论文部分内容阅读
雷达探测是一种发现无人机目标的有效途径,然而小型无人机具有尺寸小、运动状态多变、飞行环境复杂等特点,导致回波信号信噪比(Signal-to-Noise Ratio,SNR)微弱,这给雷达探测带来了严峻的挑战。通过延长积累时间对更多的回波进行相参积累可以提升回波SNR。但在长时间积累过程中目标回波常伴随距离徙动和多普勒扩散问题,传统积累方法失效。所以,校正回波距离徙动和多普勒扩散是提升雷达探测小型无人机目标能力的关键。小型无人机运动状态复杂,在飞行过程中径向除速度外,还存在加速度甚至更高阶运动参数。本文研究了三种运动状态下的小型无人机目标回波模型,并针对不同回波模型研究了其强杂波背景下的长时间积累算法,具体工作如下:(1)针对径向匀速运动无人机目标长时间积累过程中速度引起的距离徙动问题,本文介绍两种典型算法:RFT(Radon-Fourier Transform)和KTP(Keystone and Parameter Estimation)长时间积累算法。仿真和实测数据处理表明,两种算法都能在强杂波背景下检测匀速运动无人机目标。KTP算法在低SNR下检测性能略好,而RFT算法的运算复杂度更低。综合考虑检测性能和算法运算量,当考虑多普勒模糊时,采用RFT算法;当不需要考虑多普勒模糊时,采用KTP算法。(2)径向匀加速运动无人机目标在长时间积累过程中不仅存在距离徙动,还存在加速度引起的多普勒扩散。对此本文研究了KTPDP(Keystone and Parameter estimation-Dechirp)和KTPLVD(Keystone and Parameter estimation-Lv’s Distribution)两种长时间积累算法。在强杂波背景下对低速飞行的无人机目标进行检测时两种算法的检测性能和算法运算量都基本持平。因此两种算法都可以在低SNR下对低速飞行的无人机目标进行探测。(3)对于径向变加速运动无人机目标,还需对第二加速度引起的距离徙动和多普勒弯曲进行补偿。对此本文研究了KTPGDP(Keystone and Parameter Estimation-Generalized Dechirp)和ACCF-LVD(Adjacent Cross Correlation FunctionLv’s Distribution)两种长时间积累方法。仿真和实测数据处理表明,两种算法都能在低SNR环境下检测变加速运动无人机目标。ACCF-LVD算法运算量很低,而KTPGDP算法检测能力更强。虽然ACCF-LVD算法检测实时性较好,但其抗噪声能力相对较弱,在更低SNR情况下需要采用KTPGDP算法。