基于时频分析和深度学习的飞行目标分类识别方法研究

发布时间：2024-04-03 03:27

　　对雷达回波信号中的微多普勒特征提取及分析,是识别飞行目标的重要方法。本文针对旋翼无人机和鸟两种飞行目标,通过提取雷达回波信号中的微动特征,结合人工智能技术,实现飞行目标识别。本文采取建模仿真的方法去研究分析,分别对旋翼无人机旋桨桨叶和鸟的翅膀建立微动数学模型,通过短时傅里叶变换(STFT)、魏格纳-威尔分布(WVD)、短时分数阶傅里叶变换(STFRFT)三种时频分析方法得到微动产生的微多普勒时频谱图并分析,将选好的时频谱图作为机器学习的样本,由表征学习算法对时频图差异性特征学习再由卷积神经网络去分类。通过时频分析和深度学习方法的结合实现了对飞行目标智能识别分类的系统研究,研究得出的结论如下:1)对旋翼无人机和鸟的微动建立了数学模型并分析微动特性,为后续信号集的获取提供依据。首先把飞行目标用点代替,经过平动和旋转两个过程,得出多普勒信号中存在微动分量信号,然后再以旋桨桨叶和鸟翅膀的运动建模得出两种飞行目标的微动回波信号。2)对时频谱图的选择。通过STFT、WVD、STFRFT三种时频方法对微动回波信号时-频分析,对比得出,STFRFT方法更好,STFT方法次之,WVD方法不适用。3)对图...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 无人机隐患研究现状
        1.2.2 雷达识别技术研究现状
        1.2.3 微多普勒时频分析技术研究现状
    1.3 本论文的研究内容和结构安排
第二章 飞行目标的微多普勒运动及回波信号建模
    2.1 雷达与飞行目标几何关系建模
    2.2 飞行目标微动建模
    2.3 旋翼无人机建模
    2.4 鸟的微动建模
    2.5 总结
第三章 微多普勒特征提取的时频分析方法研究
    3.1 常规微多普勒特征提取方法
        3.1.1 短时傅里叶变换
        3.1.2 魏格纳-威尔分布
        3.1.3 短时分数阶傅里叶变换
    3.2 飞行目标微动时频方法分析仿真
        3.2.1 旋翼无人机微多普勒的时频分析
        3.2.2 鸟类微多普勒的时频分析
        3.2.3 单分量情况下的时频分辨率比较
    3.3 总结
第四章 飞行目标分类方法研究与实现
    4.1 整体设计流程
    4.2 人工神经网络介绍
        4.2.1 神经网络结构
        4.2.2 激活函数
        4.2.3 反向传播算法
        4.2.4 随机梯度下降算法
        4.2.5 正则化
    4.3 时频图中的特征提取
        4.3.1 预处理
        4.3.2 稀疏自编码器
        4.3.3 特征学习
    4.4 飞行目标的分类
        4.4.1 卷积神经网络
        4.4.2 图像的卷积
        4.4.3 池化
    4.5 仿真结果及分析
    4.6 总结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间发表的论文
致谢



本文编号：3946645