CN114740463B - 一种能提高调频连续波雷达距离分辨率的方法 - Google Patents
一种能提高调频连续波雷达距离分辨率的方法 Download PDFInfo
- Publication number
- CN114740463B CN114740463B CN202210367452.8A CN202210367452A CN114740463B CN 114740463 B CN114740463 B CN 114740463B CN 202210367452 A CN202210367452 A CN 202210367452A CN 114740463 B CN114740463 B CN 114740463B
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- neural network
- target
- fourier transform
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 239000010410 layer Substances 0.000 claims description 31
- 238000001228 spectrum Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000002356 single layer Substances 0.000 claims description 6
- 230000002035 prolonged effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013519 translation 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
- 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
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
- G01S13/32—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
- G01S13/34—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal
-
- 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
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种能提高调频连续波雷达距离分辨率的方法,其特征在于,包括如下步骤:1)信号表示;2)快速傅里叶变换结合离散时间傅里叶变换FFT+DTFT算法预处理;3)神经网络预测;4)高分辨分析;5)去除杂波处理。这种方法能提高调频连续波雷达的距离分辨率。
Description
技术领域
本发明涉及调频连续波雷达技术,具体是一种能提高调频连续波雷达距离分辨率的方法。
背景技术
调频连续波FMCW(Frequency-Modulated Continuous Wave,简称FMCW)雷达因测量精度高、结构简单、不易受恶劣环境影响等优点被广泛应用于高精度探测、医疗、自动驾驶等各个领域,这些领域需要非常高的探测精度,而FMCW雷达具有优良的测距精度而且没有距离盲区,因此在高精度测距上相比其它体制的雷达具有更明显的优势。在目标的识别和探测过程中,雷达的距离分辨率是雷达系统中一个关键的参数。距离分辨率定义了两个目标之间可以被区分、辨别的最小距离。优良的距离分辨率可以区分距离相近的多个目标,进而就可以根据雷达接收回波的强度和特征去判断不同目标的属性和类型。假设雷达无法区分多个距离相近的目标,导致雷达系统不能对真实场景做出正确的判断,就会影响雷达系统进一步的处理。因此,雷达的距离分辨率在雷达系统参数中占据着重要的地位,对整个雷达系统的性能有着至关重要的影响。FMCW雷达距离分辨率与扫频带宽成反比,而在工程应用中,带宽的增加意味着更高的硬件复杂度和成本,因此在距离分辨率受到带宽的限制条件下,如何通过信号处理或其它方式提高FMCW雷达测距精度一直是此领域的热点和难点。
FMCW雷达测距系统的基本工作原理是利用发射信号和回波信号之间的频率差来估计待测目标的距离,且这个频率差与目标距离雷达的距离成正比,因此在FMCW雷达中,距离估计问题本质上可以归结为频率估计问题。目前有许多学者提出了基于谱估计的方法去提高FMCW雷达测距精度的方法。例如,Kim Min Joon等人提出了一种矫正算法、主要讨论了包括复调制细化(Zoom-FFT)算法在内的集中频率估计算法,集中频率估计算法经过处理后距离分辨率可以达到0.5mm;钟鹏等人提出了一种将快速傅里叶变换和线性调频Z变换(CZT)结合的方法用于处理差频信号、有效地提高了FMCW雷达系统的测距精度;段明虎等人提出了一种相位差法、其基本思想是通过对两段时域信号离散序列进行时域平移、改变窗长和加不同的窗函数的基础上再进行FFT分析,然后利用两段时域信号频谱对应峰值谱线的相位差获得频率修正量、最后实现频率估计;侯盼卫等人提出了比值法即利用窗函数频谱主瓣内峰值谱线与次大值谱线幅度的比值,建立一个以频率偏差为变量的方程,估计出频率。
发明内容
本发明的目的是针对现有技术的不足,而提供一种能提高调频连续波雷达距离分辨率的方法。这种方法能提高调频连续波雷达的距离分辨率。
实现本发明目的的技术方案是:
一种能提高调频连续波雷达距离分辨率的方法,包括如下步骤:
1)信号表示:调频连续波FMCW雷达发射信号接触到待测目标后反射回雷达得到接收回波信号,将发射信号与回波信号进行混频,经过AD采样后得到离散的差频信号,对于单一目标的情况下,理想的差频信号可以看作单一频率的正弦波信号,表示为:
其中A为幅值,f0为频率,为相位,而f0包含了目标的距离信息,因此对差频信号做快速傅里叶变换FFT即可得到目标的距离、且频率与距离成正比关系;
2)快速傅里叶变换结合离散时间傅里叶变换FFT+DTFT(Fast Fourier Transform+Discrete Time Fourier transform,简称FFT+DTFT)预处理:首先采用FFT+DTFT算法获取目标所在频谱,可以分为两步:
第一步先采用快速傅里叶变换做全景谱,信号x(n)的离散傅里叶变换可以表示如下:
第二步通过全景谱,取出目标所在频谱区间,假设目标处于点k1与k2之间,即位于频率与/>之间,采用离散时间傅里叶变换获取目标所在频谱区间,离散信号x(n)的离散时间傅里叶变换DTFT可以表示如下:
其中f是一个连续的变量,由于计算机只能计算离散的谱线,所以在实际应用时将区间插入等间隔的点,在不改变原始分辨率的情况下,提取目标所在的频谱区间,再经过离散傅里叶逆变换得到包含目标信息的时域信号,信号X(k)的离散傅里叶逆变换表示如下:
3)神经网络预测:首先用随机的正弦信号的组合作为训练集去训练神经网络,再将步骤2)得到的时域信号输入神经网络进行预测,所述神经网络采用多层感知机,其中,单层神经网络共九层,每个单层神经网络的拟合公式可以表示如下:
Hi+1=F(X*Wi+bi),
其中F为非线性激活函数,例如ReLU函数,Hi+1为第i层的输出,X为第i层的输入,Wi为第i层的可训练参数矩阵,bi表示第i层的偏置矩阵,在多层感知机中,上一层神经网络的输出即为下一层神经网络的输入,当神经网络预测得到一段新的信号后,将这段新的信号递归输入神经网络继续预测即可得到下一段新的信号,通过不断递归以获得更长的信号观测长度;
4)高分辨分析:现代谱估计表明,信号的观测时间的长短决定了频率分辨率的大小,假设调频连续波雷达在M个目标的情况的差频信号可以表示为多个正弦信号的叠加,如下表示:
频率分辨率可以表示为:
其中α为信号的延长倍数,可以看出频率分辨率的大小与观测时间成反比,即观测时间越长,频率分辨率越高,因此本技术方案的基本思想是将原始信号和神经网络预测出的信号进行拼接,延长后的信号观测长度可以提高频率分辨率,对于调频连续波雷达来说即提高了距离分辨率;
5)去除杂波处理:通过对延长后的时域信号作快速傅里叶变换可以得到信号的频域信息,即目标的距离信息,然而在目标附近仍然存在诸多杂波的干扰,针对此问题,本技术方案采用恒虚警率检测去除杂波处理,去除杂波后即可提取出干净的目标信息。
经典的谱估计表明,信号观测时间窗的长度决定了频率分辨率的大小,本技术方案基于数据外推的思想,采用提高信号观测窗的长度来提高频率分辨率、对应提高调频连续波雷达的距离分辨率,过程为:首先采用FFT+DTFT预处理雷达回波信号,将预处理信号输入神经网络进行预测,通过将原始信号和预测信号进行拼接延长了信号的观察时间窗,提高了频率分辨率,即调频连续波雷达的距离分辨率,最后通过恒虚警率检测消除杂波的干扰,有效地提取了目标的距离信息。
FFT+DTFT算法预处理有两个优点:(1)经过此处理后相较于处理前时域信号点数减少,降低了后续神经网络处理的复杂度;(2)提取目标频谱后,排除了其它频谱的干扰,得到较为干净的时域信号。
这种方法能提高调频连续波雷达的距离分辨率。
附图说明
图1为实施例中雷达实测场景图;
图2为实施例中第一组实测数据的时域与距离谱图;
图3为实施例中第二组实测数据的时域与距离谱图。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步的阐述,但不是对本发明的限定。
实施例:
一种能提高调频连续波雷达距离分辨率的方法,包括如下步骤:
1)信号表示:调频连续波FMCW雷达发射信号接触到待测目标后反射回雷达得到接收回波信号,将发射信号与回波信号进行混频,经过AD采样后得到离散的差频信号,对于单一目标的情况下,理想的差频信号可以看作单一频率的正弦波信号,表示为:
其中A为幅值,f0为频率,为相位,而f0包含了目标的距离信息,因此对差频信号做快速傅里叶变换FFT即可得到目标的距离、且频率与距离成正比关系;
2)快速傅里叶变换结合离散时间傅里叶变换FFT+DTFT预处理:首先采用FFT+DTFT算法获取目标所在频谱,可以分为两步:
第一步先采用快速傅里叶变换做全景谱,信号x(n)的离散傅里叶变换可以表示如下:
第二步通过全景谱,取出目标所在频谱区间,假设目标处于点k1与k2之间,即位于频率与/>之间,采用离散时间傅里叶变换获取目标所在频谱区间,离散信号x(n)的离散时间傅里叶变换DTFT可以表示如下:
其中f是一个连续的变量,由于计算机只能计算离散的谱线,所以在实际应用时将区间插入等间隔的点,在不改变原始分辨率的情况下,提取目标所在的频谱区间,再经过离散傅里叶逆变换得到包含目标信息的时域信号,信号X(k)的离散傅里叶逆变换表示如下:
3)神经网络预测:首先用随机的正弦信号的组合作为训练集去训练神经网络,再将步骤2)得到的时域信号输入神经网络进行预测,所述神经网络采用多层感知机,其中,单层神经网络共九层,每个单层神经网络的拟合公式可以表示如下:
Hi+1=F(X*Wi+bi),
其中F为非线性激活函数,本例非线性激活函数为ReLU函数,Hi+1为第i层的输出,X为第i层的输入,Wi为第i层的可训练参数矩阵,bi表示第i层的偏置矩阵,在多层感知机中,上一层神经网络的输出即为下一层神经网络的输入,当神经网络预测得到一段新的信号后,将这段新的信号递归输入神经网络继续预测即可得到下一段新的信号,通过不断递归以获得更长的信号观测长度;
4)高分辨分析:现代谱估计表明,信号的观测时间的长短决定了频率分辨率的大小,假设调频连续波雷达在M个目标的情况的差频信号可以表示为多个正弦信号的叠加,如下表示:
频率分辨率可以表示为:
其中α为信号的延长倍数,可以看出频率分辨率的大小与观测时间成反比,即观测时间越长,频率分辨率越高,因此本技术方案的基本思想是将原始信号和神经网络预测出的信号进行拼接,延长后的信号观测长度可以提高频率分辨率,对于调频连续波雷达来说即提高了距离分辨率;
5)去除杂波处理:通过对延长后的时域信号作快速傅里叶变换可以得到信号的频域信息,即目标的距离信息,然而在目标附近仍然存在诸多杂波的干扰,针对此问题,本例采用恒虚警率检测去除杂波处理,去除杂波后即可提取出干净的目标信息。
预测出的时域信号与实际时域信号之间存在误差,因此对应转换到频域也存在误差,本例将两个频域之间的绝对值误差(MAE)作为评价指标:
其中,K为目标区域所占的频点数,y(k)为真实信号的第k个频点值,为预测信号的第k个频点值。
仿真实验1:
实验数据集:首先采用若干个随机正弦信号之和当作神经网络的训练集,采用两组实测数据和两组仿真数据作为测试集,在采用雷达在实际场景采集数据时,雷达距离分辨率设置成20厘米,第一组实验数据为实测数据,将四个易拉罐以20厘米的间距以直线摆放,第二组实验数据也为实测数据,将四个易拉罐以10厘米的间距以直线摆放,第三组数据为仿真信号,由100个具有随机幅度、频率和相位的正弦信号组成,第四组数据为仿真信号,由10个具有随机幅度、频率和相位的正弦信号组成;
模型参数设置:在实验过程中,雷达128点时域回波信号通过FFT+DTFT预处理后得到包含目标信息的30点时域信号,本例中采用九层神经网络进行预测,将均方误差作为损失函数,每一个隐藏层维度为500点,采用ReLU函数作为每一层的激活函数,学习率设置成0.001,设置训练次数为100次,恒虚警率检测采用0.1作为虚警率,设置6个单元为保护单元,以及4个单元为参考单元;
实验流程:首先采用训练集去训练神经网络,训练完毕后神经网络的可训练的参数矩阵固定后,将测试集送入神经网络测试模型性能,将本例方法与自回归(AR)模型(15阶)、拓展傅里叶变换EDFT算法在不同α的情况下进行对比;
实验结果:将两组实测数据的时域、距离谱图可视化得到如图2、图3所示,将四组数据的绝对误差制成表1至表4,表中#表示该模型并不适用于本组数据;
结果分析:从图2和图3可以看出,随着时域信号不断地延长,对应地距离谱上的四个目标谱峰逐渐分离,距离分辨率得到了提高,图2是物体间距低于雷达距离分辨率的情况,随着距离分辨率提高逐渐识别出目标,图3是物体间距等于雷达距离分辨率的情况,随着距离分辨率的提高,每个目标谱峰进一步变窄,每两个谱峰之间距离也越远,在绝对误差上,采用本例方法在实测数据上整体展现了较好的性能,同时在第三组仿真数据上也取得了不错的结果,说明神经网络强大的非线性拟合能力更适用于复杂信号的情况,同时,实验发现由于自回归模型并不能对实测数据进行预测,预测波形幅度呈逐渐衰减至0的趋势,分析得出自回归模型是一个线性预测模型,并不适用于非线性的预测,而实测数据波形较为复杂,不具备线性的特点,对于仿真生成复杂的信号,也达不到很好的效果,而对于仿真生成的简单信号,自回归模型取得了不错的性能,对于拓展傅里叶变换,效果时好时差,较不稳定,整体上劣势于本例方法。
表1第一组实测数据的绝对误差
表2第二组实测数据的绝对误差
表3第三组仿真数据的绝对误差
表4第四组仿真数据的绝对误差
Claims (1)
1.一种能提高调频连续波雷达距离分辨率的方法,其特征在于,包括如下步骤:
1)信号表示:调频连续波FMCW雷达发射信号接触到待测目标后反射回雷达得到接收回波信号,将发射信号与回波信号进行混频,经过AD采样后得到离散的差频信号,对于单一目标,理想的差频信号看作单一频率的正弦波信号,表示为:
其中A为幅值,f0为频率,为相位,对差频信号做快速傅里叶变换FFT得到目标的距离、且频率与距离成正比关系;
2)快速傅里叶变换结合离散时间傅里叶变换FFT+DTFT算法预处理:采用FFT+DTFT算法获取目标所在频谱,分为两步:
第一步先采用快速傅里叶变换做全景谱,信号x(n)的离散傅里叶变换表示如下:
第二步通过全景谱,取出目标所在频谱区间,假设目标处于点k1与k2之间,即位于频率与/>之间,离散信号x(n)的离散时间傅里叶变换DTFT表示如下:
其中f是一个连续的变量,将区间插入等间隔的点,在不改变原始分辨率的情况下,提取目标所在的频谱区间,再经过离散傅里叶逆变换得到包含目标信息的时域信号,信号X(k)的离散傅里叶逆变换表示如下:
3)神经网络预测:首先用随机的正弦信号的组合作为训练集去训练神经网络,再将步骤2)得到的时域信号输入神经网络进行预测,所述神经网络采用多层感知机,其中,单层神经网络共九层,每个单层神经网络的拟合公式表示如下:
Hi+1=F(X*Wi+bi),
其中F为非线性激活函数,Hi+1为第i层的输出,X为第i层的输入,Wi为第i层的可训练参数矩阵,bi表示第i层的偏置矩阵,在多层感知机中,上一层神经网络的输出即为下一层神经网络的输入,当神经网络预测得到一段新的信号后,将这段新的信号递归输入神经网络继续预测即可得到下一段新的信号,通过不断递归以获得更长的信号观测长度;
4)高分辨分析:现代谱估计表明,信号的观测时间的长短决定了频率分辨率的大小,假设调频连续波雷达在M个目标的情况的差频信号表示为多个正弦信号的叠加,如下表示:
频率分辨率表示为:
其中α为信号的延长倍数,频率分辨率的大小与观测时间成反比,即观测时间越长,频率分辨率越高;
5)去除杂波处理:通过对延长后的时域信号作快速傅里叶变换得到信号的频域信息,即目标的距离信息,采用恒虚警率检测去除杂波处理,去除杂波后即可提取出干净的目标信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367452.8A CN114740463B (zh) | 2022-04-08 | 2022-04-08 | 一种能提高调频连续波雷达距离分辨率的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210367452.8A CN114740463B (zh) | 2022-04-08 | 2022-04-08 | 一种能提高调频连续波雷达距离分辨率的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114740463A CN114740463A (zh) | 2022-07-12 |
CN114740463B true CN114740463B (zh) | 2024-04-12 |
Family
ID=82278481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210367452.8A Active CN114740463B (zh) | 2022-04-08 | 2022-04-08 | 一种能提高调频连续波雷达距离分辨率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114740463B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313040A (zh) * | 2021-06-04 | 2021-08-27 | 福州大学 | 基于fmcw雷达信号的人体姿势识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200144862A (ko) * | 2019-06-19 | 2020-12-30 | 삼성전자주식회사 | 레이더의 해상도 향상 방법 및 장치 |
-
2022
- 2022-04-08 CN CN202210367452.8A patent/CN114740463B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313040A (zh) * | 2021-06-04 | 2021-08-27 | 福州大学 | 基于fmcw雷达信号的人体姿势识别方法 |
Non-Patent Citations (1)
Title |
---|
基于MUSIC及其改进算法的DOA估计研究;姚昕彤等;通信技术;20210610;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114740463A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107683423B (zh) | 用于调频连续波雷达中的对象检测的低复杂度超分辨率技术 | |
JP4988332B2 (ja) | 速度が曖昧な物標の非コヒーレント積分のための技法 | |
Lv et al. | ISAR imaging of maneuvering targets based on the range centroid Doppler technique | |
CN101509972B (zh) | 基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法 | |
Wang et al. | SRMF-CLEAN imaging algorithm for space debris | |
CN108414833B (zh) | 一种信号分量频率的精确估计方法 | |
CN109343020B (zh) | 一种基于改进窗函数的s变换时频分析方法 | |
CN111474524A (zh) | 一种雷达干扰装备干扰效果监测与决策支持系统 | |
KR101294681B1 (ko) | 기상 신호 처리장치 및 그 처리방법 | |
CN109598175B (zh) | 一种基于多小波基函数和超正交前向回归的时频分析方法 | |
CN109932695A (zh) | 一种提高目标物识别速度的方法及装置 | |
CN112051583A (zh) | Fmcw距离测量系统中拍频信号非线性校正方法 | |
CN104655929A (zh) | 一种时域信号的数字时频测量方法及相应的目标识别方法 | |
Rao et al. | Atmospheric radar signal processing using principal component analysis | |
CN114740463B (zh) | 一种能提高调频连续波雷达距离分辨率的方法 | |
CN107390198B (zh) | 一种高速运动目标下的子带相关配准方法 | |
Hao et al. | Novel method for non-stationary signals via high-concentration time–frequency analysis using SSTFrFT | |
CN111812634B (zh) | 警戒线目标监测方法、装置和系统 | |
CN116687392A (zh) | 基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法 | |
CN109085568B (zh) | 一种基于二次混频的调频连续波多目标检测方法 | |
CN116449326A (zh) | 宽带多目标平动参数估计与补偿方法 | |
CN115932773A (zh) | 基于谱形特征的目标角度检测方法、装置、设备及介质 | |
CN109031212A (zh) | 一种雷达跟踪状态下的工作频率优化方法 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
CN111427035A (zh) | 一种基于子带微多普勒差异的雷达实测数据集扩充方法 |
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 |