CN106707258A - 一种非高斯背景下微动目标多参数估计方法 - Google Patents

Abstract

本发明提供一种适用于非高斯背景下的微动目标多参数估计方法，基于单发多收(SIMO)的雷达***，首先利用高斯核函数，对每个距离单元，计算每个接收通道的自相关熵矩阵；然后，对每两个通道间的自相关熵矩阵做互相关处理，得到多组互相关熵矩阵；通过算术融合的方式，对得到的互相关熵矩阵做融合处理；最后，通过对多通道回波信号比相单脉冲定位处理，可以实现对微动目标的定位。本发明能够对非高斯背景下的微动目标实现多微动参数估计以及目标定位，在估计目标参数的同时能够得到更好的估计性能。

Description

一种非高斯背景下微动目标多参数估计方法

技术领域

本发明涉及雷达微多普勒成像技术领域，特别是涉及非高斯背景下的微动目标多参数估计方法。

背景技术

在许多探测***中，微动目标的检测和估计都有着重要的应用。例如，在地震救援时可以实现生命信号检测；在防空和监控领域，可以实现无人机机翼识别；在机械性能分析方面，可以实现对机械的振动检测。

国内外许多研究机构开展了微动目标参数估计的研究。傅里叶分析是实现微动目标微摄动参数估计的有效手段。国防科技大学提出了一种基于循环相关系数的微动周期估计方法(W.P.Zhang,K.L.Li,et al,“Parameter estimation of radar targets withmacro-motion and micro-motion based on circular correlation coefficients[J]”,IEEE Signal Processing Letters,2013.)，它利用循环互相关不改变峰值个数和大小的特性，在微动伴随宏观运动的情况下，避免宏观运动对微动影响，达到对微动周期的估计的目的。电子科技大学提出了一种在图像域的微动目标检测方法(Y.Jia,L.J.Kong,et al,“Anovel method for detection of micro-motion target in image domain”,IEEE RadarConference,2011.)，它采用超宽带雷达，利用BP成像的方法实现了对目标在图像域的定位。

上述方法对微动目标的参数估计在高斯背景下呈现出良好的性能，然而，在非高斯背景下傅里叶分析方法的性能明显下降。因此，研究非高斯背景下的微动目标参数估计方法在雷达微多普勒成像领域具有重要的价值。

发明内容

本发明提供一种适用于非高斯背景下的微动目标参数估计方法，采用了单发多收(SIMO)的雷达***，提出了一种基于互相关熵的估计算法。首先，采用高斯核函数，对每个距离单元，计算每个接收通道的自相关熵；然后，对每两个通道间的自相关熵做互相关处理，得到互相关熵；通过算术融合的方式，对得到的互相关熵做融合处理；最后，通过对多通道回波信号比相处理，可以实现对目标的定位。

本发明技术方案如下：一种非高斯背景下复合微动目标的参数估计方法，包括以下步骤：

步骤1：回波矩阵预处理

首先对雷达接收机M个通道所得的N×L维回波矩阵A₁、A₂、…、A_M分别在快时间上按行进行加窗处理，再做N点傅里叶变换(FFT)，其中N为每个通道总的回波信号总数，L为每个回波信号的采样点数；傅里叶变换后每个回波信号压缩成带有了目标距离信息的时域脉冲信号；将所有时域脉冲信号信号组合在一起，得到M路通道微动目标的距离-脉冲域矩阵Z₁、Z₂、…Z_M；对Z₁、Z₂、…Z_M分别在慢时间上按列作动目标显示(MTI)滤波或去均值处理，得到去除了静止背景的距离-脉冲域矩阵D₁、D₂、…D_M；

步骤2：计算自相关熵矩阵：将每个通道所对应的距离-脉冲域矩阵D₁、D₂、…D_M在每个距离单元上按列进行自相关熵处理，计算出每个通道相应的自相关熵矩阵V₁、V₂、…V_M；

步骤3：互相关处理及融合

假设第k个通道的自相关熵矩阵为V_k，k＝1,2...M，则k通道和l通道的互相关熵可以表示为：

V_kl[m]＝xcorr(V_k(n),V_l(n))(k≠l)

对自相关熵矩阵V₁、V₂、….V_M任选两个作为一组做互相关处理，得到组互相关熵V_il(i,l＝1,2,...M,且i≠l)；对最后获得的多组互相关熵进行算术融合得到最后的互相关熵矩阵V，其中：V＝∑V_il，xcorr表示互相关运算；

步骤4：微动目标各参数的计算

互相关熵矩阵V通过慢时间维上L₁点傅里叶变换得到互相关熵谱P_V(ω)，L₁表示慢时间维傅里叶变换的点数，可以根据实际需要的频率分辨率确定；其对应的成像平面能清晰明确的显示出微动目标的距离、复合微动频率，对P_V(ω)进行高通滤波，利用先验信息去除其它频段噪声干扰，得到多普勒-距离平面，完成对目标的识别。

进一步的，所述步骤2的具体步骤为：首先分别将N×L维的距离-脉冲域矩阵D₁、D₂、…D_M的每一列视为一个离散平稳随机过程x(n)∈1×N，并对每个采样点逐一进行自相关熵计算，得到N-1点的自相关熵向量向量m＝1,2…N-1，其中其中表示每一列数据对应的自相关熵向量，该自相关熵向量共L列；将所有L列自相关熵向量组合，得到相应的自相关熵矩阵V₁、V₂、….V_M；其中第m点的自相关熵计算公式为：

其中

表示高斯核函数，σ是核的尺度参数值，x^*(n-m)表示在随机过程中x(n-m)的转置。

进一步的，所述步骤4的具体步骤为：假设微动目标成像时，成像点在距离轴对应的索引值为R_index,在多普勒频率轴对应的索引值为f_index1、f_index2，则目标的距离及微动频率的计算公式如下：

其中，R表示微动目标距离，f₁表示目标微动频率1，f₂表示目标微动频率2，为距离分辨率，c为电磁波传播速度，B为发射信号带宽；Δf为频率分辨率，T为发射信号时宽，L₁为慢时间维的傅里叶变换点数；

结合多通道比相单脉冲方法，得到目标在不同通道间产生的相位差φ，计算目标的方位角：

其中，d为天线间距，λ为发射信号波长，结合之前测得的微动目标距离R，实现对微动目标的定位。

本发明的有益效果是：

本发明提出了一种单发多收(SIMO)的雷达***下，适用于非高斯背景下的微动目标多参数估计方法，该方法能够有效的检测和估计微动目标的多个微动参数，在提高雷达成像质量的同时，不会造成微动参数的丢失。相比于技术背景中提到的传统傅里叶分析方法和自相关熵处理方法，在非高斯背景中，本发明能够呈现出更高的输出信噪比，同时，成像图像中清晰的表明了目标的多微动参数。结合单通道比相(PCM)技术，本发明实现了微动目标的空间定位。通过上述参数的获取，本发明能够保证微动目标探测***的实用效果，为操作人员做出正确的决策提供了有力的保障。

附图说明

图1为互相关熵算法处理流程图。

图2为LFMCW时频关系示意图。

图3为仿真场景示意图。

图4为传统傅里叶分析仿真结果图。

图5为自相关熵分析仿真结果图(融合前)。

图6为自相关熵分析仿真结果图(融合后)。

图7为互相关熵分析仿真结果图(融合前)。

图8为互相关熵分析仿真结果图(融合后)。

图9为微动目标定位结果。

具体实施方式

下面根据一个MATLAB仿真例子给出本发明的具体实施方式。

对微动目标的参数估计，其仿真场景如图3所示，坐标系零点位于发射天线位置，4个接收天线沿x轴等间隔放置，相邻两个接收天线之间的水平间隔为半波长d＝λ/2，雷达的发射信号为中心频率1GHz、带宽250MHz的线性调频信号，信号时宽为3.31ms，发射信号周期数为512。微动目标位于(0,6)m处，目标的振动频率分别为4Hz和8Hz，传统傅里叶分析仿真结果图如图4所示。传统傅里叶分析的结果成像背景强干扰成分遍布整个成像平面，大大降低了参数估计性能，并存在微动参数丢失的情况。

根据本发明的处理步骤：

步骤1：回波矩阵预处理

首先对M＝4路接收天线所得的N×L维(N为每个通道的总的回波数，N＝512，L为每个回波信号的采样点数，L＝256)回波矩阵A₁、A₂、…、A₄分别在快时间上(按行)进行加窗处理且做FFT(傅里叶变换)，使每个周期的回波信号压缩成sinc时域脉冲信号，sinc带有了目标的距离信息；再将N个扫频周期上进行的上述操作得到的N个sinc信号组合在一起，得到4路通道微动目标的距离-脉冲域矩阵Z₁、Z₂、…Z₄；对Z₁、Z₂、…Z₄分别在慢时间上(按列)作MTI滤波，得到去除了静止背景等零频杂波的距离-脉冲域矩阵D₁、D₂、…D₄；

步骤2：自相关熵计算

根据之前对自相关熵的分析，对距离-脉冲域矩阵D₁、D₂、…D₄分别在慢时间上(按列)计算自相关熵，得到自相关熵矩阵V₁、V₂、….V₄；其中V₁对应的自相关熵谱成像结果图如图5所示，4通道自相关熵矩阵V₁、V₂、….V₄通过算术融合后得到的融合后自相关熵矩阵对应的目标成像结果如图6所示。

步骤3：互相关处理及融合

根据对互相关熵的分析，对自相关熵矩阵V₁、V₂、….V₄任选两个作为一组做互相关处理，得到组互相关熵V_il(i,l＝1,2,...4,且i≠l)，其对应的雷达成像平面如图7所示。为了获得更好的成像效果以及更高的输出信噪比，本发明对最后获得的多组互相关熵进行算术融合得到最后的互相关熵矩阵V，其中：

V＝∑V_il

步骤4：微动目标各参数的计算

互相关熵矩阵V通过慢时间维上L₁点傅里叶变换处理得到互相关熵谱P_V(ω)；其对应的成像平面能清晰明确的显示出微动目标的距离、复合微动频率等参数，对P_V(ω)进行高通滤波，利用先验信息去除其它频段噪声干扰，得到多普勒-距离平面，可以进一步提高目标的成像质量，提升估计性能，最终的成像效果如图8所示。

图8中(为了更为直观的表示目标参数，图8显示的参数为成像坐标转换后的)，微动目标成像点在距离轴对应的索引值为R_index＝10,在多普勒频率轴对应的索引值为f_index1＝53、f_index2＝109，距离分辨率为频率分辨率为发射信号时宽T＝3.31ms，慢时间维傅里叶变换点数L₁＝4096。则目标的距离及微动频率测量值为

结合多通道比相单脉冲方法，微动目标定位结果如图9所示。通过比相处理，我们可以得到目标在不同通道间产生的相位差φ＝0.0291，天线间距d＝6.3mm，发射信号波长λ＝1.25cm，目标的方位角为

结合之前测得的微动目标的距离R＝6.024m，微动目标的坐标为：

由仿真结果可知，本发明提供的适用于非高斯背景下的微动目标多参数估计方法不仅能够有效地检测和估计微动目标的多个微动参数，在提高雷达成像质量和输出信噪比的同时，不会造成微动参数的丢失，验证了本发明的正确性和有效性。

Claims (3)

1.一种非高斯背景下复合微动目标的参数估计方法，包括以下步骤：

步骤1：回波矩阵预处理

首先对雷达接收机M个通道所得的N×L维回波矩阵A₁、A₂、…、A_M分别在快时间上按行进行加窗处理，再做N点傅里叶变换(FFT)，其中N为每个通道总的回波信号总数，L为每个回波信号的采样点数；傅里叶变换后每个回波信号压缩成带有了目标距离信息的时域脉冲信号；将所有时域脉冲信号信号组合在一起，得到M路通道微动目标的距离-脉冲域矩阵Z₁、Z₂、…Z_M；对Z₁、Z₂、…Z_M分别在慢时间上按列作动目标显示(MTI)滤波或去均值处理，得到去除了静止背景的距离-脉冲域矩阵D₁、D₂、…D_M；

步骤2：计算自相关熵矩阵：将每个通道所对应的距离-脉冲域矩阵D₁、D₂、…D_M在每个距离单元上按列进行自相关熵处理，计算出每个通道相应的自相关熵矩阵V₁、V₂、…V_M；

步骤3：互相关处理及融合

假设第k个通道的自相关熵矩阵为V_k，k＝1,2...M，则k通道和l通道的互相关熵可以表示为：

V_kl[m]＝xcorr(V_k(n),V_l(n))(k≠l)

对自相关熵矩阵V₁、V₂、….V_M任选两个作为一组做互相关处理，得到组互相关熵V_il(i,l＝1,2,...M,且i≠l)；对最后获得的多组互相关熵进行算术融合得到最后的互相关熵矩阵V，其中：V＝∑V_il，xcorr表示互相关运算；

步骤4：微动目标各参数的计算

互相关熵矩阵V通过慢时间维上L₁点傅里叶变换得到互相关熵谱P_V(ω)，L₁表示慢时间维傅里叶变换的点数，可以根据实际需要的频率分辨率确定；其对应的成像平面能清晰明确的显示出微动目标的距离、复合微动频率，对P_V(ω)进行高通滤波，利用先验信息去除其它频段噪声干扰，得到多普勒-距离平面，完成对目标的识别。

2.如权利要求1所述的一种非高斯背景下复合微动目标的参数估计方法，其特征在于所述步骤2的具体步骤为：首先分别将N×L维的距离-脉冲域矩阵D₁、D₂、…D_M的每一列视为一个离散平稳随机过程x(n)∈1×N，并对每个采样点逐一进行自相关熵计算，得到N-1点的自相关熵向量向量m＝1,2…N-1，其中表示每一列数据对应的自相关熵向量，该自相关熵向量共L列；将所有L列自相关熵向量组合，得到相应的自相关熵矩阵V₁、V₂、….V_M；其中第m点的自相关熵计算公式为：

$\hat{X}\[m\]=\frac{1}{N-m}\underset{n=m+1}{\overset{N}{\Σ}}k\[x\left(n\right)-x^{*}(n-m)\]$

其中

表示高斯核函数，σ是核的尺度参数值，x^*(n-m)表示在随机过程中x(n-m)的转置。

3.如权利要求1所述的一种非高斯背景下复合微动目标的参数估计方法，其特征在于所述步骤4的具体步骤为：假设微动目标成像时，成像点在距离轴对应的索引值为R_index,在多普勒频率轴对应的索引值为f_index1、f_index2，则目标的距离及微动频率的计算公式如下：

$\left\{\begin{array}{c}R=R\_index*\mathrm{\Δ}R\\ f_1=f\_index1*\mathrm{\Δ}f\\ f_2=f\_index2*\mathrm{\Δ}f\end{array}\right.$

其中，R表示微动目标距离，f₁表示目标微动频率1，f₂表示目标微动频率2，为距离分辨率，c为电磁波传播速度，B为发射信号带宽；Δf为频率分辨率，T为发射信号时宽，L₁为慢时间维的傅里叶变换点数；

结合多通道比相单脉冲方法，得到目标在不同通道间产生的相位差φ，计算目标的方位角：

其中，d为天线间距，λ为发射信号波长，结合之前测得的微动目标距离R，实现对微动目标的定位。