预览加载中,请您耐心等待几秒...
1/8
2/8
3/8
4/8
5/8
6/8
7/8
8/8

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111929654A(43)申请公布日2020.11.13(21)申请号202010816590.0(22)申请日2020.08.14(71)申请人上海雷骥电子科技有限公司地址200000上海市闵行区颛兴东路1277弄113号(72)发明人赵小纳胡涛李朝伟张楷生樊小景朱学勇(74)专利代理机构上海诺衣知识产权代理事务所(普通合伙)31298代理人刘艳芝(51)Int.Cl.G01S7/41(2006.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于微多普勒技术的杂波抑制方法(57)摘要本发明公开了一种基于微多普勒技术的杂波抑制方法,属于雷达信号处理领域。本发明主要是由雷达数据预处理模块、时频分析模块、幅值提取与滤波模块组成。雷达回波信号首先经过预处理模块得到雷达回波数据,然后将得到的雷达回波数据进行时频分析,得到时频图。通过对回波时频图进行幅值提取,将三维时频域变换到频域,再经过傅里叶变换和滤波,滤除杂波的微动信息,得到目标的微动信息。本发明提出的杂波抑制方法简单,对信号处理设备性能要求低,杂波抑制精度较高。CN111929654ACN111929654A权利要求书1/1页1.一种基于微多普勒技术的杂波抑制方法,对雷达回波信号依次经过雷达数据处理模块、时频分析模块和幅值提取与滤波模块进行处理后,得到目标特征信息,其特征在于:具体的处理过程如下:步骤1、通过雷达信号处理模块对雷达回波信号进行初步的数据预处理之后得到雷达回波数据;步骤2、对雷达回波数据进行时频分析,得到雷达回波数据的时频图;步骤3、对得到的时频图进行幅值提取,将三维时频域变换到二维,获取微多普勒频率序列;步骤4、对得到的微多普勒频率序列进行傅里叶变换,获取目标和杂波的微动信息;步骤5、对目标和杂波的微动信息进行高通滤波,滤除杂波微动频率信息,得到需要的目标特征信息。2.根据权利要求1所述的基于微多普勒技术的杂波抑制方法,其特征在于:步骤1中,在雷达信号预处理模块中,首先将雷达回波信号变换到频域,然后乘以ROM中预存的匹配滤波所需的匹配函数,再经IFFT变换到时域后进行距离脉冲压缩,获取包含多种杂波信号的雷达回波数据。3.根据权利要求1所述的基于微多普勒技术的杂波抑制方法,其特征在于:步骤2中,将包含各种杂波信号的雷达回波数据带入如下公式:得到目标和杂波的微多普勒频率随时间的变化规律,其中,S(τ)是雷达回波信号,g(t)是窗函数;用窗函数来取出信号,然后对取出的信号做傅里叶变换,将雷达回波数据变换到时频域,得到时频图。4.根据权利要求1所述的基于微多普勒技术的杂波抑制方法,其特征在于:步骤3中,得到雷达回波时频图为时间、频率和幅值的三维图像,对时频图进行处理,通过如下公式设置微多普勒频率的幅度阈值A,剔除微多普勒频率的低幅值分量:STFTx(t,ω)>A其中STFTx(t,ω)为t时刻对应的不同频率点幅值,A为最小幅度阈值;获取观测时间内每个时间点对应的微多普勒频率幅值,获取微多普勒频率随时间的变化函数。5.根据权利要求4所述的基于微多普勒技术的杂波抑制方法,其特征在于:根据如下公式将每一个时间点t对应的频率幅值相加,得到微多普勒频率随时间的变化函数:2CN111929654A说明书1/4页一种基于微多普勒技术的杂波抑制方法技术领域[0001]本发明属于雷达信号处理领域,具体涉及一种基于微多普勒技术的杂波抑制方法。背景技术[0002]雷达在典型草原地貌背景下探测目标,地面目标会受到复杂背景信号的干扰,常见的杂波如杂草、敌人释放的金属箔条等。这些杂波既有静止目标,又包括运动目标,在雷达回波信号中可能会产生强杂波信号干扰,甚至会淹没探测目标信号,严重影响目标特征的有效提取,因此需要对回波信号中的杂波进行抑制。[0003]目前杂波抑制方法主要有动目标显示和MTD技术,MTI技术主要用于固定杂波的抑制,常用延迟对消实现。MTD主要用来抑制运动杂波,基本思想是设计一个滤波器组,并观察每个滤波器的输出,当滤波器个数很多且覆盖目标的所有可能频点,总有一个滤波器可以实现最近滤波输出。但MTD技术不能做到不失真的保留地面目标回波信号。[0004]申请号为201710021300.1,申请日为2017年1月11日的专利申请“一种基于深度学习的杂波抑制方法”中,提出一种基于深度学习的杂波抑制方法,通过深度学习模块中的稀疏自动编码器提取出雷达回波信号的特征,并使用SVM支持向量机对其分类,得到杂波信号和非杂波信号。在深度学习模块建立的过程中,由于特征的提取是建立在大量的雷达回波信号基础之上的,因此特征的提取具有普遍性。该方法具有一定的优点,但为了保证对杂波较高的抑制精度,该方法需要经过不断训练,耗