CN114936576A - 多旋翼无人机识别中的子块差分编码分布特征提取方法 - Google Patents
多旋翼无人机识别中的子块差分编码分布特征提取方法 Download PDFInfo
- Publication number
- CN114936576A CN114936576A CN202210548848.2A CN202210548848A CN114936576A CN 114936576 A CN114936576 A CN 114936576A CN 202210548848 A CN202210548848 A CN 202210548848A CN 114936576 A CN114936576 A CN 114936576A
- Authority
- CN
- China
- Prior art keywords
- sub
- unmanned aerial
- aerial vehicle
- block
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于无人机识别技术领域,具体涉及一种多旋翼无人机识别中的子块差分编码分布特征提取方法。本发明的方法首先通过对无人机目标的雷达回波数据序列进行短时付氏变换,获得时频谱图,然后,将时频谱图划分为多个互不交叠的子块,每一子块的元素值与子块均值差分,按差分值的正负编码和行顺序构成一个编码序列,并统计整幅时频谱图的各子块编码序列对应数值的概率分布,作为子块差分编码分布特征,完成对多旋翼无人机的识别。由于充分利用了子块结构的分布信息,能够从雷达回波数据中提取到有关目标的局部特征,增大了目标之间的细节差异,从而改善了对目标的识别率。对4类多旋翼无人机的仿真实验结果验证了方法的有效性。
Description
技术领域
本发明属于无人机识别技术领域,具体涉及一种多旋翼无人机识别中的子块差分编码分布特征提取方法。
背景技术
随着无人机技术的快速发展,军事和民用领域的应用越来越广泛,给国家的安全也带来巨大的威胁,有必要对无人机进行反击作战。因此,准确识别出无人机的类型对国家防御作战具有非常重要的实用意义。
目前,子空间方法是一种识别无人机的经典方法,主要通过无人机目标的训练数据集建立变换子空间,提取目标的分类特征。但是,常规子空间只能提取全局结构特征,而弱化了局部结构特征,降低了目标细节上的差异,因此,常规多旋翼无人机子空间识别方法的目标识别率有进一步改善的余地。
发明内容
本发明的目的在于提出一种子块差分编码分布特征提取方法,通过将时频谱图划分为子块,并统计子块差分编码序列的分布信息,能够提取到反映目标细节的局部结构特征,增大了目标在细节上的差异程度,从而改善了对目标的识别率。
本发明的技术方案为:
多旋翼无人机识别中的子块差分编码分布特征提取方法,包括以下步骤:
S1、定义获取的多旋旋翼无人机的雷达回波训练数据序列为n维列矢量xij,i=1,2,…g,j=1,2…Ni,其中,i表示无人机的类别,g表示类别数,Ni表示第i类无人机目标的训练样本数,则总的训练样本数为
S2、对训练样本数据xij进行短时付氏变换,得时频谱图Sij:
Sij=[sij,km]K×M (1)
其中,sij,km表示时频谱图Sij中的元素,k=1,2,…K,m=1,2,…M,k为行下标,表示频率变化方向,m为列下标,表示时间变化方向,K是Sij的行数,M是Sij的列数;
S3、将时频谱图Sij划分为子块,得到子块差分编码序列:
以3x3的窗口在时频谱图Sij中进行不交叠滑动,得到多个3x3的子块,组成子块集Pij:
Pij=[Wij,1 Wij,2 … Wij,L] (2)
子块元素减去均值,得:
cij,l=[cij,l,11 cij,l,12 … cij,l,33] (7)
S4、提取子块差分编码分布特征:
将差分编码序列cij,l作为一个三进制数计算其数值,统计整幅时频谱图中各子块差分编码序列值的重复出现次数,并组成矢量:
[ηij,1 ηij,2 … ηij,L] (8)
其中,ηij,l为编码序列cij,l的重复出现次数,则时频谱图Sij对应的子块差分编码分布特征矢量hij为:
获取特征后,即可利用最近邻分类器对目标进行分类识别。
本发明的有益效果为,本发明充分利用了子块结构的分布信息,能够从雷达回波数据中提取到有关目标的局部特征,增大了目标之间的细节差异,从而改善了对目标的识别率。
具体实施方式
下面结合仿真以证明本发明的有效性和取得的进步:
采用4种类型的无人机进行仿真,包括三旋翼无人机、四旋翼无人机、六旋翼无人机、八旋翼无人机,其仿真参数如表1所示。仿真雷达参数包括:雷达载频为24GHz;脉冲重复频率为100KHz;目标与雷达间的距离200m;无人机相对于雷达的俯仰角为10°、方位角为30°
每类目标记录10s的雷达回波信号,并将其分为固定长度0.05s的段(至少包含一个旋转周期),段之间的重叠为50%,每段包含0.05×100000=5000个雷达回波采样数据点,每类共400段。在400段中随机选取200段作为训练数据集,其余200段作为测试数据集,则4类目标的训练数据集总共包括800个段,测试数据集包括800个段。对选取的训练数据集,利用本文方法提取子块差分编码分布特征,建立模板库,同样提取测试样本的子块差分编码分布特征,采用最近邻分类器进行分类,对4类多旋翼无人机的平均正确识别率达到95%。其中,信噪比为15dB。
表1四种无人机的仿真参数
Claims (1)
1.多旋翼无人机识别中的子块差分编码分布特征提取方法,其特征在于,包括以下步骤:
S1、定义获取的多旋旋翼无人机的雷达回波训练数据序列为n维列矢量xij,i=1,2,…g,j=1,2…Ni,其中,i表示无人机的类别,g表示类别数,Ni表示第i类无人机目标的训练样本数,则总的训练样本数为
S2、对训练样本数据xij进行短时付氏变换,得时频谱图Sij:
Sij=[sij,km]K×M
其中,sij,km表示时频谱图Sij中的元素,k=1,2,…K,m=1,2,…M,k为行下标,表示频率变化方向,m为列下标,表示时间变化方向,K是Sij的行数,M是Sij的列数;
S3、将时频谱图Sij划分为子块,得到子块差分编码序列:
以3x3的窗口在时频谱图Sij中进行不交叠滑动,得到多个3x3的子块,组成子块集Pij:
Pij=[Wij,1 Wij,2…Wij,L]
Wij,l=[wij,l,tf]3×3,t,f=1,2,3
l=1,2,…L
子块元素减去均值,得:
cij,l=[cij,l,11 cij,l,12…cij,l,33]
S4、提取子块差分编码分布特征:
将差分编码序列cij,l作为一个三进制数计算其数值,统计整幅时频谱图中各子块差分编码序列值的重复出现次数,并组成矢量:
[ηij,1 ηij,2…ηij,L]
其中,ηij,l为编码序列cij,l的重复出现次数,则时频谱图Sij对应的子块差分编码分布特征矢量hij为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548848.2A CN114936576B (zh) | 2022-05-20 | 2022-05-20 | 多旋翼无人机识别中的子块差分编码分布特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548848.2A CN114936576B (zh) | 2022-05-20 | 2022-05-20 | 多旋翼无人机识别中的子块差分编码分布特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114936576A true CN114936576A (zh) | 2022-08-23 |
CN114936576B CN114936576B (zh) | 2023-04-07 |
Family
ID=82864551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210548848.2A Active CN114936576B (zh) | 2022-05-20 | 2022-05-20 | 多旋翼无人机识别中的子块差分编码分布特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936576B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210331799A1 (en) * | 2018-09-27 | 2021-10-28 | Beijing Xiaomi Mobile Software Co., Ltd. | Method, device and system for providing flight path of unmanned aerial vehicle |
CN113988119A (zh) * | 2021-10-14 | 2022-01-28 | 电子科技大学 | 一种多旋翼无人机识别中的块概率分布特征提取方法 |
CN114067548A (zh) * | 2021-11-01 | 2022-02-18 | 中电华鸿科技有限公司 | 一种旋翼无人机互备份双链路通信方法 |
-
2022
- 2022-05-20 CN CN202210548848.2A patent/CN114936576B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210331799A1 (en) * | 2018-09-27 | 2021-10-28 | Beijing Xiaomi Mobile Software Co., Ltd. | Method, device and system for providing flight path of unmanned aerial vehicle |
CN113988119A (zh) * | 2021-10-14 | 2022-01-28 | 电子科技大学 | 一种多旋翼无人机识别中的块概率分布特征提取方法 |
CN114067548A (zh) * | 2021-11-01 | 2022-02-18 | 中电华鸿科技有限公司 | 一种旋翼无人机互备份双链路通信方法 |
Non-Patent Citations (2)
Title |
---|
JIANSHENG FU 等: "\"Modeling Recognizing Behavior of Radar High Resolution Range Profile Using Multi-Agent System\"" * |
田宏伟 等: "无人机警戒雷达定位精度标定仿真研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN114936576B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109471074B (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
CN113988119B (zh) | 一种多旋翼无人机识别中的块概率分布特征提取方法 | |
CN109558873B (zh) | 一种基于变样本栈式自编码网络的模式识别方法 | |
CN104899549A (zh) | 基于距离像时频图鉴别字典学习的sar目标识别方法 | |
CN111126332B (zh) | 基于轮廓特征的跳频信号分类方法 | |
CN110442143B (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN109116312A (zh) | 基于qmfb与卷积神经网络的雷达信号分类方法 | |
CN111624570B (zh) | 基于二维卷积神经网络的雷达目标识别方法 | |
CN114019505A (zh) | 一种基于pri区间信息的雷达信号分选方法及*** | |
CN111123232B (zh) | 一种具有任务适应性的雷达个体识别*** | |
CN111010356A (zh) | 一种基于支持向量机的水声通信信号调制方式识别方法 | |
CN112684427A (zh) | 基于串行二次强化训练的雷达目标识别方法 | |
CN113269203B (zh) | 一种用于多旋翼无人机识别的子空间特征提取方法 | |
CN103440508A (zh) | 基于视觉词袋模型的遥感图像目标识别方法 | |
CN114091624B (zh) | 一种无第三方的联邦梯度提升决策树模型训练方法 | |
CN114936576B (zh) | 多旋翼无人机识别中的子块差分编码分布特征提取方法 | |
CN114997211A (zh) | 一种基于改进对抗网络和注意力机制的跨工况故障诊断方法 | |
CN112948462A (zh) | 一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法 | |
CN109063750A (zh) | 基于cnn和svm决策融合的sar目标分类方法 | |
CN116797928A (zh) | 基于平衡模型稳定性和可塑性的sar目标增量分类方法 | |
CN114821335B (zh) | 基于深度特征与线性判别特征融合的未知目标判别方法 | |
Mengmeng et al. | Signal sorting using teaching-learning-based optimization and random forest | |
CN115496987A (zh) | 一种基于深度双相似性度量网络的小样本sar目标识别方法 | |
CN112364566B (zh) | 一种基于典型时刻数据特征的推演预测方法 | |
CN111257839B (zh) | 一种雷达信号分选方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |