基于EEMD的車輛微動信號提取及分類*

林 萍, 陳華杰, 林封笑

(杭州電子科技大學 通信信息傳輸與融合技術國防重點學科實驗室,浙江 杭州 310018)

基于EEMD的車輛微動信號提取及分類*

林 萍, 陳華杰, 林封笑

(杭州電子科技大學通信信息傳輸與融合技術國防重點學科實驗室,浙江杭州310018)

針對輪式和履帶式車輛微動信號的差異對目標車輛進行了識別分類,利用集合經驗模式分解(EEMD)將原始信號分解為多個本征模函數(IMF),通過相關性分析,驗證了EEMD能夠有效克服EMD所帶來的模態混疊問題。在此基礎上,提取了4種特征,采用最近鄰方法進行分類。實驗結果表明：經EEMD所提取的特征是有效的,對目標速度,以及方位角的變化具有相當的穩健性。

集合經驗模態分解； 微多普勒； 目標分類； 信號分離

0 引 言

目標微動具有唯一性和穩定性的特點,由于目標微動會對雷達回波產生調制,通過對調制后的回波頻率進行分析,發現,不同的目標之間存在明顯差異,因此,美國海軍實驗室將微多普勒現象引入雷達領域,為雷達目標識別提供了新的研究思路[1,2]。

在實際應用中,輪式車輛和履帶式車輛的微動信號往往與車身信號混合甚至夾雜著雜波,因此,必須將兩類車輛的微動信號從原始信號中分離出來[3]。由文獻[4]可知車輛目標的多普勒譜分布范圍為[0,2fd],車身部分的分量主要集中于[0,fd],微動分量分布在整個頻譜中。通過文獻[5]仿真返回的回波發現存在非線性且不穩定的微動信號,傳統的信號分離方法已經不能滿足要求。文獻[4]提出了基于經驗模態分解(empirical mode decomposition,EMD)的車輛目標分類技術,并通過仿真實驗進行了驗證。本文在文獻[4]的基礎上,增加了雜波,設定了更廣的車速范圍和方位角范圍,此時,在回波中可能會存在間斷信號或者噪聲等,造成極值點分布不均勻,在這種仿真環境下利用文獻[4]方法會存在模態混疊的問題,導致兩類車輛特征差異無法凸顯[6～10]。

本文針對模態混疊問題,提出了集合EMD(ensemble EMD,EEMD)對車輛的原始回波進行分解。進一步通過相關性算法,驗證了EEMD的有效性。在此基礎上,基于兩類車輛微動信號的差異提出了4種特征。實驗結果表明：本文方法具有更好的分類效果,且具有穩健性。

1 輪式履帶式車輛仿真建模

文獻[5]通過建立三維點目標運動模型模擬車輛目標運動產生回波數據。分別對輪式車輛的車輪轉動和車身平動這2個強散射點運動建模和履帶式車輛的上半部分履帶平動以及左、右兩側履帶轉動這2個強散射點建模。本文根據上述方法建立了仿真模型,在此基礎上添加了動雜波,并對各個方位角以及不同的速度進行了仿真。

2 基于EEMD的微多普勒信號抽取

合成孔徑雷達(synthetic aperture radar,SAR)微多普勒信號是從SAR方位向回波信號中提取的,因此,首先需要對SAR/地面目標指示器(GMTI)原始回波數據進行距離向壓縮和距離徙動校正[5],然后,對所得的信號進行動態主元分析(dynamic principal component analysis,DPCA)處理,從而抑制靜雜波;最后進行EEMD提取微動信號。流程如圖1。

圖1 微多普勒信號提取流程

2.1 EEMD算法

EEMD使高斯白噪聲均勻分布在各個頻段,波形更加平滑,此時,雜波也被包含在噪聲中,經過多次迭代克服了EMD由于極值點分布不均勻造成的模態混疊問題。對所得到的回波信號進行EEMD步驟如下：

1)向回波信號添加一組均勻的高斯白噪聲,產生新的信號；

2)對新信號進行EMD,得到若干個本征模函數(intrinsic mode function,IMF)和一個余項為

(1)

式中X(t)為步驟(1)中的新信號;xj為對應的第j個本征模函數；rn為分解到最后剩下的余項。

3)繼續給回波信號添加均勻白噪聲,重復步驟(1)和步驟(2),重復次數與預定義的迭代次數有關,一般多于100次。最后,得到多個步驟(2)的結果為

(2)

式中Xi(t)為第i次迭代時步驟(1)產生的新信號;xij為第i次迭代時經EMD產生的第j個IMF;rin為第i次迭代時經EMD產生的余項。

4)對步驟(3)所得到的各個IMF和余項取均值得到最終的IMF和余項,具體表示如下

xj=xij/N

(3)

rn=rin/N

(4)

式中N為迭代次數。

5)對各個IMF進行Hibert變換得到時頻圖。

2.2 實驗結果分析

對輪式車輛回波和履帶式車輛回波分別進行了EMD和EEMD,結果如圖2、圖3所示。EMD的IMF1頻率分布范圍廣,產生了模態混疊的現象。

圖2 EMD結果

圖3 EEMD結果

3 基于EEMD的輪式和履帶式車輛分類算法

3.1 算法原理

主要通過2種算法實現了對車輛目標的分類：EEMD算法以及基于微動信號的差異性所做的特征提取算法,流程如圖4。

圖4 車輛算法流程

3.1.1基于相關性分析的有效IMF選擇

提出了相關性分析方法描述EMD與EEMD之間的具體差異。相關系數計算如下

(5)

利用EEMD對輪式車輛和履帶式車輛進行信號分解,對分解后的各個IMF與其車身信號以及微動信號做相關性分析,得出了如下實驗結論：

1)有效的IMF選擇:實驗中選擇0.1作為門限值,因此,本文僅選擇前5個IMF進行實驗分析。

2)基于EEMD微多普勒信號分離的效果分析:從表1可以看出,EEMD能克服模態混疊問題,使得微多普勒信號能夠更有效地分離。

3)輪式車輛與履帶式車輛分解后的IMF之間比較:由表1可知：輪式車輛的車身主體部分信號主要集中在前2個IMF,微動信號幾乎可以忽略。履帶式車輛微動信號較為均勻地分布在前4個IMF中,其中IMF2與IMF3也存在車身分量,而IMF1主要為微動信號。

表1 兩類車輛EEMD相關系分析

3.1.2 基于微動的特征提取

針對上述所分析的這兩類車輛微多普勒信號的差異,提取了4種新特征作為這兩類車輛的分類依據,具體如下

特征1：第1個IMF高頻段能量

(6)

式中x1為第1個IMF;f為頻率;fd為目標多普勒頻率。

特征2：第1個IMF高頻段波動程度。將x1分為m份,使用u表示每個等份中的個數,則第1個IMF高頻段波動程度

(7)

式中t=1,2,3,…,m;總的波動程度為F=sum(F′)。

特征1和特征2描述了兩類車輛在第1個IMF上的差異。根據前面的相關性分析可知輪式車輛的IMF1主要為車身主體部分,微動信號可以忽略,其頻譜分布較窄[0,fd]。而履帶式車輛的IMF1主要為微動信號部分,導致其頻譜展寬,因此,兩類車輛在[fd,2fd]段頻譜的能量和波動均存在差異。

特征3：第2個IMF的頻譜的極大值點

(8)

式中Y為各個IMF的傅里葉變換的幅值;x2(k)為第2個IMF的第k個元素。

特征3描述了第2個IMF峰值點的大小。根據相關性分析可知,履帶式的IMF2部分是車身和微動信號并存的。輪式車輛的IMF2只存在部分車身信號。因此可以得出如下結論：輪式車輛IMF2部分頻譜的幅度要小于履帶式車輛IMF2頻譜的幅度。

特征4：模態能量熵判斷IMF之間的離散度

(9)

特征4主要根據各個IMF的能量分布判別。輪式車輛的車身主體部分信號主要集中于前2個IMF,由于其微動信號較少,所以微動信號相對于車身信號含量幾乎可以忽略。履帶式車輛車身主體信號主要集中于IMF2和IMF3,但是由于履帶的反射系數大,在運動過程中產生了一個較大的微多普勒信號,所以它在各個IMF的分布上就更加均勻。

3.2 實驗結果

實驗主要有兩類目標：輪式車輛與履帶式車輛。采用仿真數據作為訓練樣本和測試數據,最后采用最近鄰分類器對測試數據進行測試。仿真實驗主要參數有：雷達帶寬150 MHz,脈沖重復頻率750 Hz,雷達載頻3 GHz,信號脈沖寬度1.33 μs,目標車輛速度2～20 m/s,方位角0°～40°,兩類車輛的回波數據按照文獻[5]仿真產生。實驗過程中,采用最近鄰分類器分類,分別測試了不同特征下,不同速度和不同方位角下的各個特征識別率,結果如表2、表3所示。

表2 不同速度下各個特征的識別率

表3 不同方位角下各個特征的識別率

從表2中可以看出,特征1和特征2在目標車輛低速過程中識別率較低,在高速過程中識別率較高。特征3和特征4剛好相反,在低速過程中,這2個特征對于目標車輛具有較好的區分度。通過以上分析,可以發現本文所提出的4種特征存在互補關系。在含有動雜波下,針對大速度范圍以及方位角范圍,也可以獲得較高的識別率。

4 結 論

針對復雜環境和復雜運動模式下的輪式車輛和履帶式車輛提出了EEMD。通過高斯白噪聲克服了EMD的模態混疊問題。利用相關性判別方法,進一步驗證了EEMD的有效性。在此基礎上,針對2類車輛微動特性的差異提出了4種特征,通過最近鄰分類器進行分類的結果表明,本文算法在一定方位角和速度下具有良好的識別性能。

[1] Chen V C,Li F,Ho S S,et al.Micro-Doppler effect in radar:Phenomenon,model,and simulation study[J].IEEE Transactions on Aerospace and Electronic System,2006,42(1):2-21.

[2] Kim Y,Ling H.Human activity classification based on micro-Doppler signatures using a support vector machine[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(5):1328-1337.

[3] 聶 鵬,徐洪垚,劉新宇,等.EEMD方法在刀具磨損狀態識別的應用[J].傳感器與微系統,2012,31(5):147-149.

[4] 李彥兵.基于微多普勒效應的運動車輛目標分類研究[D].西安：西安電子科技大學,2013.

[5] 駱宇峰.SAR輪式/履帶式車輛微多普勒建模和特征分析[D].杭州：杭州電子科技大學,2013.

[6] 呂艷新,李海濤,鄧 冬,等.基于EEMD的多傳感器信息融合降噪方法[J].傳感器與微系統,2014,33(10):5-7.

[7] 董 偉,王紅亮,黃洋文.基于多重特征提取的戰場車輛聲目標識別[J].傳感器與微系統,2010,29(7):30-32.

[8] 劉桂林,孔祥維,劉 航.基于無線傳感器網絡的車輛檢測識別算法研究[J].傳感器與微系統,2010,29(2):9-12.

[9] 盧 丹,周以齊.基于EEMD和CWT的挖掘機座椅振動分析[J].山東大學學報：工學版,2015(3):58-64.

[10] 蔣留兵，韋洪浪，管西海，等.基于EEMD和HOC的超寬帶雷達生命探測算法研究[J].現代雷達，2015,37(5)：25-30.

EEMD-basedvehiclemicro-motionechosignalextractionandclassification*

LIN Ping, CHEN Hua-jie, LIN Feng-xiao

(KeyLaboratoryofFundamentalScienceforNationalDefense-CommunicationInformationTransmissionandFusionTechnology,HangzhouDianziUniversity,Hangzhou310018,China)

Aiming at difference of micro-motion echo signal of two kinds of vehicles,target vehicle is identified and classified.Ensemble empirical mode decomposition(EEMD) is employed to decompose original signal into a number of intrinsic mode function(IMF).By means of correlation analysis,it is proved that EEMD can effectively overcome the mode mixing problem caused by EMD.On this basis,four features are extracted,the nearest neighbor method is used for classification.Experimental results show that the features extracted after EEMD are effective and fairly robust against the variation of the target velocity and azimuth angle.

ensemble empirical mode decomposition(EEMD); micro-Doppler; target classification; signal separation

10.13873/J.1000—9787(2017)10—0038—03

2016—09—12

國家“十二五”預研項目

TN 957

A

1000—9787(2017)10—0038—03

林 萍(1992-),女,碩士研究生,主要研究方向為模式識別,信號處理。