[发明专利]基于微多普勒效应的悬停无人机特征检测方法

说明书

本发明公开了一种基于微多普勒效应的悬停无人机特征检测方法，主要解决现有技术在低重频、低信杂比下检测效果差的问题。其方案是：接收悬停无人机的雷达回波，并对其进行下变频和脉冲压缩处理；将脉冲压缩信号每一距离单元的慢时间维数据分为训练集和测试集；分别计算训练数据和测试数据的时域Hurst指数、频谱熵值、时频脊的均值、时频脊的方差和倒谱熵值；用训练数据的特征值组成训练特征向量，训练支撑向量机，生成支撑向量机检测器；用测试数据的特征值组成测试特征向量，输入到支撑向量机检测器，对悬停无人机进行特征检测。本发明利用金属转子微多普勒特征提高了对悬停无人机的特征检测效果，可用于低重频、强地杂波环境下的目标检测。

技术领域

本发明属于雷达技术领域，更进一步涉及一种悬停无人机特征检测方法。本发明可用于低重频、强地杂波环境下的目标检测。

背景技术

近年来，随着无人机技术的快速发展，无人机的管控面临着巨大的困难。无人机这种低慢小目标由于其飞行高度“低”、飞行速度“慢”、雷达反射截面积“小”，很容易被淹没在强烈的地杂波中，传统的频域滤波检测方法检测性能严重下降，难以完成对无人机等低慢小目标的检测。

北京航空航天大学在其申请的专利文献“一种基于双发双收相干雷达的无人机旋翼长度和转速的估计方法”(申请号201810779125.7，公开号CN 108957443 A)中公开了一种对无人机的旋翼长度和转速进行精确估计的方法。该方法首先通过对发射信号进行相位补偿，形成波束对准目标；然后，利用两路接收天线收集旋翼回波信号，并将两路回波信号输入相干器，得到相干信号，通过相干信号的自相关函数提取旋翼的旋转半周期；最后，利用时频谱特定时刻具有幅度极大值的频率的差值，估计无人机旋翼的长度和转速，实现无人机的特征检测和识别。但是，由于无人机旋翼回波的主瓣极窄，当雷达的脉冲重复频率较小时，使用该方法会产生雷达采不到无人机旋翼回波主瓣的问题，导致其无法适用于低重频情况下的无人机参数估计和目标检测。

方鑫在其发表的论文“小型无人机目标雷达探测关键技术研究”(电子科技大学2019博士论文)中提出了一种基于旋翼微多普勒特征的无人机目标检测方法。该方法根据不同叶片微多普勒频率差值与雷达载波频率、叶片长度、叶片旋转速度以及叶片旋转初始角之间的关系，给出了根据微多普勒特征区分不同叶片回波信号的条件，基于时频分析、HRT和二维CFAR实现了旋翼叶片的微多普勒特征提取和无人机目标的检测。该方法由于没有考虑杂波的影响，且使用旋翼微多普勒在时频域的正弦曲线对无人机进行检测，而实际数据中无人机旋翼在时频域的曲线仅在高信噪比、高脉冲采样频率的情况下才能被观察到的，因而导致其在低重频、低信杂比情况下的检测效果较差。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于微多普勒效应的悬停无人机特征检测方法，以提取无人机金属转子和旋翼的微多普勒特征，在低重频、低信杂比情况下实现对无人机的有效检测。

为实现上述目的，本发明的技术方案包括如下：

(1)对悬停无人机的雷达回波信号在快时间域进行下变频和脉冲压缩处理，并提取每一个距离单元的慢时间域信号；

(2)将慢时间域数据分为目标单元回波和非目标单元回波两部分，取一半目标单元回波和一半非目标单元回波组成训练数据集，将剩余的回波数据作为测试数据集；

(3)根据训练数据集和测试数据集的慢时间域数据，在不同变换域中计算表征无人机金属转子和旋翼微多普勒特性的特征值：

(3a)在时域计算训练数据的时域赫斯特指数H₀和测试数据的时域赫斯特指数H₁；

(3b)在频域计算训练数据的频谱熵值E_x，0和测试数据的频谱熵值E_x，1；