MIMO雷达波形设计与杂波仿真
这是一篇论文，系统介绍了MIMO雷达的基本原理、波形设计，并对杂波做了建模和仿真。分类号密级UDC注1学位论文MIMO雷达波形设计与杂波仿真(题名和副题名)陈翔(作者姓名)指导教师李军副教授电子科技大学成都(姓名、职称、单位名称)申请学位级别硕士学科专业信号与信息处理提交论文日期2015.3.30论文答辩日期2015.56学位授予单位和日期电子科技大学2015年6月答辫委员会主席评阅人注1:注明《国际十进分类法UDC》的类号WAVEFORM DESIGN FORMIMO RADAR AND CLUTTER SIMULATIONA Master thesis submitted toUniversity of Electronic Science and Technology of chinaMajor: Signal and Information ProcessingAuthor.Chen Xiangadvisor:Li JunSchoolSchool of Electronic Engineering独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我·同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。作者签名:日期:年月日论文使用授权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定,有权保留并向国家有关部门或机构送交论文的复印件和磁盘,允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的仝部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存、汇编学位论文(保密的学位论文在解密后应遵守此规定)作者签名导师签名:日期:年月日摘要摘要多输入多输出( Multiple- nput multiple- Output,MMo)雷达是一种近十几年才发展起来的新体制雷达,它发射的是彼此相互正交的信号,这样MIMO雷达的信号类型与可控参数就比传统相控阵雷达更为丰富与复杂。良好的波形设计能够充分利用MIMO○雷达丰富的空时频资源,能够提高日标的探测、跟踪性能并且降低被敌方截获的概率。因此,正交波形设计是研究MMO雷达系统的关键之处,优化波形的优劣将直接决定MMO雷达性能的好坏。本文主要针对MMO雷达背景研究了两种新的正交波形优化设计方法,并结合实际工程应用背景和需求,优化改进了多相编码序列的优化算法。同吋,对MIMO雷达的地杂波进行建模分析,给出了双基地MIMO雷达的地杂波的仿真。木文涉及的内容主要包含下面几点:1.对MIMO雷达的基本结构、工作原理及特点分别进行阐述,讨论了MIMO雷达正交波形的类型和形式2.研究了基于新循环算法(CAN, Cyclic algorithm-ncw)来设计正交波形通过将相关峰值旁辦水平的最小化问题等价为一个频域最小化问题,进而转化为一个二次函数的最小化问题,并对这一二次函数不断循环优化,最终获得最优值。该算法具有很强的计算能力,能够满足雷达对超长编码的需求,冋时设计出的正交波形具有较低的相关特性,最后对该算法的相关特性进行分析。3.研究了基于序列二次规划算法()设计的连续相位编码信号,并通过在目标函数中添加严格正交约束条件使得设计出的信号具有严格正交性,提升了杂波对消的效果,能够有效的提升目标的探测性能。同时将“和信号”相关旁辦引入到目标函数之中,改善了“和信号”的相关输出。通过相位量化过程使得设计出的信号满足工程上对离散相位的要求,并对量化特性以及参数约束条件对相关峰值旁瓣量的影响让行了分析4.对MIMO雷达地杂波进行仿真,通过对两种不同幅度分布的杂波仿真分别对零记忆非线性变换法和球不变随机过程法进行研究分析,并对这两种杂波仿真方法进行比较与总结,同时对双基地MIMO雷达地杂波进行建模与仿真并进行分析关键词:MIMO雷达,正交波形设计,“和信号”相关旁瓣,严格正交性,杂波仿真ABStRaCtABSTRACTMultiple-input multiple-output (MIMO) radar as a new radar system wasdeveloped in the last decade and it has become the focus of the current internationaresearch. MIMO radar transmitter signals are mutually orthogonal to cach other, so thetype of mimo radar signal with richer controllable parameters and more complex thanthe conventional phased array radar. a good waveform designed can take full advantageof MIMO radar rich space-frequency and code resources, it could also improve targetdetection, tracking performance and reduce the probability of being intercepted by theenemy. Therefore, orthogonal waveform design is the key point of mimo radar systemsOrthogonal waveform design will directly determine the performance of MIMO radarare good or badThe main content about this article is researched two new orthogonal waveformdesign optimization methods, combined with practical engineering background andneeds, improved and optimization multi-phase coding sequence algorithms. meanwhileMIMO radar clutter is modeled by analyzing the bistatic MIMO radar cluttersimulationContents of this article are mainly involved in the following areas1. The basic structure of MiMo radar and the basic working principles aredescribed, discussed the types and forms of MIMO radar orthogonal waveform2. Research based on Can algorithm design orthogonal waveforms, by equivalentcorrelation peak sidelobe level minimization problem is a frequency-domainminimization problem, and then transformed into a quadratic function minimizationproblem and loop optimization sub-problems, and ultimately got the best value. Thealgorithm has a strong computing power, able to meet the demand for long- coded radarand the orthogonal waveforms has a low correlation characteristic. Finally, analyzed therelevant characteristics about this algorithm3. Research based on sequential quadratic programming algorithm design ofcontinuous phase encoded signals, and in the objective function by adding stringentconstraints make orthogonal design with strictly orthogonal signals, thereby improvinthe noise cancellation effect, it can effectively enhance the target detection accuracyMeanwhile, the sum-signal"associated sidelobe being introduced into the objectiveABSTRaCTfunction, improve the"sum-Signal"of the correlation output. Such that the quantizationprocess on the phase of a signal designed to meet the engineering requirements of thediscrete phase, and the quantization characteristics and parameter constraints on theamount of side lobe correlation peaks are analyzed4. Research on MIMO radar ground clutter modeling and simulation, through zeromemory nonlinearity simulation Weibull distribution clutter and through sphericallyinvariant random processes simulation K distribution clutter, and compared andsummarized this two methods. Meanwhile, for bistatic MiMo radar ground clutter hasbeen simulated and analyzedKeywords: MIMO radar, orthogonal waveform design, sum-signal"correlationsidelobe, strict orthogonal, clutter modeling目录目录第一章绪论……1.1研究背景与意义1.2研究动态与发展现状….·······1.2.1MIMO雷达波形设计现状223122MIMO雷达动态及发展状况1.3主要工作及内容安排第二章MMO雷达原理及波形设计概述2.1MIMO雷达基本原理及其特点2. I MIMO雷达基木原理2L2MIMO雷达特点22MMO雷达波形分类及设计特点2,21MIMO雷达正交波形设计特点222MIMO雷达波形分类23本章小结第三章基于CAN算法的MIMO雷达波形设计143.1MIMO雷达正交波形设计原理.酯音音看。普音DD音音番音音垂音看看3.2于CAN算法的正交波形设计;垂..看看看垂垂D垂垂·垂.垂。垂。着看垂音垂非·垂。垂非看153.2.1问题模型描述……153.2.2设计方法及设计流程…………173.23设计结果3.3基于CAN算法相关特性分析.233.3.1编码长度对相关峰值旁辦的影响233.3.2信号个数对相关峰值旁瓣的影响2434本章小结25第四章基于序列二次规划算法的MMO雷达波形设计264.1序列二次规划的数学描述264,2连续相位编码信号设计.274.2.1设计方法及设计流程1看看274.2.2设计结果。,看音音着着;音音DD看垂音音音自看看垂。垂DD音音音,音垂看看垂294.3量化及量化后相关特性分析…
- 2021-05-06下载
- 积分：1
视频中背景建模目标检测综述(北京大学)
基于视频的移动目标检测是一个重要且有挑战性的任务，在许多应用中都起到相当关键的作用。本次论文研读围绕该主题展开，深入阅读了十余篇论文，在本文总结了视频中移动目标检测的一些主要方法及各自的优劣。报告接下来的部分组织如下:第二节介绍一般问题的陈述及典型的应用,第三节与第四节分别介绍基于像素的移动目标检测方法与基于区域的移动目标检测方法,第五节进行简单的讨论与总结。2问题陈述及应用一般而言移动目标检测并不单独地构成应用,而是作为一个组件出现在许多实际的应用之中。故移动目标检测的具体要求随着应用的改变而有很大的不同。例如对足球场上球员及足球的检测与跟踪就和对视频中用户手势的跟踪有所不同,前者的关键在于如何应对复杂的光照变化有效提取运动物体,后者的难点则在于如何从整个躯休大范围的运动背景中将手势的运动识别并提取出来。尽管不同的应用可能提出不同的技术上的要求,但是相当一部分这类问题还是可以在同一的框架下进行探讨和比较的。以下就是本文讨论范围内一般问题的陈述( Figure1):a.高层次的模型一般具有检测、跟踪、识别三个模块,其中识别模块并不必须b.检测模块可细分为移动日标区域检测与移动目标分组,其中前者是这个模块能够顺利工作的保证,其日的是将各帧内移动日标所在的区域标出该模型的输入为连续的视频,输出为跟踪的物体(即轨迹)或分类的物体,DetectioTrackingbackgroundObject detectionMatching usingFramescolor texture andTrackedsubtractionusing contoursmotion featuresobiectsGr。 up handling(merging andlittonFigure1系统框架图中即为一个典型的流程图,其中省略了分类模块并把运动目标区域检测规定为背景差分方法。该模型的典型应用场景是室内外的视频监视分析( Figure2),特别是交通数据的分析。另外体育运动视频(如足球或台球)的分析也能在该模型下解决。Figure2移动目标检测的典型应用:视频监控本文讨论的就是这样一个系统之中移动目标检测部分内容,并且将重点放在了如何判定移动目标区域的部分。这是这样的系统中的最初的处理,对于之后的处理能否获得有效的信息至关重要。该内容主要涉及两个问题:如何提取运动的前景,及如何建立一个良好的背景模型。后者一般并不是应用任务中所要求完成的,但往往是用以提取运动前景很好辅助工具,将新的一帧“减去”背景即可获得移动前景,故同时具有这两个步骤的方法也被称为“背景差分”,是移动目标检测中的一大类主流方法,本报告中涉及的大部分方法即属于这一类3基于像素的移动目标检测31均值-阈限方法均值-阈限( Figure3)的基本思路是计算每个像素的平均值和标准差作为它的背景模型Mean 2*Avg DiffMean”Mean-2*Avg DiffFigure3均值-國限方法4图中为某视频中单个像素在一定时间内不断更新得到的平均值和平均差值3,该像素处在天空的位置,在一段时问后有人的手挥过该区域,可以看到由于前景目标明显不如背景中的天空明亮,所以可以很容易将其分辨出来实际上均值-阈限方法就是赋予视频中每个像素一个统计上的背景模型,例如高斯分布模型4。每个点需要两个参数来衡量:均值与方差。后面将看到,许多更先进的棊于像素的移动目标检测方法其实无非采用了更复杂的分布模型来描述每个像素32阴影去除及三高斯模型简单的帧差值或均值-阈限方法在很多应川中都面临一个很严重的问题:阴影。在某些光照条件下,移动物体产生的阴影相对背景具有非常显著的差别从而被识别成了前景,有时这些阴影比物体本身还人,并且导致原本独立的运动物体连接在一起无法分割。一种简单的思路是放弃使用灰度值进行背景建模,而采用颜色信息从而将阴影的移动去除掉。这类方法需要一条假设:移动目标投射到路面上的阴影主要改变了该位置的亮度而对色度没有大的影响°。部分情况下确实可以承认该假设。在不同的颜色模型下有不同提取亮度信息的方式。在HSV等空间中这个任务尤为简单,因为亮度本身就是一个独立的分量,所以在该分量以外的维度上进行背景建模与差分就能消除一定的阴影。如果在常用的RGB颜色空间中,亮度的提取就稍微复杂倒。Figure4RGB空间中的亮度与色度3类似标准差的作用,但是计算更快捷。C.R. Wren, A Azarbayejani, T. Darrell, and A P Pentland "pfinder Real-Time Tracking of the human body lEEETrans. Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 780-785, July 1997J.M. Alvarez, A Lopez, and r Baldrich, " Illuminant-Invariant Model-Based Road Segmentation",IEEE IntelligentVehicles Symposium, June 20085将一个像素的颜色值在RGB三维空间中表示( Figure4),背景建模就是确定了穿过原点的一条色度直线,所有在该直线上的颜色都认为是背景色。当前颜色相对参考颜色(背景)的亮度分量a1由最小化下式给出:φ(a;)=(l1-c1E)2a2表示该像素当前值相对参考背景色的相对亮度。如果其值为1则代表亮度相同,大于1代表比背景更亮,小于1代表比背景更培当前颜色到色度直线的垂直距离就表小色度的偏离:CD1=‖l2-aE1‖(3)利用色度与亮度的偏离值就可以将新的颜色值分为四个类别Forground: CDi> IcD or ai> Alow, elseM()Back ground:aτa2else(4)ShadowelseHighlightotherwise其中CD2与a分别代表均一化之后的两个偏离分量。这些方强烈依赖于上面提到的假设:阴影仅仅改变背景亮度而不改变色度。但是这个假设实际上并不总是有效,很多时候还需要更复杂的方法达到去除阴影,鉴别真正移动目标的目的。三高斯模型4就是针对去除阴影的考虑提出的。这个模型中采用三个高斯分布相结合( Figure5)对各像素进行建模。三个高斯成分分别为:道路、运动前景及阴影。这三个成分组合成为了完整的混合模型(b)和印甲品f叫intersity valeFigure5三个高斯分布相结合6此方法之后面临的主要问题是如何通过一定时间的学习获得每个高斯分布的参数从而建立有效的模型。相关文献中提出采用EM算法( ExpectationMaximization Algorithm)进行学习。EM算法是一个迭代的算法,通过有限步的迭代就能够获得较好的模型估计。一般而言,为了从一个数据集中获得该数据集满足的混合分布,可以采用最大后验概率估计的方法进行估计,但是这样的方法需要关于每个数据分类的信息(即每个值属于哪个类别)。然而在移动目标检测过程中往往都是无监督的学习从而不可能获得这样的分类信息,而只能自动设定个预先的分类,然后通过迭代不断改进,这就是EM算法的基本思路另外,由于各点的数据是不断改变的,于是采川原始的EM算法对每一帧都进行重复的迭代既不必要也不现实,可以采用EM算法的一个变种:增量EM算法33高斯混合模型(GMM331背景建虞在某些场景之下,采用三个高斯分布的混合模型仍然无法有效地描述复杂的现实环境,于是髙斯混合模型四被提出了。高髙斯混合模型采用类似3.2中三个髙斯模型的思路,希望采用多个高斯分布相结合的方法来描述环境。与前面的模型不同的是,现在高斯分布的个数不是固定的一个或三个了,而是随着各个像素实际的需要动态地进行设定。另外该方法也放弃采用费时的EM算法而采用更快捷的方式进行背景建模与更新。假设已知像素(xo,y)在过去一段时间中的颜色值或灰度值{X1,…,X}={(xo,yo,):1≤i≤t(5)若由K个高斯分布的高斯混合模型对该像素进行建模,则新观察到一个颜色值或灰度值的概率为P(x1)=)o*n(x,,E(6)在RGB等彩色空间中为了简化计算可以采用如下公式k,t7)A Dempster, N. Laird, and D. Rubin, "Maximum Likelihood from Incomplete Data via the EM algorithm", Journalof the Royal Statistical Society, pp. 1-38, 1977这个公式假设了各个颜色分量是相互独立的。尽管事实并不如此,但这样计算在保留充分的精确性的同时大大降低了计算复杂性。这样每个像素就采用κ个峰的髙斯混合模型完成了建模。剩余的问题同样是如何对模型中的各个参数进行估计,以及如何判别前景。3.3.2背景更新背景更新大致有这几个步骤:a.每一个新的值都与所有K个高斯分布进行匹配,直到找到充分吻合的分布(判断方式与均值-阈限方法类似)b.若新的值与所有K个分布都不接近,则将K个分布中权值最小的一个替换成一个新的分布,该分布以新的值为均值,并且具有很高的初始方差和很低的初始权重;C.若新的值与某个分布充分接近,则认为其属于该分布并更新各个分布的权值及参数Ort=(1-aOKt-1+aM(8)=(1-p)ut-1+p·X(9)=(1-p)21+p(X-1)(x-2)(10)here(kok(11)其中(8)式中Mkt对于匹配上的分布唯1,对于其他分布为0α表示适应性的强弱,α越大,给予新的值的权重越大,也就适应得越快;(9)式(10)式仅针对匹配上的分布,而其他分布的参数保持不表3.3.3前景检测运动前景的检测主要有以下几个步骤a.对所有的高斯分布按照ω/σ进行从大到小的排序;b.取前B个高斯分布,满足B= argminkT(12)k=其中T表示背景应该占的比重,如果T取得较小则类似于前面介绍的均值阈限模型,T取得较大则允许背景有更丰富的特性,如随风摆动的树叶或水面的波纹等等。C.如果当前出现的新的值并不符合这B个高斯分布,则认为是运动的前景,否则认为是背景。34非参数模型341背景建模为了能够更快速地适应变化的背景,并且保证对移动物体的敏感性,马里兰大学A. Elgammal等人提岀采用非参数的模型四对各个像素进行建模。该方法并不指定确切模型形式,而釆用核旳数来利用历史薮据建立模型。在釆用高斯核的情况下,一个颜色出现的概率’∑K(x-x∑∏1(13)2这样实际上就是对考虑范围内所有的历史值都建立一个高斯分布,并利用所有这些分布对当前值进行分析。由于高斯分布的假设,故(x1+1-x1)~N(0272),于是可以估计方差(14)0.68V2其中m是|x+1-xl的中位数。号外由于在这种方法下需要大量计算核函数的值,故可以预先计算出一定精度的核函数数据表,通过查表的方法大大加快计算的速度。实验表明这样的方法在一般的PC机上是可以达到实时的计算要求的。34.2减少错误检测为了降低由于局部抖动(如树叶抖动、摄像机抖动)带来的错误检测,该方法利用了一定的区域信息。原先的P(x1)现在改用Pm(x代替PN(t= maxyEN(x)Prix Byy(15)此处N(x)指该像索周围的一个小区域,B指像素y对应的背景模型。这样就充分降低了由于小范围抖动导致的错误检测。7该式成立仍然需要假设各个颜色分量相互独京。9该方法需要维护两个背景模型:长期模型及短期模型。其中短期的模型是为了能够快速适应变化的背景而提出的,仅利用相当短的一段历史值建立模型,另外该模型采用选择更新机制(仅对判定属于背景的值进行更新);长期的模型在相当长的时间内通过盲更新机制(对所有值进行更新)获得。两个模型判定结果的交集能够进一步降低错误的检测,但同时也去除了部分实际上是移动目标的部分。最终采用的策略为:所有由短期模型检测出来,并且与两个模型判定结果交集相邻的像素被视作运动的前景3.4.3去除阴景这个方法同样提到了去除阴影的问题( Figure6)采用RGB颜色模型的一个变种表示颜色:RBR+G+B·9=R+G+Bb=R+G+B′(16)s=RtG+B(17)令A为某个像素在一定时间内的取值,而定义B如下B={x1|x∈A≤≤阝(18)其含义就是该像素过去的背景取值中与当前值亮度接近的值的集合利用B中的值在(r,g)二维空间上进行上述的背景建模及前景检测,就能很有效地消除检测的阴影。Figure6非参数模型下的阴影去除4基于区域的移动目标检测从上面的介绍的方法来看,建立的背景模型越来越复杂:高斯分布的个数从一个到三个,再到K个,再到每个历史值各一个。这样的背景模型已经具有了高度的复杂性,但是在有些应用环境下效果仍然并不理想。反思一下这些方法的特点,仅仅利用各个像素的独立信息而没有考虑像素之间的关联性是键的原因。其实在3.42中采用方法实际上已经开始尝试以局部区域作为考虑问题的范围,
- 2020-12-03下载
- 积分：1
