3D High-resolution Imaging Algorithm with Sparse Trajectory for Millimeter-wave Radar
-
摘要: 近年来,由于毫米波雷达具有穿透能力强、体积小巧、探测精度高等特性,因此被广泛应用于安全检测、零件无损探测和医学诊断等领域。然而,由于硬件发射带宽的限制,如何实现超高二维分辨率成为毫米波雷达应用中的挑战之一。采用雷达平台扫描形成二维孔径的方式可以实现高度向和方位向的二维高分辨。然而,在扫描过程中,毫米波雷达在高度维会产生稀疏的轨迹,使得高度向回波采样稀疏,进而降低成像质量。为了解决这一问题,该文提出了一种基于Hankel变换矩阵填充的毫米波雷达高分辨三维成像算法。该方法采用了矩阵填充算法对稀疏采样回波进行了恢复,保证了毫米波雷达在扫描平面的成像精度。该文首先分析了毫米波雷达高度-距离切面的低秩先验特性,为了解决稀疏轨迹采样时,数据整行整列缺失的问题,对回波数据矩阵采用Hankel变换进行重新构造,使得待恢复数据矩阵满足矩阵填充算法应用条件。然后,提出了一种融合低秩与稀疏先验的基于截断的Schatten-p范数的矩阵填充算法,对采样数据矩阵进行恢复,以保证稀疏轨迹毫米波雷达的三维分辨率。最后,通过仿真和多组实测数据,证明了采用该文方法可以在仅使用20%~30%的高度向回波时仍实现目标高分辨三维成像。Abstract: In recent years, millimeter-wave radar has been widely used in safety detection, nondestructive detection of parts, and medical diagnosis because of its strong penetration ability, small size, and high detection accuracy. However, due to the limitation of hardware transmission bandwidth, achieving ultra-high two-dimensional resolution using millimeter-wave radar is challenging. Two-dimensional high-resolution imaging of altitude and azimuth can be realized using radar platform scanning to form a two-dimensional aperture. However, during the scanning process, the millimeter-wave radar produces sparse tracks in the height dimension, resulting in a sparse sampling of the altitude echo, thus reducing the imaging quality. In this paper, a high-resolution three-dimensional imaging algorithm for millimeter-wave radar based on Hankel transformation matrix filling is proposed to solve this problem. The matrix filling algorithm restores the sparse sampling echo, which guarantees the imaging accuracy of the millimeter-wave radar in the scanning plane. First, the low-rank prior characteristics of the millimeter-wave radar's elevation-range section were analyzed. To solve the problem of missing whole rows and columns of data during sparse trajectory sampling, the echo data matrix was reconstructed using the Hankel transform, and the sparse low-rank prior characteristics of the constructed matrix were analyzed. Furthermore, a matrix filling algorithm based on truncated Schatten-p norm combining low-rank and sparse priors was proposed to fill and reconstruct the echoes to ensure the three-dimensional resolution of the sparse trajectory millimeter-wave radar. Finally, using simulation and several sets of measured data, the proposed method was proved to achieve high-resolution three-dimensional imaging even when only 20%–30% of the height echo was used.
-
1. 引言
电子侦察系统(Electronic Support Measurement, ESM)是电子战中的重要组成部分,通过接收辐射源信号实现对辐射源的定位、识别[1],进而引导对辐射源的干扰或打击。由于ESM系统本身不发射电磁波,隐蔽性好,可以更早获取辐射源信号特性[2],对辐射源目标造成巨大威胁。因此,从反侦察角度生成干扰信号,使敌方ESM系统对辐射源的信号参数测量产生错误,对保护辐射源具有重要意义。
ESM系统所测量截获信号的参数可分为空域和时域等,空域参数主要为方位角,时域参数主要为脉宽和脉冲重复周期(Pulse Repetition Interval, PRI)。空域参数测量技术包括多波束比幅[3]、干涉仪测向[4]和空间谱估计[5,6]。其中,多波束比幅具有很高的侦测灵敏度,稳定性好,但设备复杂度高;空间谱估计具有高精度、高分辨率和抗多径干扰等优势,而应用相对较少;现有的干涉仪具有较高的测向精度,且设备量小成本低,在电子侦察中广泛应用[7]。空域参数测量基于脉冲序列到达时间(Time Of Arrival, TOA),往往与信号分选相联系[8]。例如累积差分直方图法(Cumulative Difference Histogram, CDIF)[9]、序列差分直方图法(Sequence Difference Histogram, SDIF)[10]和PRI变换法[11]等经典算法在实现对交错脉冲信号分选的同时完成对PRI的测定。
当前,对干涉仪参数测量的干扰主要是从空域参数和时域参数两方面分别进行的。在空域参数方面,文献[12]提出了同时到达信号可以对干涉仪形成测向引偏,破坏电子侦察系统对雷达的侦察。文献[13]研究了同时同频多源信号对干涉仪测向的影响,分析了多源信号的相位、个数和信号强度等因素的具体影响。在时域参数方面,文献[14]提出了一种雷达信号PRI参差设计方法,用于抗序列差值直方图算法分选。文献[15]提出了利用一定规则设计的重频组合干扰脉冲破坏分选算法对雷达信号的统计属性,有效实现抗重频分选。但是尚且没有同时干扰空域参数和时域参数的研究。
为了实现空域参数和时域参数的同时干扰,就要使多个信号从不同角度到达干涉仪,且时频重叠,即使用分布式信号[12,13,15]。但是,之前的研究工作中所分析的分布式信号是相对静态的,即认为辐射源与干涉仪接收机的相对空间关系没有发生变化。在实际对抗场景下,干涉仪往往搭载在运动平台上,接收机与辐射源的相对运动将导致分布式脉冲信号到达干涉仪接收机的时间、幅度和相位逐渐产生偏差,若无法以较高精度控制信号参数,都难以获得良好的干扰效果。为此,需要辐射源间实现精确的时间、载波相位和载波频率同步。在分布式相参雷达系统中,使用了基于有线传输的方式分别实现时间和相位同步[16],这种方法对分布距离提出了限制,在部署灵活性以及工作覆盖区域上都有很大的局限。文献[17]研究了搭载于无人机动平台的分布式雷达,提出基于直达波的分布式相参雷达相位同步方法,有效提升了分布系统的灵活度。并且,该方法是去中心化的,可扩展节点规模,也避免了中心站故障影响全部系统。
尽管分布式系统同步技术已经实现了高精度的时间误差和相位误差校准,对系统内每个节点载波频率误差和初相误差的估计和校准仍然需要较高的成本。为了降低系统成本,本文将间歇采样转发技术应用于分布式信号对机载干涉仪的干扰。间歇采样转发干扰(Interrupted-Sampling Repeater Jamming, ISRJ)是一种基于数字射频存储(Digital Radio Frequency Memory, DRFM)技术的相干干扰方法[18],主要用于对雷达系统的有源欺骗干扰,通过对信号进行低速率的切片采样并转发,形成干扰信号,具有响应速度快、实现简单等优点[19]。通过利用间歇采样转发信号与辐射源信号天然的相参特性,可以克服硬件差异导致的频率和相位偏移问题,从而降低系统成本。此外,由于信号从辐射源到转发干扰机的时间由两者间距离决定,转发干扰机从接收到的辐射源信号中可直接提取时序信息,并控制转发时延以实现分布式信号的同步,从而系统免于进行额外的同步程序。最后,本文提出的干扰方法考虑机载干涉仪的位置变化,使转发干扰机相应地调整转发时延,从而扩大干扰的作用范围。
本文首次提出一种使用间歇采样转发的分布式信号生成方法,用于干扰机载干涉仪,即转发干扰机与辐射源组成分布式干扰系统,将转发干扰机与辐射源组合布置,转发干扰机通过间歇采样转发辐射源的信号生成分布式信号,实现对干涉仪空域参数和时域参数测量的同时干扰。首先,建立机载干涉仪和分布式干扰系统相对运动的场景模型,并给出间歇采样转发干扰信号的准同步约束以及分布式信号叠加模型;然后,通过分析分布式信号对到达方向角、脉宽和脉冲重复周期几项参数测量的干扰原理和影响因素,提出分布式信号的设计原则;最后,实验结果验证了本文所提出分布式转发信号对干涉仪参数测量干扰的有效性。
2. 分布式转发信号干扰问题建模
分布式的辐射源与转发干扰机在同机载干涉仪的对抗过程中,信号传播路径的变化引起分布式信号的相对时序发生变化。对于脉冲工作体制的辐射源和转发干扰机,必须保持信号在时域的交叠。因此,本节首先构建干涉仪运动场景模型,分析辐射源、转发干扰机和干涉仪相对运动引起的信号时序变化,给出分布式信号实现准同步的约束条件。接下来,为分析分布式信号对干涉仪的干扰效果,建立在准同步条件下的分布式转发信号在干涉仪处叠加的信号模型。
2.1 干涉仪运动场景模型
图1为转发干扰机配合辐射源对机载干涉仪实施干扰场景示意图,显示了干扰场景中信号的时序关系。到达干涉仪的信号有两条传播路径:第1路信号由辐射源直接到达干涉仪,称为基准信号;第2路信号是转发干扰机接收到辐射源信号,经过调制和时延处理,再发射到达干涉仪,称为伴随信号。对处于不同位置(如A, B两点)的干涉仪,信号传播路径的时长会发生改变。
假设某时刻t0干涉仪在A位置,已知辐射源与转发干扰机间的信号传播时间为t12,通过雷达探测得到辐射源与干涉仪、转发干扰机与干涉仪间的信号传播时间分别为t13和t23。伴随信号到干涉仪相对基准信号滞后的时间为
tD=t12+t23−t13 (1) 考虑辐射源为脉冲工作体制的地面雷达,信号脉宽为tpw,PRI为tPRI。由于对干涉仪的参数测量干扰要求基准信号与伴随信号脉冲在干涉仪处有交叠[13],同时考虑信号滞后时间tD与可控参数转发干扰机转发处理时延td,使基准信号与伴随信号跨脉冲交叠,即伴随信号的第m个脉冲与基准信号的第m+m0个脉冲在干涉仪处交叠,称为信号准同步。跨脉冲数m0与以上时间参数的关系为
(tD−tpw)/(tD−tpw)tPRItPRI<m0<tD/tDtPRItPRI+1 (2) 转发干扰机转发处理时延td需满足
m0tPRI−tD−tpw<td<m0tPRI−tD+tpw (3) 随着干涉仪移动,传播路径发生变化,假设移动到图1所示的任意某点B,辐射源与干涉仪、转发干扰机与干涉仪间的电磁波传播时间分别变为t′13, t′23,则滞后时间的变化量为
ΔtD=(t′23−t′13)−(t23−t13) (4) 结合式(3),可得如下准同步约束
max{|Δtd|}+max{|ΔtD|}<2tpw (5) 其中,Δtd为转发干扰机转发处理时延td的可变化量。可见固定的转发处理时延只能对一定区域内的干涉仪目标形成干扰,为扩大干扰作用范围,需要划分干扰区域并分别计算相应的td。
2.2 分布式转发信号模型
间歇采样转发干扰是转发干扰机在一个脉冲内对基准信号进行多次采样和转发,根据转发方式的不同,可分为直接转发、重复转发和循环转发3种基本样式[20],在图2中显示了3种样式的工作原理,其中,τ是采样时间长度,Ts是采样周期。直接转发样式的工作原理如图2(a)所示,当转发干扰机采样到一段信号后即进行一次调制转发,等待一个采样周期后重复采样转发至脉冲结束;重复转发样式的工作原理如图2(b)所示,当转发干扰机采样到一段信号后按照设定的次数重复发射采样信号片段,等待一个采样周期后重复以上过程至脉冲结束;循环转发样式的工作原理如图2(c)所示,转发干扰机存储下每个采样周期内的采样信号片段,每次转发都按照顺序发射当前存储的全部片段。
伴随信号基于间歇采样重复转发样式设计,可以满足伴随信号脉内在时域上连贯无间隙,对干涉仪参数测量具有较好的干扰效果。
如图3所示,转发干扰机在脉内进行低速率采样,并多次转发,拼接形成一个新的脉冲信号。辐射源脉冲宽度为tpw,重复转发次数为K,采样周期Ts满足Ts=Kτ。基准信号序列表示为
xS(t)=[xS,1(t),xS,2(t),⋯,xS,m(t),⋯,xS,M(t)] (6) 其中,第m个脉冲信号表示为xS,m(t)=exp(jφm(t))⋅rectTS,m(t−tS,m),φm(t)表示信号的相位,tS,m表示该脉冲的起始时间,TS,m表示该脉冲的脉冲宽度。rectT(t)表示矩形函数,即
rectT(t)={1,0≤t≤T0,其他 伴随信号序列表示为
xJ(t)=[xJ,1(t),xJ,2(t),⋯,xJ,m(t),⋯,xJ,M(t)] (7) 其中,第m个伴随信号脉冲xJ,m(t)是对第m个基准信号脉冲xS,m(t)间歇采样得到的,表示为
xJ,m(t)=L∑l=1K∑k=1xS,m(t)(rectτ(t)⊗δ(t−(k−1)τ−(l−1)Ts)) (8) 其中,L表示转发干扰机对该脉冲的间歇采样次数,满足L≤⌊(Tp−τ)/(Tp−τ)TsTs⌋+1=⌊Tp/TpKτ(Kτ)+(K−1)/Tp/TpKτKτ+(K−1)KK⌋, ⌊⋅⌋是向下取整。⊗表示卷积运算。
两路信号在干涉仪接收机处形成的叠加信号表示为
xm(t)=xS,m+m0(t)+βm(t)xJ,m(t−tJ) (9) 其中, βm(t)表示伴随信号到达干涉仪接收机处相对基准信号的幅度,tJ表示伴随信号TOA相对基准信号的滞后时间,有
tJ=tD+td−m0tPRI (10) 3. 分布式转发信号对干涉仪干扰效果分析
基于2.2节的分布式信号模型,本节阐述了分布式信号对干涉仪空域和时域参数的干扰机理,并分析基准信号与伴随信号到达干涉仪的相位差、功率比、夹角和转发处理时延等参数对干扰效果的影响。依据这些分析,给出了分布式信号的设计原则和方法。
3.1 对干涉仪空域参数测量干扰
如图4所示,干涉仪接收天线接收到来自两个不同方位的同频信号,分别是基准信号xS(t)和伴随信号xJ(t),以到达天线1的信号相位为准,在天线2处基准信号因入射方位角θ产生的相位差为Δφ,伴随信号因入射方位角ϑ产生的相位差为Δϕ。
为便于分析,将第m个伴随信号脉冲表示为xJ,m(t)=exp(jϕm(t))⋅rectTJ,m(t−tJ,m), ϕm(t)表示信号的相位,tJ,m表示该脉冲的起始时间,TJ,m表示该脉冲的脉冲宽度。
两信号脉冲部分同时到达干涉仪接收天线,两个天线接收到的信号分别为
x1(t)=exp(jφm+m0(t))+βm(t)exp(jϕm(t))=μ1(t)exp(jγ1(t))x2(t)=exp(jφm+m0(t)+jΔφ)+βm(t)exp(jϕm(t)+jΔϕ)=μ2(t)exp(jγ2(t))} (11) 其中,βm(t)的含义同式(9),μ1(t)是t时刻第1根天线接收信号的幅度,μ2(t)是t时刻第2根天线接收信号的幅度,γ1(t)是t时刻第1根天线接收信号的相位,γ2(t)是t时刻第2根天线接收信号的相位,相位可表示为
γ1(t)=arctansinφm+m0(t)+βm(t)sinϕm(t)cosφm+m0(t)+βm(t)cosϕm(t)γ2(t)=arctansin(φm+m0(t)+Δφ)+βm(t)sin(ϕm(t)+Δϕ)cos(φm+m0(t)+Δφ)+βm(t)cos(ϕm(t)+Δϕ)} (12) 通过γ1(t)和γ2(t)的差解算出的方位角为
ˆθt=arcsinλ(γ2(t)−γ1(t))2πD (13) 由式(11)可以看出,天线接收信号是基准信号和伴随信号的向量相加,因此测量方位角ˆθt偏离辐射源方位角度θ和转发干扰机方位角度ϑ的程度受两个信号的功率比β2m、相位差ϕm−φm+m0以及方位夹角α=|ϑ−θ|的影响。
当信号功率相差较大时,接收信号的向量主要由功率更大的信号所决定,ˆθt偏向大功率信号所在方位角度,当信号功率相近时,两信号在接收信号的向量合成中具有相同的贡献,避免ˆθt偏向θ或ϑ。信号相位差在接近反相时,两信号相反的向量分量相消,从而扩大了两天线接收信号的相位差,使ˆθt具有更大的偏差,增强干扰效果。图5显示了信号功率比和相位差两个因素对空域参数测量干扰的作用效果,设定信号方位夹角为20°,图5(a)显示了测量方位角结果随两信号相位差的变化关系,图5(b)显示了测量方位角结果随两信号功率比的变化关系。其中,使用SIR表示基准信号与伴随信号的功率比值。信号相位差在接近0的情况下,测量方位角的结果趋向于两信号真实方位夹角之间,信号相位差在接近π的情况下,测量方位角的结果趋向于两信号真实方位夹角之外,且测角结果偏向于功率较大的信号一侧。当信号功率相差很大时,测角结果贴近功率较大信号的方向,失去干扰效果。从分布式信号相位差与功率比的影响效果可见,为实现理想的干扰效果,伴随信号与基准信号到达干涉仪时,其相位差应接近π,信号功率接近相等。
从信号相位差为π、功率接近相等的最佳干扰条件,分析辐射源与转发干扰机相对干涉仪的方位夹角对干扰效果的影响。干扰性能取决于测量角度与实际角度的偏差,尽管增大夹角可以增大测量方位角ˆθt相对夹角中心的角度,若ˆθt与实际的辐射源方位角θ或转发干扰机方位角ϑ差值变小,则说明干扰性能变差。图6显示了信号相位差为π时,ˆθt与最近的信号方位角之差随夹角的变化关系,并且体现了4种不同的功率比的变化趋势。可以看出当夹角较小时,干扰性能随夹角增大而显著提升,在达到峰值后干扰性能将随夹角增大而缓慢下降,并且信号功率趋近相等,峰值点对应的夹角越小。在实际场景中,考虑功率比控制,夹角一般不超过20°。
然而,干涉仪位置变化不仅引起式(4)所述的时间差变化,同样将引起信号相位差变化,使相位差稳定在π附近难以实现。假设分布式信号在到达干涉仪时有随机均匀分布的相位差,为增大方位角测量结果处于分布式信号真实方位夹角之外的概率,本文设计了以二相编码信号为基础的分布式信号。因为二相编码信号具有相反相位的两种码字,对于分布式信号的一对准同步到达脉冲,在不同采样时刻有不同的码字组合,使得采样时刻的相位差具有相差为π的两种情况,当其中一种相位差接近0时,另一种相位差即接近于π,从而使测角结果处于分布式信号真实方位夹角之外的概率增加。同时,为了避免伴随信号对基准信号产生干扰,最理想的情况是发射信号相互正交[21]。考虑在干涉仪处交叠的两脉冲xS,m+m0(t)和xJ,m(t),其互相关为
∫txJ,m(t)x∗S,m+m0(t+τ)dt=0 (14) 考虑对脉冲信号离散采样,式(14)进一步表示为
C(i)={1NN−i∑n=1xJ,m(n)x∗S,m+m0(n+i)=0,0≤i<N1NN∑n=−i+1xJ,m(n)x∗S,m+m0(n+i)=0,−N<i<0 (15) 为了保证信号间的正交性,使互相关的平方和ε最小
ε=N−1∑i=−N+1|C(i)|2 (16) 3.2 对干涉仪时域参数测量干扰
脉宽与重复周期测量基于信号上升沿和下降沿时间测量。当某时刻积累到连续多个过门限的采样点,则判断脉冲信号到达,记录到达时间ttoa;同理,当积累到连续多个低于门限的采样点,则检测到信号下降沿,记录脉冲结束时间ttoe。当接收机测量到一组上升沿和下降沿时间ttoa, ttoe,则该脉冲的脉宽计算为
tpw=ttoe−ttoa (17) 由式(7)可知,干涉仪侦收到的第m个叠加信号xm(t)上升沿的时刻是辐射源脉冲和转发脉冲中较超前上升沿的时刻,表示为
ttoa(m)=min{mtPRI,mtPRI−tJ(m)} (18) 同理,xr,n(t)下降沿的时刻是辐射源脉冲和转发脉冲中较滞后下降沿的时刻,表示为
ttoe(m)=max{mtPRI+tpw,mtPRI−tJ(m)+KLτ} (19) 可见,干涉仪测量脉宽结果由转发脉冲脉宽和相对辐射源脉冲的时间偏移量决定。最小情况下,一个脉冲完全被另一脉冲掩盖,其值为两脉冲宽度的最大值max{tpw,KLτ};最大情况两个脉冲完全不重合,其值等于辐射源脉冲宽度与转发脉冲宽度之和tpw+KLτ。对于运动中的干涉仪,信号传播时间的变化本身就导致时间偏移量tJ(m)产生连续变化,增强脉宽测量的干扰效果。
干涉仪侦收到的第m+1个叠加信号xm+1(t)上升沿的时刻表示为
ttoa(m+1)=min{(m+1)tPRI,(m+1)⋅tPRI−tJ(m+1)} (20) 第m+1和第m个脉冲上升沿时刻的差为PRI估计的一级差值。最小值出现在第m个伴随信号脉冲的上升沿不超前,而第m+1个伴随信号脉冲完全超前,差值大小为tPRI−tJ(m+1);最小值出现在第m个伴随信号脉冲完全超前,而第m+1个伴随信号脉冲的上升沿不超前,差值大小为tPRI+tJ(m)。从破坏PRI估计角度分析,信号应尽可能广泛分布在TOA差分直方图中,而且为了便于后续的目标回波处理,信号不应随机抖动[22]。由式(10)可得,通过控制转发处理时延td可以控制叠加信号的上升沿时刻。因此,本文设计一种具有周期变化的分布式信号PRI,将伴随信号的每N个脉冲分为一个脉冲组,针对脉冲组设计转发处理时延组td=[t1d,t2d,⋯,tNd],其中元素分别表示对应脉冲的转发处理时延,相邻转发处理时延的差值各不相同。由式(18)和式(20)分析,理想状态下TOA差分直方图中将形成多个相同高度的累积条带,即产生了多个不同PRI的干扰效果。
4. 实验验证
为了验证理论分析干扰方法的有效性,首先根据对抗机载干涉仪的实际场景进行了仿真实验,然后使用辐射源、转发干扰机和干涉仪在暗室内开展实验验证。
4.1 仿真实验
根据机载干涉仪对抗的典型场景,本文设计了相应的仿真场景开展干扰效果验证。鉴于尚没有针对空域和时域参数同时干扰的方法,本文分别采用了一种空域干扰方法和一种时域干扰方法对比分析。
(1) 仿真场景参数
仿真实验场景设置如图7所示,以辐射源放置位置为基准,其坐标为(0,0,0)(单位:km),设转发干扰机坐标为(–10,0,1),场景中干涉仪从坐标(–15,200,6)位置沿x轴方向直线运动至(15,200,6)位置,速度为500 km/h,接收基准信号信噪比为50 dB。
辐射源发射信号采用二相编码波形,其主要实验参数如表1所示,转发干扰机脉内使用间歇采样重复转发调制,实验参数如表2所示。
表 1 辐射源参数Table 1. Parameters of the radiation source参数 数值 发射功率(kW) 200 工作频率(GHz) 10 码片宽度(μs) 0.1 码片个数 64 脉宽(μs) 6.4 重复周期(μs) 32 表 2 转发干扰机参数Table 2. Parameters of the transmitter参数 数值 发射功率(kW) 150 采样长度(μs) 0.8 重复转发次数 2 采样次数 4 图8显示了根据仿真参数所生成分布式信号特性,图8(a)反映的是分布式信号的频谱,图8(b)反映的是波形互相关特性。可以观察到两路分布式波形具有相似的频谱,满足形成干扰所需的频域重叠条件。并且分布式信号具有较低的互相关峰,良好的互相关特性满足降低分布式信号间干扰的需求。为满足式(5)的约束,将整个航迹划分为等间隔的6段,以每段干扰区域的中心计算转发干扰机的基本转发处理时延td,在此基础上设计了脉冲组长度为3的转发处理时延组{{\boldsymbol{t}}_{\text{d}}} = \left[{{t_{\text{d}}},{t_{\text{d}}} + 4,{t_{\text{d}}} - 1} \right]\left( {{\mathrm{μs}} } \right)。
(2) 对空域参数干扰仿真结果
图9对比了本文所提分布式间歇采样信号和文献[12]中同时到达信号对空域参数的干扰效果,为便于对比,仿真场景其他参数不变,用干扰源在相同坐标下替换转发干扰机发射同时到达干扰信号。图9(a)为分布式间歇采样信号干扰效果,其中横坐标是干涉仪移动过程中x坐标的值,红线和蓝线分别表示相应位置转发干扰机和辐射源相对干涉仪的方位角度,黄色点表示干涉仪对每个脉冲信号测量方位角的结果,该图显示分布式信号对干涉仪的空域参数测量造成明显干扰效果。由于干涉仪运动过程中分布式信号脉冲的到达时间变化引起两路信号间的叠加组合方式变化,部分测角结果分布在转发干扰机和辐射源方位夹角外。并且,基准信号功率较伴随信号偏大,测角偏向辐射源所在一侧。图9(b)为文献[12]所述同时到达信号干扰效果,显示出仅在约–5 km到5 km范围内产生干扰效果,这是由于该方法发射信号时序固定,在干涉仪运动过程中满足信号同时到达的区域有限。同时,因为未对信号相位进行设计,产生干扰的测角结果均处于辐射源和干扰源方位夹角之内。可见本文所提干扰方法具有动态干扰能力,有效扩大了干扰作用范围,且引偏的角度范围更大。
(3) 对时域参数干扰仿真结果
分布式间歇采样信号对时域参数中脉宽的干扰效果如图10所示,蓝色点表示干涉仪对每个脉冲信号测量脉宽的结果,脉宽测量形成多条点迹,点迹数量与转发处理时延的变化组数相符。图11的直方图显示了对全部脉冲宽度测量的统计结果,可见脉宽测量结果在7.3 μs至10.5 μs间分布无明显规律,使干涉仪无法准确提取信号脉宽值。
图12对比了本文所述分布式间歇采样信号和文献[15]所述方法对时域参数中PRI的干扰效果,对照仿真的场景其他参数不变,用干扰机在同坐标下替换转发干扰机发射干扰脉冲。设计的脉间干扰脉冲脉宽在[2 μs, 4 μs]范围内随机取值,在每对保护脉冲间随机时刻插入2个脉间干扰脉冲,拼接干扰脉冲的脉宽范围为[0, 10 μs]。分布式间歇采样信号对PRI测量的干扰效果如图12(a)所示, PRI直方图中显示出28 μs, 33 μs和34 μs为PRI测量峰值。实验显示了分布式信号对测量脉冲PRI产生了一定干扰效果,但受到式(5)的约束,偏离实际PRI的最大值不超过信号脉宽,因此对测量PRI干扰的效果是随脉冲信号占空比的增大而提升。图12(b)显示了文献[15]所述重频组合干扰脉冲的PRI干扰效果,可以看出,尽管在静态下该方法能够有效干扰PRI测量,但随干涉仪运动,组合脉冲间时序发生变化,仍然使真实PRI值处的累积数出现最大值,失去干扰效果。
综合上述对比分析可见,本文所述分布式间歇采样信号具有在干涉仪运动状态下持续对其实施干扰的能力,并且可以从空域和时域参数角度同时进行干扰,进一步增强了干扰效果。
4.2 暗室实验
实验场景设置如图13所示,暗室内部约为6 m×4 m空间,干涉仪设备置于暗室一侧中央位置;辐射源和转发干扰机的发射天线距离干涉仪纵向距离约4 m,两个天线之间横向距离4 m,使两路信号的方位角拉开尽可能大;天线通过射频线连接暗室外的辐射源和转发干扰机主机。辐射源发射载频为10 GHz、脉宽为5 μs、重复周期为50 μs的单频脉冲信号,转发干扰机采样长度为5 μs,重复转发次数为2,设置转发延迟令转发脉冲信号与辐射源脉冲信号对齐。
干涉仪的测量结果如表3所示,其中每个参数下“单脉冲”列表示干涉仪实时测量每个脉冲参数得到的部分结果,“统计值”列表示干涉仪统计单脉冲测量结果形成的信号参数。单独打开辐射源,转发干扰机不工作,可得到表3 “仅辐射源信号”部分的测量结果,可见辐射源所在方位角约为39.5°,脉宽测量正确;阻断辐射源到干涉仪的传播路径,仅由转发干扰机向干涉仪发射信号,可得到表3 “仅转发信号”部分的测量结果,可见转发干扰机所在方位角约为–22.5°,脉宽测量正确;同时打开辐射源和转发干扰机时干涉仪得到表3“合成信号1”部分的测量结果,将辐射源功率降低5 dB,则得到表3“合成信号2”部分的结果,干涉仪对合成信号的测角结果分别约为29°和27°。可以看出基准信号的脉宽被伴随信号的大脉宽掩盖,干涉仪测量到的信号脉宽接近10 μs;干涉仪对合成信号的测角结果处于–22.5°和39.5°夹角范围内,与仿真实验的情况相符。
表 3 干涉仪对不同信号测量结果Table 3. Results of different signals measured by the interferometer信号 幅度(dBm) 到达方位角(°) 脉宽(μs) 单脉冲 统计值 单脉冲 统计值 单脉冲 统计值 仅辐射源信号 –76.4600 –75.7 39.5862 39.5 4.94691 5.0 – 76.0225 39.9849 4.94691 – 75.7725 39.8660 4.94691 – 75.7725 39.4743 5.06692 – 75.7725 39.2365 5.01358 仅转发信号 –72.4600 –72.5 – 22.5355 –22.5 9.96050 10.0 – 72.6475 – 22.6194 10.02720 –72.4600 – 22.5985 10.01380 –72.3350 – 23.0321 9.97383 –72.3350 – 22.6684 10.00050 合成信号1 – 68.6475 –68.7 29.1440 29.0 10.3472 10.0 – 68.6475 29.2559 10.2805 – 68.7725 29.2419 10.3205 – 68.6475 29.5427 10.2538 –68.8350 29.3608 10.0672 合成信号2 – 70.3975 –70.0 27.4095 27.0 10.4139 10.0 –70.3350 26.3464 10.1472 –70.2100 27.1926 10.1338 –70.3350 26.8919 10.0538 –69.9600 27.1507 10.0938 该实验控制了两点源信号同时到达,使辐射源脉冲被转发脉冲基本完全覆盖,从而掩盖了基准信号的脉宽信息,合成信号的脉宽与伴随信号的脉宽一致。干涉仪对合成信号的测向结果偏离了基准信号和伴随信号的真实来向,从表3“合成信号1”到“合成信号2”,降低辐射源发射功率,可观察到合成信号幅度降低,测角结果向转发干扰机一侧偏移,符合3.1节所分析的到达信号相对幅度大小可影响测角偏移量。验证了理论分析和仿真实验中分布式信号干扰干涉仪测向和测脉宽的效果。
5. 结语
针对分布式辐射源与机载干涉仪的动态对抗场景,本文提出了一种分布式信号干扰干涉仪参数测量的方法。该方法通过对辐射源信号间歇采样转发调制生成与其时频交叠的干扰信号,使分布式信号在干涉仪处相干叠加,最终实现对干涉仪空域参数和时域参数测量的同时干扰。仿真实验和暗室实验的结果表明,叠加转发辐射源信号可以有效干扰干涉仪对到达方位角、脉宽和脉冲重复周期的测量。
在实际工程应用中,单个辐射源与转发干扰机的作用区域有限,干扰效果受制于对干涉仪平台的定位精度和实时性。因此,未来可能的研究方向涉及对系统内辐射源与转发干扰机规模的扩展,例如使用一部辐射源与多部转发干扰机,生成更多路伴随信号,以实现对更大区域内的干涉仪造成多种干扰效果。此外,考虑脉冲工作体制雷达作为辐射源,设计发射波形与接收机,赋予分布式干扰系统对干涉仪定位功能,可增强分布式信号针对机载干涉仪实施电磁干扰的能力。
-
1 联合Hankel变换的TSPN矩阵填充算法(Hankel-TSPN)
1. TSPN matrix completion algorithm combined with Hankel transformation (Hankel-TSPN)
输入:获取第m个方位向的高度-距离切面{\boldsymbol{S} }' _{ {\text{H-R} } } \left( {t,{y_m},z} \right),
距离向长度K输出:第m个方位向的恢复高度-距离切面信号{ {\boldsymbol{S} }_{ {\rm{full} } } }\left( {t,{y_m},z} \right) 1. for kk=1 to K do 2. 对距离单元向量做Hankel变换:{ {\boldsymbol{H} }_{{1} } } = { {\bf{H} } }\left( { {\boldsymbol{S} }{'_{\bf{H} } }\left( { {t_{kk} },{y_m},z} \right)} \right) 3. TSPN矩阵填充 (a) 初始化:{{\boldsymbol{S}}_0} = {{\boldsymbol{D}}_0} = {{\boldsymbol{H}}_1}, {{\boldsymbol{Y}}}_{0},{{\boldsymbol{W}}}_{0},{{\boldsymbol{Z}}}_{0}为零矩阵;迭代
次数MAX;惩罚参数{\beta _0};步长扩张算子\rho(b) for k=1 to {\text{MAX}} do i. 更新S: {{\boldsymbol{S}}^{k + 1}} = \arg \min \left\{ {L\left( {{\boldsymbol{S}},{{\boldsymbol{D}}^k},{{\boldsymbol{W}}^k},{{\boldsymbol{Y}}^k},{{\boldsymbol{Z}}^k}} \right)} \right\} ii. 更新W:
{{\boldsymbol{W}}^{k + 1}} = \arg \min \left\{ {L\left( {{{\boldsymbol{S}}^{k + 1}},{{\boldsymbol{D}}^k},{\boldsymbol{W}},{{\boldsymbol{Y}}^k},{{\boldsymbol{Z}}^k}} \right)} \right\}iii. 更新D:
{{\boldsymbol{D}}^{k + 1}} = \arg \min \left\{ {L\left( {{{\boldsymbol{S}}^{k + 1}},{\boldsymbol{D}},{{\boldsymbol{W}}^{k + 1}},{{\boldsymbol{Y}}^k},{{\boldsymbol{Z}}^k}} \right)} \right\}iv. 更新Y:{{\boldsymbol{Y}}^{k + 1}} = {{\boldsymbol{Y}}^k} + {\beta ^k}\left( {{{\boldsymbol{D}}^{k + 1}} - {{\boldsymbol{S}}^{k + 1}}} \right) v. 更新Z:{{\boldsymbol{Z}}^{k + 1}} = {{\boldsymbol{Z}}^k} + {\beta ^k} \left( {{{\boldsymbol{W}}^{k + 1}} - {\text{DCT}}\left( {{{\boldsymbol{S}}^{k + 1}}} \right)} \right) vi. 更新\beta :{\beta ^{k + 1}} = \rho {\beta ^k} (c) end 4. Hankel逆变换:{ {\boldsymbol{S} }_{ {\rm{full} } } }\left( { {t_{kk} },{y_m},z} \right) = { {{\boldsymbol{H}}}^{ { - 1} } }\left( { { {\boldsymbol{X} }^{ {\bf{MAX} } } } } \right) 5. end 表 1 仿真参数
Table 1. Simulation parameter
参数名称 数值 载波频率{f_{\rm{c}}} 92.5 GHz 信号带宽{B_r} 5 GHz 方位孔径长度{L_{\rm{A} } } 0.16 m 方位采样点数 100 高度孔径长度{L_{\rm{H}}} 0.16 m 高度采样点数 100 等效面阵与目标距离{Z_0} 0.4 m 表 2 20%稀疏轨迹下高度剖面的峰值旁瓣比与积分旁瓣比(dB)
Table 2. Peak sidelobe ratio and integral sidelobe ratio of height profile at 20% sparse trajectory (dB)
高度剖面指标 PSLR ISLR 满采 –11.0653 –7.6698 稀疏 –10.6606 –4.5651 TSPN –10.0541 –6.7948 Hankel-TSPN –10.6915 –6.9017 表 3 柠檬芯实测目标参数
Table 3. Lemon core measured target parameter
参数名称 参数值 载波频率{f_{\rm{c}}} 136 GHz 信号带宽{B_r} 8 GHz 方位孔径长度{L_{\rm{A}}} 0.11 m 方位采样点数 101 高度孔径长度{L_{\rm{H}}} 0.11 m 高度采样点数 101 等效面阵与目标距离{Z_0} 0.315 m 轨迹稀疏度I 20% 表 4 三维方位-高度切面图图像质量比较
Table 4. Comparison of image quality of 3D azimuth-height slice
成像指标 对比度 锐度 图像熵 图像相似度 满采 24.3884 1.63E+10 8.5221 1 Hankel-TSPN 20.2766 1.42E+10 8.3977 0.8855 压缩感知 15.4088 2.77E+08 7.9659 0.2723 稀疏 2.5119 5.42E+07 8.3259 0.1115 表 5 不同算法的计算复杂度
Table 5. Computational complexity of different algorithms
算法名称 计算复杂度 本文算法(Hankel-TSPN) O(MNKDxDyDz + MKiterN 3),iter为TSPN循环次数 压缩感知(CS-SRBIM) O\left( {{{\left( {MNK} \right)}^2}{D_x}{D_y}{D_z}} \right) 后向投影(BP) O\left( {MNK{D_x}{D_y}{D_z}} \right) -
[1] 石星. 毫米波雷达的应用和发展[J]. 电讯技术, 2006, 46(1): 1–9. doi: 10.3969/j.issn.1001-893X.2006.01.001SHI Xing. Application and development of millimetre-wave radars[J]. Telecommunication Engineering, 2006, 46(1): 1–9. doi: 10.3969/j.issn.1001-893X.2006.01.001 [2] 黄昌霸. 车载毫米波雷达目标检测技术研究[D]. [硕士论文], 电子科技大学, 2020.HUANG Changba. Research of on-vehicle millimeter wave radar target detection technology[D]. [Master dissertation], University of Electronic Science and Technology of China, 2020. [3] ZHANG Weite, HEREDIA-JUESAS J, DIDDI M, et al. Experimental imaging results of a UAV-mounted downward-looking mm-wave radar[C]. 2019 IEEE International Symposium on Antennas and Propagation and USNC-URSI Radio Science Meeting, Atlanta, USA, 2019: 1639–1640. [4] 乞耀龙. 近景微波三维成像模型与方法研究[D]. [博士论文], 中国科学院大学, 2012.QI Yaolong. Study on the model and method of close-up microwave three-dimensional imaging[D]. [Ph. D. dissertation], University of Chinese Academy of Sciences, 2012. [5] ESSEN H, LORENZ F, HANTSCHER S, et al. Millimeterwave radar for runway debris detection[C]. 2011 Tyrrhenian International Workshop on Digital Communications - Enhanced Surveillance of Aircraft and Vehicles, Capri, Italy, 2011: 65–68. [6] ROHMAN B P A, RUDRAPPA M T, SHARGORODSKYY M, et al. Moving human respiration sign detection using mm-wave radar via motion path reconstruction[C]. 2021 International Conference on Radar, Antenna, Microwave, Electronics, and Telecommunications, Bandung, Indonesia, 2021: 196–200. [7] VERMA P, SHAKYA V S, SHARMA D, et al. MM-wave radar application for autonomous vehicles[C]. 2020 2nd International Conference on Advances in Computing, Communication Control and Networking, Greater Noida, India, 2020: 556–559. [8] 皮亦鸣, 杨建宇, 付毓生, 等. 合成孔径雷达成像原理[M]. 成都: 电子科技大学出版社, 2007: 49–50.PI Yiming, YANG Jianyu, FU Yusheng, et al. Synthetic Aperture Radar Imaging Technology[M]. Chengdu: University of Electronic Science and Technology of China Press, 2007: 49–50. [9] 陈文江, 陈麒安, 陈宏铭, 等. 5G毫米波天线阵列模组技术挑战与未来发展趋势[J]. 中国集成电路, 2021, 30(11): 40–45. doi: 10.3969/j.issn.1681-5289.2021.11.008CHEN Wenjiang, CHEN Qi’an, CHEN Hongming, et al. Technical challenges and development trend of 5G mm wave antenna array module[J]. China Integrated Circuit, 2021, 30(11): 40–45. doi: 10.3969/j.issn.1681-5289.2021.11.008 [10] DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289–1306. doi: 10.1109/TIT.2006.871582 [11] ZHU Xiaoxiang and BAMLER R. Tomographic SAR inversion by L1 -norm regularization—The compressive sensing approach[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(10): 3839–3846. doi: 10.1109/TGRS.2010.2048117 [12] OLIVERI G, ROCCA P, and MASSA A. A Bayesian-compressive-sampling-based inversion for imaging sparse scatterers[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10): 3993–4006. doi: 10.1109/TGRS.2011.2128329 [13] CANDÈS E J and RECHT B. Exact matrix completion via convex optimization[J]. Foundations of Computational Mathematics, 2009, 9(6): 717–772. doi: 10.1007/s10208-009-9045-5 [14] CANDES E J and PLAN Y. Matrix completion with noise[J]. Proceedings of the IEEE, 2010, 98(6): 925–936. doi: 10.1109/JPROC.2009.2035722 [15] BI Dongjie, LI Xifeng, XIE Xuan, et al. Compressive sensing operator design and optimization for wideband 3-D millimeter-wave imaging[J]. IEEE Transactions on Microwave Theory and Techniques, 2022, 70(1): 542–555. doi: 10.1109/TMTT.2021.3100499 [16] WANG Mou, WEI Shunjun, SHI Jun, et al. CSR-Net: A novel complex-valued network for fast and precise 3-D microwave sparse reconstruction[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 4476–4492. doi: 10.1109/JSTARS.2020.3014696 [17] HU Yue, LIU Xiaohan, and JACOB M. A generalized structured low-rank matrix completion algorithm for MR image recovery[J]. IEEE Transactions on Medical Imaging, 2019, 38(8): 1841–1851. doi: 10.1109/TMI.2018.2886290 [18] KHALIFA M O, ABDELHAFIZ A H, and ZERGUINE A. Sparse channel estimation using adaptive filtering and compressed sampling[C]. 2013 International Conference on Computing, Electrical and Electronic Engineering (ICCEEE), Khartoum, Sudan, 2013: 144–147. [19] WENG Zhiyuan and WANG Xin. Low-rank matrix completion for array signal processing[C]. 2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Kyoto, Japan, 2012: 2697–2700. [20] ZHANG Siqian, DONG Ganggang, and KUANG Gangyao. Matrix completion for downward-looking 3-D SAR imaging with a random sparse linear array[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(4): 1994–2006. doi: 10.1109/TGRS.2017.2771826 [21] MA Yuxin, HAI Yu, YANG Jianyu, et al. A near-field 3-D SAR imaging method with non-uniform sparse linear array based on matrix completion[C]. IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium, Kuala Lumpur, Malaysia, 2022: 1664–1667. [22] ZENG Xuan, MA Yuxin, LI Zhongyu, et al. A near-field fast time-frequency joint 3-D imaging algorithm based on aperture linearization[C]. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, Brussels, Belgium, 2021: 5163–5166, [23] YING Jiaxi, CAI Jianfeng, GUO Di, et al. Vandermonde factorization of hankel matrix for complex exponential signal recovery—Application in fast NMR spectroscopy[J]. IEEE Transactions on Signal Processing, 2018, 66(21): 5520–5533. doi: 10.1109/TSP.2018.2869122 [24] AHMED N, NATARAJAN T, and RAO K R. Discrete cosine transform[J]. IEEE Transactions on Computers, 1974, C-23(1): 90–93. doi: 10.1109/T-C.1974.223784 [25] 胡循勇, 杨晓梅, 李昊怡, 等. 融合低秩和稀疏先验的结构性缺失图像修复[J]. 北京航空航天大学学报, 2022, 48(5): 855–862. doi: 10.13700/j.bh.1001-5965.2020.0663HU Xunyong, YANG Xiaomei, LI Haoyi, et al. Structural missing image inpainting based on low rank and sparse prior[J]. Journal of Beijing University of Aeronautics and Astronautics, 2022, 48(5): 855–862. doi: 10.13700/j.bh.1001-5965.2020.0663 [26] BOYD S, PARIKH N, CHU E, et al. Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers[M]. Hanover: Now Foundations and Trends, 2011: 13–23. doi: 10.1561/2200000016. [27] MERHAV N and KRESCH R. Approximate convolution using DCT coefficient multipliers[J]. IEEE Transactions on Circuits and Systems for Video Technology, 1998, 8(4): 378–385. doi: 10.1109/76.709404 [28] LI Oupeng, HE Jia, ZENG Kun, et al. Integrated sensing and communication in 6G a prototype of high resolution THz sensing on portable device[C]. 2021 Joint European Conference on Networks and Communications & 6G Summit, Porto, Portugal, 2021: 544–549. [29] 韦顺军. 线阵三维合成孔径雷达稀疏成像技术研究[D]. [博士论文], 电子科技大学, 2013.WEI Shunjun. Research on linear array three-dimensional synthetic aperture radar sparse imaging technology[D]. [Ph. D. dissertation], University of Electronic Science and Technology of China, 2013. [30] WEI Shunjun, ZHOU Zichen, WANG Mou, et al. 3DRIED: A high-resolution 3-D millimeter-wave radar dataset dedicated to imaging and evaluation[J]. Remote Sensing, 2021, 13(17): 3366. doi: 10.3390/rs13173366 期刊类型引用(0)
其他类型引用(26)
-