CN116008918A - 多旋翼无人机识别中的谱图局部相位编码特征提取方法 - Google Patents
多旋翼无人机识别中的谱图局部相位编码特征提取方法 Download PDFInfo
- Publication number
- CN116008918A CN116008918A CN202211660377.0A CN202211660377A CN116008918A CN 116008918 A CN116008918 A CN 116008918A CN 202211660377 A CN202211660377 A CN 202211660377A CN 116008918 A CN116008918 A CN 116008918A
- Authority
- CN
- China
- Prior art keywords
- sub
- phase
- unmanned aerial
- aerial vehicle
- block
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 7
- 239000013598 vector Substances 0.000 claims abstract description 8
- 108091026890 Coding region Proteins 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于多旋翼无人机目标识别技术领域,具体涉及一种多旋翼无人机识别中的谱图局部相位编码特征提取方法。本发明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,将时频谱图像划分为多个互不交叠的子块,计算每一子块元素的相位值,按一定规则对元素相位值变换成二值化,将元素相位二进制数码与子块中心元素的数码异或后,按逆时针顺序构成一个编码序列,所有子块编码序列组成一个矢量,作为谱图相位局部编码特征,完成对多旋翼无人机的识别。由于充分利用了子块结构中相位信息,能够从雷达回波数据中提取到有关目标的结构形状特征,从而改善了对目标的识别率。
Description
技术领域
本发明属于多旋翼无人机目标识别技术领域,具体涉及一种多旋翼无人机识别中的谱图局部相位编码特征提取方法。
背景技术
目前,变换方法主要通过无人机目标的训练数据集按一定的准则建立变换矩阵,提取目标的分类特征。但是,常规变换方法只能从整体角度提取全局结构特征,而忽略了反映目标细节的局部结构特征,没有充分利用目标细节上的差异,因此,常规多旋翼无人机变换识别方法的目标识别率有改善的余地。
发明内容
本发明的目的在于提出一种谱图局部相位编码特征提取方法,通过将时频谱图划分为互不交叠的子块,按一定的规则对子块中的元素相位进行编码,作为识别特征,能够更好地表征目标的结构形状的信息,增大了目标在结构细节方面的差异程度,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谱图局部相位编码特征提取方法,包括以下步骤:
S1、定义获取的多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、对第i类无人机目标的训练样本数据xij进行短时付氏变换,得到时频谱图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,计算子块元素相位值:
以3x3的窗口在时频谱图Sij中按元素进行滑动,得到多个子块,组成子块集Pij:
Pij=[Qij,1 Qij,2 … Qij,L]
Qij,l=[qij,l,ef]3×3,e,f=1,2,3
l=1,2,…L
其中,Qij,l表示子块集Pij中的第l个子块矩阵,qij,l,ef中表示子块矩阵Qij,l中元素,L表示子块总数;
其中,Im(·)和Re(·)分别表示取复数的虚部和实部;
S4、对时频谱图的子块列元素相位进行编码,获得局部相位编码特征:
S5、将所有子块的局部相位编码序列组成矢量:
获得的矢量cij为数据序列xij的谱图局部相位编码特征。
获取特征后,可采用最小距离分类器对多旋翼无人机目标进行识别。
本发明的有益效果为,本发明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,将时频谱图像划分为多个互不交叠的子块,计算每一子块元素的相位值,按一定规则对元素相位值变换成二值化,将元素相位二进制数码与子块中心元素的数码异或后,按逆时针顺序构成一个编码序列,所有子块编码序列组成一个矢量,作为谱图相位局部编码特征,完成对多旋翼无人机的识别。由于充分利用了子块结构中相位信息,能够从雷达回波数据中提取到有关目标的结构形状特征,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。
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:
仿真实验设计了4种类型的无人机,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°
表1四种无人机的仿真参数
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,利用本文方法提取谱图局部相位编码特征,建立模板库,同样提取测试样本的谱图局部相位编码特征,采用最小距离分类器进行分类,对4类多旋翼无人机的平均正确识别率达到98%。其中,信噪比为10dB。
Claims (1)
1.多旋翼无人机识别中的谱图局部相位编码特征提取方法,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、对第i类无人机目标的训练样本数据xij进行短时付氏变换,得到时频谱图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,计算子块元素相位值:
以3x3的窗口在时频谱图Sij中按元素进行滑动,得到多个子块,组成子块集Pij:
Pij=[Qij,1 Qij,2 … Qij,L]
Qij,l=[qij,l,ef]3×3,e,f=1,2,3
l=1,2,…L
其中,Qij,l表示子块集Pij中的第l个子块矩阵,qij,l,ef中表示子块矩阵Qij,l中元素,L表示子块总数;
其中,Im(·)和Re(·)分别表示取复数的虚部和实部;
e,f=1,3
S5、将所有子块的局部相位编码序列组成矢量:
获得的矢量cij为数据序列xij的谱图局部相位编码特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660377.0A CN116008918A (zh) | 2022-12-23 | 2022-12-23 | 多旋翼无人机识别中的谱图局部相位编码特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660377.0A CN116008918A (zh) | 2022-12-23 | 2022-12-23 | 多旋翼无人机识别中的谱图局部相位编码特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116008918A true CN116008918A (zh) | 2023-04-25 |
Family
ID=86026014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211660377.0A Pending CN116008918A (zh) | 2022-12-23 | 2022-12-23 | 多旋翼无人机识别中的谱图局部相位编码特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116008918A (zh) |
-
2022
- 2022-12-23 CN CN202211660377.0A patent/CN116008918A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | Data augmentation by multilevel reconstruction using attributed scattering center for SAR target recognition | |
CN110084159B (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN102645649B (zh) | 基于雷达目标距离像时频特征提取的雷达目标识别方法 | |
CN107169492B (zh) | 基于fcn-crf主从网络的极化sar目标检测方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN103064063B (zh) | 基于cwd特征的多相编码雷达信号波形自动识别方法 | |
CN102567963A (zh) | 基于量子多目标聚类的遥感图像分割方法 | |
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 | |
CN101853392A (zh) | 基于条件互信息的遥感高光谱图像波段选择方法 | |
CN111259366A (zh) | 一种基于自监督学习的验证码识别器的训练方法和装置 | |
CN104834938A (zh) | 基于主成分和聚类分析的高光谱信息提取方法 | |
CN113376569B (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
CN116258874A (zh) | 基于深度条件扩散网络的sar识别数据库样本姿态扩充方法 | |
CN104156979B (zh) | 一种基于高斯混合模型的视频中异常行为在线检测方法 | |
CN113361367A (zh) | 基于深度学习的地下目标电磁反演方法及*** | |
CN117058558A (zh) | 基于证据融合多层深度卷积网络的遥感图像场景分类方法 | |
CN113269203B (zh) | 一种用于多旋翼无人机识别的子空间特征提取方法 | |
Wang et al. | Modified statistically homogeneous pixels’ selection with multitemporal SAR images | |
CN116008918A (zh) | 多旋翼无人机识别中的谱图局部相位编码特征提取方法 | |
CN112946600B (zh) | 基于wgan-gp的雷达hrrp数据库构建方法 | |
CN112764002B (zh) | 一种基于可变形卷积的fmcw雷达手势识别方法 | |
CN107766790B (zh) | 一种基于局部约束低秩编码的人体行为识别方法 | |
CN104008373B (zh) | 基于多信息字典学习的sar目标识别方法 | |
CN104021399B (zh) | 基于距离像时频图非负稀疏编码的sar目标识别方法 |
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 |