0 写在前面
遇大事要稳,遇急事应缓,遇难事宜变。
1 噪声中的目标检测
1.1 基本概念
使用A/D转换器定期对雷达回波进行采样;采样的返回可以包括感兴趣的目标和噪声,阈值用于抑制噪声。
阈值用于抑制噪声噪声概率曲线下的区域,从检测阈值到无穷大(向右)是误报的概率。噪声密度曲线下的整个区域为1。
对于固定阈值,较高的SNR将导致检测到目标的概率较高。
典型的单脉冲检测平稳目标:
1.2 脉冲积累
脉冲积累:通过组合多个脉冲的回波,提高雷达探测目标的能力。相干积累:无信息丢失(振幅或相位)。非相干积累:一些信息丢失(相位);二进制积累;累计检测;在大多数情况下,相干积累比非相干积累更有效。
相干积累:将复杂雷达回波的实部和虚部(同相和正交)相加,并计算电压的大小。相干积累增益等于相干积累的脉冲数。2个脉冲对应3dB,10个脉冲对应10dB,20脉冲对应13dB。为了实现这种增益,从脉冲到脉冲的噪声样本必须是独立的,即噪声为高斯白噪声。
平稳目标的非相干积累:积累后噪声方差降低(允许降低阈值)。
非相干积累的可分为:
- 非相干积累(又名视频集成):为N个脉冲中的每个脉冲生成幅度后添加幅度,然后添加阈值
- 二进制积累:为N个脉冲中的每个脉冲生成幅度,然后生成阈值,在N次扫描中至少需要M次检测
- 累积积累:为N个脉冲中的每个脉冲生成幅度,然后生成阈值,在N次扫描中至少需要1次检测
1.3 目标起伏
目标起伏Swerling模型:
不同目标起伏模型的RCS变化:
单个脉冲的目标起伏的检测统计:起伏目标比非起伏目标需要更多的信噪比,以保持高检测概率。
1.4 自适应门限技术
问题:必须知道(或估计)背景噪声才能设置阈值。解决方案:使用仅限噪声的样本来估计背景噪声。CFAR门限:检测单元/底噪估计值>门限。
平均单元CFAR:使用周围范围单元格的平均值来确定被测单元格的阈值。附近目标可以提高阈值并抑制虚警检测。
雨云对CFAR门限的影响:
尖锐的杂波或干扰边界可能导致过多的虚警。
平均水平中最大的CFAR:分别查找测试单元前后N/2个电池的平均值,使用较大的噪声估计来确定阈值。有助于减少尖锐杂波或干扰边界附近的虚警。附近目标仍然提高阈值并抑制虚警检测(Nearby targets still raise threshold and suppress detection)。
2 脉冲压缩
2.1 基本介绍
连续波脉冲:距离分辨率。
方形脉冲:窄脉冲具有 大的带宽和分辨率。
2.2 脉冲压缩
脉冲压缩:使用脉冲连续波系统,很难同时获得“良好”的平均功率和分辨率。较高的平均功率与脉冲宽度成比例;更好的分辨率与脉冲宽度成反比。如果长脉冲是在频率或相位上调制的,那么长脉冲会将带宽提高为短脉冲,这些脉冲压缩技术可以同时实现长脉冲的能量和短脉冲的分辨率。
匹配滤波:最大化峰值信噪比。对于矩形脉冲,匹配滤波器是一种简单的通带滤波器。
2.3 调频/相脉冲
短脉冲的分辨率可以通过调制长脉冲来实现,增加时间带宽乘积,信号必须在返回“脉冲”时进行处理。
二相码波形:相位的变化可以用来增加脉冲宽度。持续时间为T的脉冲被划分为持续时间为TCHIP的N个子脉冲;每个子脉冲的相位根据二进制相位代码而改变或不改变;相位变化0或π弧度。脉冲压缩滤波器输出将是宽度为TCHIP的压缩脉冲,峰值为未压缩脉冲的N倍。
匹配滤波实现:匹配滤波器是通过将反射回波与“时间反转”发射脉冲“卷积”来实现的。
卷积过程:逐步移动数字化脉冲;当数据重叠时,将样本相乘并求和。匹配滤波器的使用最大化S/N。
二进制相位调制示例:
线性调频信号脉压:因为距离是通过多普勒频率的偏移来测量的,所以距离和多普勒速度是耦合的测量。
3 总结讨论
噪声中目标的检测:
- 目标特性和雷达设计功能都会影响检测噪声中信号的能力
- 相干和非相干脉冲积累可以提高目标检测
- 实际环境中需要自适应阈值(CFAR)技术
脉冲压缩提供了一种同时具有高平均功率和良好分辨率的方法:
- 如果在频率或相位上进行调制,则长脉冲可以具有与短脉冲相同的带宽(分辨率)
- 相位编码脉冲压缩将长脉冲划分为二进制编码子脉冲
- 通过频率编码脉冲压缩,雷达频率随着脉冲的传输而线性增加
4 参考文献
[1] 百度翻译
[2] MIT 公开课:Introduction to Radar Systems。
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· DeepSeek 开源周回顾「GitHub 热点速览」
· 物流快递公司核心技术能力-地址解析分单基础技术分享
· .NET 10首个预览版发布:重大改进与新特性概览!
· AI与.NET技术实操系列(二):开始使用ML.NET
· 单线程的Redis速度为什么快?