[发明专利]基于局部均值分解的目标识别特征提取方法

说明书

技术领域

本发明属于雷达技术领域，涉及目标识别特征提取方法，可用于对飞机、车辆等目标进行识别。

背景技术

运动目标的主体会对雷达回波产生幅度、相位和频率等方面的调制。人们将这种调制现象称为多普勒调制。通常，运动目标上还往往存在一些相对于主体运动的微动部件，如飞机旋翼、涡扇发动机叶片、车轮等，这些微动部件也会对雷达回波产生多普勒调制。为了与目标主体的多普勒调制进行区分，人们将微动部件的多普勒调制称为微多普勒调制。不同目标微动部件的运动形式不同，因此在雷达回波中产生的微多普勒调制也存在差异，利用微多普勒调制差异对目标进行识别成为了目标识别领域的热点。

目标的雷达回波频谱中包含了丰富的微多普勒调制分量，当前主流的目标识别方法是直接从目标的雷达回波中计算波形熵等能描述目标微多普勒调制特性的数值作为识别特征。例如西安电子科技大学雷达信号处理国家重点实验室提出的在飞机类目标及空间锥体类目标的识别中，提取频域波形熵、频域二阶中心距等目标识别特征。

实际中，目标的雷达回波信号中也包含了目标本体的多普勒调制分量。该分量会对提取的识别特征产生较大扰动，降低不同目标识别特征的可分性。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于局部均值分解的目标识别特征提取方法，以降低目标本体产生的多普勒调制对特征提取的影响，提高识别性能。

为实现上述发明目的，本发明的技术方案包括如下：

1)对目标的时域回波信号S＝{s₁,s₂,...,s_k,...,s_N}进行局部均值分解，得到余量信号的和信号u以及L个单分量信号f_α，其中s_k为时域回波信号S第k点的值，k＝1,2,...,N，N为脉冲数，α＝1,2,...,L，L为单分量信号的个数；

2)定义第一单分量信号频谱：F₁＝|fft[f₁]|以及剩余单分量信号频谱：其中f₁为第一单分量信号，fft[·]代表快速傅立叶变换，|·|代表取模运算；

3)根据L个单分量信号f_α，以及定义的第一单分量信号频谱F₁、剩余单分量信号频谱F_r，提取如下四种目标识别特征：

第一单分量信号熵值：t1＝entropy[f₁]，式中entropy[·]代表取熵值运算；

第一单分量信号频谱熵值：t2＝entropy[F₁]；

第一单分量信号频谱与剩余单分量信号频谱的能量比：

t3＝energy[F_r]/energy[F₁]，式中energy[·]代表取能量运算；

第一单分量信号频谱与剩余单分量信号频谱的峰值比：t4＝max[F_r]/max[F₁]，式中max[·]代表取最大值运算。

附图说明

图1是本发明的流程图；

图2是用本发明对时域回波信号进行局部均值分解得到的结果的频谱示意图。

具体实施方式

参照图1，本发明的实现步骤如下：

步骤1，对输入的时域回波信号进行局部均值分解。

雷达接收到的时域回波信号为：S＝{s₁,s₂,...,s_k,...,s_N}，其中s_k为时域回波信号S第k点的值，k＝1,2,...,N，N为脉冲数，

对时域回波信号S进行局部均值分解，可采用现有的由Jonathan S.Smith提出的局部均值分解算法,其步骤如下：

1a)确定回波信号S所有的局部极值点n_i，i＝1,2,...,W，W为信号S的局部极值点个数，计算相邻两个局部极值点n_i和n_i+1的平均值m_i，即：将所有相邻的两个均值m_i用直线连接，并对连接后得到的曲线使用滑动平均算法进行平滑处理，得到局部均值函数m₁₁；