基于多普勒頻譜特性的雷達目標分類識別研究

潘慧沖 羅丁利 徐保慶

(西安電子工程研究所 西安 710100)

0 引言

低分辨戰場偵察雷達目標識別的過程包含特征提取與分類識別兩部分,特征提取是否穩健有效直接決定了目標識別的質量。具有速度發散特點的一類目標形式常常具有多普勒頻譜展寬的特點。炸點目標在爆炸的過程中,會從炸點中飛射出大量的反射物,包括飛石、土塊和彈片等,這些反射物的數量眾多,且相對于雷達視線方向的徑向速度分量成分復雜,這就使得炸點目標具有復雜的多普勒頻譜特性[1];風輪機在葉片旋轉的過程中,葉片上一系列散射點的線速度大小各不相同,方向不斷變化,使葉片轉動的回波具有一定寬度的多普勒頻譜[2]。部分氣象雜波也會表現出類似的特征,具有多普勒頻譜展寬的特點。這三類目標的距離多普勒平面表現十分相似,會為雷達的實際工作帶來影響。基于炸點目標的多普勒譜分布特性,可以將炸點目標與戰場偵察雷達其它各類目標進行分類識別[3],但是,其他各類目標的頻譜特性與炸點相差較大,并未對炸點目標的頻譜特性進行深入研究。對風輪機目標特性的研究中,多采用時頻分析法研究風輪機目標的時頻特性,基于風輪機目標的多普勒頻率閃爍現象和電磁散射特性提取相關特征[4-5]。基于時頻分析技術,提取風輪機的微多普勒特征,可以實現對風輪機雜波的有效檢測[6]。但是,低分辨戰場偵察雷達多屬于高重頻雷達,工作在掃描狀態時,時頻分析法并不適用。利用奇異值分解技術可以對風輪機的微動特征進行分析,并進行特征提取[7],但是該方法運算量較高,不易于工程實現。氣象雜波的分類研究相對集中于各類雜波間的分類識別[8],對于雜波與其他目標形式的相似性研究則相對較少。

本文從雷達目標多普勒頻譜分布特性的角度,基于目標回波的多普勒譜,提取目標相對RCS、頻譜熵值以及多普勒頻譜標準差這三類特征,并基于各類目標的實測回波數據,采用支持向量機(SVM)分類器檢驗各類特征對目標的分類性能。

1 目標回波數據預處理

雷達的回波信號中除了包含目標信息,還含有大量的噪聲與雜波信號,這些信號具有較高的能量,會干擾雷達系統的探測與識別,所以,回波信號預處理是整個雷達系統分類識別的基礎。對于常規戰場偵察雷達,基帶信號的預處理流程包括:脈沖壓縮、動目標檢測(MTD)和恒虛警檢測(CFAR),圖1為回波信號預處理流程框圖。由于炸點目標、風輪機目標和云雨條件下的部分氣象雜波都具有速度發散的特點,所以這三類目標在多普勒維都表現為帶狀目標。由于需要根據CFAR檢測出的目標信號進行目標的分類識別,所以根據三類目標的回波特點,采用雙門限檢測算法進行目標檢測,本文采用有序恒虛警檢測算法(OS-CFAR)對目標回波數據進行第一門限恒虛警檢測后,再沿多普勒維對目標回波進行二進制積累,基于二進制積累結果,使用滑窗法對檢測得到的點跡數進行累積,通過設置相應的門限值,若所得的累積數目超過門限值,則判定為檢測到目標,否則則沒有,仿真實驗證明該算法對于具有頻譜展寬特點的目標具有良好的檢測效果,可以有效排除雜波虛警和干擾目標。

圖1 回波信號預處理流程圖

2 基于目標多普勒頻譜特性的基本特征

對雷達目標的特征提取是整個雷達目標識別過程中最關鍵的一步,目標特征的有效性與穩健性會影響到雷達目標識別結果的質量。目標的多普勒頻譜包含了目標的微多普勒信息,本文中的三類目標都包含復雜的多普勒成分,在距離維和多普勒維上都有一定的展寬,以炸點目標為例,圖2(a)為炸點目標回波的多普勒頻譜,從圖中可以看出,炸點目標頻譜在多普勒維呈現帶狀展開,這是由于炸點爆炸過程中飛射出大量反射物,相對于雷達視線方向的徑向速度分量十分復雜。同理,風輪機與氣象雜波目標也具有相似的頻譜特征,如圖2(b)、圖2(c)所示。

圖2 三類目標回波多普勒頻譜

為了更直接地反映各類目標多普勒頻譜的差異性,本文對目標回波頻譜求頻譜和值X。假設目標回波頻譜的二維數據矩陣D為

(1)

式(1)中,M為目標回波在距離維所占據的距離單元數,N為多普勒通道數。則將目標的二維數據矩陣D在距離維上進行加和處理,求得頻譜和值X,

(2)

本文以回波數據頻譜和值X為基礎,提取以下各類目標特征。

2.1 相對RCS

雷達散射截面積(RCS)是表征目標對雷達發射信號后向散射能力的物理量,本文的三類目標中,炸點的散射能量較強,但在爆炸過程中爆炸強度會隨時間變化,所以炸點散射的回波能量會有較大的起伏變化。風輪機目標的散射能力則相對穩定,而氣象雜波的散射性能具有較大的隨機性。相對RCS可以用來區分RCS相對變化較大的目標。

雷達接收到的回波經過數字脈沖壓縮、脈沖積累后,回波信噪比SNR為

(3)

其中,Pt為雷達發射功率;G為天線增益;Ae為雷達天線有效接收孔徑;R為目標到雷達的距離;σ為目標的雷達散射截面積;B為發射信號帶寬;τ為發射脈沖時寬;k為玻爾茲曼常數;T0為標準噪聲溫度;F為噪聲系數;L為雷達損失。

式(3)中,Pt、G、Ae、k、T0、F和L是同一雷達系統的固定參數,則式(3)可簡化為式(4)。

(4)

fr=10lg(R4SNR/τN)

(5)

式(5)中,以回波功率P代替信噪比k,則fr可表示為

fr=10lg(PR4/τN)

(6)

式(6)中,回波功率P為

(7)

探測目標到雷達的距離可由質心法求得,將目標的二維數據矩陣D在多普勒維上進行加和處理可得Y為

Y=[x11+…+xN1,…,x1M+…+xNM]=[y1,…,yM]

(8)

則目標所在距離R為

(9)

式(9)中,ri(i=1,…,M)為目標回波所在距離門數,ΔR為雷達距離分辨單元。

2.2 頻譜熵值

熵是信息論中的重要概念,它表示了系統不確定性的一種度量,熵值的大小反映了不同信源的分離程度。頻譜熵值,在某些文獻中又被稱作“波形熵”[10],可用來反映信號頻譜能量分布的集散程度,能量分布越集中,頻譜熵值越小,反之,則越大。在三類目標中,炸點由于爆炸,能量分布相對分散,且處于爆炸不同階段的目標能量的分布也有所差異,風輪機的能量分布則相對均衡,氣象雜波的能量分布則具有隨機性。

基于目標多普勒頻譜和值的頻譜熵值可定義為

(10)

式(10)中,yi為目標頻譜和值X=(x1,x2,…,xN)歸一化的處理結果,yi為

(11)

2.3 頻譜標準差

頻譜標準差是表征目標回波多普勒頻譜幅值分布情況的物理量,其值的大小代表了回波幅值波動的大小。在三類目標中,炸點目標的回波中所包含多普勒成分十分復雜,由于爆炸使這些成分的幅值在多普勒頻譜中分布并不均勻,相對而言,風輪機頻譜的幅值分布則要相對均衡,而氣象雜波中的多普勒展寬的情況就更為復雜,頻譜標準差可以對各類頻譜幅值波動情況差異較大的目標形式進行分類。

頻譜標準差是指回波多普勒頻譜幅值的標準差,由目標頻譜和值X=(x1,x2,…,xN)可表示為

(12)

2.4 特征提取結果

基于實測數據的特征分布結果如圖3所示。

圖3 實測數據特征分布圖

從以上特征分布圖中可以看出,炸點目標與風輪機目標的各類特征分布相對比較集中,而氣象雜波特征分布區域較為離散化。在三類特征中,相對RCS對于炸點目標與風輪機目標有極佳的分類效果,這兩類目標的相對RCS分布區域較小,特征聚集性較好。從頻譜熵值的角度來看,三類目標在頻譜熵值上的區分度并不大,但是炸點目標與風輪機目標在頻譜熵值上有良好的特征穩健性。多普勒頻譜標準差對這兩類目標具有不錯的區分度,從圖3中觀察到,兩類目標在多普勒頻譜標準差上也表現出較好的特征穩健性。綜上可以看出,風輪機目標與炸點目標各項特征的穩健性相對較好,而氣象雜波由于情況具有較大的隨機性,所以各項特征的穩健性表現相對較差。

3 基于實測數據的分類識別

本文在特征提取后,對雷達實測數據進行了分類識別,雷達采用脈沖多普勒體制,信號帶寬為6MHz,最大探測距離為18km,距離分辨率為25m,最大不模糊速度為50m/s,實測數據中包含了風輪機、炸點與氣象雜波三類目標。本文以SVM為分類器,SVM分類器對小樣本具有良好的分類性能,且其訓練結果具有較好的泛化能力[11]。SVM分類器采用高斯核函數。文中在對數據集進行歸一化處理后,將數據集中的樣本進行隨機排序,并按比例進行訓練集的選取,為比較各類特征在分類識別中的有效性,控制分類識別的條件,將樣本中的三類特征進行兩兩組合并與三類特征的分類結果進行對比分析,在進行1000次蒙特卡洛試驗后統計各類目標的正確識別樣本均值與識別率均值,保證了訓練樣本的隨機性和實驗結果的可靠性。分類識別結果如表1所示。

表1 三類目標分類結果

為了更直觀地比較各類特征組合的識別率變化,圖4給出了3類目標在不同特征組合下的識別率變化曲線。圖4表明,相對于兩類特征的組合,三類特征組合下的識別率有所提高,其中三類特征組合相對于“相對RCS+頻譜熵值”組合的識別率上升并不顯著,這與樣本數量相對較少有關,同時也驗證了頻譜標準差對三類目標的分類有效性較低。

圖4 不同特征組合的目標識別率

為了更進一步比較各種特征的分類性能,表2中列出了使用SVM分類器時各類特征的識別率,由于個別目標樣本數相對較少,會對統計結果產生部分影響。通過對比3類目標在不同特征的識別率可以看出,特征相對RCS對三類目標的識別都表現出較好的分類性能,頻譜熵值對炸點的識別率較低,對其他兩類目標卻有不錯的分類效果,而頻譜標準差對風輪機與炸點能很好地進行識別,但對氣象雜波的分類效果較差。通過對三類特征的分類結果進行比較可得,三類特征對各類目標的分類都具有有效性。

表2 不同特征識別率比較

4 結束語

本文針對低分辨戰場偵察雷達目標的分類識別問題,通過雷達信號預處理,抑制雜波干擾,提取目標回波頻譜,構建目標頻譜和值,在此基礎上進行目標特征提取,提取三類目標頻譜特征:相對RCS、頻譜熵值以及頻譜標準差。最后以所提取的三類特征訓練SVM分類器對目標進行分類識別,基于雷達實測數據的分類實驗結果表明,三類特征對各類目標的分類都具有有效性,其中,“相對RCS+頻譜熵值”特征組合對各類目標的識別率與三類特征組合的識別率相差不大,從工程實踐的角度,可以選擇“相對RCS+頻譜熵值”的特征組合。