论文部分内容阅读
警戒雷达能够对较大范围内的目标进行搜索,应用广泛。但由于其任务需求和系统性能限制,警戒雷达往往具有低分辨率,低脉冲重复频率以及较短的雷达波束驻留时间,因此,较难进一步获得目标的其他信息。目标雷达回波中包含有微多普勒信号,能够反映出一定的目标运动信息,通过分析这些信号的特征,可以使警戒雷达在完成目标检测与搜索的同时对目标进行简单分类,评估其威胁程度。目前大多数针对微多普勒信号的研究都是通过时频分析方法进行的。而本论文针对警戒雷达低分辨率、低重频以及短驻留时间的特定条件,提出了基于统计特征的微多普勒信号分类方法。文中创新部分包括结合L-statistics算法和CLEAN算法的从微多普勒信号中滤除目标主体信号的方法。该方法能够去除有多普勒频率不恒定的运动目标的主体回波,同时还能很好地保留仅能产生微小多普勒频移的微多普勒信号,该方法的有效性经过仿真微多普勒信号进行验证。文中还提出了将字符串匹配中的标准广义编辑距离(NGLD)进行改进,使其能够直接计算两段信号时域波形的相似程度。并且以NGLD作为代价函数,搜索微多普勒信号周期的方法。改进后用于反映信号间相似程度的NGLD的特性及参数选择策略通过蒙特卡洛仿真方法得到验证。基于NGLD的微多普勒周期搜索方法的有效性通过仿真数据和实测数据的验证,且该方法的结果与使用包络周期性相似程度和时频图相似程度分别作为代价函数的方法进行了对比,结果表明,基于NGLD的方法无论在低信噪比条件还是低PRF条件下,都优于另外两种方法。在获得信号微多普勒周期的基础上,利用包括它在内的六种从雷达回波信号时域和频域提取出的特征训练Adaboost分类器进行目标分类。实验结果表明,针对实测螺旋桨模型和车轮模型,本文所使用的分类方法其错误概率仅为3.75%。