發(fā)布時(shí)間：2024-04-03 03:27

　　對(duì)雷達(dá)回波信號(hào)中的微多普勒特征提取及分析,是識(shí)別飛行目標(biāo)的重要方法。本文針對(duì)旋翼無(wú)人機(jī)和鳥(niǎo)兩種飛行目標(biāo),通過(guò)提取雷達(dá)回波信號(hào)中的微動(dòng)特征,結(jié)合人工智能技術(shù),實(shí)現(xiàn)飛行目標(biāo)識(shí)別。本文采取建模仿真的方法去研究分析,分別對(duì)旋翼無(wú)人機(jī)旋槳槳葉和鳥(niǎo)的翅膀建立微動(dòng)數(shù)學(xué)模型,通過(guò)短時(shí)傅里葉變換(STFT)、魏格納-威爾分布(WVD)、短時(shí)分?jǐn)?shù)階傅里葉變換(STFRFT)三種時(shí)頻分析方法得到微動(dòng)產(chǎn)生的微多普勒時(shí)頻譜圖并分析,將選好的時(shí)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(duì)時(shí)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(lèi)。通過(guò)時(shí)頻分析和深度學(xué)習(xí)方法的結(jié)合實(shí)現(xiàn)了對(duì)飛行目標(biāo)智能識(shí)別分類(lèi)的系統(tǒng)研究,研究得出的結(jié)論如下:1)對(duì)旋翼無(wú)人機(jī)和鳥(niǎo)的微動(dòng)建立了數(shù)學(xué)模型并分析微動(dòng)特性,為后續(xù)信號(hào)集的獲取提供依據(jù)。首先把飛行目標(biāo)用點(diǎn)代替,經(jīng)過(guò)平動(dòng)和旋轉(zhuǎn)兩個(gè)過(guò)程,得出多普勒信號(hào)中存在微動(dòng)分量信號(hào),然后再以旋槳槳葉和鳥(niǎo)翅膀的運(yùn)動(dòng)建模得出兩種飛行目標(biāo)的微動(dòng)回波信號(hào)。2)對(duì)時(shí)頻譜圖的選擇。通過(guò)STFT、WVD、STFRFT三種時(shí)頻方法對(duì)微動(dòng)回波信號(hào)時(shí)-頻分析,對(duì)比得出,STFRFT方法更好,STFT方法次之,WVD方法不適用。3)對(duì)圖...

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 無(wú)人機(jī)隱患研究現(xiàn)狀
        1.2.2 雷達(dá)識(shí)別技術(shù)研究現(xiàn)狀
        1.2.3 微多普勒時(shí)頻分析技術(shù)研究現(xiàn)狀
    1.3 本論文的研究?jī)?nèi)容和結(jié)構(gòu)安排
第二章 飛行目標(biāo)的微多普勒運(yùn)動(dòng)及回波信號(hào)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(dòng)建模
    2.3 旋翼無(wú)人機(jī)建模
    2.4 鳥(niǎo)的微動(dòng)建模
    2.5 總結(jié)
第三章 微多普勒特征提取的時(shí)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(shí)傅里葉變換
        3.1.2 魏格納-威爾分布
        3.1.3 短時(shí)分?jǐn)?shù)階傅里葉變換
    3.2 飛行目標(biāo)微動(dòng)時(shí)頻方法分析仿真
        3.2.1 旋翼無(wú)人機(jī)微多普勒的時(shí)頻分析
        3.2.2 鳥(niǎo)類(lèi)微多普勒的時(shí)頻分析
        3.2.3 單分量情況下的時(shí)頻分辨率比較
    3.3 總結(jié)
第四章 飛行目標(biāo)分類(lèi)方法研究與實(shí)現(xiàn)
    4.1 整體設(shè)計(jì)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(shí)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(lèi)
        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(hào)：3946645