[发明专利]前后向TVAR模型的目标微多普勒聚类估计方法

说明书

本发明提供了一种前后向TVAR模型的目标微多普勒聚类估计方法，解决了现有时频分析方法的微多普勒分析时频分辨率不足的问题。实现步骤包括：采集目标雷达回波数据；将目标HRRP距离单元数据在TVAR模型中表示；目标时变系数转化得到目标距离单元数据在BS‑FBTVAR模型的矩阵形式；使用聚类结构先验估计目标的时不变系数；将时变系数用于瞬时频率估计中，得到目标的微多普勒时频图。根据微多普勒时频图反应雷达目标的散射点个数，形状，姿态信息，用于目标的识别。本发明利用块内稀疏系数的相邻超参数之间的相互作用和刚体目标已知块边界的先验信息。提高了微多普勒时频分辨率和抗噪性能。用于空间锥体目标的微动特征分析，进而用于目标识别。

技术领域

本发明属于雷达技术领域，更进一步涉及雷达目标的微多普勒分析，具体是一种前后向TVAR模型的目标微多普勒聚类估计方法，可用来作为识别目标的重要依据。

背景技术

微动在自然界是普遍存在的，如行人手和腿的摆动，电机、直升机旋翼的转动，桥梁的振动，弹道导弹目标的自旋，进动，章动等。雷达目标的微动会对目标产生附加的频率调制，使得目标回波多普勒是时变的，反映了目标的精细特征，可以用来作为识别目标的重要依据。时频分析方法作为微多普勒分析的一种有效手段，提取并分离出目标的瞬时频率，利用这些瞬时频率可以推算出目标的结构、姿态、表面材料电磁参数和受力状态等特征，进而将目标的时频分析得到的结构特征和微动特征应用到空间锥体目标的识别中。

时频分析方法用于雷达目标微动的微多普勒分析，来提取目标的精细特征，主要分为两大类：参数化时频分析、非参数化时频分析。其中：

非参数时频分析方法，包括线性时频方法和Cohen类。例如，V.C.Chen,在其发表的论文“Doppler signatures of radar backscattering from objects with micromotions”(IET Signal Process.,vol.2,no.3,pp.291–300,Sep.2008)中提出Wigner-Ville分布被用于分析振动或旋转目标或目标结构的微多普勒特征，来克服时频分辨率的Hisenbergur界，由于当感兴趣的信号包含多个分量时，传统的Cohen类受到交叉项的严重干扰。

C.Cai,W.Liu,J.S.Fu,Y.Lu,在其发表的论文“Radar micro-Doppler signatureanalysis with HHT”(IEEE Trans.Aerosp.Electron.Syst.,vol.46,no.2,pp.929–938,Apr.2010)中采用Hilbert-Huang变换来分析振动目标的雷达微多普勒特征，并获得了比传统Cohen类TF方法更好的性能，这种方法对噪声非常敏感。

T.Thayaparan,S.Abrol,E.Riseborough,L.Stankovic,D.Lamothe,G.Duff,在其发表的论文“Analysis of radar micro-Doppler signatures from experimentalhelicopter and human data”(IET Radar Sonar Navigat.,vol.1,no.4,pp.289–299,Aug.2007)中利用结合时频分析的小波变换方法，从直升机和人体目标的雷达回波信号中提取微多普勒特征。

为了缓解线性时频分析方法不确定性原理的局限性，X.Chen,J.Guan,Z.Bao,Y.He,在其发表的论文“Detection and extraction of target with micromotion inspiky sea clutter via short-time fractional Fourier transform”(IEEETrans.Geosci.Remote Sens.,vol.52,no.2,pp.1002–1018,Feb.2014)中提出了短时分数傅里叶变换用于低信噪比环境下高检测概率的目标检测和微多普勒信号提取。尽管上述方法可以在一定程度上改善线性时频分析方法或Cohen类的性能，但处理复杂信号仍然困难。