基于脉冲多普勒雷达时域回波的直升机识别算法

陈尹翔 杨 磊 罗丁利 王 勇

(西安电子工程研究所 西安 710100)

0 引言

对于直升机旋翼雷达回波的研究近几年受到了国内外学者的广泛关注，作为旋翼转动的独特特征，旋翼回波能够给分类识别提供有用的信息。直升机在医疗救援、通信运输、低空攻击、敌后侦查和空降转移等军用领域有着广泛的应用前景。目前基于直升机雷达回波特征分析研究已经成为一个重要的研究领域[1-2]。

直升机旋翼回波研究主要包括：桨叶叶片回波建模及仿真；基于时频域回波的直升机型号识别。对于战场雷达来说，直升机目标的探测识别可以推断目标的行动意图，不同直升机威胁程度不同，因而相应的应对方式也有所区别。相比于运输直升机，武装直升机的威胁程度更大，故而对于直升机型号的识别也是非常有必要的。

1 直升机桨叶建模和特性分析

由于旋翼桨叶与雷达信号相互作用时可简化为较简单的矩形模型，即长的窄金属片反射雷达波，即旋翼桨叶可看成长度为L、高为H的矩形金属片。

图1所示为桨叶模型，虽然真正的旋翼桨叶的形状非常复杂，但用矩形金属片完全可以模拟雷达波与桨叶相互作用时的物理效应。对于一块长度为L、高为H的矩形板，其雷达反射截面积σLH可以用下式描述：

图1 桨叶模型

(1)

(2)

所以σLH在θ=0附近取最大值，并迅速回落。仿真得到σLH随θ变化的示意图如图2所示。

图2 雷达反射截面积随入射角度变化示意图

图2为矩形金属板的RCS仿真图，可以看出，整条曲线关于角度θ=0轴对称，并且第二峰值与最大值差异较大，可以利用图2中最靠近最大值的两个波谷之间的间隔来表示峰值宽度，其中波谷位置出现在当θ满足(2π/λ)Lsinθ=±π时，得到：

(3)

一般情况下，λ≪L⟹λ/L≈0，以及sinθ是θ的等价无穷小量，可以得到峰值宽度：

(4)

可以看出，当雷达入射信号与旋翼桨叶垂直时，叶片的RCS最大，且由于sinc函数的作用，峰值两侧迅速回落。这意味着只有当旋翼桨叶垂直于雷达时，才可以探测到最明显的峰值信号，而信号从其他角度照射时可检测到低水平的反射信号。对这一信号的检测，也就是雷达工程师所熟知的“桨叶反射”[3]。

对于直升机目标来讲，回波主要包含机身分量，主旋翼和尾旋翼分量，尾旋翼回波强度较小且一般会被机身遮挡，本文主要讨论主旋翼回波对直升机的识别。

对于偶数旋翼的直升机，以4旋翼为例。如图3可知，当桨叶1转动到位置A时，桨叶3同时会转动到位置B，此时桨叶1为前进叶片，桨叶3为后退叶片，而回波为一次前进叶片与后退叶片回波之和。即每一次出现的桨叶反射现象的回波都是一次前进叶片与后退叶片回波之和。

图3 雷达照射4旋翼桨叶示意图

对于奇数旋翼的直升机，以5旋翼直升机为例。如图4可知，当桨叶1转动到位置A时，仅会出现前进叶片桨叶反射；下一时刻，桨叶3转动到位置B，仅会出现后退叶片桨叶反射，以此类推，旋翼转动一周后出现5次前进桨叶反射，5次后退桨叶反射，并且前进叶片与后退叶片相互交替出现，不会重叠。

图4 雷达照射5旋翼桨叶示意图

分析可以得出，奇数旋翼转动一周出现的桨叶反射次数是其旋翼数的两倍，并且因为前进叶片与后退叶片的回波不同，导致相邻桨叶反射的强度差异较大；相应的，偶数旋翼转动一周出现的桨叶反射次数等于其旋翼数，而且每次前进叶片和后退叶片的桨叶反射相叠加，使得其桨叶反射的回波强度基本相同。

2 特征提取与目标识别

首先根据实测数据对雷达的时域回波做MTD处理，提取目标所在的距离单元，在该距离单元上通过CLEAN算法去掉地物杂波，然后剔除掉机身分量并做傅里叶逆变换，得到时域回波信号。实测数据直升机一为4旋翼直升机，直升机二为5旋翼直升机，两类直升机的时域回波如图5所示。

如图5所示，直升机一为偶数桨叶，桨叶反射基本上为等间隔，并且桨叶反射信号强度相差不大；直升机二为奇数桨叶，因为前进叶片与后退叶片的差别，会出现强桨叶反射与弱桨叶反射相交替的现象。若将两类直升机的桨叶反射间隔提取出来，则可以针对此特征，对该两类直升机进行识别。

图5 直升机时域包络图

具体识别流程图如图6所示。

图6 识别流程图

具体实现步骤包括如下：

步骤1：直升机目标检测

对时域信号进行傅里叶变换得到多普勒谱，根据直升机速度与地物杂波的区别提取目标所在的距离单元。

步骤2：杂波预处理

1)对目标所在距离单元的多普勒谱，给定杂波谱宽度，确定最大迭代次数；杂波谱宽度和最大迭代次数可以利用如下规则确定：

①杂波谱宽度

由于直升机所处的杂波环境通常是地杂波。不同杂波的频谱标准偏差σv值。然后由σc=2σv/λ确定杂波谱宽度，其中λ表示雷达波长。

②最大迭代次数

由脉冲重复频率fr、动目标检测(MTD)点数M和杂波谱宽度σc确定最大迭代次数N：

(5)

2)在杂波范围内搜索最大值，记录最大值的幅度A、相位θ以及多普勒频率fc；

3)重构最大值对应的杂波时域信号：

sc=(A/K)exp[j(2πfct+θ)]

(6)

其中K表示脉冲积累数，从原时域信号中减去杂波信号得到新的时域信号；

4)重复1)到3)步骤直到最大迭代次数。

步骤3：去掉噪声

利用单元平均恒虚警检测(CA-CFAR)进行处理，确定保护单元和参考单元，确定虚警率Pfa，去掉噪声。其中参数确定如下：

1)确定保护单元和参考单元数目。

步骤4：特征提取

对上述去掉噪声的时域信号从左到右进行滑窗，将非峰值信号置0，保留峰值信号。对该时域信号进行检测并提取峰值包络，可以得到峰包的信息作为特征，并设计相应的分类器进行直升机型号的识别。

可以得到两个特征：特征一，统计相邻峰值信号间隔均值作为特征；特征二，获取相邻峰值的强度差，根据强度差与峰值强度的比值作为特征，可以对该两类直升机进行识别。

根据上述第4步，对时域信号回波进行特征提取后，得到两类直升机的桨叶反射间隔如图7所示。

图7 直升机一、二桨叶反射图

由图7可以看出，直升机一的桨叶反射间隔与直升机二桨叶反射间隔存在差异，而且因为直升机二是奇数片桨叶，其桨叶反射是前进叶片和后退叶片交替出现，体现在回波强度是强弱相间交替出现。

之后，我们利用分类器对它们进行分类识别。根据统计学习理论中结构风险最小化原则，支持向量机(Support Vector Machines，SVM)分类器理论应运而生，在解决小样本、非线性和高维模式识别中表现出许多特有的优势[6]。本文采取SVM分类器对目标进行识别，核函数选取Gaussian Kernel-SVM，其中训练样本为200组，由直升机一和直升机二的样本中随机各抽取100个样本构成；剩下的828个样本作为测试样本。100次蒙特卡洛试验后得到的平均识别率为99.4%。

3 结束语

本文针对不同直升机目标的识别问题进行研究。对旋翼的运动特性进行理论分析，建立了旋翼转动的数学模型，分析了旋翼个数的奇偶性以及其对桨叶反射信号的间隔和强度的影响。根据两类直升机时域回波的差异，提取两类直升机的桨叶反射信号的回波强度以及间隔差异作为特征对两类直升机进行识别。基于实测数据的实验结果表明，本文提出的方法能够有效地对两类直升机进行识别。