CN108680910A - 基于波形认知的调频广播外辐射源雷达目标检测方法 - Google Patents
基于波形认知的调频广播外辐射源雷达目标检测方法 Download PDFInfo
- Publication number
- CN108680910A CN108680910A CN201810458874.XA CN201810458874A CN108680910A CN 108680910 A CN108680910 A CN 108680910A CN 201810458874 A CN201810458874 A CN 201810458874A CN 108680910 A CN108680910 A CN 108680910A
- Authority
- CN
- China
- Prior art keywords
- signal
- indicate
- array
- direct
- radio station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Abstract
本发明公开了一种基于波形认知的调频广播外辐射源雷达目标检测方法,首先在参考通道中恢复不同电台的直达波信号;在参考通道中进行照射源波形认知处理,选择照射源;在监测通道中针对接收阵列接收的信号利用自适应对消法抑制直达波和多径杂波;对对消剩余信号与参考通道中选择的照射源的直达波信号进行距离多普勒互相关计算,实现调频广播信号的筛选进行目标检测,解决部分调频广播信号带宽不适合目标检测的技术问题。
Description
技术领域
本发明属于雷达技术领域,具体涉及一种基于波形认知的调频广播外辐射源雷达目标检测方法。
背景技术
外辐射源雷达系统因其隐身、抗反辐射摧毁、抗低空突防及抗电子干扰等特点,备受各国重视。该体制雷达可以选择多种第三方照射源,如调频广播(FM)、数字电视、模拟电视、手机信号、全球卫星导航定位信号等。鉴于作为民用信号的调频广播具有脉冲压缩性能好、发射功率大和生命力强等优点,调频广播外辐射源雷达受到研究者的青睐。
与传统单发单收的调频广播外辐射源雷达相比,多发单收体制的外辐射源雷达具有覆盖范围广、抗目标RCS闪烁和抗发射信号带宽时变等优点,具有重要的研究与应用价值。但是调频广播信号带宽随着信号节目内容的变化而变化。音乐节目带宽较宽,适合于目标检测;而带宽较窄的语音信号在检测目标时存在距离模糊的问题,无法准确定位目标。
发明内容
本发明提出一种基于波形认知的调频广播外辐射源雷达目标检测方法,实现调频广播信号的筛选进行目标检测,解决部分调频广播内容带宽不适合目标检测的技术问题。鉴于多电台的信号并非都有利于信号检测,本发明提出了基于时频分析与贝叶斯分类的波形智能认知技术,对多电台的波形进行认知,即从直达波信号中筛选带宽较宽的照射源,然后采用空域快时域采样矩阵求逆算法抑制杂波,最后进行距离与多普勒互相关,从而实现目标检测。
本发明采用如下技术方案,一种基于波形认知的调频广播外辐射源雷达目标检测方法,外辐射源雷达系统包括参考通道和监测通道,接收阵列接收到信号后分为两个通道对信号进行处理,具体步骤如下:
1)在参考通道中恢复不同电台的直达波信号;
2)在参考通道中进行照射源波形认知处理,选择照射源;
3)在监测通道中针对接收阵列接收的信号利用自适应对消法抑制直达波和多径杂波;
4)对对消剩余信号与参考通道中选择的照射源的直达波信号进行距离多普勒互相关计算,实现目标检测。
优选地,步骤1)中在参考通道中恢复不同的发射站直达波信号通过数字波束形成实现,波束输出公式如下:
式中:y(k)表示恢复的直达波信号,k表示离散时间,Nc表示线阵天线单元数,d表示阵元间距,λ表示来波波长,θ表示来波方向与阵列法线夹角,xi(k)表示阵列第i个单元的数据,采用数字波束形成指向发射站,实现多电台信号的分离,将分离的电台信号用作直达波信号。
优选地,步骤2)中照射源波形认知处理针对直达波恢复后的信号进行,波形认知步骤如下:
21)短时傅里叶变换:对恢复的直达波信号做短时傅里叶变换STFT,直达波信号的短时傅里叶变换STFT结果ξ(l,k)为
其中,y(l)表示恢复的直达波信号,Ns为积累的点数,l为时延,k表示离散时间,T(k)为窗函数,[·]*表示共轭运算,通过时延滑动得到一组频谱,带宽随着时延变化,沿时延方向形成的脊线随之发生变化,提取不同时延的脊线宽度,判定照射源带宽;
22)包络提取:短时傅里叶变换STFT利用窗函数将任意时刻附近的直达波频谱实现时间局域化,构成直达波信号的时频谱,提取直达波信号短时傅里叶变换STFT结果ξ(l,k)的幅值
其中,|·|为取模运算;
23)脊线检测:将直达波信号短时傅里叶变换STFT结果ξ(l,k)线性归一化,即将直达波信号短时傅里叶变换STFT结果ξ(l,k)的幅值转换到[0,1]的范围,实现对原始数据的等比例缩放,归一化的脊线为:
式中,表示恢复的直达波信号频域幅值的最大值,即
定义的标志位f(l,k),标志位初值均为0,定义脊线检测门限ρ0和ρ1,当满足
将脊线的相应标志位f(l,k)置1;
24)带宽特征提取:计算f(l,k)标志位为1的脊线所占有的频谱宽度,进而计算整条脊线的平均带宽Bave,
式中,N表示短时傅里叶变换STFT对直达波数据划分的段数,Bl表示每段直达波数据作傅里叶变换后标志位为1的数据长度,即标志位为1的脊线所占有的频谱宽度;
25)样本统计分类器分类:根据脊线平均带宽Bave对多个电台的广播内容进行分类与识别,多个电台的广播内容即为恢复的多个电台的直达波信号,采用样本统计法选取优化的分类门限,将广播内容分类为音乐信号、语音信号和静默信号;
26)照射源选择:当存在音乐信号时选择带宽最宽的音乐信号;若没有音乐信号,则选择语音信号;没有音乐信号且没有语音信号时,即仅有静默信号时,选择数据丢帧处理。
优选地,样本统计分类器分类采用贝叶斯分类器,基于样本统计的广播内容分类具体步骤如下:
定义广播信号分类类别集合C={y1,y2,y3},其中y1表示音乐信号,y2表示语音信号,y3表示静默信号;
251)确定带宽特征属性:x={a}表示一个待分类项,特征属性a表示整条脊线的平均带宽Bave,
x:{a≤γ0,γ0<a<γ1,a≥γ1}
γ0表示静默信号与语音信号之间的门限值,γ1表示语音信号与音乐信号之间的门限值;
252)获取广播训练样本:改变音乐信号y1、语音信号y2和静默信号y3的参数,构建具有n个不同参数的训练样本集;
253)计算样本特征属性值:分别计算训练样本集中三种广播信号时频脊线带宽均值;
254)确定特征属性划分区间:根据步骤253)中的计算结果初步确定分类门限的区间,即静默信号与语音信号之间的门限值γ0范围以及语音信号与音乐信号之间的门限值γ1范围;
255)以最大分类正确率确定门限值:根据初步确定的分类门限区间使用贝叶斯分类器进行判决,比较统计出的分类正确率,根据最大分类正确率确定静默信号与语音信号之间的门限值γ0以及语音信号与音乐信号之间的门限值γ1。
步骤3)中抑制直达波和多径杂波采用空域快时域自适应处理的二维采样矩阵求逆算法,本发明在时域的处理主要指脉冲处理周期内的采样点,一般称为快时间域,即空域快时域自适应处理,具体为:Nc单元的等间隔线阵中每一单元后都有延时抽头,从单个通道来看,各级延迟构成NF阶有限冲激响应FIR滤波器,将k时刻的阵列接收数据X(k)写成NFNc×1维矢量的形式,即
式中:xmn为第m个阵元第n个延迟单元的阵列接收数据,即x11为第1个阵元第1个延迟单元的阵列接收数据,为第1个阵元第NF个延迟单元的阵列接收数据,xNc1为第Nc个阵元第1个延迟单元的阵列接收数据,为第NC个阵元第NF个延迟单元的阵列接收数据;
定义加权矩阵为:
式中:Nc表示线阵天线单元数,NF表示有限冲激响应FIR滤波器阶数,wmn为第m个阵元第n个延迟单元的加权值,即w11为第1个阵元第1个延迟单元的加权值,为第1个阵元第NF个延迟单元的加权值,为第Nc个阵元第1个延迟单元的加权值,为第Nc个阵元第NF个延迟单元的加权值,[·]T表示转置运算;
空域快时域自适应处理输出表达式为:
z(k)=wHX(k)
式中:k表示离散时间,w表示加权矩阵,[·]H表示共轭转置运算,X(k)表示阵列接收数据,z(k)表示空域快时域自适应处理的输出,即目标回波;
基于线性约束最小方差LCMV准则,得到最佳权向量解wopt:
wopt=Rxx -1P
式中:Rxx为空时二维协方差矩阵,[]-1表示求逆运算,P为互相关向量,
Rxx=E{X(k)XH(k)}
P==E{X(k)sH(k)}
式中:E{·}表示求数学期望,[·]H表示共轭转置运算,X(k)表示阵列接收数据,s(k)表示直达波信号,通过采样点计算空时二维协方差矩阵和互相关向量,进而计算权向量。
优选地,阵列接收数据X(k),即广播接收信号为
其中,调频广播外辐射源雷达接收阵列采用Nc单元的等间隔线阵,共有M个电台和Nt个目标,k表示离散时间,n(k)表示噪声,STm表示第m个电台的直达波和多径杂波信号,SEn表示第n个目标的回波,第m个电台的直达波和多径信号STm具有如下形式:
其中:表示第m个电台的直达波入射角,表示第m个电台的直达波的阵列流形,pm(k)和pm(k-τmi)分别表示k时刻和k-τmi时刻第m个电台的发射信号,Nm表示每个电台多径杂波的条数,θmi表示第m个电台的第i条多径杂波的入射角,A(θmi)表示第m个电台第i条多径杂波的阵列流形,αmi和τmi分别表示第m个电台第i条多径杂波的衰减因子和时延;
第n个目标的回波SEn具有如下形式:
其中:ηn表示第n个目标回波的入射角,A(ηn)表示第n个目标回波的阵列流形,αnm和ρmn分别表示第m个电台的第n个目标回波的衰减因子和时延,pm(k-ρmn)表示第m个电台的发射信号,fdn表示第n个目标的多普勒频率,fs表示采样率,阵列流形A(θmi)和A(ηn)分别具有如下形式:
其中:λ表示波长,d表示相邻阵元间隔。
发明所达到的有益效果:本发明提出一种基于波形认知的调频广播外辐射源雷达目标检测方法,实现调频广播信号的筛选进行目标检测,解决部分调频广播信号带宽不适合目标检测的技术问题;从直达波信号中筛选带宽较宽的照射源,然后采用空域快时域采样矩阵求逆算法抑制杂波,最后进行距离多普勒互相关,实现目标检测,准确定位目标。
附图说明
图1是多电台信号波形认知处理框图;
图2是基于样本统计的广播信号分类算法原理框图;
图3是三种广播时频脊线的带宽均值分布图;
图4是分类正确率与信噪比关系图;
图5是空域快时域自适应算法模型图;
图6是仿真系统原理框图;
图7是音乐声的分析图;(a)为时频分析图;(b)带宽特征提取俯视图;(c)距离与多普勒平面图;
图8是成人声音的分析图;(a)为时频分析图;(b)带宽特征提取俯视图;(c)距离与多普勒平面图;
图9是儿童声音的分析图;(a)为时频分析图;(b)带宽特征提取俯视图;(c)距离与多普勒平面图。
具体实施方式
下面根据附图并结合实施例对本发明的技术方案作进一步阐述。
本发明采用如下技术方案,一种基于波形认知的调频广播外辐射源雷达目标检测方法,外辐射源雷达系统包含实现直达波恢复的参考通道与实现直达波抑制与目标检测的监测通道,发射站电台(照射源)波形认知在直达波恢复通道实现,接收阵列接收到信号后分为两个通道对信号进行处理,具体步骤如下:
1)在参考通道中恢复不同的发射站直达波信号,通过数字波束形成实现,波束输出公式如下:
式中:y(k)表示恢复的直达波信号,k表示离散时间,Nc表示线阵天线单元数,d表示阵元间距,λ表示来波波长,θ表示来波方向与阵列法线夹角,xi(k)表示阵列第i个单元的数据,采用数字波束形成指向发射站,实现多电台信号的分离,将分离的电台信号用作直达波信号。
2)在参考通道中进行照射源波形认知处理,选择照射源;
由于发射站信号带宽对目标检测存在较大影响,因此设计了针对多发射站的信号波形选择方法。语音休止期带宽窄,无法实现距离维目标分辨。语音信号带宽较音乐信号窄,距离精度测量模糊,因此,波形认知技术的关键即选择带宽较宽的音乐信号。对于多发单收系统,可以通过发射电台的选取,选择形式较好的电台信号,提高外辐射源雷达的检测性能。认知处理针对恢复后的直达波信号进行,见图1所示,包括短时傅里叶变换、包络提取、脊线检测、带宽特征提取、贝叶斯分类器分类和照射源选择,具体为:
21)短时傅里叶变换:实现多电台信号的分离后,对恢复的直达波信号作短时傅里叶变换STFT,检测信号是否有很强的窄带特征,该窄带特征是造成后续距离与多普勒互相关图沿距离门呈片状的主要原因。通过STFT提取信号的带宽特征,从而选择出带宽较宽的电台信号。直达波信号短时傅里叶变换STFT为
其中,y(l)表示恢复的直达波信号,Ns为积累的点数,l为时延,k表示离散时间,T(k)为窗函数,[·]*表示共轭运算;通过时延滑动得到一组频谱,反应了信号带宽随时延的变化。由于广播信号的时变特点,带宽随着时延变化,沿时延方向形成的脊线将随之发生变化。通过提取不同时延的脊线宽度,从而判定照射源带宽。
22)包络提取:短时傅里叶变换STFT利用窗函数将任意时刻附近的直达波频谱实现时间局域化,构成直达波信号的时频谱,为了便于分析电台信号的带宽特征,提取直达波信号短时傅里叶变换STFT结果ξ(l,k)的幅值:
其中,|·|为取模运算;
23)脊线检测:由于数值波束形成DBF恢复的多电台的直达波信号时域幅度大小不一致,为了消除该数量级影响,将线性归一化,即将直达波信号短时傅里叶变换STFT的幅值转换到[0,1]的范围,实现对原始数据的等比例缩放,归一化的脊线为:
式中,表示恢复的直达波信号频域幅值的最大值,即
定义的标志位f(l,k),标志位初值均为0,定义脊线检测门限ρ0和ρ1,当满足
将脊线的相应标志位f(l,k)置1;
24)带宽特征提取:计算标志位为1的脊线所占有的频谱宽度,进而计算整条脊线的平均带宽Bave,
式中,N表示短时傅里叶变换STFT对直达波数据划分的段数,Bl表示每段直达波数据作傅里叶变换后标志位为1的数据长度,即标志位为1的脊线所占有的频谱宽度;
25)样本统计分类器分类:根据脊线平均带宽Bave对多个电台的广播内容进行分类与识别,多个电台的广播内容即为恢复的多个电台的直达波信号,采用样本统计法选取优化的分类门限,将广播内容分类为音乐信号、语音信号和静默信号,基于样本统计的分类算法原理框图如图2所示;
定义广播内容分类类别集合C={y1,y2,y3},其中y1表示音乐信号,y2表示语音信号,y3表示静默信号;
251)确定带宽特征属性:x={a}表示一个待分类项,特征属性a表示整条脊线的平均带宽Bave,对于44.1kHz采样率,时长为0.1s的广播录取内容,采用256点STFT,
x:{a≤γ0,γ0<a<γ1,a≥γ1}
γ0表示静默信号与语音信号之间的门限值,γ1表示语音信号与音乐信号之间的门限值;
252)获取广播训练样本:音乐信号y1改变音乐类型、信噪比等参数;语音信号y2改变语音类型、信噪比等参数;静默信号y3改变信噪比等参数,构建具有3000个不同参数的训练样本集;
253)计算样本特征属性值:分别计算训练样本集中三种广播内容时频脊线带宽均值,训练样本集中3000个样本的带宽均值的分布如图3所示;
254)确定特征属性划分区间:由步骤253)中大量数据计算结果可以初步确定分类门限的区间,即静默信号与语音信号之间的门限值γ0范围可设置在0.8-1.2,以及语音信号与音乐信号之间的门限值γ1范围可设置在0.1-0.4;
255)以最大分类正确率确定门限值:根据初步确定的分类门限区间使用贝叶斯分类器进行判决,比较统计出的分类正确率,根据最大分类正确率确定静默信号与语音信号之间的门限值γ0为1.0以及语音信号与音乐信号之间的门限值γ1为0.3,当γ0=1.0,γ1=0.3时,统计分类正确率随信噪比的变化曲线图,如图4所示,该方法选取的分类门限能够很好地识别语音静默信号、语音信号及音乐信号,分类正确率在98%以上,验证了分类门限的有效性。
26)照射源选择:根据样本统计分类器分类后,可实现多个发射站电台的静默信号、语音信号及音乐信号的分类与识别。针对分类识别的多电台信号,当存在音乐信号时选择带宽最宽的音乐信号;若没有音乐信号,则选择语音信号;都没有音乐信号且没有语音信号时,即仅有静默信号时,选择数据丢帧处理,可以保证对后续数据处理无影响。
3)在监测通道中针对接收阵列接收的信号利用自适应对消法抑制直达波和多径杂波;
包括直达波在内的杂波信号功率高出目标回波信号功率30~100dB,仅仅依靠天线指向和脉冲压缩获得的处理增益不能达到检测目标的要求,还需利用自适应对消的方法抑制杂波。抑制直达波和多径杂波采用空域快时域自适应处理的二维采样矩阵求逆算法。空域快时域自适应算法模型如图5所示。
假设一Nc单元的等间隔线阵,每一单元后都有延时抽头,从单个通道来看,各级延迟构成了一NF阶有限冲激响应FIR滤波器,从相同时间的延迟来看,多个阵元构成了空域的自适应滤波,可以在干扰方向形成零陷,从而抑制杂波干扰。
将k时刻的阵列接收数据X(k)写成NFNc×1维矢量的形式,即
式中:xmn为第m个阵元第n个延迟单元的阵列接收数据,即x11为第1个阵元第1个延迟单元的阵列接收数据,为第1个阵元第NF个延迟单元的阵列接收数据,xNc1为第Nc个阵元第1个延迟单元的阵列接收数据,为第NC个阵元第NF个延迟单元的阵列接收数据;
定义加权矩阵为:
式中:Nc表示线阵天线单元数,NF表示有限冲激响应FIR滤波器阶数,wmn为第m个阵元第n个延迟单元的加权值,即w11为第1个阵元第1个延迟单元的加权值,为第1个阵元第NF个延迟单元的加权值,为第Nc个阵元第1个延迟单元的加权值,为第Nc个阵元第NF个延迟单元的加权值,[·]T表示转置运算;
空域快时域自适应处理输出表达式为:
z(k)=wHX(k)
式中:k表示离散时间,w表示加权矩阵,[·]H表示共轭转置运算,X(k)表示阵列接收数据,z(k)表示空域快时域自适应处理的输出,即目标回波;
基于线性约束最小方差LCMV准则,得到最佳权向量解wopt:
wopt=Rxx -1P
式中:Rxx为空时二维协方差矩阵,[]-1表示求逆运算,P为互相关向量,
Rxx=E{X(k)XH(k)}
P=E{X(k)sH(k)}
式中:E{·}表示求数学期望,[·]H表示共轭转置运算,X(k)表示阵列接收数据,s(k)表示直达波信号,通过采样点计算空时二维协方差矩阵和互相关向量,进而计算权向量。
阵列接收数据X(k),即广播接收信号为
其中,调频广播外辐射源雷达接收阵列采用Nc单元的等间隔线阵,共有M个电台和Nt个目标,k表示离散时间,n(k)表示噪声,STm表示第m个电台的直达波和多径杂波信号,SEn表示第n个目标的回波,第m个电台的直达波和多径信号STm具有如下形式:
其中:表示第m个电台的直达波入射角,表示第m个电台的直达波的阵列流形,pm(k)和pm(k-τmi)分别表示k时刻和k-τmi时刻第m个电台的发射信号,Nm表示每个电台多径杂波的条数,θmi表示第m个电台的第i条多径杂波的入射角,A(θmi)表示第m个电台第i条多径杂波的阵列流形,αmi和τmi分别表示第m个电台第i条多径杂波的衰减因子和时延;
第n个目标的回波SEn具有如下形式:
其中:ηn表示第n个目标回波的入射角,A(ηn)表示第n个目标回波的阵列流形,αnm和ρmn分别表示第m个电台的第n个目标回波的衰减因子和时延,pm(k-ρmn)表示第m个电台的发射信号,fdn表示第n个目标的多普勒频率,fs表示采样率,阵列流形A(θmi)和A(ηn)分别具有如下形式:
其中:λ表示波长,d表示相邻阵元间隔。
4)对对消剩余信号与参考通道中选择的照射源的直达波信号进行距离多普勒互相关计算,实现目标检测。
通过计算机仿真验证多发射站电台波形认知技术对基于调频广播FM信号的外辐射源雷达系统的目标探测的性能的提升情况。整个系统的原理框图如图6所示。录取多种不同内容的广播信号后,首先对多目标场景建模,包括目标回波、直达波和多径杂波。接收阵列接收到信号后分为两个通道对信号进行处理,参考通道中采用DBF指向发射站,实现直达波信号的恢复,再通过基于STFT的照射源认知选择观测目标的电台;在监测通道中,线阵接收信号通过与参考通道中选择照射源的直达波信号的自适应对消抑制直达波和多径,然后通过与参考通道中选择的照射源的直达波信号进行距离多普勒互相关,实现目标检测。
仿真中外辐射源雷达接收阵列采用38单元的半波长等间隔线阵,阵列形成波束采用50dB切比雪夫加权。假设三个发射站分别位于TA(20km,20km),TB(-30km,30km)和TC(10km,40km),接收站坐标位于Ro(0km,0km),两个目标距发射站和接收站的距离差为150km和80km,多普勒频移均为-200Hz。
广播信号采样率为1MHz,录取三组不同内容的广播信号,分别为音乐的声音、成人的语音和儿童的语音,时长为0.5s。将这三组数据分别作为发射站TA,TB和TC的发射信号,发射站TA,TB和TC的时频分析图依次如图7(a)、图8(a)和图9(a)所示。图7(b)、图8(b)和图9(b)为它们的脊线带宽特征。经计算,音乐、儿童语音和成人语音三种信号脊线的平均带宽分别为5.3342,0.9846,0.7249。认知算法依据带宽门限自动选择了音乐电台作为照射源。三种信号分别作为直达波的目标检测性能如图7(c)、图8(c)和图9(c)所示。比较图7,图8和图9可知,带宽较宽的音乐节目信号可以较好地实现目标检测。可见,所提出电台信号认知技术可以实现照射源的优化,有效提升多发单收外辐射源雷达的目标检测性能。
Claims (6)
1.基于波形认知的调频广播外辐射源雷达目标检测方法,其特征在于,接收阵列接收到信号后分为两个通道对信号进行处理,包括以下步骤:
1)在参考通道中恢复不同电台的直达波信号;
2)在参考通道中进行照射源波形认知处理,选择照射源;
3)在监测通道中针对接收阵列接收的信号利用自适应对消法抑制直达波和多径杂波;
4)对对消剩余信号与参考通道中选择的照射源的直达波信号进行距离多普勒互相关计算,实现目标检测。
2.根据权利要求1所述基于波形认知的调频广播外辐射源雷达目标检测方法,其特征在于,步骤1)中在参考通道中恢复不同电台的直达波信号通过数字波束形成实现,波束输出公式如下:
式中:y(k)表示恢复的直达波信号,k表示离散时间,Nc表示线阵天线单元数,d表示阵元间距,λ表示来波波长,θ表示来波方向与阵列法线夹角,xi(k)表示阵列第i个单元的数据,采用数字波束形成指向发射站,实现多个电台信号的分离,将分离的电台信号用作直达波信号。
3.根据权利要求1所述基于波形认知的调频广播外辐射源雷达目标检测方法,其特征在于,步骤2)中照射源波形认知处理针对恢复的直达波信号进行,波形认知的具体步骤如下:
21)短时傅里叶变换:对恢复的直达波信号作短时傅里叶变换STFT,直达波信号的短时傅里叶变换STFT结果ξ(l,k)为
其中,y(l)表示恢复的直达波信号,Ns为积累的点数,l为时延,k表示离散时间,T(k)为窗函数,[·]*表示共轭运算;
22)包络提取:短时傅里叶变换STFT利用窗函数将任意时刻附近的直达波频谱实现时间局域化,构成直达波信号的时频谱,提取直达波信号短时傅里叶变换STFT结果ξ(l,k)的幅值
其中,|·|为取模运算;
23)脊线检测:将直达波信号短时傅里叶变换STFT结果ξ(l,k)线性归一化,即将直达波信号短时傅里叶变换STFT结果ξ(l,k)的幅值转换到[0,1]的范围,实现对原始数据的等比例缩放,归一化的脊线为:
式中,表示恢复的直达波信号频域幅值的最大值,即
定义的标志位f(l,k),标志位初值均为0,定义脊线检测门限ρ0和ρ1,当满足
将脊线的相应标志位f(l,k)置1;
24)带宽特征提取:计算标志位为1的脊线所占有的频谱宽度,进而计算整条脊线的平均带宽Bave,
式中,N表示短时傅里叶变换STFT对直达波数据划分的段数,Bl表示每段直达波数据作短时傅里叶变换STFT后标志位为1的数据长度,即标志位为1的脊线所占有的频谱宽度;
25)样本统计分类器分类:根据脊线平均带宽Bave对多个电台的广播内容进行分类与识别,多个电台的广播内容即为恢复的多个电台的直达波信号,采用样本统计法选取优化的分类门限,将广播内容分类为音乐信号、语音信号和静默信号;
26)照射源选择:当存在音乐信号时选择带宽最宽的音乐信号;若没有音乐信号,则选择语音信号;没有音乐信号且没有语音信号时,即仅有静默信号时,选择数据丢帧处理。
4.根据权利要求3所述基于波形认知的调频广播外辐射源雷达目标检测方法,其特征在于,样本统计分类器分类采用贝叶斯分类器,基于样本统计的广播内容分类具体步骤如下:
定义广播内容分类类别集合C={y1,y2,y3},其中y1表示音乐信号,y2表示语音信号,y3表示静默信号;
251)确定带宽特征属性:x={a}表示一个待分类项,特征属性a表示整条脊线的平均带宽Bave,
x:{a≤γ0,γ0<a<γ1,a≥γ1}
γ0表示静默信号与语音信号之间的门限值,γ1表示语音信号与音乐信号之间的门限值;
252)获取广播训练样本:改变音乐信号y1、语音信号y2和静默信号y3的参数,构建具有n个不同参数的训练样本集;
253)计算样本特征属性值:分别计算训练样本集中三种广播内容时频脊线带宽均值;
254)确定特征属性划分区间:根据步骤253)中的计算结果初步确定分类门限的区间,即静默信号与语音信号之间的门限值γ0范围以及语音信号与音乐信号之间的门限值γ1范围;
255)以最大分类正确率确定门限值:根据初步确定的分类门限区间使用贝叶斯分类器进行判决,比较统计出的分类正确率,根据最大分类正确率确定静默信号与语音信号之间的门限值γ0以及语音信号与音乐信号之间的门限值γ1。
5.根据权利要求1所述基于波形认知的调频广播外辐射源雷达目标检测方法,其特征在于,步骤3)中抑制直达波和多径杂波采用空域快时域自适应处理的二维采样矩阵求逆算法,具体为:Nc单元的等间隔线阵中每一单元后都有延时抽头,从单个通道来看,各级延迟构成NF阶有限冲激响应FIR滤波器,将k时刻的阵列接收数据X(k)写成NFNc×1维矢量的形式,即
式中:xmn为第m个阵元第n个延迟单元的阵列接收数据,即x11为第1个阵元第1个延迟单元的阵列接收数据,为第1个阵元第NF个延迟单元的阵列接收数据,为第Nc个阵元第1个延迟单元的阵列接收数据,为第NC个阵元第NF个延迟单元的阵列接收数据;
定义加权矩阵为:
式中:Nc表示线阵天线单元数,NF表示有限冲激响应FIR滤波器阶数,wmn为第m个阵元第n个延迟单元的加权值,即w11为第1个阵元第1个延迟单元的加权值,为第1个阵元第NF个延迟单元的加权值,为第Nc个阵元第1个延迟单元的加权值,为第Nc个阵元第NF个延迟单元的加权值,[·]T表示转置运算;
空域快时域自适应处理输出表达式为:
z(k)=wHX(k)
式中:k表示离散时间,w表示加权矩阵,[·]H表示共轭转置运算,X(k)表示阵列接收数据,z(k)表示空域快时域自适应处理的输出,即目标回波;
基于线性约束最小方差LCMV准则,得到最佳权向量解wopt:
wopt=Rxx -1P
式中:Rxx为空时二维协方差矩阵,[]-1表示求逆运算,P为互相关向量,
Rxx=E{X(k)XH(k)}
P=E{X(k)sH(k)}
式中:E{·}表示求数学期望,[·]H表示共轭转置运算,X(k)表示阵列接收数据,s(k)表示直达波信号,通过采样点计算空时二维协方差矩阵和互相关向量,进而计算权向量。
6.根据权利要求5所述基于波形认知的调频广播外辐射源雷达目标检测方法,其特征在于,阵列接收数据X(k),即广播接收信号为
其中,调频广播外辐射源雷达接收阵列采用Nc单元的等间隔线阵,共有M个电台和Nt个目标,k表示离散时间,n(k)表示噪声,STm表示第m个电台的直达波和多径杂波信号,SEn表示第n个目标的回波,第m个电台的直达波和多径信号STm具有如下形式:
其中:表示第m个电台的直达波入射角,表示第m个电台的直达波的阵列流形,pm(k)和pm(k-τmi)分别表示k时刻和k-τmi时刻第m个电台的发射信号,Nm表示每个电台多径杂波的条数,θmi表示第m个电台的第i条多径杂波的入射角,A(θmi)表示第m个电台第i条多径杂波的阵列流形,αmi和τmi分别表示第m个电台第i条多径杂波的衰减因子和时延;
第n个目标的回波SEn具有如下形式:
其中:ηn表示第n个目标回波的入射角,A(ηn)表示第n个目标回波的阵列流形,αnm和ρmn分别表示第m个电台的第n个目标回波的衰减因子和时延,pm(k-ρmn)表示第m个电台的发射信号,fdn表示第n个目标的多普勒频率,fs表示采样率,阵列流形A(θmi)和A(ηn)分别具有如下形式:
其中:λ表示波长,d表示相邻阵元间隔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458874.XA CN108680910B (zh) | 2018-05-15 | 2018-05-15 | 基于波形认知的调频广播外辐射源雷达目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458874.XA CN108680910B (zh) | 2018-05-15 | 2018-05-15 | 基于波形认知的调频广播外辐射源雷达目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108680910A true CN108680910A (zh) | 2018-10-19 |
CN108680910B CN108680910B (zh) | 2021-09-28 |
Family
ID=63806083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810458874.XA Active CN108680910B (zh) | 2018-05-15 | 2018-05-15 | 基于波形认知的调频广播外辐射源雷达目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108680910B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143231A (zh) * | 2018-10-29 | 2019-01-04 | 河海大学 | 基于循环对消的数字电视无源双基地雷达目标检测方法 |
CN109799484A (zh) * | 2019-01-31 | 2019-05-24 | 河海大学 | 一种外辐射源雷达系统多径抑制方法、系统及存储介质 |
CN110728195A (zh) * | 2019-09-18 | 2020-01-24 | 武汉大学 | 基于yolo算法的电能质量扰动检测方法 |
CN111142097A (zh) * | 2019-07-05 | 2020-05-12 | 武汉工程大学 | 一种调幅广播外辐射源雷达中的目标方向估计方法 |
CN111665469A (zh) * | 2020-06-11 | 2020-09-15 | 浙江大学 | 一种基于空间时频分布的水下多径信号参数估计方法 |
CN112213695A (zh) * | 2020-10-15 | 2021-01-12 | 四川大学 | 一种基于单元平均杂波图的机场跑道异物检测方法 |
CN112986975A (zh) * | 2021-02-07 | 2021-06-18 | 电子科技大学 | 一种基于距离加权的被动雷达网络中心化检测方法 |
CN116660856A (zh) * | 2023-08-02 | 2023-08-29 | 南京信息工程大学 | 一种基于5g时隙同步的外辐射源雷达信号处理方法 |
CN117741586A (zh) * | 2024-02-19 | 2024-03-22 | 中国科学院空天信息创新研究院 | 一种超宽带自适应阵列接收装置及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8392149B1 (en) * | 2010-09-08 | 2013-03-05 | Rockwell Collins, Inc. | Adaptive second order threshold calibration technique for radiometric signal detection |
US20130124076A1 (en) * | 2011-11-11 | 2013-05-16 | Sylvain Bruni | Systems and methods to react to environmental input |
CN103293518A (zh) * | 2013-05-29 | 2013-09-11 | 电子科技大学 | 广播信号外辐射源定位检测方法 |
CN103885041A (zh) * | 2014-02-25 | 2014-06-25 | 西安电子科技大学 | 一种基于认知处理的自适应旁瓣相消方法 |
CN105785331A (zh) * | 2016-03-02 | 2016-07-20 | 河海大学 | 一种采用盲源分离的外辐射源雷达直达波恢复方法 |
CN106646410A (zh) * | 2017-01-06 | 2017-05-10 | 天津大学 | 宽带认知被动雷达架构下的学习‑感知‑决策‑响应方法 |
CN106970369A (zh) * | 2017-04-24 | 2017-07-21 | 西安电子科技大学 | 基于知识辅助的宽带雷达目标检测方法 |
-
2018
- 2018-05-15 CN CN201810458874.XA patent/CN108680910B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8392149B1 (en) * | 2010-09-08 | 2013-03-05 | Rockwell Collins, Inc. | Adaptive second order threshold calibration technique for radiometric signal detection |
US20130124076A1 (en) * | 2011-11-11 | 2013-05-16 | Sylvain Bruni | Systems and methods to react to environmental input |
CN103293518A (zh) * | 2013-05-29 | 2013-09-11 | 电子科技大学 | 广播信号外辐射源定位检测方法 |
CN103885041A (zh) * | 2014-02-25 | 2014-06-25 | 西安电子科技大学 | 一种基于认知处理的自适应旁瓣相消方法 |
CN105785331A (zh) * | 2016-03-02 | 2016-07-20 | 河海大学 | 一种采用盲源分离的外辐射源雷达直达波恢复方法 |
CN106646410A (zh) * | 2017-01-06 | 2017-05-10 | 天津大学 | 宽带认知被动雷达架构下的学习‑感知‑决策‑响应方法 |
CN106970369A (zh) * | 2017-04-24 | 2017-07-21 | 西安电子科技大学 | 基于知识辅助的宽带雷达目标检测方法 |
Non-Patent Citations (3)
Title |
---|
FENG WANG等: "Automatic Jamming Modulation Classification Exploiting Convolutional Neural Network for Cognitive Radar", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
张池等: "基于认知型盲源分离的雷达主瓣干扰抑制技术研究", 《现代雷达》 * |
龚道银等: "基于波形认知的调频广播外辐射源雷达技术研究", 《国外电子测量技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143231A (zh) * | 2018-10-29 | 2019-01-04 | 河海大学 | 基于循环对消的数字电视无源双基地雷达目标检测方法 |
CN109799484A (zh) * | 2019-01-31 | 2019-05-24 | 河海大学 | 一种外辐射源雷达系统多径抑制方法、系统及存储介质 |
CN111142097A (zh) * | 2019-07-05 | 2020-05-12 | 武汉工程大学 | 一种调幅广播外辐射源雷达中的目标方向估计方法 |
CN110728195A (zh) * | 2019-09-18 | 2020-01-24 | 武汉大学 | 基于yolo算法的电能质量扰动检测方法 |
CN111665469A (zh) * | 2020-06-11 | 2020-09-15 | 浙江大学 | 一种基于空间时频分布的水下多径信号参数估计方法 |
CN111665469B (zh) * | 2020-06-11 | 2022-08-23 | 浙江大学 | 一种基于空间时频分布的水下多径信号参数估计方法 |
CN112213695A (zh) * | 2020-10-15 | 2021-01-12 | 四川大学 | 一种基于单元平均杂波图的机场跑道异物检测方法 |
CN112986975A (zh) * | 2021-02-07 | 2021-06-18 | 电子科技大学 | 一种基于距离加权的被动雷达网络中心化检测方法 |
CN116660856A (zh) * | 2023-08-02 | 2023-08-29 | 南京信息工程大学 | 一种基于5g时隙同步的外辐射源雷达信号处理方法 |
CN116660856B (zh) * | 2023-08-02 | 2023-11-21 | 南京信息工程大学 | 一种基于5g时隙同步的外辐射源雷达信号处理方法 |
CN117741586A (zh) * | 2024-02-19 | 2024-03-22 | 中国科学院空天信息创新研究院 | 一种超宽带自适应阵列接收装置及方法 |
CN117741586B (zh) * | 2024-02-19 | 2024-05-07 | 中国科学院空天信息创新研究院 | 一种超宽带自适应阵列接收装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108680910B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680910A (zh) | 基于波形认知的调频广播外辐射源雷达目标检测方法 | |
CN106125053B (zh) | 脉冲多普勒雷达极化抗干扰方法 | |
Liu et al. | Biologically inspired covert underwater acoustic communication by mimicking dolphin whistles | |
CN106646410A (zh) | 宽带认知被动雷达架构下的学习‑感知‑决策‑响应方法 | |
CN103837867B (zh) | 一种利用ais信息进行高频雷达天线通道校正的方法 | |
CN106054165B (zh) | 一种实现分布式无源雷达目标检测的方法 | |
CN103217670B (zh) | 一种基于pca的外辐射源微弱信号检测方法 | |
CN104135327A (zh) | 基于支持向量机的频谱感知方法 | |
CN106872968A (zh) | 一种基于ofdm信号的外辐射源雷达微弱目标检测方法 | |
CN109506767A (zh) | 一种对水下入侵目标引起声场异常的实时检测方法 | |
CN102147455A (zh) | 多天线单元信号分析处理、测向方法及系统 | |
CN109658948A (zh) | 一种面向候鸟迁徙活动的声学监测方法 | |
de Paolo et al. | Skill assessment of resolving ocean surface current structure using compact-antenna-style HF radar and the MUSIC direction-finding algorithm | |
CN103616661A (zh) | 一种稳健的远场窄带信号源个数估计方法 | |
CN110045337A (zh) | 基于张量子空间投影的高频地波雷达射频干扰抑制方法 | |
CN106970349A (zh) | 一种基于改进的music算法的ads‑b信号波达方向估计方法 | |
CN107229040B (zh) | 基于稀疏恢复空时谱估计的高频雷达目标检测方法 | |
CN111948618A (zh) | 一种基于卫星外辐射源的前向散射目标探测方法及系统 | |
CN108828504A (zh) | 基于部分相关波形的mimo雷达目标方向快速估计方法 | |
CN105259411B (zh) | 高精度预测罗兰‑c脉冲水下传播特性的方法 | |
CN109581303A (zh) | 一种基于Wi-Fi穿墙雷达的干扰抑制方法 | |
CN115575921B (zh) | 一种基于俯仰向多通道多干扰基压制干扰抑制方法 | |
CN102087313A (zh) | 一种卫星搜救信号的频率估计方法 | |
Goodman | Foundations of cognitive radar for next-generation radar systems | |
CN108594200A (zh) | 一种被动式mimo雷达的全相参目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |