CN111537989A - 一种基于经验模态分解提取信号微多普勒调制分量的方法 - Google Patents

Abstract

本发明涉及信号处理技术领域，公开了一种基于经验模态分解提取信号微多普勒调制分量的方法，首先利用经验模态分解方法将回波中的杂波分量自适应的抑制，然后利用循环移位算法将回波中的平动分量移到多普勒频率为零处，最后再次利用经验模态分解算法将平动分量和微多普勒调制分量自动区分，本发明对微多普勒调制的提取不需要人工参与并且能够保持回波中的多普勒结构信息，从而提升依据微多普勒调制特性进行目标分类识别的正确率。

Description

一种基于经验模态分解提取信号微多普勒调制分量的方法

技术领域

本发明涉及信号处理领域，尤其涉及一种基于经验模态分解提取信号微多普勒调制分量的方法。

背景技术

目标在运动过程除了平动会对信号产生多普勒调制外，其上的转动部件同样会对信号产生额外的调制现象，称为微多普勒调制，例如车辆行驶过程中车轮的转动，人走路时四肢的摆动等。微多普勒调制中包含着转动部件的结构、尺寸等信息，可以利用这些信息实现对目标的分类识别。

除了平动分量，微多普勒调制分量外，目标回波中不可避免的会混杂着杂波分量，例如地杂波。平动分量和杂波分量的存在会对微多普勒调制分量产生影响，降低对目标分类识别的正确率。目前常用的方法是利用动目标显示(MTI)实现对目标回波中的杂波分量进行抑制，然后利用CLEAN算法将微多普勒分量和平动分量进行分离。该方法中，MTI由于具有非线性的幅度调制特性，会破坏目标的多普勒谱结构信息，降低识别性能，而CLEAN 算法在分离平动和微多普勒分量时需要预先获取平动分量带宽的先验信息，降低了识别算法的自动化程度。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提出一种采用经验模态分解提取目标回波中微多普勒调制分量的方法，该方法不需要人工参与能够自动提取微多普勒调制分量，同时不会对回波多普勒谱结构产生影响。

本发明采用的技术方案如下：一种基于经验模态分解提取信号微多普勒调制分量的方法，包括以下步骤：

S1：对目标回波信号进行经验模态分解；

S2：将模态分解后的目标回波信号进行杂波抑制，得到杂波抑制信号；

S3：将杂波抑制后信号变换到频域得到多普勒频谱X，对X取模得到Y，并找到Y最大值点的位置；

S4：利用Y中最大值点的位置，对多普勒频谱X进行循环移位，将平动分量多普勒频谱移到多普勒频率为零处，得到

S5：将

转换到时域得到

S6：利用经验模态分解将

中的平动分量和微多普勒分量分离，提取微多普勒分量。

进一步的，所述S1具体包括以下步骤：

S11：目标回波信号为s＝[s₁,s₂,...,s_N]^T，其中s_k为s第k个时刻的值，k＝1,2,...,N，N 为慢时间脉冲积累数，上标T表示矩阵转置；定义临时信号

S12：对

进行逐点搜索，提取其中的所有局部极大值，并对极大值序列进行插值，得到

的上包络

S13：对

进行逐点搜索，提取其中的所有局部极小值，并对极小值序列进行插值，得到

的下包络

S14：计算临时信号

的包络均值

S15：从临时信号

中减去包络均值，得到新的信号

并更新临时信号

S16：重复步骤S12至S15，直到新的信号

成为本征模函数，得到第一个本征模函数

和剩余信号r₁＝s-m₁，并对剩余信号r₁迭代进行经验模态分解，得到分解结果：

式中，L为本征模函数个数，m_i为第i个本征模函数，r_L为经验模态分解后得到的剩余项。

进一步的，所述S2中杂波抑制的方法具体为：舍弃分解结果

中的余项r_L，得到杂波抑制后信号

进一步的，所述S3具体包括：

S31：对杂波抑制后信号进行快速傅里叶变换得到信号的多普勒谱 X＝fft(x)＝[X₁,X₂,…,X_M]^T，其中fft(·)代表快速傅里叶变换,X_l为X第l个时刻的值， l＝1,2,...,M，M为FFT的点数；

S32：对X取模得到Y＝|X|，|·|代表取模运算；

S33：寻找信号Y＝|X|的最大值a及最大值所在位置pos，[pos,a]＝max(Y)，max(·)为寻找峰值运算。

进一步的，所述S4具体包括以下步骤：

S41：计算

其中mod(A,B)表示取B除以A之后的余数；

S42：计算慢时间脉冲积累数N分别除以M,M+1，…，M+N-1得到的余数，得到 Q＝[mod(M,N),mod(M+1,N)，…,mod(M+N-1,N)]；

S43：给Q中的每个元素加1，得到

S44：令

得到将平动分量移至0频后的信号多普勒谱，即：

进一步的，所述S5中，利用傅里叶变换将

转换到时域，即

其中ifft(·)代表快速逆傅里叶变换。

与现有技术相比，采用上述技术方案的有益效果为：本发明对微多普勒调制的提取不需要人工参与并且能够保持回波中的多普勒结构信息，从而提升依据微多普勒调制特性进行目标分类识别的正确率。

附图说明

图1是本发明的流程图；

图2是对一组实测数据进行第一次经验模态分解得到的结果；

图3是对杂波抑制后信号进行循环移位得到的结果；

图4是对循环移位后信号进行第二次经验模态分解得到的结果。

具体实施方式

下面结合附图对本发明做进一步描述。

实施例1

如图1所示，本发明提供了一种基于经验模态分解提取信号微多普勒调制分量的方法，其具体包括以下步骤：

步骤1，对目标回波信号进行经验模态分解。

目标回波信号为s＝[s₁,s₂,...,s_N]^T，其中s_k为s第k个时刻的值，k＝1,2,...,N，N为慢时间脉冲积累数，上标T表示矩阵转置。对信号s按以下步骤进行经验模态分解：

1a)初始化，定义临时信号

1b)对

进行逐点搜索，提取其中的所有局部极大值，并对极大值序列进行插值，得到

的上包络

1c)对

进行逐点搜索，提取其中的所有局部极小值，并对极小值序列进行插值，得到

的下包络

1d)计算临时信号

的包络均值

1e)从临时信号

中减去包络均值，得到新的信号

并更新临时信号

重复步骤b)至e)，直到新的信号

成为本征模函数，得到第一个本征模函数

和剩余信号r₁＝s-m₁，并对剩余信号r₁迭代进行经验模态分解，得到分解结果：

式中，L为本征模函数个数，m_i为第i个本征模函数，r_L为经验模态分解后得到的剩余项。

步骤2，杂波抑制。

目标信号s经过经验模态分解后的结果

中，杂波成分包含在余项r_L中，将余项r_L直接舍弃即可得到杂波抑制后信号

步骤3，将杂波抑制后信号变换到频域，并找到最大值点的位置。

对杂波抑制后信号进行快速傅里叶变换得到信号的多普勒谱 X＝fft(x)＝[X₁,X₂,…,X_M]^T，其中fft(·)代表快速傅里叶变换,X_l为X第l个时刻的值， l＝1,2,...,M，M为FFT的点数。对取模后的信号Y＝|X|，寻找其最大值a及最大值所在位置pos，[pos,a]＝max(Y)，其中|·|为取模运算，max(·)为寻找峰值运算。

步骤4，对多普勒频谱X进行循环移位，将平动分量多普勒频谱移到多普勒频率为零处。

X和Y中最大值对应的是平动分量多普勒谱,按照如下步骤将 X＝fft(x)＝[X₁,X₂,…,X_M]^T中平动多普勒谱移位到多普勒频率为零处：

4a)计算

其中mod(A,B)表示取B除以A之后的余数；

4b)计算N分别除以M,M+1，…，M+N-1得到的余数，得到 Q＝[mod(M,N),mod(M+1,N)，…,mod(M+N-1,N)]；

4c)给Q中的每个元素加1，得到

4d)令

得到将平动分量移至0频后的信号多普勒谱，即：

步骤5，将平动分量移到零频的信号转换到时域。

利用傅里叶逆变换将

转换到时域，

其中ifft(·)代表快速逆傅里叶变换。

步骤6，利用经验模态分解将

中的平动分量和微多普勒分量分离，提取微多普勒分量。

该步骤与上述步骤1相似，即将

进行模态分解，得到分解结果

去除平动分量r_L，即得到微多普勒分量

本发明的效果通过以下对实测数据的实验进一步说明:

1.实验内容

实验中所用数据为目标实测数据。实测数据的慢时间积累脉冲数为803.

1.1)首先对实测数据利用经验模态分解进行处理，分解出各分量的多普勒谱如图2所示。其中，第一行子图为输入慢时间信号的多普勒谱，第二行子图为第一到第三个本征模函数的多普勒谱和余项的多普勒谱；

1.2)对上述经验模态分解结果得到的本征模函数相加得到杂波抑制后的信号，然后利用循环移位算法将平动分量移到零频处，得到的结果如图3所示。其中，第一行子图为杂波抑制后信号的多普勒谱，第二行子图为循环移位后信号的多普勒谱；

1.3)对循环移位后的结果进行经验模态分解，分解结果如图4所示，其中，第一行子图为本征模函数和的多普勒谱，第二行子图为余项的多普勒谱。

2.试验结果分析：

2.1)从图2可以看出，对目标实测慢时间信号进行经验模态分解后，零频率附近的多普勒分量包含在余项中，对于目标慢时间信号，零频率附近的多普勒分量就是杂波分量，而平动分量和微多普勒分量存在于本征模函数中。因此，本发明中使用的经验模态分解可以自适应的将慢时间信号中各种不同的频率成分分解出来，进而自动完成杂波抑制，不需要额外的处理。

2.2)从图3可以看出，经过循环移位后，原本不处于零频附近的平动分量被移到了零频。

从图4可以看出，对循环移位后的信号再次进行经验模态分解，可以将现在处于零频附近的平动分量和微动分量区分。因此本发明可以自适应的将雷达回波中的的微多普勒分量提取出来，不需要人工干预且能够非常好的保留微多普勒调制特性。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员，在不脱离本发明的精神所做的非实质性改变或改进，都应该属于本发明权利要求保护的范围。

Claims (6)

1.一种基于经验模态分解提取信号微多普勒调制分量的方法，其特征在于，包括以下步骤：

S1：对目标回波信号进行经验模态分解；

S2：将模态分解后的目标回波信号进行杂波抑制，得到杂波抑制信号；

S3：将杂波抑制后信号变换到频域得到多普勒频谱X，对X取模得到Y，并找到Y最大值点的位置；

S4：利用Y中最大值点的位置，对多普勒频谱X进行循环移位，将平动分量多普勒频谱移到多普勒频率为零处，得到

S5：将

转换到时域得到

S6：利用经验模态分解将

中的平动分量和微多普勒分量分离，提取微多普勒分量。

2.根据权利要求1所述的一种基于经验模态分解提取信号微多普勒调制分量的方法，其特征在于，所述S1具体包括以下步骤：

S11：目标回波信号为s＝[s₁,s₂,...,s_N]^T，其中s_k为s第k个时刻的值，k＝1,2,...,N，N为慢时间脉冲积累数，上标T表示矩阵转置；定义临时信号

S12：对

进行逐点搜索，提取其中的所有局部极大值，并对极大值序列进行插值，得到

的上包络

S13：对

进行逐点搜索，提取其中的所有局部极小值，并对极小值序列进行插值，得到

的下包络

S14：计算临时信号

的包络均值

S15：从临时信号

中减去包络均值，得到新的信号

并更新临时信号

S16：重复步骤S12至S15，直到新的信号

成为本征模函数，得到第一个本征模函数

和剩余信号r₁＝s-m₁，并对剩余信号r₁迭代进行经验模态分解，得到分解结果：

式中，L为本征模函数个数，m_i为第i个本征模函数，r_L为经验模态分解后得到的剩余项。

3.根据权利要求2所述的一种基于经验模态分解提取信号微多普勒调制分量的方法，其特征在于，所述S2中杂波抑制的方法具体为：舍弃分解结果

中的余项r_L，得到杂波抑制后信号

4.根据权利要求1或3所述的一种基于经验模态分解提取信号微多普勒调制分量的方法，其特征在于，所述S3具体包括：

S31：对杂波抑制后信号进行快速傅里叶变换得到信号的多普勒谱X＝fft(x)＝[X₁,X₂,…,X_M]^T，其中fft(·)代表快速傅里叶变换,X_l为X第l个时刻的值，l＝1,2,...,M，M为FFT的点数；

S32：对X取模得到Y＝|X|，|·|代表取模运算；

S33：寻找信号Y＝|X|的最大值a及最大值所在位置pos，[pos,a]＝max(Y)，max(·)为寻找峰值运算。

5.根据权利要求4所述的一种基于经验模态分解提取信号微多普勒调制分量的方法，其特征在于，所述S4具体包括以下步骤：

S41：计算

其中mod(A,B)表示取B除以A之后的余数；

S42：计算慢时间脉冲积累数N分别除以M,M+1，…，M+N-1得到的余数，得到Q＝[mod(M，N)，mod(M+1，N)，…,mod(M+N-1,N)]；

S43：给Q中的每个元素加1，得到

S44：令

得到将平动分量移至0频后的信号多普勒谱，即：

6.根据权利要求1所述的一种基于经验模态分解提取信号微多普勒调制分量的方法，其特征在于，所述S5中，利用傅里叶变换将

转换到时域，即

其中ifft(·)代表快速逆傅里叶变换。

Images