基于时频集中度指标的多旋翼无人机微动特征参数估计方法
发布时间：2022-01-23 07:48
无人机旋翼转动产生的微多普勒调制能够反映此类目标的微动特性,准确估计无人机旋翼长度、转动频率对于无人机的检测与识别具有重要意义。该文针对调频连续波体制雷达,提出一种基于时频集中度指标（CTF）的多旋翼无人机微动特征参数估计方法,推导了无人机旋翼微动特征参数与微多普勒分量信号参数之间的映射关系,在时频旋转域基于时频集中度指标,提高了各微动分量的区分度,相比于传统方法,提高了多分量微多普勒信号的参数估计精度,在低信噪比环境下也具有很好的鲁棒性。通过仿真和实际场景实验验证了方法的有效性。
【文章来源】：电子与信息学报. 2020,42(08)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
旋翼投影到雷达平面示意图
综上所述，本文基于时频集中度指标的多旋翼无人机微动特征参数估计方法流程图如图2所示，其中雷达回波预处理包括脉冲压缩、MTD杂波抑制[22]。对目标位置所在距离门的雷达回波构建旋转算子，设置参量空间的取值范围。然后基于频谱集中度指标定量分析，将雷达回波变换到旋转域。由于粒子群优化(Particle Swarm Optimization,PSO)算法[23]具有概念简单、控制参数少、易实现、收敛速度快、适用性强等特点，文中采用的粒子群优化方法对得到的频谱集中度指标做多峰值检测，本文采用多峰粒子群优化算法来得到各分量参数，设置粒子群规模为30，最大迭代次数为50，位置信息为整个参量空间。4 实验结果与分析
接下来对比本文所提方法与时频分析联合Hough变换的结果对比。对于多分量微动目标，短时傅里叶变换时频集中度较差，并且时频平面存在严重的曲线交叉，用峰值检测等方法无法实现多分量信号的分解和参数估计，如图4(a)所示。WignerVille分布则产生严重的分量自交叉项，参数估计误差较大，如图4(b)所示。在短时傅里叶变换后进行Hough变换得到的参量空间结果，由于该方法本质上是图像处理手段，因此其参数估计精度取决于时频分析结果，前文已论证由于传统时频分析方法时频分辨率较差，因此该方法参数估计精度较低，并且运算量大，如图4(c)所示。本文提出的基于时频集中度指标的多旋翼无人机微动特征参数估计方法对于不同转动频率对应的旋翼分量的参数均能准确估计，同时还可以有效抑制背景干扰和杂波干扰，提高了对无人机旋翼转动频率的辨识度和准确度，频谱集中度指标如图5所示。接下来在不同信噪比(Signal-to-Noise Ratio,SNR)条件下，分析不同方法对无人机各个旋翼分量叶片长度、转速、初始相位估计的准确度，本文采用实际/估计旋翼转动频率功率比(ETR)来表征，即
【参考文献】：
期刊论文
[1]空间旋转目标窄带雷达干涉式三维成像与微动特征提取[J]. 胡健,罗迎,张群,康乐,何其芳. 电子与信息学报. 2019(02)
[2]A multicomponent micro-Doppler signal decomposition and parameter estimation method for target recognition[J]. Chen SONG,Yirong WU,Liangjiang ZHOU,Ruoming LI,Jiefang YANG,Wei LIANG,Chibiao DING. Science China（Information Sciences）. 2019(02)
[3]基于双雷达微动特征融合的无人机分类识别[J]. 章鹏飞,李刚,霍超颖,殷红成. 雷达学报. 2018(05)
[4]微动目标雷达特征提取、成像与识别研究进展[J]. 张群,胡健,罗迎,陈怡君. 雷达学报. 2018(05)
[5]基于跟踪脉冲的MIMO雷达多目标微动特征提取[J]. 罗迎,龚逸帅,陈怡君,张群. 雷达学报. 2018(05)
[6]基于实测数据的空中目标分类识别算法[J]. 李明,吴娇娇,左磊,宋万杰,刘慧敏. 电子与信息学报. 2018(11)
本文编号：3603909
【文章来源】：电子与信息学报. 2020,42(08)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
旋翼投影到雷达平面示意图
综上所述，本文基于时频集中度指标的多旋翼无人机微动特征参数估计方法流程图如图2所示，其中雷达回波预处理包括脉冲压缩、MTD杂波抑制[22]。对目标位置所在距离门的雷达回波构建旋转算子，设置参量空间的取值范围。然后基于频谱集中度指标定量分析，将雷达回波变换到旋转域。由于粒子群优化(Particle Swarm Optimization,PSO)算法[23]具有概念简单、控制参数少、易实现、收敛速度快、适用性强等特点，文中采用的粒子群优化方法对得到的频谱集中度指标做多峰值检测，本文采用多峰粒子群优化算法来得到各分量参数，设置粒子群规模为30，最大迭代次数为50，位置信息为整个参量空间。4 实验结果与分析
接下来对比本文所提方法与时频分析联合Hough变换的结果对比。对于多分量微动目标，短时傅里叶变换时频集中度较差，并且时频平面存在严重的曲线交叉，用峰值检测等方法无法实现多分量信号的分解和参数估计，如图4(a)所示。WignerVille分布则产生严重的分量自交叉项，参数估计误差较大，如图4(b)所示。在短时傅里叶变换后进行Hough变换得到的参量空间结果，由于该方法本质上是图像处理手段，因此其参数估计精度取决于时频分析结果，前文已论证由于传统时频分析方法时频分辨率较差，因此该方法参数估计精度较低，并且运算量大，如图4(c)所示。本文提出的基于时频集中度指标的多旋翼无人机微动特征参数估计方法对于不同转动频率对应的旋翼分量的参数均能准确估计，同时还可以有效抑制背景干扰和杂波干扰，提高了对无人机旋翼转动频率的辨识度和准确度，频谱集中度指标如图5所示。接下来在不同信噪比(Signal-to-Noise Ratio,SNR)条件下，分析不同方法对无人机各个旋翼分量叶片长度、转速、初始相位估计的准确度，本文采用实际/估计旋翼转动频率功率比(ETR)来表征，即
【参考文献】：
期刊论文
[1]空间旋转目标窄带雷达干涉式三维成像与微动特征提取[J]. 胡健,罗迎,张群,康乐,何其芳. 电子与信息学报. 2019(02)
[2]A multicomponent micro-Doppler signal decomposition and parameter estimation method for target recognition[J]. Chen SONG,Yirong WU,Liangjiang ZHOU,Ruoming LI,Jiefang YANG,Wei LIANG,Chibiao DING. Science China（Information Sciences）. 2019(02)
[3]基于双雷达微动特征融合的无人机分类识别[J]. 章鹏飞,李刚,霍超颖,殷红成. 雷达学报. 2018(05)
[4]微动目标雷达特征提取、成像与识别研究进展[J]. 张群,胡健,罗迎,陈怡君. 雷达学报. 2018(05)
[5]基于跟踪脉冲的MIMO雷达多目标微动特征提取[J]. 罗迎,龚逸帅,陈怡君,张群. 雷达学报. 2018(05)
[6]基于实测数据的空中目标分类识别算法[J]. 李明,吴娇娇,左磊,宋万杰,刘慧敏. 电子与信息学报. 2018(11)
本文编号：3603909
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3603909.html
