[发明专利]一种基于调频连续波雷达对无人机旋翼数目进行分类的方法

权利要求书

1.一种基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，该方法具体包括如下步骤：

S1：构建无人机旋翼回波时频图数据集；

S1.1：在调频连续波雷达下，计算无人机旋翼上任一散射点P的回波信号：

其中，t为全时间，t_k＝t-qT为快时间，q为整数，t_m＝qT为慢时间；R_p是所述的散射点与雷达的距离；T_p为脉宽，T为脉冲重复周期，T＝T_p；f_c是雷达发射信号频率；c是光速；μ为调频率；

S1.2：选择无人机中心O为参考点，计算O点参考信号回波：

其中，T_ref为参考信号的脉宽；参考距离R_ref是无人机中心O与雷达的距离；

S1.3：将O点参考信号回波和无人机旋翼上任一旋转散射点P的回波做解线频调处理，则散射点P的差频信号为：

其中，R_Δ为参考点O与旋转散射点P之间的距离差，计算公式如下：

其中，β是雷达观测俯仰角；l_p是散射点P的旋转半径；f_rm是无人机旋翼旋转频率；是第m个旋翼上第n片叶片的初始相位；R₀是无人机旋臂长；z₀是无人机距地面高度；θ_m代表第m个旋翼的机臂与相邻旋翼的机臂的角平分线与雷达视线形成的夹角；

S1.4：省略含有1/c²的项，在一个调频周期内，将散射点P的差频信号沿叶片进行积分，得到整个叶片的回波信号：

其中，L是旋翼长度；

S1.5：通过下式得到拥有N片叶片的M旋翼的无人机回波散射点积分模型s(t_k，t_m)：

S1.6对S1.5得到的回波信号经过时频分析，获得时频图TF；

S1.7对时频图TF进行对比度拉伸得到TF_c；

S1.8将TF_c调整为pi×pi的像素大小，每种旋翼数量生成Nu张时频图作为数据集；

S2：模型迁移；

将卷积神经网络的最后一层全连接层和分类层替换为新的全连接层和分类层，新层的预测输出数量等于数据集中旋翼种类数量；

S3：模型训练；

S3.1根据模型输入层的大小自动调整训练图像的大小；

S3.2设置必要的卷积神经网络参数，抽取部分数据集作为训练数据集训练卷积神经网络；

S4：模型分类；

在模型训练完成后，从数据集中抽取除训练数据集外的数据输入S3.2训练好的训练卷积神经网络，从而得到分类结果。

2.根据权利要求1所述的基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，所述的S1.2中第m个旋翼上第n片叶片的初始相位表示为：

其中，为该旋翼的初始相位，n为旋翼叶片编号，n＝1，2，...，N。

3.根据权利要求1所述的基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，所述的S1.2中第m个旋翼的机臂与相邻旋翼m+1的角平分线与雷达视线形成的夹角θ_m表示为：

θ_m＝γ+π(2m-1)/M

其中，m为旋翼编号，m＝1，2，...，M；γ表示第一个旋翼的机臂与相邻旋翼的机臂的角平分线与雷达视线形成的夹角；0≤γ≤π/M。

4.根据权利要求1所述的基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，所述的S1.6中时频分析采用短时傅立叶变换方法。

5.根据权利要求1所述的基于调频连续波雷达对无人机旋翼数目进行分类的方法，其特征在于，所述的S2中所述卷积神经网络为AlexNet。