CN117421543A - 一种基于群智能协同的飞行目标识别系统 - Google Patents

Abstract

本发明公开了一种基于群智能协同的飞行目标识别系统，包括多频段雷达阵、数据库及上位机；多频段雷达阵、数据库和上位机依次相连，所述多频段雷达阵对所监测空域进行照射，并将雷达回波数据储存到所述的数据库，所述的上位机包括数据预处理模块、图数据重建模块、特征向量聚合模块以及目标识别模块。本发明利用多频段多方位雷达构建多频雷达阵，基于图数据重建及图神经网络的节点聚合实现多频段雷达回波信息的特征向量构建，随后基于聚类算法获取多目标簇，分簇拟合目标特征信号，最终达到高精度、高可靠的多目标检测识别。

Description

一种基于群智能协同的飞行目标识别系统

技术领域

本发明涉及雷达数据处理领域，特别地，涉及一种基于群智能协同的飞行目标识别系统及方法。

背景技术

雷达利用目标对电磁波的反射来发现目标并确定目标的空间位置。雷达发射高功率的电磁波脉冲，由天线辐射到空间中，当遇到目标时，部分电磁波会被反射回来，形成回波信号。雷达接收天线收集回波信号，经过信号分析处理，可以得到目标的位置、航向、速度等信息。

不同频段的雷达具有不同的特性和特点。高频雷达具有较高的分辨率，能够对目标进行更精细的识别，但是穿透性较差，易受到大气层、雨雪雾等因素的干扰。低频雷达具有较强的穿透性，能够对隐身或低空飞行的目标进行探测，但是分辨率较低，难以区分目标的细节。因此，单一频段的雷达往往难以满足系统对飞行目标精准定位识别的要求。

为了克服单一频段雷达的局限性，融合多频段雷达阵进行目标识别是一种有效的方法。多频段雷达阵可以利用不同频段雷达的优势，综合各个频段的回波信号数据，从而提高目标识别的准确性和可靠性。多频段雷达阵可以对空域进行全方位、多角度、多尺度的扫描，增加目标探测的概率和覆盖范围，降低目标逃逸和干扰的风险。

然而，多频段雷达阵也面临着一些挑战：如何有效地处理和分析海量、异构、复杂的回波信号数据，如何提取和融合不同频段雷达回波信号中的有效特征，如何实现对多个雷达站回波信号数据的协同处理和优化等。因此，实现多频段雷达阵的群智能协同探测，不仅具有重要的理论意义和实际价值，而且也是国内外雷达协同探测的重点和难点。

发明内容

为了克服单一频段雷达分辨率和穿透性难以兼得的不足，本发明提供一种多频段、多角度、高精度、高可靠、智能性强的基于群智能协同的飞行目标识别系统。

本发明解决其技术问题所采用的技术方案是：

一种基于群智能协同的飞行目标识别系统，包括多频段雷达阵、数据库以及上位机，多频段雷达阵、数据库和上位机依次相连。

多频段雷达阵对所监测空域进行扫描，并将各频段的回波信号数据存储到所述的数据库中。多频段雷达阵由分布在不同位置的M个雷达构成，每个雷达发送不同频段B_m(B_m＝[f_L，f_H])的调制信号并接收对应频段B_m的回波信号/>这些雷达的频段覆盖了常用雷达的高低频段，从而有利于获得不同频段下的扫描回波信号，获取各频段下的待监测空域的飞行器特征。其中m指的是对应的雷达编号(m＝1，...，M，且M≥2)，/>和/>分别指的是第m个雷达在第i次发送的调制信号以及对应第i次接收的雷达回波信号；

数据库汇总并存储了分布在不同位置的M个雷达的回波信号并对每个雷达的信号进行了时间对齐，以此保证不同雷达相同下标i对应的回波信号在同一时间段上，有利于后面进行回波信号的特征融合。

上位机包括了数据预处理模块、图数据重建模块、特征向量聚合模块、目标识别模块。

数据预处理模块，用以进行雷达群回波数据预处理，采用如下过程完成：

①从数据库中采集M个雷达同一时间段i的回波信号随后，分别对于各次回波信号进行归一化处理，得到归一化的回波信号：

其中和/>分别代表/>的最小值和最大值。

②对于每个雷达的归一化回波信号进行傅里叶变换(FFT)，得到频域信号

其中FFT表示傅里叶变换，k表示频率序号，对回波信号进行傅里叶变换从时域变换到频域进行分析，有利于对各频段信息进行分割处理。

③对于每个雷达的频域信号进行功率谱密度(PSD)估计，得到功率谱：

其中N表示采样点数。功率谱密度估计的目的是量化回波信号在各个频率上的功率水平，以便识别出不同频段B_m雷达回波信号中的主要频率成分。

④对于每个雷达的功率谱进行滤波处理，得到滤波后的功率谱：

其中H^m(k)表示第m个雷达对应滤波器的频率响应函数，对于每个H^m(k)，有：

其中，为滤波器的中心频率/>Q为滤波器的品质因数：

其中，f_s为采样率，k_L和k_H为巴特沃斯滤波器的下截止频率和上截止频率对应的频率变量，B为-3dB带宽，巴特沃斯滤波器在通带内具有平坦的幅频响应以及更高的平滑度，这意味着在通带内的所有频率都能以相对一致的增益通过滤波器。这有助于保持信号的原始幅度特性，避免引入额外的幅度变化，同时也减少了频率响应的波纹和不连续性，最大程度上保证滤波后的回波信号不失真。

⑤对于每个雷达的滤波后的功率谱进行逆傅里叶变换(IFFT)，得到选频去噪后的雷达回波信号：

其中IFFT表示逆傅里叶变换。

图数据重建模块，用以将多频段雷达回波信号构建为图结构数据，采用如下过程完成：

①对于每个雷达站预处理去噪后的回波数据将其表示为雷达阵回波图数据G_i中的节点/>构建的节点集合表示为：

以此构建一个包含M个节点的节点集合V_i，每个节点可以表示为一个向量，即其中m表示雷达站编号，i表示时间序列中的采样点编号。

②计算各节点之间的余弦相似度为：

③构建节点之间的边集合E_i：

E_i＝{(m，n)|s-i^mn≥σ} (12)

其中σ为相似度阈值，σ＞0，σ＜1，当两个雷达站m，n之间雷达回波数据的余弦相似度大于相似度阈值σ时，认为这两个雷达站m，n具有较强的关联性，因此在图上为这两个节点之间构建一条边。

④基于①和③构建的节点集合以及边集合，构建第i时间段对应的雷达阵回波图数据：

G_i＝(V_i，E_i) (13)

特征向量聚合模块，用于将构建的图数据聚合各节点得到特征向量，采用如下过程完成：

①对于图上的某一节点v_m，计算其邻居节点v_n相对于该节点的重要程度：

e_mn＝Leaky ReLU(a^T[Wv_m||Wv_n]) (14)

其中W是该层节点特征变换的可训练的权重参数，Leaky ReLU(·)是LeakyRelu激活函数，α是权重系数，为了保证权重系数e^mn对于不同度大小的节点都使用，进行归一化处理：

其中表示为节点v_m的所有单跳邻居节点。

②计算得到了权重系数后，进行加权求和聚合节点特征，得到中心节点v^m的新的特征向量：

其中||表示为输出特征的拼接，是第k层的注意力机制(a^k(·))计算得到的权值系数，W^k是第k层对应的节点特征线性变换的权值参数，使用多头注意力机制增强了特征向量的表示能力，可以在不同的尺度上关注输入的不同部分，最大化地融合多频段的回波信息。

③在最终(预测)层上采用多注意力机制，使用平均而不是拼接实现节点聚合，从而获得最终的聚合节点特征向量：

目标识别模块，用于将聚合得到的各节点特征向量v'_m进行识别，采用如下过程完成：

①对于每个雷达站m的聚合节点特征向量v'_m，使用YOLO目标检测算法对其进行目标检测，得到回波信号中的多个潜在目标的位置信息：

L_m＝YOLO(v'_m) (18)

其中YOLO(·)表示YOLO目标检测算法，L_m表示第m个雷达站的回波信号中的多个潜在目标的位置。

②对于每个雷达站m的聚合节点特征向量v'_m和其检测得到的多个潜在目标的位置L_m，使用一个截取函数(CUT)对其进行截取，得到回波信号中的多个潜在目标的特征向量ROI：

R_m＝CUT(v'_m，L_m) (19)

其中CUT表示截取函数，R_m表示第m个雷达站的回波信号中的多个潜在目标的特征向量ROI，表示第m个雷达站的回波信号中第c个潜在目标的特征向量ROI。

③对于所有雷达站检测得到的多个潜在目标的特征向量ROI集合，R_m(m＝1，2，...，M)，使用DBSCAN算法对其进行聚类，得到空域中的目标簇集合：

C_target＝DBSCAN(R₁，R₂，...，R_M) (20)

其中DBSCAN表示DBSCAN聚类算法，C_target表示空域中的目标簇集合，其中表示第k个簇对应的特征向量ROI集合。

④对于每个目标簇计算其簇内特征向量ROI的平均值：

其中表示该ROI簇中的ROI数量，D{·}表示雷达信号分析函数，S_k表示空域中的目标k的位置、航向、速度、类别等信息。

由此可以检测并识别出该多频段雷达阵所监测空域内的目标，获得多频段融合的精确的目标位置、航向、速度、类别等信息。

本发明的技术构思为：本发明利用多频段多方位雷达构建多频雷达阵，基于图数据重建及图神经网络的节点聚合实现多频段雷达回波信息的特征向量构建，随后基于聚类算法获取多目标簇，分簇拟合目标特征信号，最终达到高精度、高可靠的多目标检测识别。

本发明的有益效果主要表现在：1、多频段雷达阵同时实现高分辨及高穿透；2、充分利用雷达阵的网络时空信息，实现高精度观测；3、智能性强、受人为因素影响小。

附图说明

图1是本发明所提出的多频段雷达阵的硬件结构图；

图2是本发明所提出的系统组成图。

具体实施方式

下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

参照图1、图2，一种智能雷达海上目标检测系统，包括多频段雷达阵1、数据库2及上位机3，多频段雷达阵1、数据库2和上位机3依次相连。多频段雷达阵对所监测空域进行扫描，并将各频段的回波信号数据存储到所述的数据库中。

如图1所示，多频段雷达阵由分布在不同位置的M个雷达构成，每个雷达发送不同频段B_m(B_m＝[f_L，f_H])的调制信号雷达站的频段覆盖了300MHz到12GHz不等，各雷达的分辨率从300MHz到12GHz逐步提高，穿透性则相应降低，因此可以根据实际的雷达数量及监测需要可以调整各雷达的频段带宽以及频带中心频率。各雷达对应接收频段为B_m的回波信号/>其中m指的是对应的雷达编号(m＝1，...，M，且M≥2)，/>和/>分别指的是第m个雷达在第i次发送的调制信号以及对应第i次接收的雷达回波信号；

数据库汇总并存储了分布在不同位置的M个雷达的回波信号并对每个雷达的信号进行了时间对齐，以此保证不同雷达相同下标i对应的回波信号在同一时间段上。

上位机包括了数据预处理模块、图数据重建模块、特征向量聚合模块、目标识别模块。

数据预处理模块，用以进行雷达群回波数据预处理，采用如下过程完成：

①从数据库中采集M个雷达同一时间段i的回波信号随后，分别对于各次回波信号进行归一化处理，得到归一化的回波信号：

其中和/>分别代表/>的最小值和最大值。

②对于每个雷达的归一化回波信号进行傅里叶变换(FFT)，得到频域信号

其中FFT表示傅里叶变换，k表示频率序号。

③对于每个雷达的频域信号进行功率谱密度(PSD)估计，得到功率谱：

其中N表示采样点数。功率谱密度估计的目的是量化回波信号在各个频率上的功率水平，由于各雷达站对应了一个特定的频段B_m，因此在频域中进行功率谱密度估计能更方便地识别并分割出不同频段B_m雷达回波信号中的主要频率成分。

④对于每个雷达的功率谱进行滤波处理，得到滤波后的功率谱：

其中H^m(k)表示第m个雷达对应滤波器的频率响应函数，对于每个H^m(k)，有：

其中，为滤波器的中心频率/>Q为滤波器的品质因数：

其中，f_s为采样率，k_L和k_H为巴特沃斯滤波器的下截止频率和上截止频率对应的频率变量，在这里对于每个雷达的k_L和k_H将根据对应的雷达频带B_m确定，即为对应雷达频带的中心，B为-3dB带宽，巴特沃斯滤波器在通带内具有平坦的幅频响应以及更高的平滑度，这意味着在通带内的所有频率都能以相对一致的增益通过滤波器。这有助于保持雷达回波信号的原始幅度特性，避免引入额外的幅度变化，同时也减少了频率响应的波纹和不连续性，最大程度上保证滤波后的回波信号不失真。

⑤对于每个雷达的滤波后的功率谱进行逆傅里叶变换(IFFT)，得到选频去噪后的雷达回波信号：

其中IFFT表示逆傅里叶变换。

图数据重建模块，用以将多频段雷达回波信号构建为图结构数据，采用如下过程完成：

①对于每个雷达站预处理去噪后的回波数据将其表示为雷达阵回波图数据G_i中的节点/>构建的节点集合表示为：

以此构建一个包含M个节点的节点集合V_i，每个节点可以表示为一个向量，即其中m表示雷达站编号，i表示时间序列中的采样点编号。

②计算各节点之间的余弦相似度为：

③构建节点之间的边集合E_i：

其中σ为相似度阈值，σ＞0，σ＜1，相似度阈值σ的选择可以根据实际情况进行调整，例如可以根据目标大小、距离、运动状态等因素进行动态调整，在这里我们选取σ为0.8，当两个雷达站m，n之间雷达回波数据的余弦相似度大于相似度阈值σ时，认为这两个雷达站m，n具有较强的关联性，因此在图上为这两个节点之间构建一条边，构建的图的边是无向的，表示两个节点之间的关联性是对等的。

④基于①和③构建的节点集合以及边集合，构建第i时间段对应的雷达阵回波图数据：

G_i＝(V_i，E_i) (13)

特征向量聚合模块，用于将构建的图数据聚合各节点得到特征向量，采用如下过程完成：

①对于图上的某一节点v_m，计算其邻居节点v_n相对于该节点的重要程度：

e_mn＝Leaky ReLU(a^T[Wv_m||Wv_n]) (14)

其中W是该层节点特征变换的可训练的权重参数，Leaky ReLU(·)是LeakyRelu激活函数，α是权重系数，为了保证权重系数e^mn对于不同度大小的节点都使用，进行归一化处理：

其中表示为节点v_m的所有单跳邻居节点。

②计算得到了权重系数后，进行加权求和聚合节点特征，得到中心节点v^m的新的特征向量：

其中||表示为输出特征的拼接，是第k层的注意力机制(ak(·))计算得到的权值系数，W^k是第k层对应的节点特征线性变换的权值参数。

③在最终(预测)层上采用多注意力机制，使用平均而不是拼接实现节点聚合，从而获得最终的聚合节点特征向量：

目标识别模块，用于将聚合得到的各节点特征向量v′_m进行识别，采用如下过程完成：

①对于每个雷达站m的聚合节点特征向量v'_m，使用YOLO目标检测算法对其进行目标检测，得到回波信号中的多个潜在目标的位置信息：

L_m＝YOLO(v′_m) (18)

其中YOLO(·)表示YOLO目标检测算法，具体实现可以参考REDMON J等人在CVPR2016发表的You Only Look Once：Unified，Real-Time Object Detection.L_m表示第m个雷达站的回波信号中的多个潜在目标的位置。

②对于每个雷达站m的聚合节点特征向量v′_m和其检测得到的多个潜在目标的位置B_m，使用一个截取函数(CUT)对其进行截取，得到回波信号中的多个潜在目标的特征向量ROI：

R_m＝CUT(v'_m，L_m) (19)

其中CUT表示截取函数，R_m表示第m个雷达站的回波信号中的多个潜在目标的特征向量ROI，表示第m个雷达站的回波信号中第c个潜在目标的特征向量ROI。

③对于所有雷达站检测得到的多个潜在目标的特征向量ROI集合，R_m(m＝1，2，...，M)，使用DBSCAN算法对其进行聚类，得到空域中的目标簇集合：

C_target＝DBSCAN(R₁，R₂，...，R_M) (20)

其中DBSCAN表示DBSCAN聚类算法，这是一种基于密度的聚类方法，无需事先制定聚类数量，能够处理离群点，适合于多目标聚类，C_target表示空域中的目标簇集合，其中表示第k个簇对应的特征向量ROI集合。

④对于每个目标簇计算其簇内特征向量ROI的平均值：

其中表示该ROI簇中的ROI数量，D{·}表示雷达信号分析函数，S_k表示空域中的目标k的位置、航向、速度、类别等信息。

由此可以检测并识别出该多频段雷达阵所监测空域内的目标，获得多频段融合的精确的目标位置、航向、速度、类别等信息。

Claims (7)

1.一种基于群智能协同的飞行目标识别系统，其特征在于：包括多频段雷达阵、数据库以及上位机，其中多频段雷达阵、数据库和上位机依次相连，多频段雷达阵对所监测空域进行扫描，并将各频段的雷达群回波数据存储到所述的数据库中，供上位机处理。

上位机包括：

数据预处理模块：用于对雷达群回波数据进行预处理；

图数据重建模块：用于将预处理后的雷达群回波数据构建为图结构数据；

特征向量聚合模块：用于将构建的图结构数据聚合各节点得到特征向量；

目标识别模块：用于对聚合得到的各节点特征向量进行识别。

2.根据权利要求1所述基于群智能协同的飞行目标识别系统，其特征在于：所述多频段雷达阵由分布在不同位置的M个雷达构成，每个雷达发送不同频段B_m(B_m＝[f_L,f_H])的调制信号并接收对应频段B_m的回波信号/>其中m指的是对应的雷达编号(m＝1,…,M，且M≥2)，/>和/>分别指的是第m个雷达在第i次发送的调制信号以及对应第i次接收的雷达回波信号。

3.根据权利要求1所述基于群智能协同的飞行目标识别系统，其特征在于：数据库汇总并存储了分布在不同位置的M个雷达的回波信号并对每个雷达的信号进行了时间对齐，以此保证不同雷达相同下标i对应的回波信号在同一时间段上。

4.根据权利要求1所述基于群智能协同的飞行目标识别系统，其特征在于：所述数据预处理模块，用以进行雷达群回波数据预处理，采用如下过程完成：

①从数据库中采集M个雷达同一时间段i的回波信号随后，分别对于各次回波信号进行归一化处理，得到归一化的回波信号：

其中和/>分别代表/>的最小值和最大值。

②对于每个雷达的归一化回波信号进行傅里叶变换，得到频域信号/>

其中FFT表示傅里叶变换，k表示频率序号。

③对于每个雷达的频域信号进行功率谱密度估计，得到功率谱：

其中N表示采样点数。功率谱密度估计的目的是量化回波信号在各个频率上的功率水平，以便识别出不同频段B_m雷达回波信号中的主要频率成分。

④对于每个雷达的功率谱进行滤波处理，得到滤波后的功率谱：

其中H^m(k)表示第m个雷达对应滤波器的频率响应函数，对于每个H^m(k)，有：

其中，为滤波器的中心频率/>Q为滤波器的品质因数：

其中，f_s为采样率，k_L和k_H为巴特沃斯滤波器的下截止频率和上截止频率对应的频率变量，B为-3dB带宽。

⑤对于每个雷达的滤波后的功率谱进行逆傅里叶变换(IFFT)，得到选频去噪后的雷达回波信号:

其中IFFT表示逆傅里叶变换。

5.根据权利要求1所述基于群智能协同的飞行目标识别系统，其特征在于：所述图数据重建模块，用以将多频段雷达回波信号构建为图结构数据，采用如下过程完成：

①对于每个雷达站预处理去噪后的回波数据将其表示为雷达阵回波图数据G_i中的节点/>构建的节点集合表示为：

以此构建一个包含M个节点的节点集合V_i，每个节点可以表示为一个向量，即其中m表示雷达站编号，i表示时间序列中的采样点编号。

②计算各节点之间的余弦相似度为：

③构建节点之间的边集合E_i：

E_i＝{(m,n)|s_i^mn≥σ} (12)

其中σ为相似度阈值，σ>0,σ<1，当两个雷达站m,n之间雷达回波数据的余弦相似度大于相似度阈值σ时，认为这两个雷达站m,n具有较强的关联性，因此在图上为这两个节点之间构建一条边。

④基于①和③构建的节点集合以及边集合，构建第i时间段对应的雷达阵回波图数据：

G_i＝(V_i,E_i) (13)。

6.根据权利要求1所述基于群智能协同的飞行目标识别系统，其特征在于：所述特征向量聚合模块，用于将构建的图数据聚合各节点得到特征向量，采用如下过程完成：

①对于图上的某一节点v_m，计算其邻居节点v_n相对于该节点的重要程度：

e_mn＝Leaky ReLU(a^T[Wv_m||Wv_n]) (14)

其中W是该层节点特征变换的可训练的权重参数，Leaky ReLU(·)是LeakyRelu激活函数，α是权重系数，为了保证权重系数e^mn对于不同度大小的节点都使用，进行归一化处理：

其中表示为节点v_m的所有单跳邻居节点。

②计算得到了权重系数后，进行加权求和聚合节点特征，得到中心节点v^m的新的特征向量：

其中‖表示为输出特征的拼接，是第k层的注意力机制(a^k(·))计算得到的权值系数，W^k是第k层对应的节点特征线性变换的权值参数。

③在最终(预测)层上采用多注意力机制，使用平均而不是拼接实现节点聚合，从而获得最终的聚合节点特征向量：

7.根据权利要求1所述基于群智能协同的飞行目标识别系统，其特征在于：所述目标识别模块，用于将聚合得到的各节点特征向量v′_m进行识别，采用如下过程完成：

①对于每个雷达站m的聚合节点特征向量v′_m，使用YOLO目标检测算法对其进行目标检测，得到回波信号中的多个潜在目标的位置信息：

L_m＝YOLO(v′_m) (18)

其中YOLO(·)表示YOLO目标检测算法，L_m表示第m个雷达站的回波信号中的多个潜在目标的位置。

②对于每个雷达站m的聚合节点特征向量v′_m和其检测得到的多个潜在目标的位置L_m，使用一个截取函数(CUT)对其进行截取，得到回波信号中的多个潜在目标的特征向量ROI：

R_m＝CUT(v′_m,L_m) (19)

其中CUT表示截取函数，R_m表示第m个雷达站的回波信号中的多个潜在目标的特征向量ROI，表示第m个雷达站的回波信号中第c个潜在目标的特征向量ROI。

③对于所有雷达站检测得到的多个潜在目标的特征向量ROI集合，R_m(m＝1,2,…,M)，使用DBSCAN算法对其进行聚类，得到空域中的目标簇集合：

C_target＝DBSCAN(R₁,R₂,…,R_M) (20)

其中DBSCAN表示DBSCAN聚类算法，C_target表示空域中的目标簇集合，其中表示第k个簇对应的特征向量ROI集合。

④对于每个目标簇计算其簇内特征向量ROI的平均值：

其中表示该ROI簇中的ROI数量，D{·}表示雷达信号分析函数，S_k表示空域中的目标k的位置、航向、速度、类别等信息。

由此可以检测并识别出该多频段雷达阵所监测空域内的目标，获得多频段融合的精确的目标位置、航向、速度、类别等信息。