System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于时频微动特征的无人机与鸟智能分类方法,属于昆虫雷达。
技术介绍
1、据统计,90%的航空事故发生在飞机起飞/降落阶段,其中,起飞、降落时鸟击和黑飞无人机干扰是事故的最主要原因,造成了严重安全威胁和经济损失。因此,有效监测无人机、鸟等威胁小目标对于提升我国航空安全、保护人民生命财产安全具有重要意义。
2、雷达是研究空中小目标的最有效手段之一,它具有全天候、全天时、探测距离远与取样空间大等优势,已被广泛应用于监测识别。当前国内外已研制多种型号探鸟雷达、反无人机雷达,然而,当前雷达主要侧重于对鸟类、无人机等目标的检测跟踪测量,绝大多数雷达不具备无人机、鸟类等空中小目标的分类识别能力。
3、微多普勒特征在无人机识别研究中具有重要意义。传统方法通常使用稳定飞行下的无人机测量数据,而同种无人机在不同飞行模式下的微动特征存在差异,不同类型的目标在飞行时,回波的起伏规律也不相同。因此,可以根据不同目标的微动特征进行目标分类。
4、传统的无人机分类研究大多是基于时域回波的人工提取特征和机器学习方法进行识别的,时域回波一方面丢失了相位信息,另一方面人工特征的提取依赖于研究者的知识理解,提取的特征可分度不足,无法较好实现空中生物的种类辨识。
技术实现思路
1、本专利技术的技术解决问题是:克服现有技术的不足,提出一种基于时频微动特征的无人机与鸟智能分类方法,该方法基于残差卷积的深度学习架构,实现了无人机与鸟目标时频特征的分类,可以解决目标特征提取不
2、一种基于时频微动特征的无人机与鸟智能分类方法,该方法的步骤包括:
3、步骤一、对时域回波进行短时傅里叶变换,得到时频分析结果图;
4、步骤二、对步骤一得到的时频分析结果图进行标准化处理,得到标准化处理图,再对得到的标准化处理图进行划分,得到两种目标数据集,两种目标数据集分别为鸟类目标数据集和无人机目标数据集;
5、步骤三、根据步骤二得到的两种目标数据集构建神经网络结构;
6、步骤四、使用步骤二得到的两种目标数据集训练步骤三得到的神经网络结构;
7、步骤五、将待测试数据导入步骤四训练后的神经网络结构中,得到两种目标的识别结果。
8、所述的步骤一中,对时域回波进行短时傅里叶变换的具体方法为:
9、设目标的t时刻的时域回波为s(t),假定空中生物信号在截取窗内是平稳的,再采用傅里叶变换分析窗内信号,以确定窗内信号存在的频率成分,然后沿着信号时间方向移动窗函数,最后得到信号频率随时间的变换关系,即所需要的时频分析结果图,短时傅里叶变换(stft)的数学表达形式为:
10、
11、其中,s(t+τ)是回波信号的时间平移,ω(·)为窗函数,τ为截取窗长;
12、所述的步骤二中,对时频分析结果图进行标准化处理是指对时频分析结果图的慢时间维进行处理归一化处理,处理结果为:
13、
14、所述的步骤二中,进行筛选的方法为:鸟类目标时频图的主多普勒存在多次幅度起伏,表现为规律起伏;无人机目标时频图的主多普勒表现为一条点状光斑,幅度变化较小;
15、所述的步骤三中,构建的神经网络结构包括残差卷积结构部分和金字塔池化部分,残差卷积结构部分包括四个残差块,四个残差块顺序连接,每个残差块由两个卷积块组成,卷积块由第一卷积层、激活函数和第二卷积层构成,卷积块的输出表示为:
16、o(x)=i(x)+x
17、其中x为卷积块输入,i(x)为第二卷积层的输出,o(x)为卷积块的输出;
18、构建残差卷积结构的神经网络结构的方法,步骤包括:
19、第一步,计算四个残差块的特征提取结果,四个残差块分别为第一个残差块、第二个残差块、第三个残差块、第四个残差块,并将四个残差块顺序连接,第一个残差块的特征提取结果为f1,第二个残差块的特征提取结果为f2,第三个残差块的特征提取结果为f3,第四个残差块的特征提取结果为f4;
20、其中,第一个残差块包括的两个卷积层分别为第一卷积层和第二卷积层,第一个残差块的特征提取结果为f1的获取方法为:
21、(11)使用第一卷积层对第一残差块的输入x1进行卷积,得到特征其中,l表示特征的通道数,f11(i)表示f中的第i个通道,i=1,2,…,l,f11(i)由下式表示:
22、
23、其中,代表卷积操作,kernel(i)代表第i个卷积核,bli代表对第i个卷积核的偏移量;
24、(12)使用非线性激活函数对第一卷积层得到的特征f11进行非线性映射,得到特征f12,再将得到的特征f12输入至第二卷积层中,使用第二卷积层对特征f12进行卷积,得到特征f13;
25、(13)将步骤(12)得到的特征f13与第一卷积层输入x1相加,得到第一残差块的输出为f1;
26、以第一个残差块的特征提取结果为f1作为第二个残差块中第一卷积层的输入,采取步骤(11)的方法,得到第二个残差块中第一卷积层的输出,再以第二个残差块中第一卷积层的输出作为第二个残差块中第二卷积层的输入,采取步骤(12)-(13)的方法,得到第二个残差块的特征提取结果为f2;
27、以第二个残差块的特征提取结果为f2作为第三个残差块中第一卷积层的输入,采取步骤(11)的方法,得到第三个残差块中第一卷积层的输出,再以第三个残差块中第一卷积层的输出作为第三个残差块中第二卷积层的输入,采取步骤(12)-(13)的方法,得到第三个残差块的特征提取结果为f3;
28、以第三个残差块的特征提取结果为f3作为第四个残差块中第一卷积层的输入,采取步骤(11)的方法,得到第四个残差块中第一卷积层的输出,再以第四个残差块中第一卷积层的输出作为第四个残差块中第二卷积层的输入,采取步骤(12)-(13)的方法,得到第四个残差块的特征提取结果为f4;
29、第二步,经过四个残差块的特征提取结果f4进入金字塔池化模块,在原始特征图上使用四个不同尺度的池化核,得到四个不同尺寸的特征图,再在通道维度上拼接这些特征图,最终输出一个糅合了多种尺度的复合特征图f5;
30、第三步,第二步得到的复合特征f5通过全连接层进行线性映射,得到总类别数量大小的向量cg,向量cg进入softmax分类层,得到辨识结果,样本中第i个目标隶属于各类概率如下所示:
31、
32、其中,c代表类别序号,c代表总类别数,依次计算第i个目标属于各类的概率p(i|x)后,取其中的最大值即为目标所属类别,完成多尺度融合的神经网络结构的构建。
33、本专利技术具有如下有益效果:
34、(1)本专利技术是一种基于时频微动特征的无人机与鸟智能分类方法,为辨别无人机与鸟类目标提供了一种有效的手段。
35、(2)本专利技术首先利用短时本文档来自技高网...
【技术保护点】
1.一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于该方法的步骤包括:
2.根据权利要求1所述的一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于:
3.根据权利要求1或2所述的一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于:
4.根据权利要求3所述的一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于:
5.根据权利要求4所述的一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于:
6.根据权利要求5所述的一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于:
7.根据权利要求6所述的一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于:
8.根据权利要求7所述的一种基于多尺度特征融合的振翅模式识别方法,其特征在于:
9.根据权利要求8所述的一种基于多尺度特征融合的振翅模式识别方法,其特征在于:
10.根据权利要求9所述的一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于:
【技术特征摘要】
1.一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于该方法的步骤包括:
2.根据权利要求1所述的一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于:
3.根据权利要求1或2所述的一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于:
4.根据权利要求3所述的一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于:
5.根据权利要求4所述的一种基于时频微动特征的无人机与鸟智能分类方法,其特征在于:
【专利技术属性】
技术研发人员:胡程,王锐,李佳霖,李卫东,王廉钧,
申请(专利权)人:北京理工大学,
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。