[发明专利]基于微多普勒的目标分类识别模型、方法、系统及装置

说明书

本发明公开了一种基于微多普勒的目标分类识别模型、方法、系统及装置。该模型通过批量获取目标的雷达回波信号，对其进行预处理，得到高分辨距离像集；按照高分辨距离像中是否包含微多普勒频率成分，分为第一数据集和第二数据集并从中批量获取数据样本；确定各个数据样本的特征值向量，得到特征样本数据，并对所述特征样本数据添加标签信息；最终通过所述特征样本数据及标签信息进行SVM分类器训练得到。该方法通过使用所述模型来进行飞机目标的分类识别。通过使用本发明中的方法，可以得到精度更高、效果更好的分类结果，在实际应用中适应能力强，泛化程度高。本发明可广泛应用于雷达识别技术领域内。

技术领域

本发明涉及雷达识别技术领域，尤其是一种基于微多普勒的目标分类识别模型、方法、系统及装置。

背景技术

雷达自动目标识别为一种集目标、环境和精细化信号处理为一体的系统工程，此项技术通过处理回波信号，提取和选择目标稳健性特征，然后使用合适的分类算法自动确定目标属性和型号。Victor C.Chen等人将微多普勒效应引入到雷达自动目标识别领域，他们将目标部件的运动分解为整体平动和相对于质心的摆动或转动，并定义这些相对于质心的运动称为微运动。这些微运动在回波信号中的调制定义为微多普勒效应，不同运动目标引起的微多普勒效应会有差异。因此，通过对回波信号的微多普勒调制特性进行分析，便能够获得目标的微动信息以及结构尺寸。雷达的微多普勒调制也称为发动机调制，目前针对雷达飞机目标分类主要的方法是提取发动机调制特征。发动机调制特征指飞机目标的旋翼、螺旋桨等微动部件由于周期性的旋转而产生调制回波，在时域上调制特性表现为周期性的闪烁脉冲，多普勒域调制特性表现为以目标频率为中心的等间隔谱线。通过调制波的时域调制特性和多普勒域调制特性，可以确定出目标的旋转部件旋翼数目和转速等信息。

基于上述的技术背景，目前通过对目标的微多普勒特征分析，能够对飞机的类型进行分类，例如识别出目标是否是带有螺旋桨的飞机。现有技术中，在进行飞机目标分类识别的过程时，特征提取的方法是补偿机身分量后估计调制波的周期或调制谱线的谱线间隔，但大多数雷达脉冲的重复频率较低且观测时间较短，导致雷达的发动机调制回波存在多普勒模糊、多普勒分辨率较低的问题，最终使得目标分类性能下降。目前，现有技术中还缺少一种良好的雷达技术方案，以用于解决以上问题。

发明内容

本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

为此，本发明实施例的一个目的在于提供一种基于微多普勒的目标分类识别模型，使用该模型能够有效解决常规防空雷达低重频、短照射时间与参数谱估计方法期望高重频和长照射时间的矛盾，可以提高飞机目标分类识别的性能。

本发明实施例的另一个目的在于提供一种基于微多普勒的目标分类识别方法。

为了达到上述技术目的，本发明实施例所采取的技术方案包括：

第一方面，本发明实施例提供了一种基于微多普勒的目标分类识别模型，所述模型通过以下步骤训练得到：

批量获取目标的雷达回波信号；

对所述雷达回波信号进行预处理，得到目标的高分辨距离像数据；

按照高分辨距离像中是否包含微多普勒频率成分，将预处理后的高分辨距离像数据分为第一数据集和第二数据集；其中，所述第一数据集中的数据高分辨距离像中包含微多普勒频率成分，所述第二数据集中的数据高分辨距离像中不包含微多普勒频率成分；

从所述第一数据集和第二数据集中批量获取数据样本；

确定各个所述数据样本的特征值向量，得到特征样本数据，并根据数据样本是否包含微多普勒频率成分对所述特征样本数据添加标签信息；

通过所述特征样本数据及标签信息，进行SVM分类器训练得到基于微多普勒的目标分类识别模型。