欢迎访问一起赢论文辅导网
SCI期刊论文
当前位置:首页 > SCI期刊论文
基于STFT谱图滑窗相消的微动杂波去除方法
来源:一起赢论文网     日期:2023-03-10     浏览数:430     【 字体:

 基于STFT谱图滑窗相消的微动杂波去除方法万显荣* 谢德强 易建新 胡仕波 童 云(武汉大学电子信息学院 武汉 430072)摘要:微动杂波往往具有较大的多普勒展宽,会抬高噪底、湮没弱目标,造成虚警和漏检。有效去除微动杂波对提高雷达性能具有重要意义。该文利用匀速目标回波和微动杂波在短时傅里叶变换(STFT)谱图中的形态差异,提出了一种基于STFT谱图滑窗相消的微动杂波去除方法。具体地,匀速运动目标回波在STFT谱图中表现为特定频率单元上平行于时间轴的直线型能量条带,而微动杂波具有时变非平稳特性,在STFT谱图中呈现出横跨多个频率单元的时变复杂形态。将原始STFT谱图沿时间维滑窗得到新的STFT谱图,则目标回波分布在这两种谱图中的相同位置,而微动杂波在这两种谱图中的位置存在明显差异。因此将上述两种谱图相减,根据相减前后谱图中各单元的强度变化情况,即可将目标回波和微动杂波分离,达到去除微动杂波的效果。仿真和实测结果均验证了所提方法的有效性。与常见基于时频变换的L-statistics算法相比,所提方法能够在去除微动杂波的同时,较好地保留了目标回波。关键词:微多普勒效应;微动杂波;短时傅里叶变换;短时傅里叶变换谱图中图分类号:TN958 文献标识码:A 文章编号:2095-283X(2022)05-0794-11DOI: 10.12000/JR22157引用格式:万显荣, 谢德强, 易建新, . 基于STFT谱图滑窗相消的微动杂波去除方法[J]. 雷达学报, 2022, 11(5):794804. doi: 10.12000/JR22157.Reference format: WAN Xianrong, XIE Deqiang, YI Jianxin, et al. Micro-Doppler clutter removal methodbased on the cancelation of sliding STFT spectrogram[J]. Journal of Radars, 2022, 11(5): 794804. doi: 10.12000/JR22157.Micro-Doppler Clutter Removal Method Based on theCancelation of Sliding STFT SpectrogramWAN Xianrong* XIE Deqiang YI Jianxin HU Shibo TONG Yun(School of Electronic Information, Wuhan University, Wuhan 430072, China)Abstract: Micro-motion clutter typically exhibits significant Doppler broadening, raises the noise floor, andannihilates weak targets, resulting in false alarms and missed detections. Removing micro-motion cluttereffectively is critical to improving radar performance. In this study, a micro-motion clutter removal methodbased on the cancelation of the Short-Time Fourier Transform (STFT) spectrogram is proposed using thedifference in the morphological performance of the constant-speed target echo and micro-motion clutter in theSTFT spectrogram. The target echo appears in the STFT spectrogram as a linear energy strip parallel to thetime axis on a specific frequency unit, whereas the micro-motion clutter appears as time-varying complexshapes across many frequency units due to its time-varying non-stationary characteristics. When the originalSTFT spectrogram slides along the time dimension to obtain the new STFT spectrograms, the target echo isdistributed in the same position, whereas the position of the micro-motion clutter is different. Therefore,subtracting the above spectrograms, the target echo and the micro-motion clutter can be separated based on收稿日期:2022-07-21;改回日期:2022-09-09;网络出版:2022-09-29*通信作者: 万显荣 xrwan@whu.edu.cn *Corresponding Author: WAN Xianrong, xrwan@whu.edu.cn基金项目:国家自然科学基金(61931015, 62071335),湖北省技术创新专项重大项目(2019AAA061),湖北省自然科学基金创新群体项目(2021CFA002)Foundation Items: The National Natural Science Foundation of China (61931015, 62071335), The Technological Innovation Project ofHubei Province of China (2019AAA061), The Innovation Group Project of Natural Science Foundation of Hubei Province (2021CFA002)责任主编:张群 Corresponding Editor: ZHANG Qun1 1 卷第5 期雷 达 学 报Vol. 11No. 52 0 2 21 0Journal of Radars Oct. 2022the intensity changes in each unit of the STFT spectrogram before and after subtraction, and the micro-motionclutter can be removed. The simulation and field experimental results validate the proposed methodseffectiveness. Compared with the common time-frequency-transform-based L-statistics algorithm, the proposedmethod can remove micro-motion clutter while retaining the target echo.Key words: Micro-Doppler effect; Micromotion clutter; Short-Time Fourier Transform (STFT); STFTspectrogram1 引言微多普勒效应(简称微动效应)是由目标或其部件的微动(如转动、振动、进动等)引起的频率调制现象[1,2]。对雷达系统来说,微动效应是一把“双刃剑”,一方面它能够反映目标的几何结构和运动状态,为目标参数估计、分类识别等应用提供宝贵的特征信息[3,4]。另一方面它也是雷达系统中的一种特殊杂波源,会抬高噪声基底,掩盖弱目标,造成虚警和漏检[5,6]。本文针对微动杂波去除问题展开研究。微动杂波是一种时变非平稳杂波,往往具有较大的多普勒拓展,常规动目标指示(Moving TargetIndicator, MTI)或时域杂波对消类方法很难取得令人满意的效果[7,8],而空域杂波抑制方法则要求杂波和目标在空域上是可分的,否则目标和杂波会被同时抑制[9]。目前,微动杂波抑制方法主要分为参数化和非参数化。参数化方法要求对微动杂波进行精细建模,若模型无法反映杂波真实特性,将会因为模型失配导致算法性能下降甚至失效。文献[10,11]均按扇叶回波的积分模型生成正交匹配追踪(Orthogonal Matching Pursuit, OMP)的字典矩阵,实现微动参数估计、微动杂波稀疏重构及微动杂波去除等功能。显然模型中未知参数的个数决定了字典矩阵的维数及算法的计算量。与上述方法不同,文献[1214]将微动回波建模为正弦调频(SinusoidalFrequency-Modulated, SFM)信号,并分别利用逆拉东变换( I n v e r s e R a d o n T r a n s f o r m ,IRT)、正弦调频Fourier-Bessel变换(SinusoidalFrequency Modulation Fourier-Bessel Transform,SFMFBT)及参数最优匹配等方法解决后续的微动参数估计与抑制问题。相比于上述各种参数化方法,非参数化方法对信号模型的依赖程度大大减弱,因此往往具有操作简便、适用范围广等优点。目前,常用的非参数化方法有经验模态分解(EmpiricalMode Decomposition, EMD)[15]、局部均值分解(Local Mean Decomposition, LMD)[16]、独立成分分析(Independent Component Analysis,ICA)[17]等通用的信号分解类算法。此外,由于微动杂波和目标回波在时频域中的形态表现具有明显差异,基于时频变换的信号分离方法也得到了广泛研究[18,19]。文献[20]提出了一种基于L-statistics算法的微动杂波与目标回波分离方法。该方法对信号的短时傅里叶变换(Short-Time Fourier Transform,STFT)谱图沿时间维进行排序,然后舍弃适当比例的强信号成分,达到去除微动杂波的目的。该方法操作简单且具有较强鲁棒性,但它在去除杂波的同时也对目标能量造成较大损失。文献[21]利用遗传算法对上述L-statistics算法造成的目标损失进行补偿,但补偿算法计算量较大。考虑到L-statistics的上述局限,本文提出了一种基于STFT谱图滑窗相消的微动杂波去除方法。首先介绍了STFT变换的相关性质并说明了微动杂波和目标回波在STFT谱图中的形态表现。然后详细描述了所提方法的实现思路和具体步骤。最后用仿真和实测数据验证了所提方法的有效性,并与Lstatistics算法进行了性能对比。本文所提方法对相干积累时间内,非机动目标探测场景中的非平稳杂波(以风电机组微动杂波为典型代表)有较好的去除效果。2 短时傅里叶变换离散形式的STFT可以表示为S(m; k) =NΣ−1n=0x(n)w(n mR) exp(j2πkn/N) (1)w(n) Nwm [0;M)M = (N Nw)/R + 1⌋ ⌊·⌋k [0;N 1]其中, 表示窗函数,其有效窗长为,R表示相邻窗之间的时间步进, 表示时间单元, 表示时间维数, 表示向下取整操作, 表示频率单元。将式(1)沿时间维叠加,可得MΣ−1m=0S(m; k)=MΣ−1m=0NΣ−1n=0x(n)w(nmR)exp(j2πkn/N)=NΣ−1n=0w

[返回]
上一篇:一种具有多普勒容忍性的通感一体化波形设计
下一篇:基于目标检测的混合分布式PA-MIMO 雷达系统阵元优化部署