CN109001690A - 基于馈电网络的时域空间域结合的雷达目标检测方法 - Google Patents

Abstract

本发明公开了基于馈电网络的时域空间域结合的雷达目标检测方法，所述方法包括：利用馈电网络的时间特性，在空间中探索目标点的大体方位，通过利用时间信号获取目标点位置粗略位置，在对天线信号进行聚焦，利用接收信号之间的相位关系利用子空间分解算法，获取目标点具体位置信息，本发明在时间域阶段是利用bulter馈电网络实现波束扫描实现的，相比于在一个波束下，在固定的具体的方向是实现波束赋形探测距离更远一些；运用算法扫描的空间域阶段，是通过运用算法实现的，能够在一个角度范围内更为定位更多的目标点，更为精确的识别目标点信息。

Description

基于馈电网络的时域空间域结合的雷达目标检测方法

技术领域

本发明雷达目标检测领域，具体地，涉及一种基于馈电网络的时域空间域结合的雷达目标检测方法。

背景技术

自动驾驶汽车(Autonomous vehicles；Self-piloting automobile)又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。在20世纪已有数十年的历史，21世纪初呈现出接近实用化的趋势。尽管目前的自动驾驶车辆尚未达到完全自动驾驶水平，但自动驾驶车辆将成为未来车辆的主流发展方向，随着该观点得到业内广泛的认可。目前无人驾驶技术的发展有很大进步，但仍然处于实验阶段。无人驾驶技术的关键性技术就是障碍物的探测，能够更为准确的探测出目标点的位置和行进的速度才能给汽车的下一步形式提供保证。至今为止雷达目标检测的方式有在时间域的机械扫描和馈电网络，有在空间域的算法目标点定位。但是这两种算法各自存在着自身的缺点：时间域的目标识别上，需要大量的天线和馈电网络作为基础，才能够对目标点进行精确的定位；空间域的运用算法的目标识别由于波束覆盖范围比较大，因很难实现远距离的探测。

发明内容

本发明为了解决上述技术问题提供一种基于馈电网络的时域空间域结合的雷达目标检测方法。

本发明通过下述技术方案实现：

雷达目标检测定位是根据有源天线阵列接收到电磁波的信息，对目标点进行定位。雷达探测目标点的形式有三种：一是机械扫描，机械扫描雷达是一种常见的雷达形式；该款雷达是通过转动雷达天线达到波束扫描的目的。二是相控阵雷达，是通过相位控制电子扫描阵列雷达，利用个别控制的小型天线单元排列成天线阵面，每个天线单元都由独立的移相开关控制，通过控制各天线单元发射的相位，就能合成不同相位波束。三是通过算法计算，雷达探测的方式是利用反射信号在阵列天线上的相位差探测目标信息。三种雷达前两中雷达形式，机械扫描和相控阵扫描每个波束探测的方向上值能完成一个目标点的识别，在一个波束上无法识别多个目标，优点是波束的方向比较集中，探测距离比较远。第三种雷达是根据反射信号的相位差来反向识别目标点信息，这种雷达可以在同一个波束下达到多个目标识别的目的，缺点是波束在空间中的范围比较广，探测距离比较近。

本发明依据Bulter馈电网络的在天线扫描中的特性，将两种馈电网络相结合。提出了一种基于时间域和空间域相结合的目标点定位的方法，包括：

利用馈电网络的时间特性，在空间中探索目标点的大体方位如：4天线阵元的馈电网络，能够探索到的空间位置是(-60——60)范围内进行四分。通过利用时间信号获取目标点位置粗略位置，在对天线信号进行聚焦，利用接收信号之间的相位关系利用子空间分解算法，获取目标点具体位置信息，包括：

1、获取目标点的信号：

X＝A(θ)s(t)+N(t) (1)

其中：X为接收到的目标信号，A为维度为M×N的空间阵列的流型矩阵A＝[a₁(w₀),...,a_N(w₀)]，即阵列天线接收到的信号相位差矩阵，N(t)为噪声信号；a_N为接收信号的相位，w₀为目标点信息，θ为目标点反射角度；

2、获得阵列信号的协方差矩阵为：

其中，R_s是信号s(t)的协方差矩阵，数据协方差可分解为信号子空间和噪声子空间；

3、对R进行特征分解，获得:

其中：为信号子空间，为噪声子空间；

4、对协方差矩阵进行特征值分解，通过输出矩阵的秩和特征值，由特征值构造出协方差矩阵的特征向量和特征值构成的对角阵；对协方差矩阵进行特征分解获得M个特征向量按照由大到小的顺序进行排序；从排列的结果中取前N个特征值组成的特征向量∑_S，对应用的子空间取从第N+1到第M个元素作为向量∑_N；利用信号部分组成的矢量和噪声部分组成的矢量的正交性获得：

a^H(θ)U_N＝0 (4)

其中，a^H为阵列相位差的子空间；

5、对实际接收信号进行数学统计处理，获得：

其中，X^H为雷达天线接收到信息，L为快拍数，为实际输出的协方差矩阵，获得极大似然估计结果进行特征分析，获得两个子空间矢量和分别对应实际环境中得到的信号子空间部分和噪声子空间部分；

6、通过对分成的子空间进行搜索，峰值最大点的位置即目标点的位置。

进一步的，采用最小优化搜索来进行阵列信号波达方向估计，即：

进一步的，雷达天线网络中的阵列天线组的排列形式为从左到右依次排列的：收发一体天线阵列、三发发射阵元、两个接收阵元。发射阵元之间的间距为发射电磁波波长的0.5倍，两个接收阵元之间的间距为发射电磁波长的2倍。

进一步的，基于Bulter矩阵的雷达天线架构中的阵列天线的排列为：3个发射天线、2个接收天线和1个收发一体天线构成的级联天线阵列组，从左到右依次为收发一体天线、3个发送天线、2个接收天线；在发射和接收的阵列的过程中通过运用Bulter馈电网络对天线的方向性进行汇聚。这样可以探测到更为长的目标点。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明在时间域阶段是利用bulter馈电网络实现波束扫描实现的，相比于在一个波束下，在固定的具体的方向是实现波束赋形探测距离更远一些。

2、运用算法扫描的空间域阶段，是通过运用算法实现的，能够在一个角度范围内更为定位更多的目标点，更为精确的识别目标点信息。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；

图1是本申请中雷达天线架构排列形式示意图；

图2是本申请中基于Bulter矩阵的雷达架构示意图；

图3是本申请中算法流程示意图；

图4是本申请中算法仿真结果示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

请参考图1-图2，利用天线网络接收目标信号，利用算法对信号进行处理，获得目标点位置。阵列天线组的排列形式如图1所示，该图在第一个天线的位置处是收发一体天线阵列，采用级联的形式有三发发射阵元、两个接收阵元和一个收发一体阵元构成的天线阵列相当于组成了三发四收天线阵列架构。在排列上是发射阵元之间的间距为发射电磁波波长的0.5倍即两个接收阵元之间的间距为发射电磁波长的2倍。这样通过接收阵元发射和接收阵元之间的相位差可以有(0,dsinθ,2dsinθ,3dsinθ...11dsinθ)的排列关系。

通过运用图3所示的天线阵元算法流程图运行该算法程序。整个算法有时间脉冲信号进行控制，如以四为一个周期排列，第一时刻几个阵元组成的波束同时向一个方向发射和接收波束信号。信号接收空间中信号的范围是(0°,25°)，对信号进行粗略定位。通过四个阵列天线信号获取目标点的12组相位差信息。

子空间分解算法，对目标点进行具体定位如下：

子空间分解法是通过利用两个子空间的正交性构造出“尖峰”状的空间谱峰，从而提高算估计的分辨力。本发明采用的是子空间分类算法中的MUSIC算法对目标点进行定位。

1获取目标点的信号：

X＝A(θ)s(t)+N(t) (1)

其中：

X：接收到的目标信号，A是维度为M×N的空间阵列的流型矩阵A＝[a₁(w₀),...,a_N(w₀)]即阵列天线接收到的信号相位差矩阵，N(t)为噪声信号。

2得到阵列信号的协方差矩阵为

3其中R_s是信号s(t)的协方差矩阵，由于信号和噪声相互独立，数据协方差可分解为信号子空间和噪声子空间。然后我们对R进行特征分解，可以得到如下:

4对协方差矩阵进行特征值分解，通过输出矩阵的秩和特征值，由特征值构造出协方差矩阵的特征向量和特征值构成的对角阵。对协方差矩阵进行特征分解获得M个特征向量按照由大到小的顺序进行排序。从排列的结果中取前N个特征值组成的特征向量Σ_S，对应用的子空间取从第N+1到第M个元素作为向量Σ_N,即对应着噪声空间部分，由3式中U_S和U_N即分别对应着信号和噪声子空间部分，其分别由入射信号的信号部分和噪声部分张成矢量形式形成的。假设在理想条件下，利用两者的正交性(信号部分组成的矢量和造成部分组成的矢量是相互正交的)即有：

a^H(θ)U_N＝0 (4)

5上述部分是算法的出发点，在很多实际情况中，阵列传感器对来向的空间入射信号进行接收，无法满足以上理想条件。通常我们的处理方式是对实际接收信号进行数学统计处理，有实际生活只能中用到的阵列包含有限个阵元传感器，可以对每个传感器的接收到的数据进行极大似然估计，通过统计均值来等效的理想情况下的取值，可以得到：

上式中L是快拍数，先对每个传感器接收到的空间入射信息求协方差，之后对其加和，总共第L个，再取均值，达到极大似然估计的目的。并用求出的实际输出的协方差矩阵进行分析。得到极大似然估计结果进行特征分析，同理，会得到两个子空间矢量和分别对应实际环境中得到的信号子空间部分和噪声子空间部分。

6获取目标点，为了得到准确的估算结果，需要改变处理搜索的方式，采用最小优化搜索来进行阵列信号波达方向估计，即

发明举例：

如果bulter矩阵对四个相位进行馈电，如：上述三发四收阵列，一次能够探测的目标的数目是(3×4-1)乘以空间扫描。如果空间扫描为4(即：一个空间扫可以将空间划分为4块)可以接收到的最大目标数目为44个。如图4在一个空间下对算法识别数目进行举例，如图4所示目标点分别放在10°和20°，能够很好探测。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.基于馈电网络的时域空间域结合的雷达目标检测方法，其特征在于，所述方法包括：

利用馈电网络的时间特性，在空间中探索目标点的大体方位，通过利用时间信号获取目标点位置粗略位置，在对天线信号进行聚焦，利用接收信号之间的相位关系利用子空间分解算法，获取目标点具体位置信息，包括：

1、获取目标点的信号：

X＝A(θ)s(t)+N(t) (1)

其中：X为接收到的目标信号，A为维度为M×N的空间阵列的流型矩阵A＝[a₁(w₀),...,a_N(w₀)]，即阵列天线接收到的信号相位差矩阵，N(t)为噪声信号；a_N为接收信号的相位，w₀为目标点信息，θ为目标点反射角度；

2、获得阵列信号的协方差矩阵为：

其中，R_s是信号s(t)的协方差矩阵，数据协方差可分解为信号子空间和噪声子空间；

3、对R进行特征分解，获得：

其中，U_S和U_N分别对应着信号和噪声子空间部分，为信号子空间，为噪声子空间；

4、对协方差矩阵进行特征值分解，通过输出矩阵的秩和特征值，由特征值构造出协方差矩阵的特征向量和特征值构成的对角阵；对协方差矩阵进行特征分解获得M个特征向量按照由大到小的顺序进行排序；从排列的结果中取前N个特征值组成的特征向量∑_S，对应用的子空间取从第N+1到第M个元素作为向量∑_N；利用信号部分组成的矢量和造成部分组成的矢量的正交性获得：

a^H(θ)U_N＝0 (4)

其中，a^H阵列相位差的子空间；

5、对实际接收信号进行数学统计处理，获得：

其中，X^H为雷达天线接收到信息，L为快拍数，为实际输出的协方差矩阵，获得极大似然估计结果进行特征分析，获得两个子空间矢量和分别对应实际环境中得到的信号子空间部分和噪声子空间部分；

6、通过对分成的子空间进行搜索，峰值最大点的位置即目标点的位置。

2.根据权利要求1所述的基于馈电网络的时域空间域结合的雷达目标检测方法，其特征在于，采用最小优化搜索来进行阵列信号波达方向估计，即：

3.根据权利要求1所述的基于馈电网络的时域空间域结合的雷达目标检测方法，其特征在于，雷达天线网络中的阵列天线组的排列形式为从左到右依次排列的：收发一体天线阵列、三发发射阵元、两个接收阵元。

4.根据权利要求3所述的基于馈电网络的时域空间域结合的雷达目标检测方法，其特征在于，发射阵元之间的间距为发射电磁波波长的0.5倍，两个接收阵元之间的间距为发射电磁波长的2倍。

5.根据权利要求1所述的基于馈电网络的时域空间域结合的雷达目标检测方法，其特征在于，基于Bulter矩阵的雷达天线架构中的阵列天线的排列为：3个发射天线、2个接收天线和1个收发一体天线构成的级联天线阵列组，从左到右依次为收发一体天线、3个发送天线、2个接收天线；在发射和接收的阵列的过程中通过运用Bulter馈电网络对天线的方向性进行汇聚。