雷达基数据范文

雷达基数据范文（精选3篇）

雷达基数据 第1篇

海岸基相控阵测量雷达通常布站在离海岸有一定距离的高山或海岛上,完成多个目标的跟踪测量任务。雷达跟踪测量低空目标的精度要求达到1~ 3mrad。当目标低空飞行时,雷达波束指向基本在0°上下,山体、海面海杂波和多路径效应对雷达发现和跟踪低空快速目标的性能影响巨大,甚至无法发现和连续稳定跟踪目标,这是海岸基相控阵测量雷达设计师面临的、必须解决的关键问题。

文献[1]介绍了海杂波特性,从系统设计和信号处理两个方面提出了雷达抗海杂波措施。变极化措施、杂波图CFAR等措施因雷达大功率发射管不能适应频率捷变,面阵微波器件实现变极化困难, 以及工程造价等因素制约,国内目前仍处于理论研究阶段。

文献[2]在雷达低角跟踪性能影响分析基础上提出了3种改善仰角跟踪性能的方法。天线窄波束设计和偏轴跟踪技术在工程中得到了应用,复角技术因不好解决测角模糊问题没有得到实际应用。

为最大限度地减轻或解决海杂波干扰影响雷达搜索跟踪目标问题,本文提出了优化雷达信号波形、改善信号处理方式、利用中频目标模拟器仿真研究杂波特点等一些较为实用的设计方法和技术措施。因篇幅限制,文中未给出相关理论公式推导。

1 优化雷达信号波形

1.1 影响海杂波的因素

海杂波的反射面积可用如下公式表示[1]

式中σ0为海面杂波的反射率,由海况决定,不同时间不同海域海杂波影响不同,属于不可控因素; 距离R由目标位置决定,雷达位置和威力一旦确定, R值范围可以大致确定; ψ为入射角,由目标与天线架高决定, ψ值范围可以大致确定;c为常数;因此雷达总体设计时考虑的因素主要有天线波束宽度θ和脉冲宽度τ。工程设计中我们考虑了通过降低天线波束宽度和减少脉冲宽度,以减少海杂波的干扰, 在信号设计上采用10MHz的线性调频信号[3],压缩后经加权的脉冲宽度可以达到0.15μs,减少了杂波单元。

1.2 信号波形设计方法和原则

由于数字技术和新型器件的应用紧密结合,可以比较方便地产生和处理各种复杂信号波形,从而提高雷达抑制海杂波的能力,同时获取高的目标分辨性能。海岸基相控阵测量雷达不仅要完成中高空目标的测量,关键要能完成低空目标测量。工程中我们把雷达工作时的俯仰角度在3倍俯仰波束宽度以下,定义为雷达工作在低空状态下。此时就需要尽量解决海杂波干扰和多径效应影响雷达连续稳定跟踪问题,有许多相关文献解决这两个问题,但大多是从理论角度提出方法措施。我们通过在工程中设计两种雷达信号波形,一种用于完成中高空目标测量,一般采用单个脉冲或中重复频率脉冲串信号波形;一种用于完成低空目标测量,一般采用低重复频率脉冲串信号波形。

设计低重复频率脉冲串时,要根据杂波的实际覆盖范围,同时考虑雷达视距和雷达低空最大作用距离,避免杂波的折叠,波形的脉冲宽度、脉冲串个数、最短重复周期要合理优化选择,同时还要兼顾雷达精度要求,提高跟踪数据率。在选取低重复频率脉冲串后,由于没有杂波折叠,雷达下视后从主瓣进入的杂波和目标回波在距离上能较好分开, 但从副瓣进入的杂波还有可能和目标进入同一距离单元,可以采用脉冲对消进行MTI处理;在选取低重复频率脉冲串后,虽然距离没有模糊,但速度可能存在模糊,可以通过选取不同的重复频率以避盲。

发射机发射波形的占空比和平均功率也要综合考虑发射机前级场效应管放大器和末级多注速调管的性能;采取阴极调制的多注速调管可以在不降高压的情况下实现两种波形的切换,确保雷达连续跟踪中高空、低空目标。

2 改善信号处理方式

雷达信号处理要能对掠海飞行的快速小目标进行自主截获与连续跟踪测量,具备在强杂波背景下对径向速度为零的目标的连续跟踪测量能力;采用MTD与MTT技术消除杂波的影响[4],提高系统的改善因子;选择适当的脉冲重复频率以消除目标的盲速影响;采用TAS(Tracking and Search)跟踪策略, 提高快速目标跟踪的可靠性和精度;低空目标水平跟踪区采用C2算法[5],提高雷达低空跟踪性能和精度。信号处理由搜索到跟踪的整个过程分为搜索、截获、粗跟、精跟四个过程,下面简要介绍四个过程中采取的抗杂波和连续稳定跟踪目标的信号处理过程和方法。

2.1 搜索过程

在处理低空低重复频率脉冲串波形时,采用3脉冲对消后多点FFT实现匹配滤波抑制杂波。n点FFT处理后,实际上形成n个相互重叠的滤波器,每个窄带滤波器只占延迟对消器通频带的大约1/N宽度, 输出信噪比有相应提高。为了消除低速目标和杂波的影响,将边缘滤波器舍弃不用;采取脉冲对消处理削弱杂波的主要能量和加权处理压低滤波器副瓣, 进一步减少杂波从滤波器的主瓣和副瓣进入,信号处理时还要考虑杂波所处的位置相对于雷达的距离, 合理选择使用的脉冲串个数。

2.2 截获过程

当雷达系统处于截获工作状态时,信号处理器仍然工作在搜索状态,此时波门设置为搜索波门, 并在整个截获过程中保持波门位置不变,考虑最近距离截获与最大速度目标的截获,截获波门设置为两档。检测到的目标位置,使用时变 - 滤波器进行开环滤波,估计目标的速度与预测目标的位置。截获状态下的 - 滤波器采用变参数滤波器,具体如式(2)所示。

式中:n为扫描或目标观测的次数(n>2,n=1时α =β=1.0)。

2.3 粗跟过程

确认检测到信号后,信号处理器进入跟踪状态, 在跟踪起始段,为了实现跟踪回路的快速收敛和对快速目标有较强的适应能力,距离跟踪回路的 α -β 滤波器和AGC回路的α滤波器均采用较高的带宽,跟踪波门也采用宽跟踪波门,确保目标在跟踪稳定前,目标的速度不会穿越波门导致目标丢失。

2.4 精跟过程

在稳定跟踪过程中,距离回路 α- β滤波器和AGC回路的α滤波器均采用较窄的带宽,跟踪波门也采用窄波门。

在信号处理软件中加入滤波器跳变及数据合理性限制,防止杂波引起波门的错误跟踪。为了保证跟踪的连续性,采用在没有回波时仍保持数秒记忆跟踪, 让雷达能够避开海上大反射面积固定目标杂波干扰。

3 利用目标模拟器和视频记录研究杂波特点

我们在工程中研制了雷达目标模拟器和视频记录回放系统。雷达目标模拟器能产生弹道参数(距离、方位、俯仰及速度)调制的多目标中频信号波形,用于雷达系统的监测、各分系统对接和模拟试验,以及雷达系统的功能测试和检查;视频记录回放系统能记录距离显示视频信息,并具有回放功能, 用于杂波频谱特性、强度及回波统计特性研究,方便了杂波特性的研究。图1为不同时间雷达记录的距离显示视频,可以看到不同时间、不同海情条件下, 杂波有非常大的区别。雷达调试期间发现,主瓣杂波信号比目标回波信号高50dB以上,而雷达的改善因子还做不到50dB以上。通过对雷达测量航路不同气象、不同海况条件下的长时间杂波统计分析,指导设计出抗杂波能力强的信号波形的脉冲宽度、脉冲重复频率以及滤波器的各种因子,较好地解决了雷达抗杂波和连续稳定跟踪问题。

不同时间雷达记录的距离显示视频

4 工程实践与验证

雷达研制完成后,通过雷达参加实战任务以及利用中频目标模拟器仿真,经过长时间观察和分析雷达A显示视频,发现雷达工作航区海杂波的分布特性,并不断对雷达的信号波形参数进行调整和改进雷达信号处理方式,把海杂波的影响降到了最低。图2为雷达跟踪低空掠海飞行快速小目标测量值与GPS真值的方位、俯仰随机误差一次差曲线。

从图2中看出,雷达方位角随机误差在0.3mrad左右,而受到海杂波和多路径影响的俯仰角随机误差在1mrd左右(约为波束宽度的1/19),这说明雷达采取的抗海杂波和多径效应的设计是可行和有效的。

海杂波分布特性和运动特性是一个变化的复杂的过程,不同的海况、气象环境影响和目标特性对海杂波的影响不一致,我们会不断地摸索研究。

摘要：用于完成海面低空快速多目标跟踪测量的海岸基相控阵雷达由于主瓣掠地或掠海,导致接收的主瓣杂波过强,主瓣杂波折叠到目标跟踪单元,导致在某些角度对消后的杂波比回波信号还强,以致无法保证连续跟踪测量目标。提出通过优化雷达信号波形、改善信号处理方式、利用中频目标模拟器和视频记录回放系统研究杂波特点等方法措施,最大限度地降低海杂波对雷达跟踪的影响,实践证明能有效提高雷达跟踪海上多目标的能力。

气象雷达数据分析论文 第2篇

1.系统的设计

系统主要实现软件的模块话设计，包括反射率数据分析模块、速度分析模块、天线运行稳定性分析模块以及雷达组网数据分析模块。

1.1反射率分析模块

反射率的大小体现了气象目标的降水粒子的密度分布及体积大小，在实际气象技术中长期用于表示气象目标的强度，在工作上采用dBZ单位表示。对于空管气象雷达图，数据显示采用PPI(PlanPositionImage)显示方式。该方式决定了一张气象雷达图由圆锥俯视平面上分析空间的回波构成。在设计上简单介绍其设计流程，首先必须读取原始数据，并判断是否首次读取，若为首次读取则对其进行预处理，否则进行坐标转换；其次进行图像绘制并判断是否需要改变仰角。此处需要关注的关键是如何进行数据的预处理。在实现上，对接收的数据进行反射率信息结构体赋值。当然该结构体包括了记录实际仰角角度、数据文件路径存储、雷达波段判断以及相关数据的偏移。通过扫描上述结构体可以实现对雷达数据的预处理。

1.2速度分析模块

多普勒雷达采用了速度退化模糊技术以扩大其对径向风速测量不模糊的区间。结构设计主要考虑数据显示的径向方式，流程设计则与反射模块类似。当然在界面设计上，系统将提供对颜色配置的`定义，使其人机交互更为快捷。

1.3天线稳定性分析模块

天线是雷达数据采集的关键部位，长期以来是影响雷达运行的主要关键点之一。其依赖于底下的电机进行旋转，目前大多数进口电机可以保证24小时安全运行。而运行时仰角提升和转速的平稳性直接影响雷达数据的采集。为此，我们通过在径向数据上采用方位角及仰角进行扫描实现曲线图监控。通过选择基数据再进行预处理后绘制相关曲线实现对天线运行状态的评估。其中，曲线图的绘制需要的参数为：纵坐标为气象雷达实际运行的每层仰角均值；横坐标为范围角：0-360°。

1.4雷达组网分析模块

按照民航局的总体规划，未来空管将实现多气象雷达覆盖，在这过程，多个气象雷达的组网将成为气象雷达数据的主要来源。这种模式将使得数据覆盖面更大、数据安全性更高、数据准确性更强。而与此同时带来了雷达数据融合组网的技术难点。设计上，首先模块将定义雷达站点配置信息，并与此同时提供组网雷达可选数据；其次对选择雷达数据进行数据预处理；再之则对雷达数据进行统计平均并做坐标转换；最后进行拼图处理。在这过程中，需要对雷达数据的强度进行自适应调整、显示范围自适应调整。与上述同理，系统核心在于预处理。在C#中定义List数据列表，并在定义其结构为[站点标示][距离][方位角]，对于数据读取时，需要进行插值算法处理，此时的单时数据拼接分析可以实现不同仰角和方位角的筛选。为了控制系统数据的准确性可以在前端定义雷达数据方位角表，根据表进行映射处理。通常如若出现非连续数据可以在预处理上对其进行差值补偿。在C#上可以采用反差圆补偿方法。

2．结束语

欧洲猫系统中雷达数据融合研究 第3篇

关键词：数据融合;一/二次雷达;欧洲猫自动化系统;卡尔曼滤波算法

中图分类号：TP274.2   文献标识码：A      文章编号：1006-8937（2016）26-0059-02

1  自动化系统中的数据融合技术

在自动化系统中的雷达数据处理包括很广泛的内容，这里指的是雷达在取得目标的位置、运动参数据（如径向距离、径向速度、方位和俯仰危等）后进行的互联、跟踪、滤波、平滑、预测等运算。

对雷达测量数据进行互联、跟踪、滤波、平滑、预测等处理，以有效地抑制测量过程中引入的随机误差，精确估计目标位置和相关的运动参数（如速度和加速度等），预测目标下一时刻的位置，并形成稳定的目标航迹[1]。

滤波器是雷达数据处理中的核心部分。它对目标的量测（与目标状态有关的受噪声污染的观测值），有时也称为测量或观测进行处理以达到下述目的：

①利用时间平均法减少测量误差;

②估计目标的速度和加速度;

③预测目标的未来位置。

这里我们只介绍运用在欧洲猫自动化系统中的雷达数据线性滤波方法包括卡尔曼滤波（Kalman Filter，KF）[4]。

2  卡尔曼滤波算法

最早的雷达处理方法是19世纪初Gauss（高斯）提出的最小二乘法。1795年，高斯首次运用最小二乘法预测神谷星轨道，开创了用数学方法处理观测和试验数据的科学领域。

这种方法经后人的不断修改和完善，今天已经具有适于实时运算的形式。现在滤波理论是建立在概率论和随机过程理论的基础之上的。

最早的滤波技术采用维纳滤波，但是维纳滤波只能应用于线性系统中，因为表示维纳滤波的脉冲响应只对线性系统有意义。由于这些问题的存在，使维纳滤波理论在工程上的应用受到很大限制。

由于跟踪精度和抗干扰的要求，20世纪50年代又出现了单脉冲雷达，该雷达在目标定位方面更加精确。60年代以后随数字技术和估计理论的发展，出现了数字跟踪系统。

在理论方面，Kalman（卡尔曼）等人将状态变量分析方法引入滤波理论中，得到了最小均方误差问题的时域解。

卡尔曼滤波理论突破了维纳滤波的局限性，它可用于非平稳和多变量的场合，而且卡尔曼滤波具有递推结构，因此特别适合于计算机计算。

由于这些原因，卡尔曼滤波已成为数据处理的主要技术。

用线性离散系统表示，假定在k时刻，系统目标状态变量为，则系统的状态方程为：

X（k）=A（k，k-1）X（k-1）+B（k，k-1）U（k-1）（1）

其中，A为k时刻的状态矢量;

（k，k-1）是系统参数，对于多模型系统而言;

（k-1）为状态转移矩阵;

B（k，k-1）为系统控制矩阵;

U（k-1）为系统的零均值的高斯白噪声，它的方差为Q，设k时刻系统的观测矢量为，则观测方程为：

Z（k）=HX（k）+V（k）（2）

其中，H为k时刻观测矩阵;

V（k）为零均值的高斯型的测量噪声，方差为R。

则根据卡尔曼滤波更新，在k时刻的预测状态为：

X（k|k-1）=A（k，k-1）X（k-1|k-1）（3）

其中，A（k，k-1）表示k-1时刻对k时刻的状态估计值;

X（k-1|k-1）为k-1时刻平滑过后的状态结果值。

对于k时刻的状态做了预测之后，我们需要根据k-1时刻平滑值存在的可能偏差和k时刻预测值的偏差估算k时刻平滑值的偏差，则用协方差矩阵表示可得：

P（k|k-1）=？渍P（k-1|k-1）？渍T+Q（4）

式子（3），（4）就是卡尔曼滤波算法前两个公式，也是对系统的预测，现在我们有了现在状态的预测结果，然后我们需要再收集系统对现在状态的测量值，结合预测值和测量值，我们可以得到k时刻平滑后的真实值：

X（k|k）=X（k|k-1）+K（k）·[Z（k）-·H·X（k|k-1）]（5）

上式中，为k时刻的滤波增益矢量（也被称为卡尔曼增益），它取决于预测协方差和预测值协方差之比，由滤波增益方程可得：

K（k）=P（k|k-1）·HT·[H·P（k|k-1）·HT+R]-1（6）

到现在为止，我们得到了k时刻状态下的平滑值X（k|k），但是自动化系统中对于航迹的推测是不断运行下去直到航班落地或是飞离管制区，所以我们还需要更新k时刻平滑值存在的偏差协方差：

P（k|k）=（1-k（k）·H）·P（k|k-1）（7）

公式（3）～（7）即为离散型卡尔曼滤波算法的基本方程，它能将不同时协方差不断递归，从而得出平滑值，卡尔曼滤波算法运行地很快，而且它只保留了上一时刻的协方差值，卡尔曼增益也会随着不同的时刻而改变自己的值，从而能根据上一时刻的平滑值和该时刻的测量值推算出该时刻的平滑值。

同时根据公式（5），我们可以得到平滑值的估计误差为：

ek=Z（k）-H·X（k|k-1）（8）

以上是针对单部雷达送过来的数据信号而言，华东地区的现接入到系统中的雷达数有28部，所以在各部雷达对所测目标进行数据处理之后，还需要与其他27部雷达进行时间校准，进行加权融合之后才能得到k时刻目标状态平滑值X（k），以及协方差P（k）。

3  改进的卡尔曼滤波算法

在欧洲猫自动化系统的原始设计中，基于导航精度和系统当时所能承受的计算量的考虑，采用卡尔曼滤波算法。

观察卡尔曼滤波算法的公式，发现公式（4）和（6），出现了高斯白噪声参数Q和R，在理想状态下，我们假设这两个参数不随系统状态的变化而变化（即使是多雷达探测情况下，我们也假设这两个噪声方差阵是根据标定参数确定的定常矩阵）。

而在实际情况下，由于航班在飞行过程中时时存在空中姿态、飞行速度、高度层穿越等状态变化，环境等因素必然在急剧地变化，固定的Q和R并不能准确地反映实际系统的噪声情况。

而且在随机数学当中，式子（8）得出的误差值应该符合正态分布，但当Q，R变化过大时，就会导致误差量与正态分布不符，即卡尔曼滤波不再是最优化的估计算法，继续观察公式（4）和（6），发现在这两个参数出现的时候，我们可以通过对平滑值协方差和高斯噪声参数进行加权来改进卡尔曼滤波算法，由此我们得出下式：

P（k|k-1）=α？渍P（k-1|k-1）？渍T+βQ（9）

其中，α+β=1，通过改变α和β值，我们就能够协方差值进行调整，而且为了满足（8）符合正态分布的要求，我们可以在程序中设置条件函数来选取满足该要求的α和β值，从而保证改进的卡尔曼滤波算法仍然是最优化的滤波算法。

4  结  语

本算法从理论上对欧洲猫自动化系统卡尔曼滤波算法进行改进，从理论上推测该算法能够更加实时地推测出系统航迹所在位置，为管制员提供更高质量的雷达信息。

参考文献：

[1] 李洪志.信息融合技术[M].北京：国防工业出版社，1996.

[2] 周宏仁.机动目标跟踪[M].北京：国防工业出版社，1991.

[3] MARK HEW ISH. Pilotless progress report2UAVs have made

exceptional strides recently[J].INTERNA2TIONAL DEFENSE REV