A New Method of Joint Radar and Communication Waveform Design and Signal Processing Based on OFDM-chirp
-
摘要: 雷达通信一体化波形设计是近年来的研究热点。有学者提出利用正交频分复用(OFDM)信号的奇偶载波分别调制雷达与通信功能来实现一体化。但OFDM通信系统一般采用循环前缀(CP)来避免多径效应带来的载波间干扰(ICI)和符号间干扰(ISI),这会降低能量利用率,并会形成虚假目标,影响雷达性能;此外,传统的OFDM一体化信号对多普勒比较敏感,微小的多普勒频偏也会带来正交性能的严重下降。该文在此基础上提出了一种新的波形设计和处理方法。该方法利用空白保护间隔替代循环前缀,可以在对抗多径效应的同时避免出现由于循环前缀引入的虚假目标,有效防止载波间干扰和符号间干扰。在信号处理方法上,该文提出利用雷达发射信号的先验信息进行信道估计与补偿多普勒频偏的方法。与传统方法相比,该文方法降低了系统在导频与训练序列等资源上的开销,提升了能量利用率和频谱效率,并且改善了峰值旁瓣比(PSLR)、积分旁瓣比(ISLR)和通信误码率(BER)等指标。仿真实验验证了该文方法的有效性。
-
关键词:
- 雷达通信一体化(JRC) /
- 正交频分复用(OFDM) /
- 多径效应 /
- 多普勒频偏 /
- 信道估计
Abstract: Waveform design of joint radar and communication has become a focus of intense research in recent years. Some scholars have proposed to use the odd and even carrier of Orthogonal Frequency Division Multiplexing (OFDM) signal to modulate the radar and communication functions, respectively, to realize the integration. However, OFDM systems generally use cyclic prefix to avoid Inter-Carrier Interference (ICI) and Inter-Symbol Interference (ISI) caused by multipath effects, reducing energy utilization and creating false targets, which affect radar performance. In addition, the traditional OFDM integrated signal is more sensitive to Doppler shift. A small Doppler frequency offset will also cause a considerable drop in orthogonal performance. On this basis, this paper proposes a new waveform design and processing method. This method uses blank guard intervals to replace cyclic prefixes, which can resist multipath effects while avoiding false targets introduced by cyclic prefixes, effectively preventing ICI and ISI. In terms of signal processing methods, this paper proposes a method for channel estimation and Doppler compensation using the priori information of the radar signal. Compared with the traditional method, this new method reduces the system’s resource overhead, such as pilot frequency and training sequence. It improves energy utilization and spectrum efficiency. The peak side lobe ratio, integration side lobe rate, and bit error ratio are also improved. Simulation experiments verify the effectiveness of this method. -
1. 引言
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)具有全天时和几乎全天候的工作能力,通过收发极化状态正交的电磁波以获取目标的全极化散射信息[1]。地物分类是农作物生长监控、农村与城市用地普查、环境监测等应用领域的共性基础问题,也是极化SAR图像理解与解译的重要应用方向。高精度的地物分类结果能够为上述应用领域提供可靠的信息支撑。
通常,提高极化SAR地物分类精度主要有两种途径[2]。第1种途径专注于极化特征的挖掘与优选,通过精细化的极化散射机理建模与解译,从全极化信息中提取出对不同地物类别具有更强区分度的特征。常用的极化散射机理解译方法有基于特征值分解的方法和基于模型分解的方法。基于这些极化目标分解方法所得到的极化特征参数经常被用于极化SAR地物分类,例如Cloude-Pottier分解所得的极化熵/极化平均角/极化反熵(H/ α/A)参数[3],Freeman-Durden分解[4]、Yamaguchi分解[5]和近年来提出的精细化极化目标分解[6]所得的各散射机理的散射能量参数(如奇次散射、偶次散射、体散射、螺旋散射等)[7]。第2种途径则从分类器入手,使用性能更好的分类器,以对现有的极化特征进行充分利用。常用的分类器包括C均值分类器、Wishart分类器、支持向量机(Support Vector Machine, SVM)分类器、随机森林分类器、神经网络分类器以及近来年在诸多领域取得成功应用的以卷积神经网络为代表的深度学习分类方法等[8–11]。当然,对特征和分类器同时进行优化和优选也是提高极化SAR地物分类精度的有效途径。
在传统基于特征的极化SAR地物分类中,具有旋转不变特性的极化特征参数得到了广泛应用。例如,基于H/ α/A和总散射能量SPAN的极化SAR地物分类就是一种常用的分类方法。然而,目标的极化响应与目标和SAR的相对几何关系密切相关。同一目标在不同方位取向下,其后向散射可以是显著不同的。同时,不同目标在某些特定方位取向下,其后向散射又是十分相似的。例如,具有不同方位取向的建筑物与森林等植被就是极化SAR图像解译的难点。这是诸多传统极化目标分解方法存在散射机理解译模糊的重要原因之一,同时也限制了基于旋转不变极化特征参数的传统分类方法所得精度的进一步提升。为避免这种解译模糊,一种思路是构建更精细化的目标散射模型和精细化的极化目标分解方法。而另一种思路则是挖掘利用目标方位取向与其后向散射机理之间的隐含关系。文献[12]提出的统一的极化矩阵旋转理论就是一种代表性的方法。该方法提出了在绕雷达视线的旋转域中理解目标散射特性的新思路,并导出了一系列旋转域极化特征。部分旋转域极化特征参数已经在农作物辨识[13]、目标对比增强[12]、人造目标提取[14]等领域获得了成功应用。
由于这些旋转域极化特征包含有目标在旋转域中隐含的极化散射信息,且与其方位取向具有一定关系。若将它们与传统的旋转不变极化特征参数于H/ α/A/SPAN联合作为地物分类特征集,则从极化特征挖掘的角度来看,两类不同的极化特征对于不同地物类别的区分能力势必会形成一定程度的互补,进而使分类精度得到进一步提升。基于这一思路,本文提出了一种结合旋转域极化特征与旋转不变特征H/ α/A/SPAN的极化SAR地物分类方法。具体即基于不同地物类别样本集类间距最大的特征优选准则,以部分优选的旋转域极化特征参数与H/ α/A/SPAN联合作为地物分类所用特征,并选用性能较为稳定的SVM[15]作为分类器进行分类处理。由于该分类方法额外使用了目标在方位取向方面的隐含信息,故相较于仅使用旋转不变特征H/ α/A/SPAN作为输入的SVM分类器[10],其能够达到更优的分类性能表现。
本文第2节简要介绍了统一的极化矩阵旋转理论及其所导出的旋转域极化特征参数;第3节提出结合旋转域极化特征的极化SAR地物分类方法;第4节基于AIRSAR和多时相UAVSAR实测数据开展了地物分类对比实验及分析;第5节总结本文方法并对后续研究工作进行展望。
2. 统一的极化矩阵旋转理论
极化SAR获得的目标全极化信息可以通过极化相干矩阵T表示。满足互易性原理时,极化相干矩阵T可以表示为:
T=⟨kPkHP⟩=[T11T12T13T21T22T23T31T32T33] (1) 其中, kP=1√2[SHH+SVVSHH−SVV2SHV]T为Pauli散射矢量。 SHV为以垂直极化天线发射并以水平极化天线接收条件下的散射系数, kP中其它元素可类似定义。 ⟨ ⟩表示集合平均。 Tij则表示极化相干矩阵 T中第i行第j列所对应的元素。
将极化相干矩阵 T绕雷达视线进行旋转处理,则可得到旋转域中极化相干矩阵的表达式为:
T(θ)=kP(θ)kHP(θ)=R3(θ)TRH3(θ) (2) 其中,旋转矩阵为:
R3(θ)=[1000cos2θsin2θ0−sin2θcos2θ] (3) 在旋转域中极化相干矩阵 T(θ)的每个元素经过相应的数学变换即可被统一地由一个正弦函数进行表征[12]:
f(θ)=Asin[ω(θ+θ0)]+B (4) 其中,A为振荡幅度,B为振荡中心, ω为角频率, θ0为初始角度。文献[12]将这4类极化特征参数 {A,B,ω,θ0}称为振荡参数集,其完整表征极化相干矩阵的各元素在旋转域中的特性。这样就可以导出一系列旋转域极化特征参数,如表1所示。其中, Angle{a}表示复数a的相位,相应取值范围为 [−π,π]。
散射矩阵元素项 A=√∙ B ω θ0=1ωAngle{∙} Re[T12(θ)] Re2[T12]+Re2[T13] 0 2 Re[T13]+jRe[T12] Re[T13(θ)] Re2[T12]+Re2[T13] 0 2 −Re[T12]+jRe[T13] Im[T12(θ)] Im2[T12]+Im2[T13] 0 2 Im[T13]+jIm[T12] Im[T13(θ)] Im2[T12]+Im2[T13] 0 2 −Im[T12]+jIm[T13] Re[T23(θ)] 14(T33−T22)2+Re2[T23] 0 4 12(T33−T22)+jRe[T23] T22(θ) 14(T33−T22)2+Re2[T23] 12(T22+T33) 4 Re[T23]+j12(T22−T33) T33(θ) 14(T33−T22)2+Re2[T23] 12(T22+T33) 4 −Re[T23]+j12(T33−T22) |T12(θ)|2 Re2[T12T∗13]+14(|T13|2−|T12|2)2 12(|T12|2+|T13|2) 4 Re[T12T∗13]+j12(|T12|2−|T13|2) |T13(θ)|2 Re2[T12T∗13]+14(|T13|2−|T12|2)2 12(|T12|2+|T13|2) 4 −Re[T12T∗13]+j12(|T13|2−|T12|2) |T23(θ)|2 14{14(T33−T22)2+Re2[T23]}2 12{14(T33−T22)2+Re2[T23]}+Im2[T23] 8 12(T33−T22)Re[T23]+j12[Re2[T23]−14(T33−T22)2] 基于上述振荡参数集,文献[12]还导出了一系列的极化角参数集,如极化零角参数、极化最大化角参数以及极化最小化角参数等。其中,极化零角参数的定义为在绕雷达视线的旋转域中使极化相干矩阵某元素取值为零的旋转角,即:
f(θ)=Asin[ω(θnull+θ0)]+B=0⇒θnull=−θ0 (5) 其中, θnull即极化零角参数。由于表1中相互独立的5个初始角度 θ0分别为 θ0_Re[T12(θ)], θ0_Im[T12(θ)], θ0_Re[T23(θ)], θ0_|T12(θ)|2和 θ0_|T23(θ)|2,故相应的极化零角参数有 θnull_Re[T12(θ)], θnull_Im[T12(θ)], θnull_Re[T23(θ)], θnull_|T12(θ)|2和 θnull_|T23(θ)|2。由文献[12]可知,各初始角度与其相应极化零角参数所包含的极化信息是相互等价的,且极化零角参数具有相对明确的物理意义,故在本文的后续部分均以极化零角参数代替相应的初始角度。
3. 结合旋转域极化特征的分类方法
3.1 旋转域极化特征的优选
文献[12]使用极化零角参数 θnull_Re[T12(θ)]和 θnull_Im[T12(θ)]的组合能够成功辨识7类不同农作物,初步证实了极化零角参数集对于不同地物类别具有较好的区分能力。在此基础上,本文挖掘利用旋转域极化特征所蕴含目标在旋转域中的隐含信息,并将其应用于极化SAR地物分类。
在此之前,需要基于地物分类的应用背景对众多的旋转域极化特征进行优选处理。在文献[12]所导出的一系列旋转域极化特征之中,以不同地物类别样本集相互之间的“类间距最大化”为准则,进行相应的旋转域极化特征优选。具体步骤为:首先对各旋转域极化特征参数进行归一化处理;然后将不同的地物类别两两组合形成若干的地物类别对;接着针对各地物类别对,以其中两地物类别之间的类间距为标准,优选出使其取值达到最大的旋转域极化特征,则每个地物类别对均对应于一个优选的旋转域极化特征;最后,将各地物类别对的优选结果进行“取并集”处理,进而得到最终的优选结果。
文献[12]所导出相互独立的旋转域极化特征共有12个,分别为 θnull_Re[T12(θ)], θnull_Im[T12(θ)], θnull_Re[T23(θ)], θnull_|T12(θ)|2, θnull_|T23(θ)|2, A_Re[T12(θ)], A_Im[T12(θ)], A_T12(θ), A_ T23(θ), B_T12(θ), B_T33(θ), B_T23(θ)。针对之后实验部分所使用的AIRSAR数据(15类地物,两两组合形成105个地物类别对;其它说明见4.1节)以及多时相UAVSAR数据(7类地物,两两组合形成21个地物类别对;4个数据获取日期;其它说明见4.2节),上述特征优选流程所得结果如表2所示。
表 2 针对不同极化SAR实测数据的特征优选结果Table 2. Selected features for different PolSAR data实测数据 优选所得旋转域极化特征(相应地物类别对的个数) AIRSAR θnull_Re[T12(θ)](18), θnull_Im[T12(θ)](15), θnull_Re[T23(θ)](71), B_T33(θ)(1) UAVSAR 6月17日 θnull_Re[T12(θ)](5), θnull_Im[T12(θ)](12), θnull_Re[T23(θ)](4) 6月22日 θnull_Re[T12(θ)](5), θnull_Im[T12(θ)](14), θnull_Re[T23(θ)](2) 7月03日 θnull_Im[T12(θ)](3), θnull_Re[T23(θ)](18) 7月17日 θnull_Re[T12(θ)](7), θnull_Im[T12(θ)](5), θnull_Re[T23(θ)](9) 综合考虑表2中的优选结果,并在追求较高地物分类精度的同时,将两组实测数据优选得到的旋转域极化特征进行统一,故本文优选部分的最终结果为3个极化零角参数,即 θnull_Re[T12(θ)], θnull_Im[T12(θ)]和 θnull_Re[T23(θ)]。
3.2 本文分类方法
为了将目标在旋转域中的隐含信息充分利用在极化SAR地物分类中,同时又发挥传统的旋转不变极化特征参数H/A/ α/SPAN在极化散射机理解译方面的优点,本文提出了一种结合旋转域极化特征的极化SAR地物分类方法,其流程图如图1所示,相应的具体操作如下:
(1) 在进行Cloude-Pottier分解之前,需要对极化SAR数据进行相干斑滤波处理。本文采用新近提出的一种基于矩阵相似性检验的SimiTest自适应相干斑滤波方法[16]对极化SAR数据进行滤波预处理。
(2) 基于滤波后的极化相干矩阵,计算总散射能量SPAN。
(3) 同样地,基于滤波后的极化相干矩阵,进行Cloude-Pottier分解,得到极化特征量H/ α/A。
(4) 同时,将滤波后的极化相干矩阵绕雷达视线旋转,计算上述优选部分所得的3个极化零角参数。
(5) 对上述7个极化特征参数分别进行归一化处理,以作为地物分类特征集输入至SVM分类器。
(6) 通过SVM相应的训练与测试过程,实现对不同地物类别的分类处理。
4. 对比实验及分析
为了验证新极化特征(即3个旋转域极化零角参数)的引入对于传统地物分类方法性能的提升作用,在对极化相干矩阵中全部极化信息进行利用的前提之下,将本文方法与仅使用旋转不变特征H/A/ α/SPAN作为SVM分类器输入的传统方法进行对比。首先使用AIRSAR数据15类地物的分类验证本文方法的分类性能,再使用多时相UAVSAR数据7类地物的分类进一步验证本文方法对多时相数据的稳健性。在对此两组数据分别进行SimiTest相干斑滤波[16]时,所用滑窗大小均为15×15。对SVM分类器,各类地物样本的一半用于训练,另一半用于测试。
4.1 对AIRSAR数据的地物分类对比实验
本文首先使用NASA/JPL AIRSAR系统在荷兰Flevoland地区所获取的L波段全极化SAR数据进行地物分类实验。该数据方位向分辨率为12.1 m,距离向分辨率为6.6 m,所用区域大小为736×1010。SimiTest相干斑滤波后的Pauli RGB图如图2(a)所示。该区域的真值图如图2(b)所示,其中主要包含茎豆、豌豆、森林、苜蓿、小麦1、甜菜、土豆、裸地、草地、油菜籽、大麦、小麦2、小麦3、水域以及建筑物等15类地物。
使用传统方法和本文方法分别对滤波后的数据进行分类处理,所得结果如图3所示。
两种方法对AIRSAR数据15类地物分类处理所得精度如表3所示。通过比较可知,本文方法得到的总体分类精度为92.3%,优于传统方法91.1%的分类精度。且本文方法对草地77.3%的分类精度相较于传统方法的59.3%提升了18个百分点。另外,由于SVM分类器所用分类策略以总体分类精度的最大化为目标,无法保证单一地物类别的分类精度均达到最优。例如,本文方法在苜蓿、小麦1、裸地、大麦以及建筑物等5种地物类别区域所得分类精度均不及传统方法。针对其中分类精度差距最大(约8.3%)的裸地,由于其相应区域的主要散射机制为“面散射”,不同方位取向对其后向散射的影响较小,使用传统的旋转不变极化特征已经能较好地对其进行区分与辨识,本文方法额外引入的3个旋转域极化零角参数可能造成了分类信息的冗余,进而导致所得分类精度的较大幅度下降。
表 3 两种方法所得AIRSAR数据15类地物及总体的分类精度(%)Table 3. Classification accuracy of different terrains in AIRSAR data using two methods (%)地物 传统方法 本文方法 茎豆 97.2 98.0 豌豆 93.7 96.9 森林 92.6 93.7 苜蓿 96.8 96.6 小麦1 88.7 85.9 甜菜 93.8 93.8 土豆 92.6 93.3 裸地 95.5 87.2 草地 59.3 77.3 油菜籽 83.9 88.0 大麦 92.6 91.5 小麦2 89.2 89.4 小麦3 94.3 95.9 水域 98.0 98.5 建筑物 84.9 83.2 总体精度 91.1 92.3 4.2 对多时相UAVSAR数据的地物分类对比实验
本文使用NASA/JPL UAVSAR系统在加拿大Manitoba地区所获取的多时相L波段全极化SAR数据进行地物分类实验。该数据方位向分辨率为7 m,距离向分辨率为5 m,所用区域大小为1325×1011。多时相极化SAR数据分别获取于6月17日、6月22日、7月3日以及7月17日。SimiTest相干斑滤波处理之后多时相极化SAR数据对应的Pauli RGB图如图4所示。该区域的主要地物类型是以谷物和油种产品为代表的混合型牧场农作物。相应的真值图如图5所示,其中主要包含阔叶林、草料、大豆、玉米、小麦、油菜籽以及燕麦等7类地物。
使用传统方法和本文方法分别对滤波后的多时相极化SAR数据进行相互独立的分类处理,所得结果分别如图6和图7所示。
如图6(c)和图7(c)所示,基于7月3日获取的数据,传统方法将红色圆框内小麦与燕麦的绝大部分错分为了大豆,而本文方法在该区域的分类性能相较于前者有显著提升。又如图6(d)和图7(d)所示,基于7月17日获取的数据,传统方法将白色圆框内小麦的绝大部分错分为了大豆,而本文方法在该区域的分类精度相较于前者也有较大提升。
两种方法对多时相UAVSAR数据7类地物分类处理所得精度如表4所示。通过比较可知,对不同日期获取的数据,本文方法所得各类地物及总体的分类精度均优于或相当于传统方法。其中,对6月17日、6月22日、7月3日以及7月17日4个不同日期所获取的数据,本文方法得到的总体分类精度分别为94.98%, 95.12%, 95.99%以及96.78%,而传统方法所得总体分类精度则波动于80.87%至90.75%之间,出现约10%的起伏。具体就小麦和燕麦而言,本文方法得到的分类精度均分别保持在94%和92%以上,而传统方法所得相应分类精度则分别出现了约30%和23%的波动起伏。另外,本文方法95.72%的平均总体分类精度相较于传统方法的87.80%提升了约8个百分点。故本文方法较好的分类性能对于同一系统的多时相数据更具稳健性。
表 4 两种方法所得多时相UAVSAR数据7类地物及总体的分类精度 (%)Table 4. The classification accuracy of different terrains in multi-temporal UAVSAR data using two methods (%)日期 方法 阔叶林 草料 大豆 玉米 小麦 油菜籽 燕麦 总体 6月17日 传统 98.47 62.24 92.64 96.12 93.63 91.70 86.37 90.19 本文 98.49 81.65 96.76 98.19 96.08 92.25 96.32 94.98 6月22日 传统 98.05 61.38 94.14 97.30 97.89 93.82 77.29 90.75 本文 97.96 72.60 96.86 98.18 97.07 96.84 95.13 95.12 7月3日 传统 97.41 54.38 90.45 98.89 68.75 98.81 63.46 80.87 本文 97.77 76.68 98.12 99.08 96.95 98.93 94.22 95.99 7月17日 传统 96.86 64.51 97.38 99.78 84.76 92.19 82.98 89.39 本文 97.27 93.15 99.31 99.58 94.73 99.71 92.16 96.78 平均 传统 97.70 60.63 93.65 98.02 86.26 94.13 77.53 87.80 本文 97.87 81.02 97.76 98.76 96.21 96.93 94.46 95.72 另外,对于6月22日所获取数据中的阔叶林和小麦,以及7月17日所获取数据中的玉米,本文方法所得分类精度均略低于传统方法,且分类精度的差距均在1%以内。
在上述两组相互独立的对比实验所得结果中,本文方法所得分类精度均优于传统方法。故本文方法所表现出的较好分类性能对于不同系统的数据也具有较强稳健性。
5. 结论
目标方位取向对其后向散射响应的直接影响极易引起散射机理的解译模糊,进而限制仅使用旋转不变特征参数作为分类特征集的极化SAR地物分类所得精度。针对这一问题,本文将刻画目标旋转域隐含信息的旋转域极化特征用于极化SAR地物分类,并提出了一种结合旋转域极化特征和旋转不变特征H/A/ α/SPAN的极化SAR地物分类方法,该方法将旋转域极化零角参数和H/A/ α/SPAN联合作为分类特征集输入至SVM分类器。
将本文方法与仅使用旋转不变特征H/A/ α/SPAN作为SVM分类器输入的传统方法进行比较:对AIRSAR数据15类地物分类而言,本文方法总体分类精度达到92.3%,优于传统方法的91.1%。对多时相UAVSAR数据7类地物分类而言,本文方法平均总体分类精度达到95.72%,显著优于传统方法的87.80%,表明本文方法对同一系统的多时相数据更具稳健性。这两组对比实验也表明本文方法较好的分类性能对于不同系统的数据具有较强稳健性。
通过对旋转域中目标极化散射信息的深入挖掘,能够为极化SAR图像的解译与应用提供一条新的可行途径。下一步将考虑旋转域极化特征与具有深度学习能力的卷积神经网络等分类器相结合,以实现更高的分类精度。另外,对极化特征参数更优的选择准则及相互融合也是我们未来将要深入研究讨论的内容。
-
表 1 仿真参数
Table 1. Simulation parameters
参数符号 参数名称 数值 B 信号带宽(MHz) 80 Fs 采样率(MHz) 100 T 信号时宽(μs) 40.96 N 子载波个数 4096 fc 信号载频(GHz) 5.4 Δf 子载波间隔(kHz) 24.4 SNR 信噪比(dB) 10 V 平台速度(m/s) 150 H 平台高度(m) 6000 θ0 中心下视角(°) 30 PRF 脉冲重复频率(Hz) 188 表 2 点目标距离向切片指标对比(补偿多普勒后)
Table 2. Index comparison of point target
指标(dB) 传统方法 本文方法 PSLR –10.94 –13.24 ISLR –6.04 –9.67 表 3 本文方法与传统方法对比
Table 3. The comparison between traditional method and the method proposed in this paper
资源开销 本文方法 传统方法 循环前缀 不需要 需要 信道估计 利用雷达信号辅助估计 需要额外导频和训练序列 能量效率 较高 较低 -
[1] CHIRIYATH A R, PAUL B, and BLISS D W. Radar-communications convergence: Coexistence, cooperation, and co-design[J]. IEEE Transactions on Cognitive Communications and Networking, 2007, 3(1): 1–12. doi: 10.1109/TCCN.2017.2666266 [2] HAN Liang and WU Ke. Joint wireless communication and radar sensing systems - state of the art and future prospects[J]. IET Microwaves, Antennas & Propagation, 2013, 7(11): 876–885. doi: 10.1049/iet-map.2012.0450 [3] WANG Jie, LIANG Xingdong, CHEN Longyong, et al. First demonstration of joint wireless communication and high-resolution SAR imaging using airborne MIMO radar system[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 6619–6632. doi: 10.1109/TGRS.2019.2907561 [4] LIU Yongjun, LIAO Guisheng, CHEN Yufeng, et al. Super-resolution range and velocity estimations with OFDM integrated radar and communications waveform[J]. IEEE Transactions on Vehicular Technology, 2020, 69(10): 11659–11672. doi: 10.1109/TVT.2020.3016470 [5] 刘凡, 袁伟杰, 原进宏, 等. 雷达通信频谱共享及一体化: 综述与展望[J]. 雷达学报, 2021, 10(3): 467–484. doi: 10.12000/JR20113LIU Fan, YUAN Weijie, YUAN Jinhong, et al. Radar-communication spectrum sharing and integration: Overview and prospect[J]. Journal of Radars, 2021, 10(3): 467–484. doi: 10.12000/JR20113 [6] 王杰. 自适应多维波形SAR关键技术研究[D]. [博士论文], 中国科学院研究生院, 2015: 8–12.WANG Jie. Research on the key technologies of adaptive multidimensional waveform synthetic aperture radar[D]. [Ph. D. dissertation], Graduate School of Chinese Academy of Sciences, 2015: 8–12. [7] 梁兴东, 李强, 王杰, 等. 雷达通信一体化技术研究综述[J]. 信号处理, 2020, 36(10): 1615–1627. doi: 10.16798/j.issn.1003-0530.2020.10.001LIANG Xingdong, LI Qiang, WANG Jie, et al. Joint wireless communication and radar sensing: Review and future prospects[J]. Journal of Signal Processing, 2020, 36(10): 1615–1627. doi: 10.16798/j.issn.1003-0530.2020.10.001 [8] ROSSLER JR C W. Adaptive radar with application to joint communication and synthetic aperture radar (CoSAR)[D]. [Ph. D. dissertation], The Ohio State University, 2013. [9] BLUNT S D, YATHAM P, and STILES J. Intrapulse radar-embedded communications[J]. IEEE Transactions on Aerospace and Electronic Systems, 2010, 46(3): 1185–1200. doi: 10.1109/TAES.2010.5545182 [10] LIU Yongjun, LIAO Guisheng, and YANG Zhiwei. Robust OFDM integrated radar and communications waveform design based on information theory[J]. Signal Processing, 2019, 162: 317–329. doi: 10.1016/j.sigpro.2019.05.001 [11] LIU Yongjun, LIAO Guisheng, YANG Zhiwei, et al. Multiobjective optimal waveform design for OFDM integrated radar and communication systems[J]. Signal Processing, 2017, 141: 331–342. doi: 10.1016/j.sigpro.2017.06.026 [12] LIU Yongjun, LIAO Guisheng, XU Jingwei, et al. Adaptive OFDM integrated radar and communications waveform design based on information theory[J]. IEEE Communications Letters, 2017, 21(10): 2174–2177. doi: 10.1109/LCOMM.2017.2723890 [13] LIU Yongjun, LIAO Guisheng, YANG Zhiwei, et al. Joint range and angle estimation for an integrated system combining MIMO radar with OFDM communication[J]. Multidimensional Systems and Signal Processing, 2019, 30(2): 661–687. doi: 10.1007/s11045-018-0576-2 [14] LIU Yongjun, LIAO Guisheng, XU Jingwei, et al. Transmit power adaptation for orthogonal frequency division multiplexing integrated radar and communication systems[J]. Journal of Applied Remote Sensing, 2017, 11(3): 035017. doi: 10.1117/1.JRS.11.035017 [15] MIZUI K, UCHIDA M, and NAKAGAWA M. Vehicle-to-vehicle communication and ranging system using spread spectrum technique (Proposal of Boomerang Transmission System)[C]. IEEE 43rd Vehicular Technology Conference, Secaucus, USA, 1993: 335–338. [16] DONNET B J and LONGSTAFF I D. Combining MIMO radar with OFDM communications[C]. 2006 European Radar Conference, Manchester, UK, 2006: 37–40. [17] 肖博, 霍凯, 刘永祥. 雷达通信一体化研究现状与发展趋势[J]. 电子与信息学报, 2019, 41(3): 739–750. doi: 10.11999/JEIT180515XIAO Bo, HUO Kai, and LIU Yongxiang. Development and prospect of radar and communication integration[J]. Journal of Electronics &Information Technology, 2019, 41(3): 739–750. doi: 10.11999/JEIT180515 [18] 张天贤, 夏香根. OFDM SAR成像方法综述[J]. 雷达学报, 2020, 9(2): 243–258. doi: 10.12000/JR19116ZHANG Tianxian and XIA Xianggen. An overview of OFDM SAR imaging methods[J]. Journal of Radars, 2020, 9(2): 243–258. doi: 10.12000/JR19116 [19] KIM J H, YOUNIS M, MOREIRA A, et al. Spaceborne MIMO synthetic aperture radar for multimodal operation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(5): 2453–2466. doi: 10.1109/tgrs.2014.2360148 [20] WANG Jie, LIANG Xingdong, and CHEN Longyong. MIMO SAR system using digital implemented OFDM waveforms[C]. The 2012 IEEE International Geoscience and Remote Sensing Symposium, Munich, Germany, 2012: 7428–7431. [21] 李向宁, 谈振辉. OFDM基本原理及其在移动通信中的应用[J]. 重庆邮电学院学报, 2003, 15(2): 25–30, 44.LI Xiangning and TAN Zhenhui. OFDM principle and its applications in mobile communication[J]. Journal of Chongqing University of Posts and Telecommunications, 2003, 15(2): 25–30, 44. 期刊类型引用(26)
1. 刘畅宇,张浩,耿芳琳,白忠瑞,王鹏,李振锋,杜利东,陈贤祥,方震. 基于距离抽头重构的生理雷达动态解调算法. 雷达学报(中英文). 2025(01): 135-150 . 百度学术
2. 赵翔,王威,李晨洋,关建,李刚. 基于毫米波雷达微动信号和脉搏波数据融合的睡眠呼吸暂停低通气综合征筛查技术. 雷达学报(中英文). 2025(01): 102-116 . 百度学术
3. 武赟,张东恒,张淦霖,谢学诚,詹丰全,陈彦. 智能反射表面辅助的WiFi呼吸感知. 雷达学报(中英文). 2025(01): 189-203 . 百度学术
4. 黄帅铭,朱晓华,王武斌,赵恒,洪弘. U-Sodar:基于超声波雷达的非接触生命体征检测技术. 雷达学报(中英文). 2025(01): 168-188 . 百度学术
5. 田雨,王舒怡,赵博衡,方震,杨杰. 基于毫米波雷达的中医情志数据科学化探析. 中华中医药学刊. 2025(02): 12-15+259-260 . 百度学术
6. 张冰洋,黄霞. 连续波生物雷达生命体征检测平台与实验研究. 中国现代教育装备. 2024(01): 77-79+83 . 百度学术
7. 周杨,李剑鹏,王知雨,梁庆真. 基于4D点云和航迹信息的人员跌倒检测方法. 电子技术应用. 2024(01): 120-124 . 百度学术
8. 张敏,张欢,史晓娟,梁卓文,张娜. 老年患者跌倒检测系统的设计与实现. 中国医学装备. 2024(02): 157-161 . 百度学术
9. 韩丽有,谭钦红,刘家森. 基于CNN-BiLSTM的FMCW雷达生命体征信号检测. 激光杂志. 2024(03): 68-73 . 百度学术
10. 屈乐乐,杨研. 基于MIMO-FMCW雷达的多人生命体征检测. 雷达科学与技术. 2024(03): 247-254+264 . 百度学术
11. 郭洪瑞,曹汇敏,杨克奇,张朱珊莹. 基于多通道雷达数据融合的人体心率精准测量. 生物医学工程学杂志. 2024(03): 461-468 . 百度学术
12. 王超超,胡钧益,蒋治国,张先超. SCG信号处理与应用研究进展. 传感技术学报. 2024(06): 923-940 . 百度学术
13. 杨天虹,屈乐乐. 基于FMCW毫米波雷达的人体生命体征检测实验设计. 实验室研究与探索. 2024(06): 60-65 . 百度学术
14. 姬丽静,郭书文,刘瑞霞,秦钰锦,徐蔚,虞青松. 重复作业人机工程风险监测评估研究综述. 机械设计. 2024(09): 149-155 . 百度学术
15. 邹优敏,俞卫锋,罗恒,蔡端芳,谭友果. 基于多普勒效应的非接触式呼吸探测传感器研究. 电子元件与材料. 2024(08): 938-943 . 百度学术
16. 张冰洋,高军峰,张宇,黄龙,付君雅,曹书琪,赵小玉. 基于雷达传感器的非接触式睡眠呼吸检测系统设计. 现代电子技术. 2024(22): 7-11 . 百度学术
17. 倪杰,王勇,杨小龙,聂伟,张茜,罗朗娟. 基于毫米波雷达的心率变异性检测方法. 移动通信. 2024(12): 103-115 . 百度学术
18. 黄育夫,高旭. 基于毫米波雷达的睡眠监控技术研究. 家电科技. 2024(S1): 479-483 . 百度学术
19. 陈佳欣,李灿航,刘美,孟亚男. 基于FMCW雷达的人体活动感知综述. 广东石油化工学院学报. 2024(06): 42-48 . 百度学术
20. 李牧,王昭,骆宇. 基于TsFresh-Stacking的毫米波雷达人体跌倒检测方法. 网络安全与数据治理. 2023(06): 71-78 . 百度学术
21. 麦超云,王占,洪晓纯,黄传好,刘子明. GSWOA-VMD在毫米波雷达非接触式生命体征检测中的应用. 现代电子技术. 2023(16): 69-74 . 百度学术
22. 刘梓隆,林志伟,张利,何华斌,蔡志明. 基于呼吸心跳时序混叠信号的毫米波雷达身份识别. 闽南师范大学学报(自然科学版). 2023(03): 107-115 . 百度学术
23. 卢赛虎,张浩,牟岫影,王鹏,杜利东,陈贤祥,黄可,杨汀,方震. 慢阻肺数字疗法探讨. 生物医学工程研究. 2023(03): 279-284 . 百度学术
24. 黄政钦,刘铭华,陈文骏. 非接触式生理参数检测系统的设计与实现. 科技创新与应用. 2023(34): 48-52 . 百度学术
25. 何鹏宇,卓智海. 基于VMD-SWT联合算法的FMCW雷达生命体征检测. 北京信息科技大学学报(自然科学版). 2023(06): 41-47 . 百度学术
26. 郑铭凯,饶彬,王伟. 基于超宽带冲激雷达的人体动作识别和心率估计数据集. 中国科学数据(中英文网络版). 2023(04): 484-495 . 百度学术
其他类型引用(31)
-