一种基于CLEAN算法的多目标粒子群长时间积累检测方法与流程

本发明涉及弹载脉冲多普勒雷达领域，具体涉及一种基于clean算法的多目标粒子群长时间积累检测方法。

背景技术：

弱目标检测时通常采用长时间积累，利用增加目标照射时间的方式提高信噪比，从而提高检测性能。但是当目标同时具有高速、高机动特性时，在整个积累时间内会出现目标跨距离单元(acrossrangeunit,aru)和跨频率单元(acrossdopplerunit,adu)现象，导致简单积累方法的积累性能下降，目标的信噪比降低，严重影响了检测性能。同时，目标往往具有高阶运动特性，例如加速度、加加速度，增加了参数补偿的难度和计算量。粒子群算法(particleswarmoptimization,pso)可用于雷达目标检测，但是普通的粒子群算法只能收敛于全局最优值，无法实现多目标检测。对于雷达来说，微弱、高速、高机动多目标的检测是一个关键问题。

专利cn105116395a(“一种天基双基地雷达的动目标长时间相参积累方法”)介绍了一种天基双基地雷达的动目标长时间相参积累方法，利用脉冲压缩参考信号中的距离时延和多普勒相位信息，进行脉冲压缩和keystone处理，在回波信号方位向进行fft，获得方位向相参积累数据。该方法可以减少雷达平台的运动带来的多普勒相位变化。但是该方法必须使用双基地雷达才能实现距离时延和多普勒相位信息的提取，无法应用于收发一体的单基雷达。

专利cn103323829a(“基于radon—分数阶模糊函数的雷达动目标长时间相参积累检测方法”)介绍了一种利用rfraf的雷达动目标长时间相参积累检测方法。将接收的回波进行脉内积累，根据雷达系统参数和目标的运动特性对检测参数进行初始化，使用rfraf补偿距离和多普勒走动完成相参积累，恒虚警检测后进行目标信息提取。该方法能够匹配目标在运动过程中产生的相位变化并进行补偿，获取目标的运动信息，但是该方法的运算量巨大，只有在运动参数准确预装的情况下才能实现实时处理。

专利cn104574442a(“自适应粒子群优化粒子滤波运动目标跟踪方法”)介绍了一种自适应粒子群优化粒子滤波运动目标跟踪方法，使用粒子群算法对目标进行滤波跟踪。在迭代过程中利用全局最优值对粒子的数量进行实时调整，利用粒子群算法对粒子状态进行更新。该方法的算法复杂度低，计算量小，但是只能实现单目标的滤波跟踪。

2011年第5期《航空兵器》杂志中王娟公开的文献《一种改进的keystone变换算法及其在微弱信号检测中的应用》改进了keystone变换方法，首先对回波数据进行keystone变换，然后在频域将数据进行ifft转换到时域，最后在慢时间域进行fft完成相参积累，最终实现动目标检测。该方法针对微弱目标长时间积累过程中发生的距离走动现象，结合了chirp-z变换和keystone方法，能够克服距离走动现象，同时减少计算复杂度。但是该方法只适用于匀速运动的目标，当目标具有高阶运动参数导致距离徙动和多普勒徙动时，该方法的积累性能将下降。

2013年第1期《电子学报》杂志中吴仁彪公开的文献《机载雷达高速空中机动目标检测新方法》针对高速机动目标在运动过程中发生的距离走动和多普勒走动的问题提出利用keystone变换和wigner-hough变换结合的方法。首先对回波数据进行杂波抑制，然后进行keystone校正距离走动，空域波束形成后进行wigner-hough变换估计加速度并进行补偿，最后进行空时二维波束形成完成积累。该方法能够克服距离走动和多普勒走动，提高积累信噪比，但是当目标速度较大时，该算法需要对多普勒的模糊度进行遍历搜索，计算量较大，不利于实时处理。

2016年第2期《航空兵器》杂志中王泽玉公开的《基于频域校正的快速长时间积累算法》针对距离走动和多普勒走动问题提出一种快速长时间积累算法，该方法首先利用radon-ambiguity在加速度上进行搜索，利用估计加速度进行相位补偿，将回波之间的相关函数作为代价函数进行搜索，最终获得较为准确的运动参数并进行补偿。该方法能有效的实现包络补偿和多普勒补偿，但是该方法需要在加速度维进行一维搜索，当先验加速度范围较大时，搜索的时间较长，影响算法的实时性。

以上方法均无法实现在长时间照射下，微弱、高速、高机动多目标的检测，提高检测性能的预期效果。

技术实现要素：

本发明涉及脉冲多普勒雷达领域，提供一种基于clean算法的多目标粒子群长时间积累检测方法，能够利用分段傅立叶变换获得多段回波的相参积累数据，利用粒子群算法在多段回波相参积累数据中检测目标，利用clean算法检测多个目标。

为了达到上述目的，本发明采用以下技术方案：

基于clean算法的多目标粒子群长时间积累检测方法中，获得目标雷达回波后，将目标回波进行分段，确保在每个分段时间内，目标的运动不会超过一个距离多普勒单元；利用分段傅立叶变换将每段回波数据分别进行相参积累，获得多段回波相参积累数据；利用粒子群算法进行目标检测，获得单目标信息；利用clean算法剔除该目标在每段回波相参积累数据中的响应；再次利用粒子群算法进行目标检测；重复上述过程，直到所有的目标已被检测成功。

该方法包含以下步骤：

(1)雷达依次发射n个脉冲脉冲，载频为f0，发射的脉冲信号表示式为a·exp(j2πf0t)，经过距离为r0处相对速度为v0的目标反射后，接收到的目标回波为a·exp{j2πf0[t-2(r0-v0t)/c]}。

(2)将回波信号与本振信号exp(j2πf0t)混频，经过下变频后获得的混频信号为a’·exp{j[2πf0(-2r0/c+2v0t/c)]}。

(3)利用先验知识将整个相参积累时间ttotal内的回波分为m段，每段有l个脉冲，确保每段内目标的距离偏移小于一个距离单元。

(4)将每段目标回波按照距离门进行fft，获得本段中目标的时频相参积累数据。

(5)初始化粒子群算法的n个粒子，使粒子的初始值随机分布在目标的先验范围[rmin～rmax,vmin～vmax,amin～amax]内，粒子群迭代次数k＝1。

(6)第k次迭代时，计算粒子i在m段相参积累数据间的距离走动和速度走动，假设粒子的初始距离、速度和加速度为[ri,k,vi,k,ai,k]，则粒子在第m段中的距离和速度分别为ri,k-vi,ktm-1/2ai,ktm²、vi,k-ai,ktm，其中tm＝m(ttotal/m)表示第m段数据与第一段数据的间隔时间。利用粒子的距离和速度获得其在第m段时频相参积累数据中的距离单元和频率单元，并进行相位补偿。

(7)将m段时频相参积累数据中对应距离多普勒单元的fft模值相加作为粒子i第k次迭代的适应度ai,k。将前k次迭代中粒子i适应度最高的粒子作为粒子i的个体最优值[rpbesti,vpbesti,apbesti]，将n个粒子个体最优值中适应度最高的粒子作为粒子群群体最优值[rgbestk,vgbestk,agbestk]。

(8)判断可能发生的情况：

情况一：若当前迭代次数k≥kmin，且第k次迭代到第k-kmin次迭代之间的群体最优值方差小于门限值则转步骤(10)；

情况二：若当前迭代次数k≥kmin，且第k次迭代到第k-kmin次迭代之间的群体最优值方差大于门限值则转步骤(9)；

情况三：若k<kmin，转步骤(9)；

情况四：若k≥kmax，则转步骤(10)。

kmin表示最小迭代次数，kmax表示最大迭代次数。

(9)对粒子进行更新，粒子i的距离更新增量为δri,k+1＝ωδri,k+c1·rand·(rpbesti-ri,k)+c2·rand·(rgbestk-ri,k)，距离更新为ri,k+1＝ri,k+δri,k+1；速度更新增量为δvi,k+1＝ωδvi,k+c1·rand·(vpbesti-vi,k)+c2·rand·(vgbestk-vi,k)，速度更新为vi,k+1＝vi,k+δvi,k+1；加速度更新增量为δai,k+1＝ωδai,k+c1·rand·(apbesti-ai,k)+c2·rand·(agbestk-ai,k)，加速度更新为ai,k+1＝ai,k+δai,k+1。c1和c2表示更新系数，rand表示0～1之间的随机量。转步骤(6)。

(10)将粒子群群体最优值作为目标值，已检测目标个数加1。

情况一：若已检测目标个数满足要求，完成检测；

情况二：若已检测目标个数小于要求，转步骤(11)。

(11)假设目标距离、速度和加速度为[rt,vt,at]，则该目标在第m段相参数据中的距离rt,m＝rt-vttm-1/2attm²，速度vt,m＝vt-attm，多普勒fd＝2vt,m/λ，距离单元gr＝mod(rt,m/dr)，dr表示距离分辨率。在距离单元gr中重建目标信号为α·sin[π(l-fd/df)]/[π(l-fd/df)]，l＝0,1,2,…,l-1，α表示幅度修正因子，df表示频率分辨率。从相参积累数据剔除掉重建信号。返回步骤(5)。

对于高机动目标来说，利用参数补偿和相参积累的方式实现长时间积累较为困难。与之相比，本发明带来以下有益效果：

本发明应用于脉冲多普勒雷达领域，能够提供一种长时间积累检测的方法，利用分段傅立叶变换提高信噪比，利用粒子群算法启发式检测目标，利用clean算法解决粒子群算法只能检测单目标的问题，能够在长时间积累时克服目标跨距离单元和跨多普勒单元导致检测积累性能下降的现象，提高检测性能，获得多个检测目标的信息。

附图说明

图1：基于clean算法的多目标粒子群长时间积累检测方法流程图；

图2：相参积累跨距离门现象；

图3：分段相参积累数据；

图4：目标1第1次迭代粒子分布图；

图5：目标1第21次迭代粒子分布图；

图6：目标1第201次迭代粒子分布图；

图7：目标1重构图像；

图8a、图8b：目标1剔除前后相参积累数据；

图9：目标2第201次迭代粒子分布图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

如图1所示，本发明提供一种基于clean算法的多目标粒子群长时间积累检测方法，获得目标雷达回波后，将目标回波进行分段，确保在每个分段时间内，目标的运动不会超过一个距离多普勒单元；利用分段傅立叶变换将每段回波数据分别进行相参积累，获得多段回波相参积累数据；利用粒子群算法进行目标检测，获得单目标信息；利用clean算法剔除该目标在每段回波相参积累数据中的响应；再次利用粒子群算法进行目标检测；重复上述过程，直到所有的目标已被检测成功。

(1)检测场景设置为双目标场景，两个目标的距离、速度和加速度设置为[550m,1245m/s,100m/s²]、[700m,1220m/s,100m/s²]。雷达发射脉冲信号，脉冲重复周期tr＝5.5μs，脉冲宽度τ＝0.5μs，积累时间ttotal＝0.1s，整个回波如图2所示，两个目标在整个相参积累时间内都发生了跨距离门现象。直接进行积累会导致积累信噪比过低难以检测。

(2)将整个回波数据分为m＝10段，每段有l＝1818个脉冲。目标的距离先验范围为375m～750m，速度先验范围为1200m/s～1260m/s，加速度先验范围为-10m/s²～10m/s²。分段时间为1818×tr＝0.01s，段内最大位移为1260m/s×0.01s＝12.6m，小于距离门宽度75m，按照先验知识0.01s内目标不会发生跨距离门现象。

(3)对每段1818个脉冲按照距离门进行相参积累，获得的分段fft结果如图3所示。理论上两个目标应分别位于第8个距离门和第10个距离门，图中展示了10段脉冲第8个距离门fft的结果，在不跨距离门的情况下，回波脉冲完成相参积累。

(4)粒子的距离初始范围设置为375m～750m，速度初始范围设置为1200m/s～1260m/s，加速度初始范围设置为-10m/s²～10m/s²，在该范围内初始化粒子，粒子个数设置为n＝300个。假设第i个粒子的初始值为[ri,0,vi,0,ai,0]。

(5)假设目前是第k次迭代，计算粒子i在10段相参积累数据中的距离多普勒索引。在第m段中粒子i的距离走动可表示为

式中：tm表示第m段脉冲与第1段脉冲的间隔时间，此处tm＝ltr＝0.1s。速度走动可表示为

vroute,m＝vi,k+ai,ktm

利用rroute,m和vroute,m计算粒子i在第m段相参积累数据中的距离索引gr和多普勒索引gf，其表达式如下

grm＝mod(rroute/dr)

gfm＝mod(2vroute/λ/df)

式中：dr表示距离分辨率，此处为dr＝cτ/2＝75m；df表示频率分辨率，此处df＝1/(ltr)＝100hz；λ表示波长。

(6)将粒子i的m段相参积累数据进行相位补偿，第m段相参积累数据的相位补偿因子hi,m可表示为

式中：f0表示载频。补偿后将m段相参积累数据中相应距离多普勒索引的fft模值相加获得粒子i的适应度ai,k。

(7)进行过多次迭代时，将多次迭代中最大适应度对应的粒子值作为粒子i的个体最优值[rpbesti,vpbesti,apbesti]。将个体最优值中适应度最高的粒子值作为粒子群群体最优值[rgbestk,vgbestk,agbestk]。

(8)假设最小迭代次数kmin＝200，最大迭代次数kmax＝3000，迭代终止门限kthreshold＝10^-5。

情况一：若当前迭代次数k≥kmin，且第k次迭代到第k-kmin次迭代之间的群体最优值方差小于门限值则转步骤(10)；

情况二：若当前迭代次数k≥kmin，且第k次迭代到第k-kmin次迭代之间的群体最优值方差大于门限值则转步骤(9)；

情况三：若k<kmin，转步骤(9)；

情况四：若k≥kmax，则转步骤(10)。

(9)对粒子进行更新，粒子i的距离更新增量δri,k+1，速度更新增量δvi,k+1，加速度更新增量为δai,k+1可表示为

δri,k+1＝ωδri,k+c1·rand·(rpbesti-ri,k)+c2·rand·(rgbest-ri,k)

δvi,k+1＝ωδvi,k+c1·rand·(vpbesti-vi,k)+c2·rand·(vgbest-vi,k)

δai,k+1＝ωδri,k+c1·rand·(apbesti-ai,k)+c2·rand·(agbest-ai,k)

式中：c1表示个体最优值影响因子，取1.8；c2表示群体最优值影响因子，取1.8；rand表示0～1之间的随机量，w表示更新系数，可表示为

式中：ωmin表示最小更新系数，取为0.1；ωmax表示最大更新系数，取为0.8。更新完之后返回步骤(5)。

(10)将粒子群群体最优值[rgbestk,vgbestk,agbestk]作为目标值，将粒子群群体最优值作为目标值，已检测目标个数加1。

情况一：若已检测目标个数满足要求，完成检测；

情况二：若已检测目标个数小于要求，转步骤(11)。

(11)目标在第m段相参数据中的距离rt,m＝rgbestk-vgbestktm-1/2agbestktm²，速度vt,m＝vgbestk-agbestktm，多普勒fd＝2vt,m/λ，距离单元gr＝mod(rt,m/dr)。在距离单元gr中重建目标信号为α·sin[π(l-fd/df)]/[π(l-fd/df)]，l＝0,1,2,…,l-1，α表示幅度修正因子，df表示频率分辨率。从相参积累数据中剔除掉重建信号。

(12)第一次粒子群检测算法时粒子群的第1次迭代和第21次迭代的粒子群分布图分别如图4和图5所示，整个粒子群向最优值方向变化。粒子群在第201次迭代之前判断终止条件，此时第1次到第200次迭代的方差为-1.4681×10^-6，小于迭代终止门限kthreshold＝10^-5，第一次目标检测最终的迭代结果如图6所示，目标的距离、速度和加速度分别为585m、1245m/s、100m/s²。

(13)检测目标个数为1，小于要求个数2，因此需要进行第二次检测。使用clean算法重构目标图像如图7所示。第一段相参积累数据剔除前后的图像如图8a、图8b所示，第一个目标在相参积累数据中的响应已被剔除。

(14)第二次检测中，粒子群在第201次迭代之前判断终止条件，此时第1次到第200次迭代的方差为-5.2381×10^-6，小于迭代终止门限kthreshold＝10^-5，第二次目标检测最终的迭代结果如图9所示，目标的距离、速度和加速度分别为730m、1219m/s、100m/s²。

(15)检测目标个数为1，满足要求个数2，检测结束。

综上所述，本发明使用分段fft实现长时间积累，解决目标跨距离单元和跨频率单元的现象；使用粒子群算法实现目标的检测，降低无谓的搜索路径，提高检测性能，缩短检测时间；利用clean算法剔除已检测目标在相参积累数据中的响应，实现多目标检测。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。