基于广义匹配滤波的飞机目标杂噪稳健分类方法
【专利摘要】本发明属于雷达目标分类识别【技术领域】，特别涉及基于广义匹配滤波的飞机目标杂噪稳健分类方法。该基于广义匹配滤波的飞机目标杂噪稳健分类方法包括以下步骤：S1：利用雷达接收实测数据，针对接收到的实测数据，执行步骤S2至步骤S5；S2：得出飞机目标回波样本的自相关矩阵；S3：得出广义匹配滤波的白化矩阵；S4：得出飞机目标回波样本在滤除杂波和噪声后的自相关矩阵；S5：得出实测数据的3维特征谱散布特征；S6：得出训练数据特征矩阵；利用训练数据特征矩阵训练支撑向量机分类器；S7：利用训练完成的支撑向量机分类器对实测数据的3维特征谱散布特征进行分类。
【专利说明】基于广义匹配滤波的飞机目标杂噪稳健分类方法
【技术领域】
[0001]本发明属于雷达目标分类识别【技术领域】，特别涉及基于广义匹配滤波的飞机目标杂噪稳健分类方法，可对空中飞机目标进行分类识别。
【背景技术】
[0002]物体运动时，除了自身平动，其上某些部件通常还存在着转动，振动等微运动，例如车辆行驶过程中车轮的转动，直升机飞行时桨叶的转动。美国海军实验室的研究人员将由这类微运动在雷达回波中产生的多普勒调制现象命名为微多普勒效应。JEMCJet EngineModulation)现象是微多普勒效应在飞机目标领域的表现形式，即当雷达发射的电磁数据照射到行驶中飞机目标上的旋转桨叶时，回波将受到桨叶的调制，这种调制与桨叶尺寸，桨叶转速以及桨叶姿态有关。因此对于不同的飞机，这种调制是不同的。现阶段JEM效应被广泛应用于空中三类飞机目标(直升机，螺旋桨飞机和喷气式飞机)的分类和识别领域中。
[0003]复杂环境下空中目标的雷达回波中通常含有大量干扰成分，一部分干扰由静止的地物杂波产生，这部分回波在多普勒域会出现在零频处；另一部分干扰成分来源于气象杂波(云雨等)，通常云雨块会以一定的平均速度运动，基于多普勒效应，这部分回波在多普勒谱中存在一定的多普勒偏移，偏移的大小正比于相对于雷达视线的径向速度，反比于雷达波长，同时由于云雨块内部运动速度不一致，因此气象杂波在多普勒偏移的基础上还具有一定的多普勒带宽。同时，目标回波数据中不可避免的混杂着雷达接收机热噪声。上述的地杂波，云雨杂波和噪声不仅不含目标信息，反而会对飞机目标的JEM调制产生干扰，降低现有基于JEM调制的空中飞机目标分类方法的分类性能，因此在进行特征提取前应首先对这些干扰和噪声进行抑制。
[0004]在雷达数据处理领域，现有的杂波抑制方法主要有动目标显示(MTI )，CLEAN和广义匹配滤波器(GMF)三类，三种杂波抑制方法各有其特点:MTI方法实现简单，运算量小，可以用来去除零频的地杂波，但MTI的非线性调制特性会对目标回波产生影响；CLEAN方法在去除特定频率范围内的杂波分量的同时可以很好的保留目标信息，但是这种方法需要杂波带宽的先验知识；有人提出一种基于广义匹配滤波的杂波抑制方法，适用于去除静止的地物杂波，不需要杂波带宽的先验信息，而且对目标信息影响较小。然而，广义匹配滤波过程中所涉及矩阵运算的运算复杂度和运算量对系统有较高的要求，实现起来困难较大。同时，上述方法只是单纯的实现杂波抑制，并没有考虑雷达回波中包含的噪声分量。
【发明内容】
[0005]本发明的目的在于提出基于广义匹配滤波的飞机目标杂噪稳健分类方法。本发明一方面通过矩阵运算将杂波自相关矩阵维度降低，降低现有广义匹配滤波杂波抑制方法的运算量和运算复杂度；另一方面，通过估计回波中噪声功率，对数据特征谱进行修正，提升特征谱特征在低信噪比条件下的分类性能。
[0006]为实现上述技术目的，本发明采用如下技术方案予以实现。[0007]基于广义匹配滤波的飞机目标杂噪稳健分类方法包括以下步骤:
[0008]S1:利用雷达接收实测数据，雷达接收的实测数据包括飞机目标的回波数据、杂波的回波数据和噪声数据；针对雷达接收的实测数据，执行步骤S2至步骤S5 ；
[0009]S2:在雷达接收的实测数据中，选取飞机目标所在距离单元的回波数据作为飞机目标回波样本；得出飞机目标回波样本的自相关矩阵；
[0010]S3:在雷达接收到的实测数据中筛选出杂波样本，根据杂波样本得出广义匹配滤波的白化矩阵；
[0011]S4:根据杂波样本，估计出实测数据的噪声时域平均功率；根据实测数据的噪声时域平均功率、以及广义匹配滤波的白化矩阵，得出飞机目标回波样本在滤除杂波和噪声后的自相关矩阵；
[0012]S5:针对飞机目标回波样本在滤除杂波和噪声后的自相关矩阵，作特征值分解，根据特征值分解的结果，得出实测数据的3维特征谱散布特征；
[0013]S6:获取飞机目标的时域回波数据的多组训练数据；按照得出实测数据的3维特征谱散布特征的过程，得出每组训练数据的3维特征谱散布特征；利用各组训练数据的3维特征谱散布特征构成训练数据特征矩阵；利用训练数据特征矩阵训练支撑向量机分类器；
[0014]S7:利用训练完成的支撑向量机分类器对实测数据的3维特征谱散布特征进行分类，得出飞机目标的分类结果。
[0015]本发明的特点和进一步改进在于:
[0016]在步骤S2中，雷达接收到的实测数据表示为X，在X中选取飞机目标所在距离单元的回波数据作为飞机目标回波样本，飞机目标回波样本表示为％，对％进行步长为1、窗长
^1^/2}的滑窗处理,N表示飞机目标回波样本Xn的数据长度,[_._!表示向下取整经第
k次滑窗处理后的数据表示为Xk ;则Xn的自相关矩阵Rx为:
[0017]
【权利要求】
1.基于广义匹配滤波的飞机目标杂噪稳健分类方法，其特征在于，包括以下步骤: S1:利用雷达接收实测数据，雷达接收的实测数据包括飞机目标的回波数据、杂波的回波数据和噪声数据；针对雷达接收的实测数据，执行步骤S2至步骤S5 ； S2:在雷达接收的实测数据中，选取飞机目标所在距离单元的回波数据作为飞机目标回波样本；得出飞机目标回波样本的自相关矩阵； S3:在雷达接收到的实测数据中筛选出杂波样本，根据杂波样本得出广义匹配滤波的白化矩阵； 54:根据杂波样本，估计出实测数据的噪声时域平均功率；根据实测数据的噪声时域平均功率、以及广义匹配滤波的白化矩阵，得出飞机目标回波样本在滤除杂波和噪声后的自相关矩阵； S5:针对飞机目标回波样本在滤除杂波和噪声后的自相关矩阵，作特征值分解，根据特征值分解的结果，得出实测数据的3维特征谱散布特征； S6:获取飞机目标的回波数据的多组训练数据；按照得出实测数据的3维特征谱散布特征的过程，得出每组训练数据的3维特征谱散布特征；利用各组训练数据的3维特征谱散布特征构成训练数据特征矩阵；利用训练数据特征矩阵训练支撑向量机分类器； S7:利用训练完成的支撑向量机分类器对实测数据的3维特征谱散布特征进行分类，得出飞机目标的分类结果。
2.如权利要求1所述的基于广义匹配滤波的飞机目标杂噪稳健分类方法，其特征在于，在步骤S2中，雷达接收到的实测数据表示为X，在X中选取飞机目标所在距离单元的回波数据作为飞机目标回波样本，飞机目标回波样本表示为xN，对xN进行步长为1、窗长为[N / 2J的滑窗处理，N表示飞机目标回波样本χΝ的数据长度，U表示向下取整；xN经第k次滑窗处理后的数据表示为Xk ;则Xn的自相关矩阵Rx为:
3.如权利要求2所述的基于广义匹配滤波的飞机目标杂噪稳健分类方法，其特征在于，在步骤S3中，在雷达接收到的实测数据X中，选取与飞机目标所在距离单元相距5至8个距离单元的时域回波数据，将其组合形成杂波样本^?;对^进行步长为1、窗长为IN/2]的滑窗处理,N表示飞机目标回波样本xN的数据长度；Sm经第q次滑窗处理后的数据表示为Cq ,然后，得出杂波自相关矩阵Rc的估计值
4.如权利要求3所述的基于广义匹配滤波的飞机目标杂噪稳健分类方法，其特征在于，在步骤S4中，估计出的实测数据的噪声时域平均功率表示为ο2 ; 则飞机目标回波样本在滤除杂波和噪声后的自相关矩阵Rs为:
5.如权利要求4所述的基于广义匹配滤波的飞机目标杂噪稳健分类方法，其特征在于，在步骤S5中，对于实测数据，飞机目标回波样本在滤除杂波和噪声后的自相关矩阵表示为Rs ； 对Rs作特征值分解，得出Rs的/ 2J个特征值；在Rs的[_i￥ / 2」个特征值中，将小于O的特征值替换为0，得出Rs的|_况/2_|个修正后的特征值，Rs的|_iV/2_|个修正后的特征值分别表示为λ i至^^/2」；得出实测数据对应的第一维特征谱散布特征、实测数据对应的第二维特征谱散布特征f2、以及实测数据对应的第三维特征谱散布特征f3;其中，fi为:
【文档编号】G01S7/36GK103885043SQ201410128512
【公开日】2014年6月25日 申请日期:2014年3月31日 优先权日:2014年3月31日
【发明者】杜兰, 王宝帅, 李晓峰, 刘宏伟, 纠博, 王鹏辉 申请人:西安电子科技大学