一种基于压缩感知的快速斜坡模式LFMCW车载雷达信号处理方法转让专利
申请号 : CN202110380676.8
文献号 : CN113189576B
文献日 : 2021-12-03
发明人 : 邹林 , 张美茹 , 刘德旭 , 张钧凯 , 钱璐 , 周云 , 汪学刚
申请人 : 电子科技大学
摘要 :
权利要求 :
1.一种基于压缩感知的快速斜坡模式LFMCW车载雷达信号处理方法,该方法包括:步骤1:根据发射HSR信号的相关参数,以及对距离、速度的分辨率要求设计感知矩阵;
假设发射信号中心频率为f0,光速为c,采样频率为fs,一个斜坡时长为Tc,调频斜率为k,一帧内共NV个斜坡,一个斜坡的采样点数NR=fs*Tc,即最大可测距离 最大可测速度 其中 表示发射信号波长;则:若雷达工作场景只需距离一维超分辨,距离感知矩阵A1为NR*M维矩阵,M表示CS模型中距离轴划分点数,距离轴中第m个距离网格点 其中m=1,2,…,M;A1的第n行第m维元素 其中n=1,2,…,NR;τ表示距离延时,为M维向量,第m个元素 fR表示距离频率,为M维向量,第m个元素fR(m)=‑k*τ(m);
若雷达工作场景需要距离速度二维超分辨,距离速度感知矩阵A2为(NV*NR)*(M*L)维矩阵,L表示CS模型中速度轴划分点数,速度轴中第l个速度网格点 其中l=1,2,…,L;A2的第p行第q列元素其中a1=(p‑1)modNR+1,表示原奈奎斯特采样频率fs下距离维索引;a2=(q‑1)modM+1,表示本模型距离维索引;b1=floor((p‑1)/NR)+1,表示原奈奎斯特采样频率fs下速度维索引;b2=floor((q‑1)/M)+1,表示本模型速度维索引;df表示差拍频率,为L*M维矩阵,第l行第m列元素df(l,m)=fv(l)‑fR(m),fv表示多普勒频率,为L维向量,第l个元素
步骤2:将接收信号回波与本振信号,即发射信号进行混频,得到模拟差拍基带信号,忽略回波相对于发射波的相位变化;若一帧只发射一个斜坡用于测距,目标回波其中 R0表示目标所在距离;若一帧发射多个斜坡用于同时测距测速,第n个斜坡的目标回波其中多普勒频率 v0表示目标速度; Rn表示目标相对于第n个斜坡的距离,且Rn=R0‑v0*nTc,R0表示目标相对于第1个斜坡的距离,距离频率fRn=‑kτn;
步骤3:将模拟差拍基带信号通过采样频率为fs的低速ADC,输出采样的数字差拍基带信号,此输出信号为CS模型的测量信号;
步骤4:将步骤1输出的感知矩阵及步骤3输出的测量信号输入正交匹配追踪(Orthogonal Matching Pursuit,OMP)重构系统,输入:测量向量y,感知矩阵A,信号的稀疏度;
输出:稀疏向量的估计;
步骤5:根据重构系统输出的稀疏信号s估计目标的距离、速度信息。
2.如权利要求1所述的一种基于压缩感知的快速斜坡模式LFMCW车载雷达信号处理方法,其特征在于,所述正交匹配追踪重构系统步骤如下:(1)初始化:残差r0=y,稀疏向量为零向量,支撑集为空集,迭代次数为0;
(2)寻找最佳匹配原子;
(3)更新支撑集;
(4)通过最小二乘法估计出向量中对应位置的非零元素;
(5)更新残差;
(6)验证是否满足迭代停止条件,若不满足返回第(2)步,否则停止迭代进入第(7)步;
(7)输出重构的稀疏向量。
说明书 :
一种基于压缩感知的快速斜坡模式LFMCW车载雷达信号处理
方法
技术领域
背景技术
雷达。 LFMCW体制常用波形有三角波模式,慢速斜坡模式,快速斜坡(High Speed Ramp,
HSR)模式等,在实际应用中,HSR模式相较前两者,具有单目标距离速度无耦合,且多目标无
需配对等优势,因此本发明研究HSR模式LFMCW车载雷达信号处理方法。
目标分开。因此若能在距离、速度维实现高分辨则可大大降低对角分辨率的要求。
号,再用低速模数转换器(Analog‑Digital Converter,ADC)对差拍信号进行采样,在数字
域内进行频率估计。称一个斜坡期间的时间为快时间,多个斜坡期间的时间为慢时间,沿快
时间维进行FFT,可以根据距离频率获得目标距离,沿慢时间维进行FFT,可以根据多普勒频
率获得目标速度,此 2D‑FFT结果称为距离‑多普勒谱。若探测静止目标,则只需进行距离维
的FFT即可。距离维频率分辨率Δf与发射信号的单斜坡时长Tr成反比,而Δf与发射信号的
调频斜率k有关,又 其中B为信号带宽,因此距离分辨性能随着信号带宽的增加而提
高;速度维多普勒频率分辨率与信号发射时长成反比,即信号发射时长越大,即速度分辨性
能越好。
疏信号投影为低维信号,若已知低维的测量信号及感知矩阵,通过适当的重构算法即可恢
复出高维稀疏信号。
距测速精度受到限制。为解决这一问题,现在提出一种基于压缩感知的快速斜坡模式LFMCW
车载雷达信号处理方法。
发明内容
长会降低雷达数据率。
个数的有限性,因此目标在此二维网格平面稀疏,基于此提出一种基于压缩感知的快速斜
坡模式LFMCW 车载雷达信号处理方法,该方法包括:
一帧内共NV个斜坡,一个斜坡的采样点数NR=fs*Tc,即最大可测距离 最大可测
速度 其中 表示发射信号波长;则:
第n行第m维元素 其中n=1,2,…,NR;
τ表示距离延时,为M维向量,第m个元素 fR表示距离频率,为M维向量,第 m个
元素fR(m)=‑k*τ(m);
其中l=1,2,…,L;A2的第p行第q列元素
其中a1
=(p‑1)modNR+1,表示原奈奎斯特采样频率fs下距离维索引;a2=(q‑1)modM+1,表示本模型
距离维索引;b1=floor((p‑1)/NR)+1,表示原奈奎斯特采样频率fs下速度维索引;b2=
floor((q‑1)/M)+1,表示本模型速度维索引; df表示差拍频率,为L*M维矩阵,第l行第m列
元素df(l ,m)=fv(l)‑fR(m),fv表示多普勒频率,为L维向量,第l个元素
其中 R0表示目标所在距离;若一帧发射
多个斜坡用于同时测距测速,第n个斜坡的目标回波
其中多普勒频 率
v0表示目标速度; Rn表示目标相对于第n个斜坡的距离,且Rn=
R0‑v0*nTc,R0表示目标相对于第1个斜坡的距离,距离频率fRn=‑kτn;
附图说明
具体实施方式
处,速度分别为9m/s、10m/s。设ADC的采样率fs为4MHhz,模拟产生数字差拍基带信号,此信
号亦为CS模型的测量信号。
离感知矩阵,将测量信号与感知矩阵输入OMP重构算法系统,输出稀疏信号s,根据s峰值所
在索引估计目标的距离、速度信息,测量结果如图2(b)所示。比较图2(a)(b)两图,本方法能
够分辨两个目标而FFT算法只检测到一个目标,距离性能优于传统算法,打破了距离分辨率
与信号带宽的联系,本方法的测距误差是距离轴所划分的网格点造成的。
距离速度感知矩阵,将测量信号与感知矩阵输入OMP重构算法系统,输出稀疏信号s,根据s
峰值所在横坐标估计目标的距离、速度信息,测量结果如图3(b)所示。比较图3(a)(b) 两
图,本方法能够分辨两个目标而FFT算法只检测到一个目标,距离性能优于后者,打破了距
离分辨率与信号带宽的联系,速度分辨率与信号发射时长的联系,本方法的测距、测速误差
是距离轴、速度轴所划分的网格点造成的。
特卡洛实验重构稀疏向量。定义绝对均值误差δ为每次独立实验重构的目标距离Ri(速度Vi)
与目标实际距离R0(实际速度V0i)作差取绝对值并求和取均值,即距离绝对均值误差
速度绝对均值误差 在单个动目标场景中,令
压缩比以0.2为步进,从1取到3,观察信噪比为0dB时100次独立实验下目标距离、速度的绝
对均值误差随压缩比的变化,为了在同一幅图中观察距离、速度误差变化曲线,对距离、速
度绝对均值误差分别作了归一化处理,结果如图4所示。观察图4可知,随着压缩比的增大,
网格数增多,分辨率及精度提高,绝对均值误差呈现减小趋势;影响误差的因素还有目标的
实际距离、速度与距离、速度网格点的偏差。
以 5dB为步进,从‑20dB取到10dB,分别观察压缩比为1.5,2,2.5,3时目标距离、速度绝对均
值误差随信噪比的变化,结果如图5(a)、(b)所示。观察图5,在信噪比小于‑5dB时,由于噪声
影响,重构误差比较大,随着信噪比的增大,重构误差趋近于0,重构性能优良。
CS模型的测量信号。令信噪比以5dB为步进,从‑30dB取到10dB,CS模型的压缩比为2,每一信
噪比下只重构一次,单个动目标距离、速度绝对误差的对比结果分别如图6(a)、(b)所示。观
察图6,在信噪比较小时,两个方法的误差都比较大,随着信噪比的增大,本方法距离绝对误
差小,测距精度高,速度绝对误差小,测速精度高,鲁棒性好,性能明显优于传统FFT 方法。
信号处理方法优于传统方法。