基于雷達(dá)參數(shù)對兩類飛機(jī)的識別率影響

羅才震

摘 要：雷達(dá)目標(biāo)識別是對雷達(dá)探測功能延伸，在現(xiàn)代戰(zhàn)爭中占據(jù)的地位已經(jīng)越來越重要了。直升機(jī)和螺旋槳飛機(jī)在現(xiàn)代社會中也是必不可少的兩類飛機(jī)。微多普勒效應(yīng)為雷達(dá)目標(biāo)識別提供了新途徑，同時(shí)也是現(xiàn)有雷達(dá)目標(biāo)識別方法的有力補(bǔ)充。文章通過控制變量法，分析兩類飛機(jī)的識別率是否受脈沖重復(fù)頻率和駐留時(shí)間的影響。并且基于實(shí)測數(shù)據(jù)對其進(jìn)行了驗(yàn)證。

關(guān)鍵詞：兩類飛機(jī)；微多普勒；特征提?。豢刂谱兞糠?/p>

中圖分類號：TN957 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-2945（2018）33-0077-02

Abstract： Radar target recognition is an extension of radar detection function， and it has become more and more important in modern warfare. Helicopter and propeller aircraft in modern society is also essential to the two types of aircraft. Micro-Doppler effect provides a new way for radar target recognition， and it is also a powerful supplement to the existing methods of radar target recognition. In this paper， the control variable method is used to analyze whether the recognition rate of the two types of aircraft is affected by the Pulse Repetition Frequency （PRF） and residence time， and it is verified based on the measured data.

Keywords： two types of aircraft； Micro-Doppler； feature extraction； control variable method

1 概述

雷達(dá)是利用電磁波反射技術(shù)檢測目標(biāo)的參數(shù)以及目標(biāo)所在的位置，從而能夠準(zhǔn)確判斷目標(biāo)的位置，以便更熟悉掌握戰(zhàn)場態(tài)勢。所以雷達(dá)技術(shù)成為現(xiàn)代軍事戰(zhàn)場上不可或缺的一部分。但是隨著科技的發(fā)展速度越來越快，現(xiàn)在戰(zhàn)爭對雷達(dá)的技術(shù)要求也越來越高，僅僅只能判斷目標(biāo)的位置等信息已經(jīng)不能滿足現(xiàn)代戰(zhàn)爭的要求，必須進(jìn)一步掌握目標(biāo)點(diǎn)的確切信息，因而雷達(dá)目標(biāo)識別從此誕生。目標(biāo)識別技術(shù)是雷達(dá)通過測量目標(biāo)回波所反映目標(biāo)表面物理參數(shù)，通過各個(gè)目標(biāo)表面參數(shù)不同，從而對目標(biāo)進(jìn)行分類和識別[2]。

目標(biāo)識別實(shí)質(zhì)上就是使用機(jī)器學(xué)習(xí)的理論知識，然后結(jié)合雷達(dá)信號處理的理論，通過對目標(biāo)回波的物理參數(shù)進(jìn)行特征提取，從而對目標(biāo)進(jìn)行區(qū)分。

2 基于微多普勒的特征提取

該論文選取的是羅賓遜R44直升機(jī)和賽斯納172螺旋槳飛機(jī)兩種飛機(jī)進(jìn)行實(shí)驗(yàn)，通過對兩類飛機(jī)回波數(shù)據(jù)進(jìn)行采集并且通過預(yù)處理后提取出兩種飛機(jī)頻譜所反映的不同特征。圖1為兩類飛機(jī)的頻譜圖。

在多普勒譜X=[X（1），X（2），...，X（N）]，設(shè)X（n）出現(xiàn)的概率為P（n）：

P（n）=，n=1，2，...，N

特征1：頻域幅度方差

通過對兩類飛機(jī)頻譜的判斷，兩類飛機(jī)頻譜幅度的波動不同，故兩類飛機(jī)頻域幅度方差可作為區(qū)分兩類飛機(jī)的有效特征之一。頻域幅度方差為：

其中：

？滓=（|X（n）|-mX）2其中：mx=|X（n）|

特征2：二階中心矩

從圖1可以看出，兩類飛機(jī)多普勒維的形狀信息反映不同，而二階矩是一種旋轉(zhuǎn)、平移和尺度不變特征，故二階矩也可以作為區(qū)分兩類飛機(jī)的有效特征。二階矩表示為：

？滋2（n-n0）2P（n）

特征3：波形熵

波形熵是用來描述信源的平均不確定性，波形熵的值越小代表頻域能量越集中。從圖1可以看出，波形熵也可作為區(qū)分兩類飛機(jī)有效特征之一。頻域波形熵定義為：

Ex=-P（n）lnP（n）

3 仿真結(jié)果

3.1 兩類飛機(jī)的分類

將羅賓遜R44直升機(jī)和賽斯納172螺旋槳飛機(jī)的數(shù)據(jù)進(jìn)行選取，羅賓遜R44飛機(jī)選取了500個(gè)樣本，賽斯納172螺旋槳飛機(jī)也選取了500個(gè)樣本，將兩種數(shù)據(jù)進(jìn)行組合后的1000個(gè)樣本隨機(jī)抽取800個(gè)樣本作為訓(xùn)練樣本，剩余的200個(gè)樣本作為測試樣本，將訓(xùn)練樣本通過SVM的訓(xùn)練，對測試樣本進(jìn)行識別。

3.2 雷達(dá)參數(shù)對識別率的影響

重頻過低會導(dǎo)致速度模糊，而駐留時(shí)間過低會導(dǎo)致分辨率過低，所以本文以控制變量法更形象的說明識別率受這兩個(gè)因素的影響[5]。

（1）重頻對識別率的影響

保持駐留時(shí)間為45.1ms。

（1a）脈沖重復(fù)周期為26.4ms

從圖2可以看出，當(dāng)脈沖重復(fù)周期為26.4ms時(shí)，兩類飛機(jī)的特征基本能全部分出來，平均識別率為96.83%。

（1b）脈沖重復(fù)周期為105.6ms

當(dāng)脈沖重復(fù)周期繼續(xù)為原來4倍，此時(shí)已經(jīng)有多個(gè)點(diǎn)不能通過最優(yōu)面區(qū)分，經(jīng)過多次實(shí)驗(yàn)的結(jié)果，平均識別率為75.08%。

（2）駐留時(shí)間

保留脈沖重復(fù)周期105.6ms。

（2a）駐留時(shí)間為22.5ms。上述所取的駐留時(shí)間都為45.1ms，即可看出圖3中混疊的點(diǎn)數(shù)較多，而此時(shí)利用SVM計(jì)算識別率降低到60.25%。

（2b）駐留時(shí)間為90.1ms。當(dāng)駐留時(shí)間增大到90.1ms時(shí)，識別率有所提高，經(jīng)統(tǒng)計(jì)該分辨率為81.75%。

（3）統(tǒng)計(jì)圖如圖4

圖4可以看出重頻越大，識別率越高。而在5Hz-20Hz的重頻下，識別率隨重頻提高呈快速增長，而重頻大于20Hz過后，識別率隨重頻的增大而幾乎趨于穩(wěn)定。而對于不同駐留時(shí)間，駐留時(shí)間過小會導(dǎo)致雷達(dá)分辨率過低而使識別率下降，當(dāng)駐留時(shí)間增大，則會提高分辨率。通過控制變量法，根據(jù)識別率隨重頻和駐留時(shí)間的變化規(guī)律，可以選擇適當(dāng)重頻和駐留時(shí)間對數(shù)據(jù)進(jìn)行采集，而避免不必要的資源浪費(fèi)。

4 結(jié)束語

本文通過控制變量法研究雷達(dá)參數(shù)對識別率的影響。實(shí)測數(shù)據(jù)表明所提取特征有效。本方法對戰(zhàn)斗中區(qū)分目標(biāo)的機(jī)型以便與做出正確判斷有一定應(yīng)用背景。本文還根據(jù)雷達(dá)參數(shù)變化來對識別率進(jìn)行研究，所以雷達(dá)參數(shù)對分類效果有一定影響，我們在以后的工作中會對雷達(dá)的參數(shù)與識別率關(guān)系進(jìn)行更深的研究。

參考文獻(xiàn)：

[1]丁鷺飛，耿富錄.雷達(dá)原理[M].西安：西安電子科技大學(xué)出版社，2002.

[2]王龍.人工神經(jīng)網(wǎng)絡(luò)在雷達(dá)目標(biāo)識別中的應(yīng)用[D].太原：中北大學(xué)，2015.

[3]陳伯孝.現(xiàn)代雷達(dá)系統(tǒng)分析與設(shè)計(jì)[M].西安：西安電子科技大學(xué)出版社，2012.

[4]MarkA.Richards.雷達(dá)信號處理基礎(chǔ)（第二版）[M].西安：西安電子科技大學(xué)出版社，2012.

[5]陳尹翔.基于微多普勒的飛機(jī)目標(biāo)分類識別技術(shù)[D].西安電子工程研究所，2017，3.

[6]趙彥斌.基于多特征融合和特征排序的飛機(jī)識別方法[J]，現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化，2015，7（8）：42-44.