小型无人机具有体积小、安全性能良好、机动性突出、价格低廉、易于控制等优点,
航拍时可低空巡视进行地物勘测,在灾难响应行动的搜索和救援等得到了广泛的应用。但
同样也会被不法分子利用,进行反社会、不安全甚至犯罪行为,包括敌对侦察、碰撞(与
人、其他小型无人机或更大飞机的碰撞),以及炸药或生物制剂的运输。因此,对小型无人
机进行目标识别具有非常重要的意义。近年来,人们对雷达系统探测和识别无人机进行了
广泛研究,但由于小型无人机的雷达散射截面(radar cross section,简称 RCS)较小,与传统
飞机相比飞行高度较低、速度较慢,无人机的检测与识别依然是一大难题。
近些年来,国内外对无人机检测、分类、识别进行了广泛的研究。文献[1-3]采用倒频
谱方法估计无人机旋翼数、转动频率,但在低信噪比情况下误差较大。Chen 等
[4]
采用深度
学习的方法估计无人机的旋翼数、叶片数、旋翼长度、旋转频率,但是在特征选择方面丢
失了最重要的时频特征数据,结果并不是很准确。文献[5-6]在微动特征骨架曲线的基础上
对时频信号进行处理,当信噪比小于-14 dB 时,时频分析结果中散射点的微多普勒曲线往
往被噪声淹没,该方法基本不再适用。陈广锋等
[7]
根据最大微多普勒频率展宽结合旋翼旋
转频率估计无人机的旋翼长度,但微多普勒频率展宽估计对噪声比较敏感,当信噪比较低
时,无法精确估计出最大微多普勒频率展宽。针对低信噪比情况下无人机特征提取与参数
估计的不足,提出一种基于神经网络的四旋翼无人机旋翼叶片长度估计算法。
1. 四旋翼无人机叶片回波数学模型
1.1 四旋翼无人机回波建模
无人机的微动特征分析一般包括雷达回波模型建立、时频分析、参数估计
[8]
,因此,
如何准确建立无人机雷达回波模型是无人机微动特征分析的关键。文献[8-9]将叶片等效为
均匀线条的刚体,RCS 相同且为 1,构建直升机叶片回波的积分模型。多旋翼无人机的回
波模型
[10-13]
为
πππs(t)=∑n=1NLexp(−j4πλ(R0,n+z0,nsinβn)))⋅∑k=0K−1sinc(4πλL2cosβncos(Ωnt+φ0,n+2πkK))⋅exp(−jΦn,k(t)),
其中:N 为旋翼数; K 为每个旋翼的叶片数; L 为叶片长度; R
0, n
为第 n 个旋翼叶片旋转
轴中心到雷达的距离; λ 为波长; z
0, n
为第 n 个旋翼叶片旋转轴中心相对雷达的高度; β
n
为第
n 个旋翼叶片旋转轴中心到雷达的俯仰角,因各旋翼间的距离远远小于无人机到雷达之间
的距离,故可近似认为 β
1
=β
2
=…=β
n
=β; Ω
n
为第 n 个旋翼叶片旋转角频率; φ
0, n
为第 n 个旋翼
初始角; Φ
n, k
(t)为相位函数,
ππ。Φn,k(t)=4πλL2cosβncos(Ωnt+φ0,n+2πkK),k=0,1,⋯,K−1。
1.2 四旋翼无人机回波信号特征
信号的相位函数的时间导数就是信号的瞬时频率,相位函数 Φ
n, k
(t)对时间求导数,可
求出第 n 个旋翼第 k 个叶片的的瞬时频率,