CN111812598B - 一种基于时域频域多特征的地海杂波分类方法 - Google Patents

Abstract

本发明公开了一种基于时域频域多特征的地海杂波分类方法，包括如下步骤：步骤1，计算单个雷达空间分辨单元回波的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比：步骤2，基于步骤1生成地杂波和海杂波的特征数据和类别数据：步骤3，构建BP神经网络，步骤4，计算雷达探测场景中每个空间分辨单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，步骤5，根据输出结果进行判断。本发明所公开基于时域频域多特征的地海杂波分类方法，可以实现不同运动平台雷达的地、海杂波分类。

Description

一种基于时域频域多特征的地海杂波分类方法

技术领域

本发明属于雷达杂波特性研究领域，特别涉及该领域中的一种基于时域频域多特征的地海杂波分类方法，可用于雷达探测场景中的地海杂波分类。

背景技术

海上监视雷达探测场景复杂，其中不仅包含海洋区域还包含陆地区域及海上岛屿等。为提高雷达目标检测性能，需要先验的杂波知识，将雷达对海监视场景划分为海杂波区域和地杂波区域，对其分别进行处理可以提高雷达探测性能。杂波特性研究表明，地、海杂波在幅度统计特性、谱特性、散射特性等方面均存在一定的差异，这为地、海杂波分类提供了依据。T.B.Sarikaya,G.Soysal,M.Efe,E.Sobaci,T.Kirubarajan,“Sea-landclassification using radar clutter statistics for shore-based surveillanceradars,”Radar 2017,Belfast,pp.1-4,2017公开了一种地海杂波分类方法，该方法利用雷达多个扫描周期回波的平均幅度、K分布形状参数和时间相关性作为分类特征。该方法存在多个局限性：一是没有考虑雷达回波的相位信息；二是利用雷达回波幅度的K分布形状参数限定了杂波的幅度分布模型；三是针对每个雷达空间分辨单元的幅度分布和时间相关性等统计特性的估计均需要大量的数据样本，文献中利用多个扫描周期的回波数据来解决单个雷达空间分辨单元数据样本不足的问题，使该方法仅限适用于工作在静止平台的雷达；四是同一探测场景中不同雷达空间分辨单元的物理参数存在差异，地杂波和海杂波散射强度的动态范围存在混叠区，使得幅度均值特征在地海杂波分类中的有效性减弱。

发明内容

本发明所要解决的技术问题就是提供一种基于时域频域多特征的地海杂波分类方法。

本发明采用如下技术方案：

一种基于时域频域多特征的地海杂波分类方法，其改进之处在于，包括如下步骤：

步骤1，计算单个雷达空间分辨单元回波的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比：

步骤11，雷达第j个距离单元、第k个方位单元的回波数据表示为复数序列x_j,k＝{x(n；j,k),n＝1,2,...,N}，其中j、k表示自然数，其相应的功率值表示为x′_j,k＝{|x(n；j,k)|²,n＝1,2,...,N}，其中|·|表示取绝对值，该分辨单元的归一化功率方差为

其中var{·}表示取方差，max{·}表示取最大值；

步骤12，计算第j个距离单元、第k个方位单元雷达回波的多普勒功率谱y_j,k：

其中y_j,k为M维向量，fft(·)表示快速傅里叶变换，

表示向上取整；

步骤13，基于多普勒功率谱y_j,k，计算多普勒带宽B(j,k)、多普勒谱熵E(j,k)和多普勒谱峰值功率比R(j,k)：

步骤2，基于步骤1生成地杂波和海杂波的特征数据F和类别数据s：

步骤21，选择S₁个海杂波单元，S₂个地杂波单元作为训练样本，如步骤1所述，计算每个杂波单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，形成特征值矩阵

步骤22，将海杂波单元的类别标签记为0，地杂波单元的类别标签记为1，构造S₁+S₂维的类别向量

前面S₁个元素为0，后面S₂个元素为1；

步骤3，构建BP神经网络，利用步骤2所述特征数据F和类别数据s作为训练样本生成神经网络net：

步骤31，输入层包含四个输入，分别为每个雷达空间分辨单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，输出层包含一个输出，其取值介于0～1之间，特征值矩阵F中第s行元素和类别向量L中第s个元素一一对应构成训练样本；

步骤32，设计双隐层网络结构，隐层采用双曲正切函数为激活函数，输出层采用线性函数，学习方法使用带动量的梯度下降的权值或阈值学习函数，训练函数采用Levenberg-Marquardt优化算法，性能函数为均方误差函数；

步骤33，设置学习率和各隐层神经元个数、设置最大训练次数不小于1000次、设置期望误差值取0.001～0.00001，利用特征数据F和类别数据s作为训练样本生成神经网络记为net；

步骤4，计算雷达探测场景中每个空间分辨单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，形成雷达回波的特征矩阵Y_4×J×k：

雷达接收回波数据记为复数矩阵X_N×J×k，其中N表示每个雷达空间分辨单元的脉冲数，J和K分别表示雷达回波数据的距离单元数和方位单元数，如步骤1所述，计算每个雷达空间分辨单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，形成雷达回波的特征矩阵Y_4×J×k；

步骤5，将雷达回波的特征矩阵Y_4×J×k中每个雷达空间分辨单元的四个特征值作为神经网络net的输入进行预测，当输出结果小于等于0.5时将类别标签记为0，即判断为海杂波单元，当输出结果大于0.5时将类别标签记为1，即判断为地杂波单元。

本发明的有益效果是：

本发明所公开基于时域频域多特征的地海杂波分类方法，可以实现不同运动平台雷达的地、海杂波分类。与现有方法相比具有以下优点：

1)本发明方法利用雷达回波时间序列的归一化功率方差作为时域的分类特征，其对每个雷达空间分辨单元的样本数要求小且具有较高的可分离度；

2)本发明方法提取多普勒带宽、多普勒谱熵和多普勒谱峰值功率比作为频域的分类特征，充分利用了地、海杂波频谱特性的差异，具有更好的分类效果；

3)本发明方法摒弃常用的散射强度和多普勒频移特征，不受雷达探测场景和运动平台的限制，具有更好的自适应性。

附图说明

图1是本发明方法的流程框图；

图2是某岸基S波段雷达探测场景的回波幅值图；

图3是某岸基S波段雷达探测场景的地海杂波分类结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1，如图1所示，本实施例公开了一种基于时域频域多特征的地海杂波分类方法，包括如下步骤：

步骤1，计算单个雷达空间分辨单元回波的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比：

步骤11，雷达第j个距离单元、第k个方位单元的回波数据表示为复数序列x_j,k＝{x(n；j,k),n＝1,2,...,N}，其中j、k表示自然数，其相应的功率值表示为x′_j,k＝{|x(n；j,k)|²,n＝1,2,...,N}，其中|·|表示取绝对值，该分辨单元的归一化功率方差为

其中var{·}表示取方差，max{·}表示取最大值；

步骤12，计算第j个距离单元、第k个方位单元雷达回波的多普勒功率谱y_j,k：

其中y_j,k为M维向量，fft(·)表示快速傅里叶变换，其为Matlab中可以直接调用的函数，

表示向上取整；

步骤13，基于多普勒功率谱y_j,k，计算多普勒带宽B(j,k)、多普勒谱熵E(j,k)和多普勒谱峰值功率比R(j,k)：

步骤2，基于步骤1生成地杂波和海杂波的特征数据F和类别数据s：

步骤21，选择S₁个海杂波单元，S₂个地杂波单元作为训练样本，如步骤1所述，计算每个杂波单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，形成特征值矩阵

步骤22，将海杂波单元的类别标签记为0，地杂波单元的类别标签记为1，构造S₁+S₂维的类别向量

前面S₁个元素为0，后面S₂个元素为1；

步骤3，构建BP神经网络，利用步骤2所述特征数据F和类别数据s作为训练样本生成神经网络net：

步骤31，输入层包含四个输入，分别为每个雷达空间分辨单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，输出层包含一个输出，其取值介于0～1之间，特征值矩阵F中第s行元素和类别向量L中第s个元素一一对应构成训练样本；

步骤32，设计双隐层网络结构，隐层采用双曲正切函数(tansig)为激活函数，输出层采用线性函数(purelin)，学习方法使用带动量的梯度下降的权值或阈值学习函数(learngdm)，训练函数采用Levenberg-Marquardt优化算法(trainlm)，性能函数为均方误差函数；

步骤33，设置学习率和各隐层神经元个数、设置最大训练次数不小于1000次、设置期望误差值取0.001～0.00001，利用特征数据F和类别数据s作为训练样本生成神经网络记为net；

步骤4，计算雷达探测场景中每个空间分辨单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，形成雷达回波的特征矩阵Y_4×J×k：

雷达接收回波数据记为复数矩阵X_N×J×k，其中N表示每个雷达空间分辨单元的脉冲数，J和K分别表示雷达回波数据的距离单元数和方位单元数，如步骤1所述，计算每个雷达空间分辨单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，形成雷达回波的特征矩阵Y_4×J×k；

步骤5，将雷达回波的特征矩阵Y_4×J×k中每个雷达空间分辨单元的四个特征值作为神经网络net的输入进行预测，当输出结果小于等于0.5时将类别标签记为0，即判断为海杂波单元，当输出结果大于0.5时将类别标签记为1，即判断为地杂波单元。

本实施例的效果可以通过以下实验结果进一步说明：利用某机载S波段雷达测量的杂波数据，各选择6000个雷达空间分辨单元的海杂波数据和地杂波数据，每个雷达空间分辨单元包含10个相参脉冲，形成包含12000个雷达空间分辨单元的样本数据集。从样本数据集中随机选取75％的样本作为训练样本，其他25％作为测试样本。设置BP神经网络参数，双隐层分别设20个和10个神经元，学习率为0.001，最大训练次数为2000，期望误差为10^-6，利用训练样本生成网络，利用测试样本进行预测，计算分类准确率。在该样本数据集上重复10次随机选取75％训练样本和25％测试样本，并计算分类准确率，10次分类结果的平均准确率为96.80％。进一步，利用某岸基S波段雷达扫描测量的场景回波数据进行了探测场景分割，每个雷达空间分辨单元包含10个相参脉冲，雷达回波幅值图如图2所示，选择近距离的第1～5个距离单元，194个方位单元的雷达回波数据作为地杂波单元训练样本，选择第61～65个距离单元，194个方位单元的雷达回波数据作为海杂波单元训练样本，BP神经网络参数设置同上，雷达探测场景的地海杂波分类结果如图3所示，其中白色区域表示地杂波，黑色区域表示海杂波。实验结果表明，本实施例方法对静止平台和运动平台雷达探测场景均可以获得准确有效的地海杂波分类结果。

Claims (1)

1.一种基于时域频域多特征的地海杂波分类方法，其特征在于，包括如下步骤：

步骤1，计算单个雷达空间分辨单元回波的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比：

步骤11，雷达第j个距离单元、第k个方位单元的回波数据表示为复数序列x_j,k＝{x(n；j,k),n＝1,2,...,N}，其中j、k表示自然数，其相应的功率值表示为x′_j,k＝{|x(n；j,k)|²,n＝1,2,...,N}，其中|·|表示取绝对值，该分辨单元的归一化功率方差为

其中var{·}表示取方差，max{·}表示取最大值；

步骤12，计算第j个距离单元、第k个方位单元雷达回波的多普勒功率谱y_j,k：

其中y_j,k为M维向量，fft(·)表示快速傅里叶变换，

表示向上取整；

步骤13，基于多普勒功率谱y_j,k，计算多普勒带宽B(j,k)、多普勒谱熵E(j,k)和多普勒谱峰值功率比R(j,k)：

步骤2，基于步骤1生成地杂波和海杂波的特征数据F和类别数据s：

步骤21，选择S₁个海杂波单元，S₂个地杂波单元作为训练样本，如步骤1所述，计算每个杂波单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，形成特征值矩阵

步骤22，将海杂波单元的类别标签记为0，地杂波单元的类别标签记为1，构造S₁+S₂维的类别向量

前面S₁个元素为0，后面S₂个元素为1；

步骤3，构建BP神经网络，利用步骤2所述特征数据F和类别数据s作为训练样本生成神经网络net：

步骤31，输入层包含四个输入，分别为每个雷达空间分辨单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，输出层包含一个输出，其取值介于0～1之间，特征值矩阵F中第s行元素和类别向量L中第s个元素一一对应构成训练样本；

步骤32，设计双隐层网络结构，隐层采用双曲正切函数为激活函数，输出层采用线性函数，学习方法使用带动量的梯度下降的权值或阈值学习函数，训练函数采用Levenberg-Marquardt优化算法，性能函数为均方误差函数；

步骤33，设置学习率和各隐层神经元个数、设置最大训练次数不小于1000次、设置期望误差值取0.001～0.00001，利用特征数据F和类别数据s作为训练样本生成神经网络记为net；

步骤4，计算雷达探测场景中每个空间分辨单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，形成雷达回波的特征矩阵Y_4×J×k：

雷达接收回波数据记为复数矩阵X_N×J×k，其中N表示每个雷达空间分辨单元的脉冲数，J和K分别表示雷达回波数据的距离单元数和方位单元数，如步骤1所述，计算每个雷达空间分辨单元的归一化功率方差、多普勒带宽、多普勒谱熵和多普勒谱峰值功率比，形成雷达回波的特征矩阵Y_4×J×k；

步骤5，将雷达回波的特征矩阵Y_4×J×k中每个雷达空间分辨单元的四个特征值作为神经网络net的输入进行预测，当输出结果小于等于0.5时将类别标签记为0，即判断为海杂波单元，当输出结果大于0.5时将类别标签记为1，即判断为地杂波单元。

Images