【技术实现步骤摘要】
基于信噪比匹配与回波增强的雷达目标噪声稳健识别方法
本专利技术属于雷达
，更进一步涉及雷达自动目标识别RATR
中的一种基于信噪比匹配与回波增强的雷达目标噪声稳健识别方法。本专利技术可以在低信噪比场景下，对空中、地面运动的不同目标进行实时识别。
技术介绍
实际军事对战中，雷达目标回波中总是不可避免的含有噪声，尤其对于战场环境中远距离的非合作目标，采集到的目标回波的信噪比通常较低。而由于目标微动分量在总能量中只占小部分，所以微动分量容易被噪声淹没。而通常情况下，训练样本是由合作目标录取或仿真生成，信噪比很高，噪声基本可以忽略不计，而实际测试样本信噪比很低，不能忽略噪声分量。训练样本与测试样本信噪比失配导致目标识别方法性能恶化，甚至失去识别能力。杭州电子科技大学在其申请的专利文献“基于深度卷积神经网络的雷达一维距离像目标识别方法”(专利申请号：CN201810806078.0，申请公布号：CN109086700A)中提出了一种雷达一维距离像目标识别方法。该方法的具体步骤是：第一步：采集数据集，对采集到的数据进行预处理，从预处理后的数据中提取特征，设立阈值将采集到的雷达HRRP信号分成低信噪比和高信噪比样本两个部分；第二步：构建基于稳健玻尔兹曼的特征增强算法；第三步：构建基于卷积神经网络和基于LSTM的双向循环神经网络的HRRP目标识别模型；第四步：使用梯度下降算法对构建的网络模型的参数进行微调，得到有效的目标识别模型。该方法具有一定的小样本稳健性和噪声稳健性，但是该方法仍然存在不足之处是：该方法利用设...
【技术保护点】
1.一种基于信噪比匹配与回波增强的雷达目标噪声稳健识别方法，其特征在于，利用待识别目标回波信号的信噪比信息进行模板匹配，利用正交匹配跟踪OMP方法对待识别目标的回波进行回波增强，该方法的步骤包括如下：/n(1)生成加噪数据集：/n(1a)提取D个类别目标的P个雷达回波信号，D≥3，P≥2400；/n(1b)利用区域CLEAN方法，对每个回波信号进行杂波抑制；/n(1c)利用全域CLEAN方法，从每个杂波抑制后的回波信号中分离出微动分量回波信号，将所有微动分量回波信号组成微动目标数据集；/n(1d)对微动目标数据集中的每一个回波信号独立添加30次高斯噪声，得到30组加噪数据集，第i组加噪数据集中每个回波信号的信噪比均为-10+i，1≤i≤30；/n(2)利用信噪比信息进行模板匹配：/n(2a)将实时连续接收的F个待识别目标回波信号组成测试集，F≥1，估计测试集中每个回波信号的信噪比；/n(2b)利用下式，计算测试集中所有回波信号信噪比的众数
【技术特征摘要】
1.一种基于信噪比匹配与回波增强的雷达目标噪声稳健识别方法，其特征在于，利用待识别目标回波信号的信噪比信息进行模板匹配，利用正交匹配跟踪OMP方法对待识别目标的回波进行回波增强，该方法的步骤包括如下：
(1)生成加噪数据集：
(1a)提取D个类别目标的P个雷达回波信号，D≥3，P≥2400；
(1b)利用区域CLEAN方法，对每个回波信号进行杂波抑制；
(1c)利用全域CLEAN方法，从每个杂波抑制后的回波信号中分离出微动分量回波信号，将所有微动分量回波信号组成微动目标数据集；
(1d)对微动目标数据集中的每一个回波信号独立添加30次高斯噪声，得到30组加噪数据集，第i组加噪数据集中每个回波信号的信噪比均为-10+i，1≤i≤30；
(2)利用信噪比信息进行模板匹配：
(2a)将实时连续接收的F个待识别目标回波信号组成测试集，F≥1，估计测试集中每个回波信号的信噪比；
(2b)利用下式，计算测试集中所有回波信号信噪比的众数
其中，Mode(·)表示取众数操作，round(·)表示取四舍五入操作，SNRη表示测试集中的第η个回波信号的信噪比，1≤η≤F；
(2c)在30组加噪数据集中选择回波信号的信噪比等于的加噪训练数据集；利用正交匹配跟踪OMP方法，对该加噪数据集中每个回波信号进行回波增强处理，得到训练集；
(3)生成训练特征矩阵：
(3a)对训练集中每个回波信号，进行快速傅里叶变换，得到训练集的每个多普勒域回波信号；
(3b)对每个多普勒域回波信号进行幅值归一化；
(3c)对每个幅值归一化后的多普勒域回波信号分别提取频域二阶矩、四阶矩、频域波形熵和频域幅值方差特征；
(3d)将训练集中所有信号的频域二阶矩、四阶矩、频域波形熵和频域幅值方差特征组成N×4维的训练样本特征矩阵，其中N的取值与训练数据集的样本总数P相等；
(3e)对训练样本特征矩阵归一化，得到训练特征矩阵；
(4)训练SVM分类器：
选用SVM分类器并将其核函数设置为高斯核函数，将训练样本特征矩阵输入到SVM分类器中训练，得到训练好的SVM分类器；
(5)对测试集进行预处理：
(5a)利用区域CLEAN方法，对测试集中的每个回波信号进行杂波抑制；
(5b)利用全域CLEAN方法，去除杂波抑制后的测试集中每个回波信号中的主体分量；
(5c)对去除主体分量后的测试集中每个回波信号的幅度进行模二范数归一化处理；
(5d)利用正交匹配跟踪OMP方法，对归一化后的测试集中的回波信号进行回波增强处理；
(6)生成测试特征矩阵：
(6a)对测试集中每个回波信号，进行快速傅里叶变换，得到测试集的每个多普勒域回波信号；
(6b)对每个多普勒域回波信号进行幅值归一化；
(6c)对每个幅值归一化后的多普勒域回波信号分别提取频域二阶矩、四阶矩、频域波形熵和频域幅值方差特征；
(6d)将测试集中所有信号的频域二阶矩、四阶矩、频域波形熵和频域幅值方差特征组成M×4维的测试样本特征矩阵，其中M的取值与训练数据集的样本总数F相等；
(6e)对测试样本特征矩阵进行归一化，得到测试特征矩阵；
(7)目标识别：
将测试特征矩阵输入训练好的SVM分类器中，得到识别结果。
2.根据权利要求1所述的基于信噪比匹配与回波增强的雷达目标噪声稳健识别方法中，其特征在于，步骤(1b)、步骤(5a)中所述区域CLEAN方法的具体步骤如下：
第一步，根据雷达工作参数，估计雷达回波中地杂波能量；
第二步，对每一个回波信号做离散傅里叶变换，获得该回波信号的多普勒谱，将多普勒谱的零频附近的区域作为杂波区域，所述零频附近的区域由杂波的类型确定；
第三步，按照下式，对每一个回波信号中的杂波区域中最大多普勒幅度对应的时域信号进行重构：
其中，Ci(t)表示第i个回波信号中杂波区域中最大多普勒幅度对应的时域信号重构后的时域信号在t时刻的信号幅度，Yi表示在第i个回波信号的多普勒谱的杂波区域的最大多普勒幅度，K表示离散傅里叶变换的点数，exp表示以自然常数e为底的指数操作，j表示虚数单位符号，π表示圆周率，ξi表示Yi对应的多普勒频率，表示Yi对应的相位；
第四步，用每一个回波信号减去重构后的时域信号，得到该回波处理后的信号；
第五步，计算每一个处理后的回波信号在杂波区域的能量；
第六步，判断每一个处理后的回波信号在杂波区域的能量是否小于地杂波能量，若是，得到该杂波抑制后的回波信号；否则，执行第二步。
3.根据权利要求2所述的基于信噪比匹配与回波增强的雷达目标噪声稳健识别方法中，其特征在于，步骤(1c)、步骤(5b)中所述全域CLEAN方法的具体步骤如下：
第一步，对每一个回波信号做离散傅里叶变换，获得该回波信号的多普勒谱；
第二步，按照下式，对每一个回波信号中的主体分量对应的时域信号进行重构：
其中，Bodyi(t)表示对第i个回波信号中主体分量回波信号进行重构后的主体分量回波信号在t时刻的信号幅度，Ri表示在第i个回波信号的多普勒谱中的最大多普勒幅度，fi表示Ri对应的多普勒频率，θi表示Ri对应的相位；
第三步，用每一个杂波抑制后的回波信号减去重构后的时域信号，得到去除主体分量后的回波信号。
4.根据权利要求1所述的基于信噪比匹配与回波增强的雷达目标噪声稳健识别方法，其特征在于，步骤(2c)中所述的正交匹配跟踪OMP方法的步骤如下：
第一步，从加噪数据集中选取一个未选过的回波信号作为观测信号，估计观测信号的噪声能量；
第二步，选取与观测信号的波形特征对应的高斯函数，构造字典矩阵Φ；
第三步，令r0＝obs，得到初始化后的残差信号r，r0表示未迭代的残差信号，初始化候选支撑集Γ，令Γ0表示未迭代的候选支撑集，表示空集，初始化当前迭代次数iter，令iter＝1；
第四步，利用下式，计算待选取原子索引index，在字典矩阵Φ中选取与原子索引index对应的原子Φindex：
其中，G表示字典矩阵中总原子数目，<·，·>表示求向量内积运算，函数表示括号内值取最大时输出对应的下标操作，riter-1表示上一次迭代的残差信号；
第五步，利用下式，更新支撑集：
Γiter＝Γiter-1∪Φindex
其中，∪表示并运算，Γiter表示当前迭代的候选支撑集，Γiter-1表示上一次迭代的候选支撑集；
第六步，利用施密特正交化方法，对Φindex进行正交化处理；
第七步，利用下式，对观测信号进行分解，求解支撑集Γ...
【专利技术属性】
技术研发人员：王鹏辉，司景元，刘宏伟，丁军，陈婷，陈渤，纠博，邵帅，赵希宇，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。