автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Алгоритмы декомпозиции многокомпонентных доплеровских сигналов, отраженных от подвижных объектов

На правах рукописи

Евдокимова Екатерина Олеговна

АЛГОРИТМЫ ДЕКОМПОЗИЦИИ МНОГОКОМПОНЕНТНЫХ ДОПЛЕРОВСКИХ СИГНАЛОВ, ОТРАЖЕННЫХ ОТ ПОДВИЖНЫХ ОБЪЕКТОВ

Специальность

05.12.04 — Радиотехника, в том числе системы и устройства телевидения

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

5 ДЕК 2013

Таганрог-2013

005543013

Работа выполнена на кафедре теоретических основ радиотехники (ТОР) «Инженерно-технологической академии Южного федерального университета».

Научный руководитель: Федосов Валентин Петрович, доктор технических наук, профессор ИТА ЮФУ г. Таганрог.

Официальные оппоненты:

Безуглов Д.А., доктор технических наук, профессор, заведующий кафедрой «Информационные технологии в сервисе» Федерального государственного бюджетного образовательного учреждения высшего профессионального образования (ФГБО ОУ ПВО) «Донской государственный технический университет», г. Ростов-на-Дону.

Клименко П.П., кандидат технических наук, доцент кафедры радиотехнических и телекоммуникационных систем Южного Федерального университета.

Ведущая организация: Открытое акционерное общество «Всероссийский научно-исследовательский институт «Градиент» (ОАО «ВНИИ «Градиент»), г. Ростов-на-Дону.

Защита состоится «23» декабря 2013 г. в 10.20 в ауд. Д-406 на заседании диссертационного Совета Д 212.208.20 при федеральном государственном автономном образовательном учреждении высшего профессионального образования «Южный федеральный университет» по адресу: 347928, Ростовская область, г. Таганрог, ГСП-17 А, пер. Некрасовский, 44.

С диссертацией можно ознакомиться в Зональной научной библиотеке «Южного федерального университета» по адресу: ул. Пушкинская 148, г. Ростов-на-Дону, Ростовская область, 344049.

Автореферат разослан «_»_ 2013 года.

Ученый секретарь

диссертационного совета Д 212.208.20 кандидат технических наук, доцент

Савельев

Общая характеристика работы

Актуальность темы. Практическое применение алгоритмов обработки доплеровских сигналов направлено на развитие систем классификации наземных и воздушных подвижных объектов, распознавания типа биологического движения, классификации животных для контроля миграций, анализа дорожной обстановки, анализа походки человека с целью идентификации граждан-ский-террорист для приложений антитеррор, для выявления дефектов походки в медицинских приложениях. Особый интерес представляет анализ сигналов, имеющих характерные особенности доплеровского спектра, связанные с мик-родвиженими объектов. Примерами микродвижений могут служить вращения лопастей вертолета, движения рук и ног человека и являются результатом конструктивных особенностей объекта наблюдения и способа передвижения. Радиолокационные отражения от таких объектов характеризуются многокомпонентной структурой, а законы изменения частоты компонент заключают в себе информацию о кинематических параметрах микродвижений. Одним из методов повышения эффективности систем обработки доплеровской информации является предварительная декомпозиция многокомпонентных сигналов.

Анализ литературы, проведенный автором, показал, что в открытой печати представлен широкий спектр исследований в области анализа доплеровских характеристик, однако методы декомпозиции многокомпонентных доплеровских сигналов представлены лишь несколькими алгоритмами, применение которых возможно только для некоторых частных случаев. В то же время, многие авторы отмечают, что выделение составляющих доплеровского сигнала позволяет усовершенствовать анализ, так как отрывает возможности для оценки параметров отдельных микродвижений.

Развитие доплеровских радаров и расширение области их использования ставит задачу разработки алгоритмов, позволяющих извлекать максимальный объем информации об объекте наблюдений. Немаловажную роль играет и снижение вычислительной мощности процессора, предназначенного для анализа сигналов. Так как микродвижения в общем случае осуществляются объектами с малой эффективной площадью рассеяния, к чувствительности радиолокационной системы также предъявляются высокие требования. На сегодняшний день доплеровские радары уже используются для решения ряда гражданских задач и имеют целый ряд потенциальных приложений, таких, как биометрическое распознавание на базе доплеровской характеристики, которые ожидают появления новых методов извлечения информации. Поэтому, несмотря на трудности, связанные с оценкой параметров доплеровских сигналов, новые методы их анализа представляют особый интерес.

Таким образом, актуальным является развитие методов извлечения информации из доплеровских сигналов, отраженных от объектов с подвижными частями, а также исследование возможности применения таких методов для определения кинематических параметров объектов и формирования информативных признаков для их распознавания.

Цель и задачи работы. Целью диссертации является повышение точности представления многокомпонентных доплеровских сигналов для решения задач декомпозиции при оценке параметров отдельных компонент в процессе формирования признаков распознавания подвижных объектов

Для достижения сформулированной цели необходимо решить следующие задачи:

1. Исследовать структуру доплеровских сигналов для объектов, совершающих микродвижения.

2. Разработать универсальную модель микродвижения и сформировать словарь функций.

3. Разработать алгоритм декомпозиции многокомпонентных сигналов со сложной частотной модуляцией.

4. Выполнить компьютерное моделирование работы алгоритма.

5. Выполнить экспериментальное исследование работы алгоритма для реальных сигналов.

Методы исследования основаны на использовании теории линейной алгебры и векторно-матричного анализа, в том числе алгоритмов работы с разреженными матрицами, методов статистического анализа случайных процессов, а также теории радиолокационных систем.

Научная новизна. В диссертационной работе получен ряд новых результатов, основные из которых сводятся к следующему:

- Сформированы новые словари функций, основанные на модели сигнала, характеризующего вращательное микродвижение для временного и частотно-временного представления сигналов.

- Разработаны линейный и нелинейный алгоритмы декомпозиции многокомпонентных доплеровских сигналов для их обработки с целью формирования информативных признаков при классификации объектов.

- Произведен анализ эффективности предложенных алгоритмов дня реальных доплеровских сигналов.

Практическая значимость. Предложенный подход к преобразованию сигнатур доплеровских сигналов позволяет представить их в виде набора коэффициентов, что упростит процесс дальнейшей обработки, хранения и передачи основной информации о сигналах. По сравнению с известными методами декомпозиции доплеровских сигналов, коэффициент подобия между реальным и восстановленным сигналом для различных типов сигналов выше в среднем на 30% и достигает 0,96.

Внедрение результатов работы. Полученные в работе результаты приняты к внедрению в учебный процесс на кафедре Теоретических основ радиотехники Южного федерального университета в г. Таганроге для дисциплин: «Радиотехнические цепи и сигналы», «Современные алгоритмы обработки сигналов», «Алгоритмы обработки пространственно-временных сигналов» по направлениям «Радиотехника» подготовки инженеров и магистров. Также результаты диссертационной работы внедрены в Государственном образова-

тельном учреждении высшего профессионального образования «Инженерно-технологической академии Южного федерального университета» при выполнении научных работ на кафедре теоретических основ радиотехники по г/б НИР 301.38-11/2013-3, а также используются в разработках научно-конструкторского бюро «Цифровая обработка сигналов» ЮФУ.

Апробация работы

Материалы диссертации докладывались и обсуждались на следующих конференциях:

Международная научная конференция «Методы и алгоритмы принятия эффективных решений», Таганрог, 2009 г.

Международная научная конференция «Проблемы современной системотехники», Таганрог, 2009 г.

Всероссийская научная конференция «Техническая кибернетика, радиоэлектроника и системы управления», Таганрог, 2010 г.

Всероссийская научная, конференция «Современные исследовательские и образовательные технологии», Таганрог, 2012 г.

Всероссийская научная конференция «Техническая кибернетика, радиоэлектроника и системы управления», Таганрог, 2012 г.

Всероссийская научно-техническая конференция с международным участием "Компьютерные и информационные технологии в науке, инженерии и управлении" "КомТех-2013", Таганрог, 2013 г.

Международная научная конференция «Излучение и рассеяние ЭМВ -ИРЭМВ-2013», Таганрог - Дивноморское, 2013 г.

Публикации. По теме диссертации опубликовано 9 статей, в том числе 2 из них из списка изданий, рекомендованных ВАК.

Структура диссертационной работы. Диссертационная работа изложена на 127 страницах машинописного текста и состоит из введения, четырех глав, заключения, списка литературы и приложений. Список литературы включает в себя 71 наименование.

Основные положения, выносимые на защиту:

1. Предложен модельно-ориентированный подход, обеспечивающий выделение компонент доплеровских сигналов, отраженных от подвижных объектов, совершающих микродвижения.

2. Сформирован новый словарь функций с гармоническим законом модуляции частоты, позволяющий аппроксимировать компоненты доплеровских сигналов.

3. Разработаны линейный и нелинейный алгоритмы декомпозиции доплеровских сигналов, основанные на методах разреженных представлений, позволяющие представить многокомпонентный сигнал линейной комбинацией функций словаря.

4. Представлены результаты декомпозиции для реальных доплеровских сигналов, которые доказывают работоспособность и эффективность разработанных алгоритмов.

СОДЕРЖАНИЕ РАБОТЫ

В первой главе рассмотрены основные методы и алгоритмы обработки доплеровских сигналов с целью выделения информации о кинематике движения наблюдаемых объектов и формирования признаков для классификации.

Так как современные методы большей частью основаны на анализе частотно-временного представления сигналов, был сделан обзор частотно-временных преобразований сигналов, таких как оконное преобразование Фурье, преобразование Вигнера-Вилля и его модификации. Были также рассмотрены основные методы анализа частотно-временных распределений; проанализированы существующие методы оценки параметров доплеровских сигналов; был сделан обзор современных методов выделения компонент доплеровских сигналов, например, метод выделения наиболее мощной компоненты по максимуму спектрограммы сигнала, декомпозиция на основании преобразования Хафа.

На основании анализа характеристик моделированных и реальных сигналов, представленных в литературе, были сделаны следующие выводы. Широкий класс микродвижений порождает идентичные изменения спектра эхо-сигнала, выраженные в том, что частотно-временное распределение спектра доплеровского сигнала обладает периодической структурой. В связи с этим в работе была рассмотрена возможность разложения доплеровских сигналов в базисе частотно-модулированных функций с гармоническим изменением частоты; в итоге были сформулированы цель и задачи диссертации.

Во второй главе представлена модель доплеровского сигнала, которая описывает отражение от вращающейся сферы. Кинематика движения в рамках модели поясняется рисунке 1: точечный отражатель зафиксирован на краю вращающейся пластины радиусом г, пластина тонкая и не оказывает влияния на отраженный сигнал. Отражатель вращается с частотой П и поступательно движется вместе с пластиной со скоростью у0.

Рисунок 1

Общее выражение для кинематики движения точечного отражателя в пространстве:

где V(/) - результирующий вектор скорости, V0 - вектор скорости поступательного движения, R(0 - вектор расстояния от РЛС до отражателя, r(t) - век-

V(0=4R(')=Vo+e>xr(4

тор радиуса вращательного движения, (о - вектор угловой скорости вращения, как это показано на рисунке 2.

У*

Рисунок 2

Учитывая, что модули векторов в выражении уравнения скорости для частного случая принимают следующие значения:

11Уо|| = vo, ||УЯ|| = V*, ||г|| = г, |Н| = 2тга, а мгновенный угол вращения а({) = 2лП/+а0, где а0 - начальный угол. Тогда дальность от начала координат, где находится доплеровский радар, до отражателя можно представить функцией параметров г, у0, П, ао, х0 (см. рисунок 2)

Д(0 = >/(хо + ^о'У + 2 г(х0 + у0г)соз(2 лО.1 + а0)+ г2.

Если в целях упрощения модели принять х0 » г, тогда р ~ 90°. При этом мгновенная радиальная скорость

ук (0 = v0 + 2ягО 5ги(2лО? + ай).

100

-100

О 0.2 0.4 0.6 0.8 1 1(С)

О 0.2 0.4 0.6 0.8 1 С(с)

Рисунок 3

На рисунке 3 представлены зависимости изменения дальности (слева) и доплеровской частоты отраженного сигнала (справа) во время движения отражателя.

ЯБ

г (с) Рисунок 4

Спектрограмма, представленная на рисунке 4, получена с помощью оконного преобразования Фурье (ОПФ)

п=т+\

где у - вектор отсчетов сигнала, к - вектор отсчетов оконной функции, в данном случае применялось окно Гаусса, т- номер, а N - размер окна, соответственно.

Такая спектрограмма может быть однозначно описана четырьмя основными параметрами: амплитудой А, смещением В, частотой О = МТ и начальной фазой На основании предложенной модели могут быть представлены модели многокомпонентных сигналов. Например, на рисунке 5 изображена спектрограмма отражений от четырех лопастей вертолета.

' дБ

^ 500

я

ь о

^-500

0 0.2 0.4/(с)0.6 0.8 Рисунок 5

В третьей главе сформулирована задача декомпозиции доплеровского сигнала

1=1

где 4(0

— сигналы тУ-мерного базиса, предназначенные для аппроксимации реальных компонент сигнала, к, - коэффициенты, характеризующие отношение мощности реальных компонент к мощности компонент базиса, ф) - сигнал ошибки декомпозиции, обусловленный шумами и неточностью аппроксимации.

Для поиска единственного решения необходимо ввести дополнительное условие и поставить оптимизационную задачу Р, минимизации Ьх нормы:

(/¡): гшпЦх^ при условии у = Бх,

где х - разреженный вектор коэффициентов, Б е С"хГ - матрица, называемая словарем, элементы которой определены на комплексном пространстве, при этом Г - множество словарных функций, представленных и отсчетами времени так, что Г > п. Столбцы матрицы О являются атомами словаря, а матрица может быть записана в следующем виде:

О = Ц.: у е Г} с С".

Для решения задачи Р, сформирован словарь сигналов вида

с1(0 = Ме'т,

где М- амплитуда компоненты, <9(г) - фаза сигнала, изменяющаяся по гармоническому закону. Гармонический закон изменения фазы, описывается че-

тырьмя параметрами: А - амплитуда, В - постоянная составляющая, О - частота, начальная фаза

0(0 = В +А sm<(2лQt + На основании априорной информации о сигнале определяется диапазон изменения параметров базисных функций - атомов и задается сетка значений параметров, которая устанавливает предельную точность оценки. Кроме словаря функций времени с!ф в работе был так же сформирован словарь спектрограмм. Атомы словарей однозначно связаны через ОПФ, причем спектрограмма соответствует выражению

Параметры функций и размер словаря зависят от априорной информации о сигнале, а именно от ожидаемого диапазона оцениваемых параметров. Важным фактором при формировании банка функций является степень их взаимосвязи, которая численно определяется их скалярным произведением. Так как эти функции линейно зависимы, сетка значений параметров должна выбираться таким образом, чтобы коэффициент взаимосвязи между элементами словаря не превышал 0,5, что соответствует разрешению по критерию Релея. Тогда минимальное расстояние между функциями на области параметров соответствует потенциальной разрешающей способности сформированного словаря. Был проведен анализ разрешающей способности словарей на основании анализа функции отклика системы, осуществляющей скалярное произведение атомов с близкими параметрами. На рисунке 6 представлены функции отклика для словаря, сформированного для декомпозиции сигналов временной области (слева) и для словаря спектрограмм (справа).

Рисунок 6

Анализируемые сигналы представлены N, = 2048 отсчетами, при длительности выборки 1 с; для формирования спектрограмм размером 128x256 отсчетов применялась оконная функция Гаусса из 64 отсчетов. Важно отметить, что коэффициент взаимосвязи сигналов, представленных спектрограммами, зависит от таких параметров, как длительность сигнала, частота дискретизации и размер оконной функции h(t), так как их соотношение влияет на форму спектра. Из рисунка 6 видно, что атомы словаря функций времени обладают высокой разрешающей способностью. Это объясняется тем, что функции с гармоническим законом изменения частоты с большим индексом моду-

ляции характеризуются широким спектром и, следовательно, малым интервалом взаимной корреляции. Словарь спектрограмм обладает меньшим разрешением, что в данном случае имеет ряд преимуществ, например, для решения задачи грубой оценки параметров. Для сравнения взаимной корреляции словарей временных функций, была рассмотрена зависимость вектора отклика системы от смещения сигналов в области двух параметров АЛ и Д£А

На основе анализа функций отклика, показанных на рисунке 6, оценка разрешающей способности по критерию Релея словаря функций времени 8А = 7 Гц и 5£2 = 0,01 Гц; для словаря спектрограмм БА = 30 Гц. и ЪО = 0,07 Гц. Схема обработки декомпозиции сигнала на основании банка функций времени представлена на рисунке 7.

Банк функций

52(0

V)

Интегратор

<¿4

Интегратор

Интегратор ->

к,

к2 X,

Блок

анализа хп

0

0

К

Рисунок 7

При использовании словаря спектрограмм используется аналогичная схема, но исходный сигнал предварительно подвергается частотно-временному преобразованию, а в интеграторах осуществляется суммирование отсчетов сигналов на выходах перемножителей как по частоте, так и по времени. Результатом работы алгоритма является вектор к = [кх,кг,...км], каждый элемент которого характеризует вклад соответствующего атома в исходный сигнал. Для формирования результирующего сигнала, аппроксимирующего исходный сигнал, выбирается несколько атомов с наибольшими вкладами. Процесс выбора атомов осуществляется в блоке на основе анализа вектора к. На выходе блока наблюдается разреженный вектор х = [хи х2,...х„, 0,...0], где п - оценка числа компонент исходного сигнала, а ненулевые коэффициенты х получаются путем преобразования вектора к, в блоке анализа, при этом, в общем случае л^тах к.

Для декомпозиции сигналов в работе предложено два алгоритма: линейный, который строится на использовании словаря функций времени, и нелинейный, предназначенный для декомпозиции сигнала, представленного спектрограммой. Линейный метод осуществляет итерационный поиск компонент, отслеживая максимум функции подобия, которая определяется, как скалярное произведение исходного доплеровского сигнала и атомов словаря, то-

гда максимум этой функции соответствует атому, наиболее близкому к исходному сигналу

где уК" - сигнал на т-й итерации, с1т - атом из множества атомов словаря Г. Для извлечения найденой компоненты атом вычитается из исходного сигнала перед началом следующей итерации.

Нелинейный метод с компенсацией осуществляет поиск компонент согласно тому же принципу, что и линейный алгоритм, но для области спектрограмм, которые вычисляются путем нелинейного преобразования сигнала. Особенность рассматриваемой области заключается в том, что операция вычитания на множестве спектрограмм не определена. В этом случае для исключения найденных компонент из рассмотрения в нелинейном методе вместо операции вычитания используется операция компенсации

»м ( 1 Л

/,„=/,-,-п

где т- номер итерации 1т -функция подобия, вычисленная на предыдущей итерации алгоритма, как скалярное произведение атомов словаря и спектрограммы входного сигнала, ц, - вектор коэффициентов взаимной корреляции /й найденной компоненты и функций словаря.

Два рассмотренных алгоритма обладают различной точностью и скоростью работы, что позволяет на основе их последовательного применения сформировать двухэтапный алгоритм с уточнением параметров.

В четвертой главе выполнено экспериментальное исследование работоспособности алгоритмов для моделированных и реальных сигналов, полученных доплеровским радаром непрерывного излучения с центральной частотой 24 ГГц 1ппо8еп1 ГРБ-Мб. При анализе реальных сигналов, отраженных от подвижных объектов следует учитывать, что словарные функции рассчитаны на анализ движения, совершаемого в направлении радара. Если объект наблюдения в пределах диаграммы направленности движется под углом или меняет направление движения, то радиальная составляющая скорости изменяется по закону

с

где V - скорость объекта,/0 - частота излучения, ср - угол между направлением движения и направлением на антенну радара. На рисунке 8 представлена сигнатура идущего человека под углом 90° к направлению на антенну радара. Из рисунка видно, что с течением времени центральная составляющая спектра смещается по оси частот. Для оценки параметров глобального движения объекта можно использовать метод определения положения максимума спектрограммы на оси частот для каждого временного окна

1тах (пт ) =

где S(r,f) - спектр сигнала в заданном временном окне с номером пт.

Рисунок 8

На рисунке 9 графиком 1 представлена функция (пшх для сигнатуры походки человека. Так как из-за шумов функция обладает скачкообразной структурой, для получения сглаженной характеристики использовался метод скользящего среднего

1

/»Ш ("г ) = - Ц. /тех ("г -').

"1=0

где п - количество значений исходной функции для расчёта скользящего среднего (сглаживающий интервал). На рисунке 9 линия 2 представляет собой сглаженную функцию зависимости частоты доплеровского смещения от времени, характеризующую глобальное движение объекта.

Рисунок 9

Для повышения эффективности анализа сигнатуры необходимо исключить изменения, связанные с глобальным движением объекта. Для этого можно сформировать новый доплеровский сигнал согласно следующему выражению

ЯО =Уо('У ехр{-- ]2ж\ fSMA {t)dt), где jvo(i) - исходный доплеровский сигнал.

На рисунке 10 представлена сигнатура походки человека после исключения смещения (см. рисунок 9). Из анализа этого рисунка следует, что в результате предложенного преобразования частотно-временное распределение сигнала видоизменяется таким образом, что информация о глобальном движении объекта исключается из рассмотрения. После исключения смещения ли-

ния наибольшей мощности выравнивается вдоль линии, характеризующей нулевую частоту, как видно из рисунка 10. Важно отметить, что предложенная предварительная обработка позволяет уменьшить требуемый размер словаря, так как исчезает необходимость рассмотрения одного из параметров модели -постоянное смещение по частоте. Следует обратить внимание, что исключать указанный параметр можно лишь при анализе сигнала, отраженного от одного объекта. Если наблюдается движение нескольких объектов в пределах ширины диаграммы направленности, так как их скорости могут отличаться, этот параметр необходимо учитывать.

Рисунок 10

Для анализа был использован сигнал *(/), отраженный от металлической сферы, вращающейся по окружности радиусом 3,3 метра с частотой 1 Гц. Рассмотрим комплексный доплеровский сигнал

у(С) = х(Г) + ]х(1),

который имитирует отражения от системы двух сфер, вращающихся в проти-вофазе.

0 0.2 0.4 0.6 0.: /(с)

0 0.2 0.4 0.6 0.8 Г (с)

Рисунок 11

На рисунке 11 представлены спектрограммы исходного сигнала и сигнала, полученного в результате итерационной декомпозиции. Для декомпозиции с использованием нелинейного алгоритма был сформирован словарь из 2500 атомов.

500

500 1000 1500 2000 2500 п

1000 1500 2000 2500

и

Рисунок 12

На первой итерации при перемножении словарных функций на исходный сигнал, получим функцию подобия, представленную на рисунке 12(а). На пространстве параметров функция представляет собой четырехмерную фигуру, поэтому с целью визуализации по оси абсцисс отложены номера функций словаря. Функция нормирована и представлена в логарифмическом масштабе. Глобальный максимум функции соответствует номеру компоненты словаря, наиболее близкой к самой мощной составляющей входного сигнала. На рисунке 12(6) изображена функция после компенсации с учетом результата предыдущей итерации, и на месте максимума формируется ноль. В то же время для выделения компонент сигнала линейным методом, необходимо сформировать словарь размером 18000 атомов.

(а)

дБ

я U

-500,

W*ir W»MifH|* и irirçftïWii A ¡nïf и

0.2

-5 500

-10

-15 Ь 0

-20

-25 -500

0.4 0.6 t{ с)

0.8

0.4 0.6 '(с) Рисунок 13

Аналогичным образом была произведена декомпозиция доплеровского сигнала, отраженного от лопастей пластмассового вертолета, представленная на рисунке 13. Для оценки качества декомпозиции сигнатуры, вычисляется коэффициент подобия, как скалярное произведение X=<Y0{rJ),S0(T,f)>, где F0(г,/)- нормированная спектрограмма исходного сигнала, a S0(r,f)- восстановленного сигнала. При декомпозиции двухкомпонентного сигнала, представленного на рисунке 11, значение коэффициента подобия для исходного и восстановленного сигналов составило 0,97. Результат декомпозиции того же сигнала, выполненной с помощью преобразовании Хафа, характеризуется коэффициентом подобия 0,9. Для сигнала, описывающего вращение лопастей вертолета, разработанный алгоритм позволил получить коэффициент 0,93. В

то время как метод Хафа дал результат 0,47, так как позволил определить только одну компоненту, соответствующую удвоенной частоте вращений.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

В диссертационной работе рассмотрены вопросы, связанные с анализом многокомпонентных доплеровских сигналов, характеризующих подвижные объекты, совершающие микродвижения. В результате исследования задачи, поставленные в работе, выполнены в полном объеме:

1. Исследованы свойства и структура многокомпонентных доплеровских сигналов с целью выделения информативных параметров, сделан обзор существующих методов обработки.

2. Разработана модель доплеровского сигнала, отраженного от вращающегося точечного отражателя. Полученный сигнал характеризуется частотной модуляцией с гармоническим изменением частоты. На основе модели было сформировано два словаря функций для временной и спектрограммной областей.

3. Разработаны линейный и нелинейный алгоритмы выделения компонент, а также двухэтапный алгоритм оценки параметров частных компонент.

4. Выполнено компьютерное моделирование работы предложенных алгоритмов.

5. Получены результаты применения алгоритмов для реальных сигналов, подтверждающие работоспособность алгоритмов.

Достоверность и обоснованность научных положений, выводов и результатов, сформулированных в диссертации, подтверждаются результатами экспериментов декомпозиции реальных доплеровских сигналов, полученных с помощью доплеровского радара InnoSent IPS-146, а также согласованностью с известными в литературе результатами и успешной апробацией результатов работы на международных и Всероссийских научно-технических конференциях.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В СЛЕДУЮЩИХ РАБОТАХ

Публикации в изданиях, рекомендованных ВАК

1. Евдокимова, Е.О. Алгоритм анализа рельефа местности для осуществления вынужденной посадки воздушного судна [Текст] // Известия ЮФУ. Технические науки. - Таганрог: Изд-во ТТИ ЮФУ. - 2010. - С. 61-67.

2. Евдокимова, Е.О. Модель сигнала для оценки параметров подвижных объектов на основе анализа доплеровского спектра [Текст] // Известия ЮФУ. Технические науки. - № 5 (142)6. - Изд-во ТТИ ЮФУ. - 2013. - С. 122-128.

Публикации в других изданиях

3. Евдокимова, Е.О., Федосов, В.П., Авилов, А.И. и др., Адаптивные алгоритмы обработки пространственно-временных сигналов MIMO-систем в радиолокации и беспроводных системах связи [Текст] // Монография «Цифровая обработка сигналов и её техническое приложение в телекоммуникацион-

ных системах» / под ред. В.И. Марчука, ГОУ ВПО «Южно-Рос. гос. ун-т экономики и сервиса». - Шахты: ГОУ ВПО «ЮРГУЭС». - 2010. - С. 95-119.

4. Евдокимова, Е.О., Федосов, В.П. Анализ алгоритмов декомпозиции многокомпонентных доплеровских сигналов для определения параметров движения объектов [Текст] // Труды Международной научной конференции «Излучение и рассеяние ЭМВ - ИРЭМВ-2-13. Таганрог: Изд-во ЮФУ. -2013.-С. 679-684.

5. Евдокимова, Е.О. Алгоритм слежения за рельефом местности с использованием пространственно-временной обработки [Текст] // Материалы международной научной конференции «Методы и алгоритмы принятия эффективных решений». - Таганрог: Изд-во ТТИ ЮФУ. - 2009. - С. 22-26.

6. Евдокимова, Е.О. Пространственно-доплеровский алгоритм слежения за рельефом [Текст] // Материалы международной научно-технической и научно-методической конференции «Проблемы современной системотехники». - Таганрог: Изд-во ТТИ ЮФУ. - 2009. - С. 32-36.

7. Евдокимова, Е.О. Разработка и исследование угломерно-доплеровско-го алгоритма облета препятствий [Текст] // X Всероссийская конференция «Техническая кибернетика, радиоэлектроника и системы управления»: Сборник материалов. - Таганрог: Изд-во ТТИ ЮФУ. - 2010. - С. 8-9.

8. Евдокимова, Е.О., Федосов, В.П. Алгоритм определения опасных препятствий в направлении полета летательного аппарата на основе пространственного спектра [Текст] // Материалы Всероссийской научной конференции «Современные исследовательские и образовательные технологии», часть 4 -Таганрог: Изд-во ТТИ ЮФУ. - 2010. - С. 16-21.

9. Евдокимова, Е.О. Алгоритм декомпозиции доплеровской сигнатуры [Текст] // XI Всероссийская конференция «Техническая кибернетика, радиоэлектроника и системы управления»: Сборник материалов. - Таганрог: Изд-во ТТИ ЮФУ.-2012.-С. 7.

Типография Южного федерального университета в г. Таганроге пер. | Некрасовский, 44, г. Таганрог, Ростовская область, ГСП-17А, 347928. Заказ № 2 90 Тираж 100 экз.

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

_«ЮЖНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ»

На правах рукописи Евдокимова Екатерина Олеговна 04201453495

АЛГОРИТМЫ ДЕКОМПОЗИЦИИ МНОГОКОМПОНЕНТНЫХ ДОПЛЕРОВСКИХ СИГНАЛОВ, ОТРАЖЕННЫХ ОТ ПОДВИЖНЫХ ОБЪЕКТОВ

Специальность: 05.12.04 - Радиотехника, в том числе системы

и устройства телевидения

ДИССЕРТАЦИЯ на соискание учёной степени кандидата технических наук

Научный руководитель: д.т.н., профессор В.П. Федосов

ТАГАНРОГ 2013

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ..................................................................................................................4

ГЛАВА 1 ИССЛЕДОВАНИЕ МЕТОДОВ АНАЛИЗА ДОПЛЕРОВСКИХ СИГНАЛОВ ДЛЯ КЛАССИФИКАЦИИ ПОДВИЖНЫХ ОБЪЕКТОВ..............15

1.1 Существующие методы выделения признаков для распознавания движущихся объектов на основании доплеровской характеристики...............19

1.2 Модели доплеровских характеристик микродвижений, представленные в литературе...............................................................................................................22

1.3 Декомпозиция многокомпонентных сигналов..............................................28

1.4 Выводы..............................................................................................................32

ГЛАВА 2 МОДЕЛИ ДОПЛЕРОВСКИХ СИГНАЛОВ, ХАРАКТЕРИЗУЮЩИХ МИКРОДВИЖЕНИЯ................................................................................................34

2.1 Аналитический доплеровский сигнал............................................................34

2.2 Физическая модель микродвижения..............................................................36

2.3 Частотно-временные преобразования............................................................43

2.4 Выводы..............................................................................................................49

ГЛАВА 3 АЛГОРИТМЫ ДЕКОМПОЗИЦИИ МНОГОКОМПОНЕНТНЫХ СИГНАЛОВ...............................................................................................................51

3.1 Постановка задачи...........................................................................................51

3.2 Формирование словаря....................................................................................53

3.3 Сравнение разрешающей способности словарей.........................................58

3.4 Алгоритм декомпозиции.................................................................................65

3.5 Первичная обработка сигнала.........................................................................82

3.6 Выводы..............................................................................................................87

ГЛАВА 4 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ЭХО-СИГНАЛОВ И

АЛГОРИТМОВ ДЕКОМПОЗИЦИИ.......................................................................90

4.1 Экспериментальное исследование доплеровских сигналов при микродвижениях элементов объекта...................................................................90

4.2 Результаты первичной обработки сигналов..................................................92

4.3 Результаты декомпозиции сигналов..............................................................96

4.4 Выводы............................................................................................................107

ЗАКЛЮЧЕНИЕ........................................................................................................110

СПИСОК ЛИТЕРАТУРЫ.......................................................................................112

ПРИЛОЖЕНИЯ.......................................................................................................119

ПРИЛОЖЕНИЕ А. ХАРАКТЕРИСТИКИ РАДАРА 1ппо8епТ 1Р8-146........119

ПРИЛОЖЕНИЕ Б. МОДЕЛИРОВАНИЕ АЛГОРИТМОВ ДЕКОМПОЗИЦИИ В СРЕДЕ МАТЬАВ..............................................................................................121

ПРИЛОЖЕНИЕ В. АКТЫ О ВНЕДРЕНИИ......................................................129

ВВЕДЕНИЕ

АКТУАЛЬНОСТЬ ТЕМЫ. В настоящее время продолжают активно развиваться системы анализа подвижных объектов на основе доплеровских радаров. Благодаря эффекту Доплера, радиолокационный сигнал, отраженный от подвижного объекта, содержит информацию о движении наблюдаемого объекта в направлении на радар, заключенную в спектре доплеровских смещений. Если объект наблюдения движется с постоянной скоростью в направлении радара и достаточно мал, чтобы считать его точечным, спектр доплеровских смещений отраженного сигнала содержит одну компоненту. В этом случае оценка частоты спектральной компоненты позволяет оценить скорость объекта. Дополнительную окраску по частоте спектр эхосигнала получает в результате следующих причин:

- объект наблюдения имеет конечные размеры;

- движение объекта неравномерно относительно радара;

- носитель РЛС подвижен относительно объекта и в зависимости от ракурса на объект его элементы окрашиваются по Доплеру;

- объект наблюдения имеет нежесткую структуру, то есть содержит подвижные составные части.

На приемной стороне, для извлечения информации о движении объекта устанавливают блок обработки принятых сигналов, осуществляющий оценку параметров их доплеровских характеристик, с целыо решения задач системы наблюдения. В зависимости от поставленной перед радиолокационной установкой задачи, к блоку обработки предъявляются различные требования.

В работе рассматривается спектр задач, связанных с наблюдением объектов, имеющих подвижные составные части при неподвижном носителе РЛС. Микродвижения объекта обуславливают дополнительную окраску по частоте и многокомпонентную структуру доплеровской характеристики, представленной в частотно-временной области. В литературе, посвященной анализу доплеровских сигналов, широко используются термины, раскрытые ниже [39].

Эффект микро-Доплера - это изменение спектра отраженного сигнала за счет микродвижений наблюдаемого объекта. Микродвижения - это вибрации и вращения составных частей объекта, сопутствующие глобальному поступательному движению. Примеры микро-движений: вращающиеся лопасти винтов вертолетов или турбин, машущие движения крыльев птиц во время полета, качание конечностей человека или животного во время ходьбы и т.д. [65].

Сигнатура микро-Доплера - это уникальная характеристика движения, заключающаяся в сложной модуляции доплеровской частоты отраженного радиосигнала и выраженная распределением в частотно-временной области [39]. Уникальные свойства сигнатур для различных объектов характеризуются набором признаков, но сложная структура характеристики делает задачу извлечения признаков нетривиальной. Для эффективного распознавания признаки должны быть чувствительны к существенным параметрам, таким как форма распределения, амплитуды и частоты компонент сигнатуры, и инвариантны к параметрам несущественным: сдвиг во времени, начальные фазы и пр. Для оценки параметров движения объектов наблюдения важно выделять и оценивать те параметры сигналов, которые однозначно связаны с кинематическими параметрами движения.

Анализируя спектр многокомпонентного сигнала, как правило, переходят в частотно-временную область. Для определения параметров сигнала используют алгоритмы и методы частотно-временного анализа. Однако выделение информации о движении составных частей объекта из радиолокационных эхосигналов связано с трудностями, обусловленными сложной структурой до-плеровских характеристик, так как доплеровская информация заключена в сложном законе фазовой модуляции эхосигнала. Несмотря на проблемы, возникающие при обработке, в настоящее время многие исследователи активно разрабатывают новые методы, направленные на использование доплеровской информации, заключенной в спектре сигналов. Основные задачи, по которым ведутся исследования, можно разделить по следующим направлениям [1,43,39]:

- формирование и оценка информативных параметров сигналов;

-развитие способов извлечения информации из доплеровскоЙ сигнатуры;

- декомпозиция многокомпонентных доплеровских сигналов;

- выделение информативных признаков для распознавания.

Формирование и оценка информативных параметров сигналов

необходимы для выделения информации, заключенной в доплеровском сигнале. Для оценки параметров движения на основании анализа спектра отраженного сигнала в первую очередь необходимо определять, как параметры спектра соотносятся с кинематическими параметрами движения.

Развитие способов извлечения информации из доилеровской сигнатуры связано с поиском взаимосвязей между параметрами сигнала и кинематическими параметрами наблюдаемых объектов. Для этого изучают структуру сигналов, разрабатывают модели движения объектов, основанные на результатах экспериментов. Построение моделей доплеровских сигналов позволяет описать кинематику объектов уравнениями движения, и таким образом сформировать априорную информацию о доплеровском спектре объектов. В ряде случаев представляется возможным сформировать математическую модель объекта на основании его структурных особенностей. Для некоторых объектов модели строят на основании выборок, полученных в результате экспериментов. Так, например, была построена модель Талмана движения человека [65].

Декомпозиция многокомпонентных доплеровских сигналов заключается в выделении отдельных компонент, характеризующих микродвижения объектов. Подход привлекателен возможностью анализа отдельных компонент сигналов. В настоящее время многие авторы отмечают важность развития методов декомпозиции доплеровских сигналов, так как в них заложен потенциал для усовершенствования систем распознавания. В литературе в последние годы стали публиковаться некоторые алгоритмы декомпозиции, но они имеют ряд ограничений и могут применяться для некоторых частных случаев [35,43,49].

Выделение новых информативных признаков для распознавания

необходимо для повышения эффективности существующих систем классификации. Несмотря на то, что за последние десятилетия было опубликовано большое количество исследований, для решения многих задач распознавания вопрос формирования подходящих информативных признаков остается открытым. Поэтому сегодня продолжают создаваться новые подходы к преобразованию и извлечению доплеровской информации.

Алгоритмы перечисленных направлений большей частью основаны на методах теории распознавания радиолокационных сигналов на основании набора признаков. Большинство современных подходов используют частотно-временные представления сигналов и опираются на аппарат частотно-временного анализа. Задачи извлечения данных об объекте, заключенных в доплеровском сигнале для оценки кинематических параметров движений и формирование информативных признаков для распознавания тесно связаны между собой. Однако, несмотря на то, что доплеровский сигнал содержит достаточно подробную информацию о перемещении объекта относительно направления на радар, процесс оценки параметров движения связан с рядом ограничений. Например, потенциальная разрешающая способность по доплеровской частоте определяется временем накопления отсчетов отраженного сигнала. Другие ограничения вызваны с особенностями структуры доплеров-ских сигналов, получаемых в присутствии микродвижений объектов. Так как радиолокационный эхосигнал является суперпозицией отражений от всех объектов в рамках разрешаемого объема, в свою очередь доплеровский сигнал представляют собой суперпозицию компонент с частотной модуляцией (ЧМ) с меняющейся частотой модуляции, при этом каждая компонента характеризуется одним из микродвижений объекта. Так как параметры рассматриваемых ЧМ сигналов, как и их число неизвестны, а информация, представленная отсчетами сигнала, обладает избыточностью, основной задачей блока анализа является выделение информативных параметров из общего объема данных.

Как следствие, возникает необходимость в разработке алгоритмов, направленных на извлечение существенной информации из доплеровских сигналов.

Практическое применение алгоритмов обработки доплеровских сигналов направлено на развитие систем классификации наземных и воздушных подвижных объектов, распознавание типа биологического движения, анализ походки человека с целью идентификации гражданский-террорист для приложений антитеррор, либо с целью выявления дефектов походки для медицинских приложений, классификация животных для контроля миграций. Анализ литературы, проведенный автором, показал, что в открытой печати представлен широкий спектр исследований в этих направлениях [12-45], однако методы декомпозиции многокомпонентных доплеровских сигналов представлены лишь несколькими алгоритмами, применение которых возможно только для некоторых частных случаев [35, 43, 68]. В то лее время, многие авторы отмечают, что выделение доплеровских компонент позволяет усовершенствовать анализ, так как отрывает возможности для частотного анализа компонент и независимой оценки параметров отдельных микродвижений [39, 68]. После декомпозиции информация, заключенная в исходном многокомпонентном сигнале, может быть представлена как совокупность параметров частных компонент. Описанный подход позволяет представить сложную доплеровскую характеристику в виде набора коэффициентов разложения в базисе, состоящем из компонент, описывающих микродвижения. Форма компонент базиса выбирается на основании априорной информации о принимаемых сигналах и наблюдаемых объектах. При этом основным критерием выбора параметров, которыми можно описать сигналы, представляется наличие однозначной взаимосвязи с характерными особенностями соответствующих микродвижений. Предлагаемый подход ставит своей целыо перейти в параметрическую область для анализа сигналов. Тогда задачи, поставленные перед блоком обработки доплеровской информации, могут быть решены на основании параметрического представления доплеровской характеристики, вместо временных отсчетов доплеровского сигнала или частотно-временных отсчетов доплеровской сигна-

туры. На основании различий представлений характеристик на параметрической области, может быть построен классификатор, который в качестве признаков для распознавания будет использовать наборы параметров, соответствующих тем или иным типам объектов. По сути, параметрическое представление сигнала является извлечением информации из исходной сигнатуры. Важно отметить, что одним из важных свойств рассматриваемого представления является многократное сжатие исходного сигнала, следовательно, упрощается процесс дальнейшей обработки, хранения и передачи информации об объекте.

Основная проблема, с которой сталкиваются исследователи при анализе доплеровских сигналов, отраженных от подвижных объектов, совершающих микродвижения, является их сложная многокомпонентная структура. Обработка таких сигналов связана с большой вычислительной сложностью. В то же время, многие существующие задачи, особенно связанные с вопросами безопасности и работой доплеровских радаров, предъявляют высокие требования к скорости обработки.

Развитие доплеровских радаров и расширение области их использования формирует задачу разработки алгоритмов, которые позволят извлекать максимальный объем информации об объекте наблюдений. Немаловажную роль играет и снижение вычислительной мощности процессора, предназначенного для обработки сигналов. Так как микродвижения в общем случае осуществляются составными частями объектов, которые обладают малой ЭПР (эффективная площадь рассеяния), к чувствительности радиолокационной системы также предъявляются высокие требования. Важно отметить, что многие разработки в данной области, предназначенные для военных целей, являются секретными и не представлены в литературе. Тем не менее, на сегодняшний день доплеров-ские радары уже используются в широком спектре гражданских приложений, и имеют целый ряд потенциальных приложений, таких, как биометрическое распознавание на базе доплеровской характеристики, разработка которых зависит от достижений новых методов извлечения доплеровской информации.

Поэтому, несмотря на трудности, связанные с оценкой параметров доплеров-ских характеристик, методы декомпозиции и анализа сигналов, отраженных от подвижных объектов в присутствии микродвижений, представляют особый интерес.

Таким образом, актуальным является развитие теории обработки допле-ровских сигналов в радиолокационных системах различного назначения, а также исследование возможности применения таких методов для маломощных радаров при выделении информативных признаков распознавания и определения параметров движения.

ЦЕЛЬ И ЗАДАЧИ РАБОТЫ. Целью диссертации является повышение точности представления многокомпонентных доплеровских сигналов для решения задач декомпозиции с целью определения параметров отдельных компонент и формирования признаков для распознавания.

Для достижения сформулированной цели необходимо решить следующие задачи:

1. Исследовать структуру доплеровских сигналов для объектов, совершающих микродвижения.

2. Разработать универсальную модель микродвижения и сформировать словарь функций.

3. Разработать алгоритм декомпозиции многокомпонентных сигналов со сложной частотной модуляцией.

4. Выполнить компьютерное моделирование работы алгоритма.

5. Выполнить экспериментальное исследование работы алгоритма для реальных сигналов.

МЕТОДЫ ИССЛЕДОВАНИЯ основаны на использовании теории линейной алгебры и вектор�