CN110850386A - 一种基于分数阶域特征的旋翼类无人机深度学习识别方法 - Google Patents

Abstract

本发明涉及一种基于分数阶域特征的旋翼类无人机深度学习识别方法，属于雷达目标分类识别技术领域，解决目标分类识别概率差的技术问题。本发明利用短时分数阶傅里叶变换对旋翼类无人机目标回波信号进行初步特征提取，然后在此基础上，从u‑v域、u‑z域，v‑z域三个维度进行自编码深度识别学习，结果表明本发明的目标识别率可达到87%，远远高于将信号直接应用深度学习算法获得的识别率，同时，本发明数据处理量较小，将传统特征识别和深度学习识别两种方法进行了很好的融合应用。

Description

一种基于分数阶域特征的旋翼类无人机深度学习识别方法

技术领域

本发明属于雷达目标分类识别技术领域，涉及的是利用旋翼类无人机信号在分数阶域特征完成深度学习分类识别，具体涉及的是一种基于分数阶域特征的旋翼类无人机深度学习识别方法。

背景技术

旋翼无人机回波信号形式复杂，主要包括机体非匀速运动和旋翼运动产生的高阶相位回波，其中非匀速运动可通过速度和加速度补偿进行处理，但旋翼产生的回波信号与旋翼的结构、材料、运动形式有关，这个信号含有的频谱成分比较复杂且比较微弱，目前常称为微多普勒信号。对于微多普勒信号的分析，现在大多认为回波相位为正弦信号形式，常利用短时分数阶傅里叶变换(STFT)进行处理，但实际由于目标旋翼运动并非理想的旋转运动，也受到进动、锥动的影响，因此回波相位并不是理想的正弦信号形式。

发明内容

本发明的发明目的：为了克服现有技术的不足，解决目标旋翼非理想的旋转运动导致回波相位不是理想的正弦信号形式，最终导致目标分类识别概率差的技术问题，本发明提供了一种基于分数阶域特征的旋翼类无人机深度学习识别方法。

本发明的设计构思为：针对实际回波信号相位的非正弦信号形式，本发明利用短时分数阶傅里叶变换(STFRFT)进行特征选取，进而从三个维度同时利用深度学习方法进行目标分类识别，最后，对三个维度的分类结果按照少数服从多数的原则，得到目标最后分类结果，这种方法可提高目标识别概率。

本发明通过以下技术方案予以实现。

一种基于分数阶域特征的旋翼类无人机深度学习识别方法，包括以下步骤：

S1、利用连续波雷达采集旋翼类无人机目标的雷达回波数据，并做速度和加速度补偿运算后，获得回波的数学表达式为：

s(n)＝exp{jsin[2π(f₀+knT_s)nT_s]} (公式1)

公式1中，sin[·]函数表示无人机旋翼产生的非正弦波形式的回波相位；f₀表示中心频率，单位为赫兹；k表示频率变化率，单位为赫兹/秒；n为信号采样点数，单位为个；T_s为信号采样间隔，单位为秒；j为虚数符号；

S2、对步骤S1获得的回波的数学表达式s(n)利用短时分数阶傅里叶变换进行处理，则第p_i段信号的分数阶阶次为：

公式2中，N为信号总点数，M为信号分段长度，N是M的整数倍，α(N)表示长度为N信号的分数阶阶次，α(p_i)表示第p_i段长度为M信号的分数阶阶次，i＝1,2,3,……,N/M；

S3、对步骤S2中每段信号进行分数阶傅里叶变换处理后，选取目标峰值位置，并将峰值位置处3dB带宽内的数据抽取出来；

[u,v]＝max|{FRFT[s(p_i)]}| (公式3)

公式3中，u、v分别对应分数阶傅里叶域的u域和v域坐标，i＝1,2,3,……,N/M；

公式4中，r、q分别对应分数阶傅里叶域的u域和v域坐标范围，a、b为坐标范围大小，其中，r∈[u-a,u+a],q∈[v-b,v+b]；

S4、将步骤S3抽取出来的数据放到一个数组中，进行归一化处理，并转换为u域、v域、u-v域三个二维数组，

公式5中，Y{r,q,|FRFT[s(p_i)]|_(r,q)}表示步骤S3抽取出来的数据放到的数组；表示Y{r,q,|FRFT[s(p_i)]|_(r,q)}表示归一化后的数组；

接着对

进行维度转换，可得u域、v域、u-v域三个二维数组，分别为Y₁[r,A]_u，Y₂[q,A]_v，Y₃[r,q]_u-v；

S5、对步骤S4获得的Y₁[r,A]_u，Y₂[q,A]_v，Y₃[r,q]_u-v三个数组利用自编码深度学习算法进行分类识别；

S6、将步骤S5获得的分类结果进行统计分析，利用少数服从多数的原则确定目标的最后分类结果。

与现有技术相比本发明的有益效果为：

1、本发明针对旋翼类无人机的回波信号，首先利用分段分数阶傅里叶变换提取出感兴趣的目标特征，接着将三维数组化为三个二维数组，分别进行深度学习分类识别，并对三种结果进行综合分析，最后获得的分类识别准确率可大大提高；

2、本发明中采用的分数阶处理方法，考虑了回波相位为非正弦信号的形式，可对旋翼在复合运动下的频谱信号有较高的检测概率，可减小后续深度学习算法的迭代次数，提高算法效率。

附图说明

图1为本发明提供的旋翼类无人机深度学习识别方法的流程图；

图2为目标1的四旋翼无人机实物照片；

图3为目标2的四旋翼无人机实物照片；

图4为目标1经分数阶傅里叶变换(FRFT)处理后的三维图像；

图5为目标2经分数阶傅里叶变换(FRFT)处理后的三维图像；

图6为目标1的FRFT三维结果在u-v域投影；

图7为目标2的FRFT三维结果在u-v域投影；

图8目标1的FRFT三维结果在u-z域投影；

图9目标2的FRFT三维结果在u-z域投影；

图10目标1的FRFT三维结果在v-z域投影；

图11目标2的FRFT三维结果在v-z域投影；

图12为训练图片集；

图13为测试图片集；

图14为本发明方法中识别概率与信噪比的关系示意图。

在各图中：在各图中采用了统一标号，即同一物件在各图中用同一标号。

在各图中：1.对目标1信号进行分数阶傅里叶变换(FRFT)，Z轴：所分析目标1信号的FRFT归一化幅度；2.对目标1信号进行FRFT后的v轴，单位为赫兹；3.对目标1信号进行FRFT后的u轴，单位为秒；4.对目标2信号进行分数阶傅里叶变换(FRFT)，Z轴：所分析目标2信号的FRFT归一化幅度；5.对目标2信号进行FRFT后的v轴，单位为赫兹；6.对目标2信号进行FRFT后的u轴，单位为秒；7.目标识别概率；8.目标信号信噪比变化范围。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细描述。

实施例1

一种基于分数阶域特征的旋翼类无人机深度学习识别方法，包括以下步骤：

S1、利用连续波雷达采集旋翼类无人机目标的雷达回波数据(目标1、2的实物照片如图2、3所示)，目标距离雷达的距离为20米，雷达回波信号幅值归一化后的波形表示为：

s(n)＝exp{j2π[f₁+0.5k₁nT_s](nT_s)}exp{jsin[2π(f₀+knT_s)nT_s]}

上式中f₁、k₁分别为目标速度和加速度引起的频率和频率变化率大小，对上式中f₁、k₁做速度和加速度补偿运算后，得回波的数学表达式为：

s(n)＝exp{jsin[2π(f₀+knT_s)nT_s]} (公式1)

公式1中，sin[·]函数表示无人机旋翼产生的非正弦波形式的回波相位；f₀表示中心频率，单位为赫兹；k表示频率变化率，单位为赫兹/秒；n为信号采样点数，单位为个；T_s为信号采样间隔，单位为秒；j为虚数符号；在本实施例一中，雷达频段为95G赫兹，信号形式为连续正弦波形式，信号采集间隔T_s为50纳秒。

S2、对步骤S1获得的回波的数学表达式s(n)利用短时分数阶傅里叶变换进行处理，则第p_i段信号的分数阶阶次为：

公式2中，N为信号总点数，M为信号分段长度，N是M的整数倍，α(N)表示长度为N信号的分数阶阶次，α(p_i)表示第p_i段长度为M信号的分数阶阶次；在本实施例一中，N为2²⁰个点，M＝2⁸，α(N)＝1.1，α(p_i)∈|1.1±0.3|；

为了快速获得首段信号的最佳分数阶阶次，首先对长度为N的信号进行互相关处理，获得初步的分数阶阶次为1.1，接着在[0.8，1.4]的范围内以间隔0.01进行精确的分数阶阶次搜索，获得最佳分数阶次1.12；后续分段信号的初步分数阶阶次根据公式2进行计算，然后在此基础上进行精细搜索。

S3、对步骤S2中每段信号进行分数阶傅里叶变换处理后，选取目标峰值位置，并将峰值位置处3dB带宽内的数据抽取出来；

[u,v]＝max|{FRFT[s(p_i)]}| (公式3)

公式3中，u、v分别对应分数阶傅里叶域的u域和v域坐标，i＝1,2,3,……,2¹²；

公式4中，r、q分别对应分数阶傅里叶域的u域和v域坐标范围，a、b的坐标范围为正负40。

S4、将步骤S3抽取出来的数据放到一个数组中，进行归一化处理，并转换为u域、v域、u-v域三个二维数组，

公式5中，Y{r,q,|FRFT[s(p_i)]|_(r,q)}表示步骤S3抽取出来的数据放到的数组；

表示Y{r,q,|FRFT[s(p_i)]|_(r,q)}表示归一化后的数组；

接着对

进行维度转换，可得u域、v域、u-v域三个二维数组，分别为Y₁[r,A]_u，Y₂[q,A]_v，Y₃[r,q]_u-v；图4-图11为目标回波信号经过步骤S2-S4对应的处理结果。

S5、对步骤S4获得的Y₁[r,A]_u，Y₂[q,A]_v，Y₃[r,q]_u-v三个数组利用自编码深度学习算法进行分类识别；

S6、将步骤S5获得的分类结果进行统计分析，利用少数服从多数的原则确定目标的最后分类结果。

在本实施例一中，自编码深度学习算法中激活函数选为sigm，隐含层选为2，学习率选为1，训练次数选为100，一次训练数目选为20；

实际处理中，首先，将Y₁[r,A]_u，Y₂[q,A]_v，Y₃[r,q]_u-v三个数组数据转换为图片形式，并进行灰度处理；其次，将处理的灰度图像带入自编码深度学习算法中，算法参数设置的激活函数为sigm，学习率为1，训练次数为100，一次训练数目选为20，训练的图片总数目为1200，测试图片数为300。图12为部分训练图片集，图13为部分测试图片集，直接对图12、图13应用自编码深度学习算法，目标识别率为50％。

实施例二

本实施例二在实施例一的基础上，进一步验证本发明方法中u-v域目标识别概率，该例与实例一不同点在于所述的测试结果经过步骤1-步骤6处理，并且所分析的图像为目标u-v域信号。将u-v域图像信号代入自编码深度学习算法，可得目标识别率为84％，测试目标识别错误为47个，代号分别为[9 13 16 22 26 27 28 30 32 33 42 43 52 56 58 59 6061 64 65 66 69 71 83 87 88 96 99 100 101 105 111 112 117 118 126 134 136 140141 146 154 175 236 265 298]。

本实施例二中其余未述的，全同于实施例一中所述的，在此不再重述。

实施例三

本例在实施例一、例二基础上，进一步验证本发明方法中u-z，v-z域目标识别概率，该例与实施例一、实施例二不同点是所述的步骤五中分析的图像为目标u-z，v-z域信号。将u-z，v-z域图像信号分别代入自编码深度学习算法，可得目标识别率为81％，79％，错误目标代号分别为[64 69 130 151 156 157 160 172 175 177 178 179 181 183 184185 186 188 189 192 193 197 202 203 209 215 219 220 221 225 229 232 234 235236 237 242 243 249 253 254 255 259 260 261 262 273 276 283 290 292 293 294297 298 299 300],[55 129 136 147 156 157 161 162 163 166 167 169 173 177 180185 186 188 190 191 192 193 195 196 197 202 207 208 209 211 212 213 215 218223 224 225 227 233 235 236 237 240 241 242 245 247 249 250 253 254 259 261264 269 270 271 277 279 281 288 290 294 299]，根据步骤6，将u-v域、u-z域，v-z域的分类结果利用少数服从多数的原则，确定最后目标正确识别为87％。

本实施例三中其余未述的，全同于实施例一，实施例二中所述的，在此不再重述。

实施例四

本实施例四在实施例一、实施例二、实施例三基础上，进一步验证本发明方法中目标识别概率与信号信噪比的关系，该例与实施例一、实施例二、实施例三不同点是所述的步骤S1中分析的目标信号的信噪比变换范围-10dB到20dB。

图14给出了目标信号经过本发明方法处理后获得的识别概率与信噪比的关系，从图14中可以看出，信噪信噪比为0dB以上时，目标识别概率为70％以上。

本实施例四中其余未述的，全同于实施例一、实施例二、实施例三中所述的，在此不再重述。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (1)

1.一种基于分数阶域特征的旋翼类无人机深度学习识别方法，其特征在于包括以下步骤：

S1、利用连续波雷达采集旋翼类无人机目标的雷达回波数据，并做速度和加速度补偿运算后，获得回波的数学表达式为：

s(n)＝exp{jsin[2π(f₀+knT_s)nT_s]} (公式1)

公式1中，sin[·]函数表示无人机旋翼产生的非正弦波形式的回波相位；f₀表示中心频率，单位为赫兹；k表示频率变化率，单位为赫兹/秒；n为信号采样点数，单位为个；T_s为信号采样间隔，单位为秒；j为虚数符号；

S2、对步骤S1获得的回波的数学表达式s(n)利用短时分数阶傅里叶变换进行处理，则第p_i段信号的分数阶阶次为：

公式2中，N为信号总点数，M为信号分段长度，N是M的整数倍，α(N)表示长度为N信号的分数阶阶次，α(p_i)表示第p_i段长度为M信号的分数阶阶次，i＝1,2,3,……,N/M；

S3、对步骤S2中每段信号进行分数阶傅里叶变换处理后，选取目标峰值位置，并将峰值位置处3dB带宽内的数据抽取出来；

[u,v]＝max|{FRFT[s(p_i)]}| (公式3)

公式3中，u、v分别对应分数阶傅里叶域的u域和v域坐标，i＝1,2,3,……,N/M；

公式4中，r、q分别对应分数阶傅里叶域的u域和v域坐标范围，a、b为坐标范围大小，其中，r∈[u-a,u+a],q∈[v-b,v+b]；

S4、将步骤S3抽取出来的数据放到一个数组中，进行归一化处理，并转换为u域、v域、u-v域三个二维数组，

公式5中，Y{r,q,|FRFT[s(p_i)]|_(r,q)}表示步骤S3抽取出来的数据放到的数组；

表示Y{r,q,|FRFT[s(p_i)]|_(r,q)}表示归一化后的数组；

接着对

进行维度转换，可得u域、v域、u-v域三个二维数组，分别为Y₁[r,A]_u，Y₂[q,A]_v，Y₃[r,q]_u-v；

S5、对步骤S4获得的Y₁[r,A]_u，Y₂[q,A]_v，Y₃[r,q]_u-v三个数组利用自编码深度学习算法进行分类识别；

S6、将步骤S5获得的分类结果进行统计分析，利用少数服从多数的原则确定目标的最后分类结果。

Images