CN113988121A - 基于特征提取的加权投票多分类器地面雷达目标自动识别方法 - Google Patents

基于特征提取的加权投票多分类器地面雷达目标自动识别方法 Download PDF

Info

Publication number
CN113988121A
CN113988121A CN202111212450.3A CN202111212450A CN113988121A CN 113988121 A CN113988121 A CN 113988121A CN 202111212450 A CN202111212450 A CN 202111212450A CN 113988121 A CN113988121 A CN 113988121A
Authority
CN
China
Prior art keywords
time domain
classifier
waveform
weighted voting
feature extraction
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.)
Pending
Application number
CN202111212450.3A
Other languages
English (en)
Inventor
谢仁宏
游雨
赵玉超
李鹏
芮义斌
顾津玮
王腾
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.)
Nanjing University of Science and Technology
CETC 54 Research Institute
Original Assignee
Nanjing University of Science and Technology
CETC 54 Research Institute
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 Nanjing University of Science and Technology, CETC 54 Research Institute filed Critical Nanjing University of Science and Technology
Priority to CN202111212450.3A priority Critical patent/CN113988121A/zh
Publication of CN113988121A publication Critical patent/CN113988121A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于特征提取的加权投票多分类器地面雷达目标自动识别方法，包括对时域回波信号进行时域特征提取，对下变频处理后的基带回波时域信号进行FFT变换，进行频域特征提取；对提取后的特征进行5折交叉验证的朴素贝叶斯分类器、决策树分类器、LDA分类器、K邻近分类器和支持向量机分类器训练，并通过贝叶斯优化对支持向量机和K邻近分类器的超参数进行优化，得到最终的五个子分类器；根据混淆矩阵计算五个子分类器的精度权值，通过加权投票的方式得到最终的集成分类器；将待测回波数据进行时域、频域特征提取，输入到子分类器并通过加权投票得到最终分类结果。本发明能够在低分辨地面雷达的目标分类识别的应用中展现优异的识别准确性。

Description

基于特征提取的加权投票多分类器地面雷达目标自动识别 方法
技术领域
本发明属于低分辨雷达数字信号处理技术领域，具体为一种基于特征提取的加权投票多分类器地面雷达目标自动识别方法。
背景技术
随着现代战争信息集成的不断改进，雷达作为战场信息采集工具，其探测、测距等基本功能已经无法满足现代战场的需求。从雷达目标散射回波中提取其特征，并给出目标的性质、类型甚至具体模型成了迫切需要，雷达目标自动分类识别技术就由此诞生了。
根据分辨率性能，雷达可分为低分辨率窄带雷达和高分辨率宽带雷达。低分辨率窄带雷达由于成本低、实现方便等优点，应用仍然较为广泛，但由于其低分辨能力，回波中所包含的目标信息有限，故要从回波中提取相应的特征，必须采用各种信号处理方法对回波信息进行计算分析。雷达目标分类和识别过程有两个主要阶段：训练阶段和测试阶段。在训练阶段，从雷达回波数据中提取特征以进行分类器训练，而在测试阶段，将训练后的分类器用于目标分类测试。常用的目标分类器有朴素贝叶斯分类器、决策树分类器、LDA分类器、K邻近分类器和支持向量机分类器等，大多分类设计都是基于单分类器进行的，但是基于单分类器，可能出现某些样本特征适合被特定分类器区分而不适合被另一些分类器区分的情况，导致一些特征利用率低、浪费计算量、识别准确率低。
发明内容
本发明的目的在于提出一种基于特征提取的加权投票多分类器地面雷达目标自动识别方法。
实现本发明目的的技术方案为：一种基于特征提取的加权投票多分类器地面雷达目标自动识别方法，包含以下步骤：
步骤1，对时域回波信号进行时域特征提取，对下变频处理后的基带回波时域信号进行FFT变换，进行频域特征提取；
步骤2，对提取后的特征进行5折交叉验证朴素贝叶斯分类器、决策树分类器、LDA分类器、K邻近分类器和支持向量机分类器训练，并通过贝叶斯优化对支持向量机和K邻近分类器的超参数进行优化，得到最终的五个子分类器；
步骤3，根据混淆矩阵计算五个子分类器的精度权值，通过加权投票的方式得到最终的分类器；
步骤4，将待测回波数据进行时域、频域特征提取，输入到子分类器并通过加权投票得到最终分类结果。
优选地，时域特征包括：时域波形标准差、时域波形不规则度、时域波形平滑度，时域波形幅值变异系数，时域波形相位变异系数，时域波形等效散射中心维度，时域波形强点功率占比；频域特征包括：地物杂波特性、主峰谱宽、展宽谱宽、功率谱熵、功率谱一阶原点矩、二阶中心距、相对有效反射面积、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度、奇异值波形能量集中程度、EMD分解熵、EMD分解峰值比，共计21个特征值。
本发明与现有技术相比，其显著优点为：本发明实现简单，在低分辨地面雷达系统中的目标分类识别准确性较高，能够高效而又稳定的进行目标分类识别；本发明利用雷达回波数据，提取融合的时频特征，建立融合的多分类器，通过五折交叉验证进行分类器训练，采用加权投票法得到最终结果，提高了分类识别系统的性能。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明实施例的流程图。
图2是基于特征提取的加权投票多分类器地面雷达目标识别系统组成框图。
具体实施方式
如图1所示，一种基于特征提取的加权投票多分类器地面雷达目标自动识别方法包括：利用训练集数据对时域回波信号进行时域特征提取，对下变频处理后的基带回波时域信号进行FFT变换，进行频域特征提取；通过提取的21个时域和频域特征进行5种子分类器的5折交叉验证训练；根据混淆矩阵计算出5个子分类器的精度并进行归一化作为各个分类器的权值；利用训练好的分类器对测试数据集进行目标分类识别，通过加权投票得到的分类结果进行判定目标是人还是车。具体步骤为：
步骤1，对时域回波信号进行时域特征提取，对下变频处理后的基带回波时域信号进行FFT变换，进行频域特征提取；
具体地，时域特征包括：时域波形标准差、时域波形不规则度、时域波形平滑度，时域波形幅值变异系数，时域波形相位变异系数，时域波形等效散射中心维度，时域波形强点功率占比；
频域特征包括：地物杂波特性、主峰谱宽、展宽谱宽、功率谱熵、功率谱一阶原点矩、二阶中心距、相对有效反射面积、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度、奇异值波形能量集中程度、EMD分解熵、EMD分解峰值比。
进一步的，设雷达时域回波序列为x(i),i＝1,2,...,N，则时域波形标准差的计算方法为：
Figure BDA0003309405710000031
式中，
Figure BDA0003309405710000035
为目标样本时域波形内N个采样点的均值。
进一步的，时域波形幅值变异系数计算方法为：
首先对时域序列进行归一化，有：
Figure BDA0003309405710000032
则归一化方差为：
Figure BDA0003309405710000033
其中，xmean为归一化值的均值。
则幅值变异系数为：
CAmplitude＝xstd/xmean (4)
进一步的，时域波形相位变异系数计算方法为：
首先，根据IQ数据求出序列各点的相位值：
Figure BDA0003309405710000034
则序列相邻两点间的相位差为：
Figure BDA0003309405710000041
有
Figure BDA0003309405710000042
则时域波形相位变异系数为：
Figure BDA0003309405710000043
进一步的，时域波形等效散射中心维度的计算方法为：
Figure BDA0003309405710000044
其中，
Figure BDA0003309405710000046
为单位阶跃函数。
进一步的，时域波形强点功率占比的计算方法为：
Figure BDA0003309405710000045
其中，y(i),i＝1,2,...,N为时域回波由大到小降序排列形成的序列。
进一步的，对时域波形求FFT，得到功率谱X(n),n＝1,2,...,N，并求其对数值得到功率值P(n),n＝1,2,...,N，则地物杂波特性的计算方法为：
设杂波区的谱线为Nc根，目标所在谱线为Nt，目标的功率为Pr，去除目标所在谱线及其左右各一根谱线后对杂波区外的谱线功率求和平均得到检测门限功率，对杂波区内的谱线求和平均得到杂波功率，两者的比值即为地物杂波特性。
进一步的，相对有效波形反射截面积的计算方法为：
σ(dB)＝10lg(Pr)+40lg(RT)-40lg(Rmax)-10lg(Gr) (11)
进一步的，EMD分解熵、EMD分解能量比的计算方法为：
(1)先对时域信号进行EMD分解。
EMD分解的步骤为：
(1.1)初始化r(t)＝x(t)，对r(t)的上包络和下包络分别进行三次样条插值法
拟合出采样波形的包络曲线max_r(t)和min_r(t)；
(1.2)对两条包络曲线求均值得到m(t)，计算出中间信号
d(t)＝r(t)-m(t) (12)
(1.3)判断中间信号d(t)是否满足IMF的两个条件，如果满足，该信号就是一个IMF分量；如果不满足，令r(t)＝d(t)，迭代(1.1)～(1.3)。
(1.4)r(t)＝x(t)-d(t)，重复(1.1)～(1.4)，得到K个IMF分量。
(2)求得本质模态函数(IMF1)分量后进行傅里叶变换；
(3)对(2)的计算结果求波形熵作为EMD的分解熵；
(4)将IMF1频带的能量总和与原始频谱的对应谱线范围的能量总和之比作为EMD分解能量比。
步骤2，利用提取的特征进行5折交叉验证朴素贝叶斯分类器、决策树分类器、LDA分类器、K邻近分类器和支持向量机分类器训练，并通过贝叶斯优化对支持向量机和K邻近分类器的超参数进行优化，得到最终的五个子分类器；
步骤3，根据混淆矩阵计算五个子分类器的总体精度，通过归一化计算将结果作为各个分类器的权值w(i)，即为
Figure BDA0003309405710000051
步骤4，将待测回波数据进行时域、频域特征提取得到21个特征值后，分别输入到五个子分类器得到初步的分类结果，并通过加权投票得到最终分类结果
Figure BDA0003309405710000052
其中，
Figure BDA0003309405710000053
如果计算值R为正，则判为车；如果计算值为0，表示未识别；如果计算值R为负，则判为人。
下面结合附图2及具体实施例对本发明做进一步详细说明。
实施例
如图2所示，本发明为基于特征提取的加权投票多分类器地面雷达目标识别系统，具体步骤为：
步骤1，对时域回波信号进行时域特征提取，对下变频处理后的基带回波时域信号进行FFT变换，进行频域特征提取；
时域特征包括：(1)时域波形标准差、(2)时域波形不规则度、(3)时域波形平滑度，(4)时域波形幅值变异系数，(5)时域波形相位变异系数，(6)时域波形等效散射中心维度，(7)时域波形强点功率占比；频域特征包括：(8)地物杂波特性、(9)主峰谱宽、(10)展宽谱宽、(11)功率谱熵、(12)一阶原点矩、(13)二阶中心距、(14)相对有效反射面积、(15)峰值能量比、(16)高频成分含量、(17)奇异值波形衰减速度、(18)奇异值波形稳定程度、(19)奇异值波形能量集中程度、(20)EMD分解熵、(21)EMD分解峰值比。具体计算方法为：
步骤1-1，设雷达时域回波序列为x(i),i＝1,2,...,N，则时域波形标准差的计算方法为：
Figure BDA0003309405710000061
式中，
Figure BDA0003309405710000064
为目标样本时域波形内N个采样点的均值。
步骤1-2，时域波形不规则度的计算方法为：
Figure BDA0003309405710000062
步骤1-3，时域波形平滑度根据一阶差分编码值求得，计算方法为：
首先计算时域波形序列的一阶差分值：
Figure BDA0003309405710000063
接着求当前点与上一点差分值符号的异同，可通过乘积的正负判断：
sign(i)＝Firstorder_Diff(i)*Firstorder_Diff(i-1) (4)
接着，计算一阶差分编码值，设初始一阶差分编码值为1，则
Figure BDA0003309405710000071
最后，对一阶差分编码值求和得到时域波形平滑度，有：
Figure BDA0003309405710000072
步骤1-4，时域波形幅值变异系数计算方法为：
首先对时域序列进行归一化，有：
Figure BDA0003309405710000073
则归一化方差为：
Figure BDA0003309405710000074
其中，xmean为归一化值的均值。
则幅值变异系数为：
CAmplitude＝xstd/xmean (9)
步骤1-5，时域波形相位变异系数计算方法为：
首先，根据IQ数据求出序列各点的相位值：
Figure BDA0003309405710000075
则序列相邻两点间的相位差为：
Figure BDA0003309405710000076
有
Figure BDA0003309405710000077
则时域波形相位变异系数为：
Figure BDA0003309405710000081
步骤1-6，时域波形等效散射中心维度的计算方法为：
Figure BDA0003309405710000082
步骤1-7，时域波形强点功率占比的计算方法为：
Figure BDA0003309405710000083
其中，y(i),i＝1,2,...,N为时域回波由大到小降序排列形成的序列。
步骤1-8，对时域波形求FFT，得到功率谱X(n),n＝1,2,...,N，并求其对数值得到功率值P(n),n＝1,2,...,N，则地物杂波特性的计算方法为：
设杂波区的谱线为Nc根，目标所在谱线为Nt，目标的功率为Pr，去除目标所在谱线及其左右各一根谱线后对杂波区外的谱线功率求和平均得到检测门限功率，对杂波区内的谱线求和平均得到杂波功率，两者的比值即为地物杂波特性。
步骤1-9，频域主峰谱宽的计算方法为：
去除杂波区的谱线后，对主频域间的谱线找最大值，得到目标所在谱线Nt及其功率值Pr，以目标谱线为中心记录左、右功率下降6dB的谱线位置，左侧记为Nlow，右侧记为Nhigh，则频域主峰谱宽的计算方法为：
width_6dB＝Nhigh-Nlow+1
步骤1-10，展宽谱宽的计算方法为：
取阈值为所有谱线功率值的均值，以目标谱线为中心，遍历目标谱线左右各十根，记录谱线值与阈值的差值大于目标谱线与阈值差值的0.4倍的谱线数量，将该数量记作展宽谱宽。
步骤1-11，功率谱熵的计算方法为：
对杂波区外的谱线进行规范化，再求其信息熵值，有
Figure BDA0003309405710000091
Figure BDA0003309405710000092
步骤1-12，功率谱一阶原点矩的计算方法为：
将谱线进行归一化
Figure BDA0003309405710000093
可得到一阶原点矩为
Figure BDA0003309405710000094
步骤1-13，二阶中心矩为
Figure BDA0003309405710000095
步骤1-14，相对有效波形反射截面积的计算方法为：
根据雷达接收功率公式可推得
Figure BDA0003309405710000096
其中，K雷达固定参数，可当做常量，则可推得相对有效反射截面积(dB)的计算方法为：
σ(dB)＝10lg(Pr)+40lg(RT)-40lg(Rmax)-10lg(Gr) (22)
其中，RT为目标的距离单元号，Pr为目标接收功率，Gr接收通道增益。
步骤1-15，峰值能量比的计算方法为：
将主峰谱宽内的谱线值进行求和，其与整个频带内的功率和之比即为峰值能量比。
步骤1-16，高频成分含量的计算方法为：
对功率谱进行归一化得到
Figure BDA0003309405710000101
将归一化的功率谱按照间隔P划分为
Figure BDA0003309405710000102
个频带，则高频成分序列为
Figure BDA0003309405710000103
对其再进行归一化，选取阈值，判断序列中超过阈值的个数，记为高频成分含量。
步骤1-17～19，奇异值波形衰减速度、奇异值波形稳定程度、奇异值波形能量集中程度的计算方法为：
对功率谱求自相关矩阵，再进行奇异值分解，将奇异值中超过阈值的作为主成分含量，将主成分个数作为波形衰减速度、对奇异值求方差作为波形稳定程度、对奇异值求波形熵为能量集中程度。
步骤1-20～21，EMD分解熵、EMD分解能量比的计算方法为：
(1)先对时域信号进行EMD分解。
EMD分解的步骤为：
(1.1)初始化r(t)＝x(t)，对r(t)波形的上包络和下包络分别进行三次样条插值法拟合出包络曲线max_r(t)和min_r(t)；
(1.2)对两条包络曲线求均值得到m(t)，计算出中间信号
d(t)＝r(t)-m(t) (25)
(1.3)判断中间信号d(t)是否满足IMF的两个条件，如果满足，该信号就是一个IMF分量；如果不满足，令r(t)＝d(t)，迭代(1.1)～(1.3)。
(1.4)r(t)＝x(t)-d(t)，重复(1.1)～(1.4)，得到K个IMF分量。
(2)求得本质模态函数(IMF1)分量后进行傅里叶变换；
(3)对(2)的计算结果求波形熵作为EMD的分解熵；
(4)将IMF1频带的能量总和与原始频谱的对应谱线范围的能量总和之比作为EMD分解能量比。
步骤2，用提取后的特征进行5折交叉验证朴素贝叶斯分类器、决策树分类器、LDA分类器、K邻近分类器和支持向量机分类器训练，并通过贝叶斯优化对支持向量机和K邻近分类器的超参数进行优化，得到最终的五个子分类器。
将上述的7个时域特征和14个频域特征值作为特征量，选取M个样本，记为(Fi,Li),i∈[1,M]，将M个样本分为5组，每次选择其中4组作为训练样本集,剩余1组作为测试样本集，以此类推遍历5组数据得出5次实验结果，并将5次结果均值作为识别结果，进行子分类器5折交叉验证训练。
步骤3，根据混淆矩阵计算五个子分类器的精度权值，通过加权投票的方式得到最终的分类器；
将训练得到的五个子分类器根据混淆矩阵计算分类器权值w(i)，即为
Figure BDA0003309405710000111
其中，Ai为第i个分类器的分类精度。
则加权投票多分类器的输出结果即为
Figure BDA0003309405710000112
其中，
Figure BDA0003309405710000113
步骤4，将待测回波数据进行时域、频域特征提取，输入到子分类器并通过加权投票得到最终分类结果。
将待测回波数据进行时域、频域特征提取得到21个特征值，将特征值分别输入到五个子分类器得到初步的分类结果
Figure BDA0003309405710000114
并通过步骤3的权值进行加权投票计算得到最终分类结果，如果计算值为正，则判为车；如果计算值为0，表示未识别；如果计算值为负，则判为人。
本发明实现简单，先根据雷达时域回波提取特征，进行FFT后在频域提取波形特征，共计21种特征，特征量丰富可靠；采用了五种常规分类器，根据人、车各5000个样本进行五折交叉验证训练分类器，再通过人、车各1000个测试数据进行测试，通过投票法集成多分类器的结果，准确率达到95.4％，展现了良好的分类识别能力。

Claims (10)

1.一种基于特征提取的加权投票多分类器地面雷达目标自动识别方法，其特征在于，包括：
步骤1，对时域回波信号进行时域特征提取，对下变频处理后的基带回波时域信号进行FFT变换并提取频域特征；
步骤2，对提取后的特征进行5折交叉验证的朴素贝叶斯分类器、决策树分类器、LDA分类器、K邻近分类器和支持向量机分类器训练，并通过贝叶斯优化对支持向量机和K邻近分类器的超参数进行优化，得到最终的五个子分类器；
步骤3，根据混淆矩阵计算五个子分类器的精度权值，通过加权投票的方式得到最终的分类器；
步骤4，将待测回波数据进行时域、频域特征提取，输入到各个子分类器并通过加权投票得到最终分类结果。
2.根据权利要求1所述的基于特征提取的加权投票多分类器地面雷达目标自动识别方法，其特征在于，时域特征包括：时域波形标准差、时域波形不规则度、时域波形平滑度，时域波形幅值变异系数，时域波形相位变异系数，时域波形等效散射中心维度，时域波形强点功率占比；
频域特征包括：地物杂波特性、主峰谱宽、展宽谱宽、功率谱熵、功率谱一阶原点矩、二阶中心距、相对有效反射面积、峰值能量比、高频成分含量、奇异值波形衰减速度、奇异值波形稳定程度、奇异值波形能量集中程度、EMD分解熵、EMD分解峰值比，共计21个特征值。
3.根据权利要求1所述的基于特征提取的加权投票多分类器地面雷达目标自动识别方法，其特征在于，时域波形幅值变异系数的计算方法为：
对时域序列进行归一化，有：
Figure FDA0003309405700000011
其中，max{x(i)}、min{x(i)}分别为单个目标的样本时域波形的N个采样点中的最大值和最小值；
则归一化方差为：
Figure FDA0003309405700000021
其中，xmean为归一化值xnorm(i)的均值；
则有幅值变异系数的计算方法为：
CAmplitude＝xstd/xmean。
4.根据权利要求1所述的基于特征提取的加权投票多分类器地面雷达目标自动识别方法，其特征在于，时域波形相位变异系数计算方法为：
根据N点的IQ数据求出单个回波序列各点的相位值
Figure FDA0003309405700000022
Figure FDA0003309405700000023
其中xI(i)为时域波形I序列数据，xQ(i)为时域波形Q序列数据。
则序列中相邻两点间的相位差为：
Figure FDA0003309405700000024
计算得中间量r2为：
Figure FDA0003309405700000025
则时域波形相位变异系数CPhase为：
Figure FDA0003309405700000026
。
5.根据权利要求1所述的基于特征提取的加权投票多分类器地面雷达目标自动识别方法，其特征在于，时域波形等效散射中心维度Dimension的计算方法为：
Figure FDA0003309405700000027
其中，xnorm(i)为时域归一化序列，
Figure FDA0003309405700000028
为单位阶跃函数。
6.根据权利要求1所述的基于特征提取的加权投票多分类器地面雷达目标自动识别方法，其特征在于，时域波形强点功率占比的计算方法为：
Figure FDA0003309405700000031
其中，y(i),i＝1,2,...,N为时域回波由大到小降序排列形成的序列，选取前d个强点得时域波形强点功率。
7.根据权利要求1所述的基于特征提取的加权投票多分类器地面雷达目标自动识别方法，其特征在于，地物杂波特性的计算方法为：
去除目标所在谱线及其左右各一根谱线后对杂波区外的谱线功率求和平均得到检测门限功率，对杂波区内的谱线求和平均得到杂波功率，检测门限功率与杂波功率的比值即为地物杂波特性。
8.根据权利要求1所述的基于特征提取的加权投票多分类器地面雷达目标自动识别方法，其特征在于，EMD分解熵、EMD分解能量比的计算方法为：
(1)对时域信号进行EMD分解；
EMD分解的步骤为：
(1.1)初始化r(t)＝x(t)，对r(t)的上包络和下包络分别进行三次样条插值法拟合出采样波形的包络曲线max_r(t)和min_r(t)；
(1.2)对两条包络曲线求均值得到m(t)
m(t)＝[max_r(t)+min_r(t)]/2
则可计算出中间信号为：
d(t)＝r(t)-m(t)
(1.3)判断中间信号d(t)是否满足IMF的两个条件，如果满足，该信号就是一个IMF分量；如果不满足，令r(t)＝d(t)，迭代(1.1)～(1.3)；
(1.4)r(t)＝x(t)-d(t)，重复(1.1)～(1.4)，得到K个IMF分量；
(2)求得本质模态函数(IMF1)分量后进行傅里叶变换；
(3)对(2)的计算结果求波形熵作为EMD的分解熵；
(4)将IMF1频带的能量总和与原始频谱的对应谱线范围的能量总和之比作为EMD分解能量比。
9.根据权利要求1所述的基于特征提取的加权投票多分类器地面雷达目标自动识别方法，其特征在于，根据混淆矩阵计算五个子分类器的准确率，将准确率作为五个子分类器的权重值，构造加权投票分类器。
10.根据权利要求1所述的基于特征提取的加权投票多分类器地面雷达目标自动识别方法，其特征在于，将待测回波信号经过特征提取后，输入到五个子分类器，得到初步的五个分类结果，再根据权值进行加权投票计算，得到最终的分类结果，如果计算值大于阈值b，则判为车；如果计算值为小于阈值-b，则判为人；如果计算值在两个阈值之间，表示未识别。
CN202111212450.3A 2021-10-19 2021-10-19 基于特征提取的加权投票多分类器地面雷达目标自动识别方法 Pending CN113988121A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111212450.3A CN113988121A (zh) 2021-10-19 2021-10-19 基于特征提取的加权投票多分类器地面雷达目标自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111212450.3A CN113988121A (zh) 2021-10-19 2021-10-19 基于特征提取的加权投票多分类器地面雷达目标自动识别方法

Publications (1)

Publication Number Publication Date
CN113988121A true CN113988121A (zh) 2022-01-28

Family

ID=79739242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111212450.3A Pending CN113988121A (zh) 2021-10-19 2021-10-19 基于特征提取的加权投票多分类器地面雷达目标自动识别方法

Country Status (1)

Country Link
CN (1) CN113988121A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819482A (zh) * 2023-08-28 2023-09-29 四川省石棉县恒达粉体材料有限责任公司 一种基于雷达数据的方解石探测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819482A (zh) * 2023-08-28 2023-09-29 四川省石棉县恒达粉体材料有限责任公司 一种基于雷达数据的方解石探测方法
CN116819482B (zh) * 2023-08-28 2023-11-10 四川省石棉县恒达粉体材料有限责任公司 一种基于雷达数据的方解石探测方法

Similar Documents

Publication Publication Date Title
CN106297770B (zh) 基于时频域统计特征提取的自然环境声音识别方法
CN109190673B (zh) 基于随机森林和数据拒判的地面目标分类方法
CN111175718B (zh) 联合时频域的地面雷达自动目标识别方法及系统
CN108469602B (zh) 一种基于谱特征提取的脉冲信号类型自动判别方法
Chatlani et al. Local binary patterns for 1-D signal processing
CN113325277A (zh) 一种局部放电处理方法
CN109782274A (zh) 一种基于探地雷达信号时频统计特征的水损害识别方法
CN108694346B (zh) 一种基于两级cnn的船舶辐射噪声信号识别方法
CN105044701B (zh) 基于稳健性时频特征的地面目标分类方法
CN102510363A (zh) 一种强干扰源环境下的lfm信号检测方法
CN101995437B (zh) 一种拉深件裂纹声发射信号的特征提取方法
CN109164429B (zh) 基于主成分分析的多重分形特征飞机目标分类方法
CN101587186A (zh) 一种雷达脉内调制信号的特征提取方法
CN107907864A (zh) 一种风廓线雷达降水干扰抑制方法和系统
CN114896554B (zh) 一种基于谱特征提取的调频信号频率范围与带宽估计方法
CN114897023A (zh) 一种基于水声目标敏感差异特征提取的水声目标辨识方法
CN113988121A (zh) 基于特征提取的加权投票多分类器地面雷达目标自动识别方法
CN112068120A (zh) 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法
CN115954017A (zh) 一种基于hht的发动机小样本声音异常故障识别方法及系统
CN105916090A (zh) 一种基于智能化语音识别技术的助听器系统
CN102006252B (zh) 一种单音信号识别方法
CN108549076B (zh) 一种基于速度节奏图的多种类无人机场景识别方法
CN111540381A (zh) 一种基于随机森林的话音模拟调制特征识别方法
CN104849546B (zh) 一种民航飞机散射信号多普勒频率估计方法
CN114614922A (zh) 基于频域的民航甚高频通信中的频谱数据清洗方法

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