【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...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。