基于多普勒频谱特性的雷达目标分类识别研究

潘慧冲 罗丁利 徐保庆

(西安电子工程研究所 西安 710100)

0 引言

低分辨战场侦察雷达目标识别的过程包含特征提取与分类识别两部分,特征提取是否稳健有效直接决定了目标识别的质量。具有速度发散特点的一类目标形式常常具有多普勒频谱展宽的特点。炸点目标在爆炸的过程中,会从炸点中飞射出大量的反射物,包括飞石、土块和弹片等,这些反射物的数量众多,且相对于雷达视线方向的径向速度分量成分复杂,这就使得炸点目标具有复杂的多普勒频谱特性[1];风轮机在叶片旋转的过程中,叶片上一系列散射点的线速度大小各不相同,方向不断变化,使叶片转动的回波具有一定宽度的多普勒频谱[2]。部分气象杂波也会表现出类似的特征,具有多普勒频谱展宽的特点。这三类目标的距离多普勒平面表现十分相似,会为雷达的实际工作带来影响。基于炸点目标的多普勒谱分布特性,可以将炸点目标与战场侦察雷达其它各类目标进行分类识别[3],但是,其他各类目标的频谱特性与炸点相差较大,并未对炸点目标的频谱特性进行深入研究。对风轮机目标特性的研究中,多采用时频分析法研究风轮机目标的时频特性,基于风轮机目标的多普勒频率闪烁现象和电磁散射特性提取相关特征[4-5]。基于时频分析技术,提取风轮机的微多普勒特征,可以实现对风轮机杂波的有效检测[6]。但是,低分辨战场侦察雷达多属于高重频雷达,工作在扫描状态时,时频分析法并不适用。利用奇异值分解技术可以对风轮机的微动特征进行分析,并进行特征提取[7],但是该方法运算量较高,不易于工程实现。气象杂波的分类研究相对集中于各类杂波间的分类识别[8],对于杂波与其他目标形式的相似性研究则相对较少。

本文从雷达目标多普勒频谱分布特性的角度,基于目标回波的多普勒谱,提取目标相对RCS、频谱熵值以及多普勒频谱标准差这三类特征,并基于各类目标的实测回波数据,采用支持向量机(SVM)分类器检验各类特征对目标的分类性能。

1 目标回波数据预处理

雷达的回波信号中除了包含目标信息,还含有大量的噪声与杂波信号,这些信号具有较高的能量,会干扰雷达系统的探测与识别,所以,回波信号预处理是整个雷达系统分类识别的基础。对于常规战场侦察雷达,基带信号的预处理流程包括:脉冲压缩、动目标检测(MTD)和恒虚警检测(CFAR),图1为回波信号预处理流程框图。由于炸点目标、风轮机目标和云雨条件下的部分气象杂波都具有速度发散的特点,所以这三类目标在多普勒维都表现为带状目标。由于需要根据CFAR检测出的目标信号进行目标的分类识别,所以根据三类目标的回波特点,采用双门限检测算法进行目标检测,本文采用有序恒虚警检测算法(OS-CFAR)对目标回波数据进行第一门限恒虚警检测后,再沿多普勒维对目标回波进行二进制积累,基于二进制积累结果,使用滑窗法对检测得到的点迹数进行累积,通过设置相应的门限值,若所得的累积数目超过门限值,则判定为检测到目标,否则则没有,仿真实验证明该算法对于具有频谱展宽特点的目标具有良好的检测效果,可以有效排除杂波虚警和干扰目标。

图1 回波信号预处理流程图

2 基于目标多普勒频谱特性的基本特征

对雷达目标的特征提取是整个雷达目标识别过程中最关键的一步,目标特征的有效性与稳健性会影响到雷达目标识别结果的质量。目标的多普勒频谱包含了目标的微多普勒信息,本文中的三类目标都包含复杂的多普勒成分,在距离维和多普勒维上都有一定的展宽,以炸点目标为例,图2(a)为炸点目标回波的多普勒频谱,从图中可以看出,炸点目标频谱在多普勒维呈现带状展开,这是由于炸点爆炸过程中飞射出大量反射物,相对于雷达视线方向的径向速度分量十分复杂。同理,风轮机与气象杂波目标也具有相似的频谱特征,如图2(b)、图2(c)所示。

图2 三类目标回波多普勒频谱

为了更直接地反映各类目标多普勒频谱的差异性,本文对目标回波频谱求频谱和值X。假设目标回波频谱的二维数据矩阵D为

(1)

式(1)中,M为目标回波在距离维所占据的距离单元数,N为多普勒通道数。则将目标的二维数据矩阵D在距离维上进行加和处理,求得频谱和值X,

(2)

本文以回波数据频谱和值X为基础,提取以下各类目标特征。

2.1 相对RCS

雷达散射截面积(RCS)是表征目标对雷达发射信号后向散射能力的物理量,本文的三类目标中,炸点的散射能量较强,但在爆炸过程中爆炸强度会随时间变化,所以炸点散射的回波能量会有较大的起伏变化。风轮机目标的散射能力则相对稳定,而气象杂波的散射性能具有较大的随机性。相对RCS可以用来区分RCS相对变化较大的目标。

雷达接收到的回波经过数字脉冲压缩、脉冲积累后,回波信噪比SNR为

(3)

其中,Pt为雷达发射功率;G为天线增益;Ae为雷达天线有效接收孔径;R为目标到雷达的距离;σ为目标的雷达散射截面积;B为发射信号带宽;τ为发射脉冲时宽;k为玻尔兹曼常数;T0为标准噪声温度;F为噪声系数;L为雷达损失。

式(3)中,Pt、G、Ae、k、T0、F和L是同一雷达系统的固定参数,则式(3)可简化为式(4)。

(4)

fr=10lg(R4SNR/τN)

(5)

式(5)中,以回波功率P代替信噪比k,则fr可表示为

fr=10lg(PR4/τN)

(6)

式(6)中,回波功率P为

(7)

探测目标到雷达的距离可由质心法求得,将目标的二维数据矩阵D在多普勒维上进行加和处理可得Y为

Y=[x11+…+xN1,…,x1M+…+xNM]=[y1,…,yM]

(8)

则目标所在距离R为

(9)

式(9)中,ri(i=1,…,M)为目标回波所在距离门数,ΔR为雷达距离分辨单元。

2.2 频谱熵值

熵是信息论中的重要概念,它表示了系统不确定性的一种度量,熵值的大小反映了不同信源的分离程度。频谱熵值,在某些文献中又被称作“波形熵”[10],可用来反映信号频谱能量分布的集散程度,能量分布越集中,频谱熵值越小,反之,则越大。在三类目标中,炸点由于爆炸,能量分布相对分散,且处于爆炸不同阶段的目标能量的分布也有所差异,风轮机的能量分布则相对均衡,气象杂波的能量分布则具有随机性。

基于目标多普勒频谱和值的频谱熵值可定义为

(10)

式(10)中,yi为目标频谱和值X=(x1,x2,…,xN)归一化的处理结果,yi为

(11)

2.3 频谱标准差

频谱标准差是表征目标回波多普勒频谱幅值分布情况的物理量,其值的大小代表了回波幅值波动的大小。在三类目标中,炸点目标的回波中所包含多普勒成分十分复杂,由于爆炸使这些成分的幅值在多普勒频谱中分布并不均匀,相对而言,风轮机频谱的幅值分布则要相对均衡,而气象杂波中的多普勒展宽的情况就更为复杂,频谱标准差可以对各类频谱幅值波动情况差异较大的目标形式进行分类。

频谱标准差是指回波多普勒频谱幅值的标准差,由目标频谱和值X=(x1,x2,…,xN)可表示为

(12)

2.4 特征提取结果

基于实测数据的特征分布结果如图3所示。

图3 实测数据特征分布图

从以上特征分布图中可以看出,炸点目标与风轮机目标的各类特征分布相对比较集中,而气象杂波特征分布区域较为离散化。在三类特征中,相对RCS对于炸点目标与风轮机目标有极佳的分类效果,这两类目标的相对RCS分布区域较小,特征聚集性较好。从频谱熵值的角度来看,三类目标在频谱熵值上的区分度并不大,但是炸点目标与风轮机目标在频谱熵值上有良好的特征稳健性。多普勒频谱标准差对这两类目标具有不错的区分度,从图3中观察到,两类目标在多普勒频谱标准差上也表现出较好的特征稳健性。综上可以看出,风轮机目标与炸点目标各项特征的稳健性相对较好,而气象杂波由于情况具有较大的随机性,所以各项特征的稳健性表现相对较差。

3 基于实测数据的分类识别

本文在特征提取后,对雷达实测数据进行了分类识别,雷达采用脉冲多普勒体制,信号带宽为6MHz,最大探测距离为18km,距离分辨率为25m,最大不模糊速度为50m/s,实测数据中包含了风轮机、炸点与气象杂波三类目标。本文以SVM为分类器,SVM分类器对小样本具有良好的分类性能,且其训练结果具有较好的泛化能力[11]。SVM分类器采用高斯核函数。文中在对数据集进行归一化处理后,将数据集中的样本进行随机排序,并按比例进行训练集的选取,为比较各类特征在分类识别中的有效性,控制分类识别的条件,将样本中的三类特征进行两两组合并与三类特征的分类结果进行对比分析,在进行1000次蒙特卡洛试验后统计各类目标的正确识别样本均值与识别率均值,保证了训练样本的随机性和实验结果的可靠性。分类识别结果如表1所示。

表1 三类目标分类结果

为了更直观地比较各类特征组合的识别率变化,图4给出了3类目标在不同特征组合下的识别率变化曲线。图4表明,相对于两类特征的组合,三类特征组合下的识别率有所提高,其中三类特征组合相对于“相对RCS+频谱熵值”组合的识别率上升并不显著,这与样本数量相对较少有关,同时也验证了频谱标准差对三类目标的分类有效性较低。

图4 不同特征组合的目标识别率

为了更进一步比较各种特征的分类性能,表2中列出了使用SVM分类器时各类特征的识别率,由于个别目标样本数相对较少,会对统计结果产生部分影响。通过对比3类目标在不同特征的识别率可以看出,特征相对RCS对三类目标的识别都表现出较好的分类性能,频谱熵值对炸点的识别率较低,对其他两类目标却有不错的分类效果,而频谱标准差对风轮机与炸点能很好地进行识别,但对气象杂波的分类效果较差。通过对三类特征的分类结果进行比较可得,三类特征对各类目标的分类都具有有效性。

表2 不同特征识别率比较

4 结束语

本文针对低分辨战场侦察雷达目标的分类识别问题,通过雷达信号预处理,抑制杂波干扰,提取目标回波频谱,构建目标频谱和值,在此基础上进行目标特征提取,提取三类目标频谱特征:相对RCS、频谱熵值以及频谱标准差。最后以所提取的三类特征训练SVM分类器对目标进行分类识别,基于雷达实测数据的分类实验结果表明,三类特征对各类目标的分类都具有有效性,其中,“相对RCS+频谱熵值”特征组合对各类目标的识别率与三类特征组合的识别率相差不大,从工程实践的角度,可以选择“相对RCS+频谱熵值”的特征组合。