CN116626616A - 一种基于实测数据特性模型的内场场景构建方法 - Google Patents
一种基于实测数据特性模型的内场场景构建方法 Download PDFInfo
- Publication number
- CN116626616A CN116626616A CN202210128872.0A CN202210128872A CN116626616A CN 116626616 A CN116626616 A CN 116626616A CN 202210128872 A CN202210128872 A CN 202210128872A CN 116626616 A CN116626616 A CN 116626616A
- Authority
- CN
- China
- Prior art keywords
- target
- scene
- radar
- simulation
- data
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 122
- 230000010287 polarization Effects 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000002592 echocardiography Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 2
- 230000001427 coherent effect Effects 0.000 description 7
- 230000000295 complement effect Effects 0.000 description 6
- 239000011888 foil Substances 0.000 description 6
- 238000012795 verification Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241000486679 Antitype Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 235000020004 porter Nutrition 0.000 description 1
- 238000006467 substitution reaction 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
- G01S7/40—Means for monitoring or calibrating
-
- 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
-
- 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)
- 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
本发明涉及一种基于实测数据特性模型的内场场景构建方法，属于电磁场景模拟技术领域，解决了现有技术中内场电磁场景模拟回波特性失真以及目标极化特性模拟逼真度差的技术问题。该方法包括：搭建多种外场试验场景，获取各外场试验场景下的实测雷达目标回波数据；基于各外场试验场景下的实测雷达目标回波数据，生成目标特性库及背景噪声库；根据内场场景的场景设置要求，从所述目标特性库中选取目标散射特性模型，并从背景噪声库中选取背景噪声数据；在内场场景下，根据场景设置要求以及调取的每一模拟目标的目标散射特性模型，生成雷达模拟目标回波，叠加背景噪声数据后得到内场场景下的雷达模拟回波信号，完成内场场景的构建。
Description
技术领域
本发明涉及电磁场景模拟技术领域，尤其涉及一种基于实测数据特性模型的内场场景构建方法。
背景技术
目前，随着雷达干扰对抗场景日益复杂，对于雷达干扰对抗性能的全面验证变得更加困难，其中无源干扰主要为各种假目标，采用外场试验遍历各种场景来验证雷达抗假目标性能的方式成本过高，采用内场模拟干扰对抗电磁场景是今后发展的方向。内场电磁场景模拟可在暗室内通过信号源等设备与雷达进行交互，模拟雷达工作中探测到的目标与假目标等回波，实现雷达内场软硬件的测试。当前，假目标与目标形态愈发相似，雷达采用全极化距离高分辨来增强感知能力，为在内场有效验证雷达目标与假目标辨识性能，因此需对内场电磁场景进行极化和距离像特性逼真模拟。
现有的内场电磁场景模拟方法主要是通过信号源模拟雷达探测的点目标，或通过调制目标电磁模型，模拟具有一维距离像特性的场景目标回波，但面向假目标对抗场景模拟应用，其存在以下不足：
1)仅能模拟单脉冲非相参体制雷达回波，对于相参体制雷达回波模拟能力欠缺，相参积累后模拟的场景回波特性失真；
2)在内场模拟全极化信号回波时，存在目标极化特性模拟逼真度差的问题，无法满足基于极化信息进行目标与假目标识别算法验证的需求。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于实测数据特性模型的内场场景构建方法，能够解决现有技术中内场电磁场景模拟回波特性失真以及目标极化特性模拟逼真度差的技术问题。
本发明公开了一种基于实测数据特性模型的内场场景构建方法，包括：
搭建多种外场试验场景，获取各外场试验场景下的实测雷达目标回波数据；
基于各外场试验场景下的实测雷达目标回波数据，生成目标特性库及背景噪声库；
根据内场场景的场景设置要求，从所述目标特性库中选取目标散射特性模型，并从背景噪声库中选取背景噪声数据；
在内场场景下，根据场景设置要求以及调取的每一模拟目标的目标散射特性模型，生成雷达模拟目标回波；
在生成的雷达模拟目标回波上叠加从背景噪声库中选取的背景噪声数据，得到内场场景下的雷达模拟回波信号，完成内场场景的构建。
在上述方案的基础上，本发明还做出了如下改进：
进一步，通过执行以下操作生成目标特性库：
分别处理各外场试验场景下的实测雷达目标回波数据，获取相应的距离-多普勒数据；在所获取的距离-多普勒数据上框选目标区域，并标注目标区域的目标类型、位置范围、雷达设备参数和目标参数；
对于每一目标区域，提取该目标区域中的所有强散射点及其特性向量，获取该目标区域的目标散射特性模型；
汇总每一目标区域的目标类型、雷达设备参数、目标参数以及目标散射特性模型，形成目标特性库。
进一步，通过执行以下操作获取各目标区域的目标散射特性模型：
根据标注的该目标区域的位置范围，提取该目标区域的距离-多普勒数据；
获取该目标区域的距离-多普勒数据中能量最大的散射点；
判断该散射点的能量是否大于或等于目标区域所在的整个距离-多普勒数据中的背景噪声平均能量的设定倍数，
若是，则将该散射点提取为强散射点，并获取该强散射点的特性向量；然后，在该目标区域的距离-多普勒数据中剔除该强散射点，更新目标区域的距离-多普勒数据，并跳转至寻找能量最大的散射点的步骤；
否则，提取该目标区域的强散射点及其特性向量的过程结束；
汇总该目标区域的所有强散射点及其特性向量，构建得到该目标区域的目标散射特性模型。
进一步，所述强散射点的特性向量包括：
强散射点的坐标：强散射点在目标区域的距离-多普勒数据中的距离、多普勒位置；
强散射点的归一化散射参数集：强散射点在HH、HV、VH、VV四个极化通道上的归一化散射参数。
进一步，通过执行以下操作生成背景噪声库：
基于各种海况下实测雷达目标回波数据中的非目标区域，形成相应海况下的背景噪声数据；汇总所有海况下的背景噪声数据，形成背景噪声库。
进一步，所述场景设置要求包括：
模拟目标的目标类型，模拟目标为1个或多个；
雷达设备参数，包括：雷达波段和极化状态；
场景环境参数，包括：海况信息、雷达设备的海拔高度、雷达-目标距离。
进一步，从所述目标特性库中选取目标散射特性模型，包括：
基于模拟目标的场景环境参数，获取模拟目标的目标参数；
根据每一模拟目标的目标类型、雷达波段及目标参数，从目标特性库中调取匹配于各模拟目标的目标散射特性模型；
从背景噪声库中选取背景噪声数据，包括：
根据场景设置要求中的海况信息，从背景噪声库中选取匹配于该海况的背景噪声数据。
进一步，通过执行以下操作生成雷达模拟目标回波：
根据场景设置要求中的雷达设备参数，生成雷达发射信号；
基于每一模拟目标的目标散射特性模型和雷达发射信号，获得相应模拟目标的雷达模拟目标回波；
若场景设置要求中仅包含一个模拟目标，则将该模拟目标的雷达模拟目标回波作为内场场景下的雷达模拟目标回波；否则，则对所有模拟目标的雷达模拟目标回波进行电磁波叠加，得到内场场景下的雷达模拟目标回波。
进一步，通过执行以下操作获得模拟目标的雷达模拟目标回波：
根据调取的该模拟目标的目标散射特性模型，重构出该模拟目标在全极化状态下的距离-多普勒数据；
对重构出的该模拟目标在全极化状态下的距离-多普勒数据进行解相参积累处理，获得该模拟目标对应的一维距离像数据；
根据场景设置要求中的雷达-目标距离，将该模拟目标的一维距离像数据叠加到雷达-目标距离的相应位置，组成该模拟目标的距离像目标散射点集；
利用雷达发射信号对该模拟目标的距离像目标散射点集进行目标特性调制，生成该模拟目标的雷达模拟目标回波。
进一步，通过执行以下操作重构出该模拟目标在全极化状态下的距离-多普勒数据：
将该模拟目标的目标散射特性模型中的各强散射点的坐标，作为重构的距离-多普勒数据中的坐标点；
将该模拟目标的目标散射特性模型中的各强散射点的归一化散射参数集，作为重构的距离-多普勒数据中相应坐标点的取值；
其余没有强散射点的位置取值为0；
从而重构出该模拟目标在全极化状态下的距离-多普勒数据。
与现有技术相比，本发明至少可实现如下有益效果之一：
本发明提供的基于实测数据特性模型的内场场景构建方法，具备如下优势：
1、通过采用实测数据特性提取方式构建目标散射特性模型，雷达目标回波距离像特性更加逼真，相较现有技术，本技术能满足高分辨率雷达识别性能测试环境要求；
2、采用全极化数据同时提取各散射点的极化散射，在内场构建的雷达目标回波极化特性更加逼真；
3、从实测数据中分离出背景噪声或杂波数据，在电磁场景重构时通过与目标回波叠加，实现模拟出的电磁背景更加逼真，相对之间内场方式，本技术能够模拟出强杂波背景下的逼真回波。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为基于实测数据特性模型的内场场景构建方法流程图；
图2为另一种基于实测数据特性模型的内场场景构建方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种基于实测数据特性模型的内场场景构建方法，流程图如图1和图2所示，内场场景构建的方法包括：
步骤S1：搭建多种外场试验场景，获取各外场试验场景下的实测雷达目标回波数据；
在本实施例中，每种外场试验场景中包含至少一个目标；由于本实施例旨在基于实际搭建的外场试验场景构建内场场景，因此，为适用不同的内场场景，本实施例中的多种外场试验场景应覆盖所有的内场场景可能涉及的目标。同时，搭建好外场试验场景后，通过实际测量的方式采集各外场试验场景下的雷达回波数据，作为相应的实测雷达目标回波数据。
步骤S2：基于各外场试验场景下的实测雷达目标回波数据，生成目标特性库及背景噪声库；具体地，包括：
步骤S21：分别处理各外场试验场景下的实测雷达目标回波数据，获取相应的距离-多普勒数据；在所获取的距离-多普勒数据上框选目标区域，并标注目标区域的目标类型、位置范围、雷达设备参数和目标参数。
具体地，在本实施例中，通过对外场试验场景下的实测雷达目标回波数据进行脉冲压缩和相参积累处理，从而获取实测雷达目标回波数据对应的距离-多普勒数据。获取距离-多普勒数据后，即可在距离-多普勒数据上框选出能量明显大于背景噪声的区域作为目标区域。需要说明的是，如果一个外场试验场景中的目标多于1个，在确定目标区域的过程中，还需要借助于外场试验时记录的各目标对应的雷达-目标距离(对于舰船类型的目标，还包括观测舷角)等信息，以区分各目标对应的目标区域。
划定目标区域后，即可对目标区域的目标类型、位置范围、雷达设备参数和目标参数进行标注；优选地，
目标类型，包括：舰船类目标、角反类目标及箔条类目标；示例性地，对于舰船类目标，通过舰船类型进行区分；对于角反类目标，通过角反类型进行区分；对于箔条类目标，通过箔条型号进行区分。
位置范围，表示目标区域在距离-多普勒数据中的坐标信息；
雷达设备参数，包括：雷达波段、极化状态。
目标参数，包括入射余角；特殊地，对于舰船类型的目标，目标参数还包括观测舷角及径向速度；实际处理过程中，还需要记录雷达-目标距离，以用于计算入射余角。其中，入射余角指波束方向与目标位置水平面的夹角；观测舷角指雷达直指目标的方向与舰船的航向之间的夹角；径向速度指目标在雷达直指目标的方向上的运动速度。
步骤S22：对于每一目标区域，提取该目标区域中的所有强散射点及其特性向量，获取该目标区域的目标散射特性模型；
具体地，通过执行以下操作提取各目标区域中的所有强散射点：
步骤S221：根据标注的该目标区域的位置范围，提取该目标区域的距离-多普勒数据；
步骤S222：获取该目标区域的距离-多普勒数据中能量最大的散射点；
步骤S223：判断该散射点的能量是否大于或等于目标区域所在的整个距离-多普勒数据中的背景噪声平均能量(即，整个距离-多普勒数据中，非目标区域的平均能量)的设定倍数，
若是，则将该散射点提取为强散射点，并获取该强散射点的特性向量；然后，在该目标区域的距离-多普勒数据中剔除该强散射点，更新目标区域的距离-多普勒数据，并跳转至步骤S222，即在更新后的目标区域的距离-多普勒数据中再次寻找能量最大的散射点；
否则，提取该目标区域的强散射点及其特性向量的过程结束。
在实际实施过程中，基于目标与背景噪声的区分度、目标特征库存储的精度要求设置该设定倍数。示例性地，设定倍数为4倍。
在本实施例中，提取的强散射点的特性向量包括：
强散射点的坐标：强散射点在目标区域的距离-多普勒数据中的距离、多普勒位置；
强散射点的归一化散射参数集：强散射点在HH、HV、VH、VV四个极化通道上的归一化散射参数。
在本实施例中，强散射点在HH、HV、VH、VV四个极化通道上的归一化散射参数通过以下方式确定：
(1)获取理想点目标的距离-多普勒数据；具体地，利用外场试验场景下的发射波码型作为理想点目标回波，并通过脉冲压缩和相参积累处理方式得到理想点目标的距离-多普勒数据；
(2)利用理想点目标的距离-多普勒数据对强散射点分别进行HH、HV、VH、VV四个极化通道上的复系数分解，以获取该强散射点在相应极化通道上的散射参数；
(3)基于RCS(RadarCross Section，雷达散射截面积)归一化方法，分别对各极化通道上的散射参数进行归一化处理，以获取该强散射点在相应极化通道上的归一化散射参数。从而得到强散射点在HH、HV、VH、VV四个极化通道上的归一化散射参数。
在该过程中，通过RCS归一化方法，能够将传感器参数和场景参数完全剔除。
汇总该目标区域的所有强散射点及其特性向量，即可构建该目标区域的目标散射特性模型，目标散射特性模型的表征形式如表1所示。以舰艇类型1对应的目标散射特性模型C1为例，在C1中，Ri和Di分别表示目标散射特性模型中第i个强散射点的距离和多普勒位置，Si_hh,Si_hv,Si_vh,Si_vv表示目标散射特性模型中第i个强散射点在HH、HV、VH、VV四个极化通道上的归一化散射参数。i＝1,2,...,N1，N1为目标散射特性模型C1中强散射点的总数。
步骤S23：汇总每一目标区域的目标类型、雷达设备参数、目标参数以及目标散射特性模型，形成目标特性库；
示例性地，在目标特征库中，部分示例的表示方式如表1所示。
表1目标特性库内容部分示例
步骤S24：基于各种海况下实测雷达目标回波数据中的非目标区域，形成相应海况下的背景噪声数据；汇总所有海况下的背景噪声数据，形成背景噪声库。
步骤S3：根据内场场景的场景设置要求，从所述目标特性库中选取目标散射特性模型，并从背景噪声库中选取背景噪声数据。
在本实施例中，基于场景试验中习惯的表征方式，设置内场场景下场景设置要求；优选地，场景设置要求包括：
(1)模拟目标的目标类型
模拟目标为1个或多个；
(2)雷达设备参数
与外场试验场景相同，内场场景下的雷达设备参数也包括雷达波段和极化状态等；需要注意的是，由于可以根据全极化状态下的目标散射特性模型得到相应的水平极化方向和垂直极化方向上的相关数据，同时，也有效利用外场试验场景的试验条件，因此，在外场试验场景下，雷达的极化状态应设置为全极化；而在内场场景下，雷达的极化状态可根据场景设置要求进行限定，如水平方向极化、垂直方向极化或全极化。
(3)场景环境参数
场景环境参数包括海况信息、雷达设备的海拔高度、雷达-目标距离；
特殊地，舰船类目标的场景环境参数还包括航向及航速；
箔条类目标的场景环境参数还包括箔条类目标的海拔高度。
步骤S31：基于模拟目标的场景环境参数，获取模拟目标的目标参数；
目标参数与目标特性库中目标参数包含的内容相同；
(1)入射余角
基于模拟目标的场景环境参数中雷达的海拔高度以及雷达-目标距离，确定相应的入射余角；具体地，入射余角指波束方向与目标位置水平面的夹角，入射余角可以利用公式计算获取，其中，Atarget、Aradar、Dr,t分别表示目标的海拔高度、雷达的海拔高度、雷达-目标距离。实际应用过程中，舰船类和角反类目标的海拔高度默认为0。
(2)观测舷角
以左舷为负、右舷为正，通过雷达直指目标的方向和舰船的航向计算获得观测舷角。
(3)径向速度
通过舰船的航向、航速计算获得径向速度。
步骤S32：根据每一模拟目标的目标类型、雷达波段及目标参数，从目标特性库中调取匹配于各模拟目标的目标散射特性模型。
需要明确的是，步骤S32中的匹配是指：
在目标特性库中查找与模拟目标的目标类型和雷达波段一致、且目标参数满足预设的阈值偏差要求的一条目标数据，将该条目标数据中的目标散射特性模型作为该模拟目标的目标散射特性模型。
优选地，目标参数满足预设的阈值偏差要求，是指：将模拟目标的目标参数中的各项参量与目标特性库中的对应参量进行比较，每项参量应满足该参量的阈值偏差。
步骤S33：根据场景设置要求中的海况信息，从背景噪声库中选取匹配于该海况的背景噪声数据。
步骤S4：在内场场景下，根据场景设置要求以及调取的每一模拟目标的目标散射特性模型，生成雷达模拟目标回波；
步骤S41：根据场景设置要求中的雷达设备参数，生成雷达发射信号；
具体地，根据雷达设备参数中的雷达波段，确定雷达发射信号所属的波段；根据雷达设备参数中的极化状态，确定雷达发射信号的极化波；示例性地，若极化状态为水平方向极化，雷达发射信号为水平极化波；若极化状态为垂直方向极化，雷达发射信号为垂直极化波；若极化状态为全极化，雷达发射信号包括同时发射的水平极化波和垂直极化波。
步骤S42：基于每一模拟目标的目标散射特性模型和雷达发射信号，获得相应模拟目标的雷达模拟目标回波；
对于每一模拟目标，通过执行以下操作获得该模拟目标的雷达模拟目标回波：
步骤S421：根据调取的该模拟目标的目标散射特性模型，重构出该模拟目标在全极化状态下的距离-多普勒数据；具体地，
将该模拟目标的目标散射特性模型中的各强散射点的坐标，作为重构的距离-多普勒数据中的坐标点；
将该模拟目标的目标散射特性模型中的各强散射点的归一化散射参数集，作为重构的距离-多普勒数据中相应坐标点的取值；
其余没有强散射点的位置取值为0；
从而重构出该模拟目标在全极化状态下的距离-多普勒数据；
步骤S422：对重构出的该模拟目标在全极化状态下的距离-多普勒数据进行解相参积累处理，获得该模拟目标对应的一维距离像数据；
步骤S423：根据场景设置要求中的雷达-目标距离，将该模拟目标的一维距离像数据叠加到雷达-目标距离的相应位置，组成该模拟目标的距离像目标散射点集。
步骤S424：利用雷达发射信号对该模拟目标的距离像目标散射点集进行目标特性调制，生成该模拟目标的雷达模拟目标回波；
目标特性回波调制的公式表达为：
其中，SHH、SHV、SVH和SVV分别为HH、HV、VH、VV四个极化通道的距离像目标散射点集，stH为雷达发射的水平极化波，stV为雷达发射的垂直极化波，rtH为调制得到的水平极化模拟目标回波，rtV为调制得到的垂直极化模拟目标回波。
步骤S43：若场景设置要求中仅包含一个模拟目标，则将该模拟目标的雷达模拟目标回波作为内场场景下的雷达模拟目标回波；
否则，则对所有模拟目标的雷达模拟目标回波进行电磁波叠加，得到内场场景下的雷达模拟目标回波。
在完成目标特性回波调制之后，即可在回波调制后的目标特性的基础上，利用电磁波的叠加性完成多目标场景的回波生成。具体地，在本实施例中，利用电磁波的叠加性，假设在雷达波束照射范围内各个目标有一定距离且没有电磁互耦情况，如角反组等情况的多目标场景采用单目标回波叠加的形式生成，通过选取多个目标并设置空间位置，先单独模拟单个目标，而后再根据目标距离进行时序回波叠加，多目标场景下同一时刻波束内多目标回波可表示如下：
其中，RtH、RtV分别表示内场场景下的水平极化模拟目标回波、垂直极化模拟目标回波，rtH_j、rtV_j分别表示场景设置要求中第j个模拟目标的水平极化模拟目标回波、垂直极化模拟目标回波。
步骤S5：在生成的雷达模拟目标回波上叠加从背景噪声库中选取的背景噪声数据，得到内场场景下的雷达模拟回波信号，完成内场场景的构建。
进一步地，在本发明中，为逼真模拟回波背景噪声，生成内场场景下的雷达模拟目标回波后，在其上叠加背景噪声，叠加后得到内场场景下的雷达模拟回波信号，表达式如下：
rH＝RtH+rnH
rV＝RtV+rnV
其中，rH、rV分别表示内场场景下的水平极化雷达模拟回波信号、垂直极化雷达模拟回波信号；rnH、rnV分别表示水平极化方向、垂直极化方向上的背景噪声数据。
内场场景可以是内场暗室的情况，还可以是数字模拟形式。区别在于，在内场暗室情况下，需要实际的雷达设备通过天线方式接收雷达模拟回波信号；而数字模拟形式下，雷达设备采样数字电路形式模拟实现，无需通过天线、直接将雷达模拟回波信号直接传输至雷达的信号处理模块，以便雷达的信号处理模块基于雷达模拟回波信号和雷达发射信号执行后续的处理操作。
综上，本实施例提供了一种基于实测数据特性模型的内场场景构建方法，该方法通过对雷达目标回波数据标注、目标回波中的目标散射特性模型提取生成目标特性库，并根据背景噪声生成背景噪声库；然后，通过场景设置与参数转化，从目标特性库中选取出模拟目标的目标散射特性模型，从数据噪声库中选取背景噪声数据，并经过目标特性回波调制以及多目标场景回波生成，完成内场场景的构建。该方法能够充分将外场试验实测数据与内场电磁场景的场景及参数相结合，实现对相参体制雷达回波模拟，相参积累后模拟的场景回波特性真实性高，同时，在内场模拟各种极化状态的信号回波中目标极化特性模拟逼真度高，能够可靠满足基于极化信息进行目标识别算法验证的需求。因此，本发明所提供的内场场景构建方法与现有技术相比，其更加可靠，在内场模拟舰船、角反、箔条等目标场景时回波特性与外场采集数据特性相一致，距离像和多普勒维度特性逼真度高。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
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。
Claims (10)
1.一种基于实测数据特性模型的内场场景构建方法，其特征在于，包括：
搭建多种外场试验场景，获取各外场试验场景下的实测雷达目标回波数据；
基于各外场试验场景下的实测雷达目标回波数据，生成目标特性库及背景噪声库；
根据内场场景的场景设置要求，从所述目标特性库中选取目标散射特性模型，并从背景噪声库中选取背景噪声数据；
在内场场景下，根据场景设置要求以及调取的每一模拟目标的目标散射特性模型，生成雷达模拟目标回波；
在生成的雷达模拟目标回波上叠加从背景噪声库中选取的背景噪声数据，得到内场场景下的雷达模拟回波信号，完成内场场景的构建。
2.根据权利要求1所述的基于实测数据特性模型的内场场景构建方法，其特征在于，通过执行以下操作生成目标特性库：
分别处理各外场试验场景下的实测雷达目标回波数据，获取相应的距离-多普勒数据；在所获取的距离-多普勒数据上框选目标区域，并标注目标区域的目标类型、位置范围、雷达设备参数和目标参数；
对于每一目标区域，提取该目标区域中的所有强散射点及其特性向量，获取该目标区域的目标散射特性模型；
汇总每一目标区域的目标类型、雷达设备参数、目标参数以及目标散射特性模型，形成目标特性库。
3.根据权利要求2所述的基于实测数据特性模型的内场场景构建方法，其特征在于，通过执行以下操作获取各目标区域的目标散射特性模型：
根据标注的该目标区域的位置范围，提取该目标区域的距离-多普勒数据；
获取该目标区域的距离-多普勒数据中能量最大的散射点；
判断该散射点的能量是否大于或等于目标区域所在的整个距离-多普勒数据中的背景噪声平均能量的设定倍数，
若是，则将该散射点提取为强散射点，并获取该强散射点的特性向量；然后，在该目标区域的距离-多普勒数据中剔除该强散射点，更新目标区域的距离-多普勒数据，并跳转至寻找能量最大的散射点的步骤；
否则，提取该目标区域的强散射点及其特性向量的过程结束；
汇总该目标区域的所有强散射点及其特性向量，构建得到该目标区域的目标散射特性模型。
4.根据权利要求3所述的基于实测数据特性模型的内场场景构建方法，其特征在于，所述强散射点的特性向量包括：
强散射点的坐标：强散射点在目标区域的距离-多普勒数据中的距离、多普勒位置；
强散射点的归一化散射参数集：强散射点在HH、HV、VH、VV四个极化通道上的归一化散射参数。
5.根据权利要求4所述的基于实测数据特性模型的内场场景构建方法，其特征在于，通过执行以下操作生成背景噪声库：
基于各种海况下实测雷达目标回波数据中的非目标区域，形成相应海况下的背景噪声数据；汇总所有海况下的背景噪声数据，形成背景噪声库。
6.根据权利要求5所述的基于实测数据特性模型的内场场景构建方法，其特征在于，所述场景设置要求包括：
模拟目标的目标类型，模拟目标为1个或多个；
雷达设备参数，包括：雷达波段和极化状态；
场景环境参数，包括：海况信息、雷达设备的海拔高度、雷达-目标距离。
7.根据权利要求6所述的基于实测数据特性模型的内场场景构建方法，其特征在于，
从所述目标特性库中选取目标散射特性模型，包括：
基于模拟目标的场景环境参数，获取模拟目标的目标参数；
根据每一模拟目标的目标类型、雷达波段及目标参数，从目标特性库中调取匹配于各模拟目标的目标散射特性模型；
从背景噪声库中选取背景噪声数据，包括：
根据场景设置要求中的海况信息，从背景噪声库中选取匹配于该海况的背景噪声数据。
8.根据权利要求7所述的基于实测数据特性模型的内场场景构建方法，其特征在于，通过执行以下操作生成雷达模拟目标回波：
根据场景设置要求中的雷达设备参数，生成雷达发射信号；
基于每一模拟目标的目标散射特性模型和雷达发射信号，获得相应模拟目标的雷达模拟目标回波；
若场景设置要求中仅包含一个模拟目标，则将该模拟目标的雷达模拟目标回波作为内场场景下的雷达模拟目标回波；否则，则对所有模拟目标的雷达模拟目标回波进行电磁波叠加，得到内场场景下的雷达模拟目标回波。
9.根据权利要求8所述的基于实测数据特性模型的内场场景构建方法，其特征在于，通过执行以下操作获得模拟目标的雷达模拟目标回波：
根据调取的该模拟目标的目标散射特性模型，重构出该模拟目标在全极化状态下的距离-多普勒数据；
对重构出的该模拟目标在全极化状态下的距离-多普勒数据进行解相参积累处理，获得该模拟目标对应的一维距离像数据；
根据场景设置要求中的雷达-目标距离，将该模拟目标的一维距离像数据叠加到雷达-目标距离的相应位置，组成该模拟目标的距离像目标散射点集；
利用雷达发射信号对该模拟目标的距离像目标散射点集进行目标特性调制，生成该模拟目标的雷达模拟目标回波。
10.根据权利要求9所述的基于实测数据特性模型的内场场景构建方法，其特征在于，通过执行以下操作重构出该模拟目标在全极化状态下的距离-多普勒数据：
将该模拟目标的目标散射特性模型中的各强散射点的坐标，作为重构的距离-多普勒数据中的坐标点；
将该模拟目标的目标散射特性模型中的各强散射点的归一化散射参数集，作为重构的距离-多普勒数据中相应坐标点的取值；
其余没有强散射点的位置取值为0；
从而重构出该模拟目标在全极化状态下的距离-多普勒数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210128872.0A CN116626616A (zh) | 2022-02-11 | 2022-02-11 | 一种基于实测数据特性模型的内场场景构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210128872.0A CN116626616A (zh) | 2022-02-11 | 2022-02-11 | 一种基于实测数据特性模型的内场场景构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116626616A true CN116626616A (zh) | 2023-08-22 |
Family
ID=87615786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210128872.0A Pending CN116626616A (zh) | 2022-02-11 | 2022-02-11 | 一种基于实测数据特性模型的内场场景构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116626616A (zh) |
-
2022
- 2022-02-11 CN CN202210128872.0A patent/CN116626616A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jacobs et al. | Automatic target recognition using sequences of high resolution radar range-profiles | |
| Cheng et al. | A new automotive radar 4d point clouds detector by using deep learning | |
| Jose et al. | Predicting millimeter wave radar spectra for autonomous navigation | |
| CN106383340A (zh) | 一种随机脉冲初始相位雷达的速度假目标识别方法 | |
| Pailhas et al. | High-resolution sonars: What resolution do we need for target recognition? | |
| CN115856854B (zh) | 一种模型与数据混合驱动的雷达探测方法及系统 | |
| CN111487597B (zh) | 一种基于时空频能数据的通用电子侦察截获仿真方法 | |
| CN110865340B (zh) | 一种基于极化特性辅助的海面角反射器干扰对抗方法 | |
| Sung et al. | Realistic sonar image simulation using generative adversarial network | |
| Chen et al. | SAR raw data simulation for fluctuant terrain: A new shadow judgment method and simulation result evaluation framework | |
| Foresti et al. | A voting-based approach for fast object recognition in underwater acoustic images | |
| CN112596037A (zh) | 一种分布式sar抗干扰效能评估方法及系统 | |
| Yan et al. | Moving targets detection for video SAR surveillance using multilevel attention network based on shallow feature module | |
| CN116626616A (zh) | 一种基于实测数据特性模型的内场场景构建方法 | |
| He et al. | Enhanced Kalman filter algorithm using the invariance principle | |
| CN116626612A (zh) | 一种雷达回波模拟系统 | |
| Woollard et al. | Investigating the effects of bistatic SAR phenomenology on feature extraction | |
| Barth et al. | Man-made versus biological in-air sonar systems | |
| Fan et al. | A deceptive jamming template synthesis method for SAR using generative adversarial nets | |
| CN116626614A (zh) | 一种基于实测数据特性模型的目标特性库构建方法 | |
| Petillot et al. | Target recognition in synthetic aperture and high resolution side-scan sonar | |
| CN112835006A (zh) | 一种基于帧间积累的跟踪雷达海上小目标检测方法及系统 | |
| Bell et al. | Target recognition in synthetic aperture and high resolution sidescan sonar | |
| Roldan et al. | Self-supervised learning for enhancing angular resolution in automotive MIMO radars | |
| Kern et al. | Improving the robustness of automotive gesture recognition by diversified simulation datasets |
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 |