论文部分内容阅读
随着环境复杂化、目标多元化以及任务多重化,现代雷达系统在多目标处理问题上面临着极大的挑战。针对目前多目标处理存在的问题:1)密集多目标场景在检测过程中存在遮蔽效应,高速目标的距离走动问题影响相参积累;2)多目标测距测速算法通常难以兼备估计性能和计算量;3)距离不可分辨的多目标场景下,传统的测角方法无法区分目标而导致测角失效。本文以凝视雷达系统为基础,利用其发射宽波束来获取较大的视场,并围绕大视场下的多目标检测与估计问题展开,分别对检测、测距测速以及测角三个方面进行研究。(1)针对线性调频信号构建了回波模型,并介绍了基于匹配滤波的脉冲压缩原理以及回波信号在频域进行脉压处理的流程。根据单脉冲系统中的测角模型以及和差波束的合成原理,结合波束增益修正了和差通道的输出信号模型。(2)针对目标高速运动场景,本文提出了一种速度粗补偿与速度精补偿相结合的预处理方法,用于解决高速运动目标在脉冲积累时间内产生的距离走动问题。为了解决密集多目标情况下的目标遮蔽效应,介绍了一种改进的恒虚警率(Constant False Alarm Rate,CFAR)检测方法,该方法通过在参考窗内进行极值剔除来获取更准确的干扰功率估计值,并且通过扩展二维待检信号使得信号边缘也满足CFAR检测的运算条件。(3)本文提出一种基于最大似然估计(Maximum Likelihood Estimation,MLE)的多目标分区间估计算法,用于解决MLE全局搜索下的时间复杂度问题。同时,本文给出了一种基于CZT-IFFT的快速算法,该快速算法通过CZT和IFFT变换进行降阶处理,从而提高算法的运行效率。然后针对速度模糊问题,给出了一种基于MLE的速度解模糊方法,并通过仿真实验验证了该方法的可行性。(4)针对传统的单脉冲比幅(Amplitude Comparison Monopulse,ACM)测角法在距离不可分辨的多目标场景中存在测角失效的问题,本文提出了一种基于CLEAN 的MAC-ML(Multi-Target Amplitude Comparison Based on Maximum Likelihood,MAC-ML)算法,并对角度估计值的克拉美罗下限(Cramer-Rao lower Bound,CRLB)进行推导。针对不同的多目标场景,通过仿真实验验证了基于CLEAN的MAC-ML算法的测角精度可以达到CRLB。