CN113835068A - 一种基于独立成分分析的盲源分离实时抗主瓣干扰方法 - Google Patents

Abstract

本发明公开了一种基于独立成分分析的盲源分离实时抗主瓣干扰方法，属于雷达抗干扰信号处理技术领域。其利用雷达M个子阵输入通道AD信号，首先应用基于ICA的盲源分离处理获取主瓣干扰的参考信号，同时应用M通道子阵信号合成和通道信号数据、方位差通道信号数据及俯仰差通道信号数据，然后对和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行干扰对消完成干扰抑制，利于后续雷达目标检测跟踪。本发明利用子阵通道的高自由度，通过导向矢量形成多个角度的和通道数据，可同时抑制主瓣干扰，稳健实时性好。

Description

一种基于独立成分分析的盲源分离实时抗主瓣干扰方法

技术领域

本发明涉及一种基于独立成分分析的盲源分离实时抗主瓣干扰方法，属于雷达抗干扰信号处理技术领域。

背景技术

许多阵列处理技术都依赖于阵列响应矩阵的数字模型，对于阵列响应矩阵的参数可以通过物理建模假定或直接对阵列的测量来获得。然而在许多实验应用中，这些参数的值往往是得不到的，在这种情况下，需完全脱离对信号物理传输现象的建模，即不赋予混合矩阵元素任何物理常数的含义，从新的角度研究多个独立源的分离。这就是盲源分离的主要研究方向。

所谓盲源分离，就是指从一组未知源信号混合后产生信号的观测值来恢复出所感兴趣的信号。现有雷达的设计中，主要考虑来自副瓣次主瓣的干扰，采用旁瓣匿影和副瓣对消等方法对来自副瓣次主瓣的干扰进行抑制。对从雷达主瓣进入的干扰，由于干扰与信号距离很近，在频域和空域都无法运用传统的自适应方法进行分离，无法通过传统的旁瓣匿影和副瓣对消方法将其抑制。

目前国内对盲信号分离问题的研究，在理论和应用方面取得了很大的进步，但是还有很多的问题有待进一步研究和解决。现有的盲源分离方法，在一定程度上，可以实现信号与干扰的分离，但运算量较大，对时间资源非常宝贵的雷达来说是非常不利的，而且不利于雷达目标检测与稳定跟踪。

发明内容

本发明的目的在于针对上述已有技术方法的不足，提出一种基于独立成分分析的盲源分离实时抗主瓣干扰方法，提高主瓣干扰情况下雷达目标跟踪稳定性及精度，降低运算量，提升算法稳健性与实时性，利于工程实现。

本发明的技术方案如下:

为实现上述发明目的，采用的技术思路方案是：利用雷达16个子阵输入通道AD信号，首先应用基于ICA的盲源分离处理获取主瓣干扰的参考信号，同时应用16通道子阵信号合成和波束主通道信号，然后对主通道信号进行干扰对消完成干扰抑制，利于后续雷达目标检测跟踪。

本发明一种基于独立成分分析的盲源分离实时抗主瓣干扰方法，步骤如下：

步骤1、雷达接收子阵回波信号数据：

雷达中设置M个子阵接收雷达回波信号数据，所述子阵接收的雷达回波信号数据中包含有干扰信号数据；其中，M为雷达中子阵总数，满足2幂次方；

步骤2、获取和通道、方位差通道及俯仰差通道信号数据：

M个子阵接收雷达信号与各自的子阵导向矢量相乘，消除波程差的影响，得到M通道信号数据d_M，再与和、方位差以及俯仰差权值矩阵相乘得到和通道、方位差通道以及俯仰差通道信号数据；

步骤3、采用独立成分分析ICA的盲源分离方法，得到主瓣干扰信号估计数据；

步骤4、利用干扰信号估计数据分别对和通道、方位差通道以及俯仰差通道进行干扰对消；

步骤5、利用对消权对干扰信号估计加权，得到和通道、方位差通道以及俯仰差通道的主瓣干扰抑制结果。

进一步地，步骤2中，所述和权值矩阵、方位差权值矩阵以及俯仰差权值矩阵相乘得到和通道、方位差通道以及俯仰差通道信号数据如下：

d_M＝[d₁，d₂，L，d_M]′

S_sum＝[1，1，1，1，1，1，1，1，1，L，1，1，1，1，1，1，1]*d_M

s_a＝[1，1，1，1，1，L，1，1，1，-1，-1，-1，-1，-1，L，-1，-1，-1]*d_M

s_e＝[1，-1，1，1.-1，-1，L，1，-1，1，1，-1，-1，L，1，-1，1，-1]*d_M

其中，s_sum为和通道信号数据，s_a为方位差通道信号数据，s_e为俯仰差通道信号数据。

进一步地，步骤3中，所述采用独立成分分析ICA的盲源分离方法，得到主瓣干扰信号估计数据的步骤如下：

1)将方位差通道信号数据及俯仰差通道信号数据与和通道信号数据进行互相关运算，得到盲源分离的分离权；

w_sum＝0

w_a＝∑conj(s_a)*s_sum/∑conj(s_sum)*s_sum

w_e＝∑conj(s_e)*s_sum/∑conj(s_sum)*s_sum

其中，w_sum为和通道分离权，w_a为方位差通道分离权，w_e为俯仰差通道分离权，conj表示取复共轭；

2)将分离权分别与和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行加权求和，得到干扰信号估计值J_E：

J_E＝w_a*s_a+w_e*s_e

其中，J_E为干扰信号估计值。

进一步地，步骤4中，所述利用干扰信号估计数据分别对和通道、方位差通道以及俯仰差通道进行干扰对消的具体步骤如下：

1)将干扰估计值与和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行互相关运算，得到如下对消权；

w_sc＝∑conj(s_sum)*J_E/∑conj(J_E)*J_E

w_ac＝∑conj(s_a)*J_E/∑conj(J_E)*J_E

w_ec＝∑conj(s_e)*J_E/∑conj(J_E)*J_E

其中，w_sc为和通道对消权，w_ac为方位差通道对消权，w_ec为俯仰差通道对消权。

2)利用对消权对干扰信号进行加权，即得到各对应通道的干扰估计结果；

J_Es＝w_sc*J_E

J_Ea＝w_ac*J_E

J_Ee＝w_ec*J_E

其中，J_Es为和通道干扰估计值，J_Ea为方位差通道干扰估计值，J_Ee为俯仰差通道干扰估计值。

进一步地，步骤5中，所述主瓣干扰抑制结果如下：

o_sum＝s_sum-J_Es

o_a＝S_a-J_Ea

o_e＝s_e-J_Ee

其中，o_sum为和通道主瓣干扰抑制结果，o_a为方位差通道主瓣干扰抑制结果，o_e为俯仰差通道主瓣干扰抑制结果；

进一步地，步骤5还包括对所述干扰对消后的和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行脉压、MTD、CFAR处理，获取目标的距离角度信息，具体步骤如下：

1)构建距离脉压函数，对和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行脉压处理：

o_sp＝IFFT{FFT(o_sum(n，m))·FFT[x(n)·h(n)]}

o_ap＝IFFT{FFT(o_a(n，m))·FFT[x(n)·h(n)]}

o_ep＝IFFT{FFT(o_e(n，m))·FFT[x(n)·h(n)]}

其中，o_sp为和通道距离脉压数据，o_ap为方位差通道距离脉压数据，o_ep为俯仰差通道距离脉压数据，x(n)＝rect(n·Δt/T_p)exp(-jπbn²Δt²)为脉压函数，h(n)＝[1-cos(2πn/(n+1))]/2为汉宁窗函数，b为线性调频率，Δt为采样间隔，n为距离门号，m为脉冲序号；

2)对和通道、方位差通道以及俯仰差通道距离脉压数据在方位向做FFT，即完成动目标检测MTD处理；

o_sp1＝FFT{o_sp}，o_ap1＝FFT{o_ap}，o_ep1＝FFT{o_ep}；

3)恒虚警检测CFAR处理

CFAR处理方式采用单元平均处理即快门限，快门限CFAR采用单元平均选大的方法实现，即以检测点附近单元为参考单元，左右参考单元平均值选大为门限阈值，参考单元为D_i、D_i-1、D_i+1，左右参考单元平均值选大后，两者通过比较器输出判决；

4)获取目标的距离角度

目标距离即距离门加上距离门前沿所对应的距离，方位差、俯仰差角度通过下式计算：

其中，d_∑为和通道目标值，d_Δa为方位差通道目标值，d_Δe为俯仰差目标值。

有益效果

(1)本发明利用子阵通道的高自由度，通过导向矢量形成多个角度的和通道信号数据，可同时抑制不同角度的主瓣干扰；

(2)本发明利用多个角度的和通道信号数据，样本信息丰富，可有效提取干扰信号，仿真结果表明，本发明稳健实时性好，主瓣干扰抑制比高；

(3)本发明基于独立成分分析的盲源分离实时抗主瓣干扰方法所运用的算法简单，运算量低，实时性高，利于工程实现。

附图说明

图1是本发明一种基于独立成分分析的盲源分离实时抗主瓣干扰方法的实现流程图；

图2为图1中ICA盲源分离的流程图；

图3为单元平均CFAR处理框图；

图4为输入的和通道、方位差通道、俯仰差通道的干扰数据；

图5为输入的和通道、方位差通道、俯仰差通道的输入信号；

图6为输入的和通道、方位差通道、俯仰差通道的噪声输入信号；

图7为盲源分离结果示意图；

图8为和通道、方位差通道、俯仰差通道的干扰抑制输出信号；

图9为和通道干扰抑制前后脉压输出。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本发明一种基于独立成分分析的盲源分离实时抗主瓣干扰方法，如图1和图2所示，其具体实施步骤如下：

步骤1、雷达接收子阵回波信号数据：

雷达中设置M个子阵接收雷达回波信号数据，所述子阵接收的雷达回波信号数据中包含有干扰信号数据；其中，M为雷达中子阵总数，满足2幂次方，如M为8、16、32、64 等。

步骤2：获取和通道信号数据、方位差通道信号数据及俯仰差通道信号数据：

M个子阵接收雷达信号与各自的子阵导向矢量相乘，消除波程差的影响，得到M通道信号数据d_M。子阵内相邻通道的空间相位差为：

其中，θ为回波信号指向各阵元的方向角，d为相邻阵元间距，λ为信号波长。

S_i是第i个阵元接收到的θ方向的信号，可以表示为：

s_i＝A₀e^j(iΔφ+ψ)

其中，A₀为回波信号振幅，ψ为基准通道相位。

若要使接收通道的波束指向θ_B，则子阵内相邻通道的空间相位差补偿值为：

对S_i进行相位补偿后相加得到的阵列输出为：

其中，M为雷达中子阵总数。

之后，再分别与下面的和权值矩阵、方位差权值矩阵以及俯仰差权值矩阵相乘得到和通道信号数据、方位差通道信号数据以及俯仰差通道信号数据：

d_M＝[d₁，d₂，L，d_M]′

s_sum＝[1，1，1，1，1，1，1，1，1，L，1，1，1，1，1，1，1]*d_M

s_a＝[1，1，1，1，1，L，1，1，1，-1，-1，-1，-1，-1，L，-1，-1，-1]*d_M

s_e＝[1，-1，1，1，-1，-1，L，1，-1，1，1，-1，-1，L，1，-1，1，-1]*d_M

其中，s_sum为和通道信号数据，s_a为方位差通道信号数据，s_e为俯仰差通道信号数据。

步骤3：采用独立成分分析ICA的盲源分离方法，得到主瓣干扰信号估计数据：

如图2所示，ICA盲源分离获取主瓣干扰估计信号步骤如下：

1)将方位差通道信号数据及俯仰差通道信号数据与和通道信号数据进行互相关运算，得到盲源分离的分离权；

w_sum＝0

w_a＝∑conj(s_a)*s_sum/∑conj(s_sum)*s_sum

w_e＝∑conj(s_e)*s_sum/∑conj(s_sum)*s_sum

其中，w_sum为和通道分离权，w_a为方位差通道分离权，w_e为俯仰差通道分离权，conj表示取复共轭；

2)将上述和通道分离权、方位差通道分离权、俯仰差通道分离权分别与和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行加权求和，得到干扰信号估计值JE：

J_E＝w_a*s_a+w_e*s_e

其中，J_E为干扰信号估计值。

步骤4、干扰对消：

利用干扰信号估计数据分别对和通道、方位差通道以及俯仰差通道进行干扰对消的具体步骤如下：

1)将干扰估计值与和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行互相关运算，得到如下对消权；

w_sc＝∑conj(s_sum)*J_E/∑conj(J_E)*J_E

w_ac＝∑conj(s_a)*J_E∑conj(J_E)*J_E

w_ec＝∑conj(s_e)*J_E/∑conj(J_E)*J_E

其中，w_sc为和通道对消权，w_ac为方位差通道对消权，w_ec为俯仰差通道对消权。

2)利用对消权对干扰信号进行加权，即得到各对应通道的干扰估计结果；

J_Es＝w_sc*J_E

J_Ea＝w_ac*J_E

J_Ee＝w_ec*J_E

其中，J_Es为和通道干扰估计值，d_Ea为方位差通道干扰估计值，J_Ee为俯仰差通道干扰估计值。

步骤5：利用对消权对干扰信号估计加权，得到和通道、方位差通道以及俯仰差通道的主瓣干扰抑制结果：

o_sun＝s_sum-J_Es

o_a＝s_a-J_Ea

o_e＝s_e-J_Ee

其中，o_sum为和通道主瓣干扰抑制结果，o_a为方位差通道主瓣干扰抑制结果，o_e为俯仰差通道主瓣干扰抑制结果；

对干扰对消后的和通道信号数据、方位差通道信号数据及俯仰差通道信号数据继续进行脉压、MTD、CFAR处理，获取目标的距离角度信息，具体步骤如下：

1)构建距离脉压函数，对和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行脉压处理：

o_sp＝IFFT{FFT(o_sum(n，m))·FFT[x(n)·h(n)]}

o_ap＝IFFT{FFT(o_a(n，m))·FFT[x(n)·h(n)]}

o_ep＝IFFT{FFT(o_e(n，m))·FFT[x(n)·h(n)]}

其中，o_sp为和通道距离脉压数据，o_ap为方位差通道距离脉压数据，o_ep为俯仰差通道距离脉压数据，x(n)＝rect(n·Δt/T_p)exp(-jπbn²Δt²)为脉压函数，h(n)＝[1-cos(2πn/(n+1))]/2为汉宁窗函数，b为线性调频率，Δt为采样间隔，n为距离门号，m为脉冲序号；

2)对和通道、方位差通道以及俯仰差通道距离脉压数据在方位向做FFT，即完成动目标检测MTD处理；

o_sp1＝FFT{o_sp}，o_ap1＝FFT{o_ap}，o_ep1＝FFT{o_ep}；

3)恒虚警检测CFAR处理

CFAR处理的目的是提供相对来说可以避免噪声背景杂波和干扰影响的检测阈值，使目标检测时具有恒定的虚警概率；

CFAR处理方式采用单元平均处理即快门限，快门限CFAR主要作用于杂波区，用于抑制剩余杂波的影响，采用单元平均选大的方法实现，即以检测点附近单元为参考单元，左右参考单元平均值选大为门限阈值，如图3所示，为单元平均CFAR处理框图，图中，参考单元为D_i、D_i-1、D_i+1，左右参考单元平均值选大后，两者通过比较器输出判决；

4)获取目标的距离角度

目标距离即距离门加上距离门前沿所对应的距离，方位差、俯仰差角度通过下式计算：

其中，d_∑为和通道目标值，d_Δa为方位差通道目标值，d_Δe为俯仰差目标值。

本发明基于独立成分分析的盲源分离实时抗主瓣干扰方法的算法仿真分析结果如下：

仿真参数：和通道输入干噪比JNR＝30dB、信噪比SNR＝20dB、通道噪声30dB，并进行叠加，目标信号从阵面法线入射、干扰入射方向与目标方位差0.2°且俯仰差0.2°，子阵数为16。

1)主瓣干扰数据仿真

在上述仿真参数设定条件下，16个子阵通道回波干扰噪声信号与其对应的子阵导向矢量相乘，并与权矩阵相乘形成和通道、方位差通道、俯仰差通道回波信号，输入和通道、方位差通道、俯仰差通道的干扰数据、输入信号和噪声输入信号，如图4所示为和通道、方位差通道、俯仰差通道的干扰数据的输入，如图5所示为和通道、方位差通道、俯仰差通道的输入信号，如图6所示为和通道、方位差通道、俯仰差通道的噪声输入信号。

2)ICA盲源分离与干扰信号估计仿真

目标信号从阵面法线入射、干扰入射方向与目标方位差0.2°且俯仰差0.2°时，盲源分离结果，如图7所示，其干扰信号估计结果如图8所示，显示了和通道、方位差通道、俯仰差通道的干扰抑制输出信号。从处理结果可以看出：本发明所提算法能有效分离目标信号与主瓣干扰信号。

3)干扰抑制前后脉压仿真

干扰抑制结果如图9所示。从处理结果可以看出：当干扰与目标同方向入射时，该干扰抑制方法对和通道信号获得约20dB的信干噪比SJNR处理增益。

从以上仿真处理结果可以看出：本发明能有效分离目标信号与主瓣干扰信号，主瓣干扰抑制效果明显，抑制比达20dB(干扰入射方向与目标角度差越大，抑制比越高)以上且算法简单，运算量低，实时性好，易工程实现，提高了主瓣干扰情况下雷达目标跟踪稳定性及精度。

本发明利用雷达16个子阵输入通道AD信号，首先应用基于ICA的盲源分离处理获取主瓣干扰的参考信号，同时应用16通道子阵信号合成和波束主通道信号，然后对主通道信号进行干扰对消完成干扰抑制，利于后续雷达目标检测跟踪。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于独立成分分析的盲源分离实时抗主瓣干扰方法，其特征在于，步骤如下：

步骤1、雷达接收子阵回波信号数据：

雷达中设置M个子阵接收雷达回波信号数据，所述子阵接收的雷达回波信号数据中包含有干扰信号数据；其中，M为雷达中子阵总数，满足2幂次方；

步骤2、获取和通道、方位差通道及俯仰差通道信号数据：

M个子阵接收雷达信号与各自的子阵导向矢量相乘，消除波程差的影响，得到M通道信号数据d_M，再与和、方位差以及俯仰差权值矩阵相乘得到和通道、方位差通道以及俯仰差通道信号数据；

步骤3、采用独立成分分析ICA的盲源分离方法，得到主瓣干扰信号估计数据；

步骤4、利用干扰信号估计数据分别对和通道、方位差通道以及俯仰差通道进行干扰对消；

步骤5、利用对消权对干扰信号估计加权，得到和通道、方位差通道以及俯仰差通道的主瓣干扰抑制结果。

2.根据权利要求1所述的盲源分离实时抗主瓣干扰方法，其特征在于，步骤2中，所述和权值矩阵、方位差权值矩阵以及俯仰差权值矩阵相乘得到和通道、方位差通道以及俯仰差通道信号数据如下：

d_M＝[d₁，d₂，L，d_M]′

s_sum＝[1，1，1，1，1，1，1，1.1，L，1，1，1，1，1，1，1]*d_M

s_a＝[1，1，1，1，1，L，1，1，1，-1，-1，-1，-1，-1，L，-1，-1，-1]*d_M

S_e＝[1，-1，1，1，-1，-1，L，1，-1，1，1，-1，-1，L，1，-1，1，-1]*d_M

其中，s_sum为和通道信号数据，s_a为方位差通道信号数据，s_e为俯仰差通道信号数据。

3.根据权利要求2所述的盲源分离实时抗主瓣干扰方法，其特征在于，步骤3中，所述采用独立成分分析ICA的盲源分离方法，得到主瓣干扰信号估计数据的步骤如下：

1)将方位差通道信号数据及俯仰差通道信号数据与和通道信号数据进行互相关运算，得到盲源分离的分离权；

w_sum＝0

w_a＝∑conj(s_a)*-s_sum/∑conj(S_sum)*s_sum

w_e＝∑conj(s_e)*s_sum/∑conj(s_sum)*S_sum

其中，w_sum为和通道分离权，w_a为方位差通道分离权，w_e为俯仰差通道分离权，conj表示取复共轭；

2)将分离权分别与和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行加权求和，得到干扰信号估计值J_E：

J_E＝w_a*s_a+w_e*s_e

其中，J_E为干扰信号估计值。

4.根据权利要求3所述的盲源分离实时抗主瓣干扰方法，其特征在于，步骤4中，所述利用干扰信号估计数据分别对和通道、方位差通道以及俯仰差通道进行干扰对消的具体步骤如下：

1)将干扰估计值与和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行互相关运算，得到如下对消权；

W_sc＝∑conj(s_sum)*J_E/∑conj(J_E)*J_E

w_ac＝∑conj(s_a)*J_E/∑conj(J_E)*J_E

W_ec＝∑conj(s_e)*J_E/∑conj(J_E)*J_E

其中，w_sc为和通道对消权，w_ac为方位差通道对消权，w_ec为俯仰差通道对消权。

2)利用对消权对干扰信号进行加权，即得到各对应通道的干扰估计结果；

J_Es＝w_sc*J_E

J_Ea＝w_ac*J_E

J_Ee＝w_ec*J_E

其中，J_Es为和通道干扰估计值，J_Ea为方位差通道干扰估计值，J_Ee为俯仰差通道干扰估计值。

5.根据权利要求4所述的盲源分离实时抗主瓣干扰方法，其特征在于，步骤5中，所述主瓣干扰抑制结果如下：

o_sum＝s_sum-J_Es

o_a＝S_a-J_Ea

o_e＝S_e-J_Ee

其中，o_sum为和通道主瓣干扰抑制结果，o_a为方位差通道主瓣干扰抑制结果，o_e为俯仰差通道主瓣干扰抑制结果；

6.根据权利要求5所述的盲源分离实时抗主瓣干扰方法，其特征在于，步骤5还包括对所述干扰对消后的和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行脉压、MTD、CFAR处理，获取目标的距离角度信息，具体步骤如下：

1)构建距离脉压函数，对和通道信号数据、方位差通道信号数据及俯仰差通道信号数据进行脉压处理：

o_sp＝IFFT{FFT(o_sum(n，m))·FFT[x(n)·h(n)]}

o_ap＝IFFT{FFT(o_a(n，m))·FFT[x(n)·h(n)]}

o_ep＝IFFT{FFT(o_e(n，m))·FFT[x(n)·h(n)]}

其中，o_sp为和通道距离脉压数据，o_ap为方位差通道距离脉压数据，o_ep为俯仰差通道距离脉压数据，x(n)＝rect(n·Δt/T_p)exp(-jπbn²Δt²)为脉压函数，h(n)＝[1-cos(2πn/(n+1))]/2为汉宁窗函数，b为线性调频率，Δt为采样间隔，n为距离门号，m为脉冲序号；

2)对和通道、方位差通道以及俯仰差通道距离脉压数据在方位向做FFT，即完成动目标检测MTD处理；

o_sp1＝FFT{o_sp}，o_ap1＝FFT{o_ap}，o_ep1＝FFT{o_ep}；

3)恒虚警检测CFAR处理

CFAR处理方式采用单元平均处理即快门限，快门限CFAR采用单元平均选大的方法实现，即以检测点附近单元为参考单元，左右参考单元平均值选大为门限阈值，参考单元为D_i、D_i-1、D_i+1，左右参考单元平均值选大后，两者通过比较器输出判决；

4)获取目标的距离角度

目标距离即距离门加上距离门前沿所对应的距离，方位差、俯仰差角度通过下式计算：

其中，d_∑为和通道目标值，d_Δa为方位差通道目标值，d_Δe为俯仰差目标值。

Images