【技术实现步骤摘要】
本专利技术属于雷达rcs数据处理，具体涉及一种雷达rcs数据分类方法，也称之为雷达rcs数据分类器设计方法。
技术介绍
1、雷达散射截面积(radar cross section，rcs)是反映目标对雷达信号散射能力的度量指标，一般来说，在雷达视线方向面积越大的目标，其rcs也越大，根据rcs多次观测的平均值，可以大致确定目标的大小。雷达rcs数据分类也称之为基于雷达rcs数据的目标识别。
2、通常情况下，空间目标沿轨道运动引起姿态相对于雷达视线发生变化，从而可以获得rcs随视角(姿态角)起伏变化的数据，其中的变化规律反映了目标形体结构的物理特性。简单形体目标(如球体、圆柱体、圆锥体、金属板等)都有其随姿态角变化的固有表达形式，因此，根据rcs变化曲线通过参数估计方法可推得目标的姿态和尺寸，据此可进行分类和识别。如果目标处于旋转或翻转状态，可以从rcs变化曲线推断目标的大小和形状。
3、采用rcs进行目标识别通常有两种途径，一种方法是直接采用rcs包含的目标特征进行识别，例如rcs分布的均值、极小值、极大值及分位数极差、标准差以及rcs分布的累积概率密度、分布直方图等；另一种方法是对rcs数据进行特征变换后提取目标特征再进行识别，例如对rcs进行傅立叶变换、梅林变换等，变换的目的在于突出目标特性，简化分类器的设计。在实际应用中，也经常采用二者相结合的方法。
4、在模糊模式识别过程中，通过数值变换提取的特征量被转换成由模糊集及其隶属度函数表征的合理的语言标记，它相当于人脑对客体特性在概念层上的反
5、传统的基于雷达rcs数据的目标识别主要是针对宽带雷达，对目标成像后进行识别，针对窄带雷达，传统方法一是直接提取rcs的统计特征，作为目标的特征进行识别，但因区分度不高，识别率很低；二是结合宽带雷达成像数据进行融合识别，数据量大、效率低，且窄带雷达不具备宽带成像数据。总之，当前窄带雷达仅自身rcs数据目标识别困难，尚缺少一种高效、通用的目标分类识别方法，限制了窄带雷达在目标识别领域的应用。
技术实现思路
1、针对以上问题，本专利技术设计了一种雷达rcs数据分类方法，通过提取不同目标rcs数据的原信号统计特征(均值与标准差)、梅林变换特征(均值与标准差)和小波变换特征(最大奇异值与有效秩)三类6型特征参数，利用模糊识别分类算法计算最大的模糊评价，判断目标所属的类别，可实现综合识别的简便性和有效性。
2、本专利技术设计的一种雷达rcs数据分类方法，所述rcs数据也称为rcs原信号或rcs序列，其特征在于，所述方法至少包括rcs原信号特征提取、梅林变换特征提取、小波变换特征提取，最后进行模糊分类识别，所述原信号特征提取、梅林变换特征提取、小波变换特征提取不区分先后顺序；
3、所述原信号特征提取包括提取rcs原信号中的均值t1和标准差t2，特别是针对窄带雷达rcs序列比较短时，位置特征参数和散布特征参数均比较稳定，适合作为目标识别的特征量；
4、所述梅林变换特征提取包括，对雷达rcs原始数据{xn，n＝1、2、…n}进行梅林变换，获得不随目标移动(雷达距离)和目标比例尺(目标方位)变化的低维序列作为特征量，所述特征包括梅林变换后序列的均值t3和标准差t4；
5、所述小波变换特征提取包括，对rcs序列进行连续小波变换，所述特征包括小波变换后矩阵的最大奇异值t5和有效秩t6，按照频率信息的不同对rcs序列进行处理，在时域和频域上将rcs序列的细节清晰地表现出来，更有利于提取反映目标特性的特征。
6、所述模糊分类识别包括，根据所述原信号特征、梅林变换特征和小波变换特征计算未知目标识别为第i类目标、第j个特征的隶属度函数fij、权值wj，进而计算模糊评价si，再根据模糊评价si判断未知目标所属类别。
7、进一步的，记窄带雷达获取的rcs原始信号(也称为原始数据)为{xn，n＝1、2、…n}，n为序列长度；
8、所述原信号均值特征为：
9、
10、所述原信号标准差特征为：
11、
12、进一步的，所述梅林变换为：
13、
14、其中，δk＝xk-xk+1，k＝1,2,…,n，ω为梅林变换自变量，lnk为k的自然对数。
15、对梅林变换后的序列提取均值特征：
16、
17、对梅林变换后的序列提取标准差特征：
18、
19、进一步的，针对雷达rcs观测序列为{xn，n＝1、2、…n}，n为序列长度，则{xn}的所述小波变换为(本实施例为离散小波变换)：
20、
21、其中，b＝1,2,...,n，a＝1,2,...,m，m为分解的尺度数，为小波基函数；
22、令矩阵a＝|wx(a,b)|，t5为所述矩阵a的最大奇异值，t6为所述矩阵a的有效秩，根据矩阵理论可以求得。
23、进一步的，所述模糊分类识别包括，记x＝(t1,t2,t3,t4,t5,t6)，设定未知目标待识别为第i类目标，i＝1,2,...,i代表目标类别数，j＝1,2,...,6为特征序号；xj为未知目标的第j个特征，隶属度函数fij为
24、
25、其中，aij、bij表示第i类目标的第j个特征的均值及其对应的标准差。
26、将未知目标识别为第i类目标的模糊评价定义为：
27、
28、权值wj反映了6个特征中每个特征对于目标识别的重要程度，
29、且
30、pj为当只应用特征tj进行目标分类时，由fij＝exp[-(xj-aij)2/6bij2]可以得到各类目标的隶属度函数fij，选择最大的fij所对应的i为目标所属类别，由此得到只应用特征tj进行目标分类时目标的平均识别率pj。
31、模糊评价si最大的所对应的i即为目标识别的所属类别。
32、进一步的，所述小波变换包括，对rcs原始数据进行多尺度小波变换。
33、进一步的，所述方法步骤包括：
34、s1、rcs原信号采集；
35、s2、rcs原信号特征提取；
36、s3、rcs原信号梅林变换特征提取；
37、s4、rcs原信号小波变换特征提取；
38、s5、计算模糊评价函数si；
39、s6、目标模糊分类识别。
40、本专利技术的优点和有益效果在于：本专利技术所设计的一种雷达rcs数据分类方法，通过统计提取不同目标rcs数据的原信号统计特征、梅林变换特征和小波变换特征三类6型特征参数，利用模糊识别分类算法计算最大的模糊评价，判断目标所属的类别，识别过程简便、有效，目标本文档来自技高网...
【技术保护点】
1.一种雷达RCS数据分类方法，其特征在于，所述方法至少包括RCS原信号特征提取、梅林变换特征提取、小波变换特征提取，最后进行模糊分类识别，所述原信号特征提取、梅林变换特征提取、小波变换特征提取不区分先后顺序；
2.根据权利要求1所述的一种雷达RCS数据分类方法，其特征在于，记雷达获取的RCS原始信号为{xn，n＝1、2、…N}，N为序列长度；
3.根据权利要求1所述的一种雷达RCS数据分类方法，其特征在于，所述梅林变换为：
4.根据权利要求1所述的一种雷达RCS数据分类方法，其特征在于，所述小波变换为：
5.根据权利要求1所述的一种雷达RCS数据分类方法，其特征在于，所述模糊分类识别包括，记X＝(t1,t2,t3,t4,t5,t6)，设定未知目标待识别为第i类目标，i＝1,2,…,I代表目标类别数，j＝1,2,…,6为特征序号；Xj为未知目标的第j个特征，隶属度函数fij为
6.根据权利要求1所述的一种雷达RCS数据分类方法，其特征在于，所述小波变换包括，对RCS原始数据进行多尺度小波变换。
7.根据权利要
...【技术特征摘要】
1.一种雷达rcs数据分类方法，其特征在于，所述方法至少包括rcs原信号特征提取、梅林变换特征提取、小波变换特征提取，最后进行模糊分类识别，所述原信号特征提取、梅林变换特征提取、小波变换特征提取不区分先后顺序；
2.根据权利要求1所述的一种雷达rcs数据分类方法，其特征在于，记雷达获取的rcs原始信号为{xn，n＝1、2、…n}，n为序列长度；
3.根据权利要求1所述的一种雷达rcs数据分类方法，其特征在于，所述梅林变换为：
4.根据权利要求1所述的一种雷达rcs数据分类方法，其特征在于，所...
【专利技术属性】
技术研发人员：杨磊，刘冰，李红艳，郭才发，池阔，
申请(专利权)人：中国卫星海上测控部，
类型：发明
国别省市：
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。