基于雷達參數對兩類飛機的識別率影響

羅才震

摘 要：雷達目標識別是對雷達探測功能延伸，在現代戰爭中占據的地位已經越來越重要了。直升機和螺旋槳飛機在現代社會中也是必不可少的兩類飛機。微多普勒效應為雷達目標識別提供了新途徑，同時也是現有雷達目標識別方法的有力補充。文章通過控制變量法，分析兩類飛機的識別率是否受脈沖重復頻率和駐留時間的影響。并且基于實測數據對其進行了驗證。

關鍵詞：兩類飛機；微多普勒；特征提取；控制變量法

中圖分類號：TN957 文獻標志碼：A 文章編號：2095-2945（2018）33-0077-02

Abstract： Radar target recognition is an extension of radar detection function， and it has become more and more important in modern warfare. Helicopter and propeller aircraft in modern society is also essential to the two types of aircraft. Micro-Doppler effect provides a new way for radar target recognition， and it is also a powerful supplement to the existing methods of radar target recognition. In this paper， the control variable method is used to analyze whether the recognition rate of the two types of aircraft is affected by the Pulse Repetition Frequency （PRF） and residence time， and it is verified based on the measured data.

Keywords： two types of aircraft； Micro-Doppler； feature extraction； control variable method

1 概述

雷達是利用電磁波反射技術檢測目標的參數以及目標所在的位置，從而能夠準確判斷目標的位置，以便更熟悉掌握戰場態勢。所以雷達技術成為現代軍事戰場上不可或缺的一部分。但是隨著科技的發展速度越來越快，現在戰爭對雷達的技術要求也越來越高，僅僅只能判斷目標的位置等信息已經不能滿足現代戰爭的要求，必須進一步掌握目標點的確切信息，因而雷達目標識別從此誕生。目標識別技術是雷達通過測量目標回波所反映目標表面物理參數，通過各個目標表面參數不同，從而對目標進行分類和識別[2]。

目標識別實質上就是使用機器學習的理論知識，然后結合雷達信號處理的理論，通過對目標回波的物理參數進行特征提取，從而對目標進行區分。

2 基于微多普勒的特征提取

該論文選取的是羅賓遜R44直升機和賽斯納172螺旋槳飛機兩種飛機進行實驗，通過對兩類飛機回波數據進行采集并且通過預處理后提取出兩種飛機頻譜所反映的不同特征。圖1為兩類飛機的頻譜圖。

在多普勒譜X=[X（1），X（2），...，X（N）]，設X（n）出現的概率為P（n）：

P（n）=，n=1，2，...，N

特征1：頻域幅度方差

通過對兩類飛機頻譜的判斷，兩類飛機頻譜幅度的波動不同，故兩類飛機頻域幅度方差可作為區分兩類飛機的有效特征之一。頻域幅度方差為：

其中：

？滓=（|X（n）|-mX）2其中：mx=|X（n）|

特征2：二階中心矩

從圖1可以看出，兩類飛機多普勒維的形狀信息反映不同，而二階矩是一種旋轉、平移和尺度不變特征，故二階矩也可以作為區分兩類飛機的有效特征。二階矩表示為：

？滋2（n-n0）2P（n）

特征3：波形熵

波形熵是用來描述信源的平均不確定性，波形熵的值越小代表頻域能量越集中。從圖1可以看出，波形熵也可作為區分兩類飛機有效特征之一。頻域波形熵定義為：

Ex=-P（n）lnP（n）

3 仿真結果

3.1 兩類飛機的分類

將羅賓遜R44直升機和賽斯納172螺旋槳飛機的數據進行選取，羅賓遜R44飛機選取了500個樣本，賽斯納172螺旋槳飛機也選取了500個樣本，將兩種數據進行組合后的1000個樣本隨機抽取800個樣本作為訓練樣本，剩余的200個樣本作為測試樣本，將訓練樣本通過SVM的訓練，對測試樣本進行識別。

3.2 雷達參數對識別率的影響

重頻過低會導致速度模糊，而駐留時間過低會導致分辨率過低，所以本文以控制變量法更形象的說明識別率受這兩個因素的影響[5]。

（1）重頻對識別率的影響

保持駐留時間為45.1ms。

（1a）脈沖重復周期為26.4ms

從圖2可以看出，當脈沖重復周期為26.4ms時，兩類飛機的特征基本能全部分出來，平均識別率為96.83%。

（1b）脈沖重復周期為105.6ms

當脈沖重復周期繼續為原來4倍，此時已經有多個點不能通過最優面區分，經過多次實驗的結果，平均識別率為75.08%。

（2）駐留時間

保留脈沖重復周期105.6ms。

（2a）駐留時間為22.5ms。上述所取的駐留時間都為45.1ms，即可看出圖3中混疊的點數較多，而此時利用SVM計算識別率降低到60.25%。

（2b）駐留時間為90.1ms。當駐留時間增大到90.1ms時，識別率有所提高，經統計該分辨率為81.75%。

（3）統計圖如圖4

圖4可以看出重頻越大，識別率越高。而在5Hz-20Hz的重頻下，識別率隨重頻提高呈快速增長，而重頻大于20Hz過后，識別率隨重頻的增大而幾乎趨于穩定。而對于不同駐留時間，駐留時間過小會導致雷達分辨率過低而使識別率下降，當駐留時間增大，則會提高分辨率。通過控制變量法，根據識別率隨重頻和駐留時間的變化規律，可以選擇適當重頻和駐留時間對數據進行采集，而避免不必要的資源浪費。

4 結束語

本文通過控制變量法研究雷達參數對識別率的影響。實測數據表明所提取特征有效。本方法對戰斗中區分目標的機型以便與做出正確判斷有一定應用背景。本文還根據雷達參數變化來對識別率進行研究，所以雷達參數對分類效果有一定影響，我們在以后的工作中會對雷達的參數與識別率關系進行更深的研究。

參考文獻：

[1]丁鷺飛，耿富錄.雷達原理[M].西安：西安電子科技大學出版社，2002.

[2]王龍.人工神經網絡在雷達目標識別中的應用[D].太原：中北大學，2015.

[3]陳伯孝.現代雷達系統分析與設計[M].西安：西安電子科技大學出版社，2012.

[4]MarkA.Richards.雷達信號處理基礎（第二版）[M].西安：西安電子科技大學出版社，2012.

[5]陳尹翔.基于微多普勒的飛機目標分類識別技術[D].西安電子工程研究所，2017，3.

[6]趙彥斌.基于多特征融合和特征排序的飛機識別方法[J]，現代工業經濟和信息化，2015，7（8）：42-44.