[发明专利]一种基于EEMD的车辆微动信号提取及分类方法

摘要

本发明公开了一种基于EEMD的车辆微动信号提取及分类方法。传统的模式识别方法无法满足在复杂环境，运动模式复杂情况下的精确分类。本发明首先利用EEMD将原始信号分解，由于轮式车辆与履带式车辆两者的微多普勒调制存在明显的差异，为了进一步确定分解后的各个本征模函数对应的是那一部分信号，对其进行相关性分析，也进一步的验证了EEMD分解的有效性。通过提取了四种特征，分别为IMF1高频段的信号强度，各个IMF之间的离散度，IMF1高频段的波动程度，IMF2车身主体部分的幅度极大值。最后采用支持向量机进行目标分类识别。本发明所提供的算法提高了车辆的识别率且对不同运动状态具有稳健性。

主权项

1.一种基于EEMD的车辆微动信号提取及分类方法，其特征在于该方法包括以下步骤：步骤(1)、对SAR场景下已知轮式车辆和履带式车辆的回波信号分别进行建模仿真，基于仿真得到多组单通道下两种车辆的回波信号，作为训练样本；步骤(2)、对上述每组回波信号进行EEMD分解2.1给回波信号添加一组均匀的高斯白噪声，产生新的信号；2.2对上述步骤2.1得到新信号进行EMD分解，得到若干本征模函数和一个余项；新信号X(t)具体可表示为：其中xj为第j个本征模函数，rn为EMD分解到最后剩下的余项；2.3继续给回波信号添加均匀白噪声，重复2.1～2.2，最后得到多个IMF和余项，新信号Xi(t)具体表示如下：其中xij表示第i次迭代时经过EMD分解后产生的第j个本征模函数，rin表示第i次迭代时经过EMD分解后产生的余项；2.4对步骤2.3所有迭代产生的第j个本征模函数和余项各自取均值，得到最终的第j个本征模函数和余项，具体表示如下：其中N为迭代次数；2.5对步骤2.4处理后得到的本征模函数进行Hibert变换，求出瞬时频率和瞬时幅值，从而得到原始信号完整的频谱图和时频图；步骤(3)、本征模函数相关性判别将EEMD分解后所得到的本征模函数分别与对应车辆的车身信号以及微动信号做相关性分析，具体的计算公式如下：式中λ_j表示第j个IMF分量与车身信号或者微动信号S的相关系数，表示第j个IMF分量信号序列中的第k个元素，表示对应车辆的车身信号或者微动信号的均值；由此可判断轮式车辆的车身信号主要集中在前两个本征模函数中，微动信号几乎不存在；履带式车辆微动信号较为均匀的分布在前4个本征模函数中，其中IMF2与IMF3存在车身信号，而IMF1主要是微动信号；步骤(4)、根据步骤(3)判断出轮式车辆与履带式车辆的车身信号与微动信号的存在形式不同，进行特征提取；步骤(5)、测试样本分类5.1对SAR场景下目标车辆的回波信号进行建模仿真，基于仿真得到单通道下回波信号，作为测试数据；5.2首先按照步骤(2)进行EEMD分解得到多个本征模函数根据步骤(4)得到特征值，然后采用支持向量机，将测试样本进行分类，从而判断出该测试样本属于哪一类车辆。