CN105785357A - 一种基于grft的超高速运动目标检测方法 - Google Patents

Abstract

本发明提供一种基于GRFT的超高速运动目标检测方法，包括以下步骤：对脉压和匹配滤波处理后的超高速目标回波信号经过GRFT处理，且基于BPSO算法对盲速旁瓣经行抑制；其中BPSO算法包括以下步骤：确定BPSO算法的基本参数，更新每个粒子的速度和位置，更新每一粒子最大适应度值的最佳的个体位置，更新所有最佳的个体位置中最大适应度值。本方法利用一种改进的BPSO算法解决了GRFT目标检测过程中的盲速旁瓣问题，有效降低了算法复杂度，从而完成对超高速目标的检测和参数估计。

Description

一种基于GRFT的超高速运动目标检测方法

技术领域

本发明涉及一种雷达信号处理技术，特别是一种基于GRFT的超高速运动目标检测方法。

背景技术

随着军事科技的高速发展，现代雷达检测目标类型和探测环境发生了显著变换。雷达检测的目标从常规的中低空飞机和中大型舰船发展为超高速飞机、隐身舰船、高空高速巡航导弹等高威胁度目标。超高速目标运动会产生跨距离走动、跨多普勒走动和跨波束走动的三跨问题。如何在长时间积累情况下避免信号的跨越效应，提高目标回波能量的积累水平已经成为雷达研究的重点。

常规的超高速目标检测方法是利用联合Keystone变换和相位补偿的方法，此类算法主要利用Keystone变换解决距离走动问题，然后对距离校正后的信号采用解线调法、分数阶傅里叶变换法等解决时变多普勒问题。但是此类方法只能解决匀速运动的超高速目标，对于匀加速运动的目标需要采用其它方法，处理过程将会变得很复杂。2011年许稼等人提出RFT和GRFT算法，该类算法将目标的长时间积累问题转换为一个参数化的模型匹配问题。GRFT算法可以实现空时频多域联合相参积累，不仅解决了三跨问题，而且实现了高速目标参数的估计。但是GRFT需要在P维参数空间进行遍历搜索，运算量很大，难以满足实时行要求，且存在BSSL现象。专利申请号为CN201410749457.2，发明名称为“基于RMDCFT的空间超高速机动目标检测方法”的中国专利，该专利通过对常规RFT变换进行修正，并在已知目标运动参数范围内进行搜索从而得到目标的参数估计。

发明内容

本发明的目的在于提供一种基于GRFT的超高速运动目标检测方法，该方法利用一种改进的PSO算法(BPSO)解决了GRFT目标检测过程中的盲速旁瓣(BSSL)问题，有效降低了算法复杂度，从而完成对超高速目标的检测和参数估计。

本发明的技术方案为：首先对脉压和匹配滤波处理后的超高速目标回波信号经过GRFT处理，然后采用基于BPSO算法利用BSSL和主瓣之间的关系搜索目标主瓣的峰值位置以实现BSSL抑制，从而完成超高速目标的检测和参数估计。BPSO包括以下步骤：

(1)确定BPSO的基本参数，包括搜索的参数空间、搜索空间的维数即阶数P、每个分组的成员个数S、最大迭代次数k_max。

(2)更新每个粒子的速度和位置。

(3)更新最佳个体位置pbestⁱ。

(4)基于更新的pbestⁱ，更新群体最佳粒子gbest。

此时当BPSO收敛到任意BSSL峰值处，相应的主瓣位置均可确定，从而实现BSSL的抑制。通过BPSO-GRFT处理后可以完成超高速目标的检测和参数估计。

作为本发明的一种改进，采用下述两种终止条件替代终止条件k＝k_max，k为迭代次数：

(1)若f(gbest)＞γ_DETECT且终止迭代，其中γ_DETECT是由预设的虚警率P_f决定的目标检测阀值，k_Δ是最佳值浮动的迭代次数；

(2)若f(gbest)＜γ_DETECT且终止迭代。

本发明采用BPSO的智能优化算法解决了在GRFT中使用PSO算法产生的BSSL问题，将GRFT的P维参数空间遍历搜索转化为参数空间的最优化问题从而实现GRFT在多维空间的参数搜索，从而得到超高速目标回波能量的积累。本发明与GRFT算法相比，优点体现在：(1)采用了BPSO智能优化算法，降低了算法复杂度；(2)通过迭代更新最佳粒子位置确定主瓣位置，消除了盲速旁瓣现象；(3)由于引入BPSO终止条件，使其处理过程实现自适应，效率更高。

下面结合说明书附图对本发明作进一步描述。

附图说明

图1本发明BPSO算法流程图。

图2仿真参数下基于BPSO算法的GRFT搜索结果示意图。

图3基于BPSO算法的GRFT与常规GRFT算法计算量比较示意图。

具体实施方式

结合图1，本发明的具体包括以下步骤：

假设脉冲多普勒雷达的发射信号为

$s_0\left(t\right)=rect\left(\frac{t}{T}\right)p\left(t\right)e^{j2{\mathrm{\πf}}_{0}t}---\left(1\right)$

其中p(t)是调制信号，f₀是载频，T是脉冲宽度。

目标与雷达之间的距离为

$R\left(t\right)=\underset{p=0}{\overset{P-1}{\mathrm{\Σ}}}\frac{1}{p!}{\mathrm{\α}}_p{t}_m^p---\left(2\right)$

那么回波信号经过脉压后表示为

s_MF(t_m,τ)＝A₁sinc(πB(τ-τ₀(t_m)))exp(-j2πf₀τ₀(t_m))(3)其中是目标与雷达之间的延时，A₁是回波幅度。

设f(t_m,τ)是2维平面(t_m,τ)上的复函数，是平面上的P维函数。其中其GRFT变换为

$G\left({\widehat{\mathrm{\α}}}^p\right)={\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}f(t_m,\mathrm{\η}(t_m;{\widehat{\mathrm{\α}}}^p\left)\right)\exp \left(2\mathrm{\π}\mathrm{\ϵ}\mathrm{\η}\right(t_m;{\widehat{\mathrm{\α}}}^p\left)\right){\mathrm{dt}}_m---\left(4\right)$

其中ε是关于f(t_m,τ)的一个常数。

定义一个参数空间使f(t_m,τ)＝s_MF(t_m,τ)，式(4)变为

$G\left({\widehat{\mathrm{\α}}}^p\right)=\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}{s}_{MF}(t_m,{\widehat{\mathrm{\τ}}}_0(t_m\left)\right)\exp \left(j2{\mathrm{\πf}}_0{\widehat{\mathrm{\τ}}}_0\right(t_m\left)\right)---\left(5\right)$

脉压后信号经过GRFT变换处理后表达式为

$G\left({\widehat{\mathrm{\α}}}^P\right)=\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}{A}_1\sin c\left(\mathrm{\π}B\right({\widehat{\mathrm{\τ}}}_0\left(t_m\right)-{\mathrm{\τ}}_0\left(t_m\right)\left)\right)\exp (-j4\mathrm{\π}\frac{f_0}{c}({\widehat{\mathrm{\α}}}_0-{\mathrm{\α}}_0\left)\right)\exp \left(\mathrm{\Δ}\mathrm{\φ}\right(t_m\left)\right)---\left(6\right)$

其中

盲速为盲速整数 是GRFT目标速度的搜索范围。通过推导分析可得BSSL的中心位置为

r_c(q)＝α₀+qv_bMT_r/2(7)

BSSL的峰值为

$\left|G\left({\widehat{\mathrm{\α}}}^P\right)\right|\≈A_1\frac{{\mathrm{\ρ}}_r}{\left|q\right|v_b{T}_r},q\≠0---\left(8\right)$

BSSL的中心位置以与盲速整数q相关的速度线性远离目标主瓣中心，BSSL的峰值随着|q|的增加而减少，而且BSSL的峰值小于目标主瓣。

BPSO算法流程图如图1所示，该流程可以描述如下。

(1)确定BPSO的基本情况，包括搜索的参数空间、搜索空间的维数即阶数P、每个分组的成员个数S、最大迭代次数k_max。定义粒子位置向量x＝(x₀,x₁···x_P-1)，粒子速度向量v＝(v₀,v₁···v_P-1)。初始化随机分布在搜索范围里粒子的位置x_i(k)和速度v_i(k)，其中i＝1,2···S，k为迭代次数。对每个粒子来说，具有最大适应度值的最佳的个体位置pbest被定义为当前位置，即pbest_i＝x_i。在这些pbest中具有最大适应度的值作为整体的最佳粒子，即

$gbest=\arg \underset{pbest}{max}f\left({\mathrm{pbest}}_i\right)---\left(9\right)$

问题中出现的适应函数被定义为GRFT输出的绝对值，即

f(x)＝|G(x)|(10)

(2)通过式(11)更新每个粒子速度。

$\begin{array}{c}{v}_i(k+1)=w\·v_i\left(k\right)+c_1\·{\mathrm{rand}}_1\·\left({\mathrm{pbest}}_i\right(k)-x_i(k\left)\right)\\ +c_2\·{\mathrm{rand}}_2\·\left(gbest\right(k)-x_i(k\left)\right)\end{array}---\left(11\right)$

式中v_i(k)和x_i(k)是第i个粒子在k次迭代处的速度和位置，w是用来控制粒子全局搜索和局部开发的惯性权值，且满足w＝0.9-0.5·t/k。rand₁和rand₂是两个在[0,1]之间均匀分布的独立变量，保证了粒子在搜索范围内随意移动。c₁和c₂是设置在[0,2]之间的加速度因子，它们用于调节粒子达到pbest和gbest的跨度，经常设置成c₁＝c₂。

(3)通过x_i(k+1)＝x_i(k)+v_i(k)更新粒子的位置，即通过式(12)更新pbest。

${\mathrm{pbest}}_i(k+1)=\left\{\begin{array}{cc}{x}_i(k+1),& f\left(x_i\right(k+1\left)\right)>f\left({\mathrm{pbest}}_i\right(k\left)\right)\\ {\mathrm{pbest}}_i\left(k\right),& f\left(x_i\right(k+1\left)\right)\≤f\left({\mathrm{pbest}}_i\right(k\left)\right)\end{array}\right.---\left(12\right)$

(4)基于更新的pbest，通过式(13)更新gbest。

$gbest=\arg \underset{gbest}{max}f\left(gbest\right(k;q\left)\right)---\left(13\right)$

式(13)实现了BSSL抑制，即当BPSO收敛到任意BSSL的峰值处，相应的主瓣均可由式(13)确定，这样BPSO可以避免在BSSL的局部收敛。BPSO的终止条件一般设置为k＞k_max。为了保证BPSO的精度，k_max经常预设成一个很大的值，这样运算时间会相应增加。如果BPSO处理过程中实际运行次数可以自适应将会带来很大便利。于是提出下面的两种终止情况以自适应终止BPSO运行进程。

(a)当f(gbest)＞γ_DETECT且时终止BPSO运行进程。其中γ_DETECT是由预设的虚警率P_f决定的目标检测阀值。k_Δ是最佳值浮动的迭代次数，即ΔG＝|f(gbest(k+1))-f(gbest(k))|。此条件满足就称BPSO收敛到目标主瓣。

(b)当f(gbest)＜γ_DETECT且时终止BPSO运行。这种情况下没有检测到目标，此时不需要浪费算法运算量用于收敛至噪声峰值上。

基于以上两种情况，实际的BPSO进程消耗时间将是自适应的，并且在k_max很大情况下，不需要运行到k_max值即可实现算法，提高了BPSO效率。

仿真参数设置为：载频f₀＝1GHz，脉宽T＝20μs，带宽B＝10MHz，脉冲重复周期T_r＝400μs，积累脉冲数Npulse＝256，采样频率Fs＝20MHz，目标的初始距离R₀＝40km，目标运动速度为v₀＝4000m/s，速度矢量与雷达的夹角θ＝π/6。经过计算可得径向速度为v＝3464m/s，加速度为a＝100m/s²。根据v_b＝c/2f₀T_r可以得到v_b＝375m/s。设阶数P＝3。假设目标运动向量为

α＝[40m,50m/s,1m/s²]。

BPSO的参数设置如下：

c₁＝c₂＝2S＝60,w＝(w_max-w_min)(k_max-k)/k_max+w_minw_min＝0.4,w_max＝0.9，最大迭代次数k_max＝4000。BPSO终止情况1和2中的γ₁和分别设为10^-3和100。虚警概率P_f＝10^-6。目标运动向量搜索范围设置成

α_min＝[-50km,-4000m/s,-150m/s²]和α_max＝[50km,4000m/s,150m/s²]。

从图2可以看出，BPSO-GRFT算法估计出的目标距离、运动速度和加速度分别为41.25km、3267m/s、95.94m/s²。实际的目标初始距离、运动速度和加速度分别为40km、3464m/s和100m/s²，GRFT估计的误差分别是3.125％、5.69％和4.06％。通过分析可以得出BPSO-GRFT可以很好地完成运动目标的参数估计。

当目标运动形式更加复杂，即运动阶数P提高时，需要搜索的参数数目更多，GRFT的运算量将会变得很大。基于BPSO的GRFT算法可以在一定程度上降低算法运算量。BPSO-GRFT独立运行20次时，平均运行时间如图3所示。从图中可以看出常规GRFT运行时间随着运动阶数线性增加，而BPSO-GRFT运行时间基本不变。因此，BPSO-GRFT可以降低GRFT的运算量。

Claims (6)

1.一种基于GRFT的超高速运动目标检测方法，其特征在于，包括以下步骤：

对脉压和匹配滤波处理后的超高速目标回波信号经过GRFT处理，且

基于BPSO算法对盲速旁瓣经行抑制；其中

BPSO算法包括以下步骤：

确定BPSO算法的基本参数，

更新每个粒子的速度和位置，

更新每一粒子最大适应度值的最佳的个体位置，

更新所有最佳的个体位置中最大适应度值；

其中，基本参数包括搜索的参数空间、搜索空间的维数即阶数P、每个分组的成员个数S、最大迭代次数k_max。

2.根据权利要求1所述的方法，其特征在于，所述每个粒子的速度基于下式更新

vⁱ(k+1)＝w·vⁱ(k)+c₁·rand₁·(pbestⁱ(k)-xⁱ(k))+c₂·rand₂·(gbest(k)-xⁱ(k))

其中，vⁱ(k)和xⁱ(k)分别是第i个粒子在第k次迭代处的速度和位置，设置粒子的位置向量和速度向量P为搜索空间的维数，i为粒子的索引值，i＝1,2,...,S，S为粒子数量，w是用来控制粒子全局搜索和局部开发的惯性权值，rand₁和rand₂是两个在[0,1]之间均匀分布的独立变量，c₁和c₂是设置在[0,2]之间的加速度因子。

3.根据权利要求1所述的方法，其特征在于，所述每个粒子的位置基于下式更新

x_i(k+1)＝x_i(k)+v_i(k)

其中，vⁱ(k)和xⁱ(k)分别是第i个粒子在第k次迭代处的速度和位置，设置粒子的位置向量和速度向量P为搜索空间的维数，i为粒子的索引值，i＝1,2,...,S，S为粒子数量。

4.根据权利要求1所述的方法，其特征在于，根据下式更新每一粒子最大适应度值的最佳的个体位置pbestⁱ

${\mathrm{pbest}}^i\left(k+1\right)=\left\{\begin{array}{c}{x}^i\left(k+1\right),f\left(x^i\left(k+1\right)\right)>f\left({\mathrm{pbest}}^i\left(k\right)\right)\\ {\mathrm{pbest}}^i\left(k\right),f\left(x^i\left(k+1\right)\right)\≤f\left({\mathrm{pbest}}^i\left(k\right)\right)\end{array}\right.$

其中f(x)＝|G(x)|，其中G(x)为GRFT输出，xⁱ(k)是第i个粒子在第k次迭代处的位置。

5.根据权利要求1所述的方法，其特征在于，根据下式更新所有最佳的个体位置中最大适应度值gbest

$gbest=\arg \underset{{\mathrm{\Σpbest}}^i}{max}f\left({\mathrm{pbest}}^i\right).$

6.根据权利要求1所述的方法，其特征在于，采用下述两种终止条件替代终止条件k＝k_max，k为迭代次数：

(1)若f(gbest)＞γ_DETECT且终止迭代，其中γ_DETECT是由预设的虚警率P_f决定的目标检测阀值，k_Δ是最佳值浮动的迭代次数；

(2)若f(gbest)＜γ_DETECT且终止迭代。