基于微多普勒特征的SAR/GMTI车辆目标分类

摘要

目标的微动会对雷达回波频率产生调制，称为微多普勒效应。微多普勒特征包含了目标的结构信息以及运动信息，具有唯一性和稳定性的特点，成为雷达目标识别领域新的研究方向。在战场中，轮式车辆和履带式车辆分别承担着不同的工作，其威胁程度也不同，因此对两类车辆目标识别分类具有重要意义。由于两类车辆目标的微动结构不同，在行驶过程中对雷达发射波产生的调制也不同，所产生的微多普勒特征存在明显差异。针对SAR/GMTI体制雷达，提出了基于EEMD分解的能量分布特征的车辆目标分类方法和基于EEMD分解的扩展微多普勒特征的车辆目标分类方法。
　　本研究主要内容包括：⑴针对经验模态分解对两类车辆目标分解后所造成的模态混叠问题，提出了基于集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)的微多普勒特征提取方法。仿真实验证明，EEMD分解通过增加高斯白噪声以及多次迭代的方法，有效的克服了EMD分解造成的模态混叠问题。⑵提出了一种基于EEMD分解的能量分布特征的车辆目标分类方法。分别对经过EEMD分解后所得到的各个IMF分量求取能量比值。统计各个IMF能量比值之间的规律，并提取了其中三种典型能量分布的特点作为特征向量。仿真实验证明，基于EEMD分解的能量分布特征的车辆目标分类算法在较大速度范围以及方位角范围下，也可以获得较高的识别率。⑶提出了一种基于EEMD分解的扩展微多普勒特征的车辆目标分类方法。首先利用相关性判别算法，选取有效的IMF。根据轮式车辆与履带式车辆微多普勒特征的差异，分别对各个IMF进行特征提取。本文一共提取了四种特征，分别为：第一个本征模函数高频段能量、第一个本征模函数高频段波动程度、第二个本征模函数的频谱的极大值点和模态能量熵判断IMF之间的离散度。通过仿真实验证明，基于EEMD分解的扩展微多普勒特征的车辆目标分类算法的识别效果要优于基于EEMD分解的能量分布特征的车辆目标分类算法。

目录

声明

第1章 绪 论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 本文的主要内容和结构

第2章 SAR/GMTI车辆微动信号回波与EMD分解

2.1 引言

2.2 轮式车辆与履带式车辆仿真模型

2.3 车辆目标原始回波信号预处理

2.4 EMD分解

2.5 本章小结

第3章 基于EEMD分解的能量分布特征的车辆目标分类方法

3.1 引言

3.2 基于EEMD的微多普勒信号抽取

3.3 基于EEMD分解的能量分布分类算法

3.4 本章小结

第4章 基于EEMD分解的扩展微多普勒特征的车辆目标分类方法

4.1 引言

4.2 基于EEMD分解的扩展微多普勒特征算法

4.3 实验结果

4.4 本章总结

第5章 总结与展望

5.1 主要研究工作和取得的成果

5.2 下一步工作及展望

致谢

参考文献

附录