[发明专利]一种无人机的多层雷达特征提取与选择方法

说明书

本发明公开了一种无人机的多层雷达特征提取与选择方法，包括如下步骤：S1，采用变分模态分解获取各个类型无人机目标本振模态函数；S2，计算本振模态函数的信息熵、频谱峰值和希尔伯特边际谱特征，得到第一层输出特征；S3，采用度量距离对第一层特输出征进行选择及数据降维得到第二层输出特征。

技术领域

本发明涉及雷达目标分类方法，特别涉及一种无人机的多层雷达特征提取与选择方法。

背景技术

无人机飞行本身存在一定安全隐患，并且利用无人机实施犯罪甚至是恐怖袭击的可能性，对公共安全带来巨大威胁。因此，高效、稳定识别不同类型无人机成为研究热点。但微小型无人机属于弱目标，易受到地海杂波、建筑与树木的干扰，影响了目标特征提取效率，使得目标识别准确率不高。利用实测弱目标训练样本，提取多特征来提高目标识别稳健性是较为常见的方法之一。

“一种基于雷达数据的轻小型无人机与飞鸟分类识别方法”(ZL201610896005.6)提出了一种基于雷达数据辨别轻小型无人机与飞鸟的方法。在多模假设框架下，采用标准卡尔曼滤波器处理雷达数据，得到目标的运动模式判断从而实现跟踪。将一段固定时间的目标运动模式变化次数，并将其当作特征，用于无人机与飞鸟分类识别。但该方法有效的假设条件为飞鸟目标的机动性高于轻小型无人机，但轻小无人机种类、型号众多，机动性各不相同。并且轻小型无人机技术的不断发展，操作人员技能的提升，无人机机动性能在不断提高。因此，该方法的漏检率较高。

“基于时域相关性特征的飞机目标分类方法”(ZL 201410446519.2)利用了雷达回波的幅度信息计算循环自相关函数与循环平均幅度差函数，并构造了峰值函数。用于区分三类飞机目标的特征为峰值函数的方差，熵，大于第一峰值门限的点数，第一个超越第二峰值门限的时域点与回波幅度方差和熵，组成维度为6的特征向量。最后利用支持向量机方法实现目标分类。该方法利用的回波信噪比达20dB,虽然说明书中没有对信杂比提出要求，但由于采用了幅值的统计信息，因此使用的目标回波质量较高。而本发明考虑了在杂波背景下、目标被遮挡时，无人机目标分类问题。

“一种逆合成孔径雷达空间目标分类方法及系统”(ZL201711129995.1)利用逆合成孔径雷达(ISAR)像中目标的强度信息与几何结构信息和散射点分布，实现目标分类。该方法综合了多种特征，对遮挡目标能保证目标分类的稳健性。但没有考虑杂波与噪声较大时的目标分类问题。

“用于低空多目标分类识别的雷达探测系统”(ZL 201711259256.4)对发明的低空探测雷达进行了全面叙述。重点描述了雷达硬件及信号流，而没有具体阐释目标识别模块，也并不针对无人机目标。

按照特征分类无人机目标分类方法主要有：

(1)多普勒信息分类

通常利用多普勒效应提取多普勒包络信号，进行频谱分析获取多普勒信息，能实时获取目标与雷达之间的相对速度、位置及航迹等运动特征信息，其中也包括了某些目标特有的局部微动信息，典型如旋翼的转动信息等。但易受到杂波影响。

(2)时频域变换分类

时频域变换识别可分为时域分析法、频域分析法、时频分析法和高阶统计分析方法等，该类方法均基于全局的时频域变换特征进行识别，没有很好利用目标局部显著特征信息，不能很好的解决小目标识别问题。经验模态分解方法(Empirical ModeDecomposition)，1998年由黄锷(N.E.Huang)等人提出的一种自适应的时频处理方法，该方法依据数据自身的时间尺度特征进行分解，无需先验的基函数，能通过模态分解提取微动多普勒特征，验证雷达弱目标识别原理。

(3)信息熵统计分类