CN111401168A - 一种无人机的多层雷达特征提取与选择方法 - Google Patents

一种无人机的多层雷达特征提取与选择方法 Download PDF

Info

Publication number
CN111401168A
CN111401168A CN202010151250.0A CN202010151250A CN111401168A CN 111401168 A CN111401168 A CN 111401168A CN 202010151250 A CN202010151250 A CN 202010151250A CN 111401168 A CN111401168 A CN 111401168A
Authority
CN
China
Prior art keywords
formula
unmanned aerial
aerial vehicle
function
characteristic
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
Application number
CN202010151250.0A
Other languages
English (en)
Other versions
CN111401168B (zh
Inventor
尹洁珺
周春花
夏慧婷
高亮
王海涛
陈潜
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.)
Shanghai Shentian Industrial Co ltd
Original Assignee
Shanghai Shentian Industrial Co ltd
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 Shanghai Shentian Industrial Co ltd filed Critical Shanghai Shentian Industrial Co ltd
Priority to CN202010151250.0A priority Critical patent/CN111401168B/zh
Publication of CN111401168A publication Critical patent/CN111401168A/zh
Application granted granted Critical
Publication of CN111401168B publication Critical patent/CN111401168B/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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种无人机的多层雷达特征提取与选择方法，包括如下步骤：S1，采用变分模态分解获取各个类型无人机目标本振模态函数；S2，计算本振模态函数的信息熵、频谱峰值和希尔伯特边际谱特征，得到第一层输出特征；S3，采用度量距离对第一层特输出征进行选择及数据降维得到第二层输出特征。

Description

一种无人机的多层雷达特征提取与选择方法
技术领域
本发明涉及雷达目标分类方法，特别涉及一种无人机的多层雷达特征提取与选择方法。
背景技术
无人机飞行本身存在一定安全隐患，并且利用无人机实施犯罪甚至是恐怖袭击的可能性，对公共安全带来巨大威胁。因此，高效、稳定识别不同类型无人机成为研究热点。但微小型无人机属于弱目标，易受到地海杂波、建筑与树木的干扰，影响了目标特征提取效率，使得目标识别准确率不高。利用实测弱目标训练样本，提取多特征来提高目标识别稳健性是较为常见的方法之一。
“一种基于雷达数据的轻小型无人机与飞鸟分类识别方法”(ZL201610896005.6)提出了一种基于雷达数据辨别轻小型无人机与飞鸟的方法。在多模假设框架下，采用标准卡尔曼滤波器处理雷达数据，得到目标的运动模式判断从而实现跟踪。将一段固定时间的目标运动模式变化次数，并将其当作特征，用于无人机与飞鸟分类识别。但该方法有效的假设条件为飞鸟目标的机动性高于轻小型无人机，但轻小无人机种类、型号众多，机动性各不相同。并且轻小型无人机技术的不断发展，操作人员技能的提升，无人机机动性能在不断提高。因此，该方法的漏检率较高。
“基于时域相关性特征的飞机目标分类方法”(ZL 201410446519.2)利用了雷达回波的幅度信息计算循环自相关函数与循环平均幅度差函数，并构造了峰值函数。用于区分三类飞机目标的特征为峰值函数的方差，熵，大于第一峰值门限的点数，第一个超越第二峰值门限的时域点与回波幅度方差和熵，组成维度为6的特征向量。最后利用支持向量机方法实现目标分类。该方法利用的回波信噪比达20dB,虽然说明书中没有对信杂比提出要求，但由于采用了幅值的统计信息，因此使用的目标回波质量较高。而本发明考虑了在杂波背景下、目标被遮挡时，无人机目标分类问题。
“一种逆合成孔径雷达空间目标分类方法及系统”(ZL201711129995.1)利用逆合成孔径雷达(ISAR)像中目标的强度信息与几何结构信息和散射点分布，实现目标分类。该方法综合了多种特征，对遮挡目标能保证目标分类的稳健性。但没有考虑杂波与噪声较大时的目标分类问题。
“用于低空多目标分类识别的雷达探测系统”(ZL 201711259256.4)对发明的低空探测雷达进行了全面叙述。重点描述了雷达硬件及信号流，而没有具体阐释目标识别模块，也并不针对无人机目标。
按照特征分类无人机目标分类方法主要有：
(1)多普勒信息分类
通常利用多普勒效应提取多普勒包络信号，进行频谱分析获取多普勒信息，能实时获取目标与雷达之间的相对速度、位置及航迹等运动特征信息，其中也包括了某些目标特有的局部微动信息，典型如旋翼的转动信息等。但易受到杂波影响。
(2)时频域变换分类
时频域变换识别可分为时域分析法、频域分析法、时频分析法和高阶统计分析方法等，该类方法均基于全局的时频域变换特征进行识别，没有很好利用目标局部显著特征信息，不能很好的解决小目标识别问题。经验模态分解方法(Empirical ModeDecomposition)，1998年由黄锷(N.E.Huang)等人提出的一种自适应的时频处理方法，该方法依据数据自身的时间尺度特征进行分解，无需先验的基函数，能通过模态分解提取微动多普勒特征，验证雷达弱目标识别原理。
(3)信息熵统计分类
信息熵度量的是事件出现的不确定性，如雷达目标识别这一典型事件，可能出现的各种情况的概率分布的平均期望值，准确来说就是不再用0代表没有可识别目标，1代表识别目标的两种单一概率模型，简单表达目标识别事件。而是通过雷达探测回波中目标信息的波尔兹曼能级概率分布图，统计分析目标回波中的多个不同能级对目标识别这一确定事件的不同影响效果，并根据实测雷达回波的局部波尔兹曼能级概率分布图准确计算目标识别这事件的局部信息熵，熵值越小，说明该局部特征对于目标识别的影响越显著，识别的代价就小。相反，熵值越大，就说明识别的不确定性高，识别代价就大。
相对熵采用波尔兹曼能级概率分布图中统计出来的概率值，来衡量雷达探测回波中多个不同的目标回波信号样本的能级概率分布图之间的差异。J-S距离就是一种典型的相对熵计算方法，表示两个本来存在相似可能的概率分布之间差异，可用来计算雷达散射截面积的理论仿真计算的概率分布与实测概率分布之间的相对差异，值域范围为0到1，两个样本数据的概率分布相同为0，不同为1，中间值表示具体的相似度大小。
Wasserstein距离是基于统计的概率分布图，进一步等效细化成多个子概率分布模型，计算每个子概率分布模型中所有样本点子集的均值与方差，采用子集的均值与方差计算子概率分布图形成的联合概率分布之间的最小差异，其中包括一个多次迭代寻优的规划过程，相对J-S距离来说是一个动态寻优的相似度或差异性表达方法，可用于雷达与被探测目标之间的相对运动引起的目标像的平移、转动与大小变化时的动态识别。
发明内容
本发明的目的是提供一种无人机的多层雷达特征提取与选择方法，基于变分模态分解，提取无人机目标稳定可分性强的特征，为解决无人机目标实时识别提供支撑，满足雷达应用领域的拓展要求。
为了实现以上目的，本发明是通过以下技术方案实现的：
一种无人机的多层雷达特征提取与选择方法，其特点是，包括如下步骤：
S1，采用变分模态分解获取各个类型无人机目标本振模态函数；
S2，计算本振模态函数的信息熵、频谱峰值和希尔伯特边际谱特征，得到第一层输出特征；
S3，采用度量距离对不同层的输出特征进行选择，实现目标特征数据降维。
所述的步骤S1包括：
Figure BDA0002402510900000031
式中：{uk}＝{u1(t),u2(t),...,uK(t)}与{ωk}＝{ω1,ω2,...,ωK}；uk(t)为分解得到的第k个本征模态函数；ωk为各分量的中心频率；k＝1,…,K为模态阶数；s.t.f(t)＝∑kuk(t)指求解最优问题同时，满足本征模态函数的和等于输入信号f(t)；
Figure BDA0002402510900000041
为偏微分算子；δ(t)为冲激函数；*为卷积运算符号；
Figure BDA0002402510900000042
为uk(t)通过希尔伯特变换的解析信号；||·||2为向量的L2范数；
为了求得模型的最优解引入二次项的惩罚因子α和拉格朗日乘子λ(t)，得到增广拉格朗日函数L(·)：
Figure BDA0002402510900000043
式中：*为卷积运算符号；<·>指向量内积算子，采用交替方向乘子法求解使公式(2)最小的本征模态函数{uk}，得到本征函数频域表达式：
Figure BDA0002402510900000044
式中：n为迭代序号，标记在参数的右上角；
Figure BDA0002402510900000045
与
Figure BDA0002402510900000046
分别为f(t)，ui(t)，λ(t)与
Figure BDA0002402510900000047
傅里叶变换，根据(3)式求得
Figure BDA0002402510900000048
再做逆傅里叶变换得到
Figure BDA0002402510900000049
所述的步骤S2包括：
步骤S2.1，提取信息熵特征：
Figure BDA00024025109000000410
的采样量化数据为mk(n)，mk(n)的均值qk与标准差的计算式为
Figure BDA00024025109000000411
式中：N为
Figure BDA00024025109000000412
的采样点数；
将mk(n)按值域[qk-σk,qk+σk]，[qk-2σk，qk-σk)∪(qk+σk，qk+2σk]，[qk-3σk，qk-2σk)∪(qk+2σk，qk+3σk]……分段，统计每段内的样本点数并除以N，得到统计直方图
Figure BDA0002402510900000051
l＝1,2,3,...为mk(n)的分段序号，然后计算信息熵：
Figure BDA0002402510900000052
式中：log2(·)为以2为底的对数，得到本振模态函数uk(t)的信息熵特征，En(mk)记为Ck,1；
步骤S2.2，提取功率谱峰值特征：
由本征模态函数
Figure BDA0002402510900000053
的傅里叶变换
Figure BDA0002402510900000054
得到信号功率谱为
Figure BDA0002402510900000055
得到峰值特征为
Figure BDA0002402510900000056
式中：Fk的数据长度与mk(n)相同，记Zk为Ck,2；
步骤S2.3，提取希尔伯特边际谱特征：
计算本征模态函数的解析信号：
Figure BDA0002402510900000057
式中：H(·)为希尔伯特变换；ak(t)为
Figure BDA0002402510900000058
的解析信号的瞬时幅度；θk(t)为解析信号的瞬时相位；fk(t)为解析信号的瞬时频率，于是希尔伯特谱为
Figure BDA0002402510900000059
然后对时间积分，得到希尔伯特边际谱
Figure BDA0002402510900000061
式中：fmax为希尔伯特边际谱被记为Ck,3，并得到本振信号uk(t)的特征向量Ck＝[Ck,1,Ck,2,Ck,3]，构成无人机目标雷达回波信号的特征集合{Ck},k＝1,2,...,K。
所述的步骤S3包括：
对每一种特征，度量不同层本振信号的特征相似性，分别求出信息熵、频谱峰值间隔与希尔伯特边际谱的度量距离，对于距离大于阈值T1的样本进行删除，对于距离小于阈值T2的样本进行平均；
对于两个集合元素个数相同的度量距离为
Figure BDA0002402510900000062
式中：
Figure BDA0002402510900000063
指求使得求和项最小的参数g，g为传输矩阵，；dw(·)为最佳传输测度(也称作Wasserstein距离)表示不同层本振信号的特征相似性；Ck与Ce为不同层的特征向量；d(·)取相对熵；xi,yj表示特征数据。
采用交替方向乘子法求解公式(11)的流程如下：
输入：Ce＝[x1,x2,…,xn]，Ck＝[y1,y2,…,yn]
输出：最优传输距离dw(Ce,Ck)
1)建立空间数据Ce＝[x1,x2,…,xn]的概率分布模型
Figure BDA0002402510900000064
式中：gij为传输测度，用高斯核函数表示，即
Figure BDA0002402510900000065
de(·)为欧式距离；σx为高斯核函数的宽度参数
2)当迭代次数t＝1至T时，
计算低维空间投射
Figure BDA0002402510900000066
式中：σy为高斯核函数的宽度参数；
Figure BDA0002402510900000067
计算成本函数
Figure BDA0002402510900000071
利用随机梯度下降更新高斯核参数σx，σy
当n＝1至N时，计算成本函数
Figure BDA0002402510900000072
利用随机梯度下降更新qij，最后输出距离度量值。
本发明与现有技术相比，具有以下优点：
(1)基于经验模态分解的目标分层特征提取方法
针对位姿敏感和角闪烁问题，在基于经验模态分解的目标分层分段时频分析的基础上，进一步采用希尔伯特边际谱特征提取方法，对无人机类典型微小目标回波信号仿真与实测回波数据的验证分析。
(2)基于最佳传输测度(Wasserstein距离)的特征选择方法
针对位姿敏感和角闪烁问题，对本振模态函数的信息熵、频谱峰值与变分希尔伯特边际谱进一步处理，采用Wasserstein距离度量特征，对于某一特征，同类型目标不同样本的特征进行选择，减少特征集合数据量，降低目标分类测试时的计算复杂度，实现无人机类典型微小目标特征识别性能的提升。
附图说明
图1为本发明一种无人机目标雷达回波处理流程；
图2为本发明一种无人机的多层雷达特征提取与选择方法的流程图；
图3为无人机雷达回波本征信号仿真结果；
图4为无人机目标分类标识结果。
具体实施方式
以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。
如图1、2所示，一种无人机的多层雷达特征提取与选择方法，包括如下步骤：
S1，采用变分模态分解获取各个类型无人机目标本振模态函数；
S2，计算本振模态函数的信息熵、功率谱峰值间距和希尔伯特边际谱特征，得到第一层输出特征；
S3，采用度量距离对不同层的输出特征进行选择，实现目标特征数据降维。
所述的步骤S1包括：
Figure BDA0002402510900000081
式中：
Figure BDA0002402510900000082
指求解使得花括号中的函数达到最小值的参数{uk}＝{u1(t),u2(t),...,uK(t)}与{ωk}＝{ω1,ω2,...,ωK}；uk(t)为分解得到的第k个本征模态函数；ωk为各分量的中心频率；k＝1,…,K为模态阶数；s.t.f(t)＝∑kuk(t)指求解最优问题同时，满足本征模态函数的和等于输入信号f(t)；θt为偏微分算子；δ(t)为冲激函数；*为卷积运算符号；
Figure BDA0002402510900000083
为uk(t)通过希尔伯特变换的解析信号；||·||2为向量的L2范数。
为了求得模型的最优解引入二次罚函数项α和拉格朗日乘子λ(t)，得到增广拉格朗日函数L(·)：
Figure BDA0002402510900000084
式中：*为卷积运算符号；<·>指向量内积算子。采用交替方向乘子法求解使公式(2)最小的本征模态函数{uk}。得到本征函数频域表达式：
Figure BDA0002402510900000085
式中：n为迭代序号，标记在参数的右上角；
Figure BDA0002402510900000086
与
Figure BDA0002402510900000087
分别为f(t)，ui(t)，λ(t)与
Figure BDA0002402510900000088
傅里叶变换。根据(3)式求得
Figure BDA0002402510900000089
再做逆傅里叶变换得到uk(t)，本征模态函数如图3所示。
所述的步骤S2包括：
步骤S2.1，提取信息熵特征：
Figure BDA0002402510900000091
的采样量化数据为mk(n)，mk(n)的均值qk与标准差的计算式为
Figure BDA0002402510900000092
式中：N为
Figure BDA0002402510900000093
的采样点数。
将mk(n)按值域[qk-σk,qk+σk]，[qk-2σk，qk-σk)∪(qk+σk，qk+2σk]，[qk-3σk，qk-2σk)∪(qk+2σk，qk+3σk]……分段，统计每段内的样本点数并除以N，得到统计直方图
Figure BDA0002402510900000094
l＝1,2,3,...为mk(n)的分段序号，然后计算信息熵：
Figure BDA0002402510900000095
式中：log2(·)为以2为底的对数。得到本振模态函数uk(t)的信息熵特征，En(mk)记为Ck,1；
步骤S2.2，提取功率谱峰值特征：
由本征模态函数
Figure BDA0002402510900000096
的傅里叶变换
Figure BDA0002402510900000097
得到信号功率谱为
Figure BDA0002402510900000098
得到峰值特征为
Figure BDA0002402510900000099
式中：Fk的数据长度与mk(n)相同，记Zk为Ck,2；
步骤S2.3，提取希尔伯特边际谱特征：
计算本征模态函数的解析信号：
Figure BDA0002402510900000101
式中：H(·)为希尔伯特变换；ak(t)为
Figure BDA0002402510900000102
的解析信号的瞬时幅度；θk(t)为解析信号的瞬时相位；fk(t)为解析信号的瞬时频率。于是希尔伯特谱为
Figure BDA0002402510900000103
然后对频率积分，得到希尔伯特边际谱
h(f)＝∫Mk(f,t)df (10)
式中：fmax为希尔伯特边际谱被记为Ck,3，并得到本振信号uk(t)的特征向量Ck＝[Ck,1,Ck,2,Ck,3]，构成无人机目标雷达回波信号的特征集合{Ck},k＝1,2,...,K。
所述的步骤S3包括：
对每一种特征，度量不同层本振信号的特征相似性，分别求出信息熵、频谱峰值间隔与希尔伯特边际谱的度量距离，对于距离大于阈值T1的样本进行删除，对于距离小于阈值T2的样本进行平均；
对于两个集合元素个数相同的度量距离为
Figure BDA0002402510900000104
式中：
Figure BDA0002402510900000105
指求使得求和项最小的参数g，g为传输矩阵，；dw(·)为最佳传输测度(也称作Wasserstein距离)表示不同层本振信号的特征相似性；Ck与Ce为不同层的特征向量；d(·)取相对熵；xi,yj表示特征数据。
采用交替方向乘子法求解公式(11)的流程如下：
输入：高维数据集Ce＝[x1,x2,…,xn]，Ck＝[y1,y2,…,yn]
输出：最优传输距离dw(Ce,Ck)
1)建立空间数据Ce＝[x1,x2,…,xn]的概率分布模型
Figure BDA0002402510900000111
式中：gij为传输测度，用高斯核函数表示，即
Figure BDA0002402510900000112
de(·)为欧式距离；σx为高斯核函数的宽度参数
2)当迭代次数t＝1至T时，
计算低维空间投射
Figure BDA0002402510900000113
式中：σy为高斯核函数的宽度参数；
Figure BDA0002402510900000114
计算成本函数
Figure BDA0002402510900000115
利用随机梯度下降更新高斯核参数σx，σy
当n＝1至N时，计算成本函数
Figure BDA0002402510900000116
利用随机梯度下降更新qij。
最后输出距离度量值。
所得特征采用贝叶斯方法分类，得到分类结果如图4所示。
综上所述，本发明一种无人机的多层雷达特征提取与选择方法，基于变分模态分解，提取无人机目标稳定可分性强的特征，为解决无人机目标实时识别提供支撑，满足雷达应用领域的拓展要求。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (4)

1.一种无人机的多层雷达特征提取与选择方法，其特征在于，包括如下步骤：
S1，采用变分模态分解获取各个类型无人机目标本振模态函数；
S2，计算本振模态函数的信息熵、频谱峰值和希尔伯特边际谱特征，得到第一层输出特征；
S3，采用度量距离对不同层的输出特征进行选择，实现目标特征数据降维。
2.如权利要求1所述的无人机的多层雷达特征提取与选择方法，其特征在于，所述的步骤S1包括：
Figure FDA0002402510890000011
式中：{uk}＝{u1(t),u2(t),...,uK(t)}与{ωk}＝{ω1,ω2,...,ωK}；uk(t)为分解得到的第k个本征模态函数；ωk为各分量的中心频率；k＝1,…,K为模态阶数；s.t.f(t)＝∑kuk(t)指求解最优问题同时，满足本征模态函数的和等于输入信号f(t)；
Figure FDA0002402510890000012
为偏微分算子；δ(t)为冲激函数；*为卷积运算符号；
Figure FDA0002402510890000013
为uk(t)通过希尔伯特变换的解析信号；||·||2为向量的L2范数；
为了求得模型的最优解引入二次项的惩罚因子α和拉格朗日乘子λ(t)，得到增广拉格朗日函数L(·)：
Figure FDA0002402510890000014
式中：*为卷积运算符号；<·>指向量内积算子，采用交替方向乘子法求解使公式(2)最小的本征模态函数{uk}，得到本征函数频域表达式：
Figure FDA0002402510890000015
式中：n为迭代序号，标记在参数的右上角；
Figure FDA0002402510890000021
与
Figure FDA0002402510890000022
分别为f(t)，ui(t)，λ(t)与
Figure FDA0002402510890000023
傅里叶变换，根据(3)式求得
Figure FDA0002402510890000024
再做逆傅里叶变换得到
Figure FDA0002402510890000025
3.如权利要求1所述的无人机的多层雷达特征提取与选择方法，其特征在于，所述的步骤S2包括：
步骤S2.1，提取信息熵特征：
Figure FDA0002402510890000026
的采样量化数据为mk(n)，mk(n)的均值qk与标准差的计算式为
Figure FDA0002402510890000027
式中：N为
Figure FDA0002402510890000028
的采样点数；
将mk(n)按值域[qk-σk,qk+σk]，[qk-2σk，qk-σk)∪(qk+σk，qk+2σk]，[qk-3σk，qk-2σk)∪(qk+2σk，qk+3σk]……分段，统计每段内的样本点数并除以N，得到统计直方图
Figure FDA0002402510890000029
为mk(n)的分段序号，然后计算信息熵：
Figure FDA00024025108900000210
式中：log2(·)为以2为底的对数，得到本振模态函数uk(t)的信息熵特征，En(mk)记为Ck,1；
步骤S2.2，提取功率谱峰值特征：
由本征模态函数
Figure FDA00024025108900000211
的傅里叶变换
Figure FDA00024025108900000212
得到信号功率谱为
Figure FDA00024025108900000213
得到峰值特征为
Figure FDA00024025108900000214
式中：Fk的数据长度与mk(n)相同，记Zk为Ck,2；
步骤S2.3，提取希尔伯特边际谱特征：
计算本征模态函数的解析信号：
Figure FDA0002402510890000031
式中：H(·)为希尔伯特变换；ak(t)为
Figure FDA0002402510890000032
的解析信号的瞬时幅度；θk(t)为解析信号的瞬时相位；fk(t)为解析信号的瞬时频率，于是希尔伯特谱为
Figure FDA0002402510890000033
然后对时间积分，得到希尔伯特边际谱
Figure FDA0002402510890000034
式中：fmax为希尔伯特边际谱被记为Ck,3，并得到本振信号uk(t)的特征向量Ck＝[Ck,1,Ck,2,Ck,3]，构成无人机目标雷达回波信号的特征集合{Ck},k＝1,2,...,K。
4.如权利要求1所述的无人机的多层雷达特征提取与选择方法，其特征在于，所述的步骤S3包括：
对每一种特征，度量不同层本振信号的特征相似性，分别求出信息熵、频谱峰值间隔与希尔伯特边际谱的度量距离，对于距离大于阈值T1的样本进行删除，对于距离小于阈值T2的样本进行平均；
对于两个集合元素个数相同的度量距离为
Figure FDA0002402510890000035
式中：
Figure FDA0002402510890000036
指求使得求和项最小的参数g，g为传输矩阵，；dw(·)为最佳传输测度(也称作Wasserstein距离)表示不同层本振信号的特征相似性；Ck与Ce为不同层的特征向量；d(·)取相对熵；xi,yj表示特征数据；
采用交替方向乘子法求解公式(11)的流程如下：
输入：Ce＝[x1,x2,…,xn]，Ck＝[y1,y2,…,yn]
输出：最优传输距离dw(Ce,Ck)
1)建立空间数据Ce＝[x1,x2,…,xn]的概率分布模型
Figure FDA0002402510890000041
式中：gij为传输测度，用高斯核函数表示，即
Figure FDA0002402510890000042
de(·)为欧式距离；σx为高斯核函数的宽度参数
2)当迭代次数t＝1至T时，
计算低维空间投射
Figure FDA0002402510890000043
式中：σy为高斯核函数的宽度参数；
Figure FDA0002402510890000044
计算成本函数
Figure FDA0002402510890000045
利用随机梯度下降更新高斯核参数σx，σy
当n＝1至N时，计算成本函数
Figure FDA0002402510890000046
利用随机梯度下降更新qij，最后输出距离度量值。
CN202010151250.0A 2020-03-06 2020-03-06 一种无人机的多层雷达特征提取与选择方法 Active CN111401168B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010151250.0A CN111401168B (zh) 2020-03-06 2020-03-06 一种无人机的多层雷达特征提取与选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010151250.0A CN111401168B (zh) 2020-03-06 2020-03-06 一种无人机的多层雷达特征提取与选择方法

Publications (2)

Publication Number Publication Date
CN111401168A true CN111401168A (zh) 2020-07-10
CN111401168B CN111401168B (zh) 2023-11-17

Family

ID=71436013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010151250.0A Active CN111401168B (zh) 2020-03-06 2020-03-06 一种无人机的多层雷达特征提取与选择方法

Country Status (1)

Country Link
CN (1) CN111401168B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204051A (zh) * 2021-06-10 2021-08-03 成都理工大学 一种基于变分模态分解的低秩张量地震数据去噪方法
CN113468947A (zh) * 2021-04-16 2021-10-01 中国民航科学技术研究院 一种多雷达站鸟情信息融合以及成像方法
CN115902804A (zh) * 2022-11-07 2023-04-04 南京航空航天大学 一种无人机集群类型识别方法和系统
CN116820121A (zh) * 2023-05-15 2023-09-29 哈尔滨工业大学（深圳） 一种无人机群体联合侦查策略生成方法及终端

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100092028A1 (en) * 2008-10-10 2010-04-15 National Central University Data Decomposition Method and Computer System Therefrom
KR20100067991A (ko) * 2008-12-12 2010-06-22 영남대학교 산학협력단 고유벡터 엔트로피에 기초한 레이더 영상 자동초점 방법
CN103245937A (zh) * 2013-05-27 2013-08-14 四川大学 基于微多普勒效应的微动目标特征提取方法
US20150341602A1 (en) * 2013-01-15 2015-11-26 Israel Aerospace Industries Ltd Remote tracking of objects
CN106529478A (zh) * 2016-11-08 2017-03-22 中国人民解放军空军工程大学 一种联合三维熵特征的雷达辐射源信号识别方法
US20170135644A1 (en) * 2015-11-18 2017-05-18 National Chiao Tung University Physiological signal measuring system and method thereof
CN107607065A (zh) * 2017-09-22 2018-01-19 河海大学 一种基于变分模态分解的冲击回波信号分析方法
CN108919203A (zh) * 2018-05-21 2018-11-30 西安电子科技大学 一种雷达有源干扰的识别方法及系统
CN109116350A (zh) * 2017-06-22 2019-01-01 波音公司 合成孔径雷达映射和配准系统和方法
CN109307862A (zh) * 2018-07-05 2019-02-05 西安电子科技大学 一种目标辐射源个体识别方法
CN110163040A (zh) * 2018-03-28 2019-08-23 信阳农林学院 非高斯杂波中雷达辐射源信号识别技术
CN110188647A (zh) * 2019-05-23 2019-08-30 西安电子科技大学 一种基于变分模态分解雷达辐射源特征提取及其分类方法
CN110595765A (zh) * 2019-08-26 2019-12-20 西安理工大学 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
CN110765983A (zh) * 2019-11-07 2020-02-07 山东科技大学 一种基于微震频谱特征的煤柱型冲击地压危险性评价方法
CN110836775A (zh) * 2019-12-25 2020-02-25 济南大学 一种基于多维熵空间距离的滚动轴承故障识别方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100092028A1 (en) * 2008-10-10 2010-04-15 National Central University Data Decomposition Method and Computer System Therefrom
KR20100067991A (ko) * 2008-12-12 2010-06-22 영남대학교 산학협력단 고유벡터 엔트로피에 기초한 레이더 영상 자동초점 방법
US20150341602A1 (en) * 2013-01-15 2015-11-26 Israel Aerospace Industries Ltd Remote tracking of objects
CN103245937A (zh) * 2013-05-27 2013-08-14 四川大学 基于微多普勒效应的微动目标特征提取方法
US20170135644A1 (en) * 2015-11-18 2017-05-18 National Chiao Tung University Physiological signal measuring system and method thereof
CN106529478A (zh) * 2016-11-08 2017-03-22 中国人民解放军空军工程大学 一种联合三维熵特征的雷达辐射源信号识别方法
CN109116350A (zh) * 2017-06-22 2019-01-01 波音公司 合成孔径雷达映射和配准系统和方法
CN107607065A (zh) * 2017-09-22 2018-01-19 河海大学 一种基于变分模态分解的冲击回波信号分析方法
CN110163040A (zh) * 2018-03-28 2019-08-23 信阳农林学院 非高斯杂波中雷达辐射源信号识别技术
CN108919203A (zh) * 2018-05-21 2018-11-30 西安电子科技大学 一种雷达有源干扰的识别方法及系统
CN109307862A (zh) * 2018-07-05 2019-02-05 西安电子科技大学 一种目标辐射源个体识别方法
CN110188647A (zh) * 2019-05-23 2019-08-30 西安电子科技大学 一种基于变分模态分解雷达辐射源特征提取及其分类方法
CN110595765A (zh) * 2019-08-26 2019-12-20 西安理工大学 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
CN110765983A (zh) * 2019-11-07 2020-02-07 山东科技大学 一种基于微震频谱特征的煤柱型冲击地压危险性评价方法
CN110836775A (zh) * 2019-12-25 2020-02-25 济南大学 一种基于多维熵空间距离的滚动轴承故障识别方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
JINGPENG GAO, ET AL.: "A Rapid Accurate Recognition System for Radar Emitter Signals", ELECTRONICS *
吕建慧;席泽敏;卢建斌;刘江波;: "基于Hilbert-Huang变换的雷达信号特征提取技术", no. 05 *
张群;胡健;罗迎;陈怡君;: "微动目标雷达特征提取、成像与识别研究进展" *
张群;胡健;罗迎;陈怡君;: "微动目标雷达特征提取、成像与识别研究进展", 雷达学报, no. 05 *
李亚兰;金炜东;葛鹏;: "基于VMD和特征融合的辐射源信号识别", no. 07 *
梁华东;徐庆;: "熵特征在雷达信号分选中的应用", 空军预警学院学报, no. 01 *
田格格: "低慢小目标探测雷达信号处理关键技术", no. 02, pages 1 - 4 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468947A (zh) * 2021-04-16 2021-10-01 中国民航科学技术研究院 一种多雷达站鸟情信息融合以及成像方法
CN113468947B (zh) * 2021-04-16 2023-07-18 中国民航科学技术研究院 一种多雷达站鸟情信息融合以及成像方法
CN113204051A (zh) * 2021-06-10 2021-08-03 成都理工大学 一种基于变分模态分解的低秩张量地震数据去噪方法
CN113204051B (zh) * 2021-06-10 2022-04-15 成都理工大学 一种基于变分模态分解的低秩张量地震数据去噪方法
CN115902804A (zh) * 2022-11-07 2023-04-04 南京航空航天大学 一种无人机集群类型识别方法和系统
CN115902804B (zh) * 2022-11-07 2024-01-05 南京航空航天大学 一种无人机集群类型识别方法和系统
CN116820121A (zh) * 2023-05-15 2023-09-29 哈尔滨工业大学（深圳） 一种无人机群体联合侦查策略生成方法及终端
CN116820121B (zh) * 2023-05-15 2024-06-11 哈尔滨工业大学（深圳） 一种无人机群体联合侦查策略生成方法及终端

Also Published As

Publication number Publication date
CN111401168B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN111401168B (zh) 一种无人机的多层雷达特征提取与选择方法
Wang et al. Deep learning-based UAV detection in pulse-Doppler radar
Molchanov et al. Classification of small UAVs and birds by micro-Doppler signatures
CN107728142B (zh) 基于二维卷积网络的雷达高分辨距离像目标识别方法
CN110018453B (zh) 基于飞机航迹特征的智能机型识别方法
CN107300698B (zh) 一种基于支持向量机的雷达目标航迹起始方法
Liu et al. Deep learning and recognition of radar jamming based on CNN
CN109901130B (zh) 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法
CN109753874A (zh) 一种基于机器学习的低慢小雷达目标分类方法
CN111142085B (zh) 一种基于航迹特征提取的外辐射源雷达目标分类识别方法
CN111175718A (zh) 联合时频域的地面雷达自动目标识别方法及系统
CN113050797A (zh) 一种通过毫米波雷达实现手势识别的方法
RU2579353C1 (ru) Способ сопровождения воздушной цели из класса &#34;самолёт с турбореактивным двигателем&#34; при воздействии уводящей по скорости помехи
CN112269173B (zh) 一种多平台雷达一维图像信号进行融合的方法
CN112213697B (zh) 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法
CN109117776A (zh) 基于航迹信息的飞机与气象杂波分类识别方法
Pengcheng et al. Radar group target recognition based on HRRPs and weighted mean shift clustering
Rizvi et al. Deep learning approach for fixed and rotary-wing target detection and classification in radars
Sinha et al. Estimation of Doppler profile using multiparameter cost function method
CN113887583A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法
Zhu et al. Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter
CN113486917A (zh) 一种基于度量学习的雷达hrrp小样本目标识别方法
CN115061094B (zh) 一种基于神经网络与svm的雷达目标识别方法
CN108549076B (zh) 一种基于速度节奏图的多种类无人机场景识别方法
CN116304966A (zh) 基于多源数据融合的航迹关联方法

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