本发明属于雷达,涉及一种雷达目标分类识别方法。
背景技术:
1、现有雷达窄带目标识别技术中,较为常用的是基于微多普勒特征的识别方法,无人机、直升机等旋翼飞行器目标的旋翼具有较明显的微多普勒特征,但提取目标的微多普勒特征需要雷达长时间的以等周期脉冲对目标进行照射,对雷达时序要求较高。接收到目标完整回波后,再通过慢时间维的傅里叶变换提取目标微多普勒特征。但在实际应用中,雷达装备的主要任务使命是目标的探测和跟踪,为了满足对不同目标的探测要求以及避免目标的速度/距离模糊,通常不会专门为了目标识别来设计较长的等周期脉冲时序,而是以参差、交替的方式设计时序,这使得提取目标的微多普勒特征具有一定难度。所以,在以目标探测功能为主的雷达装备中,如何基于参差、交替的时序来提取目标的微多普勒特征是需要解决的问题。
2、雷达目标的微多普勒特征在一定程度上能反应目标的特性,但这种特征受环境跟目标起伏影响较大,杂波、遮挡、噪声都会影响微多普勒特征的准确性,所以,以单一的微多普勒特征作为分类识别的依据很难达到较高的准确度,这也是目前微多普勒特征识别很难应用到实际雷达装备中的原因。在实际雷达装备中,信号处理与数据处理可以完成雷达的其他特征提取,例如rcs、速度、高度、距离等,如何将微多普勒特征与目标的其他特征融合,也是一个需要解决的问题。
技术实现思路
1、本发明的目的是提供一种雷达目标分类识别方法,解决了参差、交替脉组时序的雷达多维参数融合目标识别,对目标进行快速分类识别的技术问题。
2、为实现上述目的,本发明采用如下技术方案:
3、一种雷达目标分类识别方法,包括如下步骤:
4、步骤1:构建脉冲多普勒雷达系统,脉冲多普勒雷达系统包含雷达、信号接收模块、信号处理模块和学习分类模块,信号接收模块接收雷达信号的回波信号后,将回波信号发送给信号处理模块;
5、步骤2:信号处理模块对回波信号进行信号处理和数据处理后,得到稳定的航迹,根据目标所在距离单元获取目标连续时间内的回波信号,对回波信号中的每一段等周期脉组信号进行傅里叶变换,提取最大值,根据最大值计算目标的径向速度;
6、步骤3:信号处理模块根据目标的径向速度以及时序中脉组间的间隔,按照相位补偿算法依次对一个波束宽度内的所有脉组信号进行相位补偿,得到相位补偿后的信号;
7、步骤4:信号处理模将一个波束宽度内的所有脉组在慢时间维进行拼接,根据脉组间的周期比做慢时间维的非均匀傅里叶变换,得到其多普勒频谱,将求模后的多普勒数据存储并建立多普勒数据集;
8、步骤5:学习分类模块利用多普勒数据集训练一个人工神经网络分类器,用来分类识别和判断目标有无微多普勒特征;
9、步骤6:学习分类模块将微多普勒特征作为主要特征,与解算得到的目标rcs、速度和高度信息进行结合,训练多个二分类支持向量机svm分类器;
10、步骤7:学习分类模块将多个svm分类器级联对目标进行分类,得到最终的分类结果。
11、优选的,在所述脉冲多普勒雷达系统中包含脉冲多普勒雷达,脉冲多普勒雷达工作在脉冲串模式,即脉组模式,每个脉组内的脉冲周期等长,不同脉组的脉冲周期不等长。
12、优选的,在执行步骤2时,信号处理模对回波信号进行信号处理和数据处理,得到目标rcs、高度和速度;
13、根据信号处理和数据处理的结果形成稳定航迹,根据航迹信息内的方位和距离,从回波信号的iq数据中截取目标所在距离单元及其附近距离几个单元的回波,提取其中所有对空脉组的数据;
14、获得目标回波数据后,对每个距离单元的6个脉组在慢时间维分别做n点fft快速傅里叶变换,fft快速傅里叶变换结果求模后先在所有距离单元进行选大,然后在频率维进行选大,根据最大值所在位置计算出目标径向速度。
15、优选的,在执行步骤3时,根据目标的径向速度以及脉组间的固定间隔,对信号进行相位补偿,相位补偿算法具体为以第一个脉组的相位为基准,第2个到第6个脉组根据与第一个脉组中间间隔的对海脉冲周期时间进行补偿,具体公式如下:
16、;
17、其中,表示目标所在距离单元上所有脉组的原始iq信号,表示经过相位补偿后的信号,n=1,2,3,…6*n,k=0,1,2,…5,fd表示估计的目标多普勒频率,ts为间隔的对海脉冲周期。
18、优选的,在执行步骤4时,对补偿后的n*6个脉冲,根据6个脉组的脉冲周期比做n*6点的非均匀dft离散傅里叶变换,并对dft离散傅里叶变换后的数据求模,得到目标的多普勒频谱,具体步骤如下:
19、步骤4-1:以第一个脉冲的重复频率1/t1作为基准频率,计算重复频率的偏差,具体公式如下:
20、;
21、其中,i表示脉冲计数,共n*6个脉冲,即i = 1,2,3…n*6,为第i个脉冲与第一个脉冲的重复频率偏差,为第j个脉冲的重复频率,为第一个脉冲的重复频率;
22、步骤4-2:计算傅里叶变换旋转因子中的采样间隔,具体公式如下:
23、;
24、其中,tn表示第n个旋转因子的时间间隔;
25、步骤4-3:将采样间隔带入到dft公式中进行计算,公式如下:
26、;
27、其中,表示目标的多普勒分辨率,是目标总观测时长的倒数;m表示dft的点数,取大于n*6且是2的整数次。
28、优选的,在执行步骤7时,具体包括用训练好的svm分类器级联,依次对目标的特征进行分类,最后得到目标的类型。
29、本发明所述的一种雷达目标分类识别方法,解决了参差、交替脉组时序的雷达多维参数融合目标识别,对目标进行快速分类识别的技术问题,本发明可以通过相位补偿在雷达参差、交替脉组时序下提取目标的微多普勒特征,可同时满足目标探测和识别的需求,本发明综合利用目标的微多普勒特征、信号级特征、运动特征、地图信息进行目标识别,避免单一特征的不足,本发明综合利用人工神经网络、支持向量机、人工判别准则等分类方法,用统计学知识辅助人工总结的规律,实现较高的识别正确率,本发明中使用的算法实现简单、计算量较低、采用并行处理、实时性好,对起批的目标可实时分类。
1.一种雷达目标分类识别方法,其特征在于:包括如下步骤:
2.如权利要求1所述的一种雷达目标分类识别方法,其特征在于:在所述脉冲多普勒雷达系统中包含脉冲多普勒雷达,脉冲多普勒雷达工作在脉冲串模式,即脉组模式,每个脉组内的脉冲周期等长,不同脉组的脉冲周期不等长。
3.如权利要求1所述的一种雷达目标分类识别方法,其特征在于:在执行步骤2时,信号处理模对回波信号进行信号处理和数据处理,得到目标rcs、高度和速度;
4.如权利要求3所述的一种雷达目标分类识别方法,其特征在于:在执行步骤3时,根据目标的径向速度以及脉组间的固定间隔,对信号进行相位补偿,相位补偿算法具体为以第一个脉组的相位为基准,第2个到第6个脉组根据与第一个脉组中间间隔的对海脉冲周期时间进行补偿,具体公式如下:;
5.如权利要求1所述的一种雷达目标分类识别方法,其特征在于:在执行步骤4时,对补偿后的n*6个脉冲,根据6个脉组的脉冲周期比做n*6点的非均匀dft离散傅里叶变换,并对dft离散傅里叶变换后的数据求模,得到目标的多普勒频谱,具体步骤如下:
6.如权利要求3所述的一种雷达目标分类识别方法,其特征在于:在执行步骤7时,具体包括用训练好的svm分类器级联,依次对目标的特征进行分类,最后得到目标的类型。