一种无人机识别分类方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种无人机识别分类方法、装置、设备及介质，其方法包括：获取LFMCW雷达采集的无无人机存在时的环境杂波和有无人机存在时的探测回波；对目标无人机的各个次探测点进行回波仿真，获取相应的理论回波；所述次探测点为非旋翼对应的探测点；对环境杂波和理论回波进行离散化和矩阵结合生成字典集；基于字典集采用OMP算法对探测回波进行杂波抑制生成抑制后回波；对抑制后回波提取旋翼的多普勒特征并估算旋翼的旋转速度和叶片长度；根据旋翼的旋转速度和叶片长度对目标无人机进行识别分类；本发明专利技术能够解决在复杂环境或低空环境下因为杂波的影响，导致不能够识别目标无人机的技术问题。技术问题。技术问题。

【技术实现步骤摘要】
一种无人机识别分类方法、装置、设备及介质


[0001]本专利技术涉及一种无人机识别分类方法、装置、设备及介质，属于无人机


技术介绍

[0002]无人机在当今世界得到了广泛运用，无论是在军事上还是民用上都大放异彩。但民用的黑飞事件层出不穷，军用上对无人机的干扰也显得尤为重要。能够远距离对未知型号的无人机作出分类和识别，从而针对性地进行后续措施，不仅能够节约频谱资源，也能够避免一定空间内的电磁干扰。
[0003]远距离识别无人机的关键特征参数往往包括叶片旋转速度、叶片长度等等，从特征参数出发，识别无人机的手段，变得越来越重要。常规雷达系统在精细区分小型无人机时面临着高分辨率的挑战。而微多普勒作为一种小型目标微动动力学效应,在估计无人机旋翼叶片旋转速度和叶片长度上具有重要意义。
[0004]线性调频连续波雷达(Linear frequency modulated continuous wave,LFMCW)通过向目标发射特定波形的电磁波，对回波信号的频率信息进行提取和处理,进而检测目标的运动特征，在微动目标检测与估计领域有着广阔的应用需求。
[0005]已有的参数估计手段最常用的是经验模态分解等方法，这些方法在面临开阔空旷地带的检测效果较好，但在复杂环境或低空环境下因为杂波的影响，导致不能够识别目标。

技术实现思路

[0006]本专利技术的目的在于克服现有技术中的不足，提供一种无人机识别分类方法、装置、设备及介质，利用正交匹配追踪法(Orthogonal Matching Pursuit,OMP)解决在复杂环境或低空环境下因为杂波的影响，导致不能够识别目标的技术问题。
[0007]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0008]第一方面，本专利技术提供了一种无人机识别分类方法，包括：
[0009]获取LFMCW雷达采集的无无人机存在时的环境杂波和有无人机存在时的探测回波；
[0010]对目标无人机的各个次探测点进行回波仿真，获取相应的理论回波；所述次探测点为非旋翼对应的探测点；
[0011]对环境杂波和理论回波进行离散化和矩阵结合生成字典集；
[0012]基于字典集采用OMP算法对探测回波进行杂波抑制生成抑制后回波；
[0013]对抑制后回波提取旋翼的多普勒特征并估算旋翼的旋转速度和叶片长度；
[0014]根据旋翼的旋转速度和叶片长度对目标无人机进行识别分类。
[0015]可选的，所述理论回波S
ri
(t)为：
[0016][0017]式中，S
ri
(t)为次探测点i的理论回波，A
ri
为雷达接收机对非探测点i的回波信号
幅度，j为虚数单位，f
c
为信号载频，c为光速，K为线性调制信号调频斜率，t为时刻，τ
i
为雷达接收机对非探测点i的回波时延，τ
i
＝2R
i
(t)/c，R
i
(t)为时刻t雷达接收机到非探测点i的距离，I为次探测点数量。
[0018]可选的，所述对环境杂波和理论回波进行离散化和矩阵结合生成字典集包括：
[0019]将环境杂波S
r
′
(t)和理论回波S
ri
(t)离散化为向量S
r
′
、S
ri
：
[0020]S
r
′
＝[S
r
′
(1),S
r
′
(2),
…
S
r
′
(n)
…
,S
r
′
(N)]T
[0021]S
ri
＝[S
ri
(1),S
ri
(2),
…
S
r
′
i
(n)
…
,S
ri
(N)]T
；i＝1,2,
…
,I
[0022]式中，S
r
′
(n)、S
r
′
i
(n)为环境杂波和次探测点i的理论回波在采样点n的取值，N为采样点数量；
[0023]将向量S
r
′
、S
ri
作为原子进行矩阵结合生成字典集D：
[0024]D＝S
r1
∪S
r2
∪,
…
,∪S
rI
∪S
r
′
[0025]式中，I为次探测点数量。
[0026]可选的，所述基于字典集采用OMP算法对探测回波进行杂波抑制生成抑制后回波包括：
[0027]将探测回波S
r
(t)离散化为向量S
r
：
[0028]S
r
＝[S
r
(1),S
r
(2),
…
S
r
(n)
…
,S
r
(N)]T
[0029]式中，S
r
(n)为探测回波在采样点n的取值，N为采样点数量；
[0030]创建空矩阵D
new
，初始化残差r＝S
r
、序号k＝1、次数p＝1；
[0031]重复步骤S1
‑
S4，直至p>I+1：
[0032]S1、计算字典集D中各个原子与向量S
r
的贡献度α
q
：
[0033]α
q
＝<D
q
,S
r
>
[0034]式中，D
q
为字典集D中第q个原子，q＝1,2,
…
,I,I+1；α
q
为原子D
q
与矩阵S
r
的贡献度，<D
q
,S
r
>为计算D
q
、S
r
的向量内积；
[0035]S2、获取贡献度α
q
的取值最大时对应的原子记为D
m
，m＝1,2,
…
,I,I+1；将其作为空矩阵D
new
的第k个列向量加入空矩阵D
new
中，将原子D
m
从字典集D中删除；
[0036]S3、根据空矩阵D
new
、向量S
r
采用最小二乘法计算残差r的取值最小时，原子D
m
与向量S
r
的相关度λ
m
：
...

【技术保护点】

【技术特征摘要】
1.一种无人机识别分类方法，其特征在于，包括：获取LFMCW雷达采集的无无人机存在时的环境杂波和有无人机存在时的探测回波；对目标无人机的各个次探测点进行回波仿真，获取相应的理论回波；所述次探测点为非旋翼对应的探测点；对环境杂波和理论回波进行离散化和矩阵结合生成字典集；基于字典集采用OMP算法对探测回波进行杂波抑制生成抑制后回波；对抑制后回波提取旋翼的多普勒特征并估算旋翼的旋转速度和叶片长度；根据旋翼的旋转速度和叶片长度对目标无人机进行识别分类。2.根据权利要求1所述的无人机识别分类方法，其特征在于，所述理论回波S
ri
(t)为：式中，S
ri
(t)为次探测点i的理论回波，A
ri
为雷达接收机对非探测点i的回波信号幅度，j为虚数单位，f
c
为信号载频，c为光速，K为线性调制信号调频斜率，t为时刻，τ
i
为雷达接收机对非探测点i的回波时延，τ
i
＝2R
i
(t)/c，R
i
(t)为时刻t雷达接收机到非探测点i的距离，I为次探测点数量。3.根据权利要求1所述的无人机识别分类方法，其特征在于，所述对环境杂波和理论回波进行离散化和矩阵结合生成字典集包括：将环境杂波S
r
′
(t)和理论回波S
ri
(t)离散化为向量S
r
′
、S
ri
：S
r
′
＝[S
r
′
(1),S
r
′
(2),
…
S
r
′
(n)
…
,S
r
′
(N)]
T
S
ri
＝[S
ri
(1),S
ri
(2),
…
S
r
′
i
(n)
…
,S
ri
(N)]
T
；i＝1,2,
…
,I式中，S
r
′
(n)、S
r
′
i
(n)为环境杂波和次探测点i的理论回波在采样点n的取值，N为采样点数量；将向量S
r
′
、S
ri
作为原子进行矩阵结合生成字典集D：D＝S
r1
∪S
r2
∪,
…
,∪S
rI
∪S
r
′
式中，I为次探测点数量。4.根据权利要求3所述的无人机识别分类方法，其特征在于，所述基于字典集采用OMP算法对探测回波进行杂波抑制生成抑制后回波包括：将探测回波S
r
(t)离散化为向量S
r
：S
r
＝[S
r
(1),S
r
(2),
…
S
r
(n)
…
,S
r
(N)]
T
式中，S
r
(n)为探测回波在采样点n的取值，N为采样点数量；创建空矩阵D
new
，初始化残差r＝S
r
、序号k＝1、次数p＝1；重复步骤S1
‑
S4，直至p>I+1：S1、计算字典集D中各个原子与向量S
r
的贡献度α
q
：α
q
＝&lt;D<...

【专利技术属性】
技术研发人员：范世琦，武姿言，申鑫，涂刚毅，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：