复合深度神经网络在直升机声目标识别中的研究

针对直升机探测中目标运动过程连续识别的鲁棒性问题,提出了一种基于复合深度神经网络的直升机声学特征提取和识别框架。复合深度神经网络由卷积神经网络和长短时记忆神经网络以并行结构组合,进行直升机声学特征的优化,完成直升机类型识别。针对直升机声信号特性,对卷积神经网络进行了改进,使得该复合深度神经网络在信号短时谱基础上优化声信号特征表征并提取前后帧之间的相关信息,弥补通常声目标识别方法不能充分利用目标信号时间历程信息的缺陷。真实外场实验数据测试结果显示:相较于传统识别方法,该算法显著提升了直升机进入有效探测范围后连续识别的鲁棒性和目标识别正确率。

直升机旋翼微多普勒特性分析

近年来,对微多普勒效应的研究为目标的精确识别提供了一种新的途径,其在对直升机探测、分类和识别领域有着重要的应用前景。采用物理光学模型计算了直升机旋翼的雷达散射截面,改进了直升机旋翼回波的微多普勒模型。并基于该模型,分别计算了不同形状以及转速的双叶片、三叶片直升机旋翼的探测回波信号,利用短时傅里叶变换时频分析方法分析了微多普勒特征。研究结果表明,不同的直升机旋翼叶片数量、长度以及转速对直升机旋翼微多普勒的曲线形状、幅度以及周期产生不同的影响,为下一步对直升机的微多普勒识别提供了参考和借鉴。

基于预分类机制及GRNN的直升机飞行状态识别

针对某型号直升机的16个典型飞行状态进行状态识别方法研究。首先根据飞行状态参数偏航角、无线电高度与指示空速三种监测参数对直升机飞行状态进行初步划分,即分别将其差分绝对值与方差大小作为限定条件,并结合概率密度函数方法,将直升机状态分为平飞、上升、下降、转弯、非转弯、稳速、增速与减速等状态。其次,在初步状态划分基础上,根据高度、偏航角两种参数进行三大状态预分类。再次,在每个大类中,再根据速度的划分范围及速度变化情况将直升机划分为16个典型飞行状态。最后,对划分的16个典型飞行状态所属的大状态类别分别建立广义回归GRNN状态识别模型。本文结合某型号直升机飞行过程中获取到的飞行参数,对所研究的方法进行验证,验证结果表明,该方法能够实现对直升机飞行状态的有效识别,对于提高直升机状态监控具有重要的支撑作用。

基于实测数据的空中目标分类识别算法

该文在分析由常规窄带雷达获得的直升机、螺旋桨和喷气式飞机实测回波数据特征的基础上,提出一种基于多特征联合的分类识别算法。通过对大量实测回波数据的特征分析,提取多普勒频移、幅度相对量、时域和频域波形熵、时频特征多个具有明显区分性的特征,将其输入支撑向量机(SVM)分类器实现3类空中目标的分类。在分类的基础上,基于回波数据的时频谱宽和对称性特征,提出一种奇数与偶数片桨叶直升机识别方法。最后实测数据的处理结果验证了所提空中目标分类识别方法的有效性。