基于极化调控的简单结构体与复杂目标区分方法

摘要: 本申请涉及雷达探测,特别是涉及一种基于极化调控的简单结构体与复杂目标区分方法。背景技术:1、在雷达目标识别领域,对简单结构体与复杂目标进行准确区分,是提升雷达系...
基于极化调控的简单结构体与复杂目标区分方法

本申请涉及雷达探测,特别是涉及一种基于极化调控的简单结构体与复杂目标区分方法。

背景技术:

1、在雷达目标识别领域,对简单结构体与复杂目标进行准确区分,是提升雷达系统识别能力的重要挑战。传统雷达目标识别方法主要依赖于目标的一维距离像或二维图像特征。然而,由于不同目标在散射点幅度分布上的相似性,其一维距离像可能表现出高度的相似性,导致仅基于距离像的特征难以有效区分。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种能够解决现有极化雷达目标识别中仅依靠一维距离像等幅度特征难以区分不同目标的问题,提升雷达目标识别能力的基于极化调控的简单结构体与复杂目标区分方法。

2、一种基于极化调控的简单结构体与复杂目标区分方法,所述方法包括:

3、利用极化雷达系统获取目标的全极化距离-多普勒二维回波数据;

4、对全极化距离-多普勒二维回波数据进行恒虚警检测,获取目标的散射点位置;

5、根据散射点位置进行聚类处理,将空间相邻的散射点归为一类;

6、对收发极化矢量参数空间进行均匀采样构建虚拟收发极化矢量集;

7、利用虚拟收发极化矢量集对每一类散射点的极化散射矩阵序列通过虚拟极化自适应处理,获取每类散射点在不同收发极化激励条件下的极化响应;

8、基于各类散射点的极化响应提取各个目标的变极化响应差异特征;

9、利用包含简单结构体和复杂目标的训练样本,将变极化响应差异特征输入至监督学习分类模型进行训练,得到训练完成的目标分类模型;

10、对待区分的目标样本获取对应的极化响应差异特征,输入至训练完成的目标分类模型进行测试,输出待区分样本对应的目标类别。

11、上述基于极化调控的简单结构体与复杂目标区分方法,首先利用极化雷达系统获取目标的全极化雷达回波数据可以充分反映目标的散射信息。通过检测聚类得到空间相邻的强散射点,将隶属于同一个目标的散射点归为一类,有利于后续的特征提取和分析。对庞加莱球进行均匀采样,得到虚拟收发极化矢量,可以确保覆盖多种极化状态,从而构造出丰富的收发极化矢量集,有助于充分获取目标在不同收发极化激励条件下的响应,进而增强对目标不同结构信息的认知。通过虚拟极化自适应得到变极化响应,蕴含目标丰富的极化散射信息。对变极化响应进行特征提取,得到可以区分不同目标的有效特征。通过模型训练和测试得到待区分目标的类别。本申请不仅提升了雷达对简单结构体和复杂目标的识别能力,还保证了算法的高鲁棒性和低复杂度。这一策略有望解决现有极化雷达目标识别中仅依靠一维距离像等幅度特征难以区分不同目标的问题,提升雷达目标识别能力。

1.一种基于极化调控的简单结构体与复杂目标区分方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,利用极化雷达系统获取目标的全极化距离-多普勒二维回波数据,包括:

3.根据权利要求1所述的方法,其特征在于,对所述全极化距离-多普勒二维回波数据进行恒虚警检测,包括:

4.根据权利要求1所述的方法,其特征在于,根据散射点位置进行聚类处理,将空间相邻的散射点归为一类,包括:

5.根据权利要求1所述的方法,其特征在于,对收发极化矢量参数空间进行均匀采样构建虚拟收发极化矢量集,包括:

6.根据权利要求5所述的方法,其特征在于,所述方法还包括:

7.根据权利要求1所述的方法,其特征在于,利用所述虚拟收发极化矢量集对每一类散射点的极化散射矩阵序列通过虚拟极化自适应处理,获取每类散射点在不同收发极化激励条件下的极化响应,包括:

8.根据权利要求1所述的方法,其特征在于,基于各类散射点的极化响应提取各个目标的变极化响应差异特征之前,还包括:

9.根据权利要求8所述的方法,其特征在于,基于各类散射点的极化响应提取各个目标的变极化响应差异特征,包括: