CN114609593B - 一种基于fpga和深度学习的谐波雷达 - Google Patents
一种基于fpga和深度学习的谐波雷达 Download PDFInfo
- Publication number
- CN114609593B CN114609593B CN202210225000.6A CN202210225000A CN114609593B CN 114609593 B CN114609593 B CN 114609593B CN 202210225000 A CN202210225000 A CN 202210225000A CN 114609593 B CN114609593 B CN 114609593B
- Authority
- CN
- China
- Prior art keywords
- harmonic
- signal
- frequency
- signals
- module
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 75
- 230000005236 sound signal Effects 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000009825 accumulation Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 230000006835 compression Effects 0.000 claims abstract description 16
- 238000007906 compression Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000001427 coherent effect Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 11
- 229910052751 metal Inorganic materials 0.000 claims description 10
- 239000002184 metal Substances 0.000 claims description 10
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 239000004065 semiconductor Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 230000000452 restraining effect Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000005538 encapsulation Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 4
- 229910052744 lithium Inorganic materials 0.000 claims description 4
- 241000699670 Mus sp. Species 0.000 claims description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 17
- 230000003321 amplification Effects 0.000 abstract description 11
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 11
- 238000001914 filtration Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 28
- 230000000875 corresponding effect Effects 0.000 description 9
- 101001091538 Homo sapiens Pyruvate kinase PKM Proteins 0.000 description 5
- 102100034911 Pyruvate kinase PKM Human genes 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 238000002156 mixing Methods 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000003381 stabilizer Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000035485 pulse pressure Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 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
- G01S7/41—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
- G01S7/417—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 involving the use of neural networks
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/282—Transmitters
-
- 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
- G01S13/74—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems
- G01S13/75—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems using transponders powered from received waves, e.g. using passive transponders, or using passive reflectors
-
- 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
- G01S7/03—Details of HF subsystems specially adapted therefor, e.g. common to transmitter and receiver
- G01S7/032—Constructional details for solid-state radar subsystems
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于FPGA和深度学习的谐波雷达，属于雷达信号处理领域；具体包括：信号处理模块生成基带线性调频LFM信号，转换为模拟信号后与本地的载频信号进行混频得到射频发射信号，滤除高频分量和干扰信号后发射出去，照射到目标后产生二次/三次谐波信号，分别传输到二次/三次谐波接收机，经过低噪放大和滤波后，与各自的本振信号解调得到回波基带信号，再经过中频放大器和ADC量化转换后送入信号处理模块进行两路处理：对一路二次/三次谐波接收机的信号进行脉冲压缩、脉冲积累和识别检测等处理后频谱显示；并将另一路信号转换为音频信号，进行识别分类。本发明减少了系统设计的复杂度，有效提高了谐波发射功率和谐波雷达目标分类识别的能力。
Description
技术领域
本发明涉及雷达信号处理领域，具体涉及一种基于FPGA和深度学习的谐波雷达。
背景技术
根据雷达目标的性质，可将其分为线性目标和非线性目标。线性目标经雷达发射的电磁波照射，散射后不会产生新的频率分量。非线性目标除了对雷达信号基频分量进行散射外，还会向外辐射高次谐波分量。谐波雷达，即对目标辐射的谐波分量信号进行接收和处理的雷达。
深度学习作为机器学习的新研究方向，通过搭建人工神经网络(ArtificialNeural Network,ANN)，利用多层次的分析和计算提取到更多特征，被广泛应用于人脸识别、行人检测和图像分析等领域，但在谐波雷达的目标识别上还没有相关的应用方法。
现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)作为一种可编程逻辑器件，具有集成度高、可靠性高、灵活方便、速度快和体积小等优势，在并行计算领域具有较高处理性能，常用于数字信号处理领域。同时，FPGA与神经网络并行运算的特点相匹配，可以缩短网络训练的时间，实现实时处理。
谐波雷达探测目标利用的是目标的非线性特性，其实现方案上与常规雷达不太相同，目前谐波雷达在应用实现上存在如下问题：
1、谐波雷达对发射通道线性度要求较高，发射通道会因器件非线性产生的谐波信号耦合到接收通道，通常这一信号远大于目标产生的谐波辐射。
2、由于目标再辐射谐波信号较弱，对接收机的设计要求具有较高的灵敏度及较大的处理增益。
3、目前谐波雷达只能区分目标种类属于半导体或金属接点，即实现简单的二分类，对于更细致的种类区分难度较大。
综上，谐波雷达存在可识别目标种类少、人为经验影响、识别难度大以及识别准确率低的问题。
发明内容
针对上述现有技术存在的问题，本发明提出一种基于FPGA和深度学习的谐波雷达，增大了识别的目标种类并且提高了识别准确率。
所述的基于FPGA和深度学习的谐波雷达，包括：信号处理模块、射频发射机、收发天线、二次谐波接收机、三次谐波接收机、射频电源、用户显示模块以及目标识别模块。
信号处理模块通过插针结构连接射频发射机，射频发射机通过射频线缆结构连接收发天线；同时，信号处理模块通过射频线缆结构分别连接二次谐波接收机，三次谐波接收机，用户显示模块和目标识别模块。
所述信号处理模块核心为FPGA，在发射方向上生成基带线性调频LFM信号，并通过射频发射机的DAC将其转换为模拟信号，与本地的载频信号进行混频后经调制得到射频发射信号，经滤波器滤除高频分量和干扰信号后，送入功率放大器调节发射功率，再进一步通过滤波器滤除高频分量泄漏，最后通过收发天线将射频发射信号发射出去；
射频发射信号照射到目标后产生二次谐波信号和三次谐波信号，传输到二次谐波接收机和三次谐波接收机，分别经过各次谐波接收机的低噪放大和滤波后，与各自的本振信号经过I/Q解调器解调得到回波基带信号，回波基带信号再经过中频放大器放大并转换为差分形式，经ADC量化转换后送入信号处理模块进行处理分析；
信号处理模块对二次谐波接收机和三次谐波接收机输入的信号进行脉冲压缩、脉冲积累和识别检测等处理，输入用户显示模块进行频谱显示；并将另一路信号转换为音频信号，输入目标识别模块进行识别分类，并将识别结果进行显示。
进一步，所述信号处理模块还包括：时钟源及扇出器、差分放大电路、音频编解码模块、网口模块和电源模块等。
所述FPGA硬件电路包括FPGA、Flash配置电路、时钟/复位电路以及用户接口等；其中用户接口包括DAC、ADC总线和屏幕按键等。FPGA负责外围器件的时序控制、数据存取、用户交互显示以及基带发射信号生成、回波基带信号的脉冲压缩、脉冲积累和识别检测等信号处理。
所述射频发射机包括：本地振荡器、I/Q调制器、功率放大器和级联滤波电路。
本地振荡器产生载频信号，I/Q调制器将基带LFM信号和载频信号进行调制，得到射频发射信号；经过带通滤波器滤除通道间泄露的高频分量和器件非线性产生的干扰信号后，送由功率放大器调节发射功率，再进一步经过级联滤波电路滤除泄露的高频分量，最后通过发射天线辐射出去；
所述收发天线用于发射无线信号，接收目标二次谐波与三次谐波；具体包含宽带螺旋天线、谐波抑制的四端口宽带环形器和抑制高次谐波的小型化带通滤波器三部分；
所述二次谐波接收机/三次谐波接收机均包括射频放大电路和解调电路；
对天线接收非线性目标辐射的二次谐波信号/三次谐波信号进行放大处理，经放大后的回波和本振信号经I/Q解调器解调得到回波基带信号，再经中频放大器放大，通过ADC转换后送入信号处理单元进行处理分析；
所述目标识别模块包括数据采集端、数据预处理模块、人工神经网络模型、人工交互模块和封装模块。使用深度学习技术搭建人工神经网络，利用基于频域特征累加方法对谐波雷达采集到的音频信号数据库进行特征学习，生成分类模型，建立人工智能分类系统，完成谐波雷达目标的分类识别。
本谐波雷达可探测识别半导体、金属接点、墙上开关、墙上插座、网络端口、鼠标、集成电路板、锂电池、电源适配器、专业录音设备、SD存储卡和微型麦克风等多种不同类型目标。
所述数据采集端连接二次谐波接收机和三次谐波接收机的输出端口；数据预处理模块对训练集和测试集数据进行批量处理，执行裁剪、对齐等必要操作；人工神经网络模型负责对训练集数据提取特征，进行深度学习训练，在最优参数配置下完成模型的封装；人工交互模块负责显示待识别数据的图谱特征，调用所述的封装模型，进行特征识别，完成目标分类，最终显示得到目标分类识别结果。
所述基带线性调频LFM信号sLMF_train(t)表达式为：
其中，A是脉冲幅度，N是单组脉冲个数，rect(·)表示矩形脉冲，ti为快时间，Tp为脉冲宽度，fc为雷达中心频率，γ＝B/Tp为LFM信号的调频斜率，其中B为LFM信号的扫频带宽，T是脉冲重复间隔。
所述回波基带信号sr(t)的表达形式为：
其中，Rt为单散射点目标相对雷达的距离，c为光速，st(t)为采用相参脉冲串形成的发射信号，表达式为：
其中，Tr是脉冲重复周期。
对回波基带信号转换后的差分形式为：
sr-(t)＝k11sr(t)+k12sref
sr+(t)＝k21sr-(t)+k22sref
其中，k11、k12、k21和k22为固定的转换系数，sref为固定参考信号。
输出频谱显示的时域-多普勒域二维信号表达式为：
为快时间，代表每一个脉冲内相对于其同步周期起始时刻的时间；ωd＝2πfd为目标运动引起的多普勒频率。
令代入上式，可得到积累后信号在多普勒域的幅频响应：
音频转换包括AM音频转换和FM音频转换，具体为：
1)、所述二次谐波去斜处理的谐波功率YHR2(t)转换为AM音频信号的过程为：
设二次谐波AM音频信号的正弦载波为：c2(t)＝A2cos(ωc2t+φ0)；
式中A2为二次谐波的载波幅度；ωc2为二次谐波的载波角频率；φ0为载波初始相位(通常假设φ0＝0)。
根据调制的定义，二次谐波振幅调制信号表示为：sAM2(t)＝A2YHR2(t)cos(ωc2t)；
2)、三次谐波去斜处理的谐波功率YHR3(t)转换为AM音频信号的过程为：
设三次谐波AM音频信号的正弦载波为：c3(t)＝A3cos(ωc3t+φ0)；
式中，A3为三次谐波的载波幅度；ωc3为三次谐波的载波角频率。
根据调制的定义，三次谐波振幅调制信号表示为：sAM3(t)＝A3YHR3(t)cos(ωc3t)；
3)、二次谐波去斜处理的谐波功率YHR2(t)转换为FM音频信号的过程为：
设二次谐波FM音频信号的正弦载波为：c2(t)＝A2cos(2πfc2t)；
式中，fc2为二次谐波的载波频率。
则二次谐波振幅调频信号表示为：sFM2(t)＝A2cos[2πfc2t+Kf2∫YHR2(τ)dτ]；
式中，Kf2为二次谐波的调频灵敏度。
4)、三次谐波去斜处理的谐波功率YHR3(t)转换为FM音频信号的过程为：
设三次谐波FM音频信号的正弦载波为：c3(t)＝A3cos(2πfc3t)；
式中，fc3为三次谐波的载波频率。
则三次谐波振幅调频信号表示为：sFM3(t)＝A3cos[2πfc3t+Kf3∫YHR3(τ)dτ]。
式中，Kf3为调频灵敏度。
所述对音频信号的识别分类，基于在声谱图频率维度上对谐波雷达采集到的音频数据特征进行累加，再将累加的新特征送入卷积神经网络(CNN)进行深度学习，加以识别。
本发明的优点在于：
1)、一种基于FPGA和深度学习的谐波雷达，射频发射机使用了带通滤波器和程控功率放大器，高效滤除了通道间的高频分量和器件干扰信号，保证了发射信号的高线性度，具有较好的谐波抑制作用。
2)、一种基于FPGA和深度学习的谐波雷达，为提高谐波雷达接收机灵敏度的极限值，本发明从数字信号处理的角度入手，使用了脉冲压缩方法和脉冲积累方法等，进一步提高了回波信噪比，提升了目标信号检测概率。
3)、一种基于FPGA和深度学习的谐波雷达，针对数字信号处理算法涉及大量数据运算和并行处理的问题，本发明使用FPGA作为信号处理核心单元，充分考虑了信号处理单元的计算能力和实时性，提高了并行计算时的处理性能。
4)、一种基于FPGA和深度学习的谐波雷达，相比于传统的神经网络软件实现平台，本发明使用的FPGA，其可编程性与可重构能力极大缩短了深度学习神经网络的设计周期，不仅具备软件的灵活性，还拥有硬件的高速性，即使是大型复杂神经网络，仍可大大缩短设计周期。
5)、一种基于FPGA和深度学习的谐波雷达，相比于传统的将二、三次谐波分量能量大小可视化或转换成声音的谐波目标识别方法，本发明使用基于神经网络的深度学习技术搭建人工智能分类平台，对目标谐波音频进行特征学习，生成分类模型，利用人工神经网络对目标信号进行客观分析，可稳定识别多类谐波目标，避免了人为主观因素的影响，对操作者要求低，使识别过程更加方便快捷、客观准确。
6)、一种基于FPGA和深度学习的谐波雷达，相比于传统的线性节点目标与非线性节点目标识别区分，本发明对两型(线性、非线性)十二类目标的特征进行提取识别，对谐波音频的细微特征进行提取分析，最终可达到90％的识别准确率，在识别种类数和准确率上有极大提升。
7)、一种基于FPGA和深度学习的谐波雷达，相比于传统的目标谐波信号显示系统，本发明设计了人机交互页面，使用者可将谐波目标音频直接导入深度学习训练模型，进行特征学习训练后，绘制出音频的谱图情况，并快速获得目标判别结果。
附图说明
图1为本发明一种基于FPGA和深度学习的谐波雷达的工作原理图；
图2为本发明信号处理模块的硬件结构框图；
图3为本发明信号处理模块的DAC外围电路原理图；
图4为本发明信号处理模块的ADC外围电路原理图；
图5为本发明信号处理模块的差分放大滤波电路原理图；
图6为本发明信号处理模块的FPGA最小系统电路原理图；
图7为本发明信号处理模块的数字电源电路原理图；
图8为本发明射频发射机设计框图；
图9为本发明调试完成的射频发射机实物图；
图10为本发明收发天线的原理图；
图11为本发明实施例的收发天线采用阿基米德螺旋天线示意图；
图12为本发明实施例的收发天线采用单个高次谐波抑制滤波器结构框图；
图13为本发明实施例的收发天线采用级联高次谐波抑制滤波器结构框图；
图14为本发明二次谐波接收机设计框图；
图15为本发明二次谐波接收机调制电路原理图；
图16为本发明调试完成的二次谐波接收机实物图；
图17为本发明三次谐波接收机设计框图；
图18为本发明调试完成的三次谐波接收机实物图；
图19为本发明目标识别系统模块的框图；
图20为本发明对声谱图频率特征的提取累加过程；
图21为本发明各种目标音频信号形式示意图；
图22为本发明由音频信号到声谱图的转换过程示意图；
图23为本发明对本谐波雷达所探测的不同类型目标的声谱图示意图；
图24为本发明采用的CNN网络架构示意图；
图25为本发明目标识别模块的输出界面示意图。
具体实施方式
下面结合具体实施例和附图，对本发明的实施方式做详细、清楚的描述。
本发明提出了一种基于FPGA和深度学习的谐波雷达，包括：信号处理模块、射频发射机、收发天线、二次谐波接收机、三次谐波接收机、射频电源、用户显示模块以及目标识别模块。
信号处理模块通过插针结构连接射频发射机，射频发射机通过射频线缆结构连接收发天线；同时，信号处理模块通过射频线缆结构分别连接二次谐波接收机，三次谐波接收机，用户显示模块和目标识别模块。
如图1所示，所述信号处理模块采用FPGA作为信号处理核心单元，在发射方向上生成基带线性调频LFM信号；
所述基带线性调频LFM信号sLMF_train(t)表达式为：
其中，A是脉冲幅度，N是单组脉冲个数，rect(·)表示矩形脉冲，ti为快时间，Tp为脉冲宽度，fc为雷达中心频率，γ＝B/Tp为LFM信号的调频斜率，其中B为LFM信号的扫频带宽，T是脉冲重复间隔。
基带线性调频LFM信号通过射频发射机的DAC将其转换为模拟信号，与本地振荡器产生的载频信号进行混频后经I/Q调制器调制得到射频发射信号，
载频信号表达式为：sc(t)＝exp(j2πfct)；
基带信号表达式为：
得到的射频发射信号形式为：
发射信号经带通滤波器滤除通道间泄露的高频分量和器件非线性产生的干扰信号后，送入功率放大器调节发射功率，再进一步通过滤波器滤除泄露的高频分量，最后通过收发天线将射频发射信号发射出去；
调节发射功率发射功率Pt＝11.1dBm～30dBm，步进间隔为0.5dBm，射频发射信号照射到目标后产生二次谐波信号和三次谐波信号，传输到二次谐波接收机和三次谐波接收机，分别经过各次谐波接收机的低噪放大和滤波后，与各自的本振信号经过解调得到回波基带信号，二次谐波的本振信号为：sc(2)(t)＝exp(j4πfct)；
二次谐波接收信号为：
式中，为快时间，代表每一个脉冲内相对于其同步周期起始时刻的时间；τ＝2Rt/c，代表距离Rt处的回波延迟时间。
得到解调后二次谐波基带信号为：
三次谐波的本振信号为：sc(3)(t)＝exp(j6πfct)；
三次谐波的接收信号为：
得到解调后三次谐波基带信号为：
回波基带信号的表达形式为：
其中，Rt为单散射点目标相对雷达的距离，c为光速，st(t)为采用相参脉冲串形成的发射信号；
回波基带信号再经过中频放大器放大并转换为差分形式，经ADC量化转换后送入信号处理模块进行处理分析；
转换后的差分形式为：其中，k11、k12、k21和k22为固定的转换系数，sref为固定参考信号。
信号处理模块对二次谐波接收机和三次谐波接收机输入的信号进行脉冲压缩、脉冲积累和识别检测等处理，输入用户显示模块进行频谱显示；并将另一路二三次谐波信号转换为音频信号，输入目标识别模块进行音频信号的识别分类，并将识别结果进行显示。
脉冲压缩采用数字去斜方法，根据基带线性调频LFM信号的表达式，可得到目标相对雷达距离Rt处点目标n次谐波基带信号为：
其中，τ＝2Rt/c，为快时间，代表每一个脉冲内相对于其同步周期起始时刻的时间。
然后，设定参考信号为发射信号n次谐波的共轭形式，在零距离处参考信号的表达形式为：其中，Tref为参考信号宽度，参考信号的脉宽应大于发射信号的宽度，即Tref＞Tp。
最后，将回波信号与参考信号混频，得到单频脉冲压缩回波信号为：
脉冲积累采用相参积累方法，相参积累模型的输入为各回波信号脉压后的输出，其中变量/>为快时间，变量n代表的是回波脉冲序列数，称n或tn＝nTr为慢时间，模型的输出/>为相参积累后得到的时域-多普勒域二维信号，其中fk为离散的多普勒频率。时域-多普勒域即通常所说的R-D域，因而相参积累又可称为脉冲-多普勒处理(PD处理)。
本发明在设计中采用相参脉冲串作为发射信号，其数学模型的表达式为
其中，Tr是脉冲重复周期。
假设单散射点目标初始时刻相对雷达距离R0，目标相对雷达做径向的匀速直线运动，运动速度v，规定速度符号在靠近雷达时为正，在远离雷达时为负。可得到各脉冲回波的延迟时间：n＝0,1,…,N-1
因而雷达接收到的回波脉冲串可表达为
对发射的基带线性调频LFM信号，经过数字下变频和脉冲压缩处理，可得到第n个回波脉冲压缩后的信号时域表达式，具体为：
相参积累的输入为各回波信号脉压后的输出，变量n代表的是回波脉冲序列数，tn＝nTr为慢时间；输出/>为相参积累后得到的时域-多普勒域二维信号，其中fk为离散的多普勒频率。
第n个回波脉冲脉压后的信号时域表达式为：
式中，ωd＝2πfd，为目标运动引起的多普勒频率；τn为脉冲回波的延迟时间；R0为单散射点目标初始时刻相对雷达的距离；B为信号带宽；tp为脉冲宽度；ωc＝2πfc，fc为雷达中心频率；Sa函数为抽样函数，/>
依据相参积累理论，可通过离散傅里叶变换(DFT)实现脉冲的积累过程。只考虑相位信息，对上式中的变量进行离散傅立叶变换，并忽略常数项部分，最终得到频谱显示的时域-多普勒域二维信号表达式为：
令代入上式，可得到积累后信号在多普勒域的幅频响应：
可见通过相参积累，N个周期回波位于同一距离单元的慢时间域采样变换为多普勒域的窄脉冲信号，脉冲峰值位于多普勒频移fd处，即可由PD处理后多普勒域信号的幅度包络提取运动目标的速度信息。
所述识别检测采用一种基于极值剔除法和OS-CFAR的改进型可变指数恒虚警检测算法(VIEEMOS-CFAR)，实现根据环境噪声及不同目标辐射的二、三次谐波功率大小关系采用不同的频域检测算法，判断目标是否存在。
采用滑窗结构实现CFAR检测，首先选取检测单元D，并在检测单元周围留出保护单元，将脉冲积累的输出结果送入滑窗检测结构，分别计算出前参考窗(以A表示)和后参考窗(以B表示)的变化指数VIA、VIB以及它们的均值比MR，用于判断前后窗所处背景环境是否均匀以及二者的均值是否相同，再根据判断结果选择前参考窗、后参考窗或者全参考窗中的一个进行背景功率估计，依据参考窗的长度选择相应的门限因子，将门限因子和背景功率相乘得到判决门限，和待检测单元作比较，判断出目标是否存在。
αN/2和αN分别表示半参考窗和全参考窗所对应的门限因子，计算方式为：
统计量VI用于判断参考窗所处背景环境是否均匀，可由下式得到：
其中，xi为样本单元值，为方差，/>为参考窗内的样本均值。
均值比MR用于判断前后参考窗的统计均值是否相同，其计算方法为：
其中，表示前参考窗的均值，/>表示后参考窗的均值。
参考窗杂波背景情况的具体判断方法包含以下两方面：
KVI和KMR是预设的比较门限，当统计量VI不大于门限KVI时，认为参考窗内是均匀杂波，否则为非均匀杂波；当均值比MR小于等于KMR且大于等于时，认为两参考窗的均值是相同的，否则为不相同。
VIEEMOS-CFAR的CFAR选择如下表所示：
对于环境类型1和2，即前后窗都判断为均匀时，若二者均值相同则采用全窗CA-CFAR处理，若二者均值不同则采用GO-CFAR处理。
而对于环境类型3和4，即前后窗只有一侧判断为均匀时，对非均匀窗剔除2个最大值和2个最小值，若剔除操作后，前后窗都判断为均匀，则进行均值判断，若前后窗均值相同，可直接使用CA-CFAR处理，若前后窗均值不同，则采用GO-CFAR处理。若剔除操作后，前后窗仍有一侧不均匀，只要不均匀一侧的参考单元数大于4，就可以执行循环剔除极值的操作，如果单元数小于4，就只对均匀窗使用CA-CFAR处理。
对于环境类型5，即前后窗都判断为不均匀时，有可能是多个邻近目标共存，无论是在均匀背景噪声还是杂波边缘区域，OS-CFAR都保持着稳定的检测性能，因此这里采用OS-CFAR的检测方法，以提高对非均匀环境的检测效能。
为具体识别半导体和金属接点目标，需要根据环境噪声及不同目标辐射的二、三次谐波功率大小关系编写频域检测算法，判断目标是否存在。
检测开始后，首先初始化起始处理脉冲数Nstart、结束处理脉冲数Nstop，根据检测性能要求设定常数K1、K2、K3，并令当前脉冲计数器N＝Nstart。然后程序进入等待波门到来，若波门到来且此时脉冲计数器的值N小于设定积累脉冲个数，程序完成脉冲压缩并将结果存储后跳转回波门检测程序，继续等待波门的到来，循环往复直至脉冲计数器的值N等于设定积累脉冲个数，程序跳转至脉冲积累模块，将之前存储的数据读出，预处理后进行脉冲积累，再将脉冲积累的结果输出至CFAR检测模块，分别得到环境噪声功率Z、二次谐波功率YHR2和三次谐波功率YHR3，然后首先将谐波功率与检测门限比较，判断是否检测到目标，若二次谐波回波功率YHR2和三次谐波回波功率YHR3均小于检测门限K1·Z，则判定为未检测到目标，程序回到起始位置等待下一次检测，若判断检测到目标，则程序进入目标识别模块进行目标识别，若二次谐波回波功率YHR2大于三次谐波回波门限K2·YHR3，则判断为检测到半导体目标，若三次谐波回波功率YHR3大于二次谐波回波门限K3·YHR2，则判断为检测到金属接点目标，若以上两条件均不满足，则判定为检测到未知目标，至此系统完成一次完整的目标检测识别过程。
音频转换包括AM音频转换和FM音频转换，具体为：
1)、所述二次谐波去斜处理的谐波功率YHR2(t)转换为AM音频信号的过程为：
设二次谐波AM音频信号的正弦载波为c2(t)＝A2cos(ωc2t+φ0)
式中，A2为二次谐波的载波幅度；ωc2为二次谐波的载波角频率；φ0为载波初始相位(通常假设φ0＝0)。
根据调制的定义，二次谐波振幅调制信号表示为sAM2(t)＝A2YHR2(t)cos(ωc2t)
2)、三次谐波去斜处理的谐波功率YHR3(t)转换为AM音频信号的过程为：
设三次谐波AM音频信号的正弦载波为c3(t)＝A3cos(ωc3t+φ0)
式中，A3为三次谐波的载波幅度；ωc3为三次谐波的载波角频率。
根据调制的定义，三次谐波振幅调制信号表示为sAM3(t)＝A3YHR3(t)cos(ωc3t)
3)、二次谐波去斜处理的谐波功率YHR2(t)转换为FM音频信号的过程为：
设二次谐波FM音频信号的正弦载波为c2(t)＝A2cos(2πfc2t)
式中，fc2为二次谐波的载波频率。
在调制时，调制信号的频率去控制载波的频率的变化，载波的瞬时频偏随调制信号YHR2(t)成正比例变化，即
式中，Kf2为调频灵敏度。
这时相位偏移为
则二次谐波振幅调频信号表示为sFM2(t)＝A2cos[2πfc2t+Kf2∫YHR2(τ)dτ]
式中，Kf2为二次谐波的调频灵敏度。
4)、三次谐波去斜处理的谐波功率YHR3(t)转换为FM音频信号的过程为：
设三次谐波FM音频信号的正弦载波为c3(t)＝A3cos(2πfc3t)
式中，fc3为三次谐波的载波频率。
在调制时，调制信号的频率去控制载波的频率的变化，载波的瞬时频偏随调制信号YHR3(t)成正比例变化，即式中，Kf3为调频灵敏度。
这时相位偏移为
则三次谐波振幅调频信号表示为sFM3(t)＝A3cos[2πfc3t+Kf3∫YHR3(τ)dτ]式中，Kf3为调频灵敏度。
所述对音频信号的识别分类，对音频信号的识别分类检测采用基于频域特征累加方法对谐波雷达采集到的音频信号数据库进行特征学习，生成分类模型。具体为：基于在声谱图频率维度上对谐波雷达采集到的音频数据特征进行累加，使频率特征更加明显，再将累加的新特征送入卷积神经网络(CNN)进行深度学习，加以识别。
如图2所示，信号处理模块还包括：DAC、ADC、时钟源及扇出器、FPGA、差分放大电路、音频编解码模块、网口模块和电源模块等。
整个中频信号处理板采用同源时钟，通过时钟源及扇出器分离同源时钟，用来驱动ADC、DAC、FPGA、发射机本振和接收机本振等器件，满足系统相参设计需求。网口模块提供对外接口总线，用以驱动其他外挂设备，因需显示非线性目标的检测结果，还需提供按键和屏幕等模块，供用户数据交换。
所述DAC用于对带宽为1.5MHz的基带线性调频LFM信号进行数模转换；DAC的数据更新速率应大于两倍信号带宽，以满足信号重构基本要求，且DAC模块的更新速率越快，数据失真越小，DAC选型时需考虑数据位数、转换速率、转换精度、量化误差以及功耗等要求，优选ADI公司生产的AD9765芯片；如图3所示，展示的是DAC芯片外围电路原理图。
所述ADC用于对回波基带信号进行数字量化，送入后端数字处理单元进行处理。ADC在选取过程中要考虑可检测信号范围、转换精度、对噪声系数恶化量等指标，还需注意SFDR、微分非线性和积分非线性误差等参数，SFDR越高意味着芯片对杂散成分的抑制越好。微分非线性误差越小，指触发两个连续输出编码的实际电平差相对于理想的偏差值越小，积分非线性误差越小，意味着ADC模块实际传递函数与理想传递函数间偏差越小，两者很大程度上决定了ADC模块的精确度。优选ADI公司的AD9253芯片。如图4所示，展示的是ADC外围电路原理图。
由于ADC的最小可检测信号功率仅为-63.45dBm，为达到-130dBm的灵敏度，需提供至少66.55dB的增益。尽管设计二、三次射频接收机的最小增益仅为55.6dB，但是仍有11dB的增益空缺需要由中频放大器提供。由于模数转换器AD9253的输入偏置电压为0.9V，而二次接收通道解调器ADL5380的输出偏置电压为2.5V，如果将两者直连，ADC将损失很大一部分动态范围，需在两者间进行偏置电压转换。另外，三次接收通道解调器HMC951B输出为单端形式，需在解调器后端设置合适的单端转差分电路，以满足阻抗匹配，获得较好的数字量化性能。差分放大器优选ADI公司的ADA4930，用于单端和差分电路转换，输出共模电压可调，完美解决了前端解调器输出共模电压和后端ADC输入偏置电压不匹配的问题。如图5所示，展示的是差分放大滤波电路原理图。
所述FPGA是最核心的单元，其主要负责外围器件的时序控制、数据存取、用户交互显示以及基带发射信号生成、回波基带信号的脉冲压缩、脉冲积累和识别检测等信号处理。FPGA芯片优选Xilinx公司生产的XC7K325T，该芯片采用28nm工艺制作，片内资源丰富，用户端口充足，支持500MHz高时钟频率，数据高速处理能力卓越，可以满足数据传输和回波信号处理需求。FPGA的硬件电路主要由FPGA、Flash配置电路、时钟/复位电路、用户接口等部分组成。用户接口包括DAC、ADC总线和屏幕按键等部分。如图6所示，展示的是FPGA最小系统电路原理图。
所述音频编解码模块，将处理好的二次和三次谐波的幅度电平对应于不同的频率值，利用FPGA中的DDS IP核产生人耳可听见范围内的对应正弦信号，并对WM8731音频编解码芯片进行配置和信号输入，输出对应的音频信号，优选WM8731音频编解码芯片。
所述网口模块直接与FPGA连接，通过FPGA对芯片进行配置。具体的网络协议由FPGA内部编程实现，优选M88E1111接口协议芯片，支持10M/100M/1000M三种速度的网络连接形式。
所述电源模块主要为中频信处电路各电路模块提供供电；其中DAC电路需要5V的模拟和3.3V的数字电源供电，ADC电路需要1.8V的数字和模拟电源供电，差分放大电路需要3.3V的模拟电源供电，FPGA电路需1.0V、1.8V、2.5V、3.3V的数字电源供电。信号处理系统中模拟部分的功耗较低，对电流的要求不超过300mA，其所需模拟电源可直接从射频电源引入，但引入过程中需要考虑电源去耦和电源回流路径等问题。信号处理模块中数字电路部分功耗较高，但其对电源线性度要求不高，考虑到频繁的数字信号跳变会对模拟电路造成影响，所以单独设计数字供电电路。优选TI公司生产的TPS54620支持4.5V～17V的电压输入，通过设置外部配置电阻可提供0.8V～17V电压输出，最高输出电流可达6A。优选TPS56121芯片支持4.5V～14V的电压输入，0.6V～14V电压输出，最高输出电流可达15A，两款芯片集成软启动、过流保护及环路补偿功能，且均可通过使能管脚对芯片进行关断，以实现系统上电顺序的控制。如图7所示，展示的是数字电源电路原理图。
如图8所示，所述射频发射机硬件构成包括：本地振荡器、I/Q调制器、功率放大器和级联滤波电路。
本地振荡器产生载频信号，I/Q调制器将基带LFM信号和载频信号进行调制，得到射频发射信号；经过带通滤波器滤除通道间泄露的高频分量和器件非线性产生的干扰信号后，送由功率放大器调节发射功率，再进一步经过级联滤波电路滤除泄露的高频分量，最后通过发射天线辐射出去；
所述本地振荡器主要负责产生载频信号，本振芯片需满足一定的分频比例，以达到2404MHz～2472MHz频率的信号输出，本振的谐波失真、相位噪声应尽可能小，输出信号功率越高越好，优选Linear生产的集成压控振荡器的超低噪声及杂散、高性能本地振荡器LTC6946，其具备卓越的杂散性能，内部集成低噪声基准缓冲器，归一化带内相位噪声层仅为-226dBc/Hz，芯片预留串行外设接口(Serial Peripheral Interface,SPI)接口，通过更改配置1～6级VCO输出分频器调整输出频率范围：373MHz～6390MHz，LTC6946内部即可进行输出频率校准，无需外部电路支持。
所述I/Q调制器的作用是将发射的基带线性调频LFM信号和载频信号进行调制，其输出范围必须大于发射机的工作频率范围，要求其具有大带宽，本底杂声、载波泄露和谐波泄露都较小的调制器芯片，优选ADI公司的ADL5372，其支持双通道差分基带信号输入，混频后单端输出，输出频率范围1500MHz～2500MHz，3dB调制带宽大于500MHz，非常适用于零中频射频发射机设计，具有较强的抗干扰能力。
所述功率放大器负责将发射信号放大到一定强度，以满足非线性目标产生谐波辐射的照射功率要求，功率放大器选择时应提供足够的放大增益和精细的放大步进，以满足小信号放大倍数和系统动态范围的要求。功率放大器输出功率越高，谐波雷达对应作用距离越远，但其输出功率不能过高，因为功率放大器工作中会将干扰噪声信号和自身非线性产生的谐波同时放大，所以功率放大器选择时需考虑其噪底、1dB压缩点(1dB compressionpoint,P1dB)和输出三阶交调截取点(Output 3rd order intercept point,OIP3)等指标，优选RFMD公司生产的RFDA2046数字控制可变增益功率放大器，其工作频率范围可达2000MHz～2800MHz，最大增益可达41dB。通过预留的SPI接口可轻松实现对放大增益的精细控制，控制步进0.5dB，控制范围31.5dB。RFDA2046的噪声系数仅为5.2dB，P1dB可达28dBm，OIP3达41dBm，且其内部集成输入输出匹配，无需外部偏置。
所述级联滤波电路中第一级滤波器采用带通滤波器，主要作用是滤除进入功率放大器通道间泄露的高频分量和器件非线性产生的干扰信号，优选带通滤波器BFCN-2450+，阻抗50Ω，通带2400MHz～2550MHz，通带内插损约为2dB，高频阻带插损不低于20dB，低频阻带插损可达30dB；第二级滤波器采用低通滤波器，主要作用是滤除信号放大后的高频噪声干扰，避免其通过天线直接耦合到接收通道，选择滤波器的带内插损不宜过高，以保证发射机发射功率，优选低通滤波器LFCN-2750+，通带0MHz～2750MHz，通带内插损约为0.7dB，对于二、三次谐波频点的插损分别为44dB和26dB左右，用以滤除信号放大后的高频噪声干扰，避免其通过天线直接耦合到接收通道。如图9所示，展示的是调试完成的射频发射机实物。
所述收发天线：用于发射无线信号，接收目标二次谐波与三次谐波；如图10所示，具体包含宽带螺旋天线、谐波抑制的四端口宽带环形器和抑制高次谐波的小型化带通滤波器三部分组成；
收发天线工作时，由下端控制电路将激励传递至天线，优选发射2.4GHz信号，信号接触到目标物体后，产生4.8GHz的二次谐波与7.2GHz的三次谐波，再由天线接收，反馈给下端控制电路，传递给射频发射机。
本实施例的收发天线采用阿基米德螺旋天线，如图11所示，由3块FR-4板组成，从上至下依次命名为1号板、2号板、3号板；包括输出端口，二次谐波端口和三次谐波端口。所述1号板上表面印刷有一个双臂阿基米德螺旋天线，中心通过两个金属针与3号板的馈电网络相连。2号板上表面为隔绝天线与馈电网络的地板，中心有一个圆形非金属化过孔。3号板上表面为馈电网络，首先通过环形器将天线2.4GHz、4.8GHz、7.2GHz分离出来，随后，在二次谐波端口和三次谐波端口分别配备了微带线形式的4.8GHz、7.2GHz滤波器，在发射端口配备了两个2.4GHz滤波器，用于增加端口间隔离。3号板下表面为地板。
该天线工作时，通过激励一端口发射2.4GHz的电磁波，接触到目标后接收反射的二次或三次谐波，然后将谐波信号通过SMP接头传递至射频网络。
第二实施例中，收发天线3号板布局结构采用高次谐波抑制滤波器优化设计，如图12所示，展示的是单个滤波器的结构，该滤波器的外尺寸是30mm*20mm。保持滤波器的尺寸参数以及介质板参数都不变，将两个谐波抑制滤波器进行级联，如图13所示，展示的是级联滤波器的结构。
如图14所示，所述二次谐波接收机的构成包括：射频放大电路和解调电路。
所述射频放大电路采用三级放大器级联设计，避免放大器自激振荡，所述二次谐波接收机接收端第一级芯片为高增益、低噪声系数的低噪声放大器，优选ADI公司生产的HMC717LP3，其噪声系数为1.1dB，工作频率范围为4.6GHz至6.0GHz；所述二次谐波接收机接收端第二级芯片和第三级芯片对通道噪声系数影响很小，而增益是两者需要关心的首要参数，优选HMC392A射频LNA放大器，其工作频率范围为3.5GHz至7.0GHz，增益17.4dB，噪声系数1.7dB，P1dB为19dBm，OIP3可达34.5dBm，采用三级串联设计，理论增益可达49.8dB。
所述解调电路的作用是将射频回波信号和本地高次谐波信号进行混频，以得到中频回波信号供后级数据放大和量化处理。如图15所示，展示的是调制电路原理图；解调器要具备较高的解调精度和较低的噪声系数，优选ADI公司的ADL5380，其支持400MHz～6000MHz的射频、本振输入频率范围，解调带宽高达390MHz，解调相位精度约0.2°，幅度平衡约0.07dB；解调电路中本地振荡器的要求满足低谐波失真，低相位噪声、高输出功率等要求，优选LTC6946。解调芯片的信号输入为差分形式，需要对经射频放大后的谐波回波信号进行单端—差分转换，电路设计优选Mini-Circuits公司生产的射频变换器TCM1_83X+完成转换，其支持10MHz～8000MHz的信号输入，提供50Ω的阻抗匹配，在二次谐波对应频点插损约为1dB。如图16所示，展示的是调试完成的二次谐波接收机实物。
如图17所示，所述三次谐波接收机接收频率范围7212MHz～7416MHz，三次谐波回波带宽展宽为4.5MHz；硬件构成包括：射频放大电路和解调电路。
所述射频放大电路采用三级放大器串联设计，避免放大器自激振荡，所述三次谐波接收机接收端第一级芯片为高增益、低噪声系数的低噪声放大器，优选ADI公司生产的HMC902LP3，噪声系数为1.8dB，工作频率范围为5GHz～11GHz，对应三次谐波频点处增益约为19.5dB，P1dB为16dBm，OIP3可达28dBm；所述第二级芯片和第三级芯片需要提供较大的增益，优选ADI公司生产的HMC902LP3，噪声系数仅为1.8dB，工作频率范围为5GHz～11GHz，对应三次谐波频点处增益约为19.5dB，P1dB为16dBm，OIP3可达28dBm。
所述解调电路的作用是将射频回波信号和本地高次谐波信号进行混频，以得到中频回波信号供后级数据放大和量化处理。解调器要具备较高的解调精度和较低的噪声系数，优选ADI公司的HMC951B，其射频输入范围5.6GHz～8.6GHz，本振输入范围4.5GHz～12.1GHz，解调相位精度3°，幅度平衡0.5dB；
解调电路中本地振荡器要满足低谐波失真，低相位噪声、高输出功率等要求，优选TI公司生产的高性能宽带射频合成器LMX2592，其内部集成VCO，支持分数N和整数N模式，输出频率范围可达20MHz～9800MHz，积分噪声为49fs，芯片支持双差分输出，输出功率8dBm，可通过预留的SPI调整相位、电荷泵电流和输出功率。如图18所示，展示的是调试完成的三次谐波接收机实物。
所述射频电源为射频发射机、二次谐波接收机、三次谐波接收机各分立模块提供供电；
具体地，射频电路中发射通道的调制器、本地振荡器、功率放大器以及二次接收通道的解调器、本地振荡器、低噪声放大器均需要5V电源供电；发射和二次接收通道的本振芯片需要3.3V电源供电；三次接收通道的解调器、本地振荡器、低噪声放大器芯片需要3.5V的电源供电。整个射频电路对供电电流要求较高，其中对3.3V电源的电流要求不小于550mA，3.5V电源的电流要求不小于530mA，5V电源的电流要求不小于1500mA。所述射频电源系统采用线性稳压器单独设计射频电路电源系统。线性稳压器优选Linear公司的3A低压差正可调高效率线性稳压器LT1085，芯片带载时线性度可达0.2％，其最大输入电压30V，输出电压可调，支持最大3A的电流输出。
所述用户显示模块：接收信号处理模块处理后的数据，并将接收到的二次谐波信号和三次谐波信号进行频谱显示；
所述目标识别模块：使用深度学习技术搭建人工神经网络，利用基于频域特征累加方法对谐波雷达采集到的音频信号数据库进行特征学习，生成分类模型，建立人工智能分类系统，完成谐波雷达目标的分类识别。
本谐波雷达可探测识别半导体、金属接点、墙上开关、墙上插座、网络端口、鼠标、集成电路板、锂电池、电源适配器、专业设备等多种不同类型目标。
如图19所示，目标识别模块具体包括数据采集端、数据预处理模块、人工神经网络模型、人工交互模块和封装模块。
数据采集端采集目标信号数据输入到数据预处理模块，进行数据的裁剪、对齐操作，再将预处理后的训练集数据导入人工神经网络模型，提取数据特征进行深度学习训练，经封装模型封装，需要进行单个信号识别时，由人工交互模块导入待识别数据，加载训练好的封装模型，将待识别数据的特征进行分析比对，得出预测结果，完成单个信号识别分类。
所述数据采集端连接二次谐波接收机和三次谐波接收机的输出端口；数据预处理模块对训练集和测试集数据进行批量处理，执行裁剪、对齐等必要操作；人工神经网络模型负责对训练集数据提取特征，进行深度学习训练，优选卷积神经网络(ConvolutionalNeural Network,CNN)，提取数据的声谱图特征，按照时间-频率-能量的时序进行切分，构成相同长度的声谱片段，再对同一类目标的声谱特征进行特征积累，导入CNN网络模型进行训练，经过一定轮数的迭代后获得神经网络的最优参数配置，在最优参数配置下完成模型的封装；人工交互模块负责显示待识别数据的图谱特征，调用所述的封装模型，进行特征识别，完成目标分类，最终显示得到目标分类识别结果。
识别分类的具体过程如下。
首先，对采集到的不同目标回波的音频信号样本进行快速傅里叶变换(FFT)，得到由时间、频率、能量信息构成的声谱图。各种目标音频信号形式分别如下图21所示；由音频信号到声谱图的转换过程如下图22所示。对于本谐波雷达所探测的不同类型目标，所得到的声谱图也不相同，半导体、金属接点、墙上开关、墙上插座、网络端口、鼠标、集成电路板、锂电池、电源适配器、专业设备等十类目标音频信号转换后，所得到的声谱图形式如下图23所示。其中，横坐标代表时间，纵坐标代表频率，坐标点值代表音频数据能量，由于图谱是使用二维平面表达三维信息，因此相应时刻频率的能量大小是用像素强度(即灰度值或有色渐变范围)来表示的。灰度越大(颜色越深)则能量越大，灰度越小(颜色越浅)则能量越小。
对于不同类型目标的音频信号声谱图，其声纹特征各不相同，且谱图中频率分辨率比时间分辨率更高，在某些特定频率附近会显示出更高的能量，因此在频率维度上对数据特征进行累加，使频率特征更加明显，再将新特征送入卷积神经网络(CNN)进行深度学习，加以识别。对声谱图频率特征的提取累加过程如下图20所示；所采用的CNN网络架构如下图24所示。通过将新采集的音频信号送入目标识别模块，利用训练好的网络模型进行分类识别，并输出识别结果。目标识别模块的输出界面如下图25所示。界面左侧显示属于各种分类的原始概率，右边显示声谱图并给出最终的分类结果。
Claims (10)
1.一种基于FPGA和深度学习的谐波雷达，其特征在于，具体包括：信号处理模块、射频发射机、收发天线、二次谐波接收机、三次谐波接收机、射频电源、用户显示模块以及目标识别模块；
信号处理模块通过插针结构连接射频发射机，射频发射机通过射频线缆结构连接收发天线；同时，信号处理模块通过射频线缆结构分别连接二次谐波接收机，三次谐波接收机，用户显示模块和目标识别模块；
所述信号处理模块核心为FPGA，在发射方向上生成基带线性调频LFM信号，并通过射频发射机的DAC将其转换为模拟信号，与本地的载频信号进行混频后经调制得到射频发射信号，经滤波器滤除高频分量和干扰信号后，送入功率放大器调节发射功率，再进一步通过滤波器滤除高频分量泄漏，最后通过收发天线将射频发射信号发射出去；
所述基带线性调频LFM信号sLMF_train(t)表达式为：
其中，A是脉冲幅度，N是单组脉冲个数，rect(·)表示矩形脉冲，ti为快时间，Tp为脉冲宽度，fc为雷达中心频率，γ＝B/Tp为LFM信号的调频斜率，其中B为LFM信号的扫频带宽，T是脉冲重复间隔；
射频发射信号照射到目标后产生二次谐波信号和三次谐波信号，传输到二次谐波接收机和三次谐波接收机，分别经过各次谐波接收机的低噪放大和滤波后，与各自的本振信号经过I/Q解调器解调得到回波基带信号，回波基带信号再经过中频放大器放大并转换为差分形式，经ADC量化转换后送入信号处理模块进行处理分析；
所述回波基带信号sr(t)的表达形式为：
其中，Rt为单散射点目标相对雷达的距离，c为光速，st(t)为采用相参脉冲串形成的发射信号，表达式为：
其中，Tr是脉冲重复周期；
对回波基带信号转换后的差分形式为：
sr-(t)＝k11sr(t)+k12sref
sr+(t)＝k21sr-(t)+k22sref
其中，k11、k12、k21和k22为固定的转换系数，sref为固定参考信号；
信号处理模块对二次谐波接收机和三次谐波接收机输入的信号进行脉冲压缩、脉冲积累和识别检测处理，输入用户显示模块进行频谱显示；并将另一路信号转换为音频信号，输入目标识别模块进行识别分类，并将识别结果进行显示；
输出频谱显示的时域-多普勒域二维信号表达式为：
为快时间，代表每一个脉冲内相对于其同步周期起始时刻的时间；ωd＝2πfd为目标运动引起的多普勒频率；
令代入上式，可得到积累后信号在多普勒域的幅频响应：
2.如权利要求1所述的一种基于FPGA和深度学习的谐波雷达，其特征在于，所述信号处理模块还包括：时钟源及扇出器、差分放大电路、音频编解码模块、网口模块和电源模块。
3.如权利要求1所述的一种基于FPGA和深度学习的谐波雷达，其特征在于，所述FPGA硬件电路包括FPGA、Flash配置电路、时钟/复位电路以及用户接口；其中用户接口包括DAC、ADC总线和屏幕按键；FPGA负责外围器件的时序控制、数据存取、用户交互显示以及基带发射信号生成、回波基带信号的脉冲压缩、脉冲积累和识别检测的信号处理。
4.如权利要求1所述的一种基于FPGA和深度学习的谐波雷达，其特征在于，所述射频发射机包括：本地振荡器、I/Q调制器、功率放大器和级联滤波电路；
本地振荡器产生载频信号，I/Q调制器将基带LFM信号和载频信号进行调制，得到射频发射信号；经过带通滤波器滤除通道间泄露的高频分量和器件非线性产生的干扰信号后，送由功率放大器调节发射功率，再进一步经过级联滤波电路滤除泄露的高频分量，最后通过发射天线辐射出去。
5.如权利要求1所述的一种基于FPGA和深度学习的谐波雷达，其特征在于，所述收发天线用于发射无线信号，接收目标二次谐波与三次谐波；具体包含宽带螺旋天线、谐波抑制的四端口宽带环形器和抑制高次谐波的小型化带通滤波器三部分。
6.如权利要求1所述的一种基于FPGA和深度学习的谐波雷达，其特征在于，所述二次谐波接收机/三次谐波接收机均包括射频放大电路和解调电路；对天线接收非线性目标辐射的二次谐波信号/三次谐波信号进行放大处理，经放大后的回波和本振信号经I/Q解调器解调得到回波基带信号，再经中频放大器放大，通过ADC转换后送入信号处理单元进行处理分析。
7.如权利要求1所述的一种基于FPGA和深度学习的谐波雷达，其特征在于，所述目标识别模块包括数据采集端、数据预处理模块、人工神经网络模型、人工交互模块和封装模块；使用深度学习技术搭建人工神经网络，利用基于频域特征累加方法对谐波雷达采集到的音频信号数据库进行特征学习，生成分类模型，建立人工智能分类系统，完成谐波雷达目标的分类识别；
所述数据采集端连接二次谐波接收机和三次谐波接收机的输出端口；数据预处理模块对训练集和测试集数据进行批量处理，执行裁剪、对齐操作；人工神经网络模型负责对训练集数据提取特征，进行深度学习训练，在最优参数配置下完成模型的封装；人工交互模块负责显示待识别数据的图谱特征，调用所述的封装模型，进行特征识别，完成目标分类，最终显示得到目标分类识别结果。
8.如权利要求7所述的一种基于FPGA和深度学习的谐波雷达，其特征在于，所述谐波雷达目标的分类包括半导体、金属接点、墙上开关、墙上插座、网络端口、鼠标、集成电路板、锂电池、电源适配器、专业录音设备、SD存储卡和微型麦克风。
9.如权利要求1所述的一种基于FPGA和深度学习的谐波雷达，其特征在于，所述音频转换包括AM音频转换和FM音频转换，具体为：
1)、所述二次谐波去斜处理的谐波功率YHR2(t)转换为AM音频信号的过程为：
设二次谐波AM音频信号的正弦载波为：c2(t)＝A2cos(ωc2t+φ0)；
式中A2为二次谐波的载波幅度；ωc2为二次谐波的载波角频率；φ0为载波初始相位；
根据调制的定义，二次谐波振幅调制信号表示为：sAM2(t)＝A2YHR2(t)cos(ωc2t)；
2)、三次谐波去斜处理的谐波功率YHR3(t)转换为AM音频信号的过程为：
设三次谐波AM音频信号的正弦载波为：c3(t)＝A3cos(ωc3t+φ0)；
式中，A3为三次谐波的载波幅度；ωc3为三次谐波的载波角频率；
根据调制的定义，三次谐波振幅调制信号表示为：sAM3(t)＝A3YHR3(t)cos(ωc3t)；
3)、二次谐波去斜处理的谐波功率YHR2(t)转换为FM音频信号的过程为：
设二次谐波FM音频信号的正弦载波为：c2(t)＝A2cos(2πfc2t)；
式中，fc2为二次谐波的载波频率；
则二次谐波振幅调频信号表示为：sFM2(t)＝A2cos[2πfc2t+Kf2∫YHR2(τ)dτ]；
式中，Kf2为二次谐波的调频灵敏度；
4)、三次谐波去斜处理的谐波功率YHR3(t)转换为FM音频信号的过程为：
设三次谐波FM音频信号的正弦载波为：c3(t)＝A3cos(2πfc3t)；
式中，fc3为三次谐波的载波频率；
则三次谐波振幅调频信号表示为：sFM3(t)＝A3cos[2πfc3t+Kf3∫YHR3(τ)dτ]；
式中，Kf3为调频灵敏度。
10.如权利要求1所述的一种基于FPGA和深度学习的谐波雷达，其特征在于，所述对音频信号的识别分类，基于在声谱图频率维度上对谐波雷达采集到的音频数据特征进行累加，再将累加的新特征送入卷积神经网络(CNN)进行深度学习，加以识别。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210225000.6A CN114609593B (zh) | 2022-03-09 | 2022-03-09 | 一种基于fpga和深度学习的谐波雷达 |
| US18/118,942 US20230358856A1 (en) | 2022-03-09 | 2023-03-08 | Harmonic radar based on field programmable gate array (fpga) and deep learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210225000.6A CN114609593B (zh) | 2022-03-09 | 2022-03-09 | 一种基于fpga和深度学习的谐波雷达 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114609593A CN114609593A (zh) | 2022-06-10 |
| CN114609593B true CN114609593B (zh) | 2024-04-12 |
Family
ID=81860381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210225000.6A Active CN114609593B (zh) | 2022-03-09 | 2022-03-09 | 一种基于fpga和深度学习的谐波雷达 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230358856A1 (zh) |
| CN (1) | CN114609593B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117675091A (zh) * | 2022-08-24 | 2024-03-08 | 中国石油天然气集团有限公司 | 一种测井信号解调方法、装置、计算机设备及存储介质 |
| CN116482617B (zh) * | 2023-06-21 | 2023-08-29 | 南京理工大学 | 一种基于超表面的可切换式二次和三次谐波被动生成系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1219072A (en) * | 1957-09-24 | 1971-01-13 | Canadian Arsenals Ltd | Pulsed doppler radar system |
| JP2000046936A (ja) * | 1998-07-29 | 2000-02-18 | Mitsubishi Electric Corp | Ｆｍパルスドップラレーダ |
| CN102590794A (zh) * | 2012-02-28 | 2012-07-18 | 北京航空航天大学 | 一种宽带相参雷达目标模拟器 |
| CN106918804A (zh) * | 2016-11-27 | 2017-07-04 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 雷达干扰识别信号处理系统 |
| CN108459302A (zh) * | 2018-02-11 | 2018-08-28 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 线性调频连续波雷达收发前端 |
| CN108845296A (zh) * | 2018-06-15 | 2018-11-20 | 中国电子科技集团公司第十四研究所 | 一种基于微波光子的宽带雷达射频数字接收机及信号采集与处理方法 |
| CN110058219A (zh) * | 2018-12-30 | 2019-07-26 | 上海微波技术研究所（中国电子科技集团公司第五十研究所） | Mimo谐波雷达 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9395434B2 (en) * | 2013-04-25 | 2016-07-19 | The United States Of America As Represented By The Secretary Of The Army | Multitone harmonic radar and method of use |
-
2022
- 2022-03-09 CN CN202210225000.6A patent/CN114609593B/zh active Active
-
2023
- 2023-03-08 US US18/118,942 patent/US20230358856A1/en active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1219072A (en) * | 1957-09-24 | 1971-01-13 | Canadian Arsenals Ltd | Pulsed doppler radar system |
| JP2000046936A (ja) * | 1998-07-29 | 2000-02-18 | Mitsubishi Electric Corp | Ｆｍパルスドップラレーダ |
| CN102590794A (zh) * | 2012-02-28 | 2012-07-18 | 北京航空航天大学 | 一种宽带相参雷达目标模拟器 |
| CN106918804A (zh) * | 2016-11-27 | 2017-07-04 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 雷达干扰识别信号处理系统 |
| CN108459302A (zh) * | 2018-02-11 | 2018-08-28 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 线性调频连续波雷达收发前端 |
| CN108845296A (zh) * | 2018-06-15 | 2018-11-20 | 中国电子科技集团公司第十四研究所 | 一种基于微波光子的宽带雷达射频数字接收机及信号采集与处理方法 |
| CN110058219A (zh) * | 2018-12-30 | 2019-07-26 | 上海微波技术研究所（中国电子科技集团公司第五十研究所） | Mimo谐波雷达 |
Non-Patent Citations (2)
| Title |
|---|
| 基于逆滤波的宽带线性调频雷达MTD技术;刘振;魏玺章;黎湘;;雷达科学与技术;20120815(04);全文 * |
| 试析雷达信号处理系统的关键技术;苗玉杰;;电子世界;20130615(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114609593A (zh) | 2022-06-10 |
| US20230358856A1 (en) | 2023-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114609593B (zh) | 一种基于fpga和深度学习的谐波雷达 | |
| US7710311B2 (en) | Short range radar small in size and low in power consumption and controlling method thereof | |
| CN108414966B (zh) | 一种基于时间调制的宽带线性调频信号测向系统及方法 | |
| Kumawat et al. | Data acquisition and signal processing system for CW Radar | |
| CN108051791A (zh) | 一种相控阵雷达通用校正装置 | |
| Fhager et al. | Pulsed millimeter wave radar for hand gesture sensing and classification | |
| Langwieser et al. | A UHF frontend for MIMO applications in RFID | |
| CN102879643A (zh) | 一种新型频谱分析仪及方法 | |
| CN111007469B (zh) | 一种雷达模拟器的接收机 | |
| CN105227197B (zh) | 一种x波段快速锁频接收方法 | |
| CN109150215A (zh) | 数模混合自适应干扰对消装置 | |
| CN104635062A (zh) | 一种环境电磁辐射监测系统 | |
| CN112568871A (zh) | 一种非接触式生命体征监测装置及其方法 | |
| CN106353594B (zh) | 一种快速多分辨率频谱分析系统及方法 | |
| Ghiri et al. | Time-domain ultrawideband chipless RFID readers | |
| CN210327547U (zh) | 一种实时频谱监测设备 | |
| CN207869096U (zh) | 一种毫米波对数检波装置 | |
| CN203643599U (zh) | 一种二次雷达高中频数字接收机 | |
| CN108896965B (zh) | 200GHz频段信号收发测量系统 | |
| CN114401019B (zh) | 一种大带宽高灵敏度接收前端电路 | |
| CN108964808B (zh) | 一种无线局域网射频收发机芯片测试系统 | |
| CN116156511A (zh) | 基于采样混频和深度学习的频谱感知方法及装置 | |
| CN216771962U (zh) | 一种基于soc技术的探测芯片以及探测装置 | |
| CN215494106U (zh) | 一种基于变采样率压缩感知的小型化侦查系统 | |
| CN111697977A (zh) | 一种超宽带频谱监测系统及方法 |
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 |