CN111273285A - 一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 - Google Patents
一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 Download PDFInfo
- Publication number
- CN111273285A CN111273285A CN202010152760.XA CN202010152760A CN111273285A CN 111273285 A CN111273285 A CN 111273285A CN 202010152760 A CN202010152760 A CN 202010152760A CN 111273285 A CN111273285 A CN 111273285A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- correlation matrix
- rotor unmanned
- micro doppler
- 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.)
- Granted
Links
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于多旋翼无人机分类技术领域,具体涉及一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法。本发明首先通过对多旋翼无人机旋翼的回波数据进行短时傅里叶变换(STFT),获得微多普勒谱数据,然后利用微多普勒谱数据提取相关矩阵特征,实现对多旋翼无人机的识别。由于提取的相关矩阵特征一方面只包含旋转叶片上强散射点的微多普勒信息,同时降低了噪声强度,因此,与从时频谱数据中提取的物理参数特征比较,对噪声具有更好的鲁棒性,即使在较低信噪比的情况下,也可以获得更高的识别率。
Description
技术领域
本发明属于多旋翼无人机分类技术领域,具体涉及一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法。
背景技术
无人机是一种特殊类型的空中目标,随着军事时代的进步,需要迅速分类出它们是哪一种机型,是侦察机、诱饵、电子对抗、通信中继、靶机还是无人战斗机,对战略调整有着重要意义。由于无人机是无人驾驶的其物理尺寸比较小,目前通过高分辨率雷达一维距离像(HRRP)对它们进行分类得到的分类率不高,因为需要亚厘米级的分辨率来捕捉小于100cm 的目标空间结构,而且当目标视线角有较小变化时,一维距离像会产生大的变化,不利于对无人机的可靠识别。
由于多旋翼无人机的旋转部件具有不同的转动速度和不同的部件结构(如桨叶的长度、数目等有差异),将形成具有明显差异的微多普勒谱,因此通过提取微多普勒特征可实现对多旋翼无人机的分类识别。
目前对无人机的分类方法主要包括两类:第一类方法主要将无人机的微多普勒谱作为一幅二维图像,采用图像识别方法完成无人机的识别,但是这类方法在较低信噪比的情况下,其正确识别率明显下降;第二类方法主要从时频谱图提取出运动部件的物理参数(如叶片数、旋翼的长度、转速等)进行分类识别,但这类方法仍然容易受噪声的影响,在较低信噪比下,无法进行特征的准确提取,导致识别性能降低。
发明内容
本发明的主要内容是针对上述问题,提出一种微多普勒谱相关矩阵特征提取方法,通过从无人机回波数据的微多普勒谱中提取相关矩阵特征。
为便于理解,对本发明依据的原理进行以下说明:
设旋翼总数目为A,单个旋翼总的叶片数目为B,旋翼叶片长度为L,雷达到第a个旋翼中心的距离为R0a,第a个旋翼叶片的高度表示为z0a,雷达到第a个旋翼中心的俯仰角表示为βa(近似等于雷达到无人机轴中心的俯仰角,即β1=β2=…=βA=β),第a个旋翼的转动角频率为Ωa,第a个旋翼的初始旋转角为多旋转旋翼的回波模型如下:
其中
第a个旋翼的第k个叶片的等效瞬时微多普勒频率为对式(2)求时间倒数得到:
由式(3)可知,多旋翼无人机微多普勒特征是由A×B条正弦形式的曲线组成,当无人机只有旋翼数目的差别时,若载频、旋翼转速、叶片数、叶片长度、初始相位和俯仰角都相同的,则它们的时频谱图将是一样的。
本发明的技术方案是:一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法,包括以下步骤:
S1、获取多旋翼无人机的多普勒信号后,通过下式计算不同时刻t的多普勒频谱:
将不同时刻的S(f,t)组成矩阵X∈RM×Q:
X=[S(f,t1)S(f,t2)…,S(f,ti)…,S(f,tQ)]
S(f,ti)(i=1,2,…Q)为ti时刻的频谱;
其中,μi和σi分别为向量S(f,ti)的均值和标准差;
对相关矩阵Ψ进行奇异值分解估计特征{υr,λr},其中λr和υr分别为对应的第r个特征值和特征向量,使得λ1>λ2>…>λr,满足以下关系:
其中,f1和f2为两个不同的频率。
S3、提取出微多普勒特征:提取出含有强散射点的微多普勒特征,即大多数信息集中的特征,取前最大的r′个特征值对应的特征向量,使其贡献率G大于等于用户指定的保留率R, 0<R≤1:
将前r′个最大特征值对应的特征向量构成矩阵F:
F={υ1,υ2,…,υr′}
矩阵F即为提取的多旋翼无人机的微多普勒谱相关矩阵特征。
本发明的有益效果为,由于提取的相关矩阵特征一方面只包含旋转叶片上强散射点的微多普勒信息,同时降低了噪声强度,因此,与从时频谱数据中提取的物理参数特征比较,对噪声具有更好的鲁棒性,即使在较低信噪比的情况下,也可以获得更高的识别率。
具体实施方式
下面结合仿真实验实例,以证明本发明的有效性。
仿真实验设计了四种类型的无人机,包括直升机(单轴)、四旋翼无人机、六旋翼无人机、八旋翼无人机,其仿真参数如表1所示:
表1对4种无人机的仿真参数
仿真雷达参数包括:雷达载频为34.6GHz;脉冲重复频率为125000Hz;目标与雷达间的距离100m;雷达的俯仰角为10°,方位角为45°
每个种类都记录了15s的雷达信号,并将其分为固定长度0.2s的段(包含一个旋转周期),段之间的重叠为50%,对应于0.2×125000=2500个采样数据,总共1498段。为了计算STFT,本文使用长度M为128的滑动汉明窗,其中有L为90的重叠,提取的特征矩阵的一个维度为即X为128×63的矩阵。第一步首先计算特征矩阵X的相关矩阵Ψ,然后用特征值分解Ψ取出对应最大9个特征值的特征向量形成9×63的特征集F,紧接着将F中心化以提高模型的效果,再做归一化处理,使其分布在[-1,1]区间,进一步优化模型效果;第二步我们将处理后的F转置,再按列重新排列为一个向量,称之为段,将所有的段随机不重叠的分为训练集和测试集,训练集包括1000个段,测试集包括497个段,随机选取训练集中的400段作为训练数据,选取测试集中的300段作为分类数据;在SNR分别为20dB和-10dB 的情况下,采用本文方法与常规的时频图物理参数提取方法提取特征,使用SVM进行分类,识别结果如表2所示:
表2两种方法对不同旋翼数目无人机的正确分类率(%)
从表2的结果可以看出在高信噪比(SNR=20dB)的情况下,通过本发明特征提取方法与常规的时频图物理特征提取方法都可获得较高的分类率;在低信噪比(SNR=-10dB)的情况下,本方法获得的正确分类率高于常规的时频图物理特征提取方法,验证了本发明方法具有更好的抗噪性能。
Claims (1)
1.一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法,其特征在于,包括以下步骤:
S1、获取多旋翼无人机的多普勒信号后,通过下式计算不同时刻t的多普勒频谱:
将不同时刻的S(f,t)组成矩阵X∈RM×Q:
X=[S(f,t1) S(f,t2)…,S(f,ti)…,S(f,tQ)]
其中,μi和σi分别为向量S(f,ti)的均值和标准差;
对相关矩阵Ψ进行奇异值分解估计特征{υr,λr},其中λr和υr分别为对应的第r个特征值和特征向量,使得λ1>λ2>…>λr,满足以下关系:
其中,f1和f2为两个不同的频率;
S3、提取出微多普勒特征:取前最大的r′个特征值对应的特征向量,使其贡献率G大于等于用户指定的保留率R,0<R≤1:
将前r′个最大特征值对应的特征向量构成矩阵F:
F={υ1,υ2,…,υr′}
矩阵F即为提取的多旋翼无人机的微多普勒谱相关矩阵特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152760.XA CN111273285B (zh) | 2020-03-06 | 2020-03-06 | 一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152760.XA CN111273285B (zh) | 2020-03-06 | 2020-03-06 | 一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111273285A true CN111273285A (zh) | 2020-06-12 |
CN111273285B CN111273285B (zh) | 2022-08-05 |
Family
ID=71003792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010152760.XA Active CN111273285B (zh) | 2020-03-06 | 2020-03-06 | 一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111273285B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111796247A (zh) * | 2020-06-15 | 2020-10-20 | 哈尔滨工业大学 | 一种基于微多普勒效应的群组无人机回波仿真方法 |
CN113344033A (zh) * | 2021-05-17 | 2021-09-03 | 电子科技大学 | 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法 |
CN113591895A (zh) * | 2021-05-17 | 2021-11-02 | 电子科技大学 | 一种用于多旋翼无人机识别的二维主分量特征提取方法 |
CN114943252A (zh) * | 2022-05-20 | 2022-08-26 | 电子科技大学 | 一种多旋翼无人机识别中的多型子块组合特征提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885043A (zh) * | 2014-03-31 | 2014-06-25 | 西安电子科技大学 | 基于广义匹配滤波的飞机目标杂噪稳健分类方法 |
CN105997093A (zh) * | 2016-04-24 | 2016-10-12 | 西安电子科技大学 | 基于雷达主成分分析的肢体运动分离方法 |
CN109557514A (zh) * | 2019-01-14 | 2019-04-02 | 三峡大学 | 一种风电机叶片回波准确求解方法 |
CN110133600A (zh) * | 2019-06-17 | 2019-08-16 | 电子科技大学 | 一种直升机旋翼物理参数提取方法 |
-
2020
- 2020-03-06 CN CN202010152760.XA patent/CN111273285B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885043A (zh) * | 2014-03-31 | 2014-06-25 | 西安电子科技大学 | 基于广义匹配滤波的飞机目标杂噪稳健分类方法 |
CN105997093A (zh) * | 2016-04-24 | 2016-10-12 | 西安电子科技大学 | 基于雷达主成分分析的肢体运动分离方法 |
CN109557514A (zh) * | 2019-01-14 | 2019-04-02 | 三峡大学 | 一种风电机叶片回波准确求解方法 |
CN110133600A (zh) * | 2019-06-17 | 2019-08-16 | 电子科技大学 | 一种直升机旋翼物理参数提取方法 |
Non-Patent Citations (2)
Title |
---|
J.J.M.DE WIT: "Singular Value Decomposition", 《2014 INTERNATIONAL RADAR CONFERENCE》 * |
张天翼: "基于微多普勒的窄带雷达目标分类系统设计", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111796247A (zh) * | 2020-06-15 | 2020-10-20 | 哈尔滨工业大学 | 一种基于微多普勒效应的群组无人机回波仿真方法 |
CN111796247B (zh) * | 2020-06-15 | 2024-03-26 | 哈尔滨工业大学 | 一种基于微多普勒效应的群组无人机回波仿真方法 |
CN113344033A (zh) * | 2021-05-17 | 2021-09-03 | 电子科技大学 | 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法 |
CN113591895A (zh) * | 2021-05-17 | 2021-11-02 | 电子科技大学 | 一种用于多旋翼无人机识别的二维主分量特征提取方法 |
CN113344033B (zh) * | 2021-05-17 | 2022-05-17 | 电子科技大学 | 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法 |
CN113591895B (zh) * | 2021-05-17 | 2023-04-07 | 电子科技大学 | 一种用于多旋翼无人机识别的二维主分量特征提取方法 |
CN114943252A (zh) * | 2022-05-20 | 2022-08-26 | 电子科技大学 | 一种多旋翼无人机识别中的多型子块组合特征提取方法 |
CN114943252B (zh) * | 2022-05-20 | 2023-04-07 | 电子科技大学 | 一种多旋翼无人机识别中的多型子块组合特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111273285B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Zhang et al. | Classification of drones based on micro-Doppler signatures with dual-band radar sensors | |
CN110133600B (zh) | 一种直升机旋翼物理参数提取方法 | |
CN112162273B (zh) | 一种基于奇异矢量的多旋翼无人机物理参数提取方法 | |
CN108594195B (zh) | 基于分割混频的低重频调频连续波雷达飞机目标分类方法 | |
CN107942323B (zh) | 基于频域熵的进动目标时频曲线提取方法 | |
Walton et al. | Bispectrum of radar signatures and application to target classification | |
CN106814351B (zh) | 基于三阶lpc技术的飞机目标分类方法 | |
Li et al. | Research on analysis of aircraft echo characteristics and classification of targets in low-resolution radars based on EEMD | |
Zhang et al. | Precession parameter estimation of warhead with fins based on micro-Doppler effect and radar network | |
Li et al. | Target classification with low-resolution surveillance radars based on multifractal features | |
CN112904327B (zh) | 基于调频模糊函数的复合微动目标参数估计方法 | |
CN113269203A (zh) | 一种用于多旋翼无人机识别的子空间特征提取方法 | |
CN109061586B (zh) | 一种基于动态rcs模型的目标微动特征建模方法 | |
CN112784916B (zh) | 基于多任务卷积网络的空中目标微动参数实时提取方法 | |
CN109061597A (zh) | 基于盲源分离与时频脊波域滤波的电离层杂波抑制方法 | |
CN113591895B (zh) | 一种用于多旋翼无人机识别的二维主分量特征提取方法 | |
CN112441250B (zh) | 一种靶机旋翼的构建方法及系统 | |
CN115808666A (zh) | 一种基于残差多尺度深度网络模型的旋翼类目标识别方法 | |
Wantian et al. | Parity recognition of blade number and manoeuvre intention classification algorithm of rotor target based on micro-Doppler features using CNN | |
CN113344033B (zh) | 一种旋翼无人机与飞鸟目标分类中的判别特征提取方法 | |
CN113311406B (zh) | 基于多通道注意力网络的飞机时频域旋翼参数估计方法 | |
CN113281714A (zh) | 基于雷达微多普勒特征增强的鸟类目标探测方法 | |
Fu et al. | Radar HRRP target recognition using multi-KFD-based LDA algorithm | |
Zhao et al. | A method of aircraft target recognition for meter wave-radar based on convolutional neural network |
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 |