[发明专利]基于时域相关性特征的飞机目标分类方法

摘要

本发明公开了一种基于时域相关性特征的飞机目标分类方法,涉及雷达技术领域，其步骤为步骤1,计算训练样本峰值函数；步骤2,计算训练样本峰值函数的方差、熵以及大于训练第一峰值门限的峰个数和第一个大于训练第二峰值门限的峰对应的时域点；步骤3,计算训练样本幅值方差和幅值熵；步骤4，训练样本特征向量归一化，训练分类器；步骤5,计算测试样本峰值函数；步骤6,计算测试样本峰值函数的方差、熵以及大于测试第一峰值门限的峰个数和第一个大于测试第二峰值门限的峰对应的时域点；步骤7,计算测试样本幅值方差和幅值熵；步骤8,测试样本特征向量归一化，输入分类器判断类别。本发明在低重频下仍具有较好的优势，可用于三类飞机目标的分类。

主权项

一种基于雷达时域相关性特征的飞机目标分类方法，其特征在于，包括以下步骤：步骤1，雷达接收M次飞机目标的时域回波信号，对接收的第m次的飞机目标的时域回波信号进行归一化处理，将归一化后的第m次的飞机目标的时域回波信号作为第m个训练样本，共得到M个训练样本，其中，m＝1，2，...，M，M表示训练样本总数目；计算第m个训练样本的峰值函数peakm(k)，k表示时域平移变量，k＝1，2，......，fix(N/2)，N为时域总点数，其中fix表示朝零取整操作；其中，步骤1包括以下子步骤：1a)雷达接收第m次的飞机目标的时域回波信号sm(n)，其中，n表示时域信号的第n个时域点，n＝0，1，2，...，N，N为时域总点数，m＝1，2，...，M，M表示训练样本总数目；对第m次的飞机目标时域回波信号sm(n)进行归一化处理，即其中，max(|sm(n)|)表示取|sm(1)|，|sm(2)|，…，|sm(n)|，…，|sm(N)|中的最大值，将归一化后的第m次的飞机目标的时域回波信号作为第m个训练样本；1b)求取第m个训练样本的幅值xm(n)；1c)定义第m个训练样本的幅值xm(n)的循环自相关函数为第m个训练样本的幅值xm(n)的循环平均幅度差函数为其中，时域平移变量k＝1，2，......，fix(N/2)，mod(n+k，N)表示取整数n+k除以整数N后的余数；1d)利用第m个训练样本的循环自相关函数φm(k)和第m个训练样本的循环平均幅度差函数构造第m个训练样本的幅值相关函数1e)当第m个训练样本的幅值相关函数满足fm(k)＞fm(k‑1)且fm(k)＞fm(k+1)的条件时，第m个训练样本的峰值函数peakm(k)＝fm(k)；否则，第m个训练样本的峰值函数peakm(k)＝0；步骤2，确定第m个训练样本峰值函数peakm(k)的方差feature1m，确定第m个训练样本峰值函数peakm(k)的熵feature2m；求取第m个训练样本的峰值函数peakm(k)的最大值peak_maxm；设定第一峰值系数η1、第二峰值系数η2，并且η1小于η2；将第一峰值系数η1与第m个训练样本的峰值函数peakm(k)的最大值peak_maxm的乘积作为第m个训练样本的训练第一峰值门限；统计第m个训练样本的峰值函数peakm(k)中大于第m个训练样本的训练第一峰值门限的峰的个数feature3m；设定第二峰值系数η2与第m个训练样本峰值函数的最大值peak_maxm的乘积作为第m个训练样本的训练第二峰值门限；统计第m个训练样本的峰值函数peakm(k)中依次大于第m个训练样本的训练第二峰值门限的峰，按照时域点顺序确定第一个大于第m个训练样本的训练第二峰值门限的峰对应的时域点feature4m；步骤3，求取第m个训练样本的幅值方差feature5m和第m个训练样本的幅值熵feature6m；步骤4，将第m个训练样本峰值函数peakm(k)的方差feature1m、第m个训练样本峰值函数peakm(k)的熵feature2m、第m个训练样本的峰值函数peakm(k)中大于训练第一峰值门限的峰的个数feature3m、第m个训练样本的峰值函数peakm(k)中第一个大于训练第二峰值门限的峰对应的时域点feature4m、第m个训练样本的幅值方差feature5m、第m个训练样本的幅值熵feature6m组成第m个训练样本的特征向量featurem：featurem＝[feature1m，feature2m，feature3m，feature4m，feature5m，feature6m]T，featurem维数为6×1，其中[·]T表示向量的转置；进而得到M个训练样本组成的训练特征矩阵F＝[feature1，feature2，...，featurem，...，featureM]，F维数为6×M；对M个训练样本组成的训练特征矩阵F进行归一化，得到归一化后的M个训练样本组成的训练样本特征矩阵维数为6×M；将归一化后的M个训练样本组成的训练样本特征矩阵输入到分类器中，对分类器进行训练，得到训练后的分类器；步骤5，雷达接收Q次的飞机目标的时域回波信号，对Q次飞机目标的时域回波信号进行归一化处理，归一化后的Q次飞机目标的时域回波信号组成了Q个测试样本，从Q个测试样本中选择第q个测试样本，计算第q个测试样本的峰值函数peak′q(k)，其中q＝1，2...，Q，Q表示测试样本总数目，k表示时域平移变量，k＝1，2，......，fix(N/2)，N为时域总点数，其中fix表示朝零取整操作；其中，步骤5具体包括以下子步骤：5a)雷达接收的第q次的飞机目标的时域回波信号s′q(n)，其中，n表示第n个时域点，n＝0，1，2，...，N，N为离散化数据的时域点数，q＝1，2...，Q，Q表示测试样本总数目；对第q次的飞机目标的时域回波信号s′q(n)进行归一化处理，即其中，max(|sq′(n)|)表示取|sq′(1)|，|sq′(2)|，…，|sq′(n)|，…，|sq′(N)|中的最大值，将归一化后的第q次的飞机目标的时域回波信号作为第q个测试样本；5b)求取第q个测试样本s′q(n)的幅值为x′q(n)；5c)定义第q个测试样本的幅值相关函数其中，mod(n+k，N)表示取整数n+k除以整数N后所得结果的余数；5d)确定第q个测试样本的峰值函数peak′q(k)；满足f′q(k)＞f′q(k‑1)且f′q(k)＞f′q(k+1)的条件时，第q个测试样本的峰值函数peak′q(k)＝f′q(k)；否则，第q个测试样本的峰值函数peak′q(k)＝0；步骤6，确定第q个测试样本峰值函数peak′q(k)的方差feature1′q，确定第q个测试样本峰值函数peak′q(k)的熵feature2′q；求取第q个测试样本峰值函数peak′q(k)的最大值peak_max′q；设定第一峰值系数η1与第q个测试样本峰值函数的最大值peak_max′q的乘积作为第q个测试样本的测试第一峰值门限；统计第q个测试样本的峰值函数中大于第q个测试样本的测试第一峰值门限的峰个数feature3′q；设定第二峰值系数η2与第q个测试样本峰值函数的最大值peak_max′q的乘积作为第q个测试样本的测试第二峰值门限；统计第q个测试样本的峰值函数中依次大于第q个测试样本的测试第二峰值门限的峰，按照时域点顺序确定第一个大于测试第二门限的峰对应的时域点feature4′q；步骤7，求取第q个测试样本的幅值方差feature5′q和第q个测试样本的幅值熵feature6′q；步骤8，将第q个测试样本峰值函数peak′q(k)的方差feature1′q、第q个测试样本峰值函数peak′q(k)的熵feature2′q、第q个测试样本的峰值函数peak′q(k)中大于第q个测试样本的测试第一峰值门限的峰个数feature3′q、第q个测试样本的峰值函数peak′q(k)中第一个大于第q个测试样本的测试第二峰值门限的峰对应的时域点feature4′q、第q个测试样本的幅值方差feature5′q、第q个测试样本的幅值熵feature6′q组成第q个测试样本的特征向量feature′q＝[feature1′q，feature2′q，feature3′q，feature4′q，feature5′q，feature6′q]T，feature′q的维数为6×1，其中[·]T表示向量的转置；对第q个测试样本的特征向量feature′q进行归一化，得到归一化后的第q个测试样本的特征向量将归一化后的第q个测试样本的特征向量输入训练后的分类器，判定输入的第q个测试样本的飞机类别；步骤9，根据步骤6至步骤8，测试样本q从1至Q依次进行判定，得到Q个测试样本的飞机类别。