對雷達(dá)回波信號中的微多普勒特征提取及分析,是識別飛行目標(biāo)的重要方法。本文針對旋翼無人機(jī)和鳥兩種飛行目標(biāo),通過提取雷達(dá)回波信號中的微動特征,結(jié)合人工智能技術(shù),實現(xiàn)飛行目標(biāo)識別。本文采取建模仿真的方法去研究分析,分別對旋翼無人機(jī)旋槳槳葉和鳥的翅膀建立微動數(shù)學(xué)模型,通過短時傅里葉變換(STFT)、魏格納-威爾分布(WVD)、短時分?jǐn)?shù)階傅里葉變換(STFRFT)三種時頻分析方法得到微動產(chǎn)生的微多普勒時頻譜圖并分析,將選好的時頻譜圖作為機(jī)器學(xué)習(xí)的樣本,由表征學(xué)習(xí)算法對時頻圖差異性特征學(xué)習(xí)再由卷積神經(jīng)網(wǎng)絡(luò)去分類。通過時頻分析和深度學(xué)習(xí)方法的結(jié)合實現(xiàn)了對飛行目標(biāo)智能識別分類的系統(tǒng)研究,研究得出的結(jié)論如下:1)對旋翼無人機(jī)和鳥的微動建立了數(shù)學(xué)模型并分析微動特性,為后續(xù)信號集的獲取提供依據(jù)。首先把飛行目標(biāo)用點代替,經(jīng)過平動和旋轉(zhuǎn)兩個過程,得出多普勒信號中存在微動分量信號,然后再以旋槳槳葉和鳥翅膀的運動建模得出兩種飛行目標(biāo)的微動回波信號。2)對時頻譜圖的選擇。通過STFT、WVD、STFRFT三種時頻方法對微動回波信號時-頻分析,對比得出,STFRFT方法更好,STFT方法次之,WVD方法不適用。3)對圖...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 無人機(jī)隱患研究現(xiàn)狀
        1.2.2 雷達(dá)識別技術(shù)研究現(xiàn)狀
        1.2.3 微多普勒時頻分析技術(shù)研究現(xiàn)狀
    1.3 本論文的研究內(nèi)容和結(jié)構(gòu)安排
第二章 飛行目標(biāo)的微多普勒運動及回波信號建模
    2.1 雷達(dá)與飛行目標(biāo)幾何關(guān)系建模
    2.2 飛行目標(biāo)微動建模
    2.3 旋翼無人機(jī)建模
    2.4 鳥的微動建模
    2.5 總結(jié)
第三章 微多普勒特征提取的時頻分析方法研究
    3.1 常規(guī)微多普勒特征提取方法
        3.1.1 短時傅里葉變換
        3.1.2 魏格納-威爾分布
        3.1.3 短時分?jǐn)?shù)階傅里葉變換
    3.2 飛行目標(biāo)微動時頻方法分析仿真
        3.2.1 旋翼無人機(jī)微多普勒的時頻分析
        3.2.2 鳥類微多普勒的時頻分析
        3.2.3 單分量情況下的時頻分辨率比較
    3.3 總結(jié)
第四章 飛行目標(biāo)分類方法研究與實現(xiàn)
    4.1 整體設(shè)計流程
    4.2 人工神經(jīng)網(wǎng)絡(luò)介紹
        4.2.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 激活函數(shù)
        4.2.3 反向傳播算法
        4.2.4 隨機(jī)梯度下降算法
        4.2.5 正則化
    4.3 時頻圖中的特征提取
        4.3.1 預(yù)處理
        4.3.2 稀疏自編碼器
        4.3.3 特征學(xué)習(xí)
    4.4 飛行目標(biāo)的分類
        4.4.1 卷積神經(jīng)網(wǎng)絡(luò)
        4.4.2 圖像的卷積
        4.4.3 池化
    4.5 仿真結(jié)果及分析
    4.6 總結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文
致謝



本文編號：3946645