CN111505599A - 一种基于精确距离演化模型的相参积累检测方法 - Google Patents
一种基于精确距离演化模型的相参积累检测方法 Download PDFInfo
- Publication number
- CN111505599A CN111505599A CN202010375413.3A CN202010375413A CN111505599A CN 111505599 A CN111505599 A CN 111505599A CN 202010375413 A CN202010375413 A CN 202010375413A CN 111505599 A CN111505599 A CN 111505599A
- Authority
- CN
- China
- Prior art keywords
- search
- distance
- target
- velocity
- coherent accumulation
- 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
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
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于精确距离演化模型的相参积累检测方法、计算机设备及计算机可读存储介质,该方法包括:对雷达回波数据进行解调和脉冲压缩处理;设置相参积累过程中的搜索参数;进行基于精确距离演化模型的三维联合搜索,对每一组搜索参数,根据精确距离演化模型确定搜索轨迹,在距离‑慢时间平面上抽取目标采样,补偿脉冲间的相位波动并进行脉冲积累叠加,获得相应的积累输出,进而得到距离‑多普勒‑速度域中的输出矩阵;进行恒虚警率检测;进行目标运动参数和运动轨迹的估计。本发明解决了基于多项式运动模型的相参积累方法由于模型失配导致的失效能量积累问题,能够有效实现对恒定笛卡尔速度运动目标的长时间相参积累、目标检测和参数估计。
Description
技术领域
本发明涉及雷达检测技术领域,尤其涉及一种基于精确距离演化模型的相参积累检测方法、计算机设备及计算机可读存储介质。
背景技术
大量高速低可探测目标的出现,给雷达检测造成了极大阻碍。为了提高雷达对此类目标的探测性能,长时间相参积累检测是一种不可或缺的技术。在积累时间内,目标运动的高速性和强机动性会导致距离走动和多普勒走动效应的产生,使得传统的动目标检测(MovingTarget Detection,MTD)方法性能急剧下降。
目前,为了有效探测低信噪比目标(例如,远距离目标或隐身目标)和高速高机动目标(例如,弹道导弹、喷射战斗机等),通常采用具有距离走动校正和/或多普勒走动补偿的长时间相参积累检测方法。然而,现有的长时间相参积累检测方法往往直接在距离坐标系建立目标运动模型,从而导致其目标运动模型是关于慢时间的有限阶多项式模型。这一模型在实际应用中容易被违背。同时,在笛卡尔坐标系中,由于极坐标系和笛卡尔坐标系间的非线性关系,真实运动目标的距离随时间演化的函数是高度非线性的,比如常见的恒定笛卡尔速度运动(例如,巡航状态的飞行目标),通常情况下目标的运动不会沿着雷达视线方向进行运动,而是与雷达视线间有一定的夹角,所以该目标的距离随时间的演化函数并不能通过有限阶的多项式来准确描述。为了实现模型的精确建立,需要无穷阶的多项式模型,但这是不切实际的。因此,针对恒定笛卡尔速度运动目标的长时间积累问题,目前基于有限阶多项式运动模型的长时间相参积累检测方法存在模型失配导致的失效能量积累问题,不能够保证最优的积累增益,无法实现对恒定笛卡尔速度目标的有效积累和精确参数估计。
发明内容
本发明的目的是针对常见的恒定笛卡尔速度运动目标,通过建立目标距离随时间的精确演化方程,提出一种基于精确距离演化模型的长时间相参积累检测方法。
为了实现上述目的,本发明提供了一种基于精确距离演化模型的相参积累检测方法,包括如下步骤:
S1、获取雷达观测的原始回波数据,进行解调和脉冲压缩处理,得到用于相参积累处理的脉压回波数据;
S2、设置相参积累过程中的搜索参数;
S3、进行基于精确距离演化模型的三维联合搜索,对每一组搜索参数,根据精确距离演化模型确定搜索轨迹,抽取在距离-慢时间平面上的目标采样,补偿脉冲间的相位波动并进行脉冲积累叠加,获得相应的积累输出,进而得到距离-多普勒-速度域中的输出矩阵;
S4、给定虚警概率,进行恒虚警率检测,根据输出矩阵判断是否检测到目标;
S5、判断检测到目标后,根据输出矩阵得到距离-多普勒-速度域中对应的尖峰坐标,完成目标运动参数的估计和目标运动轨迹的估计并输出。
其中,
其中,A1为目标的散射强度,τ=2r(tm)/c为回波的延迟时间,c表示光速,r(tm)表示tm时刻目标与雷达间的斜距,tm=mTr(m=0,1,...,M-1)表示慢时间,M为积累脉冲数,Tr为脉冲重复周期;
其中,
A2表示脉冲压缩后信号的幅度,λ=c/fc表示雷达波长;
所述步骤S1中,原始回波数据为慢时间与距离平面的二维矩阵sr(m,n)(m=0,1,...,M-1;n=0,1,...,N-1),其中m、n分别表示脉冲维、距离维,M是积累脉冲数,N是距离单元数;进行解调和脉冲压缩处理后,得到脉压回波数据s(m,n)。
优选地,所述步骤S2进一步包括:
S2-1、确定目标的距离、径向速度和速度的搜索范围,分别表示为[rmin,rmax]、和[vmin,vmax],其中rmin和rmax分别表示最小搜索距离和最大搜索距离,和分别表示最小搜索径向速度和最大搜索径向速度,vmin和vmax分别表示最小搜索速度和最大搜索速度;
S2-3、确定目标的距离、径向速度和速度的搜索数目,分别表示为:
其中round(·)表示取整操作,取整方法是四舍五入;
S2-4、得到离散化的搜索距离、搜索径向速度和搜索速度,分别表示为:
ri=rmin+iΔr,i=0,1,...,Nr-1
优选地,所述步骤S3进一步包括:
S3-2、根据搜索轨迹及脉压回波数据,抽取在距离-慢时间平面上的目标采样,表达式为:
其中XM(m)表示被抽取的目标采样;
S3-3、对每一组目标采样XM(m),补偿脉冲间的相位波动,并基于精确距离演化模型进行脉冲积累叠加,获得相应的积累输出,表达式为:
S3-4、遍历所有的搜索参数,重复上述步骤S3-1至步骤S3-3,得到在距离-多普勒-速度域中的输出矩阵。
优选地,所述步骤S3-1中,对一组搜索参数,在根据精确距离演化模型确定搜索轨迹前,比较该组搜索参数中搜索径向速度和搜索速度的平方值大小,若搜索径向速度的平方值大于搜索速度的平方值,则直接处理下一组搜索参数。
优选地,所述步骤S4中进行恒虚警率检测时,表达式为:
其中η表示恒虚警率检测门限,H1对应目标存在,H0对应目标不存在。
优选地,所述步骤S4中进行恒虚警率检测时,采用具有自适应恒虚警率检测门限的单元平均恒虚警率检测方法。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述基于精确距离演化模型的相参积累检测方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述基于精确距离演化模型的相参积累检测方法的步骤。
本发明的上述技术方案具有如下优点:本发明提供了一种基于精确距离演化模型的相参积累检测方法、计算机设备及计算机可读存储介质,本发明利用与恒定笛卡尔速度运动相对应的精确距离演化模型进行相参积累,在距离-慢时间平面上抽取目标采样,并补偿脉冲间的相位波动,同时消除了积累过程中的高度非线性距离走动和复杂的多普勒走动,避免基于泰勒展开进行近似而引起的模型失配,实现了对恒定笛卡尔速度运动目标的有效能量积累和精确的运动参数估计。
附图说明
图1是本发明实施例中一种基于精确距离演化模型的相参积累检测方法步骤图;
图2是本发明实施例中一种基于精确距离演化模型的相参积累检测方法流程图;
图3是RFT方法和GRFT方法的积累结果图;
图4是本发明实施例中基于精确距离演化模型的相参积累检测方法的单目标积累结果图;
图5是本发明实施例中基于精确距离演化模型的相参积累检测方法的多目标积累结果图;
图6是本发明实施例中基于精确距离演化模型的相参积累检测方法与RFT方法和GRFT方法的检测性能曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1和图2所示,本发明实施例提供的一种基于精确距离演化模型的相参积累检测方法,包括如下步骤:
S1、获取雷达观测的原始回波数据,进行解调处理和脉冲压缩处理,得到用于相参积累处理的脉压回波数据。
其中,
其中,A1为目标的散射强度,τ=2r(tm)/c为回波的延迟时间,c表示光速,r(tm)表示tm时刻运动的目标与雷达间的斜距,tm=mTr(m=0,1,...,M-1)表示慢时间,M为积累脉冲数,Tr为脉冲重复周期。
其中,
A2表示脉冲压缩后信号的幅度,λ=c/fc表示雷达波长。
在雷达观测期间,原始的回波数据被采样并存储为一个在脉冲数与距离平面的二维矩阵sr(m,n)(m=0,1,...,M-1;n=0,1,...,N-1),即步骤S1中,原始回波数据为脉冲数与距离平面的二维矩阵sr(m,n),其中m、n分别表示脉冲维、距离维,M是积累脉冲数,N是距离单元数。经过解调和脉冲压缩后,得到用于相参积累处理的脉压回波数据s(m,n),通过解调处理和脉冲压缩处理,从而实现脉内能量积累。
S2、设置相参积累过程中的搜索参数。
S2-1、确定目标的距离、径向速度和速度的搜索范围,分别表示为[rmin,rmax]、和[vmin,vmax],其中rmin和rmax分别表示最小搜索距离和最大搜索距离,和分别表示最小搜索径向速度和最大搜索径向速度,vmin和vmax分别表示最小搜索速度和最大搜索速度。目标的距离、径向速度和速度的搜索范围可基于雷达观测数据,以及目标的一些先验信息和运动特性确定。
S2-2、确定目标的距离、径向速度和速度的搜索间隔。距离分辨率为ρr=c/(2B),多普勒分辨率为ρd=1/T,因此,在雷达系统参数确定后,目标的距离、径向速度和速度的搜索间隔分别可以确定为Δr=c/(2B)、和其中c表示光速,λ为雷达波长,B为信号带宽,T为相参积累时间。
S2-3、确定目标的距离、径向速度和速度的搜索数目,分别表示为:
其中round(·)表示取整操作,取整方法是四舍五入。
S2-4、得到离散化的搜索距离、搜索径向速度和搜索速度,分别表示为:
ri=rmin+iΔr,i=0,1,...,Nr-1
S3、进行基于精确距离演化模型的三维联合搜索,对步骤S2中得到的每一组搜索参数根据精确距离演化模型确定其对应的搜索轨迹,抽取步骤S1中得到的脉压回波数据在距离-慢时间平面的目标采样,补偿脉冲间的相位波动并进行脉冲积累叠加,获得相应的积累输出,进而得到距离-多普勒-速度域中的输出矩阵。
步骤S3旨在基于精确距离演化模型进行相参积累处理,遍历所有的搜索参数来获得在距离-多普勒-速度域中的积累输出。当目标存在时,搜索距离、搜索径向速度、搜索速度在最接近目标初始距离、初始径向速度、速度的位置出现尖峰。
假设雷达观测区域内有一个恒定笛卡尔速度为(vx,vy)的目标从初始位置(x0,y0)运动,雷达在坐标原点处观测目标。根据恒笛卡尔速度运动的假设,可以得到:
其中x0和vx是目标在X轴方向上初始距离和速度,y0和vy是目标在Y轴方向上初始距离和速度,x(tm)表示tm时刻目标在X轴方向上的距离,y(tm)表示tm时刻目标在Y轴方向上的距离。
在雷达观测期间,tm时刻目标与雷达间的斜距r(tm),也即恒定笛卡尔速度运动对应的精确距离演化方程,可表示为:
根据上述恒定笛卡尔速度运动对应的精确距离演化方程,基于精确距离演化模型的相参积累可表示为:
在优选的实施方式中,步骤S3进一步包括:
S3-2、根据步骤S3-1确定的搜索轨迹及步骤S1得到的脉压回波数据,抽取在距离-慢时间平面上的目标采样,表达式为:
其中XM(m)表示被抽取的目标采样。当且仅当搜索参数与目标实际运动参数一致时,沿着实际目标运动轨迹在距离-慢时间平面上的信号能量才能被抽取,从而消除运动目标在积累过程中引起的高度非线性距离走动效应。
S3-3、对每一组目标采样XM(m),补偿其脉冲间的相位波动来消除复杂的多普勒走动效应,并基于精确距离演化模型进行脉冲积累叠加,获得相应的积累输出,表达式为:
S3-4、遍历所有的搜索参数,重复上述步骤S3-1至S3-3,得到在距离-多普勒-速度域中的输出矩阵。输出矩阵中包括各组搜索参数对应的积累输出。
进一步地,由于目标径向速度的绝对值小于或等于速度的绝对值,因此,在进行相参积累处理时,可以排除掉搜索速度小于搜索径向速度绝对值的情况。如图2所示,步骤S3-1中,对一组搜索参数在根据精确距离演化模型确定搜索轨迹前,先比较该组搜索参数中搜索径向速度和搜索速度的平方值大小,若该组搜索参数中,搜索径向速度的平方值大于搜索速度的平方值(即不满足目标径向速度的绝对值小于或等于速度的绝对值),则不必再考虑该组搜索参数的搜索轨迹,直接转为处理下一组搜索参数。
S4、给定虚警概率,进行恒虚警率检测,根据输出矩阵判断是否检测到目标。
优选地,步骤S4中,在给定虚警概率条件下,进行恒虚警率检测时,表达式为:
进一步地,步骤S4中进行恒虚警率检测时,采用具有自适应恒虚警率检测门限的单元平均恒虚警率检测方法(Cell Average Constant False Alarm Ratio,CA-CFAR)。以步骤S3得到的输出矩阵中每一组积累输出(每一组积累输出为输出矩阵中的一个单元)作为测试统计量,通过输出矩阵中该组积累输出周围的参考单元确定自适应恒虚警率检测门限,进行自适应门限检测,如果测试统计量小于或等于根据参考单元得到的恒虚警率检测门限,则判决为无目标,如果测试统计量大于根据参考单元得到的恒虚警率检测门限,则判决为检测到目标。参考单元的具体位置,以及恒虚警率检测的具体过程可参考现有技术,在此不再进一步赘述。
S5、判断检测到目标后,根据输出矩阵得到距离-多普勒-速度域中对应的尖峰坐标,完成目标运动参数的估计和目标运动轨迹的估计,输出估计所得目标运动参数及目标运动轨迹。
本发明提供的基于精确距离演化模型的相参积累检测方法为常见的恒定笛卡尔运动目标的有效探测提供了一条新途径。该相参积累检测方法使用精确距离演化模型代替近似的多项式模型,无需基于泰勒展开进行技术,使得该方法能够在可行的计算复杂度下对目标的速度不变量进行有效的能量积累,实现相参积累检测。同时,与现有的典型相参积累检测方法相比,该方法由于精确距离演化模型的精确匹配,不受积累时间、目标距离以及目标速度范围的限制。此外,该方法可以额外提供对恒定笛卡尔速度运动目标在速度域上的观测与分辨,有利于后续的目标跟踪、数据关联和进一步的应用。
进一步地,本发明还结合仿真试验对该基于精确距离演化模型的相参积累检测方法性能进行了验证。
首先,将本发明提供相参积累检测方法与现有技术中两个典型的相参积累检测方法进行比较,包括基于一阶多项式的相参积累检测方法(Radon FourierTransform方法,简称RFT方法)和基于高阶多项式的相参积累检测方法(Generalized RadonFourierTransform方法,简称GRFT方法)。
雷达系统参数设置为:载频fc=1.5GHz,脉冲持续时间Tp=10us,信号带宽B=20MHz,距离采样频率fs=50MHz,脉冲重复频率fr=200Hz,积累脉冲数M=800。目标运动参数设置为:初始距离r0=30km,初始径向速度(认为目标朝向雷达运动为负,目标远离雷达运动为正),速度v=1400m/s。
图3示出了用于对比的RFT方法和GRFT方法的积累结果,其中,图3(a)为RFT方法积累结果,图3(b)为GRFT方法积累结果,可以看出,由于多项式模型在长时间积累过程中无法匹配恒定笛卡尔速度运动,RFT方法和GRFT方法的积累结果均没有得到明显的尖峰,这两种方法无法提供有效的长时间相参积累。
图4示出了本发明提供方法的积累结果。为了能够清晰显示本发明提供方法在各个参数空间的积累情况,图4(a)、图4(b)以及图4(c)分别示出了该方法在径向速度与速度切面(距离为30km)、距离与速度切面(径向速度为-60m/s)以及径向速度与距离切面(速度为1400m/s)上的积累结果。可以看到,该相参积累检测方法在目标实际运动参数的位置聚焦了一个尖峰。这得益于精确距离演化模型,使得该方法可以实现有效的长时间相参积累以及精确的参数估计。
图5示出了本发明提供方法的多目标相参积累性能表现。通过仿真四个恒定笛卡尔速度运动目标的回波数据,并利用本发明提供方法对回波数据进行处理,完成有效的探测。四个运动目标分别记为Target1,Target 2,Target 3和Target 4。图5(a)、图5(b)以及图5(c)分别示出了该方法在径向速度与速度切面、距离与速度切面以及径向速度与距离切面上的积累结果。可以看到,本发明提供方法可以实现对多目标的有效相参积累和探测。此外,Target 1和Target 2具有相同的初始距离和径向速度,而具有不同的速度。得益于本发明提供方法额外提供的目标在速度域上的观测与分辨,可以将Target 1和Target 2在速度维区分开。
最后,利用蒙特卡洛实验对本发明提供方法的检测性能进行验证。虚警概率设置为Pfa=10-4,信噪比的范围为[-40dB,30dB],间隔为1dB,进行1000次蒙特卡洛实验。本发明提供方法(对应图6中的本方法)与GRFT方法(对应图6中的GRFT)、RFT方法(对应图6中的RFT)检测概率随脉压后信噪比的变化曲线如图6所示,可以看到,本发明提供方法的检测性能优于其他相参积累检测方法。特别地,当检测概率Pd=0.8时,本发明提供方法所需的信噪比分别比GRFT方法和RFT方法低约6dB和20.2dB,这意味着本发明提供方法的抗噪声性能要比其他方法强。
特别地,在本发明一些优选的实施方式中,还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施方式中所述基于精确距离演化模型的相参积累检测方法的步骤。
在本发明另一些优选的实施方式中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施方式中所述基于精确距离演化模型的相参积累检测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述基于精确距离演化模型的相参积累检测方法实施例的流程,在此不再重复说明。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于精确距离演化模型的相参积累检测方法,其特征在于,包括如下步骤:
S1、获取雷达观测的原始回波数据,进行解调和脉冲压缩处理,得到用于相参积累处理的脉压回波数据;
S2、设置相参积累过程中的搜索参数;
S3、进行基于精确距离演化模型的三维联合搜索,对每一组搜索参数,根据精确距离演化模型确定搜索轨迹,抽取在距离-慢时间平面上的目标采样,补偿脉冲间的相位波动并进行脉冲积累叠加,获得相应的积累输出,进而得到距离-多普勒-速度域中的输出矩阵;
S4、给定虚警概率,进行恒虚警率检测,根据输出矩阵判断是否检测到目标;
S5、判断检测到目标后,根据输出矩阵得到距离-多普勒-速度域中对应的尖峰坐标,完成目标运动参数的估计和目标运动轨迹的估计并输出。
2.根据权利要求1所述的基于精确距离演化模型的相参积累检测方法,其特征在于:
其中,
其中,A1为目标的散射强度,τ=2r(tm)/c为回波的延迟时间,c表示光速,r(tm)表示tm时刻目标与雷达间的斜距,tm=mTr(m=0,1,...,M-1)表示慢时间,M为积累脉冲数,Tr为脉冲重复周期;
其中,
A2表示脉冲压缩后信号的幅度,λ=c/fc表示雷达波长;
所述步骤S1中,原始回波数据为慢时间与距离平面的二维矩阵sr(m,n)(m=0,1,...,M-1;n=0,1,...,N-1),其中m、n分别表示脉冲维、距离维,M是积累脉冲数,N是距离单元数;进行解调和脉冲压缩处理后,得到脉压回波数据s(m,n)。
3.根据权利要求2所述的基于精确距离演化模型的相参积累检测方法,其特征在于,
所述步骤S2进一步包括:
S2-1、确定目标的距离、径向速度和速度的搜索范围,分别表示为[rmin,rmax]、和[vmin,vmax],其中rmin和rmax分别表示最小搜索距离和最大搜索距离,和分别表示最小搜索径向速度和最大搜索径向速度,vmin和vmax分别表示最小搜索速度和最大搜索速度;
S2-3、确定目标的距离、径向速度和速度的搜索数目,分别表示为:
其中round(·)表示取整操作,取整方法是四舍五入;
S2-4、得到离散化的搜索距离、搜索径向速度和搜索速度,分别表示为:
ri=rmin+iΔr,i=0,1,...,Nr-1
4.根据权利要求3所述的基于精确距离演化模型的相参积累检测方法,其特征在于,
所述步骤S3进一步包括:
S3-2、根据搜索轨迹及脉压回波数据,抽取在距离-慢时间平面上的目标采样,表达式为:
其中XM(m)表示被抽取的目标采样;
S3-3、对每一组目标采样XM(m),补偿脉冲间的相位波动,并基于精确距离演化模型进行脉冲积累叠加,获得相应的积累输出,表达式为:
S3-4、遍历所有的搜索参数,重复上述步骤S3-1至步骤S3-3,得到在距离-多普勒-速度域中的输出矩阵。
5.根据权利要求4所述的基于精确距离演化模型的相参积累检测方法,其特征在于:
所述步骤S3-1中,对一组搜索参数,在根据精确距离演化模型确定搜索轨迹前,比较该组搜索参数中搜索径向速度和搜索速度的平方值大小,若搜索径向速度的平方值大于搜索速度的平方值,则直接处理下一组搜索参数。
7.根据权利要求6所述的基于精确距离演化模型的相参积累检测方法,其特征在于:
所述步骤S4中进行恒虚警率检测时,采用具有自适应恒虚警率检测门限的单元平均恒虚警率检测方法。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述基于精确距离演化模型的相参积累检测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述基于精确距离演化模型的相参积累检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010375413.3A CN111505599B (zh) | 2020-05-07 | 2020-05-07 | 一种基于精确距离演化模型的相参积累检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010375413.3A CN111505599B (zh) | 2020-05-07 | 2020-05-07 | 一种基于精确距离演化模型的相参积累检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111505599A true CN111505599A (zh) | 2020-08-07 |
CN111505599B CN111505599B (zh) | 2020-12-01 |
Family
ID=71875301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010375413.3A Active CN111505599B (zh) | 2020-05-07 | 2020-05-07 | 一种基于精确距离演化模型的相参积累检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111505599B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112255609A (zh) * | 2020-10-14 | 2021-01-22 | 哈尔滨工业大学 | 一种恒加速机动目标相参积累检测方法 |
CN113406592A (zh) * | 2021-06-15 | 2021-09-17 | 哈尔滨工业大学 | 一种高频地波雷达弱目标积累检测方法、计算设备 |
CN113885006A (zh) * | 2021-09-30 | 2022-01-04 | 哈尔滨工业大学 | 一种机动转弯目标相参积累检测方法 |
CN115453508A (zh) * | 2022-09-21 | 2022-12-09 | 哈尔滨工业大学 | 一种机动平台单通道目标探测定位系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2884300A1 (en) * | 2012-08-09 | 2015-06-17 | Mitsubishi Electric Corporation | Signal processing device and signal processing method in wind profiler |
CN105866769A (zh) * | 2016-05-19 | 2016-08-17 | 哈尔滨工业大学 | 一种并行运算的多目标检测前跟踪方法 |
CN107861115A (zh) * | 2017-11-03 | 2018-03-30 | 电子科技大学 | 一种基于瞬时自相关矩阵稀疏分解的othr机动目标参数估计方法 |
CN109541568A (zh) * | 2019-01-24 | 2019-03-29 | 中国人民解放军海军航空大学 | 一种雷达机动目标跨距离和多普勒单元快速相参积累检测方法 |
CN109613506A (zh) * | 2018-12-21 | 2019-04-12 | 北京理工大学 | 一种随机跳频重频捷变雷达目标回波信号检测方法 |
-
2020
- 2020-05-07 CN CN202010375413.3A patent/CN111505599B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2884300A1 (en) * | 2012-08-09 | 2015-06-17 | Mitsubishi Electric Corporation | Signal processing device and signal processing method in wind profiler |
CN105866769A (zh) * | 2016-05-19 | 2016-08-17 | 哈尔滨工业大学 | 一种并行运算的多目标检测前跟踪方法 |
CN107861115A (zh) * | 2017-11-03 | 2018-03-30 | 电子科技大学 | 一种基于瞬时自相关矩阵稀疏分解的othr机动目标参数估计方法 |
CN109613506A (zh) * | 2018-12-21 | 2019-04-12 | 北京理工大学 | 一种随机跳频重频捷变雷达目标回波信号检测方法 |
CN109541568A (zh) * | 2019-01-24 | 2019-03-29 | 中国人民解放军海军航空大学 | 一种雷达机动目标跨距离和多普勒单元快速相参积累检测方法 |
Non-Patent Citations (2)
Title |
---|
XIAOLONG LI ET AL.: ""An efficient coherent integration method for maneuvering target detection"", 《INTERNATIONAL RADAR CONFERENCE》 * |
章建成: ""机动目标检测与运动参数估计研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112255609A (zh) * | 2020-10-14 | 2021-01-22 | 哈尔滨工业大学 | 一种恒加速机动目标相参积累检测方法 |
CN113406592A (zh) * | 2021-06-15 | 2021-09-17 | 哈尔滨工业大学 | 一种高频地波雷达弱目标积累检测方法、计算设备 |
CN113406592B (zh) * | 2021-06-15 | 2022-06-10 | 哈尔滨工业大学 | 一种高频地波雷达弱目标积累检测方法、计算设备 |
CN113885006A (zh) * | 2021-09-30 | 2022-01-04 | 哈尔滨工业大学 | 一种机动转弯目标相参积累检测方法 |
CN113885006B (zh) * | 2021-09-30 | 2024-06-11 | 哈尔滨工业大学 | 一种机动转弯目标相参积累检测方法 |
CN115453508A (zh) * | 2022-09-21 | 2022-12-09 | 哈尔滨工业大学 | 一种机动平台单通道目标探测定位系统及方法 |
CN115453508B (zh) * | 2022-09-21 | 2024-05-14 | 哈尔滨工业大学 | 一种机动平台单通道目标探测定位系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111505599B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111505599B (zh) | 一种基于精确距离演化模型的相参积累检测方法 | |
CN107561508B (zh) | 一种用于匀加速运动目标的相参积累检测方法 | |
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 | |
CN103885057B (zh) | 自适应变滑窗多目标跟踪方法 | |
CN107843892B (zh) | 一种基于最小二乘法的高速目标多普勒测速方法 | |
CN107576959B (zh) | 一种基于区域映射解模糊的高重频雷达目标检测前跟踪方法 | |
CN107356922B (zh) | 一种扩表辅助法解模糊的多重频雷达目标检测前跟踪方法 | |
CN107329138B (zh) | 一种pd雷达距离走动校正与相参积累检测方法 | |
CN103323829A (zh) | 基于Radon-分数阶模糊函数的雷达动目标长时间相参积累检测方法 | |
CN103197297B (zh) | 基于认知框架的雷达动目标检测方法 | |
CN113221631B (zh) | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 | |
CN110095766B (zh) | 基于非均匀重采样技术的机动目标相干积累检测方法 | |
CN110398730A (zh) | 基于坐标旋转和非均匀傅里叶变换机动目标相参检测方法 | |
CN116449320A (zh) | 频率捷变雷达体制下的长时间积累与参数估计方法 | |
CN112162246B (zh) | 一种基于贝叶斯网络雷达系统复杂电磁环境效应分析方法 | |
CN113885006B (zh) | 一种机动转弯目标相参积累检测方法 | |
CN111045002A (zh) | 基于TRT和SNuFFT的机动目标相参积累方法 | |
Huang et al. | Robust detection and motion parameter estimation for weak maneuvering target in the alpha-stable noise environment | |
CN112255609A (zh) | 一种恒加速机动目标相参积累检测方法 | |
Wang et al. | A unified method based on pseudo-spectrum for track-before-detect of targets with motion model uncertainty | |
CN117630819A (zh) | 一种雷达信号脉冲重复时间盲估计方法、装置及存储介质 | |
CN115079159A (zh) | 基于igrft的机载雷达运动误差补偿与积累检测方法 | |
Huang et al. | Low-observable maneuvering target detection based on Radon-advanced discrete chirp Fourier transform | |
Lin et al. | Signal generation and continuous tracking with signal attribute variations using software simulation | |
Sun et al. | Real-time detection and tracking of multiple ground targets |
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 |