低分辨雷達的目標分類識別研究?

宋新景

(1.中國電子科技集團公司第三十八研究所,安徽合肥230088;2.孔徑陣列與空間探測安徽省重點實驗室,安徽合肥230088;3.智能情報處理重點實驗室,安徽合肥230088)

0 引言

分類識別技術是雷達當今和未來發展的重要需求,同時也是四代雷達關鍵技術之一。直升機、螺旋槳和噴氣式飛機在現代戰爭中各自承擔著重要的作戰任務,因此,研究對這三類飛機目標的分類,對防空預警具有重要的意義。

本文從模式識別角度給出雷達目標識別流程框圖,以及目標識別對雷達設計需求。詳細介紹雜波抑制的處理方法,利用幅度調制特征和頻域熵特征實現噴氣式飛機、螺旋槳飛機和直升機目標分類的方法。

1 目標分類識別過程

從模式識別角度理解雷達目標分類識別問題,分為訓練過程和測試過程。訓練過程:對接收到的回波復包絡信息進行預處理,有效抑制地物雜波對目標的檢測;進而提取時域或頻域的特征,得到特征向量,然后訓練分類器模型。測試過程:執行同樣的操作,利用訓練好的分類模型進行預測分類結果。圖1給出了雷達目標分類識別的流程框圖。下文就每個模塊展開論述。

圖1 目標分類識別的流程圖

2 雷達設計需求

2.1 所需的最小脈沖重復頻率

脈沖重復頻率(PRF)決定了采樣速率,所需的最小取樣速率必須滿足奈奎斯特速率以避免頻率混疊。對于實際的直升機,它們的葉尖速度范圍為200～230 m/s。對于米波波段,230 m/s的葉尖速度可以產生{fd}max=460 Hz的多普勒頻移。因此,對于一個懸停的直升機,所需的最小采樣速率為2×{fd}max=920 Hz。如果直升機有徑向速度100 m/s的平移運動,則直升機的最大多普勒頻移為660 Hz,所需的最小采樣速率為1 320 Hz[1]。

在雷達設計時,須滿足

式中,V1為葉尖速度,V2為平動徑向速度。

2.2 所需的最小積累脈沖數

常規雷達頻率分辨率為

式中,N為駐留脈沖數。

區分兩類不同的飛機目標:

工程實踐中,考慮一定的余量,可得

3 雜波抑制

地雜波形成的目標檢測盲區會導致雜波被當作目標來檢測,形成大量的虛假目標。對這一問題,在特征提取前先進行雜波抑制,避免將地雜波統計。在距離多普勒(Range Doppler,RD)譜上獲取地雜波抑制的頻率范圍;應用Clean算法,先對通道時域數據進行地雜波抑制,然后進行各項特征提取。

3.1 Clean算法

Clean算法[2]是一種基于FFT的快速譜估計算法。該算法的要求是:組成信號時域序列的各分量信號的持續時間長度都與進行傅里葉變換處理的長度相同。這一點雜波信號模型無疑是能夠滿足的。針對復正弦信號分量組成的雜波模型,提取雜波信號能量的計算方法[3]為:

對信號的時域序列S(n)作FFT,得到S(ω),求取S(ω)落在雜波頻率范圍內的最大極大值點,該極值點所對應的幅度、相位和頻率分別為第1個分量信號的參數估計,即

第1個被提取的雜波分量可以寫為

將該分量從原時域序列中減去,提取該分量信號能量,即

對剩余信號Sr(n)重復上述過程,直到滿足收斂條件。進行雜波抑制的目的是使雜波區域內的能量不被當作目標檢測出來,因而只要雜波區域內的最大極大值點的功率小于平均噪聲功率,即可認為雜波抑制完成。事先求取平均噪聲功率,通過計算雜波區域內最大極值點的功率設定收斂條件。

3.2 雜波抑制處理結果

對于雜波頻率范圍內的極大值點,利用復正弦信號作為模型,利用Clean算法對模型參數進行估計,之后在信號的時域序列中將該信號模型的估值減去,從而抑制掉頻帶內所有極大值點對應的頻率分量,即提取該分量的信號能量。剩余能量的信號即為雜波抑制后的時域序列。

給出Clean算法得到的雜波抑制結果,圖2～4給出了雜波抑制前后3類飛機的頻譜圖。從圖(b)上可以看出雜波能量明顯被抑制掉,甚至遠低于背景噪聲功率,因而不會被當作目標檢測出來。

圖2 直升機雜波抑制前后頻譜圖

圖3 螺旋槳雜波抑制前后頻譜圖

圖4 噴氣式雜波抑制前后頻譜圖

4 特征提取與分析

4.1 幅度偏差系數

幅度偏差系數定義為

式中,ˉa為幅度均值,σa為方差。其值越大,表明回波幅度波動越大,旋轉部件在飛機目標的機構中是顯著的,反之表明回波以平穩的機身分量為主。

4.2 頻域熵

頻域熵特征定義如下:

式中,p(n)為s(n)模一歸一化信號波形:

回波歸一化的目的是為了消除回波散射強度對特征的影響[4]。

頻域熵特征反映回波能量的集散程度,其值越大,說明回波能量分布越離散;其值越小,說明回波能量分布越集中。對于飛機目標,旋轉部件的調制作用越強,調制頻譜能量分布越分散。3類飛機中,直升機旋翼調制作用最明顯,機身較小,調制分量引起的能量離散最大;噴氣式飛機目標的旋轉部件最小,機身相對較大,調制分量引起的能量離散最小;螺旋槳飛機介于兩者之間。

4.3 多普勒域曲線積分

基于噴氣式飛機、螺旋槳飛機、直升機的多普勒域圖形的差異,采用多普勒域曲線積分可以獲得曲線與坐標軸的面積,該值大致反映目標反射回波的總能量的大小,其定義如下:

式中,d I為多普勒域曲線積分值,xi為多普勒域幅度值。

在相似的回波采集情況下,由于飛機外形的差異性,噴氣式飛機的多普勒積分值應為最大,螺旋槳次之,直升機最小。

4.4 特征提取結果

訓練集樣本特征分布如圖5所示。

5 分類器訓練

特征提取后進行分類識別,本文采用SVM分類器。SVM分類器的優點是泛化能力較強,收斂速度較快,且對小樣本訓練效果也較好[5]。核函數采用高斯核函數。

圖5 訓練集樣本特征分布圖

確定支持向量機最佳參數用以訓練得到最優分類器,使之對未知樣本同樣具有良好的分類效果。本文采用交叉驗證的方法訓練分類參數,可以有效地確定最優參數,分類準確率有所提高。

5.1 交叉驗證

交叉驗證的思想是在給定的訓練集中,用大部分樣本進行建模,小部分樣本用剛建立的模型進行預測,并求這個小部分樣本的預測誤差。重復這個過程,直到所有的樣本都被預測了一次而且僅被預測了一次。

常用的交叉驗證形式為K折交叉驗證。初始訓練集分割成K個子樣本,一個單獨的子樣本作為驗證模型的數據,其他K-1個樣本用來訓練。交叉驗證重復K次,每個字樣本驗證一次,平均K次的結果,最終得到單一的估測。

5.2 參數選擇

SVM高斯核函數兩個重要的參數C和kerneloption,每個參數有對應的選擇范圍。這里選擇訓練集樣本直升機、螺旋槳、噴氣式,采用5折交叉驗證。

經過多次遍歷,選出最優參數,用所有樣本得到分類模型,并用訓練集進行驗證,訓練集準確率為96.73%。

6 分類結果分析

本文采用的是對直升機、螺旋槳和噴氣式三類飛機的實測數據。實驗中,數據集進行歸一化后,構成訓練和測試樣本集,支持向量機部分采用高斯核函數,其參數C和kerneloption由交叉驗證決定,選取最佳目標識別率對應的參數。預測結果如表1所示。

表1 3類飛機分類結果

從表1可以看出,螺旋槳和直升機的分類效果較差。訓練集中直升機、螺旋槳只有一個姿態下的數據,測試集和訓練集姿態不同,樣本差別較大,同時樣本數量也較少,所以直升機和螺旋槳飛機識別效率低下。

7 結束語

本文從模式識別角度劃分雷達目標識別問題,在特征提取前進行預處理,抑制雜波影響,提取頻譜幅度的相關特征。分類器模型訓練過程采用交叉驗證和參數選擇相結合,針對訓練樣本獲得最優分類面。窄帶信號由于分辨率較低,適用對目標進行較粗的分類。

[1]CHEN V C.雷達中的微多普勒效應[M].吳順君,杜蘭,劉宏偉,譯.北京:電子工業出版社,2013:92-109.

[2]鄒虹.多分量線性調頻信號的時頻分析[D].西安:西安電子科技大學,2000.

[3]仇永斌,張寧,張樹春.雙基地高頻地波雷達海雜波抑制[J].哈爾濱工業大學學報,2012,44(1):71-77.

CHOU Yongbin,ZHANG Ning,ZHANG Shuchun.Ocean Clutter Suppression for a Bistatic HF Ground Wave Radar[J].Journal of Harbin Institute of Technology,2012,44(1):71-77.(in Chinese)

[4]陳鳳.基于HRRP和JEM信號的雷達目標識別技術研究[D].2009:123.

[5]易曉柯.支持向量機的全局局部特征融合目標識別[J].雷達科學與技術,2011,9(2):180-187.

YI Xiaoke.Target Recognition Based on Support Vector Machine(SVM)Features Fusion[J].Radar Science and Technology,2011,9(2):180-187.(in Chinese)