基于多域特征和分类器融合的旋翼无人机与飞鸟分类方法与流程

本发明属于雷达，具体涉及一种基于多域特征和分类器融合的旋翼无人机与飞鸟分类方法。

背景技术：

1、近年来，旋翼无人机数量迅猛增长，并且由于无人机成本低廉、操作简单、体型较小、灵活性好等优势，被广泛应用于各个行业领域。但是恶意操作无人机进行非法活动成为需要重点关注的问题，可能会严重影响重要区域、空中航路安全以及城市安保等方面，这些行为对人民安全和国家经济都会造成巨大危害。因此，准确分辨无人机对国家空防安全有着十分重要的意义。

2、轻小型旋翼无人机与飞鸟都属于典型的“低、慢、小”目标，而且飞鸟与无人机具有相似的特征，其散射截面积、飞行速度和飞行高度等特征都与无人机十分接近，现有雷达难以准确分辨无人机与飞鸟目标。

3、目前，微多普勒特征是研究旋翼无人机和飞鸟分类的热点，主要的方法是通过提取目标微动特征结合机器学习进行无人机和飞鸟的分类。但是，大部分研究的分类方法提取的目标特征都比较单一，会遗失一些微小特征对后续分类工作产生影响，单一域特征不能够全面反映目标的内在信息，目标分类准确率有限。同时在实际应用中大都采用单个分类器，但单个分类器的分类能力有很多局限性，例如容易过拟合或者可能陷入局部最优解，简单采用单一分类器难以有效进行分类，会造成目标分类准确率降低。

技术实现思路

1、针对单一域特征与单一分类器所存在的问题，本发明提出了一种基于多域特征和分类器融合的旋翼无人机与飞鸟分类方法。

2、本发明提出的基于多域特征和分类器融合的旋翼无人机与飞鸟分类方法，包括以下步骤：

3、步骤1、利用雷达对旋翼无人机与飞鸟进行观测，获取相应的雷达回波信号，作为原始数据集；

4、步骤2、对数据进行预处理，使用傅里叶变换得到回波信号的频谱数据，使用短时傅里叶变换得到回波信号的时频谱数据，使用倒谱变换公式得到回波信号的倒谱图数据；

5、步骤3、多域特征提取，分别在时域、频域、时频域和倒频域上提取特征，在时域上对时域回波提取峰值函数方差特征和熵特征，在频域上提取频谱的方差特征和熵特征，在时频域上提取时频谱的方差特征和熵特征，在倒频域上提取倒谱熵特征；

6、步骤4、基于stacking融合多个分类器，采用双层分类器结构，将时域特征、频域特征、时频域特征和倒频域特征分别输入到第一层的各个基分类器进行组合与学习，融合基分类器的分类结果作为第二层元分类器的输入，由元分类器进行学习，输出最终分类结果，实现旋翼无人机与飞鸟的分类。

7、进一步的，所述步骤3还包括以下步骤：

8、步骤3.1、计算数据样本中时域回波信号的峰值函数peak(τ)，然后计算峰值函数方差特征f1和峰值函数熵特征f2；

9、

10、式中，s(n)为归一化后的雷达回波数据幅值，最长为nt，时域平移变量可以取值为τ＝1,2,...,fix(nt/2)，mod(n+τ,nt)表示取整数n+τ除以整数nt后的余数；

11、

12、式中，表示峰值函数的幅值概率，表示峰值函数的均值；

13、

14、式中，表示峰值函数的能量概率；

15、步骤3.2、对步骤2得到的频谱数据x(f)进行归一化，得到归一化频谱数据在频域计算频谱熵特征f3；

16、

17、式中，f表示频率，fp表示脉冲重复频率；

18、步骤3.3、根据步骤2得到的时频谱数据，在时频域计算时频谱的方差特征f4和熵特征f5；

19、

20、式中，gf,t表示信号进行短时傅里叶变换的幅度，nf表示频率维长度，nt表示时间维长度，表示时频谱的均值；

21、

22、式中，表示幅度归一化时频谱；

23、步骤3.4、对步骤2得到的倒谱数据进行归一化，得到归一化倒谱数据在倒频域计算倒谱熵特征f6；

24、

25、式中，q表示倒频率，q表示倒频率维长度。

26、进一步的，所述步骤4还包括以下步骤：

27、步骤4.1、将原始数据集划分为训练集和测试集，基于stacking融合多个分类器，第一层基分类器使用k近邻、支持向量机、xgboost模型和随机森林，第二层元分类器使用支持向量机对第一层基分类器进行融合；

28、步骤4.2、针对时域特征，利用5折交叉验证法将训练集分为5份，生成子训练集a，对k近邻模型进行训练，将得到的预测值合并起来得到pa；针对频域特征，利用5折交叉验证法将训练集分为5份，生成子训练集b，对支持向量机模型进行训练，将得到的预测值合并起来得到pb；针对时频域特征，利用5折交叉验证法将训练集分为5份，生成子训练集c，对xgboost模型进行训练，将得到的预测值合并起来得到pc；针对倒频域特征，利用5折交叉验证法将训练集分为5份，生成子训练集d，对随机森林模型进行训练，将得到的预测值合并起来得到pd；然后把基分类器得到的pa，pb，pc，pd并列合并起来作为元分类器的训练集，元分类器使用逻辑回归模型，训练完成后得到最终的融合分类器；

29、步骤4.3、针对测试集，根据步骤2对回波信号进行预处理，然后根据步骤3提取测试数据的时域特征、频域特征、时频域特征和倒频域特征，接着将提取的特征分别作为k近邻、支持向量机、xgboost模型和随机森林的输入，将基分类器的分类结果作为逻辑回归元分类器的输入，由元分类器输出最终分类结果，完成旋翼无人机与飞鸟的分类。

30、本发明提出了一种基于多域特征和分类器融合的旋翼无人机与飞鸟分类方法，提取了多域特征，分别从时域、频域、时频域和倒频域不同角度对目标回波信号进行充分表征，从多方面提取无人机与飞鸟的特征，保证了特征的多样性和全面性，减少了由单一特征所造成的分类错误率；并且本发明在分类器方面，不是简单地将所有域特征全部输入到各个基分类器中进行学习，而是根据目标特征和分类模型的特点，分别对不同域特征和不同分类器进行适配组合，并对这些分类器进行融合，充分利用不同分类器的优点，避免了单一分类器的局限性，具有更好的拟合能力和泛化能力，提高了旋翼无人机与飞鸟目标分类的准确率。

技术特征：

1.基于多域特征和分类器融合的旋翼无人机与飞鸟分类方法，其特征在于：

2.根据权利要求1所述的基于多域特征和分类器融合的旋翼无人机与飞鸟分类方法，其特征在于，所述步骤3包括以下步骤：

3.根据权利要求1所述的基于多域特征和分类器融合的旋翼无人机与飞鸟分类方法，其特征在于，所述步骤4包括以下步骤：

技术总结本发明涉及一种基于多域特征和分类器融合的旋翼无人机与飞鸟分类方法，包括：首先利用雷达对旋翼无人机与飞鸟进行观测，获取相应的雷达回波信号；然后对数据进行预处理，得到回波信号的频谱、时频谱和倒谱；接着进行多域特征提取，分别在时域、频域、时频域和倒频域上提取特征；最后基于Stacking融合多个分类器，将多域特征分别输入到K近邻、支持向量机、XGBoost模型和随机森林中进行组合与学习，融合四个基分类器的分类结果作为下一层元分类器的输入，得到最终分类结果。本发明提取了多种不同域的特征，保证了特征的全面性和多样性，并且使用Stacking对多个分类器进行融合，充分利用不同分类器的优点，提高了旋翼无人机与飞鸟目标分类的准确率。技术研发人员：宋虎,吴鑫,杨学岭,管志强,赵鹏飞,穆加艳,刘硕受保护的技术使用者：中国船舶集团有限公司第七二四研究所技术研发日：技术公布日：2024/11/4