RU2771968C1 - Способ классификации объектов по межчастотному корреляционному признаку, используя бинарное накопление - Google Patents
Способ классификации объектов по межчастотному корреляционному признаку, используя бинарное накопление Download PDFInfo
- Publication number
- RU2771968C1 RU2771968C1 RU2021112270A RU2021112270A RU2771968C1 RU 2771968 C1 RU2771968 C1 RU 2771968C1 RU 2021112270 A RU2021112270 A RU 2021112270A RU 2021112270 A RU2021112270 A RU 2021112270A RU 2771968 C1 RU2771968 C1 RU 2771968C1
- Authority
- RU
- Russia
- Prior art keywords
- inter
- frequency correlation
- accumulation
- correlation feature
- full
- Prior art date
Links
- 238000009825 accumulation Methods 0.000 title claims abstract description 22
- 239000000969 carrier Substances 0.000 claims abstract description 4
- 239000000126 substance Substances 0.000 abstract 2
- 230000035508 accumulation Effects 0.000 description 19
- 238000004088 simulation Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001427 coherent Effects 0.000 description 2
- 230000002596 correlated Effects 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002452 interceptive Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
Images
Abstract
Использование: способ относится к радиотехнике, в частности к цифровой обработке радиолокационных сигналов. Сущность: предложен способ классификации объектов по межчастотному корреляционному признаку, который включает в себя формирование оценки модуля межчастотного коэффициента корреляции на основе двух выборок наблюдений, принятых за несколько обзоров на двух несущих частотах РЛС, в котором с целью упрощения реализации классификации по межчастотному корреляционному признаку вместо полноразрядного накопления применяют бинарное накопление в виде критерийной обработки. Технический результат: упрощение реализации классификации по межчастотному корреляционному признаку вместо полноразрядного накопления. 4 ил.
Description
Предлагаемый способ относится к радиотехнике, в частности, к цифровой обработке радиолокационных сигналов. Задача классификации коррелированных сигналов по дискретным выборкам конечного объема возникает во многих технических приложениях. Весьма актуальна, например, задача распознавания типов целей [1], или защита РЛС от дискретных коррелированных мешающих отражений [2]. В работе [2] показано, что для классификации отраженных сигналов обнаруженных объектов по их продольному размеру можно использовать характер флюктуаций отраженных сигналов на разных несущих частотах. В частности, в основе этого сигнального признака классификации лежит взаимосвязь значения межчастотного коэффициента корреляции с линейными размерами объекта. Чем больше размер объекта, тем меньше межчастотный коэффициент корреляции. В частности, известен способ классификации объектов по их продольному размеру [2], в котором две выборки наблюдения принятых на двух разнесенных несущих частотах перемножаются и их произведение накапливается от обзора к обзору для каждого элемента дальности и нормированный модуль накопленного произведения сравнивается с порогом. Полученная таким образом оценка модуля межчастотного коэффициента корреляции сравнивается с порогом в каждом элементе дальности, на основании чего принимается решение о наличии объекта с большим продольным размером (порог не превышен) или малого продольного размера (порог превышен). Хотя данный способ позволяет осуществлять эффективную классификацию объектов по межчастотному корреляционному признаку, однако требует использования высокопроизводительных вычислительных средств, что приводит к удорожанию проектируемых систем.
С целью упрощения реализации классификации по межчастотному корреляционному признаку вместо полноразрядного накопления предлагается применять бинарное накопление в виде критерийной обработки. Таким образом, предлагаемый способ раскрывает новые функциональные возможности классификации по корреляционному признаку за счет существенного его упрощения. Это позволяет сделать вывод о соответствии заявляемого способа критерию "существенные отличия".
Для того чтобы сформировать межчастотный коэффициент корреляции, в способе взятом в качестве прототипа используется обработка, которая выполняется в соответствии со следующей формулой [2]
Где 
- оценка модуля межчастотного коэффициента корреляции, N - число накоплений по независимым выборкам (обзорам РЛС).
Z1j = x1j + iy1j, Z2j = x2j + iy2j комплексные выборки классифицируемых эхо сигналов на входе в двух частотных каналах. Квадратурные компоненты классифицируемых флюктуирующих сигналов имеют нормальное распределение, при этом без уменьшения общности подхода, дисперсия их равнялась 1 и среднее 0.
Решение о том, что классифицируемый объект протяженный принимается, если
Проиллюстрируем работу предлагаемого способа на конкретном примере, прибегнув как к аналитическому расчету, так и моделированию с помощью системы MATLAB [5].
Осуществим классификацию протяженного объекта, используя две выборки наблюдений с межчастотным коэффициентом корреляции равным R = 0. Корреляционный порог в расчетах будем менять от 0,1 до 0,9. Число независимых накоплений возьмем N = 8 и 16.
Для нахождения вероятности правильной классификации протяженного объекта по не превышению оценкой порога Rпор нужно воспользоваться распределением Уишарта. В работе [4] получено распределение оценки для модуля межчастотного коэффициента корреляции
Где Г(.) -гамма функция.
Для протяженных объектов R = 0 и распределение (3) можно представить в более простом виде
Используя (4), можно получить формулу для вероятности правильной классификации протяженных объектов, как вероятность не превышения порога
Для верификации данной формулы(на графиках-звездочки) было проведено моделирование (на графиках-ромбики) с помощью системы MATLAB [4] классификатора ОМП с расчетом для разных значений порога Rпор и N = 4, 8, 16 и 32 (см. Фиг. 1, 2, 3 и 4, соответственно).
Результаты моделирования хорошо совпадают с аналитическими расчетами, что позволяет и для дальнейших исследований использовать моделирование.
С целью упрощения формирования межчастотного корреляционного признака рассмотрим предлагаемый способ, использовав бинарное накопление, т.е. исключив из способа прототипа вообще операцию полноразрядного когерентного суммирования, заменив ее критерийной обработкой. В данном случае вероятность правильной классификации на выходе рассчитывалась для критерия N из N выборок наблюдений. Упростим (1), применив только умножитель без когерентного накопления, т.е. исключив суммирование, и полностью убрав знаменатель, как это следует из формулы (6)
Таким образом, использовав методику для распределения огибающей после умножителя без накопления [4] получим
В полученное распределение входит модифицированная функция Бесселя нулевого порядка Используя (7), можно получить формулу для вероятности превышения порога Rпор1
А затем и вероятность правильной классификации, как вероятность не превышения порога RпорN для критерия N из N по формуле
Где модифицированная функция Бесселя первого порядка.
Для верификации данной формулы было проведено моделирование с помощью системы MATLAB [5] вероятности правильной классификации для разных значений порога RпорN и N = 4, 8, 16 и 32 (см. Фиг. 1, 2, 3 и 4, соответственно). Графики с бинарным накоплением обозначены так: крестики-аналитика, кружочки-моделирование.
Результаты моделирования хорошо совпадают с аналитическими расчетами, а сравнение графиков на фиг. 1, 2, 3 и 4 для полноразрядного накопления, соответственно, с бинарным накоплением позволяет сделать важный вывод о том, что применение бинарного накопления незначительно ухудшает вероятность правильной классификации протяженного объекта уже при N>8 при существенном упрощении формирования межчастотного корреляционного признака.
Перечень источников, использованных при оформлении заявки
1. Bartenev V. Radar objects classification using inter frequency correlation coefficient. Report on the International conference RADAR 2016. China, Oct. 2016
2. Бартенев В.Г. Патент «Способ классификации и бланкирования дискретных помех» №2710894, Опубликован: 14.01.2020, Бюл. №2
3. Бартенев В.Г., Бартенев М.В. Способ нахождения вероятностных характеристик на выходе нелинейных систем // Цифровая обработка сигналов. 2013. №4. С. 42-44.4.
4. Бартенев В.Г. О распределении оценки модуля коэффициента корреляции// Современная электроника, 2020. №8,
5. Потемкин В.Г. "Справочник по MATLAB" Анализ и обработка данных. http://matlab.exponenta.ru/ml/book2/chapter8/
Краткое описание чертежей заявки
Фиг. 1. Зависимость вероятности правильной классификации протяженных объектов от порога для N = 4 в классификаторе с полноразрядным накоплением (аналитика-звездочки, ромбики-моделирование) и с бинарным накоплением (крестики-аналитика, кружочки-моделирование).
Фиг. 2. Зависимость вероятности правильной классификации протяженных объектов от порога для N = 8 в классификаторе с полноразрядным накоплением (аналитика-звездочки, ромбики-моделирование) и с бинарным накоплением (крестики-аналитика, кружочки-моделирование).
Фиг. 3. Зависимость вероятности правильной классификации протяженных объектов от порога для N = 16 в классификаторе с полноразрядным накоплением (аналитика-звездочки, ромбики-моделирование) и с бинарным накоплением (крестики-аналитика, кружочки-моделирование).
Фиг. 4. Зависимость вероятности правильной классификации протяженных объектов от порога для N = 32 в классификаторе с полноразрядным накоплением (аналитика-звездочки, ромбики-моделирование) и с бинарным накоплением (крестики-аналитика, кружочки-моделирование).
Claims (1)
- Способ классификации объектов по межчастотному корреляционному признаку, который включает в себя формирование оценки модуля межчастотного коэффициента корреляции на основе двух выборок наблюдений, принятых за несколько обзоров на двух несущих частотах РЛС, отличающийся тем, что применяют бинарное накопление, формируемое путём сравнения с порогом модуля межчастотного коэффициента корреляции в каждом обзоре.
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2771968C1 true RU2771968C1 (ru) | 2022-05-16 |
Family
ID=
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4742353A (en) * | 1984-07-27 | 1988-05-03 | Selenia Industrie Elettroniche Associate S.P.A. | Digital processor for radar signals which can perform adaptive suppression of clutter means of a parametric estimator |
| RU2593146C1 (ru) * | 2015-07-14 | 2016-07-27 | Владимир Григорьевич Бартенев | Способ адаптивного обнаружения сигналов движущихся целей на фоне многокомпонентных пассивных помех |
| RU2694809C1 (ru) * | 2019-01-21 | 2019-07-17 | Иван Васильевич Колбаско | Способ некогерентного экстремального накопления-обнаружения сигнала в импульсно-доплеровской рлс |
| RU2710894C1 (ru) * | 2018-10-02 | 2020-01-14 | Владимир Григорьевич Бартенев | Способ классификации и бланкирования дискретных помех |
| RU2743027C1 (ru) * | 2019-12-13 | 2021-02-12 | Владимир Григорьевич Бартенев | Способ адаптивного обнаружения по корреляционному признаку |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4742353A (en) * | 1984-07-27 | 1988-05-03 | Selenia Industrie Elettroniche Associate S.P.A. | Digital processor for radar signals which can perform adaptive suppression of clutter means of a parametric estimator |
| RU2593146C1 (ru) * | 2015-07-14 | 2016-07-27 | Владимир Григорьевич Бартенев | Способ адаптивного обнаружения сигналов движущихся целей на фоне многокомпонентных пассивных помех |
| RU2710894C1 (ru) * | 2018-10-02 | 2020-01-14 | Владимир Григорьевич Бартенев | Способ классификации и бланкирования дискретных помех |
| RU2694809C1 (ru) * | 2019-01-21 | 2019-07-17 | Иван Васильевич Колбаско | Способ некогерентного экстремального накопления-обнаружения сигнала в импульсно-доплеровской рлс |
| RU2743027C1 (ru) * | 2019-12-13 | 2021-02-12 | Владимир Григорьевич Бартенев | Способ адаптивного обнаружения по корреляционному признаку |
Non-Patent Citations (1)
| Title |
|---|
| В.Г. Бартенев, Анализ эффективности обнаружителей коррелированных сигналов в шуме для малых выборок наблюдений, журнал "Цифровая обработка сигналов", номер 4, 2016, стр. 35-39. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kennel et al. | Method to distinguish possible chaos from colored noise and to determine embedding parameters | |
| Pastor et al. | Robust estimation of noise standard deviation in presence of signals with unknown distributions and occurrences | |
| US9858304B2 (en) | Computing cross-correlations for sparse data | |
| Siddagangaiah et al. | On the dynamics of ocean ambient noise: Two decades later | |
| Khasawneh et al. | Topological data analysis for true step detection in periodic piecewise constant signals | |
| Rendas et al. | Ambiguity in radar and sonar | |
| Chen et al. | An improved bidimensional empirical mode decomposition: A mean approach for fast decomposition | |
| CN111339986B (zh) | 基于时域/频域分析的装备用频规律挖掘方法和系统 | |
| CN116343261A (zh) | 基于多模态特征融合与小样本学习的手势识别方法和系统 | |
| RU2771968C1 (ru) | Способ классификации объектов по межчастотному корреляционному признаку, используя бинарное накопление | |
| Zorych et al. | Particle filtering for dispersion curve tracking in ocean acoustics | |
| RU2743027C1 (ru) | Способ адаптивного обнаружения по корреляционному признаку | |
| Ranney et al. | Magnitude-based pulse width estimation via efficient edge detection | |
| Kumar et al. | φ FrMF: fractional Fourier matched filter | |
| Alexiev | Implementation of hough transform as track detector | |
| RU2776989C1 (ru) | Способ классификации объектов по межчастотному корреляционному признаку | |
| Ranney et al. | An efficient pulse detector and pulse width estimator for waveform characterization | |
| US10705182B2 (en) | Wideband ranging system | |
| Bi et al. | Radix-2 DIF fast algorithms for polynomial time-frequency transforms | |
| RU2809532C1 (ru) | Способ классификации объектов по межчастотному корреляционному признаку в одноканальных рлс | |
| Masciari | Trajectory outlier detection using an analytical approach | |
| Cutajar et al. | Track detection of high-velocity resident space objects in Low Earth Orbit | |
| Wang et al. | Automatic jamming modulation classification exploiting convolutional neural network for cognitive radar | |
| RU2769217C1 (ru) | Способ радиолокационной классификации объектов по межчастотному корреляционному признаку | |
| CN115792795B (zh) | 基于稀疏贝叶斯学习和频带聚类的宽带信号doa估计方法 |