[發明專利]一種基于圖頻特性的雷達雜波智能分類方法

有效

• 申請號: 202010475397.5
• 申請日: 2020-05-29
• 公開（公告）號: CN111695461B
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 張樂;孫淑強;郭云飛;薛安克
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G01S7/41;G01S13/00
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

本發明公開了一種基于圖頻特性的雷達雜波智能分類方法，基于數學模型的方法魯棒性不夠，數據特征提取多基于經驗，本發明將一維雜波信號序列轉換為圖結構數據，用無向圖表達雜波信號間的關聯特性，用設計的特征提取器主要挖掘圖結構中的譜半徑最大特征值和表示連通性的第二小特征值作為數據特征的挖掘，將該圖特征提取器與SVM結合，達到雜波類型區分的目標，本發明的使用，能夠實現原始數據深層關聯特征的信息提取，提高檢測效率，省略對數據分布概率的建模過程，提高數據利用效率，增強檢測的適應能力。

技術領域

本發明屬于一維雷達回波信號處理技術領域，具體是利用信號圖頻域的譜直徑和第二大特征值為主要特征構建特征提取器，結合智能分類器進行雜波信號分類處理的方法。

背景技術

雷達通過發射和接收電磁波進行工作，可以通過回波多普勒頻率變化高效區分靜止和徑向運動目標。應用背景可以是陸地上的目標，也可以是海上目標，以及空中飛行目標等。通過針對不同雷達體制的軟件算法設計實現不同硬件環境和自然環境下的目標檢測，識別及跟蹤；在民用中的導航、環境監測、氣象預測及軍事領域的監視、預警和反潛等方面都有重要的作用。通常情況下，由于工作環境的復雜性，使得回波信號中除了包含目標信號之外，還會混雜著來自裝備自身的噪聲和來自各種非目標散射體的后向散射雜波，這些干擾有時會嚴重影響到對真正目標的檢測效果。增加了雷達系統的設計難度。

為有效檢測目標，現有檢測算法通常把雜波信號作為隨機過程進行分析，需要用相應的概率分布函數進行描述，并對統計參數進行估計，從而設計相應的檢測器。這些描述雜波的統計特性的數學模型如瑞利分布，對數正態分布，以及復合K分布往往不能夠適應復雜變化的實際環境，從而產生因實際情況偏離理論模型而造成的虛警率高和檢測概率變低的結果。因此，基于數據特征的挖掘與機器學習算法的結合成為解決這一問題的另一個有效途徑，現有的特征提取方法有部分統計量估計，短時變換中的主成分量提取等。

發明內容

本發明針對現有技術的不足(基于數學模型的方法魯棒性不夠，數據特征提取多基于經驗)，提出一種基于信號圖譜(圖頻域的特征值)信息的雜波智能分類方法。本發明的核心技術之一是將一維雜波信號序列轉換為圖結構數據，用無向圖表達雜波信號間的關聯特性，區別于傳統的自相關函數法。第二是用設計的特征提取器主要挖掘圖結構中的譜半徑最大特征值和表示連通性的第二小特征值作為數據特征的挖掘。第三是將該圖特征提取器與SVM結合，達到雜波類型區分的目標，本發明的使用，能夠實現原始數據深層關聯特征的信息提取，提高檢測效率，省略對數據分布概率的建模過程，提高數據利用效率，增強檢測的適應能力。本發明是圖譜理論與在實際應用領域的創新發展。

為了實現上述目的，本發明采用的技術方案如下所述：

本發明分為數據短時處理，圖結構建立，圖譜特征提取和分類處理四個部分。

數據的短時處理，是將數據進行分段，通過加窗平滑處理，將信號的短時穩態性質表現出來，后續過程分別對每一段數據進行特征挖掘。

圖結構的建立環節，是將已有的幅度信息經過一定的映射規則，變換為有頂點集和邊界集構成的圖結構。

圖譜特征提取階段，是求圖的鄰接矩陣和度矩陣，進而求出圖的拉普拉斯矩陣，計算拉普拉斯矩陣的特征值，并計算譜半徑和圖的代數連通性值。

最后，通過交叉訓練的方法獲取分類器模型，并用驗證集進行驗證泛化性能。

本發明的技術實質是：

本發明考慮將雷達回波數據的從一維信號序列轉換為圖結構，構建由頂點集和連接邊構成的圖信號，通過計算圖對應的拉普拉斯矩陣的特征值，揭示該信號的圖譜特征，是圖論理論在該工程領域的延展。能夠更加深入的反映信號序列的深層相關特征，選取圖頻信息中區分度明顯，具有特定物理意義的數值信息作為SVM智能分類算法的輸入特征集，該方法不構建雜波分布模型，不進行模型參數估計，因此不受分布模型準確度的影響。是一種新的有應用潛力的雜波分類方法。

附圖說明