基于時域相關性特征的飛機目標分類方法
【專利摘要】本發(fā)明公開了一種基于時域相關性特征的飛機目標分類方法,涉及雷達【技術領域】，其步驟為:步驟1,計算訓練樣本峰值函數(shù)；步驟2,計算訓練樣本峰值函數(shù)的方差、熵以及大于訓練第一峰值門限的峰個數(shù)和第一個大于訓練第二峰值門限的峰對應的時域點；步驟3,計算訓練樣本幅值方差和幅值熵；步驟4，訓練樣本特征向量歸一化，訓練分類器；步驟5,計算測試樣本峰值函數(shù)；步驟6,計算測試樣本峰值函數(shù)的方差、熵以及大于測試第一峰值門限的峰個數(shù)和第一個大于測試第二峰值門限的峰對應的時域點；步驟7,計算測試樣本幅值方差和幅值熵；步驟8,測試樣本特征向量歸一化，輸入分類器判斷類別。本發(fā)明在低重頻下仍具有較好的優(yōu)勢，可用于三類飛機目標的分類。
【專利說明】基于時域相關性特征的飛機目標分類方法

【技術領域】
[0001] 本發(fā)明屬于雷達【技術領域】，涉及雷達信號的分類方法，尤其涉及一種基于時域相 關性特征的飛機目標分類方法。

【背景技術】
[0002] 在現(xiàn)代戰(zhàn)爭中，直升機承擔著炮火校正、偵查、空降敵后和機動轉移等重要任務， 螺旋槳飛機的主要使命是奪取低空、超低空控制權，噴氣式飛機具有很高的飛行高度、飛行 速度和機動性能，能在空中以極快的速度廝殺。三類飛機在戰(zhàn)場上起著各自重要的作用，因 此，實現(xiàn)三類飛機分類具有重大意義。
[0003] 目前為止，相關文獻提取特征的過程主要都是在多普勒域和特征譜域進行的；在 多普勒域提取的特征主要能反映三類飛機譜寬以及譜線數(shù)目的差異，但在脈沖重頻較低 的時候，多普勒域混疊，易導致分類正確率下降；而在特征譜域提取的特征主要是利用了特 征譜散布程度的差異，實現(xiàn)三類飛機的分類，但由于需要進行特征值分解的計算，存在計算 量較大的問題，特征提取過程所需時間較長。飛機的旋轉部件會對其時域信號會進行周期 性的調制，實際情況中，由于三類飛機槳葉數(shù)目、長度、旋翼旋轉速度不同，三類飛機的調制 周期也會有較大的差異，可用來實現(xiàn)分類；但目前還沒有能夠反映時域信號周期性差異的 有效的時域特征提取方法。


【發(fā)明內容】

[0004] 針對現(xiàn)有技術中特征提取方法的缺點，提出了基于時域相關性特征的飛機目標分 類方法，該方法實現(xiàn)了在駐留時間較長，脈沖重頻較低時，多普勒域多普勒譜出現(xiàn)混疊，多 普勒域特征的可分性下降的情況下，仍達到較好分類效果的目的，并且相比于現(xiàn)有技術基 于特征譜散布特征的四維特征提取方法，本發(fā)明還具有計算速度快的優(yōu)勢。
[0005] 為達到上述目的，本發(fā)明采用以下技術方案予以實現(xiàn)。
[0006] -種基于雷達時域相關性特征的飛機目標分類方法，其特征在于，包括以下步 驟：
[0007] 步驟1，雷達接收M次飛機目標的時域回波信號，對接收的第m次的飛機目標的時 域回波信號進行歸一化處理，將歸一化后的第m次的飛機目標的時域回波信號作為第m個 訓練樣本，共得到M個訓練樣本，其中，m = 1，2,...，M，M表示訓練樣本總數(shù)目；
[0008] 計算第m個訓練樣本的峰值函數(shù)peakm (k)，k表示時域平移變量，k = 1,2,......，fix (N/2)，N為時域總點數(shù)，其中fix表示朝零取整操作；
[0009] 步驟2,確定第m個訓練樣本峰值函數(shù)peakm(k)的方差featurel m，確定第m個訓 練樣本峰值函數(shù)peakm(k)的熵feature2m ;
[0010] 求取第m個訓練樣本的峰值函數(shù)peakm(k)的最大值peak_max m ;
[0011] 設定第一峰值系數(shù)Il1、第二峰值系數(shù)Il2，并且Il 1小于Il2 ;
[0012] 將第一峰值系數(shù)η i與第m個訓練樣本的峰值函數(shù)peakm(k)的最大值peak_ Hiax111的乘積作為第m個訓練樣本的訓練第一峰值門限；統(tǒng)計第m個訓練樣本的峰值函數(shù) peakm(k)中大于第m個訓練樣本的訓練第一峰值門限的峰的個數(shù)feature3m ;
[0013] 設定第二峰值系數(shù)Π 2與第m個訓練樣本峰值函數(shù)的最大值peak_maxm的乘積作 為第m個訓練樣本的訓練第二峰值門限；統(tǒng)計第m個訓練樣本的峰值函數(shù)peak m(k)中依次 大于第m個訓練樣本的訓練第二峰值門限的峰，按照時域點順序確定第一個大于第m個訓 練樣本的訓練第二峰值門限的峰對應的時域點feature4 m ;
[0014] 步驟3,求取第m個訓練樣本的幅值方差feature5m和第m個訓練樣本的幅值熵 feature6m；
[0015] 步驟4,將第m個訓練樣本峰值函數(shù)peakm(k)的方差featurel m、第m個訓練樣本 峰值函數(shù)peakm(k)的熵feature2m、第m個訓練樣本的峰值函數(shù)peak m(k)中大于訓練第一 峰值門限的峰的個數(shù)feature3m、第m個訓練樣本的峰值函數(shù)peak m(k)中第一個大于訓練 第二峰值門限的峰對應的時域點feature4m、第m個訓練樣本的幅值方差feature5 m、第m個 訓練樣本的幅值熵feature6m組成第m個訓練樣本的特征向量feature m :
[0016] featurem = [featurelm, feature2m, feature3m, feature4m, feature5m, feature6m] T，feature維數(shù)為6X 1，其中[·]τ表示向量的轉置；進而得到M個訓練樣本組成的訓練特 征矩陣 F = Iifeature1, feature2, ···，featurem, ···，feature」，F(xiàn) 維數(shù)為 6XM ;
[0017] 對M個訓練樣本組成的訓練特征矩陣F進行歸一化，得到歸一化后的M個訓練樣 本組成的訓練樣本特征矩陣

【權利要求】
1. 一種基于雷達時域相關性特征的飛機目標分類方法，其特征在于，包括以下步驟： 步驟1，雷達接收M次飛機目標的時域回波信號，對接收的第m次的飛機目標的時域回 波信號進行歸一化處理，將歸一化后的第m次的飛機目標的時域回波信號作為第m個訓練 樣本，共得到M個訓練樣本，其中，m= 1,2，...，M，M表示訓練樣本總數(shù)目； 計算第m個訓練樣本的峰值函數(shù)peakm (k)，k表示時域平移變量，k= 1,2,......，fix(N/2)，N為時域總點數(shù)，其中fix表示朝零取整操作； 步驟2,確定第m個訓練樣本峰值函數(shù)peakm(k)的方差featurelm，確定第m個訓練樣 本峰值函數(shù)peakm(k)的熵feature2m; 求取第m個訓練樣本的峰值函數(shù)peakm(k)的最大值peak_maxm ; 設定第一峰值系數(shù)Jl1、第二峰值系數(shù)Jl2，并且Jl1小于Jl2 ; 將第一峰值系數(shù)rI1與第m個訓練樣本的峰值函數(shù)peakm (k)的最大值peak_maxm的乘 積作為第m個訓練樣本的訓練第一峰值門限；統(tǒng)計第m個訓練樣本的峰值函數(shù)peakm(k)中 大于第m個訓練樣本的訓練第一峰值門限的峰的個數(shù)feature3m ; 設定第二峰值系數(shù)rU與第m個訓練樣本峰值函數(shù)的最大值peak_maxm的乘積作為第m個訓練樣本的訓練第二峰值門限；統(tǒng)計第m個訓練樣本的峰值函數(shù)peakm(k)中依次大于 第m個訓練樣本的訓練第二峰值門限的峰，按照時域點順序確定第一個大于第m個訓練樣 本的訓練第二峰值門限的峰對應的時域點feature4m ; 步驟3,求取第m個訓練樣本的幅值方差feature5m和第m個訓練樣本的幅值熵feature6m； 步驟4,將第m個訓練樣本峰值函數(shù)peakm(k)的方差featurelm、第m個訓練樣本峰值 函數(shù)peakm(k)的熵feature2m、第m個訓練樣本的峰值函數(shù)peakm(k)中大于訓練第一峰值 門限的峰的個數(shù)feature3m、第m個訓練樣本的峰值函數(shù)peakm(k)中第一個大于訓練第二 峰值門限的峰對應的時域點feature4m、第m個訓練樣本的幅值方差feature5m、第m個訓練 樣本的幅值熵feature6m組成第m個訓練樣本的特征向量featurem : featurem = [featurelm,feature2m,feature3m,feature4m,feature5m,feature6m]T,feature維數(shù)為6X1，其中[·]τ表示向量的轉置；進而得到M個訓練樣本組成的訓練特征 矩陣F=Iifeature1,feature2, ···，featurem, ···，feature」，F(xiàn)維數(shù)為 6XM; 對M個訓練樣本組成的訓練特征矩陣F進行歸一化，得到歸一化后的M個訓練樣本 組成的訓練樣本特征矩陣S1，：feature,feature〕feature..,.……feature!，，F(xiàn)維數(shù)為 6XM； 將歸一化后的M個訓練樣本組成的訓練樣本特征矩陣F輸入到分類器中，對分類器進 行訓練，得到訓練后的分類器； 步驟5,雷達接收Q次的飛機目標的時域回波信號，對Q次飛機目標的時域回波信號 進行歸一化處理，歸一化后的Q次飛機目標的時域回波信號組成了Q個測試樣本，從Q個 測試樣本中選擇第q個測試樣本，計算第q個測試樣本的峰值函數(shù)peak/ (k)，其中q= 1，2. ..，Q，Q表示測試樣本總數(shù)目，k表示時域平移變量，k= 1，2,......，fix(N/2)，N為時 域總點數(shù)，其中fix表示朝零取整操作； 步驟6,確定第q個測試樣本峰值函數(shù)peak/ (k)的方差featurel'q，確定第q個測 試樣本峰值函數(shù)peak/ (k)的熵feature2^ 求取第q個測試樣本峰值函數(shù)peak/ (k)的最大值peak_max^ q; 設定第一峰值系數(shù)rIi與第q個測試樣本峰值函數(shù)的最大值peak_max^ ^的乘積作為 第q個測試樣本的測試第一峰值門限；統(tǒng)計第q個測試樣本的峰值函數(shù)中大于第q個測試 樣本的測試第一峰值門限的峰個數(shù)feature3^q ; 設定第二峰值系數(shù)rU與第q個測試樣本峰值函數(shù)的最大值Peak_max^ ^的乘積作為 第q個測試樣本的測試第二峰值門限；統(tǒng)計第q個測試樣本的峰值函數(shù)中依次大于第q個 測試樣本的測試第二峰值門限的峰，按照時域點順序確定第一個大于測試第二門限的峰對 應的時域點featuredq; 步驟7,求取第q個測試樣本的幅值方差feature5< ^和第q個測試樣本的幅值熵feature6'q ； 步驟8,將第q個測試樣本峰值函數(shù)peak/ (k)的方差featurel'q、第q個測試 樣本峰值函數(shù)peak/ (k)的熵feature〗^q、第q個測試樣本的峰值函數(shù)peak/ (k) 中大于第q個測試樣本的測試第一峰值門限的峰個數(shù)feature3<q、第q個測試樣本的 峰值函數(shù)peak/ (k)中第一個大于第q個測試樣本的測試第二峰值門限的峰對應的時 域點feature4'q、第q個測試樣本的幅值方差feature5'q、第q個測試樣本的幅值熵 feature6' ^ 組成第q個測試樣本的特征向量feature' ^=Iifeature]/pfeatureZ' ^ ，作81：11代3'（1，€6&1：11代4'（1，€6&1：11代5' （1，€6&1：11代6'（1]1'，€6&1：11代' （1的維數(shù)為6\1，其中 [·]τ表示向量的轉置； 對第q個測試樣本的特征向量feature',進行歸一化，得到歸一化后的第q個測試樣 本的特征向量feature%，將歸一化后的第q個測試樣本的特征向量feature%輸入訓練后的 分類器，判定輸入的第q個測試樣本的飛機類別； 步驟9,根據(jù)步驟6至步驟8,測試樣本q從1至Q依次進行判定，得到Q個測試樣本的 飛機類別。
2.根據(jù)權利要求1所述的一種基于時域相關性特征的飛機目標分類方法，其特征在 于，步驟1包括以下子步驟： la) 雷達接收第m次的飛機目標的時域回波信號Sm(n)，其中，n表示時域信號的第n 個時域點，n= 0, 1，2,. . .，N，N為時域總點數(shù)，m= 1，2,. . .，M，M表示訓練樣本總數(shù)目； 對第m次的飛機目標時域回波信號Sm(n)進行歸一化處理，即1(4 = ^________其中， max(Ism (n)I)表示取Ism⑴I，Ism⑵I，…，Ism (n)I，…，Ism (N)I中的最大值，將歸一化后 的第m次的飛機目標的時域回波信號乙(11)作為第m個訓練樣本； lb) 求取第m個訓練樣本的幅值Xm (n); lc) 定義第m個訓練樣本的幅值Xm (n)的循環(huán)自相關函數(shù)為 = ，第m個訓練樣本的幅值χ?的循環(huán)平均幅度差函數(shù) N 為句=Σ|Μ_ιΙ(料彖斤))一?H|，其中，時域平移變量k= 1，2,......，fix(N/2)， mod(n+k,N)表示取整數(shù)n+k除以整數(shù)N后的余數(shù)； ld) 利用第m個訓練樣本的循環(huán)自相關函數(shù)Φπ(1〇和第m個訓練樣本的循環(huán)平均幅度 差函數(shù)構造第m個訓練樣本的幅值相關函數(shù)= VaAk)' fPmKk) le) 當?shù)趍個訓練樣本的幅值相關函數(shù)滿足fm(k)>fm(k-l)且乙(1〇4(1^1)的條件時， 第m個訓練樣本的峰值函數(shù)peakm (k) =fm(k);否則，第m個訓練樣本的峰值函數(shù)peakm (k) =0。
3. 根據(jù)權利要求1所述的一種基于時域相關性特征的飛機目標分類方法，其特征在 于，步驟2包括以下子步驟： a (,λ-PmKik) 2a)求取第m個訓練樣本峰值函數(shù)的幅值概率為λΛ 其中，時域平移 變量k= 1，2,......，fix(N/2)，N為時域總點數(shù)，其中fix表示朝零取整操作； 計算第m個訓練樣本的峰值函數(shù)peakm(k)的方差 V2「j-- Nfl &伽.d=幻^ (?(辦也⑷-m一,其中，⑷.聲4 (!)]表示第m k1 - 」Α-? 個訓練樣本峰值函數(shù)的均值； 2b)求取第m個訓練樣本峰值函數(shù)Peakm(k)的能量概率為77^7'其 中，時域平移變量k= 1，2,......，fix(N/2)，N為時域總點數(shù)，其中fix表示朝零取整操作； 計算第m個訓練樣本峰值函數(shù)的熵/_re2(ir).logw(4,(々))]，其中符號 A-I IogltlO表示取以1〇為底的對數(shù)； 2c)求取第m個訓練樣本的峰值函數(shù)peakm(k)的最大值peak_maxm; 統(tǒng)計第m個訓練樣本的峰值函數(shù)peakm (k)中，幅值大于第m個訓練樣本的訓練第一峰 值門限Il1Xpeakjiiaxm的峰的個數(shù)，Ji1為第一峰值系數(shù)； 2d)統(tǒng)計第m個訓練樣本的峰值函數(shù)中大于訓練第二峰值門限n2Xpeak_maxm的峰對 應的時域點，然后按照時域點順序確定第一個大于第m個訓練樣本的訓練第二峰值門限的 峰對應的時域點feature4m,η2表示第二峰值系數(shù)；
4. 根據(jù)權利要求1所述的一種基于時域相關性特征的飛機目標分類方法，其特征在 于，步驟6包括以下子步驟： 一 纖 6a)求取第q個測試樣本峰值函數(shù)的幅值概率為?1 ; 其中，時域平移 X-I 變量k= 1，2,......,fix(N/2)； 計算第q個測試樣本峰值函數(shù)peak, ' (k)的方差 V / v2l mi /￡'痛，rf : = E 卜:J A'). (Α·)-?二，其中，聲= k^lL ' ； J JM 個測試樣本峰值函數(shù)的均值； 6b)求取第q個測試樣本峰值函數(shù)peak, ' (k)的能量概率記為 5(/λ[ρ^Φ)? "-2[F?f，其中,時域平移變量k=1,2,......,fix(N/2); V2 計算第q個測試樣本峰值函數(shù)的熵動toS=1Ogwk(iI)] 5其中符號IogltlO表示0取以10為底的對數(shù)； 6c)求取第q個測試樣本峰值函數(shù)peak/ (k)的最大值為peak_max^ q; 統(tǒng)計第q個測試樣本的峰值函數(shù)中大于第q個測試樣本的測試第一峰值門限ηiXpeakjnax' ^的峰的個數(shù)； 6d)統(tǒng)計第q個測試樣本的峰值函數(shù)中大于第q個測試樣本的測試第二峰值門限η2 ·peak_max^ ^的峰對應的時域點，然后按照時域點順序確定第一個大于第q個測試樣 本的測試第二峰值門限的峰對應的時域點featuredq。
【文檔編號】G06K9/62GK104239894SQ201410446519
【公開日】2014年12月24日 申請日期:2014年9月3日 優(yōu)先權日:2014年9月3日
【發(fā)明者】杜蘭, 李瑋璐, 王寶帥, 李林森, 劉宏偉 申請人:西安電子科技大學