基于微多普勒效應(yīng)的空中飛機(jī)目標(biāo)分類研究.pdf

1、雷達(dá)照射到運(yùn)動(dòng)目標(biāo)時(shí)，回波的載頻會(huì)發(fā)生變化，這種現(xiàn)象稱為多普勒效應(yīng)。如果在平動(dòng)的同時(shí)，目標(biāo)或其上的組成部件還存在著振動(dòng)、轉(zhuǎn)動(dòng)等微運(yùn)動(dòng)，那么這些微運(yùn)動(dòng)會(huì)在目標(biāo)平動(dòng)分量引起的多普勒頻率兩側(cè)產(chǎn)生額外的多普勒調(diào)制，這種現(xiàn)象被稱為微多普勒效應(yīng)。微運(yùn)動(dòng)和對應(yīng)的微多普勒效應(yīng)是目標(biāo)幾何結(jié)構(gòu)和運(yùn)動(dòng)特性獨(dú)一無二的表現(xiàn)形式，可以用來提取關(guān)于目標(biāo)的細(xì)節(jié)特征。因此基于微多普勒效應(yīng)的雷達(dá)自動(dòng)目標(biāo)識別技術(shù)成為了一個(gè)具有廣闊應(yīng)用前景的研究領(lǐng)域。本論文針對實(shí)際過程中利用

2、微多普勒效應(yīng)實(shí)現(xiàn)窄帶雷達(dá)目標(biāo)識別時(shí)仍面臨的微多普勒特征提取，低信噪比條件下的目標(biāo)分類和短駐留時(shí)間情況下的目標(biāo)分類三方面問題進(jìn)行了深入的研究。主要研究內(nèi)容可以概括為以下四個(gè)方面：
　　1.對窄帶雷達(dá)典型目標(biāo)的微多普勒調(diào)制特性進(jìn)行了分析，具體的：(1)對于空中飛機(jī)目標(biāo)(噴氣式飛機(jī)，螺旋槳飛機(jī)和直升機(jī))，首先建立了飛機(jī)旋翼微多普勒運(yùn)動(dòng)的理論模型。在此基礎(chǔ)上，結(jié)合根據(jù)理論模型仿真產(chǎn)生的仿真數(shù)據(jù)和窄帶雷達(dá)錄取的實(shí)測數(shù)據(jù)分析了噴氣式飛機(jī)，螺旋

3、槳飛機(jī)和直升機(jī)三類目標(biāo)微多普勒調(diào)制特性的差異，分析表明利用微多普勒調(diào)制的差異來實(shí)現(xiàn)三類飛機(jī)目標(biāo)的分類是可行的；(2)對于地面運(yùn)動(dòng)目標(biāo)(單個(gè)行人，兩個(gè)行人和行駛中的車輛)，由于其運(yùn)動(dòng)形式的復(fù)雜性與多樣性，我們根據(jù)窄帶雷達(dá)實(shí)測數(shù)據(jù)從經(jīng)驗(yàn)上定性的對目標(biāo)的微多普勒調(diào)制特性進(jìn)行了分析，并比較了三類目標(biāo)微多普勒調(diào)制的差異。
　　2.研究了窄帶雷達(dá)體制下基于微多普勒效應(yīng)對噴氣式飛機(jī)，螺旋槳飛機(jī)和直升機(jī)的分類問題，具體的：(1)提出一種基于經(jīng)驗(yàn)?zāi)?/p>

4、態(tài)分解(Empirical Mode Decomposition, EMD)和CLEAN算法的微多普勒特征提取方法。該方法首先利用EMD算法對三類飛機(jī)目標(biāo)回波進(jìn)行分解，結(jié)果顯示利用EMD可以有效的將噴氣式飛機(jī)和直升機(jī)回波中的機(jī)身分量和微動(dòng)分量分離開，在EMD分解結(jié)果的基礎(chǔ)上，為了進(jìn)一步將螺旋槳飛機(jī)回波中的機(jī)身分量和微動(dòng)分量分離開，我們利用CLEAN方法對三類目標(biāo)回波進(jìn)行分析，從而將三類目標(biāo)回波中的機(jī)身分量和微動(dòng)分量徹底分離。在 EMD和

5、 CLEAN分解結(jié)果的基礎(chǔ)上我們提取五維反映不同目標(biāo)微動(dòng)特性差異的特征及反映不同目標(biāo)機(jī)身分量和微動(dòng)分量的比例特征實(shí)現(xiàn)了對三類飛機(jī)目標(biāo)的分類，基于仿真和實(shí)測數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，基于EMD-CLEAN的特征提取方法不僅可以獲得更好的分類性能，而且對雷達(dá)系統(tǒng)參數(shù)的要求更低；(2)針對目標(biāo)回波中微動(dòng)分量容易受到噪聲污染的問題，結(jié)合信號稀疏表示(Sparse Representation, SR)理論和CLEAN算法，我們提出一種 SR-CLEA

6、N方法實(shí)現(xiàn)了對目標(biāo)回波中噪聲分量的抑制，基于仿真和實(shí)測數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，所提SR-CLEAN方法可以明顯提升上述基于EMD-CLEAN分解所提微動(dòng)特征在低信噪比條件下的分類性能。
　　3.針對上述 SR-CLEAN噪聲抑制方法需要噪聲功率的先驗(yàn)信息的問題，我們在主成分分析(Principal Component Analysis, PCA)模型的基礎(chǔ)上提出了一種貝塔過程主成分分析(Beta Process Principal C

7、omponent Analysis, BP-PCA)模型實(shí)現(xiàn)對窄帶雷達(dá)錄取的目標(biāo)回波進(jìn)行噪聲抑制。該方法在PCA模型的基礎(chǔ)上，利用貝塔過程實(shí)現(xiàn)了主分量個(gè)數(shù)的自動(dòng)選擇即該方法可以自適應(yīng)的確定信號子空間的維度，進(jìn)而在所選擇的主分量張成的信號子空間中重構(gòu)信號實(shí)現(xiàn)噪聲抑制，同時(shí)不需要噪聲功率的先驗(yàn)信息。基于仿真數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明所提方法可以自適應(yīng)并且準(zhǔn)確的確定信號子空間的維度，基于實(shí)測數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明所提方法在實(shí)現(xiàn)噪聲抑制的同時(shí)對原信號幾乎不

8、產(chǎn)生影響。
　　4.針對短駐留時(shí)間情況下分類性能下降的問題，研究了存在樣本缺失情況下窄帶雷達(dá)信號重構(gòu)方法，具體的：(1)由于窄帶雷達(dá)體制下，目標(biāo)回波近似服從復(fù)高斯分布。在這一前提下，首先建立描述樣本缺失觀測信號與未知完整信號間關(guān)系的概率模型，然后根據(jù)貝葉斯準(zhǔn)則推導(dǎo)出在給定樣本缺失觀測信號條件下完整信號的后驗(yàn)分布，最后利用變分貝葉斯期望最大(Variational BayesianExpectationMaximization, V

9、BEM)算法得到模型中參數(shù)的最大似然估計(jì)，進(jìn)而得到完整信號的重構(gòu)；(2)在上述方法的基礎(chǔ)上，考慮到窄帶雷達(dá)數(shù)據(jù)并非散布于整個(gè)高維空間，而是聚集在某些低維子空間內(nèi)的情況，我們用因子分析(Factor Analysis, FA)模型對復(fù)高斯分布的協(xié)方差矩陣進(jìn)行低秩分解，提出一種基于自動(dòng)相關(guān)確定(Automatic Relevance Determination, ARD)先驗(yàn)的因子分析方法。該方法在降低模型自由度的同時(shí)減少了重構(gòu)過程中對觀測