基于微多普勒效应的微动目标特征提取方法技术

本发明专利技术提出一种基于微多普勒效应的微动目标特征提取方法，首先通过引入HHT到微动目标特征提取中，针对HHT在特征提取的模态混叠的问题，提出了基于降采样EMD的HHT算法，通过对原始信号的降采样后得到的多组数据进行加噪EMD分解并求和平均，从而有效解决了HHT在振动目标特征提取中的图谱模式混叠问题，不仅抑制了原始信号的噪声，提高信噪比，还降低了多组数据的EMD运算复杂度，大大减少运算量，提高运算速度，达到了比较好的微多普勒特征提取效果。在通过综合传统时频分析方法和改进的HHT算法的优势，提出了基于改进的HHT的微多普勒特征参数提取模型，在模型中通过加入谱图峰值估计法，对传统时频分析谱图中的分辨率问题进行了改进和改善，作为HHT特征提取的辅助手段，达到提高振动目标特征提取的准确性和实用性要求。

【技术实现步骤摘要】

本专利技术涉及一种微多普勒效应的微动目标特征提取方法，适用于非接触的目标检测和识别领域。
技术介绍
当探测器与被测目标间存在相对运动时便会产生多普勒频移，此现象称为多普勒效应。除相对运动外，目标自身还有其他运动如直升飞机螺旋桨的转动，轮船上旋转的雷达天线等小幅振动或转动。由自身的附加运动引起的信号频率的展宽现象，即微多普勒效应。表现在频谱上就是存在频谱旁瓣或展宽，这种旁瓣或展宽表征了微动目标本身特有的参数数据，如反映了目标的电磁特性、几何机构和运动特征，为目标特征提取和目标识别提供了新的途径。V.C.Chen对点散射体的振动和刚体目标的旋转所产生的微多普勒进行了微动建模、理论推导和仿真技术，给出了四种单一微动(振动、旋转、翻转和锥旋)的微多普勒时频特征，并从以下雷达实验数据中成功提取出相应的微多普勒时频特征。基于微多普勒效应的目标探测可以帮助人们完成复杂环境的判断和分析，为微动动目标的快速探测和精确识别提供有力保障。基于激光微多普勒效应的振动目标识别的前提是回波信号的特征参数的精确提取。在现在的微多普勒特征提取中，大部分使用的传统的时频分析方法，比如短时傅里叶变换、WVD、SPffVD等，这些时频分析方法存在时域和频域的分辨率问题或者核函数的选择问题，对于微多普勒的特征提取存在很大的缺陷，因此需要一种更好的微多普勒特征提取的方法，能够很好的对微多普勒特征参数进行提取。
技术实现思路
该专利技术的目的是克服传统时频分析方法在微多普勒特征提取中的不足，提出基于降采样EMD的希尔伯特黄变换(HHT)和峰图谱值的微多普勒特征提取模型。该专利技术首先通过引进HHT到微多普勒的特征中，HHT由EMD和Hibert变换两部分，由于EMD存在模式混叠问题，对其进行改进，得到基于降采样EMD的HHT。通过对微多普勒信号进行降采样，得到多种的微多普勒数据，然后分别多每组数据添加相应的高斯噪声和EMD变换，最后进行求和平均，得到微多普勒信号的本征模态函数(IMF)。再分别对本征模态函数(IMF)进行Hilbert谱分析以及传统时频变换加谱图峰图谱值估计，进而对微多普勒特征参数进行估计和提取。附图说明图1是本专利技术的基于降采样EMD的HHT和峰值谱图估计的微多普勒特征提取模型图 图2是本专利技术的改进的降采样EMD计算流程图。具体实施方式所述的基于改进的降采样EMD的HHT和峰值谱图估计的微多普勒特征提取方法描述如下: 输入:采集得到的微多普勒数据； 输出:基于微多普勒的振动目标的平动速度、微动幅值、微动频率等特征参数； 阶段1:(1)将原始振动目标微多普勒数据^( 进行降采样的EMD分解；(2)对得的多组MF进行整体平均，得到供阶段2处理的MF。阶段2: (1)将阶段I得到的MF分别进行Hilbert变换，求得相应的Hilbert时频谱； (2)对时频谱估算微动目标的平动速度、微动幅值、微动频率等特征参数； (3)将阶段I中的IMF进行传统时频变换(STFT、WVD、SPffVD等)，得到时频分布； (4)将相应时频分布图进行峰值谱图估计； (5)对峰图谱值估计图进行微动目标的平动速度、微动幅值、微动频率等特征参数，作为(2)的参数估计补充。 所述 的降采样EMD的算法描述如下: (1)降采样:对原始信号数据进行等间隔的降采样，可以得到I组具有较低采样率的数据； (2)加噪声:分别为每组较低采样率的数据添加一定强度的高斯白噪声/%40,且添加的白噪声互不相同；(3)EMD分解:对(2)中得到的添加有白噪声的丨个序列』Q的分别进行EMD分解，进而得到相应的IMF分量巧⑴； (4)求和平均:根据(3) EMD分解后的多组IMF，进行相应的求和，并得其平均值，计算结果作为原始信号的IMF分量。公式如下所示:权利要求1.一种，其特征在于该方法主要包括以下阶段和步骤: 阶段1:(1)将原始振动目标微多普勒数据辟)进行降采样的EMD分解； (2)对得的多组MF进行整体平均，得到供阶段2处理的MF； 阶段2: (1)将阶段I得到的頂F分别进行Hilbert变换，求得相应的Hilbert时频谱；(2)对时频谱估算微动目标的平动速度、微动幅值、微动频率等特征参数； (3)将阶段I中的IMF进行传统时频变换(STFT、WVD、SPffVD等)，得到时频分布；(4)将相应时频分布图进行峰值谱图估计；(5)对峰图谱值估计图进行微动目标的平动速度、微动幅值、微动频率等特征参数，作为(2)的参数估计补充。2.根据权利要求1所述的，其中降采样EMD算法其特征在于如下步骤:(O降采样:对原始信号数据I的进行等间隔的降采样，可以得到V组具有较 低采样率的数据；(2)加噪声:分别为每组较低采样率的数据添加一定强度的高斯白噪声〃，且添加的白噪声互不相同；(3)EMD分解:对(2)中得到的添加有白噪声的Jf个序列Xm⑴分别进行EMD分解，进而得到相应的IMF分量； (4)求和平均:根据(3)EMD分解后的多组IMF，进行相应的求和，并得其平均值，计算结果作为原始信号的IMF分量，公式如下所示:3.根据权利要求1所述的，其中所述的峰图谱值估计算法其特征在于如下描述: 谱图峰值估计法就 是利用瞬时频率能代表谱图峰值位置的特点，进行的目标瞬时频率提取，谱图峰值估计的公式如下所示:/ = arg j mas | W (^mr J J I <m< M 式中，为传统时频分析得到的时频变换数据，为IfxiV矩阵； 于是，可以得到微多普勒频率的表达式如下:S(战)一 J (桃)Jn其中表示目标平动的多普勒频移，可以得到一个IxAf的微多普勒频率矩阵表不，假设微多普勒信号的时长为t，于是对于时刻的微多普勒频率，可以根据对微多普勒频率矩阵求(取整)值，进而读取相应列的值就可以得到相应的微多普勒频率； 具体步骤如下:(I)根据时频分布矩阵，提取Z =时刻的对应取得最大值时的纵坐标值，得到的纵坐标值就是微多普勒频率值 ；全文摘要本专利技术提出一种，首先通过引入HHT到微动目标特征提取中，针对HHT在特征提取的模态混叠的问题，提出了基于降采样EMD的HHT算法，通过对原始信号的降采样后得到的多组数据进行加噪EMD分解并求和平均，从而有效解决了HHT在振动目标特征提取中的图谱模式混叠问题，不仅抑制了原始信号的噪声，提高信噪比，还降低了多组数据的EMD运算复杂度，大大减少运算量，提高运算速度，达到了比较好的微多普勒特征提取效果。在通过综合传统时频分析方法和改进的HHT算法的优势，提出了基于改进的HHT的微多普勒特征参数提取模型，在模型中通过加入谱图峰值估计法，对传统时频分析谱图中的分辨率问题进行了改进和改善，作为HHT特征提取的辅助手段，达到提高振动目标特征提取的准确性和实用性要求。文档编号G01S7/41GK103245937SQ20131019830公开日2013年8月14日 申请日期2013年5月27日 优先权日2013年5月27日专利技术者李智, 彭明金, 王强 申请人:四川大学本文档来自技高网...

【技术保护点】
一种基于微多普勒效应的微动目标特征提取方法，其特征在于该方法主要包括以下阶段和步骤：?????阶段1：????（1）将原始振动目标微多普勒数据????????????????????????????????????????????????进行降采样的EMD分解；????（2）对得的多组IMF进行整体平均，得到供阶段2处理的IMF；?????阶段2：?????（1）将阶段1得到的IMF分别进行Hilbert变换，求得相应的Hilbert时频谱；????（2）对时频谱估算微动目标的平动速度、微动幅值、微动频率等特征参数；????（3）将阶段1中的IMF进行传统时频变换（STFT、WVD、SPWVD等），得到时频分布；????（4）将相应时频分布图进行峰值谱图估计；????（5）对峰图谱值估计图进行微动目标的平动速度、微动幅值、微动频率等特征参数，作为（2）的参数估计补充。2013101983049100001dest_path_image001.jpg

【技术特征摘要】

【专利技术属性】
技术研发人员：李智，彭明金，王强，
申请(专利权)人：四川大学，
类型：发明
国别省市：