CN109001708B - 基于分级积累检测的雷达机动目标快速精细化处理方法 - Google Patents
基于分级积累检测的雷达机动目标快速精细化处理方法 Download PDFInfo
- Publication number
- CN109001708B CN109001708B CN201810881488.1A CN201810881488A CN109001708B CN 109001708 B CN109001708 B CN 109001708B CN 201810881488 A CN201810881488 A CN 201810881488A CN 109001708 B CN109001708 B CN 109001708B
- Authority
- CN
- China
- Prior art keywords
- detection
- optimal
- distance
- domain
- target
- 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.)
- Active
Links
Images
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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及基于分级积累检测的雷达机动目标快速精细化处理方法,属于雷达信号处理和检测技术领域。首先进行傅立叶变换,与高虚警概率条件下的第一级门限比较,然后将过门限后的距离单元回波并行经过分数阶傅立叶变换和分数阶模糊函数运算,选取较大的输出信杂比所对应的最佳变换域,形成距离‑最佳变换域二维数据,并将其幅值作为检测统计量,与低虚警概率条件下的第一级门限进行比较判决,完成机动目标检测。本发明仅在超过第一级门限的少数几个距离单元内进行处理,从而在保证较高检测性能的同时降低运算量,并能准确估计出机动目标的多个运动参数,如速度、加速度和急动度等,实现机动目标的快速精细化处理。
Description
技术领域
本发明属于雷达信号处理和检测技术领域,更具体地,本发明涉及一种基于分级积累检测的雷达机动目标快速精细化处理方法,可用于机动目标雷达检测和估计。
背景技术
雷达作为目标探测和监视的主要手段,在空中和海面目标监视以及预警探测等公共和国防安全领域应用广泛。受杂波环境及目标复杂运动特性的影响,运动目标雷达回波极其微弱、特性复杂,具有低可观测性,使得雷达对动目标尤其是机动目标的探测性能难以满足实际需求。复杂背景下机动目标的可靠快速的检测和估计技术成为影响雷达性能的关键制约因素。随着雷达信号处理技术的发展,雷达具备获取精细化目标特征的能力,通过扩展信号维度,为进一步提高雷达机动目标检测和识别提供了新的途径。目前,雷达机动目标检测主要存在以下几个难点:
1)机动目标的回波信杂比(Signal-to-Clutter Ratio,SCR)通常较低,且具有时变和非平稳特性,回波具有高阶相位和高次调频特性,传统的基于滤波器组处理的动目标检测(moving target detection,MTD)方法适用于分析匀速运动目标,对于机动目标检测,积累后的回波频谱将跨越多个多普勒单元,能量发散,难以在单一多普勒通道形成峰值,检测性能下降。
2)将一维频域处理扩展为时间-频率二维处理,即基于时频分析的雷达动目标检测方法能够反映信号多普勒随时间的变化,是MTD方法的二维扩展,如短时傅里叶变换(Short-Time Fourier Transform,STFT)、Wigner-Vill分布(Wigner-Vill Distribution,WVD)等,已用于特征提取、目标成像和识别中,但该类方法仍存在时频聚集程度低、分辨率有限、部分受交叉影响等缺点,难以满足实际要求。此外,该类方法多为信号的匹配增强方法,时频变换需与目标运动特性相匹配,但在实际中动目标信号复杂,积累增益下降。
3)通常可延长积累时间,获取更多的回波脉冲数,增加目标的能量,提高对动目标的精细化描述能力,但长积累时间观测以及高采样频率使得回波脉冲数极大增多,使得算法运算量增大,耗费大量的雷达信号处理资源,处理性能下降,高的检测性能和运算效率难以兼顾。
因此,亟需发展和研究适合机动目标的快速、可靠检测方法和手段,并且能够精确估计目标的运动状态和参数,从而为机动目标的精细化描述奠定基础。
传统的动目标检测方法可基于快速傅里叶变换(Fast Fourier Transform,FFT)实现,在运算效率方面有一定的优势,但针对具有时变非平稳特性的机动目标回波则难以适用,多普勒展宽,检测性能下降。分数阶变换方法以LFM作为基函数,介于时域和频域之间的任意分数域表征,能够反映多普勒的变化规律,非常适于处理时变的非平稳信号,且无交叉项的干扰,如分数阶傅里叶变换(Fractional FT,FRFT)和分数阶模糊函数(FractionalAmbiguity Function,FRAF),但由于需要进行二维参数搜索,使其难以适合大范围雷达回波处理(多距离单元)。
本发明专利提出一种基于分级积累检测的雷达机动目标快速精细化处理方法,综合利用MTD和FRFT、FRAF的优势,采用两级门限处理,即首先采用MTD处理通过较高的虚警概率条件下的门限(第一级门限),筛选出可能有机动目标的距离单元,然后将这些距离单元的回波并行经过FRFT和FRAF运算,通过最佳变换域输出SCR的比较,判断机动目标回波与哪种变换匹配最佳,从而在相应的距离-最佳变换域进行恒虚警检测(第二级门限),并进行运动参数估计,由于仅在超过第一级门限的少数几个距离单元内进行处理,从而在保证较高检测性能的同时降低运算量,并能准确估计出机动目标的多个运动参数,如速度、加速度和急动度等,实现机动目标的快速精细化处理。
发明内容
本发明的目的在于改善雷达机动目标的检测和参数估计性能,并且提高运算效率,提出一种基于分级积累检测的雷达机动目标快速精细化处理方法。其中要解决的技术问题包括:
(1)机动目标的回波SCR低,且具有时变特性,传统的MTD方法适用于分析匀速运动目标,对于机动目标检测,积累后的回波频谱将跨越多个多普勒单元,能量发散,难以在单一多普勒通道形成峰值,检测性能下降。
(2)基于时频分析的雷达动目标检测方法存在时频聚集程度低、分辨率有限、部分算法受交叉项影响等缺点,难以满足实际要求。
(3)长积累时间观测以及高采样频率使得回波脉冲数增多,使得算法运算量增大,耗费大量的雷达信号处理资源,处理性能下降,高的检测性能和运算效率难以兼顾。
本发明所述的基于分级积累检测的雷达机动目标快速精细化处理方法,其特征在于包括以下技术措施:
步骤一、雷达回波距离向脉压,存储脉压后的距离-脉冲二维回波数据;
步骤二、第一级积累检测:对同一距离单元的脉冲数据进行傅里叶变换,实现脉间积累,将距离-多普勒二维数据与高虚警概率条件下的门限进行比较,存储过门限的距离单元号,进而从步骤一的输出中构建过第一级检测门限所对应的距离单元-脉冲回波数据;
步骤三、第二级积累检测:将步骤二输出的同一距离单元的脉冲数据分别经过不同变换角条件下的分数阶傅里叶变换和分数阶模糊函数运算,计算最佳分数阶傅里叶变换域和最佳分数阶模糊函数域的输出信杂比,选取较大的输出信杂比所对应的最佳变换域,遍历所有的步骤二输出的距离单元,形成距离-最佳变换域二维数据,并将其幅值作为检测统计量,与低虚警概率条件下的门限进行比较判决,完成机动目标检测。
对比现有技术,本技术方案所述的基于分级积累检测的雷达机动目标快速精细化处理方法,有益效果在于:
(1)该方法能够有效处理具有线性调频和二次调频特性的机动目标信号(匀加速和变加速目标),在机动目标的最佳变换域进行检测,能够将发散的频谱集聚,改善SCR,有效提高了雷达机动目标检测性能;
(2)该方法综合利用MTD和FRFT、FRAF的优势,通过第一级积累检测,筛选出可能有机动目标的距离单元进行后续处理,相比所有距离单元进行分数阶变换运算的方法,运算效率将得到明显提高,适合工程应用;
(3)该方法能够估计出机动目标的主要运动参数,如速度、加速度和急动度等,从而实现对机动目标回波的精细化处理。
附图说明
附图是基于分级积累检测的雷达机动目标快速精细化处理方法的实施流程图。
具体实施方式
以下结合说明书附图对本发明作进一步详细描述。参照说明书附图,本发明的处理流程分以下步骤:
1)雷达回波距离向脉压
在相参雷达接收端,将接收并经过放大处理后得到的雷达回波数据进行距离向和方位向采样,通常距离向采样间隔等于雷达距离分辨单元,方位向采样频率等于脉冲重复频率,以保证在距离向和方位向的信号处理时间中,运动目标的回波能够被完整采集,对距离向的雷达回波数据进行解调处理sIF(t,tm),可采用雷达发射信号作为解调参考信号
式中,t为脉内快时间,tm为脉间慢时间,sr(t,tm)为回波信号,st(t)为雷达发射信号,‘*’表示复共轭运算。将解调后的雷达回波数据进行脉冲压缩处理,得到脉内积累后的雷达回波数据sPC(t,tm),
式中,Rs(tm)为雷达与目标的视线距离,Ar是回波幅度,2Rs(tm)/c为时间延迟,B为发射信号带宽,c代表光速,λ为信号波长。假设目标朝向雷达运动,且仅考虑径向速度分量,则目标的距离走动为时间的多项式函数,
式中,和分别表示匀加速运动和变加速运动的径向距离,r0表示初始距离,v0、as、gs为矢量,分别代表目标运动初速度、加速度和急动度,存储距离-脉冲二维数据矩阵SM×N={sPC(i,j)|i=1,2,...,M;j=1,2,...,N},M为距离单元数,N为所有回波脉冲的个数。
2)第一级积累检测
从距离-脉冲二维数据矩阵中选取同一距离单元的N1∈[2,N]个脉冲数据,进行傅里叶变换,实现脉间积累,
SMTD=∫sPC(t,tm)exp(-j2πfdtm)dtm
将距离-多普勒二维数据SMTD={SMTD(i,j)|i=1,2,...,M;j=1,2,...,N1}与高虚警概率条件下(通常虚警概率不小于10-2)的检测门限(低门限)进行比较,
式中,M1表示超过第一级门限的距离单元个数。
3)第二级积累检测
将步骤二的输出中选取同一距离单元的N2∈[2,N]个脉冲数据分别经过不同变换角条件下的FRFT和FRAF运算,即
式中,α∈(-π,π]是旋转角,τ0为常数表示延迟,由待检测的目标初始距离r0确定,即τ0=2r0/c,Kα(tm,u)表示核函数
对于观测时间范围内某一距离单元i=1,2,...,M1的匀加速运动目标回波f1(tm)|ri,其初始距离为ri,回波可建模为线性调频信号(Linear Frequency Modulated,LFM)
由式(1)和式(2)可知,若待检测的运动目标为匀加速运动目标,则可在FRFT域形成峰值,能量得到最佳聚集,而变加速运动目标在FRFT域得不到最佳积累,能量发散;若待检测的运动目标为变加速运动目标,则可在FRAF域形成峰值,能量得到最佳聚集,对于匀加速运动目标回波也可在FRAF域形成峰值,但峰值位置位于处,容易与杂波和噪声等回波的FRAF峰值混叠,从而不利于检测。综上,匀加速运动的动目标将在FRFT域得到最佳积累,而变加速运动的动目标将在FRAF域得到最佳积累。
定义最佳变换域输出信杂比(SCR)为
比较最佳FRFT域输出信杂比和最佳FRAF域输出信杂比选取较大的输出信杂比所对应的最佳变换域,最佳FRFT域或最佳FRAF域,遍历所有步骤二输出的距离单元,形成不同距离单元回波信号的M1×N2维最佳FRFT谱或最佳FRAF谱,
式中,η2为检测门限,由虚警概率确定,如果检测统计量低于检测门限,判决为该距离单元没有机动目标,若检测统计量高于检测门限,则判决为该距离单元存在机动目标。
4)目标运动参数估计
Claims (5)
1.基于分级积累检测的雷达机动目标快速精细化处理方法,其特征在于,包括以下步骤:
步骤一、雷达回波距离向脉压,存储脉压后的距离-脉冲二维回波数据;
步骤二、第一级积累检测:对同一距离单元的脉冲数据进行傅里叶变换,实现脉间积累,将距离-多普勒二维数据与高虚警概率条件下的门限进行比较,存储过门限的距离单元号,进而从步骤一的输出中构建过第一级检测门限所对应的距离单元-脉冲回波数据;
2.根据权利要求1所述的基于分级积累检测的雷达机动目标快速精细化处理方法,其特征在于,步骤二所述的第一级积累检测的计算方法为:
从步骤一的输出中选取同一距离单元的N1∈[2,N]个脉冲数据,N为所有回波脉冲的个数,进行傅里叶变换,实现脉间积累,
SMTD=∫sPC(t,tm)exp(-j2πfdtm)dtm
式中,sPC(t,tm)脉内积累后的雷达回波数据,t为脉内快时间,tm为脉间慢时间,将距离-多普勒二维数据SMTD={SMTD(i,j)|i=1,2,...,M;j=1,2,...,N1}与高虚警概率条件下的检测门限进行比较,
式中,M1表示超过第一级门限的距离单元个数。
3.根据权利要求2所述的基于分级积累检测的雷达机动目标快速精细化处理方法,其特征在于,步骤三所述的最佳分数阶傅里叶变换域和最佳分数阶模糊函数域计算方法为:
4.根据权利要求3所述的基于分级积累检测的雷达机动目标快速精细化处理方法,其特征在于,步骤三所述的机动目标检测方法为:
比较最佳分数阶傅立叶变换域输出信杂和最佳分数阶模糊函数域输出信杂比选取大输出信杂比所对应的最佳变换域,遍历所有步骤二输出的距离单元,形成不同距离单元回波信号的M1×N2维最佳分数阶傅立叶变换谱或最佳分数阶模糊函数谱,N2∈[2,N]为最佳分数阶傅立叶变换域或最佳分数阶模糊函数域信号长度,
式中,η2为检测门限,由虚警概率确定,如果检测统计量低于检测门限,判决为该距离单元没有机动目标,若检测统计量高于检测门限,则判决为该距离单元存在机动目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810881488.1A CN109001708B (zh) | 2018-08-05 | 2018-08-05 | 基于分级积累检测的雷达机动目标快速精细化处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810881488.1A CN109001708B (zh) | 2018-08-05 | 2018-08-05 | 基于分级积累检测的雷达机动目标快速精细化处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109001708A CN109001708A (zh) | 2018-12-14 |
CN109001708B true CN109001708B (zh) | 2020-09-04 |
Family
ID=64595293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810881488.1A Active CN109001708B (zh) | 2018-08-05 | 2018-08-05 | 基于分级积累检测的雷达机动目标快速精细化处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109001708B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109089B (zh) * | 2019-04-28 | 2021-04-13 | 中国电子科技集团公司第二十八研究所 | 一种线性调频连续波探测系统距离测量精度的改进方法 |
CN110531332B (zh) * | 2019-07-02 | 2023-02-21 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于分段门限的低空慢速小目标检测方法 |
CN110208785B (zh) * | 2019-07-03 | 2022-08-05 | 中国人民解放军海军航空大学 | 基于稳健稀疏分数阶傅立叶变换的雷达机动目标快速检测方法 |
RU2730182C1 (ru) * | 2019-08-19 | 2020-08-19 | Иван Васильевич Колбаско | Способ многообзорного накопления сигнала в рлс при обнаружении воздушных целей в импульсно-доплеровском режиме |
CN112180354B (zh) * | 2020-09-29 | 2022-08-16 | 武汉大学 | 一种利用时频分析和恒虚警技术的高频雷达目标联合检测方法 |
CN112485783B (zh) * | 2020-09-29 | 2024-05-10 | 北京清瑞维航技术发展有限公司 | 目标探测方法、装置、计算机设备和存储介质 |
CN112363120B (zh) * | 2020-11-03 | 2022-10-25 | 中国人民解放军海军航空大学 | 基于二维分数阶傅里叶变换的移频干扰鉴别方法 |
CN112710997B (zh) * | 2020-12-08 | 2022-12-02 | 中国人民解放军海军航空大学 | 一种扫描模式下雷达机动目标检测方法及系统 |
CN114089307B (zh) * | 2022-01-18 | 2022-04-26 | 中国人民解放军空军预警学院 | 一种目标及干扰条件下的雷达检测和分类方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098074B (zh) * | 2011-02-15 | 2014-04-09 | 北京理工大学 | 一种用于直接序列扩频系统的高动态弱信号快速捕获方法 |
CN102866391B (zh) * | 2012-09-05 | 2014-08-27 | 中北大学 | 基于短时傅里叶变换和分数阶傅里叶变换的多目标检测方法 |
CN103176178B (zh) * | 2013-02-04 | 2014-11-19 | 中国人民解放军海军航空工程学院 | 雷达动目标Radon-分数阶傅里叶变换长时间相参积累检测方法 |
CN103675759B (zh) * | 2013-11-27 | 2016-03-09 | 杭州电子科技大学 | 一种改进的分数阶傅里叶变换机动弱目标检测方法 |
CN104076355B (zh) * | 2014-07-04 | 2016-08-24 | 西安电子科技大学 | 基于动态规划的强杂波环境中弱小目标检测前跟踪方法 |
CN104502898B (zh) * | 2014-12-09 | 2017-08-11 | 中国民航大学 | 将修正rft和修正mdcft相结合的机动目标参数估计方法 |
CN104793211A (zh) * | 2015-04-24 | 2015-07-22 | 芜湖航飞科技股份有限公司 | 一种风廓线雷达干扰抑制方法 |
CN105158748B (zh) * | 2015-07-29 | 2017-06-06 | 中国人民解放军海军航空工程学院 | 一种高速目标多通道补偿聚焦与tbd混合积累检测方法 |
CN105301590B (zh) * | 2015-11-03 | 2017-08-29 | 南京信息职业技术学院 | 一种机动目标调频步进逆合成孔径成像方法 |
CN105652258B (zh) * | 2016-03-15 | 2018-01-12 | 中国人民解放军海军航空工程学院 | 多项式拉东‑多项式傅里叶变换的高超声速目标检测方法 |
CN106872974B (zh) * | 2017-01-23 | 2019-07-09 | 西安电子科技大学 | 基于高超声速平台双通道雷达的高精度运动目标成像方法 |
-
2018
- 2018-08-05 CN CN201810881488.1A patent/CN109001708B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109001708A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001708B (zh) | 基于分级积累检测的雷达机动目标快速精细化处理方法 | |
CN111352102B (zh) | 一种基于调频连续波雷达的多目标个数检测方法及装置 | |
CN102156282B (zh) | 一种基于微多普勒效应的雷达目标检测方法 | |
CN110208785B (zh) | 基于稳健稀疏分数阶傅立叶变换的雷达机动目标快速检测方法 | |
CN107450055B (zh) | 基于离散线性调频傅立叶变换的高速机动目标检测方法 | |
CN112505648A (zh) | 基于毫米波雷达回波的目标特征提取方法 | |
CN103885057B (zh) | 自适应变滑窗多目标跟踪方法 | |
CN103245937A (zh) | 基于微多普勒效应的微动目标特征提取方法 | |
CN111610501B (zh) | 对海雷达小目标检测方法 | |
CN103176178A (zh) | 雷达动目标Radon-分数阶傅里叶变换长时间相参积累检测方法 | |
CN112180354B (zh) | 一种利用时频分析和恒虚警技术的高频雷达目标联合检测方法 | |
CN111123214B (zh) | 多项式旋转-多项式傅里叶变换的高速高机动目标检测方法 | |
CN110609262A (zh) | 一种场面监视雷达的三维恒虚警检测方法 | |
CN110133632B (zh) | 一种基于cwd时频分析的复合调制信号识别方法 | |
CN103344947A (zh) | 基于微多普勒效应的微动目标特征提取方法 | |
CN110161477B (zh) | 基于多变量重采样相关函数的机动目标检测方法 | |
CN103777189A (zh) | 一种基于信息几何复自回归模型的雷达弱目标检测方法 | |
CN109061625B (zh) | 一种距离速度匹配的运动目标检测方法 | |
CN111665489A (zh) | 一种基于目标特性的线谱提取方法 | |
CN111580063B (zh) | 基于广义解调频-楔形变换的雷达目标检测方法 | |
CN112904302B (zh) | 网格化frft域雷达目标检测与多级联合虚警剔除方法 | |
CN108896971B (zh) | 一种海面漂浮小目标回波的仿真方法 | |
Wang et al. | Small target detection in sea clutter based on Doppler spectrum features | |
KR20140040422A (ko) | Data Matrix Bank Filter를 이용한 이동체용 레이더의 클러터 제거기 및 제거방법 | |
Chen et al. | Fast and Reftned Radar Processing for Maneuvering Target via Two-Stage Integration Detection |
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 |