CN113988119B - 一种多旋翼无人机识别中的块概率分布特征提取方法 - Google Patents

一种多旋翼无人机识别中的块概率分布特征提取方法 Download PDF

Info

Publication number
CN113988119B
CN113988119B CN202111197149.XA CN202111197149A CN113988119B CN 113988119 B CN113988119 B CN 113988119B CN 202111197149 A CN202111197149 A CN 202111197149A CN 113988119 B CN113988119 B CN 113988119B
Authority
CN
China
Prior art keywords
sub
unmanned aerial
block
aerial vehicle
time
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.)
Active
Application number
CN202111197149.XA
Other languages
English (en)
Other versions
CN113988119A (zh
Inventor
周代英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111197149.XA priority Critical patent/CN113988119B/zh
Publication of CN113988119A publication Critical patent/CN113988119A/zh
Application granted granted Critical
Publication of CN113988119B publication Critical patent/CN113988119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于目标识别技术领域，具体的说是涉及一种多旋翼无人机识别中的块概率分布特征提取方法。本发明首先通过对无人机目标的雷达回波数据集进行短时付氏变换，获得时频谱图，然后，将时频谱图划分为多个具有交叠区域的子块，每一子块的元素按列顺序构成一个矢量，对该矢量进行量化，并统计整幅时频谱图的量化索引的直方图，作为块概率分布特征，完成对多旋翼无人机的识别。由于充分利用了子块的统计分布信息，能够提取到有关目标雷达回波数据中的局部结构分布特征，增大了目标之间的区分细节，从而改善了对目标的识别率。对4类多旋翼无人机的仿真实验结果验证了方法的有效性。

Description

一种多旋翼无人机识别中的块概率分布特征提取方法
技术领域
本发明属于目标识别技术领域，具体的说是涉及一种多旋翼无人机识别中的块概率分布特征提取方法。
背景技术
随着无人机在各领域的广泛应用，给国家的安全带来了巨大的威胁，有必要对无人机进行有效的监控、管理及打击。因此，准确识别出无人机的类型对反无人机作战中具有非常重要的实用意义。
目前，子空间方法是一种识别无人机的有效方法，主要通过无人机目标的训练雷达回波数据的时频谱图建立投影子空间，提取目标特征。但是，常规子空间提取的特征属于全局结构特征，而忽视了局部结构特征，降低了目标之间的细节区分度，因此，基于常规子空间的多旋翼无人机识别方法的目标识别率有进一步改善的余地。
发明内容
针对上述问题，本发明提出了一种块概率分布特征提取方法，通过将时频谱图划分为子块，并统计子块的分布信息，能够提取到有关目标细节的局部结构特征，增大了目标之间的区分度，从而改善了对目标的识别率。
为实现上述目的，本发明的技术方案是：
一种多旋翼无人机识别中的块概率分布特征提取方法，包括以下步骤：
S1、设多旋翼无人机的雷达回波训练数据序列为n维列矢量xij，i＝1,2,…g，j＝1,2…Ni，其中，i表示无人机的类别，g表示类别数，Ni表示第i类无人机目标的训练序列数，总的训练序列数为
Figure BDA0003303489890000011
S2、对第i类无人机目标的训练样本数据序列xij进行短时付氏变换，得时频谱图Sij：
Sij＝[sij,km]K×M
其中，sij,km表示时频谱图Sij中的元素，k＝1,2,…K，m＝1,2,…M，k为行下标，表示频率变化方向，m为列下标，表示时间变化方向，K是Sij的行数，M是Sij的列数；
S3、以4x4的窗口在时频谱图Sij中按元素进行滑动，得到多个子块，组成子块集Pij：
Pij＝[Qij,1 Qij,2 … Qij,L]
Qij,l＝[qij,l,ef]4×4,e,f＝1,2,3,4
l＝1,2,…L
其中，Qij,l表示子块集Pij中的第l个子块矩阵，qij,l,ef表示子块矩阵Qij,l中元素，L表示子块总数；将子块矩阵Qij,l中的元素按列构成如下子块列矢量qij,l：
qij,l＝[qij,l,11 qij,l,21 … qij,l,44]T
S4、对时频谱图的子块列矢量qij,l进行量化，获得时频谱图的子块量化索引矢量，计算子块列矢量qij,l与码书中的码字的欧氏距离dij,l,u：
dij,l,u＝||qij,l-cu||2,u＝1,2,…64
其中，||·||2表示矢量的二阶范数，cu是码书中的码字，该码书包含64个码字，由训练数据集进行聚类建立；取最小距离对应的码字下标作为子块Qij,l的量化索引
Figure BDA0003303489890000021
Figure BDA0003303489890000022
将时频谱图中的所有子块对应的量化索引构成子块量化索引矢量uij：
Figure BDA0003303489890000023
S5、提取块概率分布特征：
统计子块量化索引矢量uij中的各元素重复出现次数，并组成矢量：
[λij,1 λij,2 … λij,64]
其中，λij,l为码字下标l的重复出现次数，l＝1,2,…,64，则时频谱图Sij对应的块概率分布特征hij：
Figure BDA0003303489890000031
本发明的有益效果是：本发明充分利用了子块的统计分布信息，能够提取到有关目标雷达回波数据中的局部结构分布特征，增大了目标之间的区分细节，从而改善了对目标的识别率。
具体实施方式
下面结合仿真实验说明本发明的实用性。
仿真实验设计了4种类型的无人机，包括三旋翼无人机、四旋翼无人机、六旋翼无人机、八旋翼无人机，其仿真参数如表1所示。仿真雷达参数包括：雷达载频为24GHz；脉冲重复频率为100KHz；目标与雷达间的距离200m；无人机相对于雷达的俯仰角为10°、方位角为30°
每类目标记录10s的雷达回波信号，并将其分为固定长度0.05s的段(至少包含一个旋转周期)，段之间的重叠为50％，每段包含0.05×100000＝5000个雷达回波采样数据点，每类共400段。在400段中随机选取200段作为训练数据集，其余200段作为测试数据集，则4类目标的训练数据集总共包括800个段，测试数据集包括800个段。对选取的训练数据集，利用本文方法提取块概率分布特征，建立模板库，同样提取测试样本的块概率分布特征，采用最小距离分类器进行分类，对4类多旋翼无人机的平均正确识别率达到97％。其中，信噪比为20dB。
表1四种无人机的仿真参数
Figure BDA0003303489890000032
Figure BDA0003303489890000041

Claims (1)

1.一种多旋翼无人机识别中的块概率分布特征提取方法，其特征在于，包括以下步骤：
S1、设多旋翼无人机的雷达回波训练数据序列为n维列矢量xij，i＝1,2,…g，j＝1,2…Ni，其中，i表示无人机的类别，g表示类别数，Ni表示第i类无人机目标的训练序列数，总的训练序列数为
Figure FDA0003303489880000011
S2、对第i类无人机目标的训练样本数据序列xij进行短时付氏变换，得时频谱图Sij：
Sij＝[sij,km]K×M
其中，sij,km表示时频谱图Sij中的元素，k＝1,2,…K，m＝1,2,…M，k为行下标，表示频率变化方向，m为列下标，表示时间变化方向，K是Sij的行数，M是Sij的列数；
S3、以4x4的窗口在时频谱图Sij中按元素进行滑动，得到多个子块，组成子块集Pij：
Pij＝[Qij,1 Qij,2 … Qij,L]
Qij,l＝[qij,l,ef]4×4,e,f＝1,2,3,4
l＝1,2,…L
其中，Qij,l表示子块集Pij中的第l个子块矩阵，qij,l,ef表示子块矩阵Qij,l中元素，L表示子块总数；将子块矩阵Qij,l中的元素按列构成如下子块列矢量qij,l：
qij,l＝[qij,l,11 qij,l,21 … qij,l,44]T
S4、对时频谱图的子块列矢量qij,l进行量化，获得时频谱图的子块量化索引矢量，计算子块列矢量qij,l与码书中的码字的欧氏距离dij,l,u：
dij,l,u＝||qij,l-cu||2,u＝1,2,…64
其中，||·||2表示矢量的二阶范数，cu是码书中的码字，该码书包含64个码字，由训练数据集进行聚类建立；取最小距离对应的码字下标作为子块Qij,l的量化索引
Figure FDA0003303489880000012
Figure FDA0003303489880000021
将时频谱图中的所有子块对应的量化索引构成子块量化索引矢量uij：
Figure FDA0003303489880000022
S5、提取块概率分布特征：
统计子块量化索引矢量uij中的各元素重复出现次数，并组成矢量：
[λij,1 λij,2 … λij,64]
其中，λij,l为码字下标l的重复出现次数，l＝1,2,…,64，则时频谱图Sij对应的块概率分布特征hij：
Figure FDA0003303489880000023
CN202111197149.XA 2021-10-14 2021-10-14 一种多旋翼无人机识别中的块概率分布特征提取方法 Active CN113988119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111197149.XA CN113988119B (zh) 2021-10-14 2021-10-14 一种多旋翼无人机识别中的块概率分布特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111197149.XA CN113988119B (zh) 2021-10-14 2021-10-14 一种多旋翼无人机识别中的块概率分布特征提取方法

Publications (2)

Publication Number Publication Date
CN113988119A CN113988119A (zh) 2022-01-28
CN113988119B true CN113988119B (zh) 2023-04-07

Family

ID=79738590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111197149.XA Active CN113988119B (zh) 2021-10-14 2021-10-14 一种多旋翼无人机识别中的块概率分布特征提取方法

Country Status (1)

Country Link
CN (1) CN113988119B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943252B (zh) * 2022-05-20 2023-04-07 电子科技大学 一种多旋翼无人机识别中的多型子块组合特征提取方法
CN114936576B (zh) * 2022-05-20 2023-04-07 电子科技大学 多旋翼无人机识别中的子块差分编码分布特征提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288586A (zh) * 2019-06-28 2019-09-27 昆明能讯科技有限责任公司 一种基于可见光图像数据的多尺度输电线路缺陷检测方法
CN111727432A (zh) * 2018-02-20 2020-09-29 通用电气公司 用于无人机的网络攻击检测、定位以及中和
CN113269203A (zh) * 2021-05-17 2021-08-17 电子科技大学 一种用于多旋翼无人机识别的子空间特征提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934521B (zh) * 2017-12-18 2021-07-13 北京京东尚科信息技术有限公司 货物保护方法、装置、系统和计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111727432A (zh) * 2018-02-20 2020-09-29 通用电气公司 用于无人机的网络攻击检测、定位以及中和
CN110288586A (zh) * 2019-06-28 2019-09-27 昆明能讯科技有限责任公司 一种基于可见光图像数据的多尺度输电线路缺陷检测方法
CN113269203A (zh) * 2021-05-17 2021-08-17 电子科技大学 一种用于多旋翼无人机识别的子空间特征提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Daiying Zhou.Radar Target Recognition Based on Kernel Projection Vector Space Using High-resolution Range Profile.2013 Third International Conference on Intelligent System Design and Engineering Applications.2013,全文. *
何林阳.航空图像超分辨率重建关键技术研究 .中国博士学位论文全文数据库（信息科技辑）.2016,全文. *

Also Published As

Publication number Publication date
CN113988119A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN113988119B (zh) 一种多旋翼无人机识别中的块概率分布特征提取方法
CN110334741B (zh) 基于循环神经网络的雷达一维距离像识别方法
CN109471074B (zh) 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
CN111175718A (zh) 联合时频域的地面雷达自动目标识别方法及系统
CN110188647A (zh) 一种基于变分模态分解雷达辐射源特征提取及其分类方法
CN110133714A (zh) 一种基于深度学习的微震信号分类辨识方法
CN103440508A (zh) 基于视觉词袋模型的遥感图像目标识别方法
CN112637834B (zh) 一种无线通信设备的指纹融合识别方法及装置
CN103064063A (zh) 基于cwd特征的多相编码雷达信号波形自动识别方法
CN113759323B (zh) 基于改进K-Means联合卷积自编码器的信号分选方法及装置
CN110766084A (zh) 基于cae与hl-cnn的小样本sar目标识别方法
CN113269203B (zh) 一种用于多旋翼无人机识别的子空间特征提取方法
CN115567292A (zh) 一种基于改进CatBoost算法的网络入侵检测方法
CN104732224A (zh) 基于二维泽尔尼克矩特征稀疏表示的sar目标识别方法
CN104504361B (zh) 基于方向特征的手掌静脉主方向特征提取方法
CN114091624A (zh) 一种无第三方的联邦梯度提升决策树模型训练方法
CN109063750A (zh) 基于cnn和svm决策融合的sar目标分类方法
CN114936576B (zh) 多旋翼无人机识别中的子块差分编码分布特征提取方法
CN115902804B (zh) 一种无人机集群类型识别方法和系统
CN115061094B (zh) 一种基于神经网络与svm的雷达目标识别方法
CN116797928A (zh) 基于平衡模型稳定性和可塑性的sar目标增量分类方法
CN115809426A (zh) 一种辐射源个体识别方法及系统
CN115795299A (zh) 一种多旋翼无人机识别中的编码特征提取方法
CN114943252B (zh) 一种多旋翼无人机识别中的多型子块组合特征提取方法
CN113960553B (zh) 一种一维像识别中的高斯权值分布特征提取方法

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