雷达视频信号

雷达视频信号（精选7篇）

雷达视频信号 篇1

1 引言

雷达信号模拟是完成雷达电子战接收设备测试和试验所采取的必要手段和方法,典型的雷达电子战接收设备测试和试验环境如图1所示。

雷达信号模拟系统作为整个测试系统的核心,在测试和试验前其产生信号的基本参数必须是可知,即要满足试验条件的已知性;而电磁波的传输特性要求信号辐射位置和接收位置必须满足远场工作条件,即雷达信号模拟系统和接收设备要相距足够的距离。所以,将要构建的雷达视频信号远程测量系统应满足以下两个需求:一是具有雷达信号视频信号采集和时域参数测量功能;二是具有分布式的系统结构,能够实现远程测量和数据传输。

本文针对上述需求分别基于以太网和PCI-5114数字化仪设计了雷达视频信号远程测量系统,用来获得雷达信号模拟的时域真值,该系统在实际工作得到了应用。

2 远程测量网络设计

远程测量网络是测量系统的运行环境,采用以太网作为网络架构,具有传输距离远、扩展性好、易于架设等优点。远程测量网络主要包括:系统控制计算机、测量控制计算机、网络交换机、雷达信号模拟系统(含信号发射前端)、测量接收前端,具体组成如图2所示。

(1)系统控制计算机

系统控制计算机是测量系统的控制中心,基本功能包括:控制雷达信号模拟系统产生被测雷达信号、控制测量计算机进行信号测量、接收测量计算机获得的测量数据并进行数据处理。

(2)测量控制计算机

测量控制计算机是一台基于PCI-5114数字化仪的P C示波器,主要功能包括:数字化仪初始化,接收系统主控计算机指令控制PCI-5114完成雷达视频信号的参数测量,将测量结果通过以太网络传输给系统主控计算机[1]。

(3)雷达信号模拟系统与信号发射前端

雷达信号模拟系统作为信号产生源按系统控制计算机指令生成被测信号,通过信号发射前端进行放大和辐射。

(4)测量接收前端

测量接收前端完成被测信号的接收,并将信号进行调理和检波以实现雷达视频信号的输出。

3 PC示波器设计

PCI-5114数字化仪是NI公司推出的一款双通道、8位数字化仪。主要性能和特点如下:

(1)基于NI同步和存储核心(Synchronization and Memory Core,SMC)架构,在提供足够的板载内存的同时,提供数据的高吞吐量和严格的同步;

(2)提供250MS/s实时和5GS/s等值时间或任意隔行扫描采样,以及用于多功能时域数字化的1 2 5MHz带宽;

(3)提供BNC输入接口,输入信号范围为40m V到40V,并具有包括SDTV/HDTV在内的多种触发方式;

(4)具有PCI接口,方便在普通计算机上进行扩展应用;

(5)提供完备的开发驱动,支持Microsoft Visual Studio.Net、NI Measurement Studio、LabWindows/CVI以及ANSI C等多种开发环境协同使用。

本系统设计开发的PC示波器是采用商用电脑作为运行平台,采用Microsoft Visual C++6.0作为软件开发环境,实现了雷达视频信号的信号采集、参数测量与传输。PC示波器工作流程如图3所示。

PC示波器的工作模式分为本地工作模式和联网工作模式,本地模式下PC示波器不接收网络指令,本地独立完成视频信号的采集、参数测量并进行波形的实时显示;网络模式下PC示波器接收网络指令,在网络指令的控制下进行雷达视频信号的采集和参数测量[2],并将测量数据整理后通过网络回传至系统主控计算机。

4 系统软件设计

系统软件主要包括主控软件和测量软件两部分。其中主控软件安装在系统主控计算机中主要完成以下功能:

(1)参数设置;

(2)雷达信号模拟系统控制文件生成;

(3)测量控制指令生成;

(4)测量数据收集与处理

(5)测量结果输出。

测量软件是P C示波器的控制软件,主要完成以下功能:

(1)PCI-5114数字化仪初始化与设置;

(2)接收并解析主控软件控制指令;

(3)时域参数测量和采集;

(4)测量数据显示和回传。

软件主要组成模块如下图所示。

系统软件的工作流程如下图所示。

系统初始化主要完成雷达信号模拟系统、P C I-5114数字化仪等初始化和状态检测,同时完成测量参数的设置。完成初始化操作后,雷达信号模拟系统在主控软件的控制下产生一部雷达信号,接收前端完成信号接收并进行检波,测量软件根据主控软件的测量指令进行视频信号参数的测量,并将测量数据回送至主控软件完成数据处理和测量结果输出。

5 系统界面

本系统在完成设计后,进行了系统的硬件集成和软件开发,系统主控界面如下图所示。

6 结束语

本文介绍了一种基于以太网和PCI-5114的雷达视频信号远程测量系统的设计,并实际开发了该系统,在实际工作中得到应用。系统采用的软硬件结构具有较好的通用性和扩展性,适用于其他的远程测量系统。

参考文献

[1]杨英,林连雷,杨京礼.雷达信号测量的虚拟示波器设计[J].电子测量技术,2007,12(30):70-72.

[2]何雅娟,何宁,姜阔胜.基于虚拟仪器的远程温度测量系统[J].机械工程与自动化,2010,1(158):202-203.

通信信号对雷达信号干扰的分析 篇2

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

雷达视频信号 篇3

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4

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.

测控雷达信号频谱特性分析研究 篇5

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).

雷达辐射源信号分选技术概述 篇6

1 CDIF算法

CDIF是基于周期性脉冲时间相关原理的一种去交错算法, 通过累积各级差值直方图来估计原始脉冲序列中可能存在的PRI, 并以此来进行序列搜索, 具体步骤如下。

首先计算TOA差值, 形成第一级差值直方图, 然后确定门限。接着从最小的脉冲间隔起, 将第一级差值直方图中的每个间隔的直方图值以及2倍间隔的直方图值与门限作比较, 如果两个直方图值都超过门限, 则以该间隔作为PRI进行序列检索;假如序列检索成功, PRI序列将会从采样脉冲中扣除, 并且对于剩余脉冲列, 从第一级差值直方图起形成新的CDIF直方图, 该过程会一直重复下去直到没有足够的脉冲形成脉冲序列;假如序列检索不成功, 则以本级CDIF直方图的下一个符合条件的脉冲间隔值作为PRI值进行序列搜索;假如本级直方图中没有符合条件的脉冲间隔值, 则计算下一级的CDIF直方图。

2 SDIF算法

序列差直方图算法由PRI建立及序列检测两部分组成。该算法的基本工作过程是:对每个到达时间差构成一个序列差直方图, 计算检测门限;子谐波检验后将所有的超过门限的值看作是可能的PRI值进行序列检索。若成功的分离出脉冲序列, 则重复此过程, 直到分离出所有的脉冲列或剩下少于5个脉冲为止。若序列检索不能分离出脉冲序列, 则计算下一级差, 设立新门限, 重复整个过程。最后完成参差鉴别。

CDIF与SDIF算法都是以计算接收脉冲的自相关函数为基础, 由于周期信号的相关函数仍是周期函数, 所以很容易出现信号的脉冲重复间隔及其整数倍值 (称为子谐波) 同时存在的现象。针对这一缺点, PRI变换算法可以有效的抑制子谐波。

3 PRI变换算法

PRI变换算法能够很好地抑制子谐波, 适用于固定与抖动重频脉冲序列, 是一种较为经典的分选算法。但如同其它算法一样, PRI变换算法也存在一些缺点。例如, PRI变换算法仅对固定重频的脉冲序列有效, 当输入脉冲为抖动重频时:1) 若PRI抖动范围大于b时, 则脉冲间隔会分布到真实PRI附近的几个箱中去。2) 当n (脉冲个数) 越大时, 相位因子的误差也会越大。显然这两点将导致PRI变换算法不适用于PRI抖动的脉冲。针对这两点, 提出一种改进的PRI变化算法, 即将交叠的PRI箱与改变开始时间这两种方法结合起来。

具体方法如下:

1) 当PRI抖动范围大于b时, 若加大PRI箱的宽度, 那么会使PRI箱的分辨率降低, 给随后的分选造成困难。所以采用交叠的PRI箱来解决第一点问题。

2) 其次是采用改变开始时间的方法来减少相位因子的误差。相位因子的引入是用来抑制子谐波的, 但所有脉冲的相位并不需要由一个恒定的开始时间来决定。

改进的PRI变换算法能够较好地应用于固定与抖动重频的脉冲序列中, 但对于参差重频而言, 该算法效果不好。利用PRI进行分选是应用较为普遍的一种分选方式, 通过上面的分析可知, 随着雷达技术的迅猛发展, 雷达信号环境日趋复杂, 信号形式和雷达体制多种多样, 当前几种提取PRI的算法都存在一定的局限性, 对于重频类型丰富、重频参数变化范围大的雷达辐射源的分选存在一定的困难。

4 辐射源分选亟需解决的问题

随着各国对电子战的日益重视, 电子对抗辐射源的数目急剧增加, 信号密度已达到数百万每秒。因此, 在复杂电磁环境下正确快速地对已知或未知的雷达辐射源进行分选还存在以下几点问题。

4.1 反干扰技术在雷达中的应用

随着雷达反干扰、反侦察技术的日趋成熟, 雷达工作参数的分布范围广、变化灵活多样, 原有的信号分选所利用的参数规律性被破坏, 这给复杂体制的雷达辐射源分选带来了很大的困难。

4.2 参数的测量精度

当前一些分选算法对参数精度的依赖性较大, 因此雷达辐射源参数的精确测量至关重要。它不但影响到分选结果的准确性, 也会影响到分选时的计算量, 即影响到分选的实时性。

4.3 脉内特征提取算法的实时性不够

利用脉内特征参数能大大提高雷达辐射源信号的分选准确率, 但目前用于提取脉内的小波变换法速度较慢, 无法满足实时处理的要求, 难以真正应用到工程中。

5 结语

随着雷达设计技术的日益成熟, 当前的雷达辐射源分选技术亟需改进与完善。针对这一情况, 本文系统分析了基于PRI分选的几种算法的优缺点, 指出了当前辐射源分选所面临的几个难题。

摘要：文章详细介绍了当前用于雷达辐射源信号分选的几种技术, 从理论上分析了他们的优缺点, 并针对当前雷达辐射源信号分选技术的现状, 指出了这一领域需尽快解决的几点问题。

关键词：雷达,分选,概述

参考文献

[1]Mardia H K.Digital signal processing for radar recognition in dense radar en-vironments[D].phD thesis, Electrical Engineering, Department, Leeds university, 1988.

[2]Milojevic D J.Popovic B M.Improved algorithm for the deinterleaving ofradar pulses[J].IEEE Proc.F, common.Radar signal processing, 1992.

[3]王国玉, 汪连栋等.雷达电子战系统数学仿真与评估[M].北京:国防工业出版社, 2004.

合成孔径雷达原始信号的模拟方法 篇7

合成孔径雷达(SAR,Synthetic Aperture Radar)分别利用脉冲压缩技术和合成孔径技术来实现雷达图像在距离向和方位向上的高分辨率.作为获取地面信息的重要手段,它具有可见光、红外等传感器所不具备的全天时、全天候工作能力以及穿透一定遮蔽物的能力,在经济、科研和军事领域得到了越来越广泛的应用.20世纪90年代,随着SAR成像基础研究的逐步完善,有大量的星载、机载SAR系统研制成功并投入使用,而且由于多频、多极化、干涉等技术的应用,SAR研究表现为更加深入和实用化的发展趋势.SAR成像原理复杂,参量繁多,成像和误差校正处理都具有一定的难度.因此,在SAR系统方案设计、成像处理算法研究、噪声和杂波抑制等场合,需要有符合特定条件下的SAR原始回波信号,这些数据通过雷达载体飞行获得往往不太实际,而且是已有的SAR雷达系统真实数据所无法替代的,所以通过模拟来获得所需要的原始回波信号是一个重要的解决手段,有必要对原始信号的模拟展开研究.

SAR原始回波信号的仿真,国内外已有专家进行过一些研究.Julian首次建立了SAR图像仿真系统[l],随后Kaupp[2]利用该系统研究了雷达入射角对星载SAR图像特征的影响,对仿真技术应用于SAR系统方案设计进行了初步尝试.SAR技术的发展推动了SAR仿真技术的发展[3,4].Giorgio Franceschetti研究了一种基于实际地面目标散射特性的原始回波信号仿真方法[5],并给出了SAR原始信号的定义:“在SAR研究体制下,模拟未经任何处理(除了超外差下变频)的信号是非常方便的,该信号称之为原始信号.”国内有关人员也提出了合成孔径雷达原始信号仿真的方法,大致可分为2种:一是通过模拟真实反射场景的地物结构,通过构造目标散射模型(主要是模拟雷达目标后向散射系数)来模拟雷达回波信号[6].二是利用雷达图像数据,通过逆向运算来获得雷达原始回波信号[7].这些方法虽然能够取得比较好的仿真效果,但是测试准备工作量大、运算量大、处理比较繁琐,即使一些简易模拟方法在处理上仍需要大量的工作.

1 原始信号模拟系统的构成

原始信号的构成如图1所示.

(1)平台运动模型

为了便于分析,往往设平台运动状况是理想的.实际上平台运动状况不可能是理想的,特别是中、低空飞行的机载SAR,由于气流的不稳定的影响,运动的不稳定性较大,如果不采取运动补偿,则录取的数据受到不稳定因素的影响会有较大的失真,从而使成像质量下降,甚至不能成像.

(2)地面目标模型

分辨率是影响目标模型的决定性因素.目标尺寸与分辨单元相比,若很小,称之为点目标;若目标由多个可以区分的点目标组成,称之为多点目标;若很大,就称之为分布目标.SAR目标是一种复杂的分布目标.雷达图像信息的来源大致包括2个方面:一是地面分布目标的散射特性及其空间起伏变化,对于丘陵、平原、海洋、树林和农作物等不同种类目标以及干燥、潮湿、粗糙、平坦等不同的自然条件,它们的散射特性都是千差万别的;二是星载雷达平台和分布目标的交会几何关系,它在SAR图像中产生了诸如阴影、错位和重叠等几何失真.通过雷达电磁波与目标的相互作用,目标的散射特性及其变化成为图像中反映目标特征的主要内容.因此,建立真实反映目标散射特性的分布目标仿真模型将是SAR回波模拟的一个重要方面.

(3)SAR系统模型

在SAR原始信号模拟中,是将SAR系统(包括信号源、基准频率源、发射机、收发天线、接收机、数据形成、定时及监控)看作一个整体来研究的,因此不考虑各分系统的模型.在系统模型中,主要关心的是SAR的系统参数,如波长、脉冲重复频率、脉冲宽度、信号带宽、采样率、天线方向图、接收机增益及图像参数等.

(4)SAR处理器模型

为了验证原始数据模拟方法的有效性,必须通过现有的成像算法对SAR系统的模拟产生的SAR原始数据进行成像处理,分析成像结果并得出结论.

2 原始信号模拟方法

信号模拟的方法基本上可分为2种:一种是功能模拟,另一种是相干视频信号模拟.功能模拟只是模拟雷达目标和杂波的幅度信息;而相干视频信号模拟不仅包括幅度信息,而且也包括相位信息.SAR系统特点决定了SAR原始数据模拟属于相干视频信号模拟.这里的原始信号是指SAR的平台接收信号,这个信号包括了地面对雷达波的散射回波和系统噪声.主要有以下3种方法[8]:

(1)采用简单的几何体模型.将目标分解为基本散射单元,对于目标在雷达波束中的不同位置,计算每一个基本散射单元的雷达截面积(RCS);然后计算整个目标的RCS,加上背景信号,再考虑到平台移动后的几何关系,就可以得到SAR的接收信号.对此进行二维压缩,可得到该目标的SAR图像.这种方法得到的最终图像,是一种理想化的模型,与实际情况还有一定的差距,但对选择SAR系统的主要参数有一定的价值.

(2)采用分布目标模型.分布目标是由许多小的散射单元所组成.当SAR发射相干波时,这些小的散射单元所反射的回波进行相干叠加,其合成的幅度和相位与天线发射和接收方向有很大关系,因此,当SAR的平台运动时,由于相对位置的变化,接收到的回波幅度和相位都有一定的起伏,成像时就产生了相干斑噪声.对分布目标中的每个单元的场分布,一般都采用某种概率模型(如高斯分布、瑞利分布等).此方法得出的SAR图像有明显的相干斑噪声,比较接近于实际效果.

(3)利用已有的SAR原始数据或SAR图像.这种方法相对来说比较简单,因为它省略了对目标散射场的计算.在SAR原始回波数据的同相和正交分量加入噪声,再进行重新采样和量化,最后进行成像处理,即得到SAR图像.这种方法主要是给出被模拟的合成孔径雷达系统最终图像的主观视觉效果,比较接近真实情况,能直观地看到系统主要参数对最终图像质量的影响.

3 回波模型的建立

3.1 点目标回波信号模型

SAR点目标模拟是SAR模拟系统设计的一个关键步骤,是多点目标和分布目标模拟的基础.SAR工作过程可看作“stop and go”模型[9],其坐标几何关系示于图2.雷达工作模式是条带式,h是载机高度,v是载机速度,β是天线方位向波束角,R0是载机平台到目标的最近距离.

合成孔径雷达发射的信号为线性调频信号脉冲串,其表达式为[10]

$\begin{array}{l}S{}_t(\tau )={\displaystyle \sum _{n=-\infty }^{+\infty }p}(\tau -n{\rm T}{}_r)\\ p(\tau )=\text{r}\text{e}\text{c}\text{t}\end{array}$

$\left(\frac{\tau }{{\rm T}}\right)\exp \left[j2\text{π}(f{}_0\tau +\frac{{\rm K}{}_r}{2}\tau {}^2)\right](1)$

其中,rect(·)为矩形窗函数,Kr为LFM线性调频率,f0为载波频率,T为脉冲宽度,Tr为脉冲重复周期(PRT),则在τ时刻接收到的回波信号为

$\begin{array}{l}S{}_r(\tau )={\displaystyle \sum _{n=-\infty }^{+\infty }S}{}_{r0}(\tau -n{\rm T}{}_r)\\ S{}_{r0}=\sigma \cdot W{}_a\left(\tau -\frac{2r(\tau )}{C}\right)\cdot W{}_r\left(\tau -\frac{2r(\tau )}{C}\right)\cdot \\ p\left(\tau -\frac{2r(\tau )}{C}\right)(2)\end{array}$

其中,Wr(·)为距离向天线方向图,Wa(·)为方位向天线方向图,σ为点目标后向散射系数,点目标的回波经过去载频、正交解调之后的信号复数形式为

$\begin{array}{l}S(\tau )={\displaystyle \sum _{n=-\infty }^{+\infty }S}{}_0(\tau -n{\rm T}{}_r)\\ S{}_0(\tau )=S{}_{r0}(\tau )\cdot \exp (-j2\text{π}f{}_0\tau )=\\ \sigma \cdot W{}_a\left(\tau -\frac{2r(\tau )}{C}\right)\cdot W{}_r\left(\tau -\frac{2r(\tau )}{C}\right)\cdot \end{array}$

$\begin{array}{l}\text{r}\text{e}\text{c}\text{t}\left(\tau -\frac{2r(\tau )}{C}\right)\cdot \exp \\ \left\{j2\text{π}\left[\frac{{\rm K}{}_r}{2}\left(\tau -\frac{2r(\tau )}{C}\right){}^2\right]\right\}\cdot \exp \\ \left(-j\frac{4\text{π}r(\tau )}{\lambda }\right)(3)\end{array}$

式(3)中,第一个相位项是基带发射信号的延迟,忽略脉冲宽度内距离延迟函数的变化时,它在距离向上是不变的.第二个相位项是方位向的多普勒信号.幅度项表示回波信号在方位向与距离向之间的耦合关系,形成了SAR回波信号所特有的距离徙动现象,这是回波信号模拟中需要模拟的一个重要现象.图3是单点目标距离徙动现象的示意图.方位时刻不同,则点目标与雷达平台间的距离不同,因而形成不同的回波延迟,使回波处于不同的距离门上.

雷达接收到的信号为

R(τ)=S(τ)+C(τ)+J(τ)+N(τ) (4)

式中,S(τ)为接收到的点反射后的回波信号;C(τ)为杂波信号(为地杂波、气象杂波或海杂波的组合);J(τ)为接收到的干扰信号(包括有源干扰和无源干扰);N(τ)为噪声.这里只考虑地面杂波的影响.

$\begin{array}{l}C(\tau )={\displaystyle \sum _{n=-\infty }^{+\infty }{\rm K}}{}_{RF}\cdot \sqrt{\frac{{\rm P}{}_t\cdot L{}_s}{(4\text{π}){}^3}}\cdot \frac{g{}_{vt}(\theta )\cdot g{}_{vr}(\theta )}{r{}^2(\tau )}\cdot \lambda \cdot \\ \sigma \cdot \exp \left[j\omega {}_c\left(\frac{r(t)-r{}_0}{c}\right)+j\text{π}\alpha \left(\frac{r(t)-r{}_0}{c}\right){}^2\right]\cdot \end{array}$

$\text{r}\text{e}\text{c}\text{t}\left[\frac{r(t)-r{}_0}{c{\rm T}}\right](5)$

其中,KRF为射频滤波放大系数,Pt为雷达发射机峰值功率,Ls为雷达发射接收综合损耗,gvt(θ)与gvr(θ)分别为在杂波单元质心方向上发射和接收的天线增益.则最后的回波信号为

R(τ)=S(τ)+C(τ) (6)

利用距离—多普勒算法[11]对点目标成像,图4是其流程图,成像结果如图5.

3.2 分布目标回波信号模型

对于分布目标,采用小面单元模型对目标进行建模,分布目标由各个小面单元来代替点目标,分布目标回波信号也就是各个小面单元回波的相干叠加.

假设σij为小面单元Aij的后向散射系数,rij(x)为x时刻Aij到SAR的距离,Waij(x)为方位向的方向图,Wrij[r-rij(x)]为距离向的方向图,那么分布目标回波信号的数学表达式为

$S(x,r)={\displaystyle \sum _i{\displaystyle \sum _j\sigma }}{}_{ij}\cdot W{}_{aij}(x)\cdot W{}_{rij}(r-r{}_{ij}(x))$·

$\begin{array}{l}\text{r}\text{e}\text{c}\text{t}(r-r{}_{ij}(x))\cdot \exp \left[\frac{j4\text{π}{\rm K}{}_r(r-r{}_{ij}(x)){}^2}{C{}^2}\right]\cdot \\ \exp \left(-\frac{4\text{π}r{}_{ij}(x)}{\lambda }\right)(7)\end{array}$

4 结 论

合成孔径雷达模拟是根据建立的雷达系统模型,复现雷达系统的动态工作过程.具体的说,模拟的对象是雷达系统、合成孔径雷达目标及目标环境;模拟的方式是复现蕴含合成孔径雷达目标及目标环境信息的雷达回波信号[12].对SAR原始数据的模拟在研究工作中占有非常重要的地位,它不仅可以简化处理算法的试验、改进模式识别与特征提取技术、抑制噪声及杂波、优化SAR的系统参数;同时有助于验证系统设计的正确性,评价成像处理算法的优劣,为SAR系统的应用研究提供理想的实验数据.

摘要：合成孔径雷达(SAR)原始回波模拟在系统设计及成像算法验证等方面具有重要的理论及工程实践意义,是合成孔径雷达系统研制的一个重要方面.说明了原始信号模拟系统的构成,介绍了现有的原始信号模拟方法.基于时域信号模型,对合成孔径雷达的回波进行模拟,生成了理想的点目标回波数据,用距离—多普勒算法处理得到点目标成像结果,验证了处理流程的可行性.

关键词：合成孔径雷达,回波信号,模拟,距离—多普勒算法

参考文献

[1]Julian C.Radar Image Simulation[J].IEEE Trans.Geo-science and Remote Sensing,1978,16(4):296-303.

[2]Krupp V H,Waite W P,MacDonald.Incidence angleconsideration for Spacecraft imaging radar[J].IEEETrans.Geosience and Remote Sensing,1982,20(3):384-389.

[3]Krupp V H,Waite W P,MacDonald.SAR Simulation[C]//.Proceedings of IGARSS’86 Symposium.Zurich,1986:1645-1650.

[4]Wessels G J,Kirbyme.SARIM-A spaceborne SAR simu-lation Package[C]//.Proceedings of IGARSS’86 Sym-posium.Zurich,1986:1655-1660.

[5]Giorgio Francescheti.SARAS:A Synthetic ApertureRadar Raw Signal Simulation[J].IEEE Trans.Geo-science and Remote Sensing,1992,30(1):110-122.

[6]刘志强,宋家骏.星载合成孔径雷达回波信号模拟器原理和设计[C]//.全国第五界遥感、遥测、遥控技术年会论文集,1995.

[7]李凌杰,王建国,黄顺吉.基于真实反射场景SAR原始信号模拟[J].电子科技大学学报,1996,25(6):566-568.

[8]詹学丽.机载合成孔径雷达回波模拟器设计与实现[D].北京:北京理工大学,2003.

[9]Liang Yi,Wang Hongxian,Xing Mengdao,et al.Imag-ing Study of High Squint SAR Based on FMCW[C]//.2007 Asian and Pacific Conference on Synthetic ApertureRadar,2007:6-9.

[10]刘永坦.雷达成像技术[M].哈尔滨:哈尔滨工业大学出版社,1999:38-40.

[11]张玉玲,曲长文,何友.调频连续波SAR成像算法研究[J].海军航空工程学院学报,2007,22(6):637-640.