CN113075635B - 基于相参积累的捷变频雷达目标信息重构方法 - Google Patents
基于相参积累的捷变频雷达目标信息重构方法 Download PDFInfo
- Publication number
- CN113075635B CN113075635B CN202110342934.3A CN202110342934A CN113075635B CN 113075635 B CN113075635 B CN 113075635B CN 202110342934 A CN202110342934 A CN 202110342934A CN 113075635 B CN113075635 B CN 113075635B
- Authority
- CN
- China
- Prior art keywords
- target
- representing
- phase
- vector
- distance
- 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 57
- 230000001427 coherent effect Effects 0.000 title claims abstract description 38
- 238000009825 accumulation Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000001308 synthesis method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- G01S7/414—Discriminating targets with respect to background clutter
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
本发明公开了基于相参积累的捷变频雷达目标信息重构方法。所述方法包括:建立基于相参积累的捷变频雷达的目标回波信号模型,及以其相位误差与场景稀疏度为优化目标的优化模型,通过相位自聚焦算法重构及交替方向乘子法求解所述优化模型,进而获得目标的自适应相位差及速度、距离信息,实现对目标信息的重构。本发明可进行精确的目标回波相位误差估计及观测场景重构,有效解决相位误差导致相参捷变频雷达相参积累性能下降问题,提供良好的相参积累性能,并实现目标在距离及速度上的精确估计。
Description
技术领域
本发明涉及相参捷变频雷达的技术领域。
背景技术
相参捷变频雷达(frequency agile coherentradar,FACR)结合了捷变频和相参体制两大优势,一方面利用相参体制提供信号相位信息提高雷达对目标的分辨能力,另一方面通过捷变频技术快速切换雷达的工作频率使得雷达在电子对抗中获得优势。目前实现相参捷变频雷达接收的手段一般通过直接数字式频率合成方法,但因其无法实现数GHz范围的跳频,为了实现大范围的调频避免大宽带的干扰,可改用直接频率合成方法,然而该方法不可避免在各脉冲间产生随机初相,从而影响到相参积累性能。如何实现对脉间随机初相、目标距离和速度引起的脉间回波相位估计以及良好的相参积累性能成为需要解决的关键问题。
另一方面,由于捷变频雷达工作载频处于脉间跳频状态时,目标回波相位受到脉冲载频随机变化和目标雷达之间距离变化的双重影响,传统的延迟对消或者快速傅里叶变换的多普勒处理方法与捷变频雷达回波不相兼容,无法提取目标的多普勒信息。
发明内容
本发明的目的在于提出一种新的捷变频雷达目标信息重构方法,其可进行精确的目标回波相位误差估计及观测场景重构,有效解决相位误差导致相参捷变频雷达相参积累性能下降问题,提供良好的相参积累性能,并实现目标在距离及速度上的精确估计。
本发明的目的还在于提出一种上述方法的应用。
本发明首先公开了如下的技术方案:
基于相参积累的捷变频雷达目标信息重构方法,其包括:
建立所述基于相参积累的捷变频雷达的回波信号模型,所述回波信号模型含有相位误差矩阵及散射系数矩阵;
S2:建立所述回波信号模型的、以目标估计误差精度及所述散射系数矩阵的稀疏度为优化目标的优化模型;
S3:通过相位自聚焦算法稀疏重构所述优化模型,并通过交替方向乘子法(ADMM)对重构后的优化模型进行迭代求解,获得最优相位误差矩阵及最优散射系数矩阵,进而获得目标的自适应性相位差及速度、距离信息,实现对目标信息的重构。
上述方案中,ADMM法是一种求解优化问题的计算框架,通过将原优化问题分化为两个子问题交替求解,缩小了问题的规模。
上述方案中,所述捷变频雷达的工作方式为发射一组载频随机变化的脉冲串,通过对载频不同的脉冲进行相参处理,来合成较大带宽,获得距离高分辨率。
根据本发明的一些具体实施方式,所述稀疏度通过对所述散射系数矩阵取范数获得。
根据本发明的一些具体实施方式,所述回波信号模型包括以下相位因子:由目标的距离因素引起的相位因子、由目标的速度因素引起的相位因子及由所述雷达的非数字跳频产生的随机初相引起的相位因子。
根据本发明的一些具体实施方式,所述散射系数矩阵包括强散射点在距离和速度维上的散射系数向量。。
根据本发明的一些具体实施方式,步骤S3中所述重构包括以散射系数矩阵的稀疏度近似估计替代优化模型中的散射系数矩阵稀疏度。
根据本发明的一些具体实施方式,所述回波信号模型为:
y=EFa+w(8),
其中,
y表示目标所在的距离门参考单元的观测数据阵列,为由n个脉冲回波组成大小为N×1维向量,如下:
y=[y0,y1,...yN-1]T (9),
y=[y0,y1,...yn,...yN-1]T (9);
其中,第n维数据yn通过下式获得:
且:
其中,N表示一个相参处理间隔内的脉冲总个数。wn表示噪声,Rl表示第n个脉冲回波信号中的第l个目标散射点的距离、vl表示其速度,fc表示相参捷变频雷达发射脉冲初始载频,Δf为跳频间隔,dn表示随机整数、即第n个脉冲的频率调制码字,表示快时间,其中Tr表示脉冲重复周期,t表示慢时间,/>表示第n个脉冲的由于非数字跳频导致的随机初相,R表示目标回波沿雷达视线方的距离为、v表示其速度,C(R,v)表示与目标速度和距离相关的目标后向散射幅度;
F表示将目标信号在距离维和速度维分别离散为P,Q个散射化网格点后形成的N×PQ维稀疏字典矩阵,如下:
其中第l个目标散射点的导引矢量φl∈CN,其第n个元素为:
l与lp,lq的关系为:l=lp×Q+lq,lq=mod(l,Q);
a表示目标散射点在距离和速度维网格点上形成的PQ×1维散射系数向量;
w表示加性噪声向量;
E表示N×N维相位误差矩阵,如下:
E=diag(e) (11),
其中,diag(·)表示以向量e中元素为对角线元素形成的对角矩阵,向量e如下:
根据本发明的一些具体实施方式,所述优化模型为:
s.t.||y-EFa||2<ε (13),
其中,||·||1表示取向量的范数操作,||·||2表示取向量的/>范数操作,||y-EFa||2表示相位误差方程,ε=||w||2表示噪声门限。
根据本发明的一些具体实施方式,重构后的优化模型为:
其中,an表示向量a中的第n个元素,表示an的共轭,δ表示收敛门限,且δ>0。
根据本发明的一些具体实施方式,步骤S3对所述重构后的优化模型的求解中,迭代终止条件为:将迭代终止条件设为:
||a(t+1)-a(t)||2/||a(t)||2+||E(t+1)-E(t)||F/||E(t)||F<ζ (25),
其中,E(t)表示相位误差矩阵的第t次估计,a(t)表示稀疏向量的第t次估计,ζ表示大于零的常数门限值。
根据本发明的一些具体实施方式,所述转换后的优化问题为:
其中,u=(λr+jλi)/ρ,其中,ο表示哈达玛积,ρ为惩罚项系数,a,e,β,u为ADMM迭代后取值,(·)*表示矩阵或向量的共轭。
根据本发明的一些具体实施方式,根据以下步骤对上述转换后的优化问题进
行迭代更新:
A1将e(t),β(t),u(t)视为已知量,通过下式更新a:
A2将a(t+1),β(t),u(t)视为已知量,通过下式更新e:
其中,q(t)=β(t)-Fa(t+1)+u(t),(·)*表示取共轭;
A3将a(t+1),e(t+1),u(t)视为已知量,通过下式更新β:
其中,
A4将a(t+1),e(t+1),β(t+1)视为已知量,通过下式更新u:
重复上述步骤A1-A4,直至收敛;
其中,a(t),e(t),β(t),u(t)表示第t次ADMM迭代后取值,上标(t+1)对应地表示第t+1次迭代后取值。
本发明具备以下有益效果:
本发明的回波信号模型中引入了随机初相,并根据回波信号模型获得了相参积累相位误差模型,通过目标在距离-速度二维的稀疏特征,建立最小范数优化模型,并采用交替方向乘子法进行了相位误差自适应估计,实现了对目标距离—速度的精确估计以及良好的相参积累性能,同时因利用了目标场景的稀疏特征,显著降低了恢复场景的旁瓣水平。
本发明能够自适应地进行相位误差估计,故目标幅度基本不随相位误差的变化而出现大的波动,在计算效率上也具有优势,根据仿真结果,本发明在信噪比20dB下,***相位误差估计误差在2°以内,相比于直接的相位自聚焦稀疏重构算法,目标的重构幅度均方差可以提高10dB,运算时间减少一半。
附图说明
图1为具体实施方式中所述直接相参积累和基于ADMM相位自聚焦稀疏重构的目标场景恢复对比图。
图2为具体实施方式中所述不同信噪比下存在相位误差时直接相参积累和本发明的方法的对比图。
图3为具体实施方式中所述SNR=20dB时,不同相位误差下,本发明的方法与借鉴ISAR相位自聚焦算法的对比图。
图4为具体实施方式中所述本发明的方法与借鉴ISAR相位自聚焦方法收敛情况图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述,但需要理解的是,所述实施例和附图仅用于对本发明进行示例性的描述,而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
根据本发明的技术方案,一种具体的实施方式包括以下步骤:
S1:建立所述基于相参积累的捷变频雷达的含有目标相位误差矩阵及散射系数向量的回波信号模型;
S2:建立所述回波信号模型的、以估计误差精度及所述散射系数向量的稀疏度为优化目标的优化模型;
S3:通过相位梯度自聚焦算法重构所述优化模型,并通过交替方向乘子法(ADMM)迭代求解所述优化模型,获得最优相位误差矩阵及散射系数向量,并进一步得到目标的自适应相位差及速度、距离信息,实现对目标信息的重构。
在更具体的实施中,步骤S1中所述回波信号的离散模型构建如下:
设捷变频雷达发射的第n个脉冲为:
其中,fn=fc+dnΔf,n=0,1,...N-1表示第n个脉冲的雷达载频,其中n表示脉冲序列号,N表示一个相参处理间隔(Coherent Processing Interval,CPI)内的脉冲总个数,fc表示相参捷变频雷达发射脉冲初始载频,Δf为跳频间隔,dn为随机整数,即第n个脉冲的频率调制码字;表示快时间,其中Tr表示脉冲重复周期;t表示慢时间;a(·)表示基带信号,可为矩形脉冲和/或线性调频信号等。
则距离为R,沿雷达视线方向的速度为v的目标回波为:
设基带信号为矩形脉冲信号,忽略目标速度带来的距离向扩展或压缩,将解调后信号直接采样,可得目标在第n个脉冲的回波信号为:
其中,C(R,v)表示与目标速度和距离相关的目标后向散射幅度。
进一步的,考虑到对于非全相参捷变频雷达而言,除了上述存在由目标的距离和速度引起的相位因子,还存在一个由于非数字跳频导致的随机初相满足[0,2π)内均匀随机分布,则目标在第n个脉冲的回波信号可表示为:
其中:
可以看出,式(4)中指数项中相位的第一项是由于目标的距离造成的相位,第二项是由于目标的速度引起的相位,第三项为非数字跳频带来随机相位。
设第n个脉冲回波信号中包含L个目标散射点,Nc个杂波散射点,其中第l个目标散射点的距离为Rl,速度为vl,目标散射强度C(Rl,vl),第i个杂波散射点的距离为Ri,速度为vi,杂波散射强度C(Ri,vi),则目标回波可表示为:
其中,wn表示噪声,一般为高斯白噪声。
在以上模型中,考虑到跟踪情况,即目标距离和速度可以先验获取,但存在一定的估计误差,无法满足精确补偿的要求,可将目标区域和杂波区域进行分离,即可以忽略杂波的影响,得到如下的目标回波模型:
其可进一步表示为如下紧凑形式:
y=EFa+w (8)
其中,y表示目标所在的距离门参考单元观测数据,其大小为N×1维向量,由n个脉冲回波组成,表示为:
y=[y0,y1,...yn,...yN-1]T (9);
其中,第n维数据yn即通过式(7)所得目标回波。
F表示将目标观测场景的距离维和速度维分别离散为P,Q个散射化网格点后形成的N×PQ维稀疏字典矩阵,表示为:
其中第l个目标散射点的导引矢量φl∈CN,其第n个元素为:
l与lp,lq的关系为:l=lp×Q+lq,lq=mod(l,Q);
a表示目标散射点在距离和速度维网格点上形成的PQ×1维散射系数向量;
w表示加性噪声向量;
E表示N×N维相位误差矩阵,如下:
E=diag(e) (11),
其中,diag(·)表示以向量e中元素为对角线元素形成矩阵操作,向量e如下:
其中,表示第n个脉冲的由于非数字跳频导致的随机初相。
在更具体的实施中,步骤S2中所述优化模型为:
其中,||·||1表示取向量的范数操作,||·||2表示取向量的/>范数操作,||y-EFa||2表示误差方程,用于表征重建信号的估计误差精度,其中ε=||w||2,ε表示噪声门限。
该优化模型通过分析式(8)观测方程和利用a的稀疏性建立。基于压缩感知理论利用信号的稀疏性,通过范数最优化问题可近似完美的重构出原始信号的特点。本发明中,目标在距离维-速度维强散射点个数有限,因此可通过强散射点近似表示目标的距离-速度分布,利用其在二维空间上的稀疏性,通过建立最优化问题求解自适应相位误差,得到基于稀疏表征的目标距离—速度场景分布。
在以上优化模型中,||a1表示a只有少数较大分量,其他大多数是较小分量,用以表征目标在距离-速度维的稀疏性。
在以上优化模型中,ε与目标场景恢复精度相关,即设置不同的ε可得到不同稀疏度的目标距离—速度分布。当ε取较小值时,场景的稀疏度减弱,在低信噪比下,噪声信号可能被误认为目标信号进行恢复,从而影响场景恢复精度。反之ε取较大值时,待恢复场景的稀疏度增强,弱散射点目标被误认为噪声分量,使得恢复的目标散射数目相对减少,但噪声可以得到有效抑制。因此,在低信噪比下,优选较大的ε值,可有效地抑制噪声而得到相参积累较好的目标距离-速度场景分布。
在更具体的实施中,步骤S3可包括:
根据Kuhn-Tucker理论,将式(13)的最优化问题转化为:
该目标函数包含了估计误差精度和场景稀疏度两种约束信息。其中,常数μ>0,可平衡稀疏度和估计误差精度之间的关系。当μ较大时,可增强待重建场景的稀疏度并有效抑制噪声的影响,所以待处理回波信噪比较低时,可合理优选较大的μ值,以保证稀疏度,降低噪声的影响。
为克服范数在零点处不可导问题,本发明通过如下的方法进行近似:
其中,an表示向量a中的第n个元素,表示an的共轭,δ表示收敛门限,且δ>0。
将式(15)代入式(14)中,可将最优化问题转化为:
通过上述模型可以看出,由随机初相、速度和距离引起的不同脉冲间的相位是相互独立且不耦合的,即对稀疏向量a和相位误差矩阵E的估计可以采用交替迭代求解。
将式(16)中目标函数改写为:
对该目标函数求得a的共轭梯度函数为:
其中:
共轭梯度函数的梯度则为目标函数f(a)的Hessian矩阵:
其中:
由式(20)中第一项为半正定矩阵,第二项为正定矩阵可知目标函数的Hessian矩阵正定,目标函数为凸函数,对于无约束的凸函数,其稳定点、局部极小点、全局极小点三者等价。
令共轭梯度向量等于零向量,求得a的递推表达式:
其中,E(t)表示相位误差矩阵的第t次估计,a(t)表示稀疏向量的第t次估计。式(22)表示的含义为:首先对回波信号观测数据利用估计的相位误差进行相位补偿,然后利用稀疏字典矩阵进行相参积累,最后进行振幅归一化处理得到自聚焦稀疏重构场景分布。
在没有相位误差先验信息的条件下,假设则相位误差递推表达式可以表示为:
且:
其中,[·]n表示取向量的第n个元素操作,conj(·)表示取共轭操作,|·|表示取模操作。
通过式(22),(23)和(24)可以得到a(t+1)和E(t+1)的更新表示。
将迭代终止条件设为:
||a(t+1)-a(t)||2/||a(t)||2+||E(t+1)-E(t)||F/||E(t)||F<ζ (25)
其中,ζ表示大于零的常数门限值。
当a和E的相邻两次估计满足式(25)或者满足一定的迭代次数时,停止迭代更新。
具体的求解过程可包括:
Step0:记t为迭代次数,初始化t=0,初值a(0)随机生成,初值E(0)设为单位矩阵;
Step1:利用共轭梯度算法求解向量a:
Step2:更新E:
E(t+1)=diag(e(t+1))
Step3:若满足迭代收敛条件||a(t+1)-a(t) 2/||a(t)||2+||E(t+1)-E(t)||F/||E(t)||F<ξ,ζ为足够小的正数,则算法终止,否则令t=t+1,回到Step1。
在更具体的实施中,通过ADMM算法对所述重构后的优化模型的求解可包括:
建立如下的等价优化问题:
其中,ei表示列向量e中第i个元素,表示哈达玛积,由于ei单位模约束条件的限制,/>表示噪声门限。
该等价优化问题通过将式(8)等式约束条件中的相位误差矩阵E看作辅助变量,并通过向量e进行替换得到。
根据ADMM框架,将该等价优化问题变形为:
将其变换为如下的增广拉格朗日函数的形式:
记u=(λr+jλi)/ρ,则式(31)可变换为:
设a(t),e(t),β(t),u(t)为第t次ADMM迭代后取值,则更新过程如下进行:
A1将e(t),β(t),u(t)视为已知量,更新a:
其中:
通过式(15)||a||1的近似形式,将其转化为:
求得其梯度函数为:
令梯度等于零,通过共轭梯度算法可求得a的解,如下:
A2将a(t+1),β(t),u(t)视为已知量,更新e:
其中:
忽略常值部分,将其转化为:
上式e中N个元素为所求变量,且相互独立,可将其分解成N个子问题,记q(t)=β(t)-Fa(t+1)+u(t),则第i个子问题为:
将[q(t)]i,看成复平面上向量,则:
/>
其中,cos<·,·>表示向量夹角余弦。
通过忽略常值部分,可将第i个子问题转化为:
该问题的几何意义即为求满足0≤k(i)<1的k(i),使得复平面两个向量夹角最小。
令:
其中,arg(·)表示取相位操作。
则k(i)的解为:
进一步可得到的更新,如下:
A3将a(t+1),e(t+1),u(t)视为已知量,更新β:
其中:
记则β优化解为:
A4将a(t+1),e(t+1),β(t+1)视为已知量,更新u:
其中:
重复上述步骤A1-A4,直至算法收敛,判断收敛条件为||β(t+1)-β(t)||2<ζ或者达到一定的迭代次数。
根据上述步骤,具体的求解过程可包括:
Step0:记t为迭代次数,初始化t=0,给定随机生成的初值a(0),e(0),β(0),u(0)
Step1:利用共轭梯度求解向量a:
Step2:更新e:
其中:
Step3:更新β:
Step4:更新u:
Step5:若满足迭代收敛条件||β(t+1)-β(t)||2<ζ,ζ为足够小的正数,则算法终止,否则令t=t+1,回到Step1。
通过上述具体实施方式所述的识别过程及识别模型进行如下的仿真实验:
仿真条件:
在一个CPI内,相参捷变频雷达信号参数设置为:脉冲个数M=64,脉冲重复周期Tr=100us,脉冲宽度Tp=20us,基准载频f0=10GHz,跳频个数64,脉间跳频方式采用伪随机遍历,跳频间隔Δf=16MHz,合成带宽B=1GHz,假设距离-速度维的观测场景中存在一个动目标,其距离参数R=118m,速度参数v=10m/s,目标的后向散射幅度A=10。相位误差采用随机相位误差形式。
本发明的重构方法中,ADMM算法参数设置为:收敛门限ζ=10-3,二次项惩罚系数ρ依据不同信噪比下进行相应合理设置。相位误差矩阵E初值设为单位矩阵,β,a,u初值随机生成,
与ADMM算法作为对比的直接相参积累具体计算过程包括:
目标回波模型是
对捷变相参雷达目标距离-速度(Rl,vl)值的测量问题归结为在(R',v')平面上对回波的匹配问题,令其补偿相位为;
/>
在(R',v')平面上对回波的匹配输出结果为
在匹配点(R',v')处,则有AF(R',v',R,v)=NC'(Rl,vl),为峰值点。
令ΔR=R-R',Δv=v-v',则有旁瓣
与ADMM作为对比的借鉴ISAR相位自聚焦计算过程包括:
步骤一:记t为迭代次数,初始化t=0,初值a(0)随机生成,初值E(0)设为单位矩阵。
步骤二:通过下式更新向量a:
步骤三:通过下式更新E:
E(t+1)=diag(et(+1))
步骤四:若满足迭代收敛条件(25)则算法终止,否则令t=t+1,回到步骤二,继续循环。
根据上述仿真条件及过程得到如附图1-4的对比情况,其中:
图1给出了在信噪比SNR=10dB,相位误差随机存在时,直接相参积累和基于ADMM相位自聚焦稀疏重构的目标场景恢复对比图。可以看出本发明的方法通过对相位误差的自适应估计,实现了目标距离—速度的精确估计以及提高了相参积累性能,同时由于利用目标场景的稀疏特征,从而显著降低了恢复场景的旁瓣水平。
图2给出了不同信噪比下存在相位误差时直接相参积累和本发明的方法对比图。可以看出本发明的方法在不同信噪比下都能获得良好的相参积累结果,原因在于本发明方法可以有效抑制噪声,保证稀疏度与估计误差精度之间的平衡。同时可以看到在不同相位误差下,直接相参积累随着相位误差的增大,目标幅度不断降低,而本发明方法因能够自适应进行相位误差估计,故目标幅度基本不随相位误差的变化而出现大的波动。
图3给出了SNR=20dB时,不同相位误差下,本发明方法与借鉴ISAR相位自聚焦算法对比图。可以看出在相参积累性能上本发明方法优于借鉴ISAR相位自聚焦算法。
图4给出本发明方法与借鉴ISAR相位自聚焦方法收敛情况,可以看出约10次迭代后,本发明方法逐渐趋于收敛,而借鉴ISAR相位自聚焦约15次迭代才趋于收敛。且相比于借鉴ISAR相位自聚焦方法,本发明方法在目标重构幅度误差上提高了10dB左右。表3给出了两种方法的运算时间,可以看出本发明方法在计算效率上也具有优势。
表3本发明方法与借鉴ISAR相位自聚焦方法运算时间
以上实施例仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下的改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.基于相参积累的捷变频雷达目标信息重构方法,其特征在于:包括:
S1:建立所述基于相参积累的捷变频雷达的回波信号模型,所述回波信号模型含有相位误差矩阵及散射系数矩阵;
S2:建立所述回波信号模型的、以目标估计误差精度及所述散射系数矩阵的稀疏度为优化目标的优化模型;
S3:通过相位自聚焦算法稀疏重构所述优化模型,并通过交替方向乘子法对重构后的优化模型进行迭代求解,获得最优相位误差矩阵及最优散射系数矩阵,进而获得目标的自适应性相位差及速度、距离信息,实现对目标信息的重构;
其中,所述回波信号模型模型为:
y=EFa+w (8),
其中,y表示目标所在的距离门参考单元的观测数据阵列,为由n个脉冲回波组成大小为N×1维向量,如下:
y=[y0,y1,...yn,...yN-1]T (9);
其中,第n维数据yn通过下式获得:
且:
其中,N表示一个相参处理间隔内的脉冲总个数,wn表示噪声,Rl表示第n个脉冲回波信号中的第l个目标散射点的距离、vl表示其速度,fc表示相参捷变频雷达发射脉冲初始载频,Δf为跳频间隔,dn表示随机整数、即第n个脉冲的频率调制码字,表示快时间,其中Tr表示脉冲重复周期,t表示慢时间,/>表示第n个脉冲的由于非数字跳频导致的随机初相,R表示目标回波沿雷达视线方的距离为、v表示其速度,C(R,v)表示与目标速度和距离相关的目标后向散射幅度;
F表示将目标信号在距离维和速度维分别离散为P,Q个散射化网格点后形成的N×PQ维稀疏字典矩阵,如下:
其中第l个目标散射点的导引矢量φl∈CN,其第n个元素为:
l与lp,lq的关系为:l=lp×Q+lq,
a表示目标散射点在距离和速度维网格点上形成的PQ×1维散射系数向量;
w表示加性噪声向量;
E表示N×N维相位误差矩阵,如下:
E=diag(e) (11),
其中,diag(·)表示以向量e中元素为对角线元素形成的对角矩阵,向量e如下:
步骤2中所述优化模型为:
其中,||·||1表示取向量的范数操作,||·||2表示取向量的/>范数操作,||y-EFa||2表示相位误差方程,ε=||w||2表示噪声门限。
2.根据权利要求1所述的重构方法,其特征在于:所述稀疏度通过对所述散射系数矩阵取范数获得。
3.根据权利要求1所述的重构方法,其特征在于:所述回波信号模型包括以下相位因子:由目标的距离因素引起的相位因子、由目标的速度因素引起的相位因子及由所述雷达的非数字跳频产生的随机初相引起的相位因子。
4.根据权利要求3所述的重构方法,其特征在于:所述散射系数矩阵包括强散射点在距离和速度维上的散射系数向量。
5.根据权利要求1所述的重构方法,其特征在于:步骤S3中所述重构包括以散射系数矩阵的稀疏度近似估计替代优化模型中的散射系数矩阵稀疏度。
6.根据权利要求1所述的重构方法,其特征在于:重构后的优化模型为:
其中,an表示向量a中的第n个元素,表示an的共轭,δ表示收敛门限,且δ>0。
7.根据权利要求6所述的重构方法,其特征在于:步骤S3对所述重构后的优化模型的求解中,迭代终止条件为:
||a(t+1)-a(t)||2/||a(t)||2+||E(t+1)-E(t)||F/||E(t)||F<ζ (25),
其中,E(t)表示相位误差矩阵的第t次估计,a(t)表示稀疏向量的第t次估计,ζ表示大于零的常数门限值。
8.根据权利要求6所述的重构方法,其特征在于:通过以下过程求解所述重构后的优化模型:
建立如下的增广拉格朗日函数形式的等价优化问题:
其中,Lρ表示拉格朗函数,u=(λr+jλi)/ρ,e*表示e向量的共轭,表示哈达玛积,ρ表示惩罚项系数,a,e,β,u为ADMM迭代后取值,
根据以下步骤对该等价优化问题进行迭代更新:
A1将e(t),β(t),u(t)视为已知量,通过下式更新a:
A2将a(t+1),β(t),u(t)视为已知量,通过下式更新e:
其中,q(t)=β(t)-Fa(t+1)+u(t),(·)*表示取共轭;
A3将a(t+1),e(t+1),u(t)视为已知量,通过下式更新β:
其中,
A4将a(t+1),e(t+1),β(t+1)视为已知量,通过下式更新u:
重复上述步骤A1-A4,直至收敛;
其中,a(t),e(t),β(t),u(t)表示第t次ADMM迭代后取值,上标t+1对应地表示第t+1次迭代后取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110342934.3A CN113075635B (zh) | 2021-03-30 | 2021-03-30 | 基于相参积累的捷变频雷达目标信息重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110342934.3A CN113075635B (zh) | 2021-03-30 | 2021-03-30 | 基于相参积累的捷变频雷达目标信息重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113075635A CN113075635A (zh) | 2021-07-06 |
CN113075635B true CN113075635B (zh) | 2024-04-12 |
Family
ID=76612008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110342934.3A Active CN113075635B (zh) | 2021-03-30 | 2021-03-30 | 基于相参积累的捷变频雷达目标信息重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113075635B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589250B (zh) * | 2021-07-29 | 2024-02-23 | 上海无线电设备研究所 | 一种稀疏学习的相参捷变频雷达距离高分辨处理方法 |
CN113721216B (zh) * | 2021-08-30 | 2024-05-17 | 西安电子科技大学 | 一种捷变相参雷达的目标检测波形优化与处理方法 |
CN113742916B (zh) * | 2021-09-06 | 2024-05-28 | 中国人民解放军国防科技大学 | 基于gtd参数提取的跳频rcs重构方法 |
CN114488132B (zh) * | 2022-02-22 | 2023-01-20 | 北京卫星信息工程研究所 | 星载gnss-s雷达的目标检测方法 |
CN115436908B (zh) * | 2022-11-10 | 2023-03-24 | 艾索信息股份有限公司 | 基于雷达捷变频信号的目标检测方法、设备及介质 |
CN115453490B (zh) * | 2022-11-10 | 2023-03-24 | 艾索信息股份有限公司 | 基于雷达信号的相干积累方法、装置、设备及存储介质 |
CN116027280B (zh) * | 2023-03-30 | 2023-06-09 | 西安电子科技大学 | 一种低峰值旁瓣频率编码雷达波形设计方法 |
CN116626646B (zh) * | 2023-07-21 | 2023-09-22 | 西安电子科技大学 | 基于时频非均采样的雷达目标无网格化损失相参积累方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110275166A (zh) * | 2019-07-12 | 2019-09-24 | 中国人民解放军国防科技大学 | 基于admm的快速稀疏孔径isar自聚焦与成像方法 |
CN110703211A (zh) * | 2019-08-29 | 2020-01-17 | 西安电子科技大学 | 基于多项式迭代的分布相参雷达相位误差估计方法及*** |
CN110703249A (zh) * | 2019-11-05 | 2020-01-17 | 中国民航大学 | 稳健高效合成孔径雷达多元特征增强成像方法 |
CN110954885A (zh) * | 2019-11-26 | 2020-04-03 | 西安电子科技大学 | 基于sbl的捷变频雷达自适应目标重构方法 |
CN110954883A (zh) * | 2019-11-12 | 2020-04-03 | 西安电子科技大学 | 基于非参数迭代自适应的捷变频雷达目标重构方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7535408B2 (en) * | 2007-08-31 | 2009-05-19 | Lockheed Martin Corporation | Apparatus and methods for detection of multiple targets within radar resolution cell |
-
2021
- 2021-03-30 CN CN202110342934.3A patent/CN113075635B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110275166A (zh) * | 2019-07-12 | 2019-09-24 | 中国人民解放军国防科技大学 | 基于admm的快速稀疏孔径isar自聚焦与成像方法 |
CN110703211A (zh) * | 2019-08-29 | 2020-01-17 | 西安电子科技大学 | 基于多项式迭代的分布相参雷达相位误差估计方法及*** |
CN110703249A (zh) * | 2019-11-05 | 2020-01-17 | 中国民航大学 | 稳健高效合成孔径雷达多元特征增强成像方法 |
CN110954883A (zh) * | 2019-11-12 | 2020-04-03 | 西安电子科技大学 | 基于非参数迭代自适应的捷变频雷达目标重构方法 |
CN110954885A (zh) * | 2019-11-26 | 2020-04-03 | 西安电子科技大学 | 基于sbl的捷变频雷达自适应目标重构方法 |
Non-Patent Citations (3)
Title |
---|
SAR imagery using chaotic carrier frequency agility pulses;Xiaojian Xu等;《 RADAR SENSOR TECHNOLOGY XV》;80211B-0-80211B-12 * |
捷变频信号相参积累方法;苏军海;《现代工业经济和信息化》;第66-69页 * |
频谱拥堵环境下的自适应雷达波形设计研究;赵德华;《中国博士学位论文全文数据库信息科技辑》;第86-103页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113075635A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113075635B (zh) | 基于相参积累的捷变频雷达目标信息重构方法 | |
Xu et al. | Enhanced ISAR imaging and motion estimation with parametric and dynamic sparse Bayesian learning | |
Zhang et al. | High-resolution ISAR imaging by exploiting sparse apertures | |
Wu et al. | ISAR imaging of targets with complex motion based on discrete chirp Fourier transform for cubic chirps | |
Zhang et al. | Fast inverse-scattering reconstruction for airborne high-squint radar imagery based on Doppler centroid compensation | |
Wang et al. | Enhanced ISAR imaging by exploiting the continuity of the target scene | |
CN104898113B (zh) | 一种多输入多输出雷达波形设计方法 | |
Zhang et al. | High-resolution ISAR imaging with sparse stepped-frequency waveforms | |
Gurbuz et al. | Compressive sensing for subsurface imaging using ground penetrating radar | |
Kang et al. | Bistatic ISAR imaging and scaling of highly maneuvering target with complex motion via compressive sensing | |
CN110954884B (zh) | 基于StOMP的捷变频雷达稀疏场景目标重构方法 | |
CN110275158A (zh) | 基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法 | |
Zheng et al. | Fast parameter estimation algorithm for cubic phase signal based on quantifying effects of Doppler frequency shift | |
Zheng et al. | Radar detection and motion parameters estimation of maneuvering target based on the extended keystone transform (July 2018) | |
Rao et al. | Comparison of parametric sparse recovery methods for ISAR image formation | |
Xin et al. | ISAR imaging of target with complex motion associated with the fractional Fourier transform | |
Sun et al. | Airborne radar STAP using sparse recovery of clutter spectrum | |
CN112014807A (zh) | 一种频率捷变雷达的自适应杂波抑制方法 | |
Albaba et al. | Low-complexity forward-looking volumetric SAR for high resolution 3-D radar imaging | |
CN111044996A (zh) | 一种基于降维近似消息传递的lfmcw雷达目标检测方法 | |
CN115877380A (zh) | 一种sar多运动目标成像方法、装置和存储介质 | |
CN115436909A (zh) | 一种基于矩阵重构Root-MUSIC算法的FMCW雷达测距方法 | |
CN114280594A (zh) | 一种基于正交匹配追踪的物位雷达测距方法 | |
CN113985407A (zh) | 一种基于解耦原子范数最小化的高精度多带融合方法 | |
Gu et al. | An impoved parameter estimation of LFM signal based on MCKF |
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 |