methods for unmanned aerial vehicles
CN106772308B (zh) * 2017-03-21 2019-04-05 中国人民解放军国防科学技术大学 基于脉内干涉的太赫兹宽带雷达微多普勒解模糊方法
CN107192993B (zh) * 2017-06-23 2020-02-07 西安电子科技大学 基于图像熵特征的调频连续波雷达飞机目标分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206984331U (zh) * 2017-05-10 2018-02-09 深圳市软芯微电子科技有限公司 一种带有易识别辅助定位机构的无人机
CN107167801A (zh) * 2017-05-12 2017-09-15 成都电科智达科技有限公司 一种基于旋翼微多普勒特征的多旋翼无人机识别方法

Also Published As

Publication number Publication date
CN110488237A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
Du et al. Robust classification scheme for airplane targets with low resolution radar based on EMD-CLEAN feature extraction method
CN103885043B (zh) 基于广义匹配滤波的飞机目标杂噪稳健分类方法
CN112083417B (zh) 基于波数域拼接的分布式雷达成像拓扑设计方法
Ender et al. Bistatic SAR–translational invariant processing and experimental results
CN103576150B (zh) 基于高超声速飞行器俯冲段的前斜视sar成像方法
Amiri et al. Micro-Doppler based target classification in ground surveillance radar systems
CN110488237B (zh) 一种基于调频连续波雷达对无人机旋翼数目进行分类的方法
Gannon et al. Measuring UAV propeller length using micro-Doppler signatures
CN107153191B (zh) 一种针对隐形飞机的双基isar成像检测方法
CN111352108B (zh) 基于ffbp逆向处理的sar回波信号快速仿真方法
Akhter et al. Development of RF-photonic system for automatic targets’ nonlinear rotational/flapping/gliding signatures imaging applications
CN104101869B (zh) 一种极坐标下的地波雷达运动目标仿真建模方法
CN109061586B (zh) 一种基于动态rcs模型的目标微动特征建模方法
CN104535982A (zh) 一种基于角域划分的飞机目标分类方法
CN116679273A (zh) 一种基于微多普勒的鸟类目标分类识别方法
Agnihotri et al. Effect of frequency on micro-Doppler signatures of a helicopter
Sayed et al. UAV Classification Using Neural Networks and CAD-Generated Radar Datasets
Sommer et al. Explicit motion compensation for backprojection in spotlight SAR
Liu et al. Recognition and classification of rotorcraft by micro-Doppler signatures using deep learning
Chen et al. Efficient Time Domain Echo Simulation of Bistatic SAR Considering Topography Variation
Zhu et al. Rotating micro-doppler parameter estimation of ground wheeled vehicles based on SPWD and image enhancement
Chen et al. Micro-motion Classification of Rotor UAV and Flying Bird via CNN and FMCW Radar
Tahmoush Bird micro-doppler simulation for bird versus UAV recognition
Agnihotri et al. An automatic radar based aerial target recognition framework
박동석 Convolutional Neural Network-based UAV Classification using Radar Spectrogram

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
TR01 Transfer of patent right

Effective date of registration: 20230308

Address after: 316000 Room 202, 11 Baichuan Road, Lincheng street, Dinghai District, Zhoushan City, Zhejiang Province (centralized office)

Patentee after: ZHEJIANG JISU HEXIN TECHNOLOGY CO.,LTD.

Address before: 310058 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866

Patentee before: ZHEJIANG University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230703

Address after: Plant 1, No. 13, Guiyang Avenue, Yantai Economic and Technological Development Zone, Shandong Province, 264000

Patentee after: Yantai Xin Yang Ju Array Microelectronics Co.,Ltd.

Address before: 316000 Room 202, 11 Baichuan Road, Lincheng street, Dinghai District, Zhoushan City, Zhejiang Province (centralized office)

Patentee before: ZHEJIANG JISU HEXIN TECHNOLOGY CO.,LTD.

TR01 Transfer of patent right