雷达信号检测

雷达信号检测（共12篇）

雷达信号检测 篇1

0 引 言

雷达信号分选[1]就是在多部雷达脉冲交迭在一起的情况下,分离出各部雷达脉冲串的技术。其实质就是脉冲信号的去交迭、去交错的过程[2]。目前基于PRI参数提出很多分选方法[3],随着新体制、新技术雷达的不断出现,雷达接收机收到的雷达信号更加密集和复杂,如频率交迭而成的密集脉冲流,运用传统的分选方法进行分选越来越困难。

本文研究了一种基于SDIF算法和序列相关法的联合检测法,及基于该方法的一种被动雷达信息处理系统信号分选跟踪机设计与硬件实现。该信号分选跟踪机在复杂的电磁环境中,如果没有任何先验数据,通过SDIF算法分析雷达参数,再通过序列相关法验证信号的存在性,增加检测概率;如果有先验雷达参数,只需用序列相关法验证信号的存在性即可。联合检测方法可实现该信号分选跟踪机对信号的准确、快速分选,进而依据一定威胁判断准则找出威胁等级最高的雷达,然后通过跟踪器跟踪该部雷达,正确给出跟踪波门。

1 系统概述

被动雷达信息处理系统由信号分选跟踪机、窄带数字接收机及测向处理机三部分组成(见图1),通过各分机的数据处理和分机间通信,即可完成辐射源信息采集与处理,并输出控制信息,完成对辐射源的跟踪。信号分选跟踪机主要完成对环境的分选、识别、分析,对威胁信号提供PRI跟踪波门,可在系统引导下对通过滤波器的信号进行PRI跟踪,实时监视跟踪信号的变化,引导跟踪器跟踪。

信号分选跟踪机接收来自微波前端的载频码、两路视频信号流及来自窄带数字接收机的窄带高灵敏度脉冲流,对接收的信号进行分选、识别、分析,将脉宽类型选择(SEL)信号输出给窄带数字接收机,将信号流(Signal)、宽波门(Gate_W)及载频码(CF)同时输出给窄带数字接收机和测向处理分机,并将频综调节码、PIN控制码及波段选择信息输出给微波前端。

2 信号分选跟踪机设计

2.1 信号分选算法

2.1.1 分选概述

信号分选是从大量随机交叠的脉冲信号流中分离出各个雷达脉冲串,并选出有用信号的过程。信号分选的实质就是脉冲信号去交叠、去交错的过程。

一般来说,脉冲信号的分选是根据信号到达角(DOA)、脉宽(PW)、载频(CF)、脉冲到达时间(TOA)、信号幅度(PA)等参数进行的[4]。在本信号分选设计中,脉冲描述字PDW是由PW、CF和TOA组成的。预先测得的载频码(或者装载数据库)可传给接收机前端的频综,将其调整到相应的本振频率上,以保证信号经多次混频后能够落入高中放带宽内,进而缩小信号频率搜索范围;此外,根据前端测得载频码可以进行捷变频分析,从而分选出捷变频信号。脉宽和脉冲重复周期对于视频信号处理至关重要,脉宽用于确定产生波门的宽度;脉冲重复周期则是跟踪的关键,在确定时域上的一个基准信号后,要根据它产生下一个波门的位置,进而判断在该波门中是否存在实际的信号。

由此可见,PRI分选是整个信号分选算法的核心。

2.1.2 分选算法对比分析

(1) 积累差直方图法(CDIF)。

它用脉冲间隔直方图分析方法来分选复杂雷达信号,准确性高,可靠性好,可有效克服脉冲重频分频、倍频的问题。但是,算法的运算量很大;其检测门限不是最佳检测门限;大量脉冲丢失时,会检测出谐波。

(2) 顺序差直方图法(SDIF)。

它比CDIF法更快,更清晰,因为它只有当前差,并与门限比较,无需用两倍PRI值与门限比较。该算法具有最佳检测门限,在大量脉冲丢失时,它采用次谐波校验防止虚假检测,适于常规、捷变频和重频参差雷达信号分选。

(3) 序列相关法。

原理比较简单,易于实现,是重频分选的经典方法之一。当然,运算量较大,在一次分选过程中,通常需要多次选择准PRI进行序列相关试探,而且每一次序列相关最多只能分选一部雷达脉冲列,故该方法计算量较大。由于容差的门限较小,故对脉冲干扰和脉冲丢失都很敏感。对于重频参差雷达信号,总是分选为PRI等于帧周期的多个脉冲列。它更加适用于已知可能的PRI或者工作在数据库方式,将它和SDIF算法综合使用再配合参差鉴别等可以获得较好的分选结果。

(4) PRI变换法[5]。

该方法由于采用了复值自相关积分,从根本上解决了二次谐波抑制的问题,用来检测由多个具有恒定PRI脉冲组成的脉冲串的PRI很有效。并且,由于采用了通过时间而移动的叠加PRI直方图单元方法,可以有效获得跳变脉冲串的PRI。但是,它的运算量极大,因为它不仅要基于每一对TOA之差进行运算,还要对相应的每个TOA进行复指数计算,并且在前面运算的基础上,还要对每个时间间隔计算的值进行叠加。显然很难满足实时性要求,它的性能可能只是在实验室的仿真中才能体现出来,对于设备量有限,实时性要求极高的系统来说,显然很难满足实时性要求,是无法采纳的。

另外,有一些文献还提出了一种用于密集信号分选的平面变换技术算法[6],该算法能比较直观地显示分选结果,但在用DSP做分选运算时其优势并不明显,不满足实时分选要求,故也不采用。

从上面的分析可以看出,这些算法所做的主要工作就是从大量交叠的密集脉冲中检测目标辐射源的PRI序列是否存在,进而将已识别的目标辐射源从存在缓存里的采样数据中检索出来的过程。信号分选器工作在复杂的电磁环境中,在无任何先验数据的情况下,可通过SDIF算法分析雷达参数,再通过序列相关法验证信号的存在性;在引导方式下有先验雷达参数,只需用序列相关法验证信号的存在性即可。

因此,可采用SDIF算法和序列相关法联合检测,配备参差鉴别分析等处理方法可以实现信号的准确、快速分选。

2.2 系统实现

2.2.1 系统工作概述

信号分选识别跟踪器可工作在引导、独立两种工作方式。在引导工作方式下,信号分选跟踪处理器根据预先装订的威胁目标雷达数据库进行分选和跟踪,并给出跟踪波门;在独立工作方式下,没有威胁目标雷达数据库,信号分选器根据一定的算法,分析信号脉宽、载频、重频的规律,依据一定威胁判断准则找出威胁等级最高的雷达,然后通过跟踪器跟踪该部雷达,并给出跟踪波门。

本系统在接到飞控系统(设备)的分选命令后,就开始采样空间信号并进行参数测量,采样结束后同时完成脉宽PW的分类,再进行捷变频分析和PRI分析,最后将分选结果上报飞控系统(设备),再由飞控系统(设备)判断给出需要跟踪的雷达参数或分选跟踪器分系统本身根据一定的威胁判断规则装载跟踪器,再启动跟踪器。跟踪器跟踪成功后,给出跟踪波门。

跟踪器开始跟踪分选出来的雷达信号以后,这时分选器就不再进行其他工作,以免造成资源的浪费。为确保跟踪器跟踪的准确性,在跟踪器开始跟踪的同时,指定分选器软件监视这一部雷达参数变化;如果跟踪器跟踪丢失,就询问分选器的监视情况。如果分选器也没有监视到此部雷达,跟踪器就报送跟踪丢失;如果分选器能够监视到此部雷达,则跟踪器重新开始跟踪。

2.2.2 硬件框图及接口设计

分选跟踪处理器硬件基本设计框图如图1所示。

整个系统以一片DSP为主处理器,配合FPGA及其他外围电路设计出用于实现雷达信号分选跟踪的处理器[7]。其中,DSP主要用于实现整个分选算法,并与控制系统进行通信及数据交换,同时给跟踪器装载相关参数;FPGA主要负责系统中的译码电路、信号预分选中信号参数的测量、缓冲存储读取,根据DSP装订的参数装订滤波器,滤掉不符合目标特征的脉冲然后进行采样和分选,及信号跟踪器中根据DSP装订的参数装订滤波器,滤掉不符合目标特征的脉冲然后进行跟踪,并输出跟踪波门。

2.2.3 软件总体流程

分选算法所作的主要工作就是从大量交叠的密集脉冲中检测目标辐射源的PRI序列是否存在,进而将已识别的目标辐射源从存在缓存里的采样数据中检索出来的过程[8]。信号分选器工作在复杂的电磁环境中,在无任何先验数据的情况下,可通过SDIF算法分析雷达参数,再通过动态序列相关法验证信号的存在性。因此,可采用动态序列相关法和SDIF算法联合检测,配合参差分析等处理方法实现信号的准确、快速分选。

本机系统工作总过程如图2所示。信号分选跟踪器系统上电复位以后,处于等待控制系统命令状态,这时由控制系统给出控制命令。信号分选器接到开始工作命令后,开始进入分选流程,先采样一段数据以后,采用相关算法对采样数据进行处理。得到信号参数后,装载参数给跟踪器,然后开跟踪器,跟踪器开始工作,跟踪成功后,给出波门信号。同时上报分选器跟踪状态,分选器再将跟踪状态转发给上位机。

2.2.4 信号采样

首先确定取样时间。为了可靠完成对某个辐射源的分选,那么必须拥有该部雷达脉冲不小于5个,实际中一般取10个脉冲。技术指标中威胁雷达辐射源的最大重复周期为10 ms,则10个脉冲,9个间隔,所以取样时间至少为90 ms,为了对低重频信号在一定的虚警概率下仍能够获取足够的样本个数,采样时间定为100 ms。实验证明,100 ms的采样时间对低重频信号在一定的虚警概率下也能实现准确分选。技术指标中给定的最小重复周期为3.3 μs,这样在1 ms时间间隔内已经有300个脉冲了,所以取样时间过长,脉冲数目过多,这样不但不会提高脉冲提取的可靠性,而且会给后续处理电路增加负担。系统中对相同脉宽和载频的到达时间并不是无限制地存取下去,而是分配一定的存储空间,比如128个字(128×16 b),这样,即使有脉宽相同、载频相同的多部信号交叠在一起,按照只要连续捕捉到5个脉冲就认为该部信号存在这一条件,也可将多部信号一一提取出来。

2.2.5 信号分选

加至信号处理系统的信号是密集交迭的脉冲流,信号分选是指从这种随机交迭的脉冲信号分离出各个雷达的脉冲序列并选出有用信号的过程。因此,信号分选的实质就是去交错的过程[7]。

信号分选是利用信号参数的相关性来实现的[9],在实际实现中主要可以用到的参数有PW,CF,TOA这三个参数,CF由前端给出,PW,TOA由在FPGA内构造的测量硬件模块给出。

在本分选系统中采用SDIF算法与动态序列相关法对信号进行分选。分选流程如图3所示。流程图主要画出了脉宽集合形成之后的分选算法,包括载频分选和PRI分选。

3 仿真测试及其结果分析

3.1 软件仿真测试及其结果分析

这里仿真采用Matlab语言进行分选工作的仿真。三部雷达信号分选仿真结果如图4所示。

从图4仿真结果可以看出,基于SDIF与序列相关法的联合检测可以较好地分选出空间各个雷达信号;在空间含有大脉宽和小脉宽情况下,该检测方法也具有较好的鲁棒性;但是随着空间雷达信号密集程度的加重,脉冲丢失情况出现,这时序列相关法检测就比较重要,根据检测到某一类脉冲超过5个脉冲就认为存在该雷达信号,可以增加检测概率。当然,假如空间信号出现更多混叠现象,该分选算法可能会出现少分多分甚至错分的情况,这时考虑再增加一维参数的分选是一个解决方法,比如到达角[10]。

3.2 硬件仿真测试及其结果分析

设备:某型雷达信号分选跟踪平台一部,EM1716直流稳定电源一台,某型自制雷达信号源一台,计算机一台,Tektronic示波器一台,ICETEK-5100USB开发器一件,五部雷达信号参数设置见表1。

通过实物分选跟踪硬件平台的大量实验结果表明:基于SDIF算法和动态序列相关法的联合检测法可以实现对空间多部不同雷达信号进行正确地分选,并能对常规雷达、参差雷达、抖动雷达以及捷变频雷达等正确给出跟踪波门。

4 结 语

本方案充分利用了SDIF算法和序列相关法的优点,通过联合检测处理实现信号的准确、快速分选,仿真结果验证了该方案的优越性。基于本设计思想开发的信号分选跟踪机已在某被动雷达信息处理系统中试用,具有集成度高、可靠稳定的优点。

雷达信号检测 篇2

频率步进雷达数字信号处理

摘要：综述了频率步进雷达系统设计与信息处理中的主要问题,包括系统参数设计、目标抽取算法、与Chirp子脉冲的.兼容性、与圆锥扫描体制的兼容性等等,并论述了不同情况下多普勒效应的影响及其解决方法,提出了相应的数字信号处理方案. 作者： 毛二可龙腾韩月秋 Author： 作者单位： 北京理工大学电子工程系雷达技术研究所, 期 刊： 航空学报 ISTICEIPKU Journal： ACTA AERONAUTICA ET ASTRONAUTICA SINICA 年，卷(期)： ,22(z1) 分类号： V243 关键词： 雷达 距离高分辨 频率步进 信息处理 机标分类号： TN9 V44 机标关键词： 频率步进雷达数字信号处理STEPPED FREQUENCY系统参数设计目标抽取算法兼容性多普勒效应圆锥扫描信息处理系统设计处理方案子脉冲体制方法 基金项目： 国防预研基金

雷达信号检测 篇3

关键词：UML；分析建模；雷达信号分选；图

中图分类号：TP872文献标识码：A文章编号：1009-3044(2007)12-21609-03

UML and it's Application to the Analysis Modeling of Radar Signal Sorting System

YONG Yuan-hong1,LI Li-ping1,LIU Nai-qi2

(1.School of E.E, UESTC, Chengdu 610054,China;2.School of C.S.E, UESTC, Chengdu 610054,China)

Abstract:UML (unified modeling language) is widely supported by software industry nowadays as a kind of standard modeling language in field of software engineering. It becomes more and more popular in systems analysis. Modeling is that people use diagrams to technically express functions of all aspects of system. Real-time UML represents one of development trends of radar software design. This paper briefly introduces UML and makes use of using case diagrams and activity diagrams of UML to process analysis modeling of software design of radar signal sorting system and to establish using case model, static model and dynamic model of software design of radar signal sorting system.

Key words:UML;analysis modeling;radar signal sorting system;diagram

1 引言

在现代战争中，雷达的大量使用形成了复杂的电磁环境。电子侦察的电磁环境的复杂、密集使雷达信号分选所遇到的挑战越来越大，雷达信号分选的实时性和识别的正确性是雷达信号分选遇到的最大挑战。这使信号分选软件设计的复杂程度也随之不断增加，而研发周期却在缩短。如何及时地开发出优质、高效、满足要求的系统性的软件是每个软件设计人员都面临的难题。此外，随着系统复杂性急剧增加，C语言对应的传统结构化设计方法已不能满足软件设计和开发的需要，能不能把面向对象开发与C语言的优点结合起来？对这个问题，已经有人提出过一些方法。主要集中在用C语言来实现C++的语法，如用结构来模拟类，用函数指针来表示成员函数。这些方法使得本来语法就已经很复杂的C语言更加麻烦，同时没有了C语言快速、高效的优点。这里提出一种新的方法，用面向对象方法进行分析和设计，最后直接用C语言进行编码。正是基于这一点，本文从软件工程学的角度将UML(Unified Modeling Language)应用到信号分选系统软件分析设计中来提高我们的开发效率，缩短研发周期。

2 UML概述

UML 通过事物、关系和图来描述建模内容。UML中有３种基本构造块。分别是事物、关系和图。事物分结构事物（包括类、接口、协作、用况、主动类、构件和节点)、行为事物（包括交互和状态机）、分组事物和注释事物。UML中有四种关系，分别是：依赖（表明对象之间的依赖性）、关联（表明对象与对象之间有联系）、泛化（一般元素和特殊元素之间的分类关系）和实现关系（规格说明与实现之间的关系）。通过事物和关系来描述客观事物的抽象。图是UML的核心；图是软件系统在不同角度上的投影；图是包含事物及其关系的组合。 UML采用多视图表示模型的不同侧面，表示各种元素和概念之间的划分，而每一类视图使用一种或两种特定图来可视化地表示视图中的概念。在UML中共定义五类、九种模型图。静态结构图（其中包括类图和对象图和用例图）、顺序图、协作图、状态图、活动图、实现图（其中包括构件图和配置图）。在开发过程中，可根据不同阶段的具体要求，选择不同的图形来描述系统的静态结构模型或者动态行为模型。

3 UML在分析建模中的优势

在工程分析与设计过程中，建模是促进开发人员对需求更好的理解、更清晰的设计、更容易维护的系统的最佳途径。它是从复杂信息中提取本质抽象的过程。而这种抽象指引着项目的方向、决定项目的成功。基于UML的分析建模，可以帮助设计和分析人员对问题的描述，以达到相同的理解，使分析的正确性得到保障。统一建模语言UML是一种定义良好、易于表达、功能强大且普遍适用的建模语言，主要适用于分析与设计阶段的系统建模。UML总结了以往建模技术的经验并吸收当今优秀成果的标准建模方法。UML能够描述系统的静态结构和动态行为，是一个绘制软件概念图的图形化记法。人们可以用它绘制图形，来表示一个计划进行的软件设计的问题域，或者用这些图来表示一个已经完成的软件实现。目前， UML作为可视化、详述和构造、文档化的通用建模语言得到了界的广泛支持，并日渐成为系统分析中的一种标准建模语言。UML在建模中的優势主要表现在：

(1)UML 适用于各种软件开发方法、软件生命周期的各个阶段、各种应用领域的建模包括大型的、复杂的、实时的、分布式的、集中式数据或计算的、嵌入式的系统；

(2)在实现编程语言和开发平台方面。 UML可应用于运行各种不同的编程实现语言和开发平台的系统。其中包括程序设计语言、数据库、4GL、组织文档及固件等。在各种情况下，前部分工作应当相同或相似，后部分工作因各种开发媒介的不同而有某种程度上的不同。

(3)UML溶入了软件工程领域的新思想、新方法和新技术。它的作用域不限于支持面向对象的分析与设计，还支持从需求分析开始的软件开发的全过程。UML最主要的特点是表达能力丰富，便于人员之间的交流，利于理清系统软件各部分之间的关系，减少语义差异。

4 UML在选系统软件设计中分析建模的应用

信号分选软件是系统性的软件，所以有必要将系统分解成多个容易被理解的块，以便能够理解和控制系统的复杂性，能从整体的角度把握一个完整的信号分选系统。我们使用UML对信号分选软件系统进行分析建模，分析建模必须清楚系统需求，这是建立软件设计的基础。因此在进行分析建模之前，给出系统的硬件结构图（如图1）以便更好地理解软件系统的设计。在信号分选系统软件设计中，实时性、并发性、健壮性和可靠性是雷达分选系统软件的特点和要求。UML2。0已经吸收了各种流行工具的优点，考虑到了实时性的要求。在分析阶段用UML对其进行建模分析能对我们更好理解分选系统软件的功能，确保软件的质量。

图1 信号分选系统EVM硬件总体框架

对软件需求的完全理解对软件开发工作的成功是至关重要的，系统需求就是明确待开发软件系统的目标和功能，雷达信号分选系统的目标和功能就是从侦察系统截获的大量交叠的脉冲流中分离出各个雷达脉冲列。在了解了分选系统的硬件框架和明确分选系统的功能和目标之后，即可进行分析建模。图2是本系统分析建模的分析过程流程图。在系统的静态和动态模型以及功能模型中，功能（用例）模型是系统的核心。它驱动着其他两个模型的开发。因此，可以采用如下建模过程：首先从系统功能需求建立用例模型，确定系统的功能；随后，利用用例模型和功能需求进行分析建立系统的静态模型，并且将系统的功能需求分解。然后，建立系统的动态模型，描述各个对象如何完成指定的功能；最后，需要对前面建立的三个模型进行一致性检验，确保系统模型的一致性。按照需求分析的过程，建模首先描述系统需求，对系统的功能进行建模，得到系统的用例模型;然后根据需求对系统静态建模，以构造系统静态结构模型;最后描述系统的行为，对系统动态建模，实现系统的行为模型。本文对在分析建模中应用的主要图形:用例图、类图和活动图，并结合信号分选系统软件的开发阐述UML在分析建模中的实践。

图2 基于的需求分析过程

4.1 建立信号分选系统软件的功能模型

在功能分析阶段，要明确雷达信号分选系统的功能，主要用UML的用例图，用例图是对一个角色使用系统的一项功能时进行的交互过程的一个描述，它形象，直观，便于交流。所有用例的集合表示了系统完整的功能。但它是一种黑盒子方法，只能看到外部的功能特征，看不到内部的实现细节。系统的功能模型用例图如图3。

4.2 建立信号分选系统软件的静态模型

创建静态模型时，主要完成数据的建模。静态模型是在功能建模的基础上从软件的体系结构角度描述系统各用例内部和之间数据的关系，由于信号分选系统软件不同与一般的商业软件，针对雷达分选系统的特点，面向对象的一些高级特性不能使用，动态创建对象、派生和多态这样的特性会大大降低系统速度并增大代码空间和数据空间。本系统采用结构化的数据模型，主要的数据类型有：就是利用到达时间（TOA）、到达方向（DOA）、脉冲宽度（PW）、脉冲重复周期（PRI）、载频（RF）、脉冲调制方式（PM）等参数形成每一部待分选雷达的脉冲描述字（PDW），控制类，显示类，环境设置类。同时建立雷达系统的已知数据库和未知数据库以及对已知数据库的更新，主要应用的是类图。UML 的标准扩展把类归为三种：边界类、控制类、实体类。这三种构造型化的类从本质上来说是三层体系结构思想的体现。配置性能参数，用静态类图建立系统的静态模型。静态类图如图4。

图3 信号分选系统的用例图

定义 4 个类及类中的方法和操作：

用户类：SystemManager

边界类：ConfigUI、

控制类：ConfigWorkflow

实体类：ConfigPerformanceParaDisposal

类中衍生的表 Config Table&performanceConfigTable

图4 系统的静态类图

4.3 建立信号分选系统软件的动态模型

系统的行为模型可在系统功能和整体结构模型基本确定之后即可建立。在UML中，用来表示动态模型的图形有状态转换图、顺序图、协作图、活动图等。本文选择用活动图建立动态模型，活动图描述系统中的各种活动，实质上是一种流程图，只不过表现的是从一个活动到另一个活动的控制流。活动图描述活动的序列，并且支持并发行为和条件行为。图5给出了用活动图表达的系统动态模型。

5 结论

UML作为软件工程学的一个重要的应用工具，其分析模型的可视化和直观性得到了广泛的认同，使分析的正确性得到保障。在商业性软件的开发方面得到了广泛的应用。但在一些特定的行业的应用还不是很多，使得分选系统的软件需求，系统不同模块的功能以及系统各模块的数据关系有了一个清晰的认识。在保证软件的正确性和健壮性起到了很大的作用。由于雷达信号分选软件的特殊性和复杂性，为了成功地开发出满足要求的软件，必须有好的建模工具帮助我们对对系统功能及其数据关系有清晰，完整的认识。以UML代表的软件建模技术代表着当今软件开发的发展趋势，它势必对提高雷达软件设计的质量，推动雷达软件的開发产生重要的作用。

图5 信号分选系统的活动图

参考文献：

[1]王庆育.软件工程[M].北京:清华大学出版社,2004(7)51-71.

[2]王枫,石冰心,罗莉敏.UML建模机制研究及在系统需求分析中的应用[J].计算机工程与设计,2005(4) Vol.26 No.4

[3]Ahmad,ALsaadi.A Performance Analysis Approach Based on the UML Class Diagram[J].ACM SIGSOFT Software Engineering NotesJan.2004,Vol.29 No.1

[4]A.Bertolino, E.Marchetti, R.Mirandola. Real-Time UML-based Performance Engineering to Aid Manager's Decisions in Multi-project Planning[A]. Software and Performance [C].Proceedings of the 3rd international workshop.Jul.2002;251-261.

[5]李合生, 韩宇,蔡英武, 陶荣辉.雷达信号分选关键技术研究综述[J].系统工程与电子技术,2005(12) Vol.27 No.12.

[6]刘连柱,苗秀梅.雷达信号分选、处理方法研究[J].电子对抗,2006 No.2

[7]翁力群.雷达设计的软件系统工程结构[J].现代雷达,2006(6) Vol.28 No.6.

[8]李海.基于实时UML的雷达软件设计[J].现代雷达.2006(8) Vol.28 No.8.

[9]王辉,陆荣国,秦小麟.UML在实时软件系统中的应用研究[J].计算机应用, 2004(2) Vol.24 No.2.

[10]郑孝洋,沈安文,陈光东.用UML建模开发嵌入式软件[J].单片机与嵌入式系统应用,2006(8).

雷达信号检测 篇4

在智能交通系统中,车流量信息检测对现代交通科学管理和决策起到了重要的辅助和量化的作用,在城市道路建设、国道高速公路建设、隧道桥梁建设以及交通流的基础理论研究中占有很重要的位置[1]。目前世界上用量最大的车流量检测设备是环形线圈检测器。它利用车辆通过埋设在路面下的环形线圈引起的线圈磁场的变化获得车流量信息。此方法具有测量准确、技术成熟、成本低廉等优点。可是它的缺陷也非常明显:线圈安装、维护必须直接埋入车道,安装和维护成本很高;埋置线圈的切缝软化了路面,容易使路面受损;线圈易受到冰冻、路基下沉、盐碱等自然环境的影响,因此寿命较短,一般不超过两年[2]。

本文采用微波雷达对车流量进行检测,体积小、重量轻,能够在雨天、雾天、白天、黑夜全天候可靠工作,能同时测量多车道参数,而且安装和维护非常方便。在此基础上通过无线通信或光缆将所测量的数据发给智能交通控制中心,实现车流量的有序监控,保证城市道路交通的通畅,实现交通管理的智能化。

2 系统组成

微波车流量检测雷达采用24GHz零差型线形调频连续波(FMCW, Frequency Modulated Continuous Wave)体制[3]。系统主要由射频前端、中频处理单元和数字信号处理机三部分组成,如图1所示。射频前端发射调频连续波,并接收反射回来的回波,通过混频器之后获得能够表征道路车辆情况的中频信号。中频处理单元[4]通过对中频信号的放大、滤波等预处理之后,输出-1V～+1V之间的模拟信号给数字信号处理机,数字信号处理机通过ADC,FFT变换等处理计算和判别出目标距离,并根据汽车行驶过雷达照射区域的时间和波形的变化以及信号处理机内部定时器记录的数值计算出车流量、车速、车道占有率、车型等,并将数据通过232接口、485接口或无线模块发送给上位机。数字信号处理机还为射频前端VCO提供一个三角波控制信号。

3 数字信号处理机硬件设计

微波车流量雷达需要对多车道实时目标进行检测,必须区分出目标和背景杂波。由于接收到的雷达信号十分复杂,要求处理器必须对雷达信号做出快速及时的处理。这是典型的高速、高精度、算法复杂的运算密集型系统,普通的单片机无法完成这种繁重的运算。本文采用TI公司的TMS320VC5502(以下简称VC5502)[5]的DSP(Digital Signal Processing)芯片,使用20MHz有源晶振作为外部时钟输入,内部锁相环使用x15模式,系统主频为300MHz。

VC5502最大处理能力高达600MIPS,具有32K×16bit的片内RAM、16K×16bit的片内ROM、8M×16bit的外部存储空间、3个多通道缓冲串口(McBSP)。

本数字信号处理机以VC5502为核心,外围器件包括信号调理电路、ADC、DAC、实时时钟(RTC)、三角波放大电路、高速闪存、电源管理模块、RS232接口电路、RS485接口电路等,综合构成了一块高速数字信号处理系统。如图2所示。

3.1 信号调理和ADC接口电路

ADC芯片选用的是TI公司的12位6M采样率四路同步采样ADC芯片THS1206[6]。由于数字信号处理机输入的模拟信号来自于中频处理单元,幅度保持在-1V～+1V之间,而ADC芯片输入信号的电平为+1.5V～3.5V之间,所以在ADC芯片之前加入由低噪声放大器构成的信号调理电路将输入信号的电平转换到+1.5V～3.5V之间,以满足ADC芯片对输入信号电平范围的要求。

THS1206共有4个单端输入通道,中频信号进入CH1,而其他输入通道CH2、CH3分别接1.65V和3.3V,用于对ADC芯片自身的增益误差和偏移误差进行校正,以获得更好的转换精度。如图3所示,ADC转换器的理想增益曲线为虚线所示,实际增益曲线为实线所示。ADC的增益和偏移误差可用式1表示:

y=x×ma+b (1)

ma为实际增益,b=0为实际偏移。当ma=4095/(3.5-1.5)(理想增益),b=0时,实际增益曲线与理想增益曲线重合。通过将两个已知的参考电压(1.65V、3.3V)输入到ADC两个通道(CH2、CH3),然后计算出校正后的增益和偏移可以用来补偿中频信号输入通道CH1。这种方法的可行性是因为通道之间的误差很小。

通过对ADC控制寄存器的设置,使THS1206工作在3通道连续转换方式,自动轮流采样输入通道CH1、CH2和CH3,即CH1、CH2、CH3、CH1、CH2、CH3、CH1…。THS1206的采样转换时钟信号由VC5502的定时器输出直接提供,频率为1.5MHz。因此,通道CH1实际采样频率为500kHz。由于中频信号的最大频率为150kHz,根据Nyquist采样定理的要求,我们把中频信号通道CH1的采样频率定位500kHz是合理的。

THS1206内部集成了FIFO,采样转换值被自动写入该FIFO。通过对控制寄存器的设置,设置触发水平设为8,即每当有连续8个采样转换值写入FIFO,THS1206的引脚DATA_AV(连至VC5502的INT0引脚)向VC5502发出中断请求。这样的话,THS1206向主处理器请求中断服务的次数就大为减少。DSP响应中断后,中断服务子程序就读取FIFO中的8个采样值,并对数据进行校正后存放在DSP片内RAM中。当获得1024个采样值后,对采样信号进行FFT处理获取车流量信息。

3.2 三角波产生电路

本文采用雷达作为发射前端,雷达发射信号采用连续波调频的方式,对雷达发射信号的频率稳定度、频谱纯度、线性度和灵活性提出了很高的要求。雷达调制信号是决定雷达发射信号质量的核心部件,因此高质量雷达调制信号将是雷达良好工作的先决条件。

本文设计的为射频前端VCO提供的调制信号是幅度为2～10V,频率为2kHz的三角波信号。通过DAC直接产生三角波信号。选用TI公司的12位双路输出DAC TLV5638ID,其接口满足SPI总线。采用VC5502的MCBSP0接口与DAC相连。VC5502通过MCBSP中断,每秒向DAC发送400k条电压指令,其中每200条指令构成一个三角波周期,从而获得2kHz的三角波信号。

由于通过DAC获得的三角波信号幅度较小(0.5V-2.5V),而且呈现阶梯状,高频分量比较大,所以在DAC之后加入了一个二阶低通滤波器电路和放大电路,如图4所示。由于三角波信号的频率为2kHz,它的7阶和8阶分量已经很小了,为了尽可能地保证输出的三角波信号波形不变,而且减少DAC输出阶梯信号的高频分量,通过调整滤波器两个电阻和电容,使得滤波器的截至频率为20kHz。放大电路设置为增益为4,从而获得2～10V 2kHz的三角波信号。

3.3 DSP外部存储器接口

由于VC5502内部没有集成可以存储程序的Flash存储器,为了使信号处理机能够脱机运行,需要把程序代码写入外部存储器。通过设置DSP的GPIO[2∶0]引脚的电平,可以配置不同的上电自举方式[5],如表1所示。本文采用直接EMIF从外部16位的FLASH上进行自举。DSP上电后,会直接从CH1空间的FLASH进行BOOTLOADER。选用SST(Silicon Storage Technology, Inc)公司的512K*16bit、访问速度为70ns的 NOR FLASH: SST39VF800A。FLASH的16位IO接口与VC5502的D0～D15相连,地址总线A0～A19接VC5502的A2～A21;片选信号接VC5502的CE1。

系统运行需要用户提供车道数、门限值、频点、保存时间间隔等用户信息,这些信息保存到数据Flash里面。系统还定期将交通流量信息保存到数据Flash里面,以备日后查询。选用的SST的2M×16位NOR Flash:SST39VF3201。数据FLASH的16位I/O接口与VC5502的D0～D15相连,地址总线A0～A19接VC5502的A2～A21;地址线的高位A22接GPIO3。这样虽然VC5502的地址线只有20位,通过对GPIO3的设置仍然可以访问21位地址线的I/O空间。片选信号接VC5502的CE3,数据Flash占用CE3空间。

4 DSP信号处理流程

车流量检测算法的核心思想是利用DSP芯片对ADC采样的信号进行频谱分析,在频域上进行杂波的消除算法,将有车辆通过时的频谱与无车辆通过的频谱进行频域相干[8],再根据频谱幅度的位置判断车辆所属车道,分别纪录车辆通过的次数。

整个DSP软件的工作流程[9]如下:首先进行系统初始化,对有关寄存器和存储单元进行设置,使系统处于正常工作状态;然后从数据FLASH中读取系统参数;接下来进入DSP软件的核心部分:一个主循环。在主循环中,首先对中频信号进行A/D采样,获得1024个有效数据;然后对数据进行频谱分析,根据频谱判断是否有车通过,如果有车则根据频谱的最大谱线强度对应的频率计算车目标离雷达的距离,进而分析出目标所在的车道;然后进行车流量统计和车道信息发送;然后查询串口接收缓冲区有无上位机发过来的命令帧,若没有的话继续执行主循环;若有,则从串口接收缓冲区中读取命令并执行(如连接雷达、设置雷达参数等命令),然后继续执行主循环。整个DSP的信号处理流程如图5所示。

5 结束语

我们课题组于07年在上海南浦大桥做了长时期的测试,表2给出了微波车流量检测器测试结果与通过视频图像进行人工手动测量的真实车流量之间的比较。从表中可以看出,各时段各车道的车流量准确率均超过95%。在长达3个月的测试中,数字信号机一直稳定可靠。

本文设计并实现的微波车流量检测雷达的数字信号机,以定点DSP芯片TMS320VC5502为核心,辅以ADC、DAC、FLASH等外设,构成了一个加电能自举引导的实时信号处理系统。实验表明,采用本数字信号机,系统的稳定性和准确率相对于现有的车流量检测雷达而言都有了显著的改善,它的准确性和可靠性达到了预期的目标,基本满足实际应用的要求,具有广泛的应用前景。

摘要：针对微波车流量检测雷达的要求,设计并实现了基于DSP芯片TMS320VC5502的数字信号处理机,对车流量检测雷达系统接收到的回波信号进行实时采样和分析计算出道路车流量。实验表明:该系统稳定可靠,满足智能交通系统对车流量检测器的要求。

关键词：数字信号处理机,微波车流量检测雷达,智能交通系统

参考文献

[1]裴玉龙,王富,李宏萍.现代检测技术在城市快速路交通流特性研究中的应用.ITS通讯,2004,(3):17~22

[2]孙亚,皮晓亮.环形检测线圈采集信息数据预备技术的研究与应用.第一届中国智能交通年会论文集,2005,237~243

[3]丁鹭飞,耿富录编著.雷达原理.西安:西安电子科技大学出版社,1995.

[4]盛怀茂,李玉芳,夏冠群等.FMCW毫米波雷达中频滤波器的研究.红外与毫米波学报,2001(6):472~476

[5] TMS320VC5502 Fixed-Point Digital Signal Processor(Literature Number:SPRS208),Texas Instruments.2004.

[6] Designing With the THS1206 High-Speed Data Converter(Literature number SLAA094),Texas Instruments,2000.

[7]王剑峰,马艳萍,刘云.MCBSP在语音信号处理中的应用与实现.微计算机应用,2006,27(5):251~349

[8] XUE Wei,SUN Xiao-wei Target Detection of Vehicle Volume Detecting Radar Based on WIGNER-HOUGHTransform,Journalof Electromagnetic Waves and Applications,2007(11):1513~1523

检测曲线 雷达原理大作业 篇5

姓 名： 杨宁 学 号：14020181051

专 业： 电子信息工程 学 院： 电子工程学院

swerlingI

一、基本原理：

（1）第一类称SwerlingⅠ型, 慢起伏, 瑞利分布。

接收到的目标回波在任意一次扫描期间都是恒定的(完全相关), 但是从一次扫描到下一次扫描是独立的(不相关的)。假设不计天线波束形状对回波振幅的影响, 截面积σ的概率密度函数服从以下分布:

1p()e式中，σ为目标起伏全过程的平均值。式(5.4.14)表示截面积σ按指数函数分布, 目标截面积与回波功率成比例, 而回波振幅A的分布则为瑞利分布。由于A2=σ, 即得到

Ap(A)2A0A222A01（2）第二类称SwerlingⅡ型, 快起伏, 瑞利分布。

目标截面积的概率分布为快起伏, 假定脉冲与脉冲间的起伏是统计独立的。

（3）第三类称SwerlingⅢ型, 慢起伏, 截面积的概率密度函数为

p()2exp24这类截面积起伏所对应的回波振幅A满足以下概率密度函数(A2=σ):

且有σ=4A20/3。

（4）第四类称SwerlingⅣ型, 快起伏。

3A29A3p(A)exp22A042A0第一、二类情况截面积的概率分布, 适用于复杂目标是由大量近似相等单元散射体组成的情况, 虽然理论上要求独立散射体的数量很大, 实际上只需四五个即可。许多复杂目标的截面积如飞机, 就属于这一类型。

第三、四类情况截面积的概率分布, 适用于目标具有一个较大反射体和许多小反射体合成, 或者一个大的反射体在方位上有小变化的情况。用上述四类起伏模型时, 代入雷达方程中的雷达截面积是其平均值σ。

本次主要对swerling I型目标的检测概率曲线进行仿真。

二、仿真设计：

Swerling I 型目标的特点是目标回波在任意一次扫描期间都是恒定的（完全相关），但是从一次扫描到下一次扫描是独立的（不相关的）。下面在虚警概率为1e-8的情况下仿真其检测曲线，结果如下图所示：

三、源程序：

主函数部分：

clear all SNRdB=-10:0.5:20;SNR=10.^(SNRdB/10);N=10;i=1;Pd1(i,:)=Pd_swerling1(N);

这个函数用来得出Pd的表达式。

function Pd=Pd_swerling1(N)SNRdB=-10:0.5:20;SNR=10.^(SNRdB/10);%信噪比 n=length(SNR);Pf=1e-8;

T=threshold(Pf,N);%调用threshold(Pf,N)计算门限

Pd=(1+1./(N*SNR)).^(N-1).*exp(-T./(1+N*SNR));这个函数用于迭代得出门限。

function T=threshold(Pf,N)

Nf = N * log(2)/ Pf;

sqrtPf = sqrt(-log10(Pf));sqrtN = sqrt(N);

T0=N-sqrtN+2.3*sqrtPf*(sqrtPf+sqrtN-1.0);%递归初值 T=T0;delta=10000;eps=1e-8;

while(abs(delta)>= T0)igf = gammainc(T0,N);num=0.5^(N/Nf)-igf;temp=1;

for i=1:N-1;%由于N取大值时计算易发散，所以将阶乘（N-1）！分解计算

temp1=T0/i/exp(1);temp=temp*temp1;end deno = exp(-T0+N-1)*temp;

雷达信号检测 篇6

关键词：路桥检测 地质雷达技术 应用 误差分析

中图分类号：F407 文献标识码：A 文章编号：1674-098X（2015）06（c）-0000-0090-01

所谓的地质雷达检测技术其实指的是一种具有精度高，与此同时还可以快速成像的高科技技术之一。归纳的说，其实这项技术主要就是借助地质雷达根据所要检测的物体属性发射与之对应的电波，不仅如此，还可以适当的接收部分对该物体加以判断的发射波。经过多年来的努力研究以及在各个领域中的广泛应用，地质雷达检测技术作用十分显著。

1 地质雷达技术的发展状况以及勘测误差分析

1.1 发展状况

如果仅仅论地质雷达概念的提出可以追溯到20世纪10年代，然后在人们对其不断加强研究的过程中得到越来越为迅猛的发展，而且涉及到的领域也是越来越广泛。但是值得我们注意的是，由于雷达所发射出的电波稳定性较差，外加比较复杂，这样一来就会对地质环境造成很大的破坏。鉴于此，一直到20世纪70年代后，随着各种电子技术的兴起与发展，雷达技术的应用领域也随之广泛起来，并于80年代终于使得第一台雷达设备问世。自从这台雷达设备的出现，广大研究学者产生极其浓厚的兴趣，并在未来的时间里取得了一些重大突破，其中以成像技术为代表，这样一来就可以在很大程度上提高了它的分辨率，大大帮助到了路桥检测。

1.2 地质雷达产生误差分析

就这一点上来看，主要表现为：（1）反射信号时间差。通过调查发现，要想十分准确地对反射信号时间差进行记录，我们首当其冲需要做的就是根据实际需要确定计算时间的起点。话虽如此，但是我们要是将探地雷达的触发点（反射信号的）看作是物理时间的起点位置依然会存在一些问题。首先，直达波信号和地面反射信号的干扰如果比较强烈的话，会使整体记录面貌变坏，这样一来就会在一定程度上影响增益设置以及自动增益的使用效果。除此之外，天线的位置通常情况下都会随着路况的不同而出现起伏颤动，在这个时候我们要想准确无误的识别地面反射点的位置并非易事。鉴于此，要想尽可能的提高起始零点的标定精度，我们最为常用的做法就是将地质雷达配备自动调零设置，设同时将时间起点移到地面反射信号位置。

2 在公路检测中的实际应用

通过以往大量的应用结果表明，公路路基在通常情况下会由于含水量过高、承载力较低、压实度无法达标等综合原因，会在很多时候造成路基产生过量沉陷，这样一来就会形成空洞或者暗穴，情况严重的话局部还会产生滑坍等。另外，还会因为公路结构层透水性差而造成局部出现集水现象。如果是这样的话就会产生软弱体等病害。通过多年的实践情况看来，形成公路病害的原因是多种多样的，有本身质量所导致的，也有自然风化或者是外界作用产生的。有一点值得注意的是，路基和路面问题通常是结伴而行的，而并非独立存在，因此在调查公路病害的过程中，查明“病因”显得尤为重要。以下就是地质雷达技术在路桥检测中的几种主要应用。

2.1 检测公路基层与路基损坏程度

通过实践表明，如果检测出基层及路基损坏的区段较多的话，在雷达资料上的结构层会表现为界面反射凹凸不平，反射波出现一定程度的扭曲。虽然说该段基层反射波起伏比较小。但连续性在通常情况下不是十分好的。如果发现路床反射非常微弱，但反射起伏程度比较大，这就可以从侧面说明路基及基层已遭受外界的破坏。

2.2 检测公路路面裂纹

通常而言，裂纹在高速公路病害异常中是肉眼难以捕捉到的。我们可以根据雷达探测原理可得出以下结论：频率越高，探测越浅，分辨率也会随之越高，反之亦然。从这一点上来看，雷达探测在通常情况下可有效解决浅层部位的裂纹异常现象，如果是深部的裂纹我们最好的办法就是采用超声波探测法。主要表现为向两边分散的产生一定角度的同相轴。

3 地质雷达技术在修建桥梁工程中的实际应用

通过多年的实践表明，地质雷达技术在桥梁修筑中的应用主要表现为以下几个方面。

3.1 地质雷达应用于桥梁施工前的地质勘察

换言之，就是可以通过这种地质雷达来有效检测出地质条件，从而发现一些溶洞、夹泥层以及裂缝等所谓的不良地质体，这样一来就可以很好的提醒施工单位进行安全施工做好充足的准备，比方说某一个桥梁沉降检测中，发现该桥梁竣工通车之后在很短的时间里有部分桥面出现了不同程度的下沉，在这个时候我们应用地质雷达就很容易的发现这是由于地层的底部位置存在较多的裂缝带以及溶洞。

3.2 地质雷达应用于桥梁施工过程中

通过多次的实践发现，在桩基施工之前我们可以通过雷达来有效的检测出基地的实际地质情况，并且在第一时间内发现溶洞或者夹泥层等一些不良现象后迅速的予以处理，从而保证施工质量能够达到设计要求，比方说在LTD2100+GC400兆赫的检测过程中，施工人员可以在基底位置布置两条测线（具体是安置在哪个位置依据实际情况而定），然后可以沿着边线紧紧贴住移动地面天线进行检测。经过正确的操作过后发现在基底下方的3m处存在较为强烈的反射信号，工作人员挖开后果然是夹泥层，这就证明了雷达检测结果的准确无误。

3.3 在桥梁建筑竣工后进行验收以及维护中的应用

我们可以发现，在竣工后我们可以通过地质雷达技术正确的检测出钢结构的水平以及垂直分布情况，与此同时还能够发现桥梁结构的内部存在哪些不足之处等，如果一旦发现钢结构分布情况与设计资料当中的路面厚度不相符合，或者是施工与运营过程中所导致的内部缺陷等相关问题后，施工单位可以派遣专职人员在第一时间进行处理，从而最大限度地减少人力、物力、财力的重大损失，保障桥梁为人们出行提供便利。

4 结语

综上所述，随着地质雷达技术的快速发展，因其自身所具备的独特性，已经应用到了社会的各个领域，比方说在工程施工过程中，可以勘测该工程的地质情况等。除此之外，我们必将会在今后对这项技术不断进行研究和实践的基础上加以完善，这样一来就可以更加方便地借助更多较为先进的技术，来提供更加扎实的技术保障，从而推动地质雷达技术的进一步发展，为路桥检测做出重要的贡献。

参考文献

[1]陈兆峰.关于路桥检测的地质雷达技术的研究[J].建筑工程技术与设计，2014（17）.

[2]王庆明，王友星.用于路桥检测的地质雷达技术[J].城市建设理论研究：电子版，2013（22）.

[3]郑建锋.用于路桥检测的地质雷达技术[J].科技传播，2011（3）：218.

雷达信号检测 篇7

关键词：高速A/D,DSP,FPGA,低信噪比

我国目前的海事雷达大多为进口雷达, 有效探测距离小, 在信噪比降为3 dB时已经无法识别信号。随着微电子技术的迅猛发展, 高速A/D (模拟/数字转换) 和高速数字信号处理器件 (Digital Signal Processors, DSP) 、高速现场可编程逻辑器件 (Field Programmable Gate Array, FPGA) 的出现, 可以在不增加现有雷达发射功率和接收灵敏度的前提下, 在信噪比降为3 dB时能测到雷达信号, 使雷达的有效作用距离提高。本文主要介绍基于DSP和FPGA技术的低信噪比情况下雷达信号的检测。

1 设计思想

本技术的设计思想主要是通过对接收到的雷达信号进行高速A/D采样, 然后利用DSP和FPGA芯片对采样后的信号幅度和轮廓进行判断, 以实现低信噪比条件下雷达信号的识别, 从而还原出有效信号。系统原理框图如图1所示。

2 系统的硬件设计

2.1 高速A/D设计

大部分雷达信号为射频脉冲信号, 常用的工作频率范围为2～18 GHz, 脉冲持续时间在几十纳秒到几百微秒。假设检测信号脉宽为150 ns, 根据奈奎斯特采样原理, 必须选用高速的A/D转换器才不使信号丢失, 实际实现需尽可能地多采样数据, 才有利于信号幅度和轮廓的识别。经综合考虑, 决定每隔8 ns采样一个数据, 150 ns可采样18个数据, 选用125 MHz的高速A/D转换芯片MAX19541, 数据采样位数为12位。MAX19541经过优化, 在高于300 MHz的高IF频率时具有优异的动态性能。MAX19541采用1.8 V单电源工作, 转换速率高达125 MSPS, 功耗仅为861 mW, 差分模拟输入可以是交流或直流耦合。该器件还具有可选的片上2分频时钟电路, 允许高达250 MHz的时钟频率。这有助于降低输入时钟源的相位噪声, 从而获得较高的动态性能, 同时采用差分的LVPECL采样时钟, 可以获得最佳性能。MAX19541数字输出为CMOS兼容, 数据格式可选择2的补码或偏移二进制码, 可工作在并行模式, 以采样速率从单个并行端口输出数据;或工作在demux并行模式, 以1/2采样速率从两个单独的并行端口输出数据。MAX19541的这些优异性能不仅满足高速采样的要求, 并且外围器件少, 与后级芯片接口简单, 无需电平转换。

2.2 FPGA设计

FPGA芯片主要实现数据缓存和电平判断功能, 其核心问题为基于用双端口块存储器 (Block RAM) 的FIFO模块设计和电平判断检测设计。

由于接收机设计的目的是准确实时地处理输入数据, 高速A/D的输出必须由高速数字电路处理, 否则数字化后的数据就会丢失, 或者系统只能工作在非实时模式, 所以这些处理方法的计算速度则是目前最为关心的问题。为了能够及时处理高速采样 (8 ns) 数据, 不丢失数据, 后继数字处理器件FPGA处理芯片必须选用工作速度高于8 ns的芯片, 这里选用了Xilinx公司的SPARTAN XC3S200。Spartan-3 FPGA采用90 nm技术, I/O管脚都支持全SelectIO-Ultra功能, 实现了快速、灵活的电接口, 足够多的I/O管脚可分别与前级的12位高速A/D转换芯片、后级的DSP处理器相连。该器件具有SRL16移位寄存器逻辑和分布式存储器, 能够满足高速大容量的数据缓存和判断处理的需求。

FPGA芯片的数据缓存功能基于用双端口块存储器 (Block RAM) 的FIFO模块设计, 容量为负责存储高速A/D转换器转换过来的并行12位数据, 供DSP进行数据处理。系统的工作时钟是65 MHz, 在实现该模块时, 调用COREGenerator来生成FIFO, 通过FPGA中的专用双端口块存储器资源, 生成的FIFO模块, 其存取速度可以达到100 MHz以上, 完全满足实际使用的需求。

FPGA芯片的电平判断检测功能在后面的FPGA检测方法中有详细说明。

2.3 DSP设计

DSP处理器负责电平判决门限的运算处理, 选用TI公司的TMS320F2812芯片。TMS320F2812提供了强大的计算能力, 最高运行速度可达150 MIPS, 具有处理性能更强, 外设集成度更高, 程序存储器更大等特点。TMS320F2812包含了多种芯片, 可提供不同容量存储器和不同外设, 以满足各种应用的要求。TMS320F2812芯片通过外部地址与数据总线与FPGA处理芯片相连接。DSP处理器不断从FPGA芯片的FIFO中读出A/D转换后的雷达接收数据, 经过运算处理得出噪声的均方根值, 再计算出雷达信号的判决门限值写入FPGA芯片的电平接收寄存器中, 以进行有用信号的判断处理。

3 系统的算法设计

该检测方法的难度在于噪声均方根值的计算和信号判决门限值的确定。

3.1 噪声均方根值的计算

为了确定噪声的均方根值, DSP处理器需要计算大量的数据, 以使计算结果尽可能接近真实噪声值。通过计算噪声的1 024个点来计算噪声的平均值, 噪声的采样点越多, 计算出来的噪声平均值起伏越小, 同时也越精确。设单个噪声值为Ai, 噪声平均值为X, 噪声均方根值为Y, 则:

$\begin{array}{l}X=(A{}_1+A{}_2+A{}_3+\cdots +A{}_{1024})/1024(1)\\ Y=\sqrt{\frac{(A{}_1-X){}^2+(A{}_2-X){}^2+\cdots +(A{}_{1024}-X){}^2}{1024}}(2)\end{array}$

部分程序如下:

3.2 信号判决门限值的计算

信号判决门限值的计算也是信号检测最关键的部分, 首先根据信噪比为3 dB, 算出雷达信号大概是噪声信号的1.41倍。既要检测出有用的雷达信号, 又要避免将噪声误判为信号, 如果门限选得很高, 则虚警概率很低, 但接收机的灵敏度也会降低, 这是不能接受的, 通常情况下, 每隔几十秒报告一次错误的信息是可以接受的, 接收机后的信号分类处理器会将其滤除掉。同时实际上只通过单一门限判断雷达信号的效果无法令人满意, 根据大量的试验数据确定了两级检测门限, 即信号的第一检测门限定为1.3倍的噪声均方根值, 信号的第二检测门限定为1.5倍的噪声均方根值, 这样既利于DSP的快速计算处理, 又省去了耗费很多时间的复杂傅里叶计算, 而且倍数可根据信噪比的不同进行调整。设信号的第一检测门限为Zl, 信号的第二检测门限为Zh, 则:

$\begin{array}{l}{\rm Z}{}_{\text{h}}=1.5Y+X(3)\\ {\rm Z}{}_{\text{l}}=1.3Y+X(4)\end{array}$

4 雷达信号的FPGA检测方法

DSP处理器计算出雷达信号的判决门限值, FPGA芯片根据门限值从高速A/D转换器的转换结果中提取出雷达信号, 检测方法有两种。

4.1 多样本检测方法

多样本检测方法即从N个连续样本中判断至少有L个样本必须超过门限, 满足信号判决门限值的要求。

首先FPGA芯片存储了大量的采样数据, 根据DSP处理器计算出的门限值, FPGA芯片不断检测A/D转换后的数据是否大于信号的第一检测门限Zl, 如果满足要求, 则判为有效信号开始, FPGA芯片对A/D转换的连续18个数据进行判断。在18个数据中, 如果有7个数据都大于信号的第一检测门限Zl, 则继续判断是否至少有3个数据大于信号的第二检测门限Zh, 有则判断为检测到雷达信号, 无则继续检测。实行双重门限检测是为了判断有用信号的开始和二次过滤噪声。

4.2 概率密度检测法

雷达信号检测的另一个方法是概率密度检测法, 它根据150 ns需采样的18个数据, 通过FPGA芯片不断计算连续18个数据点的输出和, 并将结果除以18, 与门限值 (Zh) 进行比较, 计算和大于这一门限值, 则判断为有信号, 否则判断为无信号。

5 虚假信号的滤除

接收过程中会遇到幅度较大的大噪声, 如果不做虚假信号的滤除, 将有可能把它误判为一个有效信号。为了滤除此类噪声, 对检测出的信号还要继续进行过滤处理, 根据有效信号的前后时间段应对噪声 (低电平) 进行判断, 如果有效信号的前后时间段检测为高电平, 则将该检测信号判为大噪声。具体实现方法如下:FPGA芯片在检测到的信号前后各取6个A/D转换的数据, 如果6个数据中有1个数据满足信号的第二检测门限Zh, 则判断检测到的信号为虚假信号, 需滤除。

6 结 语

试验证明上述FPGA的两种检测方法都可对信号进行有效检测, 当只存在噪声时, 接收机不产生虚假的信号;当输入单个信号时, 接收机输出单个检测信号, 不产生多余的虚假信号;当输入多个信号时, 接收机则输出多个检测信号, 有效实现了低信噪比情况下雷达信号的检测。

数字化的处理方法使得对各种信息的处理更具有灵活性、准确性和功能可扩展性, 对数字化的信息进行存储、传输、处理也更加方便、快捷和可靠。所以基于数字化技术的信息处理是必然的发展趋势, 具有广阔的应用前景。

参考文献

[1][美]James Tsui.Digital Techniques for Wideband Receivers[M].2版.北京:电子工业出版社, 2002.

[2]张明友, 吕明.信号检测与估计[M].2版.北京:电子工业出版社, 2005.

[3]刘雁行, 汪学刚.基于ADSP-TS101的雷达动目标检测模块设计[J].现代电子技术, 2007, 30 (5) :66-68.

[4]MAX19541EVKIT-MAX19542EVKIT.pdf, Rev1, 2007.http://www.maxim-ic.com.cn/pdfserv/en/ds/MAX19541-EVKIT-MAX19542EVKIT.pdf, .

[5]万山明.TMS320F281x DSP原理及应用实例[M].北京:北京航空航天大学出版社, 2007.

通信信号对雷达信号干扰的分析 篇8

1 通信信号概述

1.1 通信信号概念

通信信号指通信中传输的图像、语言、文字等信息的传递信号。现代通讯一般以正弦信号电磁波的方式进行, 都以电磁波的方式进行传递, 发射电磁波的设备携带着接收方所需要的信息, 有时候直接到达接收方, 有时候这要经过许多的中转才能到达接收方。其通信信号的传递是经过不同的通信基站和设备进行传输的, 会连续性的产生信号波[1]。

1.2 通信信号模型建立

目前, 通信多以数字化设备进行, 其数字通信信号包括调幅、调频、调相三种基本调制形式。幅度键控ASK是线性调制, 频率键控FSK及相位键控PSK是非线性调制。因为表征信息的频率与相位的调整变化只有有限的离散值。因而, 可以进行频率键控FSK和相位键控PSK的简化, 作为幅度键控ASK信号处理。

2 特征子空间投影分析法

2.1 特征子空间理论的概念

特征子空间的降维效果和稳健性的出来能力在波束形成、DOA估计、超分辨处理等方面得到了广泛的应用。在通信基站密集的区域, 雷达信号会受到很大的影响, 当在脉压雷达强干扰的接收环境下, 接收的矢量中包括雷达回波信号和通信干扰信号[2]。

2.2 特征值的个数选取

在实际操作中, 输入为带限干扰, 无法准确的掌握大特征值的个数, 因而, 合理的选择大特征值的个数是必须考虑的问题, 如果特征值个数选择不够, 则会对干扰抵消不彻底;而选择过多, 则会将必要的信号对消。实际操作中可选择相邻的特征值的变化进行个数的选择, 其需要满足公式:i/i+1>i+1/i+2其中i=1, 2, 3....;M-2。

对于信号功率, 输入干扰功率越大, 那么对应的特征值也越大, 前面的特征值与后面的特征值的差距增大, 则确定感染子空间的维度就更容易, 且抑制干扰效果会更佳。

2.3 仿真结果分析

如果LFM信号的中心频率为F0=0MHz, 带宽B=10MHz, 时宽为T=10us。噪声是高斯白噪声, 输入不同的干扰功率时, 特征子空间的投影方法干扰抑制效果存在不同[5]。协方差矩阵特征值进行分解后, 代表干扰的特征值和代表信号及噪声的特征值相差较大时, 可以很容易很精确的选择出前面r个大特征值, 相反, 则不容易区分出大特征值和小特征值, 如果受到通信信号的干扰功率越大, 该方法对消效果则更佳, 干扰功率小则抑制效果不理想。

3 最小二乘法分析法

3.1 最小二乘法的思想

根据频率检测仪提供的信号带宽内干扰的频率范围, 在满足频率采样定理的条件下, 均匀的选择不同的离散频点, 作为不同通信信号干扰估计的频率值, 每一个频率信号幅值用最小二乘法进行计算。假设干扰的频率范围是[fmin fmax], 那么每一个离散点的频率为:

fn=fmin+nF0, 其中F0是频率间隔, n=1, 2, 3...N

3.2 离散频点的选择

频率采样的间隔越小, 则N的值越大, 那么最终的数字精确度越高, 在实际中, 误差和频率的采样率有关, 离散点越多, 则误差越小。另外, 在同一频率的采样点数时, 如果输入的带限干扰的功率越大则抑制效果会不佳[3]。对于小功率的通信信号干扰, 此法有效。

3.3 仿真结果分析

如果雷达发射LFM连续波, 则信号的中心频率为F0=0MHz, 带宽B=12.5kHz, 时宽为T=10us。输入的干扰取值范围为0.8到0.9间的倍数信号带宽处的带限干扰, 雷达信号功率和通信信号在内噪声的干扰下, 影响较小[4]。

参考文献

[1]吴少鹏.雷达抗干扰效能评估理论体系研究[J].雷达与对抗, 2011, 23 (6) :10-11

[2]潘超.雷达抗感染效能评估准则与方法研究[D].成都电子科技大学, 2010

[3]杨丹丹.雷达干扰一体化设计的共享信号研究[J].江南大学, 2010 (25) :103

[4]李明.运动平台雷达信号相互干扰研究[J].现代雷达技术, 2011, 36 (6) :56-57

雷达信号检测 篇9

关键词：L波段雷达,信号干扰,影响,对策

1996 年, 我国开始研究和发展新的L波段二次测风雷达- 电子探空仪系统, 2002 年, 我国第一部L波段高空气象观测系统在北京观象台正式投入业务使用。随着新一代高空气象观测系统在我国高空气象观测台站全面推广应用, 目前该系统作为中国气象局大气监测自动化的一部分, 将极大地提高我国高空气象观测资料的质量, 具有体积小、可靠性高、操作便捷等特点。但在实际探测工作中容易受到外界信号干扰, 出现飞点、丢球、旁瓣抓球、信号消失等现象, 因此笔者结合实际工作经验, 就信号干扰对L波段雷达信号接收的影响进行分析, 并提出相应的对策, 以供高空探测工作参考借鉴。

一、信号干扰的影响分析

雷达的基本任务是探测目标的距离、方向、速度等状态参数, 主要由天线、发射机、接收机和显示器等部分组成。发射机产生足够的电磁能量, 经过转换装置, 经过天线将特定频率的电磁波辐射至大气中, 主要在某一方向上形成电磁波束, 向前传播, 到遇到目标后, 电磁波被反射, 其中一部分电磁波能量被反射, 被天线接收, 通过收发转换装置, 将接收到的信号转换, 在屏幕上显示。在传播过程中, 电磁波会随着传播距离而衰减, 同时由于外界具有相似频率的电磁波也会被雷达接收, 因此会导致接收到的有用信号减弱甚至被干扰信号覆盖, 影响雷达的工作效率及正确性。

L波段雷达工作频率为1 669MHz~1 681 MHz, 范围较宽, 因此较容易接收到处在L波段雷达正常工作频率波段内的其它电磁波, 当这些强信号干扰进入接收系统, 常会覆盖主信号, 或影响信号正常接收, 干扰主信号的接收与处理, 使探空飞点增多、斜距跟踪不上, 旁瓣抓球、丢球等异常现象发生。这些现象通常发生在气球施放初期或低仰角时期, 每次持续两三分钟, 甚至十几二十分钟。信号干扰导致记录失测或重放球, 因此正确应对信号干扰, 确保正确信号的接收对高空探测工作具有重要意义。

二、信号干扰的对策

(一) 信号干扰导致探空飞点增多

L波段雷达信号探测温、压、湿数据, 从而得到温、压、湿曲线。但出现信号干扰时, 往往会导致探空飞点增多, 测得的数据与实际偏差较大。此时应将频率按钮置于“手动”位置, 将雷达频率进行偏调, 即在合理范围内, 通过分析接收到的干扰信号的频率, 将雷达接收频率适当调高或者降低, 以保证工作信号的正常接收, 同时删除飞点, 修正温、压、湿曲线。

(二) 信号干扰导致丢球

当强干扰信号被雷达接收, 会淹没主信号, 造成雷达自动跟踪失败, 导致记录失测甚至重放球, 即信号干扰会造成丢球。此时应立即手工调节频率至1 675 MHz, 再将“天控”置于手动状态, 摇动雷达天线至丢球前的方位和仰角位置, 此时将“天控”置于自动状态, 通常即可将丢球找回, 若一次不行, 重复上述方式继续寻找, 直至信号正常追踪为止。找回丢球后, 调节频率使得增益指示最小, 同时删除飞点, 并修改温、压、湿曲线。

(三) 信号干扰导致旁瓣抓球

新一代L波段高空气象探测雷达的无线电波瓣宽度只有6o, 稍有不慎即会产生旁瓣抓球, 当有干扰信号时, 信号干扰会导致天线旁瓣抓球, 造成假定向, 旁瓣抓球会导致雷达的探测距离缩短较大, 探测的数据与实际值不相符。此时应根据最后一组正确“方位、仰角”数据, 摇动天线在附近区域搜索, 直到四条亮线平齐, 调整距离按钮, 使凹口回到竖线中间, 当红灯警报不闪, 天高和探高一致, 信号变得更清晰, 表明雷达已经正确跟踪探空仪, 最后将“天控”置于自动状态。同时当出现旁瓣抓球时也可点击“天线扇扫控制”按钮, 使雷达自动调整天线恢复到主瓣跟踪状态。

随着科技的不断发展, 不同频段的信号越来越多, 信号对L波段雷达的正常工作影响也越来越大, 导致探测系统工作时出现飞点增多、丢球、旁瓣抓球等异常现象。探空工作人员应在平时的工作中多观察、学习, 分析不同异常现象下如何处理, 及时采取措施, 确保高空探测工作顺利、准确的进行。

参考文献

[1]罗成.影响L波段雷达丢球的原因分析及应对处理[J].农业气象, 2015, (9) .

雷达测速信号的BP网络识别 篇10

近年来,人们对神经网络的研究已广泛兴起,神经网络在信号处理领域中的应用极为引人注目。由于神经网络是根据现代神经生理学和认知科学对人类信息处理的研究成果提出来的。他是模拟人的大脑来实时地处理信息,因而具有很强的自适应能力、容错能力和非线性并行处理能力,神经网络的这些特征[1]为其应用奠定了基础。随着神经网络本身的发展和完善,神经网络己应用到信息处理的各个方面,如语音识别、图像处理、信号的分类、自适应均衡、自适应噪声对消、自适应波束形成、自适应编码、非线性滤波、功率谱估计、信号重构等,使信息处理带上智能的特点。

目前,在人工神经网络的实际应用中,绝大部分的神经网络模型是采用BP网络和他的变化形式,他也是前向网络的核心部分,体现了人工神经网络最精华的部分。本文提出一种用BP(Back Propagation)网络实现对雷达测速[2]的三类信号进行识别分类的算法。

2 BP网络

(1) BP网络模型结构为多层网络结构,不仅有输入节点和输出节点,而且有一层或多层隐节点,如图1所示。

(2) BP网络传递函数一般为(0,1)S型函数:

$f(x)=\frac{1}{1+e{}^{-x}}(1)$

(3) 误差函数:对第p个样本的计算公式[3]为:

$E{}_p=\frac{{\displaystyle \sum _t(}t{}_{pt}-{\rm O}{}_{pt}){}^2}{2}(2)$

其中,tpt,Opt分别为期望输出和网络的计算输出。

3 信号的分析与处理

信号来自一部测速雷达获得的三种目标的回波信号,三种目标分别是行人W、自行车B和卡车T,信号中包含目标的速度信息。

根据获得的三类信号的样本,每个样本中均包含1 024个数据,由于每一个样本的数据量较大,不可能将所有1 024个数据全都作为神经元的输入,计算量太大,所以必须首先对信号进行分析,提取最有价值的特征信息。

首先可以看看每一个样本中的数据图,以行人信号中的第一个样本为例,如图2所示。

从图2的时域数据基本上观察不出规律,因此要对数据进行傅里叶变换,从频域分析数据的特征。频域分析表明,行人的数据的频谱的幅度很小,原因是因为信号在零点处的值特别大,所以要将在零点处的值去掉,得到的数据如图3所示。

这时可以观察到信号的一些特征,从图中发现信号的频谱图是基本对称分布的,而且信号的峰值也很大,可以对他首先进行归一化,如图4所示。

同时将自行车和卡车的频谱图来做比较,可以观察到信号都有明显的峰值,但是出现的位置不同,另外,信号的均值和方差明显不同。但是考虑到雷达所测数据中,会有一些速度反常规的游离数据,所以考虑采用受游离数据影响小的平均绝对值偏差来代替样本方差作为输入特征。同时,以数据的样本中位数作为输入特征来减少游离数据的影响。根据这些特征进行提取来作为输入。

4 信号特征提取

(1) 取信号归一化后的均值作为一个特征量。

(2) 取信号归一化后的平均绝对值偏差作为一个特征量。

(3) 取信号归一化后的样本中位数作为一个特征量。

(4) 由三幅图的比较可以发现,信号的每两点之间的起伏程度也不尽相同,所以可以设定一个特征量,来记录信号两点间的起伏程度的大小。

(5) 信号在经过归一化后,可以将信号全部的值加起来,用这个总的值来作为一个特征量。

除了上述的特征,还有很多特征可以提取,但是特征越多,需要的输入神经元越多,依照隐层神经元约为输入神经元的两倍的原则,隐层的神经元也将越多,则网络训练的时间将花费很大。所以,本仿真实验只提取了上述特征中的(1),(2),(3),其流程如图6所示。

5 算法与实现

根据提取的特征的维数,来决定输入神经元的个数。因为提取的3个特征的维数分别为8,1和1,所以输入神经元的个数为10。输出神经元的个数定为3个,考虑到被识别的三种信号分别对应三个输出,虽然用两个神经元就可以表示三种输出状态,但是用三个神经元能更好地分辨,减少出错的概率。至于隐层的神经元个数则按照约为输入神经元个数的两倍的原则[4],设为20个。当然还可以在调试过程中根据输出的识别率来一个一个找到较为合适的个数。

由BP算法非线性函数S型函数为:

$f(x)=\frac{1}{1+e{}^{-x}}(3)$

各输入层的神经元的输入为:

$X{}_{{\rm P}}=\{x{}_{p1},x{}_{p2},\cdots ,x{}_{pi},\cdots ,x{}_{p{\rm N}}\}$

输入层的各神经元的输出为:

${\rm O}{}_{{\rm P}}=\{o{}_{p1},o{}_{p2},\cdots ,o{}_{pi},\cdots ,o{}_{p{\rm N}}\}$

由公式可得:

${\rm O}{}_{{\rm P}}=f(X{}_{{\rm P}})(4)$

隐层输入:

$\text{n}\text{e}\text{t}{}_{pj}={\displaystyle \sum _{i=1}^{{\rm N}}W}{}_{ji}{\rm O}{}_{pi}-\theta {}_j‚j=1,2,\cdots ,{\rm M}(5)$

隐层输出:

${\rm O}{}_{pj}=f(\text{n}\text{e}\text{t}{}_{pj})‚j=1,2,\cdots ,{\rm M}(6)$

输出层各神经元输入为:

$\text{n}\text{e}\text{t}{}_{pk}={\displaystyle \sum _{j=1}^{{\rm M}}W}{}_{kj}{\rm O}{}_{pj}-\theta {}_k‚k=1,2,\cdots ,L(7)$

输出层实际输出为:

$d{}_{pk}={\rm O}{}_{pk}=f(\text{n}\text{e}\text{t}{}_{pk})‚k=1,2,\cdots ,L(8)$

均方误差函数定义为:

$E{}_{{\rm P}}=\frac{1}{2}{\displaystyle \sum _{k=1}^L(}y{}_{pk}-d{}_{pk}){}^2(9)$

对所有样本可分别求出Ep,则总误差为:

$E={\displaystyle \sum _{p=1}^{{\rm P}}E}{}_p(10)$

采用梯度下降法[5]对权值进行调整,对于输出层与隐层间的权值以及阈值调整量为:

$\begin{array}{l}\text{Δ}W{}_{kj}^p=\eta (y{}_{pk}-d{}_{pk})f^{\prime }(\text{n}\text{e}\text{t}{}_{pk})\cdot {\rm O}{}_{pj}=\eta \sigma {}_{pk}{\rm O}{}_{pj}(11)\\ \text{Δ}\theta {}_k^p=\eta \sigma {}_{pk}(12)\end{array}$

对于隐层与输入层之间的权值调整为:

$\begin{array}{l}\text{Δ}W{}_{ji}^p=\eta {\rm O}{}_{pi}{f}^{\prime }(\text{n}\text{e}\text{t}{}_{pj}){\displaystyle \sum _{k=1}^L\delta }{}_{k}W{}_{kj}=\eta \sigma {}_{pj}{\rm O}{}_{pi}(13)\\ \text{Δ}\theta {}_j^p=\eta \sigma {}_{pj}(14)\end{array}$

其中:

$\begin{array}{l}\sigma {}_{pk}=(y{}_{pk}-{\rm O}{}_{pk}){\rm O}{}_{pk}(1-{\rm O}{}_{pk})(15)\\ \sigma {}_{pj}=\sigma {}_{pk}\omega {}_{jk}{\rm O}{}_{pj}(1-{\rm O}{}_{pj})(16)\end{array}$

BP网络的识别流程如图7所示。

均方误差E的收敛情况是反映神经网络性能的一个重要标准。如果E值出现振荡,那么就要调整学习速率η的值,或者重新设置初值,直到E的值连续单调递减为止。在刚开始调试程序的时候,E的收敛速度很慢,在改变了学习速率后,收敛速度明显加快,并且未出现震荡。如图8为E值的收敛图,最后稳定在10左右,迭代次数设定为2 000,但基本上在1 000以后变化就很小了。

6 结 语

仿真实验所得结果如表1所示。

在识别的过程当中,卡车和行人的识别率一直都比较高,自行车的识别率较低,究其原因是因为自行车的速度有的和行人接近,有的又和卡车接近,介于卡车和自行车之间,容易出现交叠现象。这就导致了自行车的数据有一部分被识别为行人,有一部分被识别为卡车,所以自行车的识别率相对于行人和卡车来说低一些。所以要想进一步提高识别率的话,必须对三类数据进行深入的分析,针对自行车信号频谱的特点来更多地寻找一些区别于行人和卡车的有效的特征值,这样才能将识别率提高到一个较高的水平。

摘要：测速雷达信号识别是进行辅助决策的关键。介绍一种在实际生活中有着广泛应用的神经网络模型——BP网络,通过对他的结构及工作原理的分析,结合三类雷达测速信号的特征,归纳出一种基于BP网络进行雷达测速信号识别的方法,并且给出了仿真实例。实验结果表明,此方法能够快速识别三类信号,具有识别率高的特点。

关键词：BP网络,神经网络,测速雷达,信号识别

参考文献

[1]Hampshire J,Waibel A.A Novel Objective Function for Im-proved Phone Recognition Using BP Neural Network[J].IEEE Trans.Neural Networks,1990,1(2):216-228.

[2]White H.Commentionist Nonparametric Regression Multi-layer Feedforward Networks Can Learn Arbitrary Mapping[J].Neural Networks,1990,(3):47-51.

[3]杨建刚.人工神经网络实用教程[M].杭州:浙江大学出版社,2001.

[4]胡伍生,沙月进.神经网络BP算法的误差分级迭代法[J].东南大学学报:自然科学版,2003,33(3):376-378.

雷达信号检测 篇11

关键词：地质雷达；衬砌缺陷；隧道衬砌质量；雷达检测；铁路工程 文献标识码：A

中图分类号：U414 文章编号：1009-2374（2016）14-0047-02 DOI：10.13535/j.cnki.11-4406/n.2016.14.024

隧道工程的地质条件一般情况下较为复杂，其施工难度大、环境恶劣，对施工工艺和施工工序要求较为严格，一旦卡控不严就很容易导致隧道质量缺陷。铁路建设单位为保证行车安全，越来越重视隧道的施工质量，由于地质雷达无损检测技术，具有操作简便、检测效率高、检测结果准确等优点，被广泛地应用于铁路隧道衬砌质量检测中。本文首先介绍了地质雷达无损检测的基本原理，然后结合隧道施工、检测的实际情况给出了几种常见的隧道衬砌缺陷类型，并从施工角度分析了衬砌缺陷的形成原因，同时针对每种缺陷类型给出了对应的典型的地质雷达检测图像，分析了缺陷图像特征，为隧道衬砌质量检测数据分析工作提供指导，最后给出了地质雷达应用于隧道衬砌检测的实例。

1 地质雷达缺陷检测的基本原理

1.1 地质雷达隧道检测理论基础

地质雷达检测隧道衬砌质量是利用工程介质不同介质的电性差异来实现的。地质雷达系统将高频电磁波向工程介质发射，当电磁波穿透工程介质时，由于不同的工程介质或者工程介质与缺陷介质存在着电性差异，电磁波将在电性不同的介质界面发生反射。地质雷达就是根据介质的反射波特性以及电磁学性质来揭示工程介质内部结构和缺陷的，地质雷达的工作原理如图1所示：

1.2 电磁波在衬砌不同介质中的反射特性

电磁波在传播过程中遵循波的反射和折射定律，一般雷达电磁波被认为是近垂直入射，对于非磁性介质而言（如混凝土等），反射系数R可简化为：

式中，、为反射界面两侧介质的相对介电常数，由式（1）可知，相邻介质的介电常数差异越大，则反射信号超强烈。

而对于金属良导体（如钢筋、钢架等），反射系数R则简化为另一种形式：

式中，为电磁波的角频率；为金属的电导率。从式（2）可以看出，由于金属的电导率趋于，即当电磁波传播至钢筋、钢架时，电磁波将发生全反射。

2 衬砌缺陷的形成机制及雷达图像形态特征

分析隧道衬砌缺陷形成原因，研究不同缺陷在地质雷达图像中的形态特征，对于隧道衬砌缺陷的辨识有很大的帮助，下面就四种常见的隧道缺陷进行分析：

2.1 各种衬砌空洞

衬砌空洞可能存在于隧道衬砌的任何部位，衬砌空洞不仅会造成衬砌混凝土开裂，严重者还会使衬砌产生掉块，危及行车安全，更有甚者会使围岩失稳。混凝土与空气或混凝土与水的介电常数差异很大。通过上述可知，不管空洞内有没有水的存在，电磁波在空洞处都会产生强烈的反射，这种强反射在雷达图像上可以比较清晰地表现出来。按照空洞出现位置及成因的不同，主要可以分为以下两种：

2.1.1 防水板与初支之间的空洞。此类空洞多是由于光面爆破效果不好或者防水板铺设不当造成的。

2.1.2 防水板与衬砌之间的空洞。在浇筑二次衬砌时，如果混凝土灌注不满，加上混凝土本身存在的“干缩”现象，往往会在衬砌中形成空洞，受混凝土流动性影响，空洞多集中于拱顶、拱腰部分。这类空洞一般表现出连续性，且纵向尺寸较大。为了解决这个问题，隧道在设计时往往会在拱顶设计一定数目的注浆孔，以留作后期二次注浆之用。

2.2 衬砌不密实

2.2.1 混凝土内部不密实。混凝土内部不密实可能是由于混凝土振捣不充分、漏浆或者混凝土离析等原因造成的，这时混凝土内部一般呈蜂窝状或者松散状。这类问题一般容易出现在钢筋混凝土或隧道仰拱填充中。

2.2.2 仰拱虚渣、积水。按照施工要求，隧道充填混凝土层和仰拱应该分开浇筑，图2为隧道仰拱上表面积碴、积水导致仰拱和仰拱填充层交界面不密实。

2.3 钢架及二衬钢筋数量

当隧道围岩较差时，为了增加衬砌的支护抗力，一般在初期支护中加设钢拱架，同时使用钢筋混凝土作为二次衬砌来共同承担围岩压力和变形。钢拱架、二衬钢筋数量不足将严重危及隧道结构安全，给线路运营期间行车安全埋下巨大隐患。钢架及二衬钢筋数量的判识较为简单，二衬钢筋在地质雷达图像上呈现为连续的小双曲线形强反射信号，

而钢拱架则呈现为分散的月牙形强反射信号，如图3所示：

2.4 衬砌厚度不足

衬砌厚度不足属于隧道工程质量通病，多是由于隧道欠挖所致。衬砌厚度不足会导致衬砌表面发生裂缝，造成混凝土掉块，影响行车安全。

3 工程实例

3.1 地质雷达检测隧道二衬脱空的应用实例

图4为西南某隧道D1K191+485-480拱顶雷达图像，拱顶二衬设计厚度为45cm，从图像可以看到，D2K81+483-486段，深度约20～50cm范围内有反射界面，且界面下方形成多次反射，判断为二衬脱空，脱空高度约20～25cm。使用冲击钻钻孔验证结果与雷达图像判识结果一致，现场验证照片如图5所示。

3.2 地质雷达检测二衬钢筋数分布的应用实例

图6为西南地区某隧道D8K147+845-850右边墙雷达图像，设计钢筋间距为25cm，标示了边墙纵向施工缝上1.5m处测线和边墙纵向施工缝上2m处测线。图7可以看出平均钢筋间距约为50cm，而此测线上方0.5m处的测线即显示钢筋并不缺少，经分析推测形成图7的原因可能是边墙插筋与二衬钢筋之间扎丝脱落，灌注混凝土时，造成二衬钢筋向后挤密、上浮，无损检测时，二衬钢筋信号被长插筋信号遮挡，经过现场破检检查发现结果与推测一致。

3.3 地质雷达检测隧底片石混凝土填充应用实例

隧底填充片石混凝土的情况时有发生，往往是由于施工队伍安全意识淡薄、偷工减料所致。图8为西南地区某隧道D1K191+495-500隧底雷达图像，该段仰拱设计厚度为45cm，填充为91.5cm，从图中可以看到D1K191+495-498段，深度40～100cm范围内雷达反射信号较强，且杂乱无章，判断异常信号为混凝土填充不密实。经钻芯取样发现此处混凝土夹杂大量片石，最大片石充填深度范围为1m。

4 结语

地质雷达法检测隧道衬砌质量具有无损、快速、经济等特点，因此在检测铁路隧道施工质量方面具有非常重要的应用价值。它不仅可以准确地检测出隧道衬砌的厚度，还可以反映出衬砌内部缺陷，由于其操作简单，因此可以对施工中或者运营中铁路隧道进行大面积检测。通过大量隧道衬砌质量检测资料的积累和分析，总结各种缺陷图像的特征，对同类隧道质量检测具有非常重要的指导意义。

参考文献

[1] 李二兵，谭跃虎，段建立.地质雷达在隧道工程检测中的应用[J].地下空间与工程学报，2006，2（2）.

[2] 李大心.探地雷达方法与应用[M].北京：地质出版社，1994.

[3] 李晋平.地质雷达在铁路隧道工程质检测中的应用

[J].中国铁道科学，2006，（3）.

作者简介：黄潘（1983-），男，湖北人，铁道第三勘察设计院集团有限公司工程师，工学硕士，研究方向：岩土工程。

测控雷达信号频谱特性分析研究 篇12

关键词：测控雷达,信号,频谱特性

在一个载波上对多个副载波进行调制,并且完成一系列功能,这样的一门综合技术就是统一测控系统,也就是在统一的载波上调制各种通信、遥控、遥测和跟踪等信号,在各类飞行器和导弹飞行的不同阶段能够将控制和测量任务完成的相关设备,这就是所谓的统一测控系统。目前在许多地方频谱分析具有十分重要的作用,信号的频谱特性可以将频域中的很多相关信息提供出来。采用频谱观测的方式观测设备性能能够有效减少排除故障的时间,极大地加快解决问题的进程。

1 统一测控系统信号频谱的特性和结构分析

1.1 上行频谱信号频谱分析

利用多种信号测控通信系统能够同时针对载波进行调相,其中的副载波信号主要包括话音信号、遥控编码信号以及测距信号等。测距信号能够直接调相载波,而剩余的信号则只能够先调相各自的副载波信号,随后才能调相载波。首先,测量信号:精密跟踪测量系统一般都是选择测距信号测量和载波调相的体制。纯侧音比相方法在连续波测量体制中得到了较广泛的应用。其次,遥控信号:在遥控分系统中在对二个单音进行调制的时候主要是通过指令编码来实现的,随后再通过已调FSK信号调相载波。接收到遥控信号的飞行器首先要解调载波,随后将FSK信号获得,随后再解调FSK,从而获得遥控的编码信号,最后在实施解密、解码处理之后完成指令要求的各项控制功能。遥控信号属于数字基带信号,该信号具有双极码、差分码等多种多样的信号码形,同时也具有非常多的时频特性种类。

1.2 下行频谱信号分析

接收系统的主要功能就是放大深埋在噪声中的微弱信号,在对其进行变频处理之后,通过锁相环将性能锁定完成,随后进行调节,跟踪并且捕获目标,并且向相应的终端输送多普勒信息、遥测信号和测距音等。

2 与频谱特性相关的各种故障

2.1 不执行遥控指令的故障

在设备检测的过程中很容易发生不执行遥控指令的故障,在上行载波上通过对遥控指令的各个环节进行分析,测试副载波调制单元,可以发现,主要包括两个方面的故障原因。首先,未加调遥控副载波:某型号任务中出现过该类故障,然而却没有执行中心指令。利用频谱分析的方式能够很快寻找到导致这类故障的原因,随后就能通过查看软件和相关原理的方式对这些因素进行完善。系统设计缺陷是导致这种问题的主要原因,在完成双向载波捕获的时候,系统没有加调遥控,这时候发送中心指令,导致系统只是对测距副载波进行了加调,最终进一步造成没有执行指令。其次,过小或者过大的调制深度:以上行信号调制原理为根据,在调制副载波的时候可能会发生过小或者过大的调制深度的故障,这一故障的主要表现就是具有正常的小环返回和输出信号电平,不能在监视表头对设备状态进行正确监视,一旦发生不执行遥控指令的故障,利用监视频谱的途径就能够对信号进行非常直观的检测,并且还能够在遥控副载波调制单元,然后对副载波调制单元进行调整,这样就能够将问题迅速解决好。

2.2 卫星测控测距值错误的问题

在具体的卫星测控中很容易发生测距值故障的问题,有很多原因都会导致该故障,其与接收调解单元、卫星系统发射通道、发射机调节单元、侧音产生器单元等都可能具有关系,由于具有较多的涉及单元,因此在查找问题的时候非常复杂,这时候选择频谱分析的途径就能够对故障单元进行快速定位,并且找出故障原因。在对10.7 MHz信号频谱进行观察之后,将一定的扫描时间和带宽设置出来,通过对信号幅度大小和调制度大小进行观察,就能够将导致距离错误和距离解模糊失败的原因寻找出来。

2.3 系统干扰的分析

如果两个信号具有不同的调制度,就会导致失真干扰,如果两个信号具有相位差,也会出现各种失真干扰。越来越大的干扰信号会导致接收机具有越小的输出信噪比,如果达到足够大的干扰信号,就会导致出现接收机阻塞干扰的问题。如果出现足够大的干扰信号就有可能导致发生接收机阻塞干扰。与此同时,邻频干扰会导致接收机出现不断下降的灵敏度信噪比,而较强的干扰信号则会导致接收机发生阻塞干扰。除此之外,还存在着互调干扰和带外干扰等不同性质的干扰,要想使上述干扰情况得到有效解决,最直接的方式就是选择频谱测试的方式进行监测。

3 结语

通过频谱分析仪能够有效检测失真情况,在分析雷达的下行和上行频谱信号后,能够通过频谱分析的方式针对其中的故障现象建立起一套以频谱分析为基础的方式,可以通过频谱观测的方式来监测设备的相关性能,从而将设备运行过程中的各种故障直观地寻找出来,并且能够加以解决,采用这种方式可以使故障排除的时间得以减少,并且极大地提升解决问题的效率。

参考文献

[1]王惠娟,徐欣,李霄.雷达信号PRI抖动模式识别改进方法[J].指挥信息系统与技术,2016(1).

[2]何骏敏.复杂体制雷达信号的特点分析[J].科技风,2010(16).