一种用于判定小型无人机目标个数的智能辨识方法与流程

1.本发明属于小型无人机目标智能识别与控制技术领域，具体涉及一种用于判定小型无人机目标个数的智能辨识方法。


背景技术：

2.近年来，随着小型无人机应用技术迅猛发展，小型无人机在农业、电力、测绘、航拍、安全等领域发挥了重大作用，小型无人机应用模式也已从单机应用向多无人机系统方向发展。作为小型无人机识别与控制技术的重要技术组成部分，无人机识别与控制技术也由单无人机识别向多无人机识别与控制技术方向发展，在无人机目标识别与控制任务处理过程中，能否准确识别无人机目标数目直接关系到能否准确锁定无人机目标方位。如果对无人机目标数目判别结果与实际目标数目不符，则会直接影响到后续无人机目标方位判定，进而无法为无人机后续控制提供关键参数。因此无人机目标智能识别对实现无人机目标协议控制任务、制定无人机控制链路信号定向辐射方位策略、以及评估无人机目标所在空域的飞行安全风险等具有十分重要的意义。
3.在技术层面，无人机目标个数识别属于阵列信号处理领域中的信源个数估计问题。当前，基于天线阵列输出数据进行无人机目标个数判别的方法总体上分为三类。一类是基于对天线阵列输出快拍数据的协方差矩阵进行特征分解，根据特征分解后的特征值大小判定无人机目标个数，但是这类判别方法至今为止缺乏理论依据。另一类则是基于信息论准则的判别方法，主要是基于h.akaike提出的最小信息准则(aic)(h akaike.a new look at the statistical model identification[j].ieee transactions on automatic control,1974,19(6):716
‑
723.)和基于m.wax提出的最小描述长度准则(mdl)(wax m,ziskind i.detection ofthe number ofcoherent signals by the mdl principle[j].ieee transactions on acoustics speech and signal processing,1989,37(8):1190
‑
1196.)，以及在二者基础上提出的各种改进方法。然而，基于aic准则和基于mdl准则的各种方法均存在仅适用于白噪声场景下目标个数估计的技术缺陷，对于色噪声环境下的目标个数估计准确性具有不确定性。第三类目标个数判定方法主要针对色噪声场景下提出的，主要思想是基于盖尔圆盘准则(gde)的目标个数判定方法,虽然能够弥补信息论准则在色噪声下信源个数估计失效的不足，但是gde准则在低信噪比，小快拍数条件下的性能会急剧下降甚至失效。为改善gde准则存在的不足，2010年，yin
‑
zhen提出了一种新的酉变换方法，并结合gde准则进行目标个数估计。实验表明，该方法在快拍数为90时的信源个数检测准确率达到90％，但是要求的信噪比在10db以上(yin
‑
zhen mei,peng wang.estimation of source number using gerschgorin disks based on acoustic vector sensor array[c]//2010international conference on computerapplication and system modeling(iccasm 2010),taiyuan,2010:v7
‑
291
‑
v7
‑
295.)。2011年，z.
‑
liu等人利用接收信号协方差矩阵的对角线平均值来构建新的协方差矩阵，并结合gde准则估计信号源数，该算法在非平稳的色噪声中信噪比为
‑
8db﹑快拍数为100时的检测准确率就已经达到80％以上，该方法
虽能同时保证在低信噪比小快拍数下检测准确率高，但仅仅是在10个阵元估计2个信源的条件下(z
‑
liu,z
‑
lu,z
‑
huang,et al.improved gerschgorin disk estimator for source enumeration with robustness against spatially non
‑
uniform noise[j].iet radar,sonar&navigation,2011,5(9):952
‑
957.)。2013年，董姝敏则对盖尔圆半径进行压缩，并结合盖尔圆心值提出了一种基于自适应调整因子的gde准则，该方法在信噪比为
‑
4db、快拍数大于2000的条件下检测准确率为80％；而在信噪比为15db、快拍数为50时的检测准确率达到90％，虽然避免了对阵元和信源个数的要求，但该方法无法同时保证在低信噪比和小快拍数下的检测性能(董姝敏,梁国龙.改进的盖尔圆源数目估计方法[j].哈尔滨工程大学学报,2013,34(04):440
‑
444.)。2016年，罗海坤提出了加权盖尔圆(wgde)准则，该准则中的特征加权矩阵对增广盖尔圆矩阵中的半径值做特征加权变换从而进一步增大了信号盖尔圆和噪声盖尔圆之间半径的差异，使得在快拍数为64时的信源估计准确率就能达到90％，但是要求的信噪比为13db，同样无法同时保证在低信噪比和小快拍数下的检测性能(一种基于改进盖氏圆盘法的信源数估计新算法[j].电子信息对抗技术,2016,31(06):24
‑
28.)。2018年，褚鼎立则将gde准则和aic准则结合，提出了一种基于盖尔圆准则的信源数目判定改进方法，该方法克服了因特征值的无序性所导致估计错误的问题，使得该准则在信噪比为
‑
5db时的检测准确率为93％，但该方法依然要求较大的快拍数(褚鼎立,陈红,蔡晓霞.基于盖尔圆准则的信源数目估计改进算法[j].探测与控制学报,2018,40(04):109
‑
115.)。最近，张冰玉在加权盖尔圆准则的基础上，提出了一种在增广加权盖尔圆矩阵中获取多重特征并融合的信源个数估计方法，该方法不仅在信源数只比阵元数少一个的情况下能够有效的估计信源个数，而且对于在低信噪比﹑小快拍数环境下的信源个数估计也有良好的性能，但前提是接收阵列为均匀圆阵(张冰玉,潘晴,田妮莉,everett x.wang.一种基于多重特征融合的信源个数估计方法[j/ol].计算机工程:1
‑
5[2021
‑
02
‑
02].)。
[0004]
基于盖尔圆盘理论的无人机目标个数判别方法虽然弥补了现有信息论准判别方法在不适用于色噪声条件下目标个数判定的问题，但基于盖尔圆盘准则的目标个数判定方法中存在人为选取的调节参数。对于不同信噪比、不同快拍数条件下，对应的最优调节参数不同，调节参数的选择至今尚没有较好的理论支撑，存在选取上的主观随意性。实际使用过程中，对于固定的基于经验的调节参数，无人机目标个数判别准确性急剧下降甚至完全失效。


技术实现要素：

[0005]
本发明的目的在于提供一种用于判定小型无人机目标个数的智能辨识方法，通过构建观测信号数据集的盖尔圆矩阵并绘制盖尔圆图，训练分类神经网络判别小型无人机个数。避免了gde准则中最佳调节参数选取问题，同时提升了对无人机目标个数判别的环境适应能力。
[0006]
为了实现上述目的，本发明采取以下技术方案：
[0007]
一种用于判定小型无人机目标个数的智能辨识方法，其特征在于，包括以下步骤：
[0008]
s1：将包含有多个阵元的阵列在色噪声环境的远场中任意放置，在预先设定无人机个数和采样快拍数下，采样经无人机反射过来的回波信号；
[0009]
s2：对各个通道接收信号的数据集进行通道校正，获得各通道校正后观测信号数
据集；
[0010]
s3：各通道校正后观测信号数据集求协方差矩阵，再经酉变换计算得到盖尔圆矩阵；
[0011]
s4：通过盖尔圆矩阵确定用于集群无人机个数估计的盖尔圆圆心和盖尔圆半径，在二维直角坐标系下绘制盖尔圆图，并将二维盖尔圆图标记后送入分类神经网络(具体包括全连接类神经网络、卷积类神经网络、残差神经网络、自编码器神经网络、以及由上述四类网络组合构成的混合神经网络)；
[0012]
s5：改变预先设定的无人机个数，多次重复步骤s1
‑
s4，生成一定数量的训练样本用于训练步骤s4中所述的分类神经网络，直至分类神经网络的准确率达到要求。
[0013]
进一步地，步骤s1中所述的将包含有多个阵元的阵列在色噪声环境的远场中任意放置，在预先设定无人机个数和采样快拍数下，采样经无人机反射过来的回波信号，包括：
[0014]
所述阵列包含m个阵元，间距为d，采样快拍数l，无人机个数为f，假设f个远场窄带信号入射到阵列上，其中f＝1,2，...，k，且k＜m，在阵列信号处理领域中将接收信号表示为:x(t)＝as(t) n(t),式中x(t)＝[x1(t),x2(t),...,x
m
(t)]
t
为t时刻的接收信号矢量,s(t)＝[s1(t)，...，s
k
(t)]
t
为t时刻信号源矢量，n(t)＝[n1(t)，...n
m
(t)]
t
为t时刻色噪声矢量，a＝[α(θ1)，...，α(θ
k
)]为阵列流型矢量，θ
k
＝(φ
k
，θ
k
)为第k个信号源的入射角，其中φ
k
和θ
k
分别为第k个信号源的方位角和俯仰角，且φ
k
∈(0,2π)、θ
k
∈(0,π/2)，为第k个信号源的导向矢量，β
m
＝2π(m
‑
1)/m为逆时针第m个阵元与x轴的夹角，m＝1,2，...，m，λ为载波波长。
[0015]
进一步地，步骤s2中所述的对各个通道接收信号的数据集进行通道校正，获得各通道观测信号数据集，包括：
[0016]
提取通道校正系数：
[0017]
令校正信号数据集为j＝[a1 b1i，...，a
m
b
m
i]
t
，i为虚数单位，则通道校正系数矩阵为：式中，t为通道校正系数矩阵。
[0018]
通道校正：
[0019]
设各通道接收信号的数据集为：
[0020]
式中，y表示各通道接收信号的数据集，c
mn
e
mn
i为矩阵y中第m行，第n列的元素，n为每一通道数据集的数据点最大个数，m＝1,2，
…
，m；n＝1,2，
…
n。
[0021]
则x＝diag(t)
·
y所示的矩阵为经通道校正后各通道观测信号数据集，式中，diag(t)为以矩阵t中的元素为对角元素的对角矩阵。
[0022]
进一步地，步骤s3中所述各通道观测信号数据集求得协方差矩阵，再经酉变换计
算得到盖尔圆矩阵，包括：
[0023]
观测信号数据集的协方差矩阵为其中，(.)
h
为共轭转置，对r
xx
作酉变换，得到盖尔圆矩阵，即：
[0024]
上式中，u
m
‑1为r
m
‑1的特征向量构成的酉矩阵，r
m
‑1为r
xx
去除最后一行最后一列后构成的子矩阵。盖尔圆的圆心和半径分别为c
i
＝λ
i
，r
i
＝|ρ
i
|。信号盖尔圆半径远大于零，噪声盖尔圆半径则接近于零。
[0025]
进一步地，步骤s4中所述通过盖尔圆矩阵确定用于集群无人机个数估计的盖尔圆圆心和盖尔圆半径，在二维直角坐标系下绘制盖尔圆图，并将二维盖尔圆图标记后送入分类神经网络(具体包括全连接神经网络、卷积类神经网络、残差神经网络、自编码器神经网络、以及由上述四类网络组合构成的混合神经网络)，包括：
[0026]
通过盖尔圆矩阵获得绘制盖尔圆图所需的圆心和半径：
[0027]
圆心矢量c＝diag(real(r
t
))/sum(diag(real(r
t
)))，式中，c＝[c1，c2，...，c
m
，...，c
m
]
t
为盖尔圆圆心矢量，c
m
为第m个盖尔圆圆心，real(.)为括号内矩阵的所有元素取实部后构成的矩阵，diag(.)为取括号内的矩阵的对角线上的元素并构成一列向量。sum(.)表示对括号内的矩阵的所有元素求和。
[0028]
半径矢量r
u
＝abs(r
t(m)
)/sum(abs(r
t(m)
))，式中，r
u
＝(r1，...，r
m
，...，r
m
)
t
盖尔圆半径矢量，r
m
为第m个盖尔圆半径，r
t(m)
为矩阵r
t
的最后一列构成的列向量，abs(.)为括号内的矩阵中的每一个元素取复数幅值后构成的矩阵。
[0029]
在二维直角坐标系中，以c
m
·
cos(π/4)为圆心点横坐标，c
m
·
sin(π/4)为圆心点纵坐标，r
m
为半径在二维直角坐标系下绘制盖尔圆图并标记后依次送入分类神经网络中(具体包括全连接神经网络、卷积类神经网络、残差神经网络、自编码器神经网络、以及由上述四类网络组合构成的混合神经网络)。
[0030]
进一步地，步骤e中所述改变预先设定的无人机个数，多次重复步骤a
‑
d，生成一定数量的训练样本用于训练步骤d中所述的分类神经网络，直至分类神经网络的准确率达到要求，包括：
[0031]
假设目标无人机个数为f，依次设定f＝1,2，...，k，k为目标无人机个数最大值,且k＜m。重复步骤a
‑
d，每设定一个无人机个数f采集h次经无人机反射过来的回波信号，取前g次采集的信号为训练集，则训练样本个数为q＝k
·
g，其余为测试集，测试样本个数为w＝k
·
(h
‑
g)。当无人机个数为f时，将对应的h个样本标记为f，神经网络目标输出为f。当将测试集送入神经网络中分类的准确率达到95％以上时停止训练，同种训练模式下，准确率最先达到95％以上的神经网络为最优网络。
[0032]
本发明与现有技术相比，具有以下有益效果：
[0033]
本技术先将各通道接收信号数据集进行通道校正，构建观测信号数据集的盖尔圆矩阵并在坐标系下绘制盖尔圆图，通过分类神经网络判别集群无人机目标个数，避免了gde准则中调整因子的选择至今尚没有较好的理论支持，有较大的不确定性的缺陷，同时进一步提高gde准则在低信噪比，小快拍数条件下的性能。
[0034]
本发明提出了一种用于判定小型无人机目标数目的智能辨识方法。利用外辐射源发射一定频率的信号，由阵列天线接收经集群无人机反射后的回波信号，构建经过通道校正后的观测信号数据集的协方差矩阵并对协方差矩阵作酉变换获得盖尔圆矩阵，从中获得能将信号盖尔圆和噪声盖尔圆可视化的盖尔圆心值和盖尔圆半径并在坐标系中绘制盖尔圆可视化图，最后将图片送入分类神经网络中进行训练，直到神经网络的准确率达到要求。
附图说明
[0035]
图1为本发明提出的判别方法的流程图；
[0036]
图2为盖尔圆可视化制作流程图；
[0037]
图3为实施例中无人机目标数目为1(f＝1)时的盖尔圆可视化训练样本图；
[0038]
图4为实施例中无人机目标数目为2(f＝2)时的盖尔圆可视化训练样本图；
[0039]
图5为实施例中无人机目标数目为3(f＝3)时的盖尔圆可视化训练样本图；
具体实施方式
[0040]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
[0041]
实施例
[0042]
参见图1，本技术公开了一种用于判定小型无人机目标个数的智能辨识方法，包括以下步骤：
[0043]
步骤a、将包含有多个阵元的阵列在色噪声环境的远场中任意放置，在预先设定无人机个数和采样快拍数下，采样经无人机反射过来的回波信号：
[0044]
a1.所述阵列包含m个阵元，间距为d，采样快拍数l，无人机个数为f，假设f个远场窄带信号入射到阵列上，其中f＝1,2，...，k，且k＜m，在阵列信号处理领域中将接收信号表示为:x(t)＝as(t) n(t),式中x(t)＝[x1(t),x2(t),...,x
m
(t)]
t
为t时刻的接收信号矢量,s(t)＝[s1(t)，...，s
k
(t)]
t
为t时刻信号源矢量，n(t)＝[n1(t)，...n
m
(t)]
t
为t时刻色噪声矢量，a＝[α(θ1)，...，α(θ
k
)]为阵列流型矢量，θ
k
＝(φ
k
，θ
k
)为第k个信号源的入射角，其中φ
k
和θ
k
分别为第k个信号源的方位角和俯仰角，且φ
k
∈(0,2π)、θ
k
∈(0,π/2)，为第k个信号源的导向矢量，β
m
＝2π(m
‑
1)/m为逆时针第m个阵元与x轴的夹角，m＝1,2，...，m，λ为载波波长。
[0045]
步骤b、对各个通道接收信号的数据集进行通道校正，获得各通道观测信号数据集，包括：
[0046]
b1.提取通道校正系数：
[0047]
b
11
.令校正信号数据集为j＝[a1 b1i，...，a
m
b
m
i]
t
，i为虚数单位，则通道校正系数矩阵为：式中，t为通道校正系数矩阵。
[0048]
b2.通道校正：
[0049]
b
21
.设各通道接收信号的数据集为：
[0050]
式中，y表示各通道接收信号的数据集，c
mn
e
mn
i为矩阵y中第m行，第n列的元素，n为每一通道数据集的数据点最大个数，m＝1,2，
…
，m，n＝1,2，
…
n。
[0051]
b
22
.则x＝diag(t)
·
y所示的矩阵为经通道校正后各通道观测信号数据集，式中，diag(t)为以矩阵t中的元素为对角元素的对角矩阵。
[0052]
步骤c、各通道观测信号数据集求得协方差矩阵，再经酉变换计算得到盖尔圆矩阵：
[0053]
c1.观测信号数据集的协方差矩阵为其中，(.)
h
为共轭转置，对r
xx
作酉变换，得到盖尔圆矩阵，即：
[0054]
上式中，u
m
‑1为r
m
‑1的特征向量构成的酉矩阵，r
m
‑1为r
xx
去除最后一行最后一列后构成的子矩阵。盖尔圆的圆心和半径分别为c
i
＝λ
i
，r
i
＝|ρ
i
|。信号盖尔圆半径远大于零，噪声盖尔圆半径则接近于零。
[0055]
步骤d、参见图2，通过盖尔圆矩阵确定用于集群无人机个数估计的盖尔圆圆心和盖尔圆半径，在二维直角坐标系下绘制盖尔圆图，并将二维盖尔圆图标记后送入分类神经网络(具体包括全连接神经网络、卷积类神经网络、残差神经网络、自编码器神经网络、以及由上述四类网络组合构成的混合神经网络)：
[0056]
d1.通过盖尔圆矩阵获得绘制盖尔圆图所需的圆心和半径：
[0057]
d
11
.圆心矢量c＝diag(real(r
t
))/sum(diag(real(r
t
)))，式中，c＝[c1，c2，...，c
m
，...，c
m
]
t
为盖尔圆圆心矢量，c
m
为第m个盖尔圆圆心，real(.)为括号内矩阵的所有元素取实部后构成的矩阵，diag(.)为取括号内的矩阵的对角线上的元素并构成一列向量。sum(.)表示对括号内的矩阵的所有元素求和。
[0058]
d
12
.半径矢量r
u
＝abs(r
t(m)
)/sum(abs(r
t(m)
))，式中，r
u
＝(r1，...，r
m
，...，r
m
)
t
盖
尔圆半径矢量，r
m
为第m个盖尔圆半径，r
t(m)
为矩阵r
t
的最后一列构成的列向量，abs(.)为括号内的矩阵中的每一个元素取复数幅值后构成的矩阵。
[0059]
d2.在二维直角坐标系中，以c
m
·
cos(π/4)为圆心点横坐标，c
m
·
sin(π/4)为圆心点纵坐标，r
m
为半径在二维直角坐标系下绘制盖尔圆图并标记后依次送入分类神经网络中(具体包括全连接神经网络、卷积类神经网络、残差神经网络、自编码器神经网络、以及由上述四类网络组合构成的混合神经网络)。
[0060]
步骤e、改变预先设定的无人机个数，多次重复步骤a
‑
d，生成一定数量的训练样本用于训练步骤d中所述的分类神经网络，直至分类神经网络的准确率达到要求：
[0061]
e1.假设目标无人机个数为f，依次设定f＝1,2，...，k，k为目标无人机个数最大值,且k＜m。重复步骤a
‑
d，每设定一个无人机个数f采集h次经无人机反射过来的回波信号，取前g次采集的信号为训练集，则训练样本个数为q＝k
·
g，其余为测试集，测试样本个数为w＝k
·
(h
‑
g)。当无人机个数为f时，将对应的h个样本标记为f，神经网络目标输出为f。当将测试集送入神经网络中分类的准确率达到95％以上时停止训练，同种训练模式下，准确率最先达到95％以上的神经网络为最优网络。
[0062]
图3，图4，图5分别展示了f＝1,2,3时通过本实施例获得的盖尔圆可视化训练样本图，通过本实例，卷积类神经网络的准确率最先达到95％以上。
[0063]
按照上述实施例，便可很好地实现本发明。值得说明的是，基于上述结构设计的前提下，为解决同样的技术问题，即使在本发明上做出的一些无实质性的改动或润色，所采用的技术方案的实质仍然与本发明一样，故其也应当在本发明的保护范围内。