CN112418275A - 基于距离像特征提取的毫米波引信箔条干扰识别方法 - Google Patents
基于距离像特征提取的毫米波引信箔条干扰识别方法 Download PDFInfo
- Publication number
- CN112418275A CN112418275A CN202011208250.6A CN202011208250A CN112418275A CN 112418275 A CN112418275 A CN 112418275A CN 202011208250 A CN202011208250 A CN 202011208250A CN 112418275 A CN112418275 A CN 112418275A
- Authority
- CN
- China
- Prior art keywords
- foil strip
- target
- range profile
- cloud
- calculating
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于距离像特征提取的毫米波引信箔条干扰识别方法,稳定性好、准确度高、处理效率高、分类效果好。本发明方法,包括:(10)目标距离像对齐:对引信目标回波信号进行处理,利用全局最小熵修正,得到对齐目标距离像;(20)箔条云距离像获取:基于箔条云动态扩散模型,对箔条干扰信号进行处理,得到箔条云一维距离像;(30)特征计算:用熵算法分析对齐目标距离像和箔条云一维距离像,得到目标/箔条距离像波形熵值,并计算二者距离像相关性、散射强度比值,将其作为特征参量集;(40)特征提取:将特征参量集用FCM算法进行聚类分析,得到目标与干扰的聚类分布;(50)判决识别:设置阈值,判断引信回波信号类型。
Description
技术领域
本发明属于电子对抗抗干扰技术领域,特别是一种基于距离像特征提取的毫米波引信箔条干扰识别方法。
背景技术
箔条使用方便、干扰效果良好、研制时间短、成本低,是最常用的无源干扰材料,被广泛应用于电子对抗领域,在现代军事战争中发挥着显著的作用。根据箔条干扰的作战目的,可分为两种类型:压制式干扰和欺骗式干扰。由于箔条显著的干扰性能,各个国家和地区也相继展开了箔条干扰技术和抗干扰方法的研究,其中对箔条云的成像特性的研究具有重要意义。
弹载武器系统对引信体积要求较高。为减小体积以及提高引信抗干扰能力,引信应用频段已逐步发展到毫米波和亚毫米波段。毫米波引信具有定距精度高、抗干扰能力强、工作状态稳定等特点。其作用机理是利用目标信息和环境信息,在预定条件下引爆战斗部控制装置。为了对箔条干扰与目标进行区分和识别,提高毫米波引信复杂电磁环境下的战场生存能力,必须深入研究毫米波引信箔条干扰识别技术,这对毫米波引信的发展,以及武器系统性能的提升具有重要意义。
目前,对箔条干扰的识别方法主要包括:(1)时域特征识别法;(2)复合制导技术;(3)极化散射变换法;(4)自适应处理法等。
如中国发明专利申请“一种基于极化散射变换的冲淡式箔条干扰识别方法”(申请号:201711373114.0,公开日:2018.6.15)采用了极化散射变化的识别方法,其技术方案为:首先获取目标和箔条的极化散射矩阵,再分别计算目标和箔条的极化散射参数,接着计算目标和箔条的共极化与交叉极化通道的相关性绝对值,最后利用SVM方法实现箔条冲淡式干扰的分类识别。该方法性能良好,但极化散射参数的获取以及相关矩阵的计算较为复杂,降低了引信的硬件处理效率,无法满足毫米波引信的实时性要求,同时该法仅对冲淡式箔条干扰有明显效果,无法对抗其他类型箔条干扰,具有一定的局限性。
发明内容
本发明的目的在于提供一种基于距离像特征提取的毫米波引信箔条干扰识别方法,稳定性好、准确度高、处理效率高、分类效果好。
实现本发明目的的技术解决方案为:
一种基于距离像特征提取的毫米波引信箔条干扰识别方法,包括如下步骤:
(10)目标距离像对齐:对引信目标回波信号进行处理,得到引信目标一维距离像,利用全局最小熵修正所述引信目标距离像,得到对齐目标距离像;
(20)箔条云距离像获取:根据单根箔条偶极子的运动特征、空间分布,得到箔条云的动态扩散模型,基于所述扩散模型,对箔条干扰信号进行处理,得到箔条云一维距离像;
(30)特征计算:用熵算法分析对齐目标距离像和箔条云一维距离像,得到目标/箔条距离像波形熵值,并计算二者距离像相关性、散射强度比值,将其作为特征参量集;
(40)特征提取:将获取的特征参量集用FCM算法进行聚类分析,得到目标与干扰的聚类分布;
(50)判决识别:基于目标和箔条特征参量的聚类分布,设置阈值,判断引信回波信号类型,若是目标回波,执行级控制信号输出为高电平。
本发明与现有技术相比,其显著优点为:
1、稳定性好,准确度高:箔条在空中的随机运动对箔条云回波特性有较大的影响,本发明结合箔条云扩散的动态模型获得箔条距离像,类比传统经验公式法具有一定的全面性,准确度高;
2、处理效率高:本发明方法将波形熵、相关性等三维参量相联合进行聚类分析,提高了判决阈值设置的准确度,同时本发明方法特征计算公式简单,克服了现有鉴别技术中特征向量计算公式复杂的缺点,提高了工程处理过程中引信对回波距离像的硬件处理效率;FCM算法通过迭代方式进行聚类更新,目标函数收敛较快,算法复杂度低,具有良好的收敛性,处理速度快;
3、分类效果好:本发明主要集中在特征计算、特征提取以及信号处理模块,利用FCM分类法能够对箔条干扰进行组合特征提取,类比神经网络等识别方法该分类法冗余性低,聚类效果好,可以达到良好的分类识别效果。
本发明在于利用箔条和目标距离像的波形熵值、相关性、散射强度比值的差异性进行特征提取、聚类分析来实现对箔条干扰的识别。
附图说明
附图1是本发明基于距离像特征提取的毫米波引信箔条干扰识别方法的主流程图。
附图2是图1中箔条云距离像获取步骤的流程图。
图3是单根箔条受力示意图。
附图4是图1中特征计算步骤的流程图。
附图5是图1中特征提取步骤的流程图。
具体实施方式
如图1所示,本发明基于距离像特征提取的毫米波引信箔条干扰识别方法,包括如下步骤:
(10)目标距离像对齐:对引信目标回波信号进行处理,得到引信目标一维距离像,利用全局最小熵修正所述引信目标距离像,得到对齐目标距离像;
(20)箔条云距离像获取:根据单根箔条偶极子的运动特征、空间分布,得到箔条云的动态扩散模型,基于所述扩散模型,对箔条干扰信号进行处理,得到箔条云一维距离像;
如图2所示,所述(20)箔条距离像获取步骤包括:
(21)单根箔条坐标系建立:根据环境预设条件,考虑箔条的平动、转动以及单根箔条抛洒时的初始姿态,建立单根箔条坐标系;
(22)单根箔条受力分析:初始化方位角和俯仰角参数设置,对单根箔条进行受力分析,得到水平、垂直速度、以及单根箔条的瞬时旋转矩阵;
(23)箔条云团扩散模型建立:初始化参数设置得到箔条云团扩散模型;
(24)箔条云团有效反射截面积计算:对箔条云团进行划分建模,计算箔条云团的有效反射截面积;
(25)箔条云一维距离像获取:将箔条回波信号与参考信号进行去斜混频处理,然后进行FFT得到箔条云一维距离像。
如图4所示,所述(30)特征计算步骤包括:
(31)波形熵计算:对各个分辨单元的目标及箔条干扰回波距离像数据进行取模,分别计算目标与箔条距离像波形熵值;
(32)相关系数获取:根据目标与箔条云几何形状的不同以及运动过程中体积变化的差异性,对二者距离像相关性进行计算得到二者距离像相关系数;
(33)散射强度比计算:对得到的距离像进行峰值搜索排序,设排序后的距离像序列为{x1(1),x1(2),……,x1(N)},计算前m个强散射点的距离像功率值之和占总功率值的比例,得到散射强度比,m小于等于N,N为离散距离像波形序列数;
(34)特征参量集获取:合并波形熵、距离像相关性和散射强度比,得到特征参量集。
熵被用来描述不确定性、无序性,这里借用熵的概念来度量目标和箔条干扰距离像波形分布的均匀程度,即波形熵。
根据目标与箔条云几何形状的不同以及运动过程中体积变化的差异性,对二者距离像相关性进行分析,相关系数:
xr和xs为不同时刻两次距离像序列;
散射强度比:
如图5所示,所述(40)特征提取步骤包括:
(41)预处理:输入特征参量数据集,对聚类类别数、隶属度矩阵、聚类中心、迭代停止阈值和加权指数赋初值完成初始化;
(42)目标函数获取:根据初始化聚类中心计算隶属度矩阵,再由聚类中心和隶属矩阵计算得到目标函数;
(43)聚类中心更新:在隶属度矩阵中,从每列选择隶属度最大的点作为相对应点的归属域,并重新计算聚类中心;
(44)隶属矩阵更新:根据新的聚类中心值,计算新的隶属矩阵;
(45)循环迭代:循环次数自增运算,计算目标函数是否小于迭代停止阈值,若是,则收敛,停止迭代,否则,跳转执行(43);
(46)聚类分析:输出聚类中心和隶属矩阵,并划分特征参量数据集,得到聚类结果。
输入特征参量样本X1,X2,X3,用FCM算法将X{X1,X2,X3}划分为2个簇(目标、箔条干扰),FCM算法的目标函数可以表示为:
||xi-vj||为输入样本xi与聚类中心vj之间的距离,[uij]n×c为隶属度矩阵,FCM算法的聚类准则是使目标函数J(U,V)达到最小,最终推得聚类中心更新表达式:
隶属矩阵更新表达式:
计算目标函数是否收敛,若收敛则划分数据集,输出目标和箔条干扰聚类分布结果。
聚类分析通过对数据集的合理划分来发现数据集的特征结构,利用聚类结果,能够提取目标/箔条干扰数据集中隐藏的信息,对线上实测数据进行预测和分类。
该算法通过迭代方式对聚类中心和隶属矩阵进行更新,结构简单,复杂度较低,能够满足引信实时性要求。
(50)判决识别:基于目标和箔条特征参量的聚类分布,设置阈值,判断引信回波信号类型,若是目标回波,执行级控制信号输出为高电平。
Claims (4)
1.一种基于距离像特征提取的毫米波引信箔条干扰识别方法,其特征在于,包括如下步骤:
(10)目标距离像对齐:对引信目标回波信号进行处理,得到引信目标一维距离像,利用全局最小熵修正所述引信目标距离像,得到对齐目标距离像;
(20)箔条云距离像获取:根据单根箔条偶极子的运动特征、空间分布,得到箔条云的动态扩散模型,基于所述扩散模型,对箔条干扰信号进行处理,得到箔条云一维距离像;
(30)特征计算:用熵算法分析对齐目标距离像和箔条云一维距离像,得到目标/箔条距离像波形熵值,并计算二者距离像相关性、散射强度比值,将其作为特征参量集;
(40)特征提取:将获取的特征参量集用FCM算法进行聚类分析,得到目标与干扰的聚类分布;
(50)判决识别:基于目标和箔条特征参量的聚类分布,设置阈值,判断引信回波信号类型,若是目标回波,执行级控制信号输出为高电平。
2.根据权利要求1所述的毫米波引信箔条干扰识别方法,其特征在于,所述(20)箔条距离像获取步骤包括:
(21)单根箔条坐标系建立:根据环境预设条件,考虑箔条的平动、转动以及单根箔条抛洒时的初始姿态,建立单根箔条坐标系;
(22)单根箔条受力分析:初始化方位角和俯仰角参数设置,对单根箔条进行受力分析,得到水平、垂直速度、以及单根箔条的瞬时旋转矩阵;
(23)箔条云团扩散模型建立:初始化参数设置得到箔条云团扩散模型;
(24)箔条云团有效反射截面积计算:对箔条云团进行划分建模,计算箔条云团的有效反射截面积;
(25)箔条云一维距离像获取:将箔条回波信号与参考信号进行去斜混频处理,然后进行FFT得到箔条云一维距离像。
3.根据权利要求1所述的毫米波引信箔条干扰识别方法,其特征在于,所述(30)特征计算的步骤包括:
(31)波形熵计算:对各个分辨单元的目标及箔条干扰回波距离像数据进行取模,分别计算目标与箔条距离像波形熵值;
(32)相关系数获取:根据目标与箔条云几何形状的不同以及运动过程中体积变化的差异性,对二者距离像相关性进行计算得到二者距离像相关系数;
(33)散射强度比计算:对得到的距离像进行峰值搜索排序,设排序后的距离像序列为{x1(1),x1(2),……,x1(N)},计算前m个强散射点的距离像功率值之和占总功率值的比例,得到散射强度比,m小于等于N,N为离散距离像波形序列数;
(34)特征参量集获取:合并波形熵、距离像相关性和散射强度比,得到特征参量集。
4.根据权利要求1所述的毫米波引信箔条干扰识别方法,其特征在于,所述(40)特征提取步骤包括:
(41)预处理:输入特征参量数据集,对聚类类别数、隶属度矩阵、聚类中心、迭代停止阈值和加权指数赋初值完成初始化;
(42)目标函数获取:根据初始化聚类中心计算隶属度矩阵,再由聚类中心和隶属矩阵计算得到目标函数;
(43)聚类中心更新:在隶属度矩阵中,从每列选择隶属度最大的点作为相对应点的归属域,并重新计算聚类中心;
(44)隶属矩阵更新:根据新的聚类中心值,计算新的隶属矩阵;
(45)循环迭代:循环次数自增运算,计算目标函数是否小于迭代停止阈值,若是,则收敛,停止迭代,否则,跳转执行(43);
(46)聚类分析:输出聚类中心和隶属矩阵,并划分特征参量数据集,得到聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011208250.6A CN112418275B (zh) | 2020-11-03 | 2020-11-03 | 基于距离像特征提取的毫米波引信箔条干扰识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011208250.6A CN112418275B (zh) | 2020-11-03 | 2020-11-03 | 基于距离像特征提取的毫米波引信箔条干扰识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418275A true CN112418275A (zh) | 2021-02-26 |
CN112418275B CN112418275B (zh) | 2022-09-20 |
Family
ID=74827352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011208250.6A Active CN112418275B (zh) | 2020-11-03 | 2020-11-03 | 基于距离像特征提取的毫米波引信箔条干扰识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418275B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759324A (zh) * | 2021-07-21 | 2021-12-07 | 西安电子科技大学 | 一种基于箔条干扰实测数据的对抗方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011154099A1 (de) * | 2010-06-11 | 2011-12-15 | Rheinmetall Waffe Munition Gmbh | Aktive täuschkörper gegen radarquellen sowie verfahren zum schutz von objekten mit hilfe derartiger täuschkörper |
CN106125053A (zh) * | 2016-06-17 | 2016-11-16 | 中国电子科技集团公司第十研究所 | 脉冲多普勒雷达极化抗干扰方法 |
CN108169737A (zh) * | 2017-12-19 | 2018-06-15 | 中国人民解放军国防科技大学 | 一种基于极化散射变换的冲淡式箔条干扰识别方法 |
-
2020
- 2020-11-03 CN CN202011208250.6A patent/CN112418275B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011154099A1 (de) * | 2010-06-11 | 2011-12-15 | Rheinmetall Waffe Munition Gmbh | Aktive täuschkörper gegen radarquellen sowie verfahren zum schutz von objekten mit hilfe derartiger täuschkörper |
CN106125053A (zh) * | 2016-06-17 | 2016-11-16 | 中国电子科技集团公司第十研究所 | 脉冲多普勒雷达极化抗干扰方法 |
CN108169737A (zh) * | 2017-12-19 | 2018-06-15 | 中国人民解放军国防科技大学 | 一种基于极化散射变换的冲淡式箔条干扰识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759324A (zh) * | 2021-07-21 | 2021-12-07 | 西安电子科技大学 | 一种基于箔条干扰实测数据的对抗方法 |
CN113759324B (zh) * | 2021-07-21 | 2024-01-30 | 西安电子科技大学 | 一种基于箔条干扰实测数据的对抗方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112418275B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650582B (zh) | 一种基于mimo毫米波雷达的手势识别方法 | |
CN107300698B (zh) | 一种基于支持向量机的雷达目标航迹起始方法 | |
CN104330767A (zh) | 基于相位模糊数搜索与最小二乘拟合的干涉仪测向方法 | |
CN105913074B (zh) | 基于幅度与径向速度联合的sar图像动目标聚类方法 | |
CN113050797A (zh) | 一种通过毫米波雷达实现手势识别的方法 | |
CN102800104B (zh) | 一种基于isar图像序列的二维散射中心自动关联方法 | |
CN110244273A (zh) | 一种基于均匀分布式阵列的目标角度估计方法 | |
CN109117776A (zh) | 基于航迹信息的飞机与气象杂波分类识别方法 | |
Pengcheng et al. | Radar group target recognition based on HRRPs and weighted mean shift clustering | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
CN105447867A (zh) | 基于isar图像的空间目标姿态估计方法 | |
CN112418275B (zh) | 基于距离像特征提取的毫米波引信箔条干扰识别方法 | |
CN108535704A (zh) | 一种基于自适应二维聚类的信号预分选方法 | |
Wang et al. | Space target anomaly detection based on Gaussian mixture model and micro-Doppler features | |
CN116520274B (zh) | 一种用于煤岩识别三维高精度预探的识别雷达系统 | |
Zhu et al. | Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter | |
CN117241239A (zh) | 一种基于一维卷积神经网络的位置指纹室内定位方法和系统 | |
Song et al. | High-accuracy gesture recognition using mm-wave radar based on convolutional block attention module | |
Wen et al. | Track-before-detect strategies for multiple-PRF radar system with range and Doppler ambiguities | |
CN115754969A (zh) | 基于宽窄带结合和差单脉冲的识别雷达方法及系统 | |
Wantian et al. | Parity recognition of blade number and manoeuvre intention classification algorithm of rotor target based on micro-Doppler features using CNN | |
Lin et al. | The track initiation algorithm based on Hough transform and space accumulation | |
Zhu et al. | The application of unsupervised clustering in radar signal preselection based on DOA parameters | |
Seo et al. | Wideangle radar target recognition with subclass concept |
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 |