论文部分内容阅读
随着隐身技术的发展,雷达对于微弱目标检测能力的要求越来越高。对于线性调频(Linear Frequency Modulated,LFM)脉冲体制雷达,延长积累时间通常可以提高输出信噪比(Signal-to-Noise Ratio,SNR),但是在长时间观测情况下,运动目标的回波能量会跨越多个距离单元,造成距离徙动现象。此外,机动目标的回波能量还会在慢时间维跨越多个多普勒频率单元,造成多普勒频率徙动现象。距离徙动和多普勒频率徙动都会降低机动目标雷达信号相参积累性能,本文对它们的校正算法进行了深入研究,主要工作概括如下:1、针对具有三阶运动模型的机动目标,提出了一种基于三阶Keystone变换(Third-order Keystone Transform,TOKT)、双频互相关(Dual Frequency Cross Correlation,DFCC)和吕分布(Lv’s Distribution,LVD)的信号积累算法。算法首先利用TOKT校正目标加加速度导致的距离弯曲,然后采用DFCC处理消除残余距离徙动和慢时间维三阶相位,最后通过LVD处理实现目标能量的相参积累。为了避免高机动目标多普勒谱跨越相邻两个脉冲重复频率(Pulse Repetition Frequency,PRF)带时导致的轨迹分裂现象,算法首先构造补偿函数将谱带频移入一个完整的PRF带内,再进行TOKT、DFCC和LVD处理。所提算法无需进行参数搜索便可实现长时间相参积累,并且比具有相同运算复杂度量级的迭代相邻互相关函数(Adjacent Cross Correlation Function,ACCF)算法具有更好的抗噪性能。仿真实验结果验证了所提算法的有效性。2、针对LVD算法对于二次调频(Quadratic Frequency Modulated,QFM)信号中三阶相位项无法补偿的不足,提出了一种基于LVD改进的时频分析算法(Modified LVD,MLVD)。相比于LVD,MLVD在不增加运算复杂度的前提下,实现了对QFM信号的能量相参积累和高阶参数估计,具有较好的抗噪性能和交叉项抑制性能。针对合成孔径雷达-地面运动目标检测(Synthetic Aperture Radar-Ground Moving Target Indication,SAR-GMTI)系统中邻近场景中心的机动目标,提出了结合Radon轨迹搜索和MLVD的目标聚焦算法:Radon-MLVD(RMLVD)。算法首先利用平台参数构造一个补偿函数来校正距离弯曲,然后通过RMLVD来实现残余轨迹搜索和能量相参积累。仿真实验结果验证了所提算法在地面机动目标检测中的有效性。3、针对现有文献中补偿函数法只能校正邻近场景中心目标距离弯曲的不足,提出了一种基于子场景划分的相参积累算法,从而可以对分布于场景不同位置的机动目标都进行有效检测。算法首先利用离散多项式相位变换(Discrete Polynomial-phase Transform,DPT)对脉压信号中的慢时间变量进行降阶处理,以消除距离弯曲。随后,根据所划分的子场景构造相应的补偿函数,用于校正位于该子场景内目标的距离走动。最后,采用方位维LVD处理实现目标能量的相参积累。所提算法利用DPT和构造补偿函数的方法,只需进行两次二维复乘运算便能实现目标距离徙动校正,运算量小于传统的高阶KT和轨迹搜索方法。另外,与现有的SAR-GMTI算法相比,所提算法通过划分子场景处理,可以对分布于场景不同位置的多目标回波都进行距离徙动校正和能量相参积累。仿真实验结果验证了所提算法的有效性。4、针对慢时间轴对称模型下的机动目标,提出了一种结合参数分离(Parameter Separation,PS)、二阶Keystone变换(Second-order Keystone Transform,SOKT)和非均匀快速傅里叶变换(Nonuniform Fast Fourier Transform,NUFFT)的无搜索能量积累算法。算法首先通过PS运算将目标的加速度和其它运动参数分离开来,然后利用SOKT校正距离弯曲,最后通过慢时间维NUFFT运算对目标能量进行相参积累。相比于同样利用PS运算的PS-加速度搜索(PS-Acceleration Search,PS-AS)算法,所提PS-SOKT-NUFFT算法无需搜索便可检测目标,具有更低的运算复杂度。仿真实验结果验证了所提算法的有效性。5、为了解决PS-SOKT-NUFFT算法无法通过频移法消除轨迹分裂现象的问题,提出了一种结合PS和两次快速二维搜索的地面机动目标检测与参数估计算法。算法首先利用PS处理提取目标距离和加速度信息,随后利用Radon-分数阶傅里叶变换(Fractional Fourier Transform,FRFT)和Radon-快速傅里叶变换(Fast Fourier Transform,FFT)来对目标参数进行估计。为了提高每次搜索的速度,算法采用了所提的局部映射稀疏傅里叶变换(Local Mapping Sparse Fourier Transform,LMSFT)来对FRFT和FFT进行加速,从而具有比采用离散傅里叶变换(Discrete Fourier Transform,DFT)实现时更快的运算速度。为了控制搜索次数,算法合理设置了参数的搜索范围和搜索间隔。通过理论分析和仿真实验,验证了所提算法具有较好的多目标检测和抗噪性能,以及高效性。