CN112162273B - 一种基于奇异矢量的多旋翼无人机物理参数提取方法 - Google Patents

Abstract

本发明属于无人机识别技术领域，具体是涉及一种基于奇异矢量的多旋翼无人机物理参数提取方法。本发明的方法首先对多旋翼无人机雷达回波信号进行小波分解，提取叶片旋转部件产生的低频分量，然后，将此分量进行时频分析得到微多普勒频谱图，由微多普勒频图最大奇异值对应的奇异矢量提取旋翼的旋转速度和叶片长度等物理参数。结合左右奇异矢量可直接提取出物理参数，从而改善了估计精度，为多旋翼无人机的识别提供精准的特征。另外，通过对回波数据的小波分析，降低了回波信号中的噪声强度，在低信噪比条件下，仍然能够准确提取旋转速度和叶片长度等物理参数。仿真实验结果验证了该方法的有效性。

Description

一种基于奇异矢量的多旋翼无人机物理参数提取方法

技术领域

本发明属于无人机识别技术领域，具体是涉及一种基于奇异矢量的多旋翼无人机物理参数提取方法。

背景技术

无人机技术快速发展，无人机在军事、民用等领域得到了广泛运用，例如：在民用方面，使用无人机进行环境监测、通讯中继、大气取样等，在军事方机，采用无人机完成侦察、干扰、对地攻击等任务。同时也带来了一些新问题，如无人机非法入侵私人区域、无人机碰撞飞机、恐怖袭击等引发的安全问题，给低空领域的管理、军民飞行安全等带来了极大麻烦。因此，快速、有效侦测、准确识别出无人机的类型具有非常重要的应用意义。

目前对无人机目标进行识别的研究主要从时域、频域和时频域3个方面展开。在时域上，利用自相关函数提取目标时域回波的闪烁周期；在频域上，根据谱线间隔计算回波的周期；在时频域上，利用WVD等时频分析方法得到时频谱，再从时频谱图中提取调制周期特征。以上方法仅仅能够提取与旋翼转速与桨叶片数有关特征信息，而无法得到旋翼转速与桨叶片数等具体的物理参数，因此，现有方法的识别性能有更一步改进的余地。

发明内容

针对上述问题，本发明提出一种基于异奇矢量的多旋翼无人机物理参数提取方法。该方法首先通过小波分解降低雷达回波中的噪声强度，改善在低信噪比下的物理参数提取精度。同时，利用雷达回波的时频谱图中最大奇异值对应的左右奇异矢量，直接估计出旋翼转速和桨叶长度等物理参数，从而进一步提高了参数估计精度，为无人机目标识别提供更有效的特征。

本发明的技术方案为：

一种基于奇异矢量的多旋翼无人机物理参数提取方法，包括以下步骤：

S1、将多旋翼无人机的雷达回波数据经过低通和高通滤波器后，得到第一级的近似系数和细节系数，然后对第一级的近似系数和细节系数进行离散小波变换，得到第二级的近似系数和细节系数，依此类推，进行4级离散小波分解后，得到的雷达回波数据序列s(t)为：

s(t)＝cd1(t)+cd2(t)+cd3(t)+cd4(t)+ca4(t)

其中，cd1(t)、cd2(t)、cd3(t)、cd4(t)分别为第一级、第二级、第三级和第四级的细节系数，ca4(t)为第四级的近似系数；所述离散小波变换(DWT)的公式为：

其中,

是ψ_a,b(t)的共轭，a,b∈Z，a和b分别为缩放和移动参数，ψ_a,b(t)是小波基函数；通过对雷达回波进行多级DWT，可以将雷达回波信号分解为对应于不同频率的各种分量；研究表明，近似系数属于低频分量，蕴含着信号的特征，而噪声分量主要集中在细节系数等高频分量中。因此，以ca4(t)作为后续的处理信号分量，可大大降低噪声强度。

S2、对ca4(t)进行短时傅里叶变换得到微多普勒图：

其中,w(m)是长度为M的平滑窗口，f为频率指数，m为序列编号，D是平滑窗口的重叠长度，得到的频谱图矩阵P的大小为M×Q,其中

N为ca4(t)的长度；

S3、对微多普勒图P做奇异值分解：

P＝UΣV^T

其中，Σ是对角矩阵，该矩阵对角元素是矩阵P的奇异值σ_i(i＝1,2,…,min(M,Q))，U是M×M的左奇异矩阵，V是Q×Q的右奇异矩阵；

对矩阵P的奇异值σ_i按大到小的顺序排序：

σ₁>σ₂>…>σ_min(M,Q)

则最大奇异值σ₁对应的左奇异矢量u₁表示微多普勒内容在频率轴上的主投影，该矢量可以估算目标的微多普勒光谱宽度(B)；σ₁对应的右奇异矢量v₁描述了微多普勒内容在时间轴上的主投影，可以估算叶片闪烁频率。

S4、将最大奇异值σ₁对应的左奇异矢量u₁作为离散函数u₁(n)，其中n＝1,2,…,M，分别求解曲线斜率最小的拐点(n₁,u₁(n₁))：

和斜率最大的拐点(n₂,u₁(n₂))：

得微多普勒光谱宽度B：

B＝(n₂+1)-(n₁-1)

将最大奇异值σ₁对应的右奇异矢量v₁作为离散函数v₁(m)，其中m＝1,2,…,Q，v₁(m)是周期函数，那么它的自相关函数R(k)也具有相同的周期T，对v₁(m)自相关得到自相关函数R(k)：

对R(k)取出中间峰值的点与下一个峰值的点作差即可估算出周期T，得到叶片闪烁率

根据频谱宽度B和叶片闪烁率f确定旋桨叶片的长度L：

其中λ为雷达信号波长，β为目标相对于雷达相的俯仰角，根据桨叶数r，可得转子转速为

本发明的有益效果是：改善了估计精度，为多旋翼无人机的识别提供精准的特征。另外，通过对回波数据的小波分析，降低了回波信号中的噪声强度，在低信噪比条件下，仍然能够准确提取旋转速度和叶片长度等物理参数。

具体实施方式

下面结合仿真实验对本发明的实用性进行分析。

仿真实验设计了四种类型的无人机，包括直升机(单轴)P-1、四旋翼无人机P-2、六旋翼无人机P-3、八旋翼无人机P-4，其仿真参数如表1所示。仿真雷达参数包括：雷达载频为34.6GHz；脉冲重复频率为125kHz；目标与雷达间的距离100m；雷达的俯仰角为20°，方位角为45°。信噪比为10dB。观测时间需大于旋翼的两个旋转周期，雷达驻留时间取0.1s。

表1对4种直升机的参数提取结果

从实验中可以看出，该物理参数提取方法对多旋翼无人机物理参数估计的误差均在5％以下，与仿真值基本接近。这些误差的产生首先是由于信号中添加了噪声，采用小波分解只是降低了噪声的强度，没能完全去除噪声，这对参数的估计会有一些影响。其次本文采用的估算微多普勒宽度与叶片闪烁率的方法是基于离散数据进行的，数据以及估算都会存在一些误差，会导致参数估计的准确性降低。总之，利用多旋翼无人机的物理结构特征，估算出叶片长度可以有助于多旋翼无人机的快速识别与分类。以上仿真实验验证了基于奇异值矢量的多旋翼无人机物理参数提取方法是有效的。

Claims (1)

1.一种基于奇异矢量的多旋翼无人机物理参数提取方法，其特征在于，包括以下步骤：

S1、将多旋翼无人机的雷达回波数据经过低通和高通滤波器后，得到第一级的近似系数和细节系数，然后对第一级的近似系数和细节系数进行离散小波变换，得到第二级的近似系数和细节系数，依此类推，进行3级离散小波分解后，得到的雷达回波数据序列s(t)为：

s(t)＝cd1(t)+cd2(t)+cd3(t)+cd4(t)+ca4(t)

其中，cd1(t)、cd2(t)、cd3(t)、cd4(t)分别为第一级、第二级、第三级和第四级的细节系数，ca4(t)为第四级的近似系数；所述离散小波变换的公式为：

其中,

是ψ_a,b(t)的共轭，a,b∈Z，a和b分别为缩放和移动参数，ψ_a,b(t)是小波基函数；

S2、对ca4(t)进行短时傅里叶变换得到微多普勒图：

其中,w(m)是长度为M的平滑窗口，f₀为频率指数，m为序列编号，D是平滑窗口的重叠长度，得到的频谱图矩阵P的大小为M×Q,其中

N为ca4(t)的长度；

S3、对微多普勒图P做奇异值分解：

P＝UΣV^T

其中，Σ是对角矩阵，该矩阵对角元素是矩阵P的奇异值σ_i，i＝1,2,…,min(M,Q)，U是M×M的左奇异矩阵，V是Q×Q的右奇异矩阵；

对矩阵P的奇异值σ_i按大到小的顺序排序：

σ₁>σ₂>…>σ_min(M,Q)

S4、将最大奇异值σ₁对应的左奇异矢量u₁作为离散函数u₁(n)，其中n＝1,2,…,M，分别求解曲线斜率最小的拐点(n₁,u₁(n₁))：

和斜率最大的拐点(n₂,u₁(n₂))：

得微多普勒光谱宽度B：

B＝(n₂+1)-(n₁-1)

将最大奇异值σ₁对应的右奇异矢量v₁作为离散函数v₁(q)，其中q＝1,2,…,Q，对v₁(q)自相关得到自相关函数R(k)：

对R(k)取出中间峰值的点与下一个峰值的点作差即可估算出周期T，得到叶片闪烁率

根据频谱宽度B和叶片闪烁率f确定旋桨叶片的长度L：

其中λ为雷达信号波长，β为目标相对于雷达相的俯仰角，根据桨叶数r，可得转子转速为