基于宽窄带结合和差单脉冲的识别雷达方法及系统技术方案

本申请提供基于宽窄带结合和差单脉冲的识别雷达方法及系统，方法包括：系统正常工作在窄带模式下，通过发射宽波束，以及同时形成多个覆盖发射波束空域的高增益窄波束进行处理；当需要对特定目标进行识别时，在窄带模式下，插入宽带模式时隙，形成和差三波束，分别对每个波束的输出进行处理；宽带模式下，利用窄带模式下的距离和速度估计结果作为先验信息，采用和差比幅单脉冲测角算法，得到目标的P

【技术实现步骤摘要】
基于宽窄带结合和差单脉冲的识别雷达方法及系统


[0001]本申请涉及雷达系统目标识别
，特别涉及基于宽窄带结合和差单脉冲的识别雷达系统及方法。

技术介绍

[0002]雷达使用无线电信号探测和发现目标，并确定目标的位置参数以及形状、结构、尺寸和运动特性等，是现代战争中情报获取的重要途径。随着战场电磁环境和干扰环境日益复杂，能否快速发现并识别目标变成战争中的关键一环。
[0003]现有的雷达目标识别方法主要使用目标高分辨距离像或微动信息。在高分辨距离像识别方面，通过使用较大瞬时带宽信号可以提高距离分辨力，得到目标高分辨一维距离像，获得沿雷达视线方向下目标的散射点分布。因此，可以通过视线上散射点分布特性进行判断识别。此种方法，对电大尺寸目标，如飞机、轮船等目标是较为有效的，但对车辆、人、动物等小目标，识别效果会较差。而且这种方法具有目标视角敏感的问题，需要对同一目标的不同视角下的一维距离像进行不同解析处理，得到单目标多视角下的模板，识别时需要匹配不同目标的多组模板，计算量大，效率低。
[0004]另外，微动是指目标本身或者其组成部分除质心平动以外的微小运动，如振动、转动和加速运动等。通过对目标的运动特性进行建模分析，得到不同目标微动信息的差异，利用这种差异可以实现目标识别。这种基于微动特性识别的方法适用于如轮式车辆和履带车辆，人与动物等在运动特性上有明显的差异的情况，但并没有考虑目标外形，轮廓上的差异。
[0005]传统的基于微多普勒或者微动特性的目标识别方法通过人工提取某些有物理意义的特征，采用支持向量机、线性判别法等分类器进行分类识别。此类方法无法提取目标深层的潜在特性，具有计算量较小和识别效率较低的特点。

技术实现思路

[0006]本申请提供了基于宽窄带结合和差单脉冲的识别雷达系统及方法，可用于解决目标识别过程中无法识别深层潜在特性的技术问题。
[0007]本申请提供基于宽窄带结合和差单脉冲的识别雷达方法，方法包括：
[0008]步骤1：系统正常工作在窄带模式下，通过发射宽波束，以及同时形成多个覆盖发射波束空域的高增益窄波束进行目标搜索、确认以及距离、速度和角度跟踪；
[0009]步骤2：当需要对特定目标进行识别时，在窄带模式下，插入宽带模式时隙，利用窄带模式下的角度估计结果，形成和差三波束，分别对每个波束的输出进行脉冲压缩、MTD处理；
[0010]步骤3：宽带模式下，利用窄带模式下的距离和速度估计结果作为先验信息，采用和差比幅单脉冲测角算法，得到目标的P
×
Q的高分辨距离
‑
多普勒谱图，以及Y
×
Z的强散射点分布图；
[0011]步骤4：构建双通道ResNet深度卷积神经网络，使用带标记的高分辨距离
‑
多普勒谱图以及强散射点分布图像数据对网络参数进行训练，并使用训练后的网络进行实时目标识别。
[0012]可选的，宽带模式下，利用窄带模式下的距离和速度估计结果作为先验信息，采用和差比幅单脉冲测角算法，得到目标的P
×
Q的高分辨距离
‑
多普勒谱图，以及Y
×
Z的强散射点分布图，包括：
[0013]步骤3.1：对接收到的宽带线性调频脉冲回波信号，进行和差三波束形成、脉冲压缩和MTD后得到目标和波束、方位差波束和俯仰差波束的距离
‑
多普勒谱图；
[0014]步骤3.2：设定判决阈值，对和波束的距离
‑
多普勒谱图做门限判别，大于阈值的判定为目标的强散射点；
[0015]并计算强散射点距离以及距离门内的和波束和方位差波束输出之比，得到散射点方位角分布图；
[0016]步骤3.3：利用散射点角度和距离分布图描述散射点分布。
[0017]可选的，构建双通道ResNet深度卷积神经网络，使用带标记的高分辨距离
‑
多普勒谱图以及强散射点分布图像数据对网络参数进行训练，并使用训练后的网络进行实时目标识别，包括：
[0018]步骤4.1：将得到的距离
‑
多普勒谱图以及强散射点分布图，分为训练集和验证集，并制作对应的标签；
[0019]步骤4.2：设置损失函数、学习率以及最大迭代次数在内的训练参数，将训练集及标签放入改进的双通道ResNet深度卷积神经网络，进行参数训练直至训练损失收敛后，将得到的训练参数保存。；
[0020]步骤4.3：将经过训练的权重参数加载于双通道ResNet深度卷积神经网络，得到最终的网络模型。
[0021]可选的，双通道ResNet深度卷积神经网络中一个通道用于输入散射点角度图，另一个通道用于输入距离分布图；
[0022]两通道结构相同，每一通道包括4个卷积层以及池化层，后接3个全连接层，两个通道在全连接层处相连，并共用后续2个公共全连接层。
[0023]本申请还提供基于宽窄带结合和差单脉冲的识别雷达系统，系统包括：
[0024]子阵相控阵数字收发天线、2N路射频通道接收机以及2N路宽带高速采样/处理/识别分系统；
[0025]其中，2M
×
N个单元天线中每M个天线经过T/R组件和功率合成网络形成一个子阵输出，2N路通道接收机将射频信号混频滤波后输出2N路中频信号，并输出给2N路宽带高速采样/处理/识别分系统。
[0026]可选的，2N路宽带高速采样/处理/识别分系统集成在符合VITA46标准6U VPX结构的机箱内；
[0027]2N路宽带高速采样/处理/识别分系统内板卡模块包括多通道采样模块、V7 XC7VX690TFPGA与DSP处理模块、TMS320C6678 DSP处理模块和JetsonAGX Xavier GPU处理模块；
[0028]其中，FPGA用于乘累加操作的并行处理；
[0029]DSP处理模块用于复杂信号处理算法的快速运算；
[0030]数百个CUDA核的GPU用于构建深度神经网络；
[0031]板卡模块之间通过SRIO交换网络和点对点高速星形互联网络，任意板卡间双向交互带宽不小于40Gbps。
[0032]本申请与现有技术相比：
[0033]雷达系统的构建采用符合VITA466U标准的硬件平台，具有标准化、模块化、高速高性能特性。基于FPGA、多核DSP和GPU等异构处理节点的板卡模块可以按需配置，充分发挥各种处理节点的优势。板卡模块之间通过SRIO交换网络和点对点高速星形互联网络，满足了大带宽所带来的数据率；
[0034]窄带模式和宽带模式按需动态配置使用。系统正常工作在窄带模式，当需要对特定目标识别时，插入一个积累周期的宽带模式，可以实现边探测边识别。
[0035]目标的高分辨距离
‑
多普勒谱图以及强散射点分布图包含了复杂目标丰富的特征信息。其中，不仅包含了目标在雷达视线上散射点的分布和微动信息等，还包含了目标的粗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于宽窄带结合和差单脉冲的识别雷达方法，其特征在于，所述方法包括：步骤1：系统正常工作在窄带模式下，通过发射宽波束，以及同时形成多个覆盖发射波束空域的高增益窄波束进行目标搜索、确认以及距离、速度和角度跟踪；步骤2：当需要对特定目标进行识别时，在窄带模式下，插入宽带模式时隙，利用窄带模式下的角度估计结果，形成和差三波束，分别对每个波束的输出进行脉冲压缩、MTD处理；步骤3：宽带模式下，利用窄带模式下的距离和速度估计结果作为先验信息，采用和差比幅单脉冲测角算法，得到目标的P
×
Q的高分辨距离
‑
多普勒谱图，以及Y
×
Z的强散射点分布图；步骤4：构建双通道ResNet深度卷积神经网络，使用带标记的高分辨距离
‑
多普勒谱图和强散射点分布图像数据对网络参数进行训练，并使用训练后的网络进行实时目标识别。2.根据权利要求1所述的方法，其特征在于，宽带模式下，利用窄带模式下的距离和速度估计结果作为先验信息，采用和差比幅单脉冲测角算法，得到目标的P
×
Q的高分辨距离
‑
多普勒谱图，以及Y
×
Z的强散射点分布图，包括：步骤3.1：对接收到的宽带线性调频脉冲回波信号，进行和差三波束形成、脉冲压缩和MTD后得到目标和波束、方位差波束和俯仰差波束的距离
‑
多普勒谱图；步骤3.2：设定判决阈值，对和波束的距离
‑
多普勒谱图做门限判别，大于阈值的判定为目标的强散射点；并计算强散射点距离以及距离门内的和波束和方位差波束输出之比，得到散射点方位角分布图；步骤3.3：利用散射点角度和距离分布图描述散射点分布。3.根据权利要求1所述的方法，其特征在于，构建双通道ResNet深度卷积神经网络，使用带标记的高分辨距离
‑
多普勒谱图和强散射点分布图像数据对网络参数进行训练，并使用...

【专利技术属性】
技术研发人员：马晓峰，张锦涛，胡霞霞，盛卫星，张仁李，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：