一种基于局部极大值同步提取变换的微动特征与估计方法

1.本发明涉及一种基于局部极大值同步提取变换的微动特征提取与估计方法，可用于提取目标微动特征，属于雷达信号处理技术领域。


背景技术：

2.近年来，由于无人机飞行器的便捷性和灵活性，其价格也相对合理，因此受到广泛应用和喜爱。无人机可以用于各种目的，例如侦查和监视、航拍、环境检测和灾害救援等。小型无人机带来了许多好处，但同时也存在潜在的危害。随着无人机数据量的增加，空域管理和监管变得更加复杂，可能会被不法分子利用，从而造成社会危害。此外，在机场环境中，小型旋翼无人机在未经授权的情况下飞行会影响民航飞机的起降，并存在与飞机相撞的潜在风险。无人机检测技术的发展一直以来都备受关注，它在各个领域中都发挥着重要作用，无人机、直升机等在雷达目标中是一类有旋转叶片的目标，此类目标的雷达回波信号中会包含旋转叶片的长度、转速等微动参数。分析目标的微多普勒特征可以提取这些参数，准确地提取这些微动参数是识别目标类型的重要依据。因此，对目标旋转叶片参数的提取分析是雷达信号领域的研究热点。
3.微动特性是旋翼无人机在飞行过程中微小振动和姿态变化的特性。对于旋翼无人机的微动特性深入研究，对无人机的分类识别具有重要意义。在微动特征分析方面，通常采用时频分析方法来分析目标的微动特性，短时傅里叶变换(short time fourier transform,stft)能够分析信号在时间和频率上的变换，适用于分析短时平稳信号和非平稳信号，但是不能兼顾时间分辨率和频率分辨率。wigner-ville分布(wigner-ville distribution,wvd)相较于stft其时频分辨率得到了提升，但对于多分量信号其存在交叉项的影响。这些方法的时频分辨率较低，导致它们无法准确地刻画非平稳信号的非线性行为，近年来，一些学者对传统时频分析方法做了改进，如重新分配方法(rm)、同步压缩变换等。重新分配(rm)是一种时频分辨率较高的时频分析法方法，但它沿着时间和频率方向重新分配时频系数，导致无法重建信号。因此，选择合适的时频方法来提取目标微动特征，对目标的识别分类起着重要作用。


技术实现要素：

4.本发明的目的在于克服传统时频分析方法提取旋翼微动特性时出现的严重时频能量扩散，无法精确估计微动参数问题，在同步提取变换的基础上，提出了局部极大值同步提取变换微动特征提取与估计方法，旨在改善微动时频特征分辨率，提高微动参数估计精度。
5.本发明的一种基于局部极大值同步提取变换的微动特征与估计方法，其特殊之处在于包括如下步骤：
6.步骤1：通过雷达采集目标数据；
7.所述步骤1的具体为:采集目标回波数据，分离目标所在距离单元和背景距离单元
信号时域序列，根据设定样本观测时长对雷达信号时间序列截取，得到信号样本序列；
8.步骤2：通过信号采集系统实时采集空域中的任意一距离段信号，并对信号进行预处理；
9.步骤3：对距离维数据做傅里叶变换得到距离多普勒谱图，提取待分析的信号，通过距离多普勒图像找到目标所在位置，选取目标所在距离单元的信号；
10.步骤4：对选取的信号进行去趋势项处理，去除信号中的抖动干扰；
11.所述步骤4)中去趋势项处理，去除信号中的抖动干扰，利用原始信号减去均值滤波后的低频部分以得到去除趋势项后的真实信号，其中均值滤波表示为：
[0012][0013]
其中x(i)表示某点的信号，k表示某信号点处左右相邻信号点，2m为均值滤波滑窗所包含信号点数，通过计算某信号点处前m个点和后m个点的平均值来代替当前点，实现线性低通滤波。
[0014]
步骤5：对数据进行短时傅里叶变换，得到时频结果g(t,ω)；
[0015]
所述步骤5)对信号进行短时傅里叶变换表示为：
[0016][0017]
其中，g表示短时傅里叶变换结果，t表示时间，ω表示频率，g(u-t)表示高斯函数滑动窗口，s(u)表示回波信号，u表示回波信号的变量；
[0018]
步骤6：根据步骤5)中的时频分析结果，加入额外的相位位移e-iωt
，短时傅里叶变化结果可表示为然后对时间进行求导可求取瞬时频频率其中t表示时间，ω表示频率，g'表示高斯窗函数对时间求导。根据ω0(t,ω)得到同步提取变换结果te(t,ω)＝g(t,ω)δ(ω-ω0(t,ω))；
[0019]
步骤7：对于多分量信号短时傅里叶变换后的数据，谱图集中在具有涂抹能量分布的瞬时频率轨迹上，其表示为其中k表示第几个信号分量，ak(t)表示第k个分量信号的瞬时幅值，表示相位，表示窗函数进行傅里叶变换后的结果，由此我们提出了一个新的频率提取算子ωn其中ω∈|ω-δ,ω+δ|，用新的频率提取算子替换同步提取变换中的瞬时频率得到局部极大值同步提取变换lset(t,ω)＝g(t,ω)δ(ω-ωn)；
[0020]
步骤8：使用局部极大值同步提取变换对短时傅里叶变换后的数据进行处理，通过时频谱图提取目标微动特征，根据时频谱图中的参数信息来计算微动参数。本发明首先通过雷达采集目标回波数据，然后对数据进行预处理，包括解调处理和去直流，再对距离维数据做傅里叶变换得到距离多普勒谱图，对其进行去抖动干扰，提取待分析的信号。将经过预处理和去抖动干扰后的数据进行短时傅里叶变换得到时频结果，之后基于局部极大值同步
提取变换提取目标微动特征，估计目标的微动参数。本发明能够实现微多普勒信号高分辨特征提取，提高参数估计精度。
附图说明
[0021]
图1为本发明流程图；
[0022]
图2为无人机信号去趋势前和去趋势后的信号；
[0023]
图3为图2对信号进行短时傅里叶变换后的时频谱图；
[0024]
图4为图3经本发明方法处理后的时频谱图；
[0025]
图5为实施例中无人机旋翼模型。
具体实施方式
[0026]
下面将结合附图对本发明的具体步骤进行详细说明。
[0027]
实施例1
[0028]
以调频连续波雷达观测旋翼无人机为例，本实施例基于局部极大值同步提取变换的微动特征和估计方法。参照图1，具体实施步骤如下。
[0029]
(1)步骤1，采集信号。
[0030]
(2)通过雷达和电脑连接，其中雷达参数设置调制带宽和调制周期为,脉冲周期，采集无人机雷达回波数据，分离目标所在距离单元和背景距离单元信号时域序列，根据设定样本观测时长对雷达信号时间序列截取，得到信号样本序列，对信号进行去趋势项处理，去除信号中的抖动干扰。该算法利用原始信号减去均值滤波后的低频部分以得到去除趋势项后的真实信号。其中均值滤波可以表示为：
[0031][0032]
其中x(i)表示某点的信号，k表示某信号点处左右相邻信号点，2m为均值滤波滑窗所包含信号点数，通过计算某信号点处前m个点和后m个点的平均值来代替当前点，实现线性低通滤波。
[0033]
(3)对信号进行短时傅里叶变换表示为：
[0034][0035]
其中g(u-t)表示滑动窗口，s(u)表示回波信号。
[0036]
(4)短时傅里叶变换将一维时间序列信号扩展到二维时频平面，以便我们可以观察和提取信号中的瞬时振幅和瞬时频率，然而，在时域和频域中，窗口函数具有带宽，这导致能量模糊的谱图|g(t,ω)|。为了解释时频结果的能量分布，我们首先让g
ω
(u)＝g(u-t)
·eiωu
。则短时傅里叶变换可重写为
[0037][0038]
其中()
*
表示复共轭，是s(u)的傅里叶变换结果，是g
ω
(u)的傅里叶变换；
[0039]
(5)考虑到可以计算为
[0040][0041]
令u-t＝t'，我们可以进一步表示：
[0042][0043]
其中是窗函数的傅里叶变换，
[0044]
(6)短时傅里叶结果可以进一步表示为
[0045][0046]
(7)当正则短时傅里叶变换表达式考虑额外的相移e
iωt
，短时傅里叶结果表示为其短时傅里叶结果也可以表示为
[0047]
(8)在此，我们采用一个纯谐波信号的模型，那么对sh(t)进行傅里叶变换得到频率表示为则我们可以获得sh(t)的短时傅里叶结果为：
[0048]
(9)通过短时傅里叶变换结果来求取瞬时频率，首先计算ge(t,ω)对时间进行求导可得
[0049][0050]
对于任何(t,ω)，其中t表示时间，ω表示频率，只要ge(t,ω)≠0，瞬时频率可以表示为
[0051][0052]
由短时傅里叶变换的结果可以看出，初始的时频表示|ge(t,ω)|在瞬时频率轨迹上可以获得最大值，，并且时频系数ge(t,ω)应该具有最好的噪声鲁棒性。因此我们有动机仅使用时频轨迹中的ω＝ω0来生成新的时频表示，即同步提取变换表示为：
[0053]
te(t,ω)＝ge(t,ω)
·
δ(ω-ω0(t,ω))
[0054]
(10)对于多分量信号，更精确的参数估计，可以对(4)中重写的短时傅里叶变换求导可得：
[0055][0056]
更进一步，瞬时频率表示为
[0057]
(11)对stft进一步分析。先假设在任意时刻足够小，对于a
′k(t)≤ε。根据泰勒
展开式，我们可以在时间点t展开第k个分量的ia函数ak(u)＝ak(t)和ip函数因此对于多分量信号因此对于多分量信号则stft可以表示为：最终可以表示为频谱能量集中在具有模糊能量分布的瞬时频率轨迹上，其表示为
[0058][0059]
(12)因此，我们提出了一个新的频率提取算子，它被写为在此，假设两个任意模式在足够的频率距离下很好地分离，即其中k∈{1,2
…
,n―1}考虑到窗口函数的傅里叶变换在零点处达到最大值，即g
*
(ω)≤g
*
(0),我们可以得到
[0060][0061]
通过频率提取算子直接提取时频能量最大处的值，导出了局部极值同步提取变换时频方法，其表达式为：
[0062]
lset(t,ω)＝g(t,ω)δ(ω-ωn(t,ω))dω
[0063]
(13)分析旋翼无人机的回波，对照附图5，构建无人机旋翼叶片模型。
[0064]
雷达波束中心点o与旋翼叶片处于同一水平面，假设点p(x0,y0,0)的初始旋转角为经过时间t，散射点到达p
′
(x
t
,y
t
,0),则散射点p
′
的距离为:
[0065]
当满足远场条件时，旋转散射点p'到雷达的距离近似为：
[0066][0067]
(14)雷达到散射点p的回波信号为
[0068][0069]
在研究旋翼叶片散射点的基础上，对点p的回波信号做长度上的积分可得到单个完整叶片回波：
[0070][0071][0072]
(15)假设每个旋翼有n个叶片且每个叶片的初始相位不同，旋翼叶片的初始旋转角存在以下关系：
[0073]
则有第k个叶片的初始旋转角为(k＝1,2,3,
···
,n),所以单个旋翼总的雷达回波变为
[0074][0075][0076]
由于雷达和目标处于同一高度，所以俯仰角近似为0，则相位函数为：
[0077][0078]
(16)对接受信号的相位函数时间求导可以得到回波信号的瞬时多普勒频率，得到旋翼第k个叶片等效瞬时微多普勒频率：
[0079][0080]
微多普频率被旋转速率以正弦函数进行调制，由于无人机旋翼转动时，叶尖处的线速度最大，所以其对应的多普勒频率也最大，即最大微多普勒频率为：
[0081][0082]
其中，v为旋翼叶尖的线速度；l为旋翼叶长；n为旋翼叶片的转速；因雷达与目标处于同一高度，则cosβ可以近似为1。由于叶片转速＝叶片闪烁频率f
flash
/叶片数目，叶片闪烁频率为相邻闪烁时间的倒数，则旋翼叶长可以估计为：
[0083][0084]
由于不同类型的无人机旋翼叶片长度大部分是不同的，可以通过估计的旋翼叶长来区分无人机类型。

技术特征：
1.一种基于局部极大值同步提取变换的微动特征与估计方法，其特征在于包括如下步骤：步骤1：通过雷达采集目标回波数据；步骤2：信号采集系统实时采集空域中的任意一距离段信号，并对信号进行预处理；步骤3：对距离维数据做傅里叶变换得到距离多普勒谱图，提取待分析的信号，通过距离多普勒图像找到目标所在位置；步骤4：对信号进行去趋势项处理，去除信号中的抖动干扰，选取目标所在距离单元的信号；步骤5：然后对信号进行短时傅里叶变换，得到时频结果g
e
(t,ω)；步骤6：根据步骤5)中的时频分析结果对时间求导可以得到瞬时频频率ω0(t,ω)，则同步提取算子为δ(ω-ω0(t,ω))，进而得到同步提取变换结果te(t,ω)；步骤7：对于多分量信号短时傅里叶变换后的数据，谱图集中在具有能量分布的瞬时频率轨迹上，其表示为|g(t,ω)|，由此我们定义了一个新的频率提取算子ω
n
(t,ω)，用新的频率提取算子替换同步提取变换中的瞬时频率得到局部极大值同步提取变换lset(t,ω)；步骤8：使用局部极大值同步提取变换对短时傅里叶变换后的数据进行处理，通过时频谱图提取目标的微动特征，根据时频谱图中的参数信息来计算微动参数。2.按照权利要求1所述的一种基于局部极大值同步提取变换的微动特征与估计方法，其特征在于所述步骤1)具体为：，采集目标回波数据，分离目标所在距离单元和背景距离单元信号时域序列，根据设定样本观测时长对雷达信号时间序列截取，得到信号样本序列。3.按照权利要求1所述的一种基于局部极大值同步提取变换的微动特征与估计方法，其特征在于所述步骤4)中去趋势项处理，去除信号中的抖动干扰，利用原始信号减去均值滤波后的低频部分以得到去除趋势项后的真实信号，其中均值滤波表示为：其中x(i)表示某点的信号，k表示某信号点处左右相邻信号点，2m为均值滤波滑窗所包含信号点数，通过计算某信号点处前m个点和后m个点的平均值来代替当前点，实现线性低通滤波。4.按照权利要求1所述的一种基于局部极大值同步提取变换的微动特征与估计方法，其特征在于所述步骤5)对信号进行短时傅里叶变换表示为：其中，g表示短时傅里叶变换结果，t表示时间，ω表示频率，g(u-t)表示高斯函数滑动窗口，s(u)表示回波信号，u表示回波信号的变量，短时傅里叶变换结果可以重写为其中是窗函数的傅里叶变换结果，是s(u)的傅里叶变换结果。5.按照权利要求4所述的一种基于局部极大值同步提取变换的微动特征与估计方法，其特征在于步骤6)中根据步骤5)中的时频分析结果，求取瞬时频频率
其中t表示时间，ω表示频率，g'表示窗函数对时间求导，g
eg
′
是由窗函数导数表示的短时傅里叶结果，同步提取算子表示为δ(ω-ω0(t,ω))，则可以得到同步提取变换结果te(t,ω)。6.按照权利要求1所述的一种基于局部极大值同步提取变换的微动特征与估计方法，其特征在于步骤7)中通过分析多分量信号短时傅里叶变换后的数据，谱图中的能量可以表示为其中k表示第几个信号分量，a
k
(t)表示第k个分量信号的瞬时幅值，表示相位，表示窗函数进行傅里叶变换后的结果，提出一个新的频率提取算子其中ω∈|ω-δ,ω+δ|，将ω
n
(t,ω)代入到te(t,ω)中得到局部极大值同步提取变换lset(t,ω)＝g(t,ω)δ(ω-ω
n
(t,ω))。

技术总结
本发明涉及一种基于局部极大值同步提取变换的微动特征提取与估计方法，属于雷达信号处理技术领域。本发明首先通过雷达采集目标回波数据，然后对回波数据进行预处理，再对距离维数据做傅里叶变换得到距离多普勒谱图，然后进行去抖动干扰，提取待分析的信号。对选取目标所在距离单元的回波信号进行短时傅里叶变换得到时频结果，基于局部极大值同步提取变换提取目标的微动特征，估计微动参数。本发明能够实现微多普勒信号高分辨特征提取，提高参数估计精度。估计精度。估计精度。


技术研发人员：陈小龙 杜晓林 袁旺 于刚 汪兴海 刘克 关键 苏宁远
受保护的技术使用者：中国人民解放军海军航空大学
技术研发日：2023.07.18
技术公布日：2023/9/23