CN111695461A - 一种基于图频特性的雷达杂波智能分类方法 - Google Patents

Abstract

本发明公开了一种基于图频特性的雷达杂波智能分类方法，基于数学模型的方法鲁棒性不够，数据特征提取多基于经验，本发明将一维杂波信号序列转换为图结构数据，用无向图表达杂波信号间的关联特性，用设计的特征提取器主要挖掘图结构中的谱半径最大特征值和表示连通性的第二小特征值作为数据特征的挖掘，将该图特征提取器与SVM结合，达到杂波类型区分的目标，本发明的使用，能够实现原始数据深层关联特征的信息提取，提高检测效率，省略对数据分布概率的建模过程，提高数据利用效率，增强检测的适应能力。

Description

一种基于图频特性的雷达杂波智能分类方法

技术领域

本发明属于一维雷达回波信号处理技术领域，具体是利用信号图频域的谱直径和第二大特征值为主要特征构建特征提取器，结合智能分类器进行杂波信号分类处理的方法。

背景技术

雷达通过发射和接收电磁波进行工作，可以通过回波多普勒频率变化高效区分静止和径向运动目标。应用背景可以是陆地上的目标，也可以是海上目标，以及空中飞行目标等。通过针对不同雷达体制的软件算法设计实现不同硬件环境和自然环境下的目标检测，识别及跟踪；在民用中的导航、环境监测、气象预测及军事领域的监视、预警和反潜等方面都有重要的作用。通常情况下，由于工作环境的复杂性，使得回波信号中除了包含目标信号之外，还会混杂着来自装备自身的噪声和来自各种非目标散射体的后向散射杂波，这些干扰有时会严重影响到对真正目标的检测效果。增加了雷达系统的设计难度。

为有效检测目标，现有检测算法通常把杂波信号作为随机过程进行分析，需要用相应的概率分布函数进行描述，并对统计参数进行估计，从而设计相应的检测器。这些描述杂波的统计特性的数学模型如瑞利分布，对数正态分布，以及复合K分布往往不能够适应复杂变化的实际环境，从而产生因实际情况偏离理论模型而造成的虚警率高和检测概率变低的结果。因此，基于数据特征的挖掘与机器学习算法的结合成为解决这一问题的另一个有效途径，现有的特征提取方法有部分统计量估计，短时变换中的主成分量提取等。

发明内容

本发明针对现有技术的不足(基于数学模型的方法鲁棒性不够，数据特征提取多基于经验)，提出一种基于信号图谱(图频域的特征值)信息的杂波智能分类方法。本发明的核心技术之一是将一维杂波信号序列转换为图结构数据，用无向图表达杂波信号间的关联特性，区别于传统的自相关函数法。第二是用设计的特征提取器主要挖掘图结构中的谱半径最大特征值和表示连通性的第二小特征值作为数据特征的挖掘。第三是将该图特征提取器与SVM结合，达到杂波类型区分的目标，本发明的使用，能够实现原始数据深层关联特征的信息提取，提高检测效率，省略对数据分布概率的建模过程，提高数据利用效率，增强检测的适应能力。本发明是图谱理论与在实际应用领域的创新发展。

为了实现上述目的，本发明采用的技术方案如下所述：

本发明分为数据短时处理，图结构建立，图谱特征提取和分类处理四个部分。

数据的短时处理，是将数据进行分段，通过加窗平滑处理，将信号的短时稳态性质表现出来，后续过程分别对每一段数据进行特征挖掘。

图结构的建立环节，是将已有的幅度信息经过一定的映射规则，变换为有顶点集和边界集构成的图结构。

图谱特征提取阶段，是求图的邻接矩阵和度矩阵，进而求出图的拉普拉斯矩阵，计算拉普拉斯矩阵的特征值，并计算谱半径和图的代数连通性值。

最后，通过交叉训练的方法获取分类器模型，并用验证集进行验证泛化性能。

本发明的技术实质是：

本发明考虑将雷达回波数据的从一维信号序列转换为图结构，构建由顶点集和连接边构成的图信号，通过计算图对应的拉普拉斯矩阵的特征值，揭示该信号的图谱特征，是图论理论在该工程领域的延展。能够更加深入的反映信号序列的深层相关特征，选取图频信息中区分度明显，具有特定物理意义的数值信息作为SVM智能分类算法的输入特征集，该方法不构建杂波分布模型，不进行模型参数估计，因此不受分布模型准确度的影响。是一种新的有应用潜力的杂波分类方法。

附图说明

图1为本发明方法流程图

具体实施方式

下面结合附图说明本发明的具体实施方式，以下描述仅做示范和解释，并不对本发明做任何形式上的限制。

杂波数据的图映射：

采用将原始杂波数据进行等频率量化处理的方法把杂波幅度进行离散化，产生量化顶点，并根据各量化顶点间的过渡关系，确定顶点间的连接关系，构成相应的图结构。

步骤一：对幅度信号进行短时分帧处理

步骤二：对每帧数据做图顶点的集合构建

在对信号做傅里叶变换的基础上，进行归一化处理，之后进行量化水平为L(正整数),均匀间隔为Δl的量级分割，每个量级对应生成一个顶点，由此构建图的顶点集合V＝{v₁,v₂…v_L}。

步骤三：对每个数据帧的顶点之间连接关系进行计算，构建图的边界集

假定数据i和(i+1)对应的顶点由v_m变化到v_n，就认为v_m与v_n有连接边，否则就认为无连接边。这样就产生了数据边界集合E。

步骤四：生成数据对应的图

由步骤二和步骤三分别生成的顶点集V和边界集E，构建出该帧数据的图集合G(V,E)。

计算图的特征：

步骤五：计算图的邻接矩阵和度矩阵

图的邻接矩阵是表征图顶点间的连接关系的矩阵，依据步骤三对连接边界的规定，将图的邻接矩阵A的元素{a_mn}定义为，当ν_m与ν_n连接时，就记a_mn＝1，否则，记为a_mn＝0。其中0＜m,n≤L。

邻接矩阵表示为

图的度矩阵是一个对角阵，矩阵主对角线上的元素表示每个顶点的度，顶点v_m的度用d_m表示，其代表与顶点v_m相连的边的个数。度矩阵D表示为：Ddiag(d_m)，其中m为正整数，且0＜m≤L。

步骤六：求出图相应的拉普拉斯矩阵，并求该矩阵的特征值，按从小到大排列

根据步骤五的结果，记图的拉普拉斯矩阵为G_L，则G_L＝D-A。进一步求出该矩阵的特征值，并将其排序λ₀≥λ₁≥…≥λ_L-1，取谱半径λ₀和次小特征值λ_L-2构成智能分类器的输入特征空间。

完成智能分类：

步骤七：智能分类器的生成和验证

由步骤六得到的谱半径λ₀和次小特征值λ_L-2构成的特征集分为三部分，分别为训练集，测试集和验证集。首先将训练集作为智能分类器SVM的输入，训练生成分类器模型，在通过测试集和验证集对其性能进行验证和测试。

用以上过程对雷达回波的背景杂波进行智能区分，可以成为雷达系统设计过程中环境感知内容的有力支撑。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的算法实质对上述实例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (2)

1.一种基于图频特性的雷达杂波智能分类方法，其特征在于，该方法具体包括以下步骤：

步骤一：对幅度信号进行短时分帧处理；

步骤二：对每帧数据做图顶点的集合构建

在对分帧处理后的信号做傅里叶变换的基础上，进行归一化处理，之后进行量化水平为L，其中L为正整数，均匀间隔为Δl的量级分割，每个量级对应生成一个顶点，由此构建图的顶点集合V＝{v₁，v₂…v_L}；

步骤三：对每个数据帧的顶点之间连接关系进行计算，构建图的边界集

假定数据i和(i+1)对应的顶点由v_m变化到v_n，就认为v_m与v_n有连接边，否则就认为无连接边；这样就产生了数据边界集合E；

步骤四：生成数据对应的图

由步骤二和步骤三分别生成的顶点集V和边界集E，构建出该帧数据的图集合G(V，E)；；步骤五：计算图的邻接矩阵和度矩阵

图的邻接矩阵是表征图顶点间的连接关系的矩阵，依据步骤三对连接边界的规定，将图的邻接矩阵A的元素{a_mn}定义为：当v_m与v_n连接时，就记a_mn＝1，否则，记为a_mn＝0；其中0＜m，n≤L；

邻接矩阵表示为

图的度矩阵是一个对角阵，矩阵主对角线上的元素表示每个顶点的度，顶点v_m的度用d_m表示，其代表与顶点v_m相连的边的个数；度矩阵D表示为：D＝diag(d_m)，其中m为正整数，且0＜m≤L；

步骤六：求出图相应的拉普拉斯矩阵，并求该矩阵的特征值，按从小到大排列

根据步骤五的结果，记图的拉普拉斯矩阵为G_L，则G_L＝D-A；进一步求出该矩阵的特征值，并将其排序λ₀≥λ₁≥…≥λ_L-1，取谱半径λ₀和次小特征值λ_L-2构成智能分类器的输入特征空间；

步骤七：智能分类器的生成和验证

由步骤六得到的谱半径λ₀和次小特征值λ_L-2构成的特征集分为三部分，分别为训练集，测试集和验证集；首先将训练集作为智能分类器SVM的输入，训练生成分类器模型，在通过测试集和验证集对其性能进行验证和测试。

2.根据权利要求1所述的一种基于图频特性的雷达杂波智能分类方法，其特征在于：所述的对幅度信号进行短时分帧处理，具体为：将数据进行分段，通过加窗平滑处理。

Images