基于時頻集中度指標的多旋翼無人機微動特征參數估計方法
發(fā)布時間:2022-01-23 07:48
無人機旋翼轉動產生的微多普勒調制能夠反映此類目標的微動特性,準確估計無人機旋翼長度、轉動頻率對于無人機的檢測與識別具有重要意義。該文針對調頻連續(xù)波體制雷達,提出一種基于時頻集中度指標(CTF)的多旋翼無人機微動特征參數估計方法,推導了無人機旋翼微動特征參數與微多普勒分量信號參數之間的映射關系,在時頻旋轉域基于時頻集中度指標,提高了各微動分量的區(qū)分度,相比于傳統(tǒng)方法,提高了多分量微多普勒信號的參數估計精度,在低信噪比環(huán)境下也具有很好的魯棒性。通過仿真和實際場景實驗驗證了方法的有效性。
【文章來源】:電子與信息學報. 2020,42(08)北大核心EICSCD
【文章頁數】:8 頁
【部分圖文】:
旋翼投影到雷達平面示意圖
綜上所述,本文基于時頻集中度指標的多旋翼無人機微動特征參數估計方法流程圖如圖2所示,其中雷達回波預處理包括脈沖壓縮、MTD雜波抑制[22]。對目標位置所在距離門的雷達回波構建旋轉算子,設置參量空間的取值范圍。然后基于頻譜集中度指標定量分析,將雷達回波變換到旋轉域。由于粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法[23]具有概念簡單、控制參數少、易實現(xiàn)、收斂速度快、適用性強等特點,文中采用的粒子群優(yōu)化方法對得到的頻譜集中度指標做多峰值檢測,本文采用多峰粒子群優(yōu)化算法來得到各分量參數,設置粒子群規(guī)模為30,最大迭代次數為50,位置信息為整個參量空間。4 實驗結果與分析
接下來對比本文所提方法與時頻分析聯(lián)合Hough變換的結果對比。對于多分量微動目標,短時傅里葉變換時頻集中度較差,并且時頻平面存在嚴重的曲線交叉,用峰值檢測等方法無法實現(xiàn)多分量信號的分解和參數估計,如圖4(a)所示。WignerVille分布則產生嚴重的分量自交叉項,參數估計誤差較大,如圖4(b)所示。在短時傅里葉變換后進行Hough變換得到的參量空間結果,由于該方法本質上是圖像處理手段,因此其參數估計精度取決于時頻分析結果,前文已論證由于傳統(tǒng)時頻分析方法時頻分辨率較差,因此該方法參數估計精度較低,并且運算量大,如圖4(c)所示。本文提出的基于時頻集中度指標的多旋翼無人機微動特征參數估計方法對于不同轉動頻率對應的旋翼分量的參數均能準確估計,同時還可以有效抑制背景干擾和雜波干擾,提高了對無人機旋翼轉動頻率的辨識度和準確度,頻譜集中度指標如圖5所示。接下來在不同信噪比(Signal-to-Noise Ratio,SNR)條件下,分析不同方法對無人機各個旋翼分量葉片長度、轉速、初始相位估計的準確度,本文采用實際/估計旋翼轉動頻率功率比(ETR)來表征,即
【參考文獻】:
期刊論文
[1]空間旋轉目標窄帶雷達干涉式三維成像與微動特征提取[J]. 胡健,羅迎,張群,康樂,何其芳. 電子與信息學報. 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]基于雙雷達微動特征融合的無人機分類識別[J]. 章鵬飛,李剛,霍超穎,殷紅成. 雷達學報. 2018(05)
[4]微動目標雷達特征提取、成像與識別研究進展[J]. 張群,胡健,羅迎,陳怡君. 雷達學報. 2018(05)
[5]基于跟蹤脈沖的MIMO雷達多目標微動特征提取[J]. 羅迎,龔逸帥,陳怡君,張群. 雷達學報. 2018(05)
[6]基于實測數據的空中目標分類識別算法[J]. 李明,吳嬌嬌,左磊,宋萬杰,劉慧敏. 電子與信息學報. 2018(11)
本文編號:3603909
【文章來源】:電子與信息學報. 2020,42(08)北大核心EICSCD
【文章頁數】:8 頁
【部分圖文】:
旋翼投影到雷達平面示意圖
綜上所述,本文基于時頻集中度指標的多旋翼無人機微動特征參數估計方法流程圖如圖2所示,其中雷達回波預處理包括脈沖壓縮、MTD雜波抑制[22]。對目標位置所在距離門的雷達回波構建旋轉算子,設置參量空間的取值范圍。然后基于頻譜集中度指標定量分析,將雷達回波變換到旋轉域。由于粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法[23]具有概念簡單、控制參數少、易實現(xiàn)、收斂速度快、適用性強等特點,文中采用的粒子群優(yōu)化方法對得到的頻譜集中度指標做多峰值檢測,本文采用多峰粒子群優(yōu)化算法來得到各分量參數,設置粒子群規(guī)模為30,最大迭代次數為50,位置信息為整個參量空間。4 實驗結果與分析
接下來對比本文所提方法與時頻分析聯(lián)合Hough變換的結果對比。對于多分量微動目標,短時傅里葉變換時頻集中度較差,并且時頻平面存在嚴重的曲線交叉,用峰值檢測等方法無法實現(xiàn)多分量信號的分解和參數估計,如圖4(a)所示。WignerVille分布則產生嚴重的分量自交叉項,參數估計誤差較大,如圖4(b)所示。在短時傅里葉變換后進行Hough變換得到的參量空間結果,由于該方法本質上是圖像處理手段,因此其參數估計精度取決于時頻分析結果,前文已論證由于傳統(tǒng)時頻分析方法時頻分辨率較差,因此該方法參數估計精度較低,并且運算量大,如圖4(c)所示。本文提出的基于時頻集中度指標的多旋翼無人機微動特征參數估計方法對于不同轉動頻率對應的旋翼分量的參數均能準確估計,同時還可以有效抑制背景干擾和雜波干擾,提高了對無人機旋翼轉動頻率的辨識度和準確度,頻譜集中度指標如圖5所示。接下來在不同信噪比(Signal-to-Noise Ratio,SNR)條件下,分析不同方法對無人機各個旋翼分量葉片長度、轉速、初始相位估計的準確度,本文采用實際/估計旋翼轉動頻率功率比(ETR)來表征,即
【參考文獻】:
期刊論文
[1]空間旋轉目標窄帶雷達干涉式三維成像與微動特征提取[J]. 胡健,羅迎,張群,康樂,何其芳. 電子與信息學報. 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]基于雙雷達微動特征融合的無人機分類識別[J]. 章鵬飛,李剛,霍超穎,殷紅成. 雷達學報. 2018(05)
[4]微動目標雷達特征提取、成像與識別研究進展[J]. 張群,胡健,羅迎,陳怡君. 雷達學報. 2018(05)
[5]基于跟蹤脈沖的MIMO雷達多目標微動特征提取[J]. 羅迎,龔逸帥,陳怡君,張群. 雷達學報. 2018(05)
[6]基于實測數據的空中目標分類識別算法[J]. 李明,吳嬌嬌,左磊,宋萬杰,劉慧敏. 電子與信息學報. 2018(11)
本文編號:3603909
本文鏈接:http://sikaile.net/kejilunwen/xinxigongchenglunwen/3603909.html