基于点迹曲线关联曲线分离的雷达目标微动特征提取方法技术

本发明专利技术公开一种基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,步骤包括：S01.获取雷达回波进行雷达信号处理，得到时频数据；S02.将时频数据输入至U

【技术实现步骤摘要】
基于点迹曲线关联曲线分离的雷达目标微动特征提取方法


[0001]本专利技术涉及雷达目标微动特征提取
，尤其涉及一种基于点迹曲线关联曲线分离的雷达目标微动特征提取方法。

技术介绍

[0002]基于传统特征量的空间目标识别技术可靠性低，雷达目标识别与反识别正朝着精细特征的方向发展，将尺寸特征和微动特征等精细化特征应用于空间中段目标识别是目前的一个研究热点。微动特征自引入微波雷达领域以来，在目标探测与识别领域的价值日益凸显，被广泛应用于车辆、飞机、空间目标等的分类识别任务中。由于受如有限载荷、运动轨迹设定和大气干扰等因素，使得空间目标的质量分布特征和运动特征，尤其是外界干扰激励的振动、翻滚和进动等小幅运动的控制能力目前还较低。微动特征能够反映目标的电磁散射特性、几何结构特性和运动特性，是目标识别的一种有效特征，因此微动特征对于雷达目标探测与识别具有重要意义。
[0003]微多普勒曲线的分离是实现雷达微动目标特征提取与参数估计的关键。目前针对于微多普勒曲线分离主要分为变换域类、点迹
‑
曲线关联类、最优路径搜寻等三类算法，分别为：1、变换域类分类方法，如拓展霍夫变换、randon变换等，是通过将时频曲线转换到相应的参数空间，对微动曲线的参数进行估计。
[0004]该类方法需要完全已知目标运动形式，均需要假定雷达目标满足正旋调制，然而实际中雷达目标运动形式未知，因而难以实际应用，且随着待定参数的增多，由于需要对各个参数进行遍历，运算量也会急剧增加。
[0005]2、点迹
‑
曲线关联类方法，是通过对骨架提取、点迹凝聚以及时频脊检测算法得到微多普勒曲线，然后通过一定的策略进行匹配关联。
[0006]目前骨架提取、点迹凝聚以及时频脊检测算法在低信噪比条件下可靠性低，因而只能够适用于信号具有很高的信噪比情况下。其他如基于趋势估计或交叉区域前后点迹斜率变化等策略进行点迹关联的算法，当存在噪声点迹时曲线趋势估计以及斜率计算可能与实际偏差较大时，如果多普勒曲线存在中断情况，则无法进行趋势估计和斜率计算，导致关联算法失效，且该类算法都需要已知信号分量数目，然而对于非合作的空间目标而言无法预先获知信号分量数目。
[0007]3、最优路径类方法，主要采用基于Viterbi（维特比）、蚁群算法等的曲线分离算法实现。
[0008]Viterbi将动态规划思想应用中频估计，具有一定的抗噪能力，但由于只考虑了时频幅值和绝对频率变化，因而极易出现提取的曲线与实际微多普勒曲线不匹配的问题；虽然可通过叠加全局约束、分段思想、自适应视场簇匹配等方式对维特比算法进行改进，得到目标微多普勒曲线的最佳匹配路径，但是又会导致计算量急剧增加的问题，不适用于实时性要求较高的空间目标识别中；蚁群优化（ACO）的中频估计方法考虑到中频边缘代表具有
高能量的图像片段，以克服高噪声影响，但是极易陷入局部最优，且计算量大，只适用于单分量信号。
[0009]综上，由于雷达目标微动特征提取中微多普勒曲线在时频域内严重交叠，同时可能存在噪声、中断等复杂情况，现有技术中微多普勒曲线的分离方法，会存在计算量大、可靠性和鲁棒性低等问题，且往往还会需要依赖于空间目标已知的信息。

技术实现思路

[0010]本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种实现方法简单、计算量小、分离精度以及可靠性高、鲁棒性强的基于点迹曲线关联曲线分离的雷达目标微动特征提取方法，能够适用于不同复杂条件下实现高精度的微多普勒曲线分离。
[0011]为解决上述技术问题，本专利技术提出的技术方案为：一种基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,步骤包括：S01.雷达信号处理：获取对雷达目标的雷达回波进行雷达信号处理，得到含有待分离微多普勒谱曲线的时频数据；S02.U
‑
Net分割：将含有待分离微多普勒谱曲线的所述时频数据输入至U
‑
Net网络中进行分割，以对微多普勒曲线所在时频区域进行定位；S03.点迹凝聚：根据步骤S01中U
‑
Net网络的分割结果进行点迹凝聚处理，得到各散射中心的微多普勒点迹；S04.点迹处理：根据步骤S02的点迹凝聚结果，依据每个时刻的信号分量数进行区间划分，并将每个区间的各个子信号分量进行关联；S05.曲线关联：基于内插法和曲线平滑度函数对各个区间的点迹依次进行关联，实现微多普勒曲线的分离；S06.微动特征提取：根据步骤S05分离出的微多普勒曲线进行雷达目标微动特征提取。
[0012]进一步的，所述步骤S02中，所述U
‑
Net网络预先使用博弈对抗生成模型的训练方式进行训练，即以U
‑
Net结构为生成器、多层卷积神经网络为判别器，将训练数据集输入至U
‑
Net网络，所述U
‑
Net网络输出分割图像，由判别网络对生成的所述分割图像进行真假判别，由所述判别器对数据来源是否为真实数据进行真假判别，所述生成器拟合真实数据以混淆判别器判断, 使得生成器生成数据被判别为真实数据,直至完成双方博弈对抗训练。
[0013]进一步的，所述步骤S03的步骤包括：S301.对所述时频数据中每个时刻的点做凝聚处理，即将每一时间的各个散射中心的频点数据质心作为瞬时多普勒频率估计值；S302.根据主时频带宽设置点迹滤除阈值，按照所述点迹滤除阈值对噪声产生的点迹进行滤除，所述主时频带宽根据U
‑
Net网络的分割结果统计得到；S303.根据所述主时频带宽设置点迹合并阈值，将距离小于所述点迹合并阈值时两个散射中心点迹合并。
[0014]进一步的，所述频点数据质心的计算公式为：
其中，n为一个散射中心在时刻的频点个数；表示第i个频点对应的频率值，表示是第i个频点对应的幅值；所述主时频带宽按照下式估计得到：其中，为点迹数量，为第i个点迹对应的带宽。
[0015]进一步的，所述步骤S04中，依据时间轴上出现的连续信号分量数对整个采样时间进行划分，其中以两直线切角，确定交叉区间的长度范围为，为预设点迹合并阈值；对于0到T范围内的区间长度，其中T为采样时间，根据所述交叉区间的长度范围设置阈值进行区间划分，区间长度小于交叉区间长度最小值为异常区间，区间前后信号分量数一致且大于交叉区间长度最大阈值时为遮挡区间；具体以时为异常区间，处理时将所述异常区间与临近区间合并，当前后区间信号分量一样时，且区间长度时为交叉区间，时为遮挡区间，除上述以外的其余区间为正常区间。
[0016]进一步的，所述步骤S04中，采用K
‑
means聚类算法或者NNSA算法对每个区间各个子信函分量进行关联，以及通过三次样条插值对缺失值进行补全。
[0017]进一步的，所述步骤S05包括：对各划分后的区间中，对第i个交叉区间先使用多项式插值得到区间信息，然后通过曲线平滑度函数对上一个区间和下一个区间的曲线进行关联处理；对遮挡区间和正常区间不做插值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,其特征在于，步骤包括：S01.雷达信号处理：获取对雷达目标的雷达回波进行雷达信号处理，得到含有待分离微多普勒谱曲线的时频数据；S02.U
‑
Net分割：将含有待分离微多普勒谱曲线的所述时频数据输入至U
‑
Net网络中进行分割，以对微多普勒曲线所在时频区域进行定位；S03.点迹凝聚：根据步骤S01中U
‑
Net网络的分割结果进行点迹凝聚处理，得到各散射中心的微多普勒点迹；S04.点迹处理：根据步骤S02的点迹凝聚结果，依据每个时刻的信号分量数进行区间划分，并将每个区间的各个子信号分量进行关联；S05.曲线关联：基于内插法和曲线平滑度函数对各个区间的点迹依次进行关联，实现微多普勒曲线的分离；S06.微动特征提取：根据步骤S05分离出的微多普勒曲线进行雷达目标微动特征提取。2.根据权利要求1所述的基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,其特征在于，所述步骤S02中，所述U
‑
Net网络预先使用博弈对抗生成模型的训练方式进行训练，即以U
‑
Net结构为生成器、多层卷积神经网络为判别器，将训练数据集输入至U
‑
Net网络，所述U
‑
Net网络输出分割图像，由判别网络对生成的所述分割图像进行真假判别，由所述判别器对数据来源是否为真实数据进行真假判别，所述生成器拟合真实数据以混淆判别器判断, 使得生成器生成数据被判别为真实数据,直至完成双方博弈对抗训练。3.根据权利要求1所述的基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,其特征在于，所述步骤S03的步骤包括：S301.对所述时频数据中每个时刻的点做凝聚处理，即将每一时间的各个散射中心的频点数据质心作为瞬时多普勒频率估计值；S302.根据主时频带宽设置点迹滤除阈值，按照所述点迹滤除阈值对噪声产生的点迹进行滤除，所述主时频带宽根据U
‑
Net网络的分割结果统计得到；S303.根据所述主时频带宽设置点迹合并阈值，将距离小于所述点迹合并阈值时两个散射中心点迹合并。4.根据权利要求3所述的基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,其特征在于，所述频点数据质心的计算公式为：其中，n为一个散射中心在时刻的频点个数；表示第i个频点对应的频率值，表示是第i个频点对应的幅值；所述主时频带宽按照下式估计得到：
其中，为点迹数量，为第i个点迹对应的带宽。5.根据权利要求1所述的基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,其特征在于，所述步骤S04中，依据时间轴上出现的连续信号分量数对整个采样时间进行划分，其中以两直线切角，确定交叉区间的长度范围为，为预设点迹合并阈值；对于0到T范围内的区间长度，其中T为采样时间，根...

【专利技术属性】
技术研发人员：杨德贵，王行，彭正红，胡亮，
申请(专利权)人：中南大学，
类型：发明
国别省市：