CN111273285B - 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

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

一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法

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R_0a,第a个旋翼叶片的高度表示为z_0a,雷达到第a个旋翼中心的俯仰角表示为β_a(近似等于雷达到无人机轴中心的俯仰角,即β₁＝β₂＝…＝β_A＝β)，第a个旋翼的转动角频率为Ω_a，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：

其中，S(f,t)为时刻t的多普勒频谱，w(m)是长度为M的平滑窗口，例如可以利用汉明窗，N为信号的长度，f为频率指数，D是连续傅里叶长度的重叠，谱图的维数 S∈R^M×Q,

将不同时刻的S(f,t)组成矩阵X∈R^M×Q：

X＝[S(f,t₁)S(f,t₂)…，S(f,t_i)…，S(f,t_Q)]

S(f,t_i)(i＝1,2,…Q)为t_i时刻的频谱；

S2、将X进行中心化得到

其中，μ_i和σ_i分别为向量S(f,t_i)的均值和标准差；

因矩阵

大多数情况都是非方阵，若要进行特征值分解需先得到

的相关矩阵Ψ，获取

的相关矩阵Ψ：

对相关矩阵Ψ进行奇异值分解估计特征{υ_r，λ_r}，其中λ_r和υ_r分别为对应的第r个特征值和特征向量，使得λ₁>λ₂>…>λ_r，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,…,υ_r′}

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：

其中，S(f,t)为时刻t的多普勒频谱，w(m)是长度为M的平滑窗口，N为信号的长度，f为频率指数，D是连续傅里叶长度的重叠，谱图的维数S∈R^M×Q,

将不同时刻的S(f,t)组成矩阵X∈R^M×Q：

X＝[S(f,t₁) S(f,t₂)…，S(f,t_i)…，S(f,t_Q)]

S2、将X进行中心化得到

其中，μ_i和σ_i分别为向量S(f,t_i)的均值和标准差；

获取

的相关矩阵Ψ：

对相关矩阵Ψ进行奇异值分解估计特征{υ_r，λ_r}，其中λ_r和υ_r分别为对应的第r个特征值和特征向量，使得λ₁>λ₂>…>λ_r，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,…,υ_r′}

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。