CN111796247B - 一种基于微多普勒效应的群组无人机回波仿真方法 - Google Patents
一种基于微多普勒效应的群组无人机回波仿真方法 Download PDFInfo
- Publication number
- CN111796247B CN111796247B CN202010544343.XA CN202010544343A CN111796247B CN 111796247 B CN111796247 B CN 111796247B CN 202010544343 A CN202010544343 A CN 202010544343A CN 111796247 B CN111796247 B CN 111796247B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- echo
- formation
- doppler effect
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000004088 simulation Methods 0.000 title claims abstract description 18
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000002592 echocardiography Methods 0.000 abstract description 3
- 229910003460 diamond Inorganic materials 0.000 abstract description 2
- 239000010432 diamond Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract description 2
- 238000005755 formation reaction Methods 0.000 abstract 13
- 238000001514 detection method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
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
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
- G01S7/4056—Means for monitoring or calibrating by simulation of echoes specially adapted to FMCW
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
本发明的一种基于微多普勒效应的群组无人机回波仿真方法，当编队飞行无人机队列进入视线范围内后，雷达可通过回波提取无人机的微多普勒效应，分析编队情况的相关信息，包括无人机数目、距离、速度、旋翼转速，叶片长度等。而为了进行信息有效性的分析，需要对无人机编队回波进行仿真，用仿真源比较实测数据的提取结果，得到提取信息有效性的验证，并对无人机编队的特征提取提供基础。本发明确定了无人机编队仿真过程，已模拟列队编队、三角编队、菱形编队三种编队情况，其中列队编队和三角编队的仿真结果提取信息准确率较高，菱形编队比起前两种编队，回波信息较容易被队内除自身以外的其他无人机回波掩盖。
Description
技术领域
本发明涉及基于一种基于微多普勒效应的群组无人机回波仿真方法，属于群组无人机探测定位领域。
背景技术
近年来，由于价格低廉、操作简单，在军事还是民生方面，无人机都在被越来越广泛地使用。然而广泛使用背后带来的问题却是，小型无人机容易被滥用于不安全、甚至违法犯罪的行为，尤其是具有适配能力的无人机。这些行为都会对国家经济发展和国民安全构成实际威胁。同时相对于单无人机，多无人机编队系统可以完成更复杂的任务，并具有效率高，容错性好优点，所以群组无人机的应用将会是未来的发展趋势。而有应用的需要，自然也就有需要探测识别，对抗群组无人机威胁的需要。然而小型无人机很难被探测到，因为无人机作为典型的“低小慢”目标，不仅大部分飞行路线可能被地形或建筑物所隐藏，而且与飞虫或鸟类难以区分，可能导致错误警报。为此，雷达探测具有全天时、全天候，具有一定穿透能力的优势，并且通过雷达探测回波中提取的微多普勒效应作为一种特殊特征进行特征识别，将可以对无人机与其他低小慢目标进行区分。所以也可以考虑将微多普勒效应应用在无人机编队识别上的可能，通过微多普勒特性分辨群组无人机的数目、位置、速度等信息。
微多普勒效应的提出首先是参考文献“雷达中的微多普勒效应”(Chen V C,Li F,Ho S S,et al.Micro-Doppler effect in radar:phenomenon,model,and simulationstudy[J].2-21,2006)提出应用在相参激光雷达中，微多普勒效应反映的是短波长的高频系统中，低振动幅度，低频率的微运动会造成的相位变化是明显的。这部分相位变化就可以用来提取微运动目标的相关信息。微多普勒效应在无人机上的应用是基于无人机旋翼叶片旋转这一微运动造成的微多普勒效应，通过对旋翼微多普勒特性的识别完成无人机的判断。群组无人机的微多普勒效应则是在单个目标的基础上推广到多目标识别。完整的建模过程是从类似直升机的单个旋翼叶片回波模型，到多旋翼无人回波模型，最后应用于群组无人机回波模型。
发明内容
本发明的目的是提出一种基于微多普勒效应的群组无人机回波仿真方法，以克服现有的小型无人机很难被探测到、可能导致错误警报的问题。
一种基于微多普勒效应的群组无人机回波仿真方法，所述群组无人机回波仿真方法包括以下步骤：
步骤一、设置多旋翼无人机参数，对多旋翼无人机参数进行初始化；
步骤二、确定信噪比snr、雷达波长λ、积累周期数目Num、带宽B和调频周期T，完成雷达波形设计；
步骤三、确定编号h无人机的各个雷达采样时间点上跳停模式下目标坐标，运动速度，各个雷达采样时间点设置为时刻k；
步骤四、利用线性调频连续波雷达可以得到叶片上各点回波Sr(t)，单个旋翼第n个叶片回波S(t)为叶片上各点回波Sr(t)的积分：
其中L为叶片长度，σ为雷达散射截面积，c为光速，为t＝0时的叶片初始相位，K为调频系数，fc为载频，Ω为叶片旋转角速度，R0为目标初始位置P与雷达的初始距离，v为运动速度，N为叶片数目；
步骤五、每个旋翼各有N个叶片，有旋翼总接收信号：
其中，相位函数
步骤六、计算编号h无人机的机身刚体回波信号：
步骤七、计算时刻k上的回波强度y，包括旋翼回波与刚体回波；
步骤八、令k＝k+1，y_all＝y_all+y，重复步骤三至步骤七，直至k大于等于积累周期数目；
步骤九、令h＝h+1，重复步骤三至步骤八，直至h>H，其中，H为无人机总数目；
步骤十、将编队回波做距离多普勒响应，通过得到的距离多普勒响应图像分析微多普勒效应，提取编队信息；若微多普勒效应在距离多普勒图像上没有能量分布高于环境10dB的多普勒展宽，则返回步骤二。
进一步的，步骤十后还包括：步骤十一、当微多普勒效应造成的展宽大，分析变速的展宽带宽影响；
进一步的，步骤十一中，展宽带宽公式，又叫做均方根带宽：
其中A(t)为公式(2)的回波幅值函数：
进一步的，所述多旋翼无人机参数，包括叶片数目N、叶片长度L、无人机数目H、坐标P、运动速度v、初始时刻k＝0、初始无人机编号为h＝1和初始回波y_all＝0。
本发明的主要优点是：本发明提出的一种基于微多普勒效应的群组无人机回波仿真方法，当编队飞行无人机队列进入视线范围内后，雷达可通过回波提取无人机的微多普勒效应，分析无人机编队情况的相关信息，包括无人机数目、距离、速度、旋翼转速，叶片长度等。而为了更好的进行信息有效性的分析，需要对无人机编队回波进行仿真，用仿真源比较实测数据的提取结果，得到提取信息有效性的验证，并对无人机编队的特征提取提供基础。
附图说明
图1是无人机编队仿真建模示意图；
图2是基于微多普勒效应的群组无人机回波仿真方法流程示意图；
图3是仿真先加速再减速运动的回波的距离速度响应；
图4是仿真列队编队情况下回波的距离速度响应；
图5是仿真菱形编队情况下回波的距离速度响应。
图6是仿真匀速运动下回波的多普勒域。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，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。
参照图1-图6所示，本发明提出了一种基于微多普勒效应的群组无人机回波仿真方法，所述群组无人机回波仿真方法包括以下步骤：
步骤一、设置多旋翼无人机参数，对多旋翼无人机参数进行初始化；
步骤二、确定信噪比snr、雷达波长λ、积累周期数目Num、带宽B和调频周期T，完成雷达波形设计；
步骤三、确定编号h无人机的各个雷达采样时间点上跳停模式下目标坐标，运动速度，各个雷达采样时间点设置为时刻k；
步骤四、利用线性调频连续波雷达可以得到叶片上各点回波Sr(t)，单个旋翼第n个叶片回波S(t)为叶片上各点回波Sr(t)的积分：
其中L为叶片长度，σ为雷达散射截面积，c为光速，为t＝0时的叶片初始相位，K为调频系数，fc为载频，Ω为叶片旋转角速度，R0为目标初始位置P与雷达的初始距离，v为运动速度，N为叶片数目；
步骤五、每个旋翼各有N个叶片，有旋翼总接收信号：
其中，相位函数
步骤六、计算编号h无人机的机身刚体回波信号：
步骤七、计算时刻k上的回波强度y，包括旋翼回波与刚体回波；
步骤八、令k＝k+1，y_all＝y_all+y，重复步骤三至步骤七，直至k大于等于积累周期数目；
步骤九、令h＝h+1，重复步骤三至步骤八，直至h>H，其中，H为无人机总数目；
步骤十、将编队回波做距离多普勒响应，通过得到的距离多普勒响应图像分析微多普勒效应，提取编队信息；若微多普勒效应在距离多普勒图像上没有能量分布高于环境10dB的多普勒展宽，如图6所示，则返回步骤二；
步骤十后还包括：步骤十一、当微多普勒效应造成的展宽大，分析变速的展宽带宽影响。
步骤十一中，展宽带宽公式，又叫做均方根带宽：
其中A(t)为公式(2)的回波幅值函数：
所述多旋翼无人机参数，包括叶片数目N、叶片长度L、无人机数目H、坐标P、运动速度v、初始时刻k＝0、初始无人机编号为h＝1和初始回波y_all＝0。
以上所述仅是基于微多普勒效应的群组无人机回波仿真方法，基于微多普勒效应的群组无人机回波仿真方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。
Claims (4)
1.一种基于微多普勒效应的群组无人机回波仿真方法，其特征在于，所述群组无人机回波仿真方法包括以下步骤：
步骤一、设置多旋翼无人机参数，对多旋翼无人机参数进行初始化；
步骤二、确定信噪比snr、雷达波长λ、积累周期数目Num、带宽B和调频周期T，完成雷达波形设计；
步骤三、确定编号h无人机的各个雷达采样时间点上跳停模式下目标坐标，运动速度，各个雷达采样时间点设置为时刻k；
步骤四、利用线性调频连续波雷达可以得到叶片上各点回波Sr(t)，单个旋翼第n个叶片回波S(t)为叶片上各点回波Sr(t)的积分：
其中L为叶片长度，σ为雷达散射截面积，c为光速，为t＝0时的叶片初始相位，K为调频系数，fc为载频，Ω为叶片旋转角速度，R0为目标初始位置P与雷达的初始距离，v为运动速度，N为叶片数目；
步骤五、每个旋翼各有N个叶片，有旋翼总接收信号：
其中，相位函数
步骤六、计算编号h无人机的机身刚体回波信号：
步骤七、计算时刻k上的回波强度y，包括旋翼回波与刚体回波；
步骤八、令k＝k+1，y_all＝y_all+y，重复步骤三至步骤七，直至k大于等于积累周期数目；
步骤九、令h＝h+1，重复步骤三至步骤八，直至h>H，其中，H为无人机数目；
步骤十、将编队回波做距离多普勒响应，通过得到的距离多普勒响应图像分析微多普勒效应，提取编队信息；若微多普勒效应在距离多普勒图像上没有能量分布高于环境10dB的多普勒展宽，则返回步骤二。
2.根据权利要求1所述的一种基于微多普勒效应的群组无人机回波仿真方法，其特征在于，步骤十后还包括：步骤十一、当微多普勒效应造成的展宽大，分析变速的展宽带宽影响。
3.根据权利要求2所述的一种基于微多普勒效应的群组无人机回波仿真方法，其特征在于，步骤十一中，展宽带宽公式，又叫做均方根带宽：
其中A(t)为公式(2)的回波幅值函数：
4.根据权利要求1所述的一种基于微多普勒效应的群组无人机回波仿真方法，其特征在于，所述多旋翼无人机参数，包括叶片数目N、叶片长度L、无人机数目H、坐标P、运动速度v、初始时刻k＝0、初始无人机编号为h＝1和初始回波y_all＝0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010544343.XA CN111796247B (zh) | 2020-06-15 | 2020-06-15 | 一种基于微多普勒效应的群组无人机回波仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010544343.XA CN111796247B (zh) | 2020-06-15 | 2020-06-15 | 一种基于微多普勒效应的群组无人机回波仿真方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111796247A CN111796247A (zh) | 2020-10-20 |
| CN111796247B true CN111796247B (zh) | 2024-03-26 |
Family
ID=72803386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010544343.XA Active CN111796247B (zh) | 2020-06-15 | 2020-06-15 | 一种基于微多普勒效应的群组无人机回波仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111796247B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116908807B (zh) * | 2023-09-13 | 2023-12-08 | 北京航空航天大学 | 基于信号耦合模型的蜂群无人机雷达散射截面计算方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4389647A (en) * | 1980-12-22 | 1983-06-21 | The United States Of America As Represented By The Secretary Of The Army | Doppler discrimination of aircraft targets |
| CN102156282A (zh) * | 2011-03-25 | 2011-08-17 | 电子科技大学 | 一种基于微多普勒效应的雷达目标检测方法 |
| CN106842185A (zh) * | 2017-03-30 | 2017-06-13 | 福建无线电设备有限公司 | 低小慢目标监测系统及其工作方法 |
| CN107167801A (zh) * | 2017-05-12 | 2017-09-15 | 成都电科智达科技有限公司 | 一种基于旋翼微多普勒特征的多旋翼无人机识别方法 |
| CN110389325A (zh) * | 2019-07-17 | 2019-10-29 | 中北大学 | 一种旋翼无人机的雷达微多普勒信号提取方法 |
| CN111198359A (zh) * | 2020-01-11 | 2020-05-26 | 桂林电子科技大学 | 一种基于目标多普勒宽度的旋翼无人机检测方法 |
| CN111273285A (zh) * | 2020-03-06 | 2020-06-12 | 电子科技大学 | 一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100321234A1 (en) * | 2009-06-19 | 2010-12-23 | U.S. Government As Represented By The Secretary Of The Army | Computationally efficent radar processing method and sytem for sar and gmti on a slow moving platform |
-
2020
- 2020-06-15 CN CN202010544343.XA patent/CN111796247B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4389647A (en) * | 1980-12-22 | 1983-06-21 | The United States Of America As Represented By The Secretary Of The Army | Doppler discrimination of aircraft targets |
| CN102156282A (zh) * | 2011-03-25 | 2011-08-17 | 电子科技大学 | 一种基于微多普勒效应的雷达目标检测方法 |
| CN106842185A (zh) * | 2017-03-30 | 2017-06-13 | 福建无线电设备有限公司 | 低小慢目标监测系统及其工作方法 |
| CN107167801A (zh) * | 2017-05-12 | 2017-09-15 | 成都电科智达科技有限公司 | 一种基于旋翼微多普勒特征的多旋翼无人机识别方法 |
| CN110389325A (zh) * | 2019-07-17 | 2019-10-29 | 中北大学 | 一种旋翼无人机的雷达微多普勒信号提取方法 |
| CN111198359A (zh) * | 2020-01-11 | 2020-05-26 | 桂林电子科技大学 | 一种基于目标多普勒宽度的旋翼无人机检测方法 |
| CN111273285A (zh) * | 2020-03-06 | 2020-06-12 | 电子科技大学 | 一种多旋翼无人机的微多普勒谱相关矩阵特征提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于微多普勒特性的无人机目标检测与参数估计方法研究;卜子容;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第02期);正文全文 * |
| 多旋翼无人机雷达特征分析;涂亮;《中国优秀硕士学位论文全文数据库信息科技辑》(第11期);正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111796247A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109409225B (zh) | 基于雷达多径信号时频特征融合的无人机分类方法及装置 | |
| JPH06500861A (ja) | 高高度及び低高度レーダー・スキャンを用いるウインドシア・レーダーシステム | |
| Regev et al. | Classification of single and multi propelled miniature drones using multilayer perceptron artificial neural network | |
| Harmanny et al. | Radar micro-Doppler mini-UAV classification using spectrograms and cepstrograms | |
| CN105093215A (zh) | 基于多普勒信息的雷达对低空慢速小目标的跟踪方法 | |
| CN106597411A (zh) | 雷达信号处理方法 | |
| CN110286373A (zh) | 一种复杂气候条件下的fod雷达雨雪杂波抑制方法 | |
| CN111401168B (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
| CN108344982A (zh) | 基于长时间相参积累的小型无人机目标雷达检测方法 | |
| CN115061126A (zh) | 一种基于多维参数神经网络的雷达集群目标行为识别方法 | |
| CN111796247B (zh) | 一种基于微多普勒效应的群组无人机回波仿真方法 | |
| Su et al. | Deep CNN-based radar detection for real maritime target under different sea states and polarizations | |
| Gannon et al. | Measuring UAV propeller length using micro-Doppler signatures | |
| Shen et al. | Two‐step locating method for aircraft wake vortices based on Gabor filter and velocity range distribution | |
| Yang et al. | Echoformer: Transformer architecture based on radar echo characteristics for UAV detection | |
| CN117054993A (zh) | 基于cnn模型的lfcw雷达目标检测方法 | |
| Sévigny et al. | Unmanned aircraft (UA) telemetry data for track modelling and classification | |
| Mamgain et al. | Study and simulation of radar targets' micro-doppler signature | |
| Yang et al. | Shape feature aided target detection method for micro-drone surveillance radar | |
| Chen et al. | Detection and recognition of UA targets with multiple sensors | |
| CN111198358B (zh) | 一种基于相关检测的多旋翼无人机回波积累方法 | |
| Atkinson et al. | The role of target signatures in bird-drone classification | |
| Nespor et al. | Doppler radar detection of vortex hazard indicators | |
| Ahmad et al. | A Review of Automatic Classification of Drones Using Radar: Key Considerations, Performance Evaluation and Prospects | |
| Gong et al. | Low detectable JEM signals in radar echoes from a helicopter with composite blades |
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 |