[发明专利]基于经验模态分解特征库的拖引干扰子类型识别方法

摘要

本发明公开了一种基于经验模态分解特征库的拖引干扰子类型识别方法，包括以下步骤(1)将已知雷达回波信号分为四类，并进行S4次蒙特卡洛实验，得到S4次蒙特卡洛实验中，S1个干噪比下的四类一维训练数据，对其进行预处理和经验模态分解，得到本征模函数集；(2)从每个本征模函数集中选取前S3个本征模函数，提取四类特征频域矩偏度、噪声因子、噪声因子、能量比重，并选择出典型特征值，建立典型特征库；(3)雷达接收回波测试数据，并将其进行预处理和经验模态分解，得到一维测试数据的m′个本征模函数，选择其中第一个本征模函数提取出四类特征值，组成一维测试特征向量；(4)将一维测试特征向量与典型特征库内数据进行匹配，识别拖引干扰子类型。

主权项

一种基于经验模态分解特征库的拖引干扰子类型识别方法，其特征在于，包括以下步骤：步骤1，针对拖引干扰和目标信号混合的情况，将已知的雷达回波信号分为四类：第一类雷达回波信号为目标信号；第二类雷达回波信号为距离拖引干扰与目标信号的混合信号；第三类雷达回波信号为速度拖引干扰与目标信号的混合信号；第四类雷达回波信号为距离‑速度同步拖引干扰与目标信号的混合信号；再对已知的雷达回波信号进行S4次蒙特卡洛实验；在每一次蒙特卡洛试验中，均提取S1个不同干噪比下，相同数目的上述四类雷达回波信号的有效回波数据，得到该次蒙特卡洛实验中，S1个不同干噪比下的四类一维训练数据；步骤2，将步骤1得到的S4次蒙特卡洛实验中，S1个不同干噪比下的四类一维训练数据，经过幅度归一化预处理，再进行经验模态分解，得到S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据对应的本征模函数集；步骤3，根据步骤2得到的S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维数据对应的本征模函数集；从每个本征模函数集中选取前S3个本征模函数；分别从S3个本征模函数中提取出四类特征：频域矩偏度α、噪声因子A1、噪声因子A2、能量比重ER；步骤4，根据步骤3得到的S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据中对应的前S3个本征模函数中提取出的四类特征，选择出S4次蒙特卡洛实验中，S1个不同干噪比下幅度归一化后的四类一维训练数据对应的四类特征的典型特征值；步骤5，根据步骤4所得的S4次蒙特卡洛实验中，S3个不同干噪比下幅度归一化后的四类一维训练数据对应的四类特征的典型特征值，建立四类雷达回波信号的典型特征库；其中，所述步骤5的具体子步骤为：5.1计算S4＝500次蒙特卡洛实验在第1个干噪比下幅度归一化后的第一类一维训练数据对应的四类特征的典型特征值的均值，即第一组均值其中，第一个下标1表示第1个干噪比；第二个下标1表示第一类雷达回波信号；依次计算S4＝500次蒙特卡洛实验在第2‑6个干噪比下幅度归一化后的第一类一维训练数据对应的四类特征的典型特征值的均值；将得到的6组均值分别组合为6个一维典型特征向量，作为典型特征库的第1到第6行典型特征向量；并设定典型特征库的第1到第6行典型特征向量的类标号均为“1”，对应于第一类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即s1＝1...S1；5.2计算S4＝500次蒙特卡洛实验中，6个不同干噪比下幅度归一化后的第二、三、四类一维训练数据对应的四类特征的典型特征值的均值；将得到的18组均值分别组合为18个一维典型特征向量，作为典型特征库的第7到第24行典型特征向量；设定典型特征库的第7到第12行典型特征向量的类标号均为“2”，对应于第二类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即s1＝1...S1；设定典型特征库的第13到第18行典型特征向量的类标号均为“3”，对应于第三类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即s1＝1...S1；设定典型特征库的第19到第24行典型特征向量的类标号均为“4”，对应于第四类雷达回波信号在6个不同干噪比下的四类特征的典型特征值的均值，即s1＝1...S1；步骤6，雷达接收干噪比在给定范围内的回波测试数据，将该回波测试数据进行幅度归一化预处理，得到幅度归一化后的一维测试数据；步骤7，将步骤6得到的幅度归一化后的一维测试数据进行经验模态分解，得到一维测试数据的m′个本征模函数；步骤8，从步骤7得到的一维测试数据的m′个本征模函数的第一个本征模函数中提取四类特征，即频域矩偏度α′、噪声因子A1′、噪声因子A2′、能量比重ER′，将得到的四个特征值组成一维测试特征向量；步骤9，将步骤8得到的一维测试特征向量与典型特征库内的数据进行数据信息匹配，识别出回波测试数据的信号类别，即识别出拖引干扰子类型。