宽带雷达方位不确定的目标识别波形优化设计.docxVIP

宽带雷达方位不确定的目标识别波形优化设计 1 发射-接收联合优化设计方法,目标中的波形优化 感知雷达是雷达发展的一个重要方向。通过与环境的相互作用，我们可以分析和研究环境，根据环境的统计特性自适应调整虚拟机和接收机，从而实现特定的遥感目标。它与自适应雷达一个最重要的区别就是可以根据环境变化自适应地调整发射机。由于雷达是通过对目标回波的分析来进行检测、跟踪和识别的, 根据背景和目标的具体情况选择相应的发射波形就成了发射机调整的一个主要方面, 所以波形优化设计技术将在感知雷达中起着重要的作用。目标识别技术也是现代雷达发展和性能扩展的一个重要方面, 现有关于目标识别的研究主要关注于识别算法, 而如果目标回波不能充分体现各类目标特性的差异, 就会给识别算法的选择增加很大的难度, 同时也很难得到满意的识别效果。一组能充分体现异类目标之间的差异的发射波形不仅可以提高系统的识别性能, 还能降低识别算法的复杂度, 这对于雷达目标识别来说将具有非常重要的意义。宽带雷达在波形设计方面有较大自由度, 为波形设计提供了可能, 直接数字频率合成 (DDS) 技术的发展也为复杂波形的产生提供了技术上的保障, 这些使得发射在某些方面具有高性能的宽带信号成为现实。 现有的宽带雷达波形优化设计方法主要有两种。一种是采用特征值方法进行波形优化, 针对目标检测问题, 文献[2, 3]以最大化目标回波信号输出的信杂噪比为准则, 根据目标的冲激响应提出了有限能量有限时宽的宽带雷达信号的发射-接收联合优化设计方法。在此基础之上, 文献针对目标识别波形优化问题又给出了确知目标冲激响应的波形优化设计方法。然而, 通常目标方位角是不能精确已知的, 对于这个问题文献提出了针对目标方位不确定的目标识别波形优化方法, 它的优化准则是最大化两目标各方位回波之间马氏距离的平方的总和, 简称为MESMD (Maximize the Expected value of the Square of the Mahalanobis Distance) 方法。但是这种设计方法得到的优化波形往往将能量集中在一段频率上, 不能照顾到各个方位角下目标的回波, 同时也限制了发射信号的带宽, 从而影响了雷达的分辨力, 防窃听等方面的性能。利用信息论技术进行优化设计是波形设计的另一个重要方法, Woodward和Davies首先说明了信息论技术对于雷达接收机研究的重要性, Bell提出了利用雷达回波与随机扩展目标之间的互信息 (Mutual Information) 的波形设计, 并得到了注水法 (Water-Filling method, WF) , 它是通过最大化回波与目标特性之间的互信息, 有效的降低了目标响应的不确定性。针对多类目标估计和跟踪的优化问题, 文献[8-11]在此方法之上提出了新的优化准则, 给出了一个或多个发射信号的优化方法, 得到了较好的效果。但文献[7-11]都假设每类目标的冲激响应服从高斯分布, 这在目标方位不确定的情况下是不能满足的;优化中只能在每一类目标众多冲激响应中计算出一个值作为代表, 然后用WF方法进行优化, 这限制了优化方法的性能。 通常情况下, 目标识别是对雷达目标距离像进行识别, 然而由于脉冲压缩处理就相当于给目标回波进行加窗, 会减少目标回波中所包含的目标信息, 这对于识别是很不利的。与传统的一维距离像目标识别不同的是, 针对目标识别的波形设计拥有一些先验信息, 可以直接对目标回波目标识别, 这样可以保留目标回波中更多的信息, 同时还可以给波形设计留下更多的自由度。 本文针对在多类目标、方位不确定情况下的目标识别波形优化问题, 在色噪声背景下提出一种多特征子空间波形, (Multi Eigen-Subspace, MES) 优化方法。它首先对各类目标在各个方位下的回波信号两两一组进行单独的波形优化, 提取出可以较好体现它们之间可分性的特征向量, 然后在更广泛的方位下进行筛选, 利用最后选出的特征向量张成多个特征子空间, 并将期望的信号投影到这些子空间上形成最终的优化信号。该方法既提高了各类目标之间的可分性, 又照顾到了不同方位下的多类目标的情况, 从而避免了MESMD方法对目标回波马氏距离的均值进行优化所带来的问题, 并保留了期望信号的一些优良特性, 较好地解决了方位不确定情况下多类目标识别的波形优化问题。仿真证明, 与已有的MESMD方法和WF方法相比, 本文提出的MES方法可以更好地增加不同方位下各类目标之间的可分性, 从而提高识别性能。 2 目标方位角的估计 假设一个有限时宽的信号f照射到一个冲激响应为w的静止目标, 信道噪声为广义静态噪声, 记为n, 其功率谱密度记为Gn(w) , 信号模型如图1所示。由于目标回波信号存在多重反射现象, 目标冲激响应w