CN111693953A - 基于微多普勒的目标分类识别模型、方法、系统及装置 - Google Patents
基于微多普勒的目标分类识别模型、方法、系统及装置 Download PDFInfo
- Publication number
- CN111693953A CN111693953A CN202010394462.1A CN202010394462A CN111693953A CN 111693953 A CN111693953 A CN 111693953A CN 202010394462 A CN202010394462 A CN 202010394462A CN 111693953 A CN111693953 A CN 111693953A
- Authority
- CN
- China
- Prior art keywords
- data
- micro
- doppler
- resolution range
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000002592 echocardiography Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于微多普勒的目标分类识别模型、方法、系统及装置。该模型通过批量获取目标的雷达回波信号,对其进行预处理,得到高分辨距离像集;按照高分辨距离像中是否包含微多普勒频率成分,分为第一数据集和第二数据集并从中批量获取数据样本;确定各个数据样本的特征值向量,得到特征样本数据,并对所述特征样本数据添加标签信息;最终通过所述特征样本数据及标签信息进行SVM分类器训练得到。该方法通过使用所述模型来进行飞机目标的分类识别。通过使用本发明中的方法,可以得到精度更高、效果更好的分类结果,在实际应用中适应能力强,泛化程度高。本发明可广泛应用于雷达识别技术领域内。
Description
技术领域
本发明涉及雷达识别技术领域,尤其是一种基于微多普勒的目标分类识别模型、方法、系统及装置。
背景技术
雷达自动目标识别为一种集目标、环境和精细化信号处理为一体的系统工程,此项技术通过处理回波信号,提取和选择目标稳健性特征,然后使用合适的分类算法自动确定目标属性和型号。Victor C.Chen等人将微多普勒效应引入到雷达自动目标识别领域,他们将目标部件的运动分解为整体平动和相对于质心的摆动或转动,并定义这些相对于质心的运动称为微运动。这些微运动在回波信号中的调制定义为微多普勒效应,不同运动目标引起的微多普勒效应会有差异。因此,通过对回波信号的微多普勒调制特性进行分析,便能够获得目标的微动信息以及结构尺寸。雷达的微多普勒调制也称为发动机调制,目前针对雷达飞机目标分类主要的方法是提取发动机调制特征。发动机调制特征指飞机目标的旋翼、螺旋桨等微动部件由于周期性的旋转而产生调制回波,在时域上调制特性表现为周期性的闪烁脉冲,多普勒域调制特性表现为以目标频率为中心的等间隔谱线。通过调制波的时域调制特性和多普勒域调制特性,可以确定出目标的旋转部件旋翼数目和转速等信息。
基于上述的技术背景,目前通过对目标的微多普勒特征分析,能够对飞机的类型进行分类,例如识别出目标是否是带有螺旋桨的飞机。现有技术中,在进行飞机目标分类识别的过程时,特征提取的方法是补偿机身分量后估计调制波的周期或调制谱线的谱线间隔,但大多数雷达脉冲的重复频率较低且观测时间较短,导致雷达的发动机调制回波存在多普勒模糊、多普勒分辨率较低的问题,最终使得目标分类性能下降。目前,现有技术中还缺少一种良好的雷达技术方案,以用于解决以上问题。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种基于微多普勒的目标分类识别模型,使用该模型能够有效解决常规防空雷达低重频、短照射时间与参数谱估计方法期望高重频和长照射时间的矛盾,可以提高飞机目标分类识别的性能。
本发明实施例的另一个目的在于提供一种基于微多普勒的目标分类识别方法。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
第一方面,本发明实施例提供了一种基于微多普勒的目标分类识别模型,所述模型通过以下步骤训练得到:
批量获取目标的雷达回波信号;
对所述雷达回波信号进行预处理,得到目标的高分辨距离像数据;
按照高分辨距离像中是否包含微多普勒频率成分,将预处理后的高分辨距离像数据分为第一数据集和第二数据集;其中,所述第一数据集中的数据高分辨距离像中包含微多普勒频率成分,所述第二数据集中的数据高分辨距离像中不包含微多普勒频率成分;
从所述第一数据集和第二数据集中批量获取数据样本;
确定各个所述数据样本的特征值向量,得到特征样本数据,并根据数据样本是否包含微多普勒频率成分对所述特征样本数据添加标签信息;
通过所述特征样本数据及标签信息,进行SVM分类器训练得到基于微多普勒的目标分类识别模型。
另外,根据本发明上述实施例的基于微多普勒的目标分类识别模型,还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述对所述雷达回波信号进行预处理这一步骤,其具体包括:
对所述雷达回波信号进行脉冲压缩处理;
对所述雷达回波信号进行包络对齐处理;
对所述雷达回波信号进行基于特显点自聚焦的相位校正处理。
进一步地,在本发明的一个实施例中,所述从所述第一数据集和第二数据集中批量获取数据样本这一步骤,其具体包括:
从高分辨距离像上挑选距离单元;
在每个被挑选的距离单元的方位向上,基于滑窗法批量截取子数据,并以所述子数据作为数据样本。
进一步地,在本发明的一个实施例中,所述从所述高分辨距离像上挑选距离单元这一步骤,其具体包括:
从所述高分辨距离像中挑选方差最大的距离单元。
进一步地,在本发明的一个实施例中,所述确定各个所述数据样本的特征值向量,得到特征样本数据这一步骤,其具体包括:
分别对第一数据集和第二数据集的数据样本进行分组;
基于每个数据样本的自相关矩阵,得到其对应的特征值向量;
提取每组内所有数据样本的特征值向量的均值作为特征样本数据。
第二方面,本发明实施例提出了一种基于微多普勒的目标分类识别方法,包括以下步骤:
获取待识别目标的雷达回波信号;
对所述雷达回波信号进行预处理,得到待识别目标的高分辨距离像;
确定所述样本的特征值向量,得到特征样本数据;
将所述特征样本数据导入到训练好的基于微多普勒的目标分类识别模型,得到待识别目标的分类结果;
其中,所述基于微多普勒的目标分类识别模型采用如上所述的模型。
另外,根据本发明上述实施例的基于微多普勒的目标分类识别方法,还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述对所述雷达回波信号进行预处理这一步骤,其具体包括:
对所述雷达回波信号进行脉冲压缩处理;
对所述雷达回波信号进行包络对齐处理;
对所述雷达回波信号进行基于特显点自聚焦的相位校正处理。
第三方面,本发明实施例提供了一种基于微多普勒的目标分类识别系统,包括:
第一获取模块,用于获取雷达回波信号;
预处理模块,用于对所述雷达回波信号进行预处理,得到目标的高分辨距离像数据;
分组模块,用于按照高分辨距离像中是否包含微多普勒频率成分,将高分辨距离像数据分为第一数据集和第二数据集;其中,所述第一数据集中的数据高分辨距离像中包含微多普勒频率成分,所述第二数据集中的数据高分辨距离像中不包含微多普勒频率成分;
第二获取模块,用于从所述第一数据集和第二数据集中批量获取数据样本;
处理模块,用于确定各个所述数据样本的特征值向量,得到特征样本数据;
训练模块,用于对所述特征样本数据添加是否包含微多普勒频率成分的标签信息,并通过所述特征样本数据及标签信息,进行SVM分类器训练得到基于微多普勒的目标分类识别模型;
识别模块,用于将所述特征样本数据导入到训练好的基于微多普勒的目标分类识别模型,得到待识别目标的分类结果。
第四方面,本发明实施例提供了一种基于微多普勒的目标分类识别装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现所述的基于微多普勒的目标分类识别方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到:
本发明实施例从模式分类的角度提出了基于飞机目标的回波信号特征谱散布特征进行分类的方法,该方法依据雷达检测到的目标的回波信号中是否包含微多普勒频率成分,通过对回波信号的自相关矩阵进行特征值分解,提取特征谱分布的差异性作为特征实现喷气式飞机、螺旋桨飞机的分类。本发明实施例能够有效解决常规防空雷达低重频、短照射时间与参数谱估计方法期望高重频和长照射时间的矛盾,可以得到精度更高、效果更好的分类结果,在实际应用中适应能力强,泛化程度高。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案,下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明一种基于微多普勒的目标分类识别模型具体实施例的训练流程示意图;
图2为本发明一种具体实施例的含有微多普勒频率成分的高分辨距离像示意图;
图3为本发明一种具体实施例的不含微多普勒频率成分的高分辨距离像示意图;
图4为本发明一种基于微多普勒的目标分类识别方法具体实施例的高分辨距离像频谱示意图;
图5为本发明一种基于微多普勒的目标分类识别方法具体实施例的高分辨距离像特征谱示意图;
图6为本发明一种基于微多普勒的目标分类识别系统具体实施例的模块示意图;
图7为本发明一种基于微多普勒的目标分类识别装置具体实施例的模块示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
下面参照附图详细描述根据本发明实施例提出的基于微多普勒的目标分类识别模型、方法和系统,首先将参照附图描述根据本发明实施例提出的基于微多普勒的目标分类识别模型。
参照图1,本发明实施例中所述的基于微多普勒的目标分类识别模型,通过以下步骤训练得到:
S1:批量获取目标的雷达回波信号;
本发明实施例中,所述目标主要包括各类不含螺旋桨的飞机(如喷气式飞机)和带有螺旋桨的飞机,所述雷达可以采用目前常用的逆合成孔径雷达(ISAR:InverseSynthetic Aperture Radar)。
S2:对所述雷达回波信号进行预处理,得到目标的高分辨距离像数据;
作为进一步优选的实施方式,所述对所述雷达回波信号进行预处理这一步骤S2,其包括以下步骤:
S21:对所述雷达回波信号进行脉冲压缩处理;
具体地,所述步骤S21的原理为:假设雷达的调频斜率为γ,混频后的中频信号的采样率为fs,每一个脉冲发射周期的信号采样点个数为Nsp,此时雷达发射信号的有效带宽为雷达的距离分辨率为其中c为光速,等于3×108m/s。雷达发射的线性调频(LFM)信号为
解线频调则是用一时间固定,而频率、调频率相同的线性调频信号作为参考信号,用它和回波作差频处理,设参考距离为Rref,则参考信号为:
由上述表达式可知,中频信号的频率与目标的距离成正比,目标距离越远,其对应中频信号的频率越大。因此,可以对中频信号进行FFT,即可完成脉冲压缩,从而得到目标的高分辨距离像(HRRP,high resolution range profile)。
S22:对所述雷达回波信号进行包络对齐处理;
在高分辨窄发射的情况下,相邻回波距离像的时延变化是不能忽略的,逆合成孔径雷达成像常需要几百、甚至上千次回波,相干积累时间常以秒计,在此期间包络时延的变化常比目标长度大很多,因此必须进行包络对齐。
所述包络对齐的方法具体如下:设所用于的成像的回波数目为M,每次回波有N个距离单元,用sm(n)表示第m次回波中第n个距离单元的实振幅,m=0,…,M-1;n=0,…,N-1。用sm(n,τm)表示第m次回波延时不同的τm后第n个距离单元振幅,对齐中先以第一次包络为基准依次对后续第k(k=2,…,M)次包络进行延时调整,其延时调整量为:
更为优选的,因为uk(τ),vk(τ)为实数,可以通过下面详细讨论的频率域作卷积的方法进一步减小运算量。假设,z(n)为实序列x1(n)和x2(n)的卷积,即则可以通过下面的方式变换到频率域处理:z(n)=IFFT(conj(FFT(x1(n)))·FFT(x2(n)))。
对于x1(n)和x2(n)为实序列,构造x(n)=x1(n)+j·x2(n),则有x1(n)和x2(n)的傅立叶变换分别为:
其中:
通过以上方式,原来作卷积需要3个FFT运算,可以简化为2个FFT运算。
信号在时域中右移τk,等效于在频域与一个负指数线性相位函数相乘。在原信号频域乘以时延对应的线性相位,即可得到与参考高分辨距离像对齐以后的距离像,即:
通过包络对齐处理,各次回波的距离单元能够基本对齐,各距离单元回波包络序列的幅度和相位的横向变化正常。
S23:对所述雷达回波信号进行基于特显点自聚焦的相位校正处理。
本发明实施例中,以非相干的情况为例,介绍如何对相位进行补偿。
以第n个距离单元为例,设它里面共有Ln个散射点,于是该单元的复包络横向序列可写成:
上式中表示该距离单元里Ln个散射点子回波,其幅度、起始相位和横距分别为σin、和xin,wn(m)为该单元的噪声。此外,在非相干情况下,各次回波的初相是随机的,它对各个距离单元有同样的影响,式中以γm(m=0,1,…,M-1)表示各次回波的初相值,它与n无关。上式表明,若能准确估计出初相值γm(m=0,1,…,M-1),并分别对各次回波序列加以补偿,就可将初相校正好。
若第p个距离单元为特显点单元,这时该单元子回波中的小杂波和噪声会对该回波的幅度和相位产生小的调制,信号表示式为:
式中σ1p(m)和ψ1p(m)表示小杂波和噪声产生的幅度和相位小的调制。
若以该特显点的位置作为转台轴心(即x1p=0),则上述子回波的相位历程为:
仍采用孤立点时散射点的方法作初相校正,即将各次回波所有距离单元数据的相位分别减去特显点单元的实测相位Φp(m),则从上式可知,随机初相值γ(m)被正确消除。
采用如步骤S21、S22和S23多种预处理方式对所述雷达回波信号进行预处理,即可得到包络对齐和相位校正后的高分辨距离像,具体地,包含微多普勒频率成分和不包含微多普勒频率成分的高分辨距离像分别如图2和图3所示。从图2中可以看出:机身的多普勒特征为低频,其频率变化反映在HRRP中是距离单元在方位向上的幅度变化缓慢,微多普勒分量为高频,其频率变化反映在HRRP中是距离单元在方位向上的幅度变化快速;从图3中可以看出:整个飞机多普勒特征频率变化反映在HRRP中是距离单元在方位向上的幅度变化缓慢。
S3:按照高分辨距离像中是否包含微多普勒频率成分,将预处理后的高分辨距离像数据分为第一数据集和第二数据集;其中,所述第一数据集中的数据高分辨距离像中包含微多普勒频率成分,所述第二数据集中的数据高分辨距离像中不包含微多普勒频率成分;
S4:从所述第一数据集和第二数据集中批量获取数据样本;
进一步作为优选的实施方式,所述步骤S4具体包括:
S41:从高分辨距离像上挑选距离单元;
S42:在每个被挑选的距离单元的方位向上,基于滑窗法批量截取子数据,并以所述子数据作为数据样本;使用滑窗法可以在数据量较少的情况下尽可能地得到较多的数据样本。
进一步作为优选的实施方式,所述步骤S41具体为:
从第一数据集和第二数据集的高分辨距离像中挑选出方差最大的几个距离单元。
具体地,例如:可以将挑选出来的三个距离像单元在方位向上进行滑窗取值处理以增大数据量,其中窗口大小为3*250,则3*250的HRRP数据为一个数据样本。图4是数据样本的频谱图,图中实线为包含微多普勒频率成分和机身分量的距离单元上截取的数据样本的频谱,由于机身反射回波的能量较强,图中最大幅度对应的频率分量为机身多普勒谱,机身分量附近周期性的频率分量是由旋翼调制产生的微多普勒频率成分。图中虚线为只包含机身分量的距离单元上截取的数据样本的频谱。
S5:确定各个所述数据样本的特征值向量,得到特征样本数据,并根据数据样本是否包含微多普勒频率成分对所述特征样本数据添加标签信息;
进一步作为优选的实施方式,步骤S5具体包括:
S51:分别对第一数据集和第二数据集的数据样本进行分组;
S52:基于每个数据样本的自相关矩阵,得到其对应的特征值向量;
S53:提取每组内所有数据样本的特征值向量的均值作为特征样本数据。
本发明实施例中,提取特征谱分布的差异性作为特征实现喷气式飞机和螺旋桨飞机的分类。多普勒域谱线条数与回波信号自相关矩阵的大特征值个数相对应,参照图5,图中实线为含微多普勒频率成分距离单元的自相关矩阵的特征值分布曲线,虚线为不含微多普勒频率成分距离单元的自相关矩阵的特征值分布曲线。由于含微多普勒频率成分的距离单元的数据包含机身多普勒、微多普勒及噪声三种成分,不含微多普勒频率成分的距离单元的数据包含机身多普勒和噪声两种成分,且飞机目标喷气发动机调制多普勒域调制为一系列等间隔谱线,而多普勒域谱线条数与信号自相关矩阵的大的特征值个数相对应,所以在图中可看出含微多普勒频率成分的大特征值个数更多。
提取所述特征值作为分类依据的原理如下:对雷达回波信号的特征进行分析,回波信号可以表示为:
其中,w(n)是均值为0,方差为δ2的复高斯白噪声,假定信号是宽平稳的,初始相位φi,i=1,2,...,K是在[02π]上均匀分布的独立随机变量,考虑到噪声与信号不相关,其协方差阵为其中,Wi是第i条谐波信号功率,p是信号样本长度或阶次,ei={1 exp(wi) exp(2wi) … exp[((p-1)wi)]}是信号矢量。取阶次p>K,则p×p矩阵Rss必是奇异的,若对Rss进行特征值分解,记特征值和特征向量分别为λm,vm,m=1,2,...,p特征值按非递增顺序排列,那么最后p-K个特征值将为0,所以有:
可见,vm,m=1,2,...,p也是Rxx的特征向量,Rxx的特征值中有p-K个明显较小,对应的特征向量张成的空间是噪声子空间,K个大特征值对应特征向量张成的空间是信号子空间。显然,通过估算p个特征值中的大特征值个数K能够估算出回波中信号的谐波个数,因此提取特征谱分布的差异性作为分类特征具有可行性。
S6:通过所述特征样本数据及标签信息,进行SVM分类器训练得到基于微多普勒的目标分类识别模型。
在本发明实施例中,使用的分类器为支持向量机(SVM),SVM是基于统计学习理论框架开发的一种机器学习和分类识别方法,它较好地实现了结构风险最小化。最大分类间隔和核函数思想是SVM的两个最为重要的技巧,下面简要阐述其分类原理。
SVM的基本思想是先将输入样本通过核函数映射到高维特征空间,然后在特征空间中通过最大化分类间隔寻找最优分界面,分类间隔最大化可转化成二次规划问题,通过引入拉格朗日乘子求解二次规划问题的对偶问题,从而得到问题的解。SVM无需任何先验知识便能找到最优超平面,且只需少量的支持向量就能表示这个最优超平面,因此分类的效率更高。常用的核函数为多项式核函数K(xi,xj)=(xi·xj+1)k和径向基核函数K(xi,xj)=exp(-l||xi-xj||2),·表示两个向量的内积。
假设训练样本特征数据集为{v1,v2,…,vN},它对应的类别标号为{y1,y2,…,yN},yj=±1,N为训练样本总数。φ为非线性变换,则特征数据集在高维特征空间的映射为{φ(x1),φ(x2),…,φ(xN)},为了表示方便,可令φ(xj)=φj。高维特征空间的分类面为w·φ(x)+b=0。式中,w,b表示权值和阈值。若将方程归一化,则分类间隔为margin=2/||w||。令margin最大等价于最小,则最优分类面可以表示为st:yj[w·φj+b]-1≥0。
根据Karush-Kuhn-Tucker(KKT)定理,对最优分类面的求解可以采用Lagrange优化方法将其转化为求解对偶问题,即:
式中,αj为与每个样本对应的Lagrange乘子,C为常数。上式是不等式约束下的二次凸规划问题,并存在唯一解。解中只有少部分与它们对应的样本就是高维特征空间的支持向量。此时 式中,为对应于的类别标号;w*,b*为最优分类面的权值和阈值;NSV为支持向量的数目。此时,根据训练样本目标的特征信息设计的分类器已设计好,后续即可进行分类测试或者应用该分类器进行相应的分类任务。
其次,描述根据本发明实施例提出的基于微多普勒的目标分类识别方法。
本发明实施例中所述的基于微多普勒的目标分类识别方法,包括以下步骤:
获取待识别目标的雷达回波信号;
对所述雷达回波信号进行预处理,得到待识别目标的高分辨距离像;
从所述高分辨距离像中获取数据样本;
确定所述数据样本的特征值向量,得到特征样本数据;
将所述特征样本数据导入到训练好的基于微多普勒的目标分类识别模型,得到待识别目标的分类结果;
其中,所述基于微多普勒的目标分类识别模型采用所述的模型。
上述模型实施例中的内容均适用于本方法实施例中,本方法实施例所具体实现的功能与上述模型实施例相同,并且达到的有益效果与上述模型实施例所达到的有益效果也相同。
下面参照附图描述根据本发明实施例提出的基于微多普勒的目标分类识别系统。
图6为本发明一个实施例的基于微多普勒的目标分类识别系统的结构示意图。
所述系统具体包括:
第一获取模块101,用于获取雷达回波信号;
预处理模块102,用于对所述雷达回波信号进行预处理,得到目标的高分辨距离像数据;
分组模块103,用于按照高分辨距离像中是否包含微多普勒频率成分,将高分辨距离像数据分为第一数据集和第二数据集;其中,所述第一数据集中的数据高分辨距离像中包含微多普勒频率成分,所述第二数据集中的数据高分辨距离像中不包含微多普勒频率成分;
第二获取模块104,用于从所述第一数据集和第二数据集中批量获取数据样本;
处理模块105,用于确定各个所述数据样本的特征值向量,得到特征样本数据;
训练模块106,用于对所述特征样本数据添加是否包含微多普勒频率成分的标签信息,并通过所述特征样本数据及标签信息,进行SVM分类器训练得到基于微多普勒的目标分类识别模型;
识别模块107,用于将所述特征样本数据导入到训练好的基于微多普勒的目标分类识别模型,得到待识别目标的分类结果。
可见,上述模型实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述模型实施例相同,并且达到的有益效果与上述模型实施例所达到的有益效果也相同。
参照图7,本发明实施例提供了一种基于微多普勒的目标分类识别装置,包括:
至少一个处理器201;
至少一个存储器202,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器201执行时,使得所述至少一个处理器201实现所述的基于微多普勒的目标分类识别方法。
同理,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
另外,本发明实施例还可提供一种存储介质,其中存储有处理器201可执行的指令,所述处理器201可执行的指令在由处理器201执行时用于执行所述的基于微多普勒的目标分类识别方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的物体销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件物体的形式体现出来,该计算机软件物体存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种基于微多普勒的目标分类识别模型,其特征在于,所述模型通过以下步骤训练得到:批量获取目标的雷达回波信号;
对所述雷达回波信号进行预处理,得到目标的高分辨距离像数据;
按照高分辨距离像中是否包含微多普勒频率成分,将预处理后的高分辨距离像数据分为第一数据集和第二数据集;其中,所述第一数据集中的数据高分辨距离像中包含微多普勒频率成分,所述第二数据集中的数据高分辨距离像中不包含微多普勒频率成分;
从所述第一数据集和第二数据集中批量获取数据样本;
确定各个所述数据样本的特征值向量,得到特征样本数据,并根据数据样本是否包含微多普勒频率成分对所述特征样本数据添加标签信息;
通过所述特征样本数据及标签信息,进行SVM分类器训练得到基于微多普勒的目标分类识别模型。
2.根据权利要求1所述的基于微多普勒的目标分类识别模型,其特征在于,所述对所述雷达回波信号进行预处理这一步骤,其具体包括:
对所述雷达回波信号进行脉冲压缩处理;
对所述雷达回波信号进行包络对齐处理;
对所述雷达回波信号进行基于特显点自聚焦的相位校正处理。
3.根据权利要求1所述的基于微多普勒的目标分类识别模型,其特征在于,所述从所述第一数据集和第二数据集中批量获取数据样本这一步骤,其具体包括:
从高分辨距离像上挑选距离单元;
在每个被挑选的距离单元的方位向上,基于滑窗法批量截取子数据,并以所述子数据作为数据样本。
4.根据权利要求3所述的基于微多普勒的目标分类识别模型,其特征在于,所述从高分辨距离像上挑选距离单元这一步骤,其具体为:
从所述高分辨距离像中挑选方差最大的距离单元。
5.根据权利要求3所述的基于微多普勒的目标分类识别模型,其特征在于,所述确定各个所述数据样本的特征值向量,得到特征样本数据这一步骤,其具体包括:
分别对第一数据集和第二数据集的数据样本进行分组;
基于每个数据样本的自相关矩阵,得到其对应的特征值向量;
提取每组内所有数据样本的特征值向量的均值作为特征样本数据。
6.一种基于微多普勒的目标分类识别方法,其特征在于,包括以下步骤:
获取待识别目标的雷达回波信号;
对所述雷达回波信号进行预处理,得到待识别目标的高分辨距离像;
根据高分辨距离像获取数据样本;
确定所述数据样本的特征值向量,得到特征样本数据;
将所述特征样本数据导入到训练好的基于微多普勒的目标分类识别模型,得到待识别目标的分类结果;
其中,所述基于微多普勒的目标分类识别模型使用如权利要求1-5中任一项所述的模型。
7.根据权利要求6所述的基于微多普勒的目标分类识别方法,其特征在于,所述对所述雷达回波信号进行预处理这一步骤,其具体包括:
对所述雷达回波信号进行脉冲压缩处理;
对所述雷达回波信号进行包络对齐处理;
对所述雷达回波信号进行基于特显点自聚焦的相位校正处理。
8.一种基于微多普勒的目标分类识别系统,其特征在于,包括:
第一获取模块,用于获取雷达回波信号;
预处理模块,用于对所述雷达回波信号进行预处理,得到目标的高分辨距离像数据;
分组模块,用于按照高分辨距离像中是否包含微多普勒频率成分,将高分辨距离像数据分为第一数据集和第二数据集;其中,所述第一数据集中的数据高分辨距离像中包含微多普勒频率成分,所述第二数据集中的数据高分辨距离像中不包含微多普勒频率成分;
第二获取模块,用于从所述第一数据集和第二数据集中批量获取数据样本;
处理模块,用于确定各个所述数据样本的特征值向量,得到特征样本数据;
训练模块,用于对所述特征样本数据添加是否包含微多普勒频率成分的标签信息,并通过所述特征样本数据及标签信息,进行SVM分类器训练得到基于微多普勒的目标分类识别模型;
识别模块,用于将所述特征样本数据导入到训练好的基于微多普勒的目标分类识别模型,得到待识别目标的分类结果。
9.一种基于微多普勒的目标分类识别装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求6-7中任一项所述的基于微多普勒的目标分类识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394462.1A CN111693953B (zh) | 2020-05-11 | 2020-05-11 | 基于微多普勒的目标分类识别模型、方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394462.1A CN111693953B (zh) | 2020-05-11 | 2020-05-11 | 基于微多普勒的目标分类识别模型、方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111693953A true CN111693953A (zh) | 2020-09-22 |
CN111693953B CN111693953B (zh) | 2023-12-05 |
Family
ID=72477567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010394462.1A Active CN111693953B (zh) | 2020-05-11 | 2020-05-11 | 基于微多普勒的目标分类识别模型、方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111693953B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505692A (zh) * | 2020-10-21 | 2021-03-16 | 中山大学 | 多输入多输出逆合成孔径雷达成像方法、系统和存储介质 |
CN113109802A (zh) * | 2021-03-05 | 2021-07-13 | 福瑞泰克智能系统有限公司 | 目标运动状态判断方法、装置、雷达设备和存储介质 |
CN113281776A (zh) * | 2021-01-08 | 2021-08-20 | 浙江大学 | 针对复杂水下动态目标的激光雷达目标智能检测仪 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100052977A1 (en) * | 2008-06-26 | 2010-03-04 | Raytheon Company | Inverse Synthetic Aperture Radar Image Processing |
CN104077787A (zh) * | 2014-07-08 | 2014-10-01 | 西安电子科技大学 | 一种基于时域和多普勒域的飞机目标分类方法 |
KR20160038464A (ko) * | 2014-09-30 | 2016-04-07 | 국방과학연구소 | 고해상도 거리 측면도와 역합성 개구면 레이더 영상의 융합을 통한 표적 식별 방법 및 그 장치 |
CN108256436A (zh) * | 2017-12-25 | 2018-07-06 | 上海交通大学 | 一种基于联合分类的雷达hrrp目标识别方法 |
CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
CN110647788A (zh) * | 2018-12-28 | 2020-01-03 | 南京华曼吉特信息技术研究院有限公司 | 一种基于微多普勒特征的人类日常行为分类方法 |
CN110865340A (zh) * | 2019-12-04 | 2020-03-06 | 上海无线电设备研究所 | 一种基于极化特性辅助的海面角反射器干扰对抗方法 |
-
2020
- 2020-05-11 CN CN202010394462.1A patent/CN111693953B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100052977A1 (en) * | 2008-06-26 | 2010-03-04 | Raytheon Company | Inverse Synthetic Aperture Radar Image Processing |
CN104077787A (zh) * | 2014-07-08 | 2014-10-01 | 西安电子科技大学 | 一种基于时域和多普勒域的飞机目标分类方法 |
KR20160038464A (ko) * | 2014-09-30 | 2016-04-07 | 국방과학연구소 | 고해상도 거리 측면도와 역합성 개구면 레이더 영상의 융합을 통한 표적 식별 방법 및 그 장치 |
CN108256436A (zh) * | 2017-12-25 | 2018-07-06 | 上海交通大学 | 一种基于联合分类的雷达hrrp目标识别方法 |
CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及系统 |
CN110647788A (zh) * | 2018-12-28 | 2020-01-03 | 南京华曼吉特信息技术研究院有限公司 | 一种基于微多普勒特征的人类日常行为分类方法 |
CN110865340A (zh) * | 2019-12-04 | 2020-03-06 | 上海无线电设备研究所 | 一种基于极化特性辅助的海面角反射器干扰对抗方法 |
Non-Patent Citations (1)
Title |
---|
李彦兵等: ""基于微多普勒特征的地面目标分类"", 《电子与信息学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505692A (zh) * | 2020-10-21 | 2021-03-16 | 中山大学 | 多输入多输出逆合成孔径雷达成像方法、系统和存储介质 |
CN112505692B (zh) * | 2020-10-21 | 2023-07-25 | 中山大学 | 多输入多输出逆合成孔径雷达成像方法、系统和存储介质 |
CN113281776A (zh) * | 2021-01-08 | 2021-08-20 | 浙江大学 | 针对复杂水下动态目标的激光雷达目标智能检测仪 |
CN113109802A (zh) * | 2021-03-05 | 2021-07-13 | 福瑞泰克智能系统有限公司 | 目标运动状态判断方法、装置、雷达设备和存储介质 |
CN113109802B (zh) * | 2021-03-05 | 2023-12-26 | 福瑞泰克智能系统有限公司 | 目标运动状态判断方法、装置、雷达设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111693953B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111693953B (zh) | 基于微多普勒的目标分类识别模型、方法、系统及装置 | |
Cuomo et al. | Ultrawide-band coherent processing | |
Zhang et al. | Resolution enhancement for inversed synthetic aperture radar imaging under low SNR via improved compressive sensing | |
US11009591B2 (en) | Deep learning for de-aliasing and configuring a radar system | |
Setlur et al. | Helicopter radar return analysis: Estimation and blade number selection | |
He et al. | Automatic recognition of ISAR images based on deep learning | |
Yin et al. | Radar target and moving clutter separation based on the low-rank matrix optimization | |
Chen et al. | LFM signal detection and estimation based on deep convolutional neural network | |
CN112485783A (zh) | 目标探测方法、装置、计算机设备和存储介质 | |
CN113311430B (zh) | 蜂群无人机数量估计和航迹生成方法 | |
Zhang et al. | Improved compressed sensing for high-resolution ISAR image reconstruction | |
Point et al. | Modelling the radar signature of rotorcraft | |
CN116660851A (zh) | 低信噪比情况下鸟与旋翼无人机目标的辨别方法及系统 | |
CN113376633B (zh) | 一种飞机机翼isar回波振动补偿与整体聚焦成像方法 | |
KR102557458B1 (ko) | 인공지능 기반의 레이다 표적 탐지 방법 및 그를 위한 장치 | |
Duan et al. | An intelligent sample selection method for space-time adaptive processing in heterogeneous environment | |
Karlsson et al. | Stepped frequency pulse compression with noncoherent radar using deep learning | |
CN112363136A (zh) | 一种基于目标稀疏性和频域去斜的雷达距离超分辨方法 | |
Michelet et al. | Geometric segmentation of sea clutter in coherent radar images: Range–Doppler map versus range–time–intensity map | |
Blomerus et al. | Development and testing of a low cost audio based ISAR imaging and machine learning system for radar education | |
CN113820679B (zh) | 雷达回波数据的滤波方法、装置、设备和存储介质 | |
Samuell Aiad Saleip Nasr Alla et al. | A Deep Learning Approach for Multi-copter Detection using mm-Wave Radar Sensors: Application of Deep Learning for Multi-copter detection using radar micro-Doppler signatures | |
US20220229173A1 (en) | Complex recurrent neural network for synthetic aperture radar (sar) target recognition | |
Fu et al. | High-Resolution and Accurate RV Map Estimation by Spare Bayesian Learning | |
Acer et al. | 2D overlapping range-Doppler map approach for helicopter classification by using GRU |
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 |