[发明专利]一种基于分数阶域特征的旋翼类无人机深度学习识别方法

说明书

本发明涉及一种基于分数阶域特征的旋翼类无人机深度学习识别方法，属于雷达目标分类识别技术领域，解决目标分类识别概率差的技术问题。本发明利用短时分数阶傅里叶变换对旋翼类无人机目标回波信号进行初步特征提取，然后在此基础上，从u‑v域、u‑z域，v‑z域三个维度进行自编码深度识别学习，结果表明本发明的目标识别率可达到87%，远远高于将信号直接应用深度学习算法获得的识别率，同时，本发明数据处理量较小，将传统特征识别和深度学习识别两种方法进行了很好的融合应用。

技术领域

本发明属于雷达目标分类识别技术领域，涉及的是利用旋翼类无人机信号在分数阶域特征完成深度学习分类识别，具体涉及的是一种基于分数阶域特征的旋翼类无人机深度学习识别方法。

背景技术

旋翼无人机回波信号形式复杂，主要包括机体非匀速运动和旋翼运动产生的高阶相位回波，其中非匀速运动可通过速度和加速度补偿进行处理，但旋翼产生的回波信号与旋翼的结构、材料、运动形式有关，这个信号含有的频谱成分比较复杂且比较微弱，目前常称为微多普勒信号。对于微多普勒信号的分析，现在大多认为回波相位为正弦信号形式，常利用短时分数阶傅里叶变换(STFT)进行处理，但实际由于目标旋翼运动并非理想的旋转运动，也受到进动、锥动的影响，因此回波相位并不是理想的正弦信号形式。

发明内容

本发明的发明目的：为了克服现有技术的不足，解决目标旋翼非理想的旋转运动导致回波相位不是理想的正弦信号形式，最终导致目标分类识别概率差的技术问题，本发明提供了一种基于分数阶域特征的旋翼类无人机深度学习识别方法。

本发明的设计构思为：针对实际回波信号相位的非正弦信号形式，本发明利用短时分数阶傅里叶变换(STFRFT)进行特征选取，进而从三个维度同时利用深度学习方法进行目标分类识别，最后，对三个维度的分类结果按照少数服从多数的原则，得到目标最后分类结果，这种方法可提高目标识别概率。

本发明通过以下技术方案予以实现。

一种基于分数阶域特征的旋翼类无人机深度学习识别方法，包括以下步骤：

S1、利用连续波雷达采集旋翼类无人机目标的雷达回波数据，并做速度和加速度补偿运算后，获得回波的数学表达式为：

s(n)＝exp{jsin[2π(f₀+knT_s)nT_s]}  (公式1)

公式1中，sin[·]函数表示无人机旋翼产生的非正弦波形式的回波相位；f₀表示中心频率，单位为赫兹；k表示频率变化率，单位为赫兹/秒；n为信号采样点数，单位为个；T_s为信号采样间隔，单位为秒；j为虚数符号；

S2、对步骤S1获得的回波的数学表达式s(n)利用短时分数阶傅里叶变换进行处理，则第p_i段信号的分数阶阶次为：

公式2中，N为信号总点数，M为信号分段长度，N是M的整数倍，α(N)表示长度为N信号的分数阶阶次，α(p_i)表示第p_i段长度为M信号的分数阶阶次，i＝1,2,3,……,N/M；

S3、对步骤S2中每段信号进行分数阶傅里叶变换处理后，选取目标峰值位置，并将峰值位置处3dB带宽内的数据抽取出来；

[u,v]＝max|{FRFT[s(p_i)]}|  (公式3)

公式3中，u、v分别对应分数阶傅里叶域的u域和v域坐标，i＝1,2,3,……,N/M；

公式4中，r、q分别对应分数阶傅里叶域的u域和v域坐标范围，a、b为坐标范围大小，其中，r∈[u-a,u+a],q∈[v-b,v+b]；