
Citation: | Lu Yanxi, He Zishu, Cheng Ziyang, Liu Shuangli. Joint Selection of Transmitters and Receivers in Distributed Multi-input Multi-output Radar Network for Multiple Targets Tracking[J]. Journal of Radars, 2017, 6(1): 73-80. doi: 10.12000/JR16106 |
目标的振动、转动等微动产生的微多普勒效应包含了目标的结构和运动信息,常用于目标的分类和识别[1–3]。目前,基于外辐射源雷达微多普勒效应目标分类和识别的研究还处于起步状态。外辐射源雷达是一种利用非合作照射源进行目标探测和分类识别的新体制雷达系统,其自身不辐射电磁能量,具有节约频谱资源,隐蔽性好,设备规模小,易于部署和组网等特点[4–6]。在微多普勒效应目标分类和识别方面,外辐射源雷达表现出得天独厚的优势:(1)收发分置可实现空间分集,有效避免探测盲区。(2)第三方辐射源多为连续波,长时间相干积累可记录多个连续的回波闪烁,同时有利于提高对低雷达散射截面积(Radar Cross-Section, RCS)微动目标的探测与分类识别能力。(3)对微多普勒特征的提取不要求高距离分辨率,参数估计不受第三方辐射源带宽的限制[7,8]。
针对微多普勒效应参数估计问题。文献[9,10]中依据微动目标正弦特征曲线,利用 Hough变换,在参数域中进行多维搜索提取出微动曲线进行参数估计。文献[11,12]通过正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法进行稀疏逼近实现了微动目标参量的估计。上述方法均具有较好的鲁棒性,但由于估计参量维数较高导致计算量巨大。文献[13]利用微动目标在时频域的周期性,采用循环相关系数方法,实现了目标微动周期的估计,但信号周期较长时计算量急剧增加。文献[14]计算了信号的高阶矩函数,通过检测在不同时延下,高阶虚函数部分傅里叶变换累计结果的峰值位置,快速获得目标的旋转速率,相比于图像处理方法和OMP分解方法,计算复杂度较小,但抗噪性能差。而外辐射源雷达所利用的第三方辐射源多为连续波信号,其发射波形不可控,信号能量主要覆盖地面,杂波环境复杂且对空中目标增益低,利用长时间相干积累来提高处理增益会带来数据量巨大的挑战。上述因素决定了外辐射源雷达参数估计方法需要有良好的抗噪性能且计算量要小。
直升机旋翼旋转时对雷达信号产生周期性调制,当叶片发生镜面反射时,旋翼回波出现峰值,即回波闪烁。闪烁信号在时频图像中表现为一定宽度的频率带,且闪烁时间、闪烁间隔与直升机旋翼微动参数密切相关。针对外辐射源雷达参数估计问题,本文结合上述时频域中闪烁信号的特点,通过时频分析和正交匹配追踪算法实现了直升机旋翼微动参数的估计。本文首先给出了外辐射源雷达直升机旋翼微动信号模型,其次介绍了如何在时频图中提取出闪烁信号参数及正交匹配追踪算法对直升机旋翼微动参数的估计,最后仿真和实测证明了本文方法的有效性。
直升机旋转叶片与外辐射源雷达的位置关系如图1所示。以直升机旋转叶片的中心点为原点
假设直升机平动得到补偿。在
rP(t)=||RT −RP(t)||+||RR−RP(t)|| |
(1) |
其中
参考文献[1]中单基地直升机建模,将叶片看作线模型,外辐射源雷达直升机旋翼回波可表示为:
s(t)=Lexp{−j2πλ(rR+rT)}N∑k=1sinc{−ϕk(t)}⋅exp{jϕk(t)} |
(2) |
其中,
ϕk(t)=−4πλL2cosβcos(α−γ2)cos(φk(t)) |
(3) |
φk(t)=2πfrt+φ0+(k−1)2π/N−α+γ2 |
(4) |
由式(3)得第
fk(t)=2πfrLλcosβcos(α−γ2)sin(φk(t)) |
(5) |
由式(2)可知时域信号幅值受
φk(t)=±π2+2πn |
(6) |
由式(2)知连续两个闪烁之间的时间间隔为:
Δt={12N⋅fr,N为奇数1N⋅fr, N为偶数 |
(7) |
直升机旋翼回波的微多普勒呈非线性变化,通过对目标回波信号进行时频分析能够揭示信号频率的时变特性。短时傅里叶变化(Short-Time Fourier Transform, STFT)计算简单,且不产生交叉项。对直升机旋翼回波信号
TF(t,f)=∫s(τ)w(τ−t)e−j2πfτdτ |
(8) |
其中,
图2为直升机旋翼回波的时频图。当直升机旋翼的叶片数为奇数时(图2(a)),时频域中正负多普勒“闪烁”交替出现;若旋翼叶片数为偶数(图2(b)),则是同时出现。
设时频域中正频率“闪烁”发生的时间为
φk(t0)=π2+2πn(n为整数) |
(9) |
由式(4)和式(9)得第
φ0={−πt0Δt1N−2π(k−1)1N+φ1, N为奇数−2πt0Δt1N−2π(k−1)1N+φ1,N为偶数 |
(10) |
其中
φ1=α+γ2+2πn+π2(0≤φ0<2π) |
(11) |
由于时频图像中闪烁信号频率带垂直于时间横轴,对正频率轴数据幅值进行累加计算,并判断累加后数据局部峰值点,可得到时频域中正频率“闪烁”发生的时间。同样,对负频率轴数据幅值进行累加计算得到时频域中负频率“闪烁”发生的时间。相应的也可得到闪烁间隔。
由式(7)知,闪烁间隔与旋翼转速、叶片数量密切相关。由式(10)知,闪烁发生的时间与叶片初相、叶片数量、整数
由式(2)知时域回波信号可分解为:
s(t)=M∑m=1cmgm(t;Λ)=Dα |
(12) |
其中,
由式(2)知直升机旋翼回波信号由参数
由OMP算法原理可知,字典中的原子可按照待分解信号的内在特性来构造[16]。根据微动目标的时域回波表达式(2),第
a(m)=sinc(ϕ(Lr,Np,kq))⋅exp{−jϕ(Lr,Np,kq)} |
(13) |
其中
m=rpq |
(14) |
并对原子集里的每个原子进行能量归一化:
a(m)←a(m)/‖a(m)‖F |
(15) |
其中,
将5参量
直升机旋翼参数估计具体步骤如下:
步骤1 对直升机旋翼信号进行短时傅里叶变换,得到时频图像
步骤2 对时频图中正频率轴数据幅值进行累加计算,并判断累加后数据局部峰值点,对应时频域正频率“闪烁”发生的时间。同样,对负频率轴数据幅值进行累加计算得到时频域中负频率“闪烁”发生的时间。
步骤3 根据步骤2中正负频率“闪烁”发生的时间,判别时频域中正负多普勒“闪烁”是否交替出现。若是,则旋翼叶片数为奇数,否则,旋翼叶片数为偶数。
步骤4 读取某一正频率闪烁发生的时间
步骤5 确定
步骤6 利用OMP算法寻找叶片数量,叶片长度的最优值,代入式(7)计算出旋翼转速,代入式(10)和式(11)计算出叶片初相。
结合上述模型对直升机旋翼回波信号进行仿真,仿真参数设置如表1所示。
信号载频 | 叶片数 | 叶片长度 | 旋转速率 | 发射站方位角 | 接收站方位角 | 发射站仰角 | 接收站仰角 | SNR |
658 MHz | 3 | 5 m | 200 rpm | 33° | 76° | 23° | 23° | –5 dB |
图3(a)显示了信号的联合时频域特征,可看出闪烁信号及噪声严重影响直升机旋翼微多普勒特征曲线的检测,使微多普勒特征曲线提取困难。
分别对时频图像中正负频率轴数据幅值进行累加计算,得到时频域中正负多普勒“闪烁”时间,如图3(b)所示,图中正负多普勒“闪烁”等间隔交替出现,则旋翼叶片数为奇数。读取闪烁信号时间间隔为0.05 s,根据式(7)表示出旋翼转速为:
fr=10/N |
(16) |
读取某一正频率闪烁信号对应时刻为0.066 s(此处选择了图3(b)中的第1个正频率闪烁信号),根据式(10)和式(11)表示出第
φ0=−4.14/N−6.28×(k−1)/N+2.52 |
(17) |
图3(c)为利用OMP方法对
图4为利用常规Hough变换,通过微多普勒曲线
fmax=4πfrLλcosβcos(α−γ2) |
(18) |
图4中给出了参数空间中局部峰值点中心位置。可得到直升机旋翼转速为200 rpm。3叶片最大频移分别为385.6 Hz, 393.9 Hz, 389.8 Hz,平均值为390.0 Hz,由式(18)计算得叶片长度为4.96 m,与理论值基本一致。3叶片初相分别为0.91 rad, 3.16 rad, 5.24 rad,利用式(4)对初相进行修正,得到3叶片初相位为1.86 rad, 4.11 rad, 6.19 rad,存在较大的误差,是由于STFT受不确定原理的限制,时频图像中时频分辨率受限使参数空间中的局部峰值点扩展范围较大,只能大致估计局部峰值点的位置,估计结果精度较低。
设待处理的时频图像大小为
直接使用OMP进行参数
本文方法计算量集中在OMP阶段,根据提取的时频域中的闪烁时间,依据式(7)和式(10),最终转化为对参数
在对直升机旋翼微动参数估计时,一般
武汉大学电波传播实验室对EC_120B直升机进行了微多普勒效应探究外场实验,EC_120B直升机主旋翼3叶片,叶片长度5 m,额定转速406 rpm,实验中以武汉龟山电视塔数字电视信号为照射源,信号中心频率为658 MHz,带宽8 MHz,接收站位于武汉大学电波传播实验室楼顶,距离发射站7.56 km,实验场景如图5所示。本组实测数据相干积累时间0.8 s,可近似认为目标在这段时间位置不变,直升机旋翼转速为常量。
图6(a)为去除目标主体影响后,对直升机旋翼回波信号进行短时傅里叶变换后的时频图像。可以观察到闪烁信号,但微多普勒特征曲线已观察不到。分别对时频图像中正负频率轴数据幅值进行累加计算,得到时频域中正负多普勒“闪烁”时间,如图6(b)所示,图中正负多普勒“闪烁”等间隔交替出现,则旋翼叶片数为奇数。
读取闪烁信号时间间隔为26.2 ms,根据式(7)用
本文根据外辐射源雷达直升机旋翼微动信号模型,充分利用时频域中闪烁信号特征和微动信号内在特性进行了参数估计。通过时频分析和正交匹配追踪算法,估计出了旋翼转速、叶片长度、叶片数量和初相。同时开展了外场实验。仿真数据和实测数据处理都表明本文方法对外辐射源雷达直升机旋翼参数估计的可行性。
[1] |
Li J and Stoica P. MIMO radar with colocated antennas[J]. IEEE Signal Processing Magazine, 2007, 24(5): 106–114. doi: 10.1109/MSP.2007.904812
|
[2] |
Haimovich A M, Blum R S, and Cimini L J. MIMO radar with widely separated antennas[J]. IEEE Signal Processing Magazine, 2008, 25(1): 116–129. doi: 10.1109/MSP.2008.4408448
|
[3] |
Joshi S and Boyd S. Sensor selection via convex optimization[J]. IEEE Transactions on Signal Processing, 2009, 57(2): 451–462. doi: 10.1109/TSP.2008.2007095
|
[4] |
Shen X, Liu S, and Varshney P K. Sensor selection for nonlinear systems in large sensor networks[J]. IEEE Transactions on Aerospace and Electronic Systems, 2014, 50(4): 2664–2678. http://adsabs.harvard.edu/abs/2014ITAES..50.2664S
|
[5] |
Masazade E, Fardad M, and Varshney P K. Sparsity-Promoting extended Kalman filtering for target tracking in wireless sensor networks[J]. IEEE Signal Processing Letters, 2012, 19(19): 845–848. https://www.researchgate.net/publication/258655744_Sparsity-Promoting_Extended_Kalman_Filtering_for_Target_Tracking_in_Wireless_Sensor_Networks
|
[6] |
Godrich H, Petropulu A P, and Poor H V. Sensor selection in distributed multiple-radar architectures for localization: A knapsack problem formulation[J]. IEEE Transactions on Signal Processing, 2012, 60(1): 247–260. doi: 10.1109/TSP.2011.2170170
|
[7] |
Ma Botao, Chen Haowen, Sun Bin, et al.. A joint scheme of antenna selection and power allocation for localization in MIMO radar sensor networks[C]. IEEE International Conference on Signal Processing, Hangzhou, China, 2014: 2226–2229. http://ieeexplore.ieee.org/document/7015390/
|
[8] |
Glass J D and Smith L D. MIMO radar resource allocation using posterior Cramér-Rao lower bounds[C]. IEEE Aerospace Conference, Big Sky, MT, USA, 2011: 1–9. http://dl.acm.org/citation.cfm?id=2053918.2054178
|
[9] |
Xie M, Yi W, Kirubajaran T, et al.. Receive-beam allocation for multiple target tracking with distributed MIMO radar systems[C]. IEEE Radar Conference, Philadelphia, PA, USA, 2016. DOI: 10.1109/RADAR. 2016.7485153.
|
[10] |
Godrich H, Tajer A, and Poor H.V. Distributed target tracking in multiple widely separated radar architectures[C]. IEEE 7th Sensor Array and Multichannel Signal Processing Workshop (SAM), Hoboken, NJ, USA, 2012: 153–156. DOI: 10.1109/SAM. 2012.6250453.
|
[11] |
Trees H L V. Detection, Estimation, and Modulation Theory—Part I[M]. Publishing House of Electronics Industry, Beijing, China, 2003: 131–143.
|
[12] |
Tichavsky P, Muravchik C H, and Nehorai A. Posterior Cramer-Rao bounds for discrete-time nonlinear filtering[J]. IEEE Transactions on Signal Processing, 1998, 46(5): 1386–1396. doi: 10.1109/78.668800
|
[13] |
Boyd S and Vandenberghe L. Convex Optimization[M]. Cambridge University Press, Cambridge, UK, 2004: 55–60.
|
[14] |
Arulampalam M S, Maskell S, Gordon N, et al.. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking[J]. IEEE Transactions on Signal Processing, 2002, 50(2): 174–188. doi: 10.1109/78.978374
|
[15] |
Nemirovski A. Interior point polynomial time methods in convex programming[OL]. . 2012.
|
[16] |
Razaviyayn M, Hong M, and Luo Z Q. A unified convergence analysis of block successive minimization methods for nonsmooth optimization[J]. SIAM Journal on Optimization, 2013, 23(2): 1126–1153. doi: 10.1137/120891009
|
[1] | XING Mengdao, MA Penghui, LOU Yishan, SUN Guangcai, LIN Hao. Review of Fast Back Projection Algorithms in Synthetic Aperture Radar[J]. Journal of Radars, 2024, 13(1): 1-22. doi: 10.12000/JR23183 |
[2] | WANG Xiang, WANG Yumiao, CHEN Xingyu, ZANG Chuanfei, CUI Guolong. Deep Learning-based Marine Target Detection Method with Multiple Feature Fusion[J]. Journal of Radars, 2024, 13(3): 554-564. doi: 10.12000/JR23105 |
[3] | TIAN Ye, DING Chibiao, ZHANG Fubo, SHI Min’an. SAR Building Area Layover Detection Based on Deep Learning[J]. Journal of Radars, 2023, 12(2): 441-455. doi: 10.12000/JR23033 |
[4] | CHEN Xiang, WANG Liandong, XU Xiong, SHEN Xujian, FENG Yuntian. A Review of Radio Frequency Fingerprinting Methods Based on Raw I/Q and Deep Learning[J]. Journal of Radars, 2023, 12(1): 214-234. doi: 10.12000/JR22140 |
[5] | DING Zihang, XIE Junwei, WANG Bo. Missing Covariance Matrix Recovery with the FDA-MIMO Radar Using Deep Learning Method[J]. Journal of Radars, 2023, 12(5): 1112-1124. doi: 10.12000/JR23002 |
[6] | HE Mi, PING Qinwen, DAI Ran. Fall Detection Based on Deep Learning Fusing Ultrawideband Radar Spectrograms[J]. Journal of Radars, 2023, 12(2): 343-355. doi: 10.12000/JR22169 |
[7] | HUANG Zhongling, YAO Xiwen, HAN Junwei. Progress and Perspective on Physically Explainable Deep Learning for Synthetic Aperture Radar Image Interpretation(in English)[J]. Journal of Radars, 2022, 11(1): 107-125. doi: 10.12000/JR21165 |
[8] | ZENG Tao, WEN Yuhan, WANG Yan, DING Zegang, WEI Yangkai, YUAN Tiaotiao. Research Progress on Synthetic Aperture Radar Parametric Imaging Methods[J]. Journal of Radars, 2021, 10(3): 327-341. doi: 10.12000/JR21004 |
[9] | LI Xiaofeng, ZHANG Biao, YANG Xiaofeng. Remote Sensing of Sea Surface Wind and Wave from Spaceborne Synthetic Aperture Radar[J]. Journal of Radars, 2020, 9(3): 425-443. doi: 10.12000/JR20079 |
[10] | LI Yongzhen, HUANG Datong, XING Shiqi, WANG Xuesong. A Review of Synthetic Aperture Radar Jamming Technique[J]. Journal of Radars, 2020, 9(5): 753-764. doi: 10.12000/JR20087 |
[11] | HUANG Yan, ZHAO Bo, TAO Mingliang, CHEN Zhanye, HONG Wei. Review of Synthetic Aperture Radar Interference Suppression[J]. Journal of Radars, 2020, 9(1): 86-106. doi: 10.12000/JR19113 |
[12] | LUO Ying, NI Jiacheng, ZHANG Qun. Synthetic Aperture Radar Learning-imaging Method Based onData-driven Technique and Artificial Intelligence[J]. Journal of Radars, 2020, 9(1): 107-122. doi: 10.12000/JR19103 |
[13] | WEI Yangkai, ZENG Tao, CHEN Xinliang, DING Zegang, FAN Yujie, WEN Yuhan. Parametric SAR Imaging for Typical Lines and Surfaces[J]. Journal of Radars, 2020, 9(1): 143-153. doi: 10.12000/JR19077 |
[14] | XING Mengdao, LIN Hao, CHEN Jianlai, SUN Guangcai, YAN Bangbang. A Review of Imaging Algorithms in Multi-platform-borne Synthetic Aperture Radar[J]. Journal of Radars, 2019, 8(6): 732-757. doi: 10.12000/JR19102 |
[15] | Zhao Feixiang, Liu Yongxiang, Huo Kai. A Radar Target Classification Algorithm Based on Dropout Constrained Deep Extreme Learning Machine[J]. Journal of Radars, 2018, 7(5): 613-621. doi: 10.12000/JR18048 |
[16] | Wang Jun, Zheng Tong, Lei Peng, Wei Shaoming. Study on Deep Learning in Radar[J]. Journal of Radars, 2018, 7(4): 395-411. doi: 10.12000/JR18040 |
[17] | Xu Feng, Wang Haipeng, Jin Yaqiu. Deep Learning as Applied in SAR Target Recognition and Terrain Classification[J]. Journal of Radars, 2017, 6(2): 136-148. doi: 10.12000/JR16130 |
[18] | Ren Xiaozhen, Yang Ruliang. Four-dimensional SAR Imaging Algorithm Based on Iterative Reconstruction of Magnitude and Phase[J]. Journal of Radars, 2016, 5(1): 65-71. doi: 10.12000/JR15135 |
[19] | Jin Tian. An Enhanced Imaging Method for Foliage Penetration Synthetic Aperture Radar[J]. Journal of Radars, 2015, 4(5): 503-508. doi: 10.12000/JR15114 |
1. | 张佳辉,苗洪利,杨忠昊,刘昆池. 基于SAR子孔径分解的海表面二维流场反演. 海洋学报. 2023(08): 24-30 . ![]() | |
2. | 李志远,郭嘉逸,张月婷,黄丽佳,李洁,吴一戎. 基于自适应动量估计优化器与空变最小熵准则的SAR图像船舶目标自聚焦算法. 雷达学报. 2022(01): 83-94 . ![]() | |
3. | 雷禹,冷祥光,孙忠镇,计科峰. 宽幅SAR海上大型运动舰船目标数据集构建及识别性能分析. 雷达学报. 2022(03): 347-362 . ![]() |
信号载频 | 叶片数 | 叶片长度 | 旋转速率 | 发射站方位角 | 接收站方位角 | 发射站仰角 | 接收站仰角 | SNR |
658 MHz | 3 | 5 m | 200 rpm | 33° | 76° | 23° | 23° | –5 dB |