林 萍, 陳華杰, 林封笑

(杭州電子科技大學(xué) 通信信息傳輸與融合技術(shù)國(guó)防重點(diǎn)學(xué)科實(shí)驗(yàn)室,浙江 杭州 310018)

基于EEMD的車輛微動(dòng)信號(hào)提取及分類*

林 萍, 陳華杰, 林封笑

(杭州電子科技大學(xué)通信信息傳輸與融合技術(shù)國(guó)防重點(diǎn)學(xué)科實(shí)驗(yàn)室,浙江杭州310018)

針對(duì)輪式和履帶式車輛微動(dòng)信號(hào)的差異對(duì)目標(biāo)車輛進(jìn)行了識(shí)別分類,利用集合經(jīng)驗(yàn)?zāi)Ｊ椒纸?EEMD)將原始信號(hào)分解為多個(gè)本征模函數(shù)(IMF),通過(guò)相關(guān)性分析,驗(yàn)證了EEMD能夠有效克服EMD所帶來(lái)的模態(tài)混疊問(wèn)題。在此基礎(chǔ)上,提取了4種特征,采用最近鄰方法進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明：經(jīng)EEMD所提取的特征是有效的,對(duì)目標(biāo)速度,以及方位角的變化具有相當(dāng)?shù)姆€(wěn)健性。

集合經(jīng)驗(yàn)?zāi)B(tài)分解； 微多普勒； 目標(biāo)分類； 信號(hào)分離

0 引 言

目標(biāo)微動(dòng)具有唯一性和穩(wěn)定性的特點(diǎn),由于目標(biāo)微動(dòng)會(huì)對(duì)雷達(dá)回波產(chǎn)生調(diào)制,通過(guò)對(duì)調(diào)制后的回波頻率進(jìn)行分析,發(fā)現(xiàn),不同的目標(biāo)之間存在明顯差異,因此,美國(guó)海軍實(shí)驗(yàn)室將微多普勒現(xiàn)象引入雷達(dá)領(lǐng)域,為雷達(dá)目標(biāo)識(shí)別提供了新的研究思路[1,2]。

在實(shí)際應(yīng)用中,輪式車輛和履帶式車輛的微動(dòng)信號(hào)往往與車身信號(hào)混合甚至夾雜著雜波,因此,必須將兩類車輛的微動(dòng)信號(hào)從原始信號(hào)中分離出來(lái)[3]。由文獻(xiàn)[4]可知車輛目標(biāo)的多普勒譜分布范圍為[0,2fd],車身部分的分量主要集中于[0,fd],微動(dòng)分量分布在整個(gè)頻譜中。通過(guò)文獻(xiàn)[5]仿真返回的回波發(fā)現(xiàn)存在非線性且不穩(wěn)定的微動(dòng)信號(hào),傳統(tǒng)的信號(hào)分離方法已經(jīng)不能滿足要求。文獻(xiàn)[4]提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)的車輛目標(biāo)分類技術(shù),并通過(guò)仿真實(shí)驗(yàn)進(jìn)行了驗(yàn)證。本文在文獻(xiàn)[4]的基礎(chǔ)上,增加了雜波,設(shè)定了更廣的車速范圍和方位角范圍,此時(shí),在回波中可能會(huì)存在間斷信號(hào)或者噪聲等,造成極值點(diǎn)分布不均勻,在這種仿真環(huán)境下利用文獻(xiàn)[4]方法會(huì)存在模態(tài)混疊的問(wèn)題,導(dǎo)致兩類車輛特征差異無(wú)法凸顯[6～10]。

本文針對(duì)模態(tài)混疊問(wèn)題,提出了集合EMD(ensemble EMD,EEMD)對(duì)車輛的原始回波進(jìn)行分解。進(jìn)一步通過(guò)相關(guān)性算法,驗(yàn)證了EEMD的有效性。在此基礎(chǔ)上,基于兩類車輛微動(dòng)信號(hào)的差異提出了4種特征。實(shí)驗(yàn)結(jié)果表明：本文方法具有更好的分類效果,且具有穩(wěn)健性。

1 輪式履帶式車輛仿真建模

文獻(xiàn)[5]通過(guò)建立三維點(diǎn)目標(biāo)運(yùn)動(dòng)模型模擬車輛目標(biāo)運(yùn)動(dòng)產(chǎn)生回波數(shù)據(jù)。分別對(duì)輪式車輛的車輪轉(zhuǎn)動(dòng)和車身平動(dòng)這2個(gè)強(qiáng)散射點(diǎn)運(yùn)動(dòng)建模和履帶式車輛的上半部分履帶平動(dòng)以及左、右兩側(cè)履帶轉(zhuǎn)動(dòng)這2個(gè)強(qiáng)散射點(diǎn)建模。本文根據(jù)上述方法建立了仿真模型,在此基礎(chǔ)上添加了動(dòng)雜波,并對(duì)各個(gè)方位角以及不同的速度進(jìn)行了仿真。

2 基于EEMD的微多普勒信號(hào)抽取

合成孔徑雷達(dá)(synthetic aperture radar,SAR)微多普勒信號(hào)是從SAR方位向回波信號(hào)中提取的,因此,首先需要對(duì)SAR/地面目標(biāo)指示器(GMTI)原始回波數(shù)據(jù)進(jìn)行距離向壓縮和距離徙動(dòng)校正[5],然后,對(duì)所得的信號(hào)進(jìn)行動(dòng)態(tài)主元分析(dynamic principal component analysis,DPCA)處理,從而抑制靜雜波;最后進(jìn)行EEMD提取微動(dòng)信號(hào)。流程如圖1。

圖1 微多普勒信號(hào)提取流程

2.1 EEMD算法

EEMD使高斯白噪聲均勻分布在各個(gè)頻段,波形更加平滑,此時(shí),雜波也被包含在噪聲中,經(jīng)過(guò)多次迭代克服了EMD由于極值點(diǎn)分布不均勻造成的模態(tài)混疊問(wèn)題。對(duì)所得到的回波信號(hào)進(jìn)行EEMD步驟如下：

1)向回波信號(hào)添加一組均勻的高斯白噪聲,產(chǎn)生新的信號(hào)；

2)對(duì)新信號(hào)進(jìn)行EMD,得到若干個(gè)本征模函數(shù)(intrinsic mode function,IMF)和一個(gè)余項(xiàng)為

(1)

式中X(t)為步驟(1)中的新信號(hào);xj為對(duì)應(yīng)的第j個(gè)本征模函數(shù)；rn為分解到最后剩下的余項(xiàng)。

3)繼續(xù)給回波信號(hào)添加均勻白噪聲,重復(fù)步驟(1)和步驟(2),重復(fù)次數(shù)與預(yù)定義的迭代次數(shù)有關(guān),一般多于100次。最后,得到多個(gè)步驟(2)的結(jié)果為

(2)

式中Xi(t)為第i次迭代時(shí)步驟(1)產(chǎn)生的新信號(hào);xij為第i次迭代時(shí)經(jīng)EMD產(chǎn)生的第j個(gè)IMF;rin為第i次迭代時(shí)經(jīng)EMD產(chǎn)生的余項(xiàng)。

4)對(duì)步驟(3)所得到的各個(gè)IMF和余項(xiàng)取均值得到最終的IMF和余項(xiàng),具體表示如下

xj=xij/N

(3)

rn=rin/N

(4)

式中N為迭代次數(shù)。

5)對(duì)各個(gè)IMF進(jìn)行Hibert變換得到時(shí)頻圖。

2.2 實(shí)驗(yàn)結(jié)果分析

對(duì)輪式車輛回波和履帶式車輛回波分別進(jìn)行了EMD和EEMD,結(jié)果如圖2、圖3所示。EMD的IMF1頻率分布范圍廣,產(chǎn)生了模態(tài)混疊的現(xiàn)象。

圖2 EMD結(jié)果

圖3 EEMD結(jié)果

3 基于EEMD的輪式和履帶式車輛分類算法

3.1 算法原理

主要通過(guò)2種算法實(shí)現(xiàn)了對(duì)車輛目標(biāo)的分類：EEMD算法以及基于微動(dòng)信號(hào)的差異性所做的特征提取算法,流程如圖4。

圖4 車輛算法流程

3.1.1基于相關(guān)性分析的有效IMF選擇

提出了相關(guān)性分析方法描述EMD與EEMD之間的具體差異。相關(guān)系數(shù)計(jì)算如下

(5)

利用EEMD對(duì)輪式車輛和履帶式車輛進(jìn)行信號(hào)分解,對(duì)分解后的各個(gè)IMF與其車身信號(hào)以及微動(dòng)信號(hào)做相關(guān)性分析,得出了如下實(shí)驗(yàn)結(jié)論：

1)有效的IMF選擇:實(shí)驗(yàn)中選擇0.1作為門限值,因此,本文僅選擇前5個(gè)IMF進(jìn)行實(shí)驗(yàn)分析。

2)基于EEMD微多普勒信號(hào)分離的效果分析:從表1可以看出,EEMD能克服模態(tài)混疊問(wèn)題,使得微多普勒信號(hào)能夠更有效地分離。

3)輪式車輛與履帶式車輛分解后的IMF之間比較:由表1可知：輪式車輛的車身主體部分信號(hào)主要集中在前2個(gè)IMF,微動(dòng)信號(hào)幾乎可以忽略。履帶式車輛微動(dòng)信號(hào)較為均勻地分布在前4個(gè)IMF中,其中IMF2與IMF3也存在車身分量,而IMF1主要為微動(dòng)信號(hào)。

表1 兩類車輛EEMD相關(guān)系分析

3.1.2 基于微動(dòng)的特征提取

針對(duì)上述所分析的這兩類車輛微多普勒信號(hào)的差異,提取了4種新特征作為這兩類車輛的分類依據(jù),具體如下

特征1：第1個(gè)IMF高頻段能量

(6)

式中x1為第1個(gè)IMF;f為頻率;fd為目標(biāo)多普勒頻率。

特征2：第1個(gè)IMF高頻段波動(dòng)程度。將x1分為m份,使用u表示每個(gè)等份中的個(gè)數(shù),則第1個(gè)IMF高頻段波動(dòng)程度

(7)

式中t=1,2,3,…,m;總的波動(dòng)程度為F=sum(F′)。

特征1和特征2描述了兩類車輛在第1個(gè)IMF上的差異。根據(jù)前面的相關(guān)性分析可知輪式車輛的IMF1主要為車身主體部分,微動(dòng)信號(hào)可以忽略,其頻譜分布較窄[0,fd]。而履帶式車輛的IMF1主要為微動(dòng)信號(hào)部分,導(dǎo)致其頻譜展寬,因此,兩類車輛在[fd,2fd]段頻譜的能量和波動(dòng)均存在差異。

特征3：第2個(gè)IMF的頻譜的極大值點(diǎn)

(8)

式中Y為各個(gè)IMF的傅里葉變換的幅值;x2(k)為第2個(gè)IMF的第k個(gè)元素。

特征3描述了第2個(gè)IMF峰值點(diǎn)的大小。根據(jù)相關(guān)性分析可知,履帶式的IMF2部分是車身和微動(dòng)信號(hào)并存的。輪式車輛的IMF2只存在部分車身信號(hào)。因此可以得出如下結(jié)論：輪式車輛IMF2部分頻譜的幅度要小于履帶式車輛IMF2頻譜的幅度。

特征4：模態(tài)能量熵判斷IMF之間的離散度

(9)

特征4主要根據(jù)各個(gè)IMF的能量分布判別。輪式車輛的車身主體部分信號(hào)主要集中于前2個(gè)IMF,由于其微動(dòng)信號(hào)較少,所以微動(dòng)信號(hào)相對(duì)于車身信號(hào)含量幾乎可以忽略。履帶式車輛車身主體信號(hào)主要集中于IMF2和IMF3,但是由于履帶的反射系數(shù)大,在運(yùn)動(dòng)過(guò)程中產(chǎn)生了一個(gè)較大的微多普勒信號(hào),所以它在各個(gè)IMF的分布上就更加均勻。

3.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)主要有兩類目標(biāo)：輪式車輛與履帶式車輛。采用仿真數(shù)據(jù)作為訓(xùn)練樣本和測(cè)試數(shù)據(jù),最后采用最近鄰分類器對(duì)測(cè)試數(shù)據(jù)進(jìn)行測(cè)試。仿真實(shí)驗(yàn)主要參數(shù)有：雷達(dá)帶寬150 MHz,脈沖重復(fù)頻率750 Hz,雷達(dá)載頻3 GHz,信號(hào)脈沖寬度1.33 μs,目標(biāo)車輛速度2～20 m/s,方位角0°～40°,兩類車輛的回波數(shù)據(jù)按照文獻(xiàn)[5]仿真產(chǎn)生。實(shí)驗(yàn)過(guò)程中,采用最近鄰分類器分類,分別測(cè)試了不同特征下,不同速度和不同方位角下的各個(gè)特征識(shí)別率,結(jié)果如表2、表3所示。

表2 不同速度下各個(gè)特征的識(shí)別率

表3 不同方位角下各個(gè)特征的識(shí)別率

從表2中可以看出,特征1和特征2在目標(biāo)車輛低速過(guò)程中識(shí)別率較低,在高速過(guò)程中識(shí)別率較高。特征3和特征4剛好相反,在低速過(guò)程中,這2個(gè)特征對(duì)于目標(biāo)車輛具有較好的區(qū)分度。通過(guò)以上分析,可以發(fā)現(xiàn)本文所提出的4種特征存在互補(bǔ)關(guān)系。在含有動(dòng)雜波下,針對(duì)大速度范圍以及方位角范圍,也可以獲得較高的識(shí)別率。

4 結(jié) 論

針對(duì)復(fù)雜環(huán)境和復(fù)雜運(yùn)動(dòng)模式下的輪式車輛和履帶式車輛提出了EEMD。通過(guò)高斯白噪聲克服了EMD的模態(tài)混疊問(wèn)題。利用相關(guān)性判別方法,進(jìn)一步驗(yàn)證了EEMD的有效性。在此基礎(chǔ)上,針對(duì)2類車輛微動(dòng)特性的差異提出了4種特征,通過(guò)最近鄰分類器進(jìn)行分類的結(jié)果表明,本文算法在一定方位角和速度下具有良好的識(shí)別性能。

[1] Chen V C,Li F,Ho S S,et al.Micro-Doppler effect in radar:Phenomenon,model,and simulation study[J].IEEE Transactions on Aerospace and Electronic System,2006,42(1):2-21.

[2] Kim Y,Ling H.Human activity classification based on micro-Doppler signatures using a support vector machine[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(5):1328-1337.

[3] 聶 鵬,徐洪垚,劉新宇,等.EEMD方法在刀具磨損狀態(tài)識(shí)別的應(yīng)用[J].傳感器與微系統(tǒng),2012,31(5):147-149.

[4] 李彥兵.基于微多普勒效應(yīng)的運(yùn)動(dòng)車輛目標(biāo)分類研究[D].西安：西安電子科技大學(xué),2013.

[5] 駱宇峰.SAR輪式/履帶式車輛微多普勒建模和特征分析[D].杭州：杭州電子科技大學(xué),2013.

[6] 呂艷新,李海濤,鄧 冬,等.基于EEMD的多傳感器信息融合降噪方法[J].傳感器與微系統(tǒng),2014,33(10):5-7.

[7] 董 偉,王紅亮,黃洋文.基于多重特征提取的戰(zhàn)場(chǎng)車輛聲目標(biāo)識(shí)別[J].傳感器與微系統(tǒng),2010,29(7):30-32.

[8] 劉桂林,孔祥維,劉 航.基于無(wú)線傳感器網(wǎng)絡(luò)的車輛檢測(cè)識(shí)別算法研究[J].傳感器與微系統(tǒng),2010,29(2):9-12.

[9] 盧 丹,周以齊.基于EEMD和CWT的挖掘機(jī)座椅振動(dòng)分析[J].山東大學(xué)學(xué)報(bào)：工學(xué)版,2015(3):58-64.

[10] 蔣留兵，韋洪浪，管西海，等.基于EEMD和HOC的超寬帶雷達(dá)生命探測(cè)算法研究[J].現(xiàn)代雷達(dá)，2015,37(5)：25-30.

EEMD-basedvehiclemicro-motionechosignalextractionandclassification*

LIN Ping, CHEN Hua-jie, LIN Feng-xiao

(KeyLaboratoryofFundamentalScienceforNationalDefense-CommunicationInformationTransmissionandFusionTechnology,HangzhouDianziUniversity,Hangzhou310018,China)

Aiming at difference of micro-motion echo signal of two kinds of vehicles,target vehicle is identified and classified.Ensemble empirical mode decomposition(EEMD) is employed to decompose original signal into a number of intrinsic mode function(IMF).By means of correlation analysis,it is proved that EEMD can effectively overcome the mode mixing problem caused by EMD.On this basis,four features are extracted,the nearest neighbor method is used for classification.Experimental results show that the features extracted after EEMD are effective and fairly robust against the variation of the target velocity and azimuth angle.

ensemble empirical mode decomposition(EEMD); micro-Doppler; target classification; signal separation

10.13873/J.1000—9787(2017)10—0038—03

2016—09—12

國(guó)家“十二五”預(yù)研項(xiàng)目

TN 957

A

1000—9787(2017)10—0038—03

林 萍(1992-),女,碩士研究生,主要研究方向?yàn)槟Ｊ阶R(shí)別,信號(hào)處理。