基于分段策略的雷达机动弱目标长时积累检测算法

doi:10.7523/j.ucas.2024.030

摘要/Abstract

摘要：

单站地基雷达对机动弱目标的检测是领域内长期存在的热点问题，通过提高积累时间可以提高运动目标检测性能。但随着积累时间的增加，机动目标的运动会引起跨距离单元（RCM）与跨多普勒单元（DFM）的现象，导致积累增益损失。针对这个问题，提出一种适用于单站雷达弱机动目标检测问题的长时积累方法。首先给出分段策略，接着2次使用二阶Keystone变换（SKT）的运动补偿算法校正RCM，然后使用吕变换（LVD）估计运动参数并进行相位补偿，最后利用滑窗非相参积累，进一步提高检测概率。仿真结果表明，在弱机动目标场景，所提方法检测性能优于传统积累检测算法。该方法对RCM与DFM带来的增益损失进行补偿，提高了信噪比，同时能够在计算复杂度与积累增益间取得平衡。

关键词: 单站雷达, 长时间积累, 机动弱目标, Keystone算法, 分段策略

Abstract:

The detection of maneuvering weak targets by monostatic ground-based radar is a hot issue， and the detection performance of moving targets can be improved by increasing the accumulation time. However， with the increase of accumulation time， the movement of maneuvering target causes the phenomenon of range cell migration （RCM） and Doppler frequency migration （DFM）， which leads to the loss of accumulation gain. To solve this problem， a long-time accumulation method for weak maneuvering target detection in monostatic radar is proposed in this paper. The segmentation strategy is firstly given in the proposed method， then the motion compensation algorithm with the second-order keystone transform is used twice to correct the RCM， later LVD is used to estimate the motion parameters and the phase compensation is carried out. Finally， the detection probability and detection accuracy are further improved by sliding window non-coherent accumulation. The simulation results show that the detection performance of the proposed method is better than the traditional accumulation detection algorithm in the weak maneuvering target condition. The proposed method compensates for the gain loss caused by RCM and DFM and improves the signal-to-noise ratio of coherent and non-coherent accumulation gain. Furthermore， it can balance the computational complexity and accumulation gain at the same time.

Key words: monostatic radar, long-term accumulation, maneuvering weak targets, Keystone algorithm, segmentation design

中图分类号:

TN820.1

卢晨希, 刘畅. 基于分段策略的雷达机动弱目标长时积累检测算法[J]. 中国科学院大学学报, 2026, 43(1): 125-135.

Chenxi LU, Chang LIU. A segmentation-based long-time accumulation algorithm for radar detection of maneuvering weak targets[J]. Journal of University of Chinese Academy of Sciences, 2026, 43(1): 125-135.

图/表 13

图1 单站地基雷达工作场景示意图

Fig.1 Schematic diagram of the monostatic radar

图2 滑窗积累示意图

Fig.2 Schematic diagram of sliding window accumulation

图3 滑窗积累概率曲线

Fig.3 Sliding window accumulation probability curve

图4 本文算法流程图

Fig.4 Flow chart of the proposed method

表1 仿真雷达参数设置

Table 1 Radar simulation parameters

雷达参数	取值
载频/GHz	3.5
采样率/MHz	60
脉冲宽度/μs	134
带宽/MHz	30
脉冲重复频率/kHz	2.5
距离单元/m	2.5
积累脉冲数	3 000
总积累时间/s	1.2

表2 仿真运动目标参数设置

Table 2 Moving target parameters settings in simulation

目标参数	取值
初始距离/km	21
初始速度/（m/s）	100
初始加速度/（m/s²）	$100$
加加速度/（m/s³）	$50$

表2 仿真运动目标参数设置

Table 2 Moving target parameters settings in simulation

目标参数	取值
初始距离/km	21
初始速度/（m/s）	100
初始加速度/（m/s²）	$100$
加加速度/（m/s³）	$50$

图5 本文算法积累结果

Fig.5 Accumulation result of the proposed algorithm

图6 各长时间积累算法效果对比

Fig.6 Comparison of different long-term accumulation algorithms

图7 检测概率-信噪比关系图

Fig.7 Relationship of SNR and Pd

图8 SNR=-8 dB情况下接收机特性曲线

Fig.8 Receiver characteristic curve at SNR=-8 dB

图9 滑窗积累检测概率-信噪比曲线图

Fig.9 Relationship of Pd-SNR for accumulation detection

表3 计算复杂度对比

Table 3 Comparison of computational complexity

方法	计算量
GRFT	$N r N s u b N c N 1 N 2 N 3$
本文算法	$4 N c (N r N F (N s u b 2 + N s u b 2 l o g 2 N s u b + 2 N s u b) + 12 N s u b N r l o g 2 N r + N s u b 2 N r)$

表3 计算复杂度对比

Table 3 Comparison of computational complexity

方法	计算量
GRFT	$N r N s u b N c N 1 N 2 N 3$
本文算法	$4 N c (N r N F (N s u b 2 + N s u b 2 l o g 2 N s u b + 2 N s u b) + 12 N s u b N r l o g 2 N r + N s u b 2 N r)$

图10 计算复杂度比较

Fig.10 Computational complexity comparison

参考文献 22

[1]	陈小龙，陈唯实，饶云华，等. 飞鸟与无人机目标雷达探测与识别技术进展与展望［J］. 雷达学报， 2020， 9（5）： 803-827. DOI： 10.12000/JR20068 .
[2]	Panagiotakopoulos D， Williamson A， Petrunin I， et al. Developing drone experimentation facility： progress， challenges and cUAS consideration［C］//2021 21st International Radar Symposium （IRS）. Berlin， Germany. IEEE， 2021： 1-10. DOI： 10.23919/IRS51887.2021.9466204 .
[3]	Jahangir M， Baker C J， Antoniou M， et al. Advanced cognitive networked radar surveillance［C］//2021 IEEE Radar Conference （RadarConf21）. Atlanta， GA， USA. IEEE， 2021： 1-6. DOI： 10.1109/RadarConf2147009.2021.9455245 .
[4]	Harman S. Analysis of the radar return of micro-UAVs in flight［C］//2017 IEEE Radar Conference （RadarConf）. Seattle， WA， USA. IEEE， 2017： 1159-1164. DOI： 10.1109/RADAR.2017.7944379 .
[5]	Jin P， Rao X， Zhu X S， et al. Weak target integration detection based on bistatic radar second-order keystone transform［C］//2019 IEEE International Conference on Signal， Information and Data Processing （ICSIDP）. Chongqing， China. IEEE， 2019： 1-6. DOI： 10.1109/ICSIDP47821.2019.9173183 .
[6]	宋耀辉，黄仰超，张衡阳，等. 基于FRFT的多分量LFM信号检测与参数估计方法［J］. 北京航空航天大学学报， 2020， 46（6）： 1221-1228. DOI： 10.13700/j.bh.1001-5965.2019.0430 .
[7]	Lang P， Fu X J， Dong J， et al. An efficient radon Fourier transform-based coherent integration method for target detection［J］. IEEE Geoscience and Remote Sensing Letters， 2023， 20： 3501905. DOI： 10.1109/LGRS.2023.3246051 .
[8]	Wang K Y， Li X L， Chen H X， et al. MGRFT-based coherent integration method for high-speed maneuvering target with range ambiguity［C］//2023 IEEE Radar Conference （RadarConf23）. San Antonio， TX， USA. IEEE， 2023： 1-6. DOI： 10.1109/RadarConf2351548.2023.10149681 .
[9]	Chen X L， Guan J， Liu N B， et al. Maneuvering target detection via radon-fractional Fourier transform-based long-time coherent integration［J］. IEEE Transactions on Signal Processing， 2014， 62（4）： 939-953. DOI： 10.1109/TSP.2013.2297682 .
[10]	Li X L， Cui G L， Yi W， et al. Coherent integration for maneuvering target detection based on radon-Lv’s distribution［J］. IEEE Signal Processing Letters， 2015， 22（9）： 1467-1471. DOI： 10.1109/LSP.2015.2390777 .
[11]	Chen X L， Guan J， Li X Y， et al. Effective coherent integration method for marine target with micromotion via phase differentiation and radon-Lv’s distribution［J］. IET radar， sonar & navigation，2015，9（9）：1284-1295. DOI：10.1049/iet-rsn.2015.0100 .
[12]	Carlson B D， Evans E D， Wilson S L. Search radar detection and track with the Hough transform. I. system concept［J］. IEEE Transactions on Aerospace and Electronic Systems， 1994， 30（1）： 102-108. DOI： 10.1109/7.250410 .
[13]	万洋，王首勇，吴卫华. 机动弱小目标动态规划检测前跟踪方法［J］. 信号处理， 2013， 29（5）： 584-590. DOI： 10.3969/j.issn.1003-0530.2013.05.007 .
[14]	陈海旭，李小龙，易伟，等. 一种基于RFT和分段处理的高速机动目标相参积累算法［J］. 信号处理， 2021， 37（7）： 1189-1197. DOI： 10.16798/j.issn.1003-0530.2021.07.008 .
[15]	Ding Z G， You P J， Qian L C， et al. A subspace hybrid integration method for high-speed and maneuvering target detection［J］. IEEE Transactions on Aerospace and Electronic Systems， 2020， 56（1）： 630-644. DOI： 10.1109/TAES.2019.2919478 .
[16]	张亮，于洪波，张翔宇，等. 吕分布时间尺度分析及实现方法研究［J］. 电子学报， 2022， 50（11）：2790-2798. DOI：10.12263/DZXB.20210816 .
[17]	Zhao Y X， Chen Z P， Zhang Y， et al. Hybrid integration method for highly maneuvering radar target detection based on a Markov motion model［J］. Chinese Journal of Aeronautics， 2020， 33（6）： 1717-1730. DOI： 10.1016/j.cja.2019.10.002 .
[18]	吴兆平，符渭波，苏涛，等. 基于快速Radon-Fourier变换的雷达高速目标检测［J］. 电子与信息学报， 2012， 34（8）： 1866-1871. DOI： 10.3724/SP.J.1146.2011.01180 .
[19]	Li X L， Cui G L， Yi W， et al. Radar maneuvering target detection and motion parameter estimation based on TRT-SGRFT［J］. Signal Processing， 2017， 133（C）： 107-116. DOI： 10.1016/j.sigpro.2016.10.014 .
[20]	Xu J， Zhou X， Qian L C， et al. Hybrid integration for highly maneuvering radar target detection based on generalized radon-fourier transform［J］. IEEE Transactions on Aerospace and Electronic Systems， 2016， 52（5）： 2554-2561. DOI： 10.1109/TAES.2016.150076 .
[21]	Wu W， Wang G H， Sun J P. A variable-diameter-arc-Helix radon transform for detecting a near space hypersonic maneuvering target［J］. IEEE Access， 2019， 7： 184875-184884. DOI： 10.1109/ACCESS.2019.2961171 .
[22]	Illingworth J， Kittler J. A survey of the Hough transform［J］. Computer Vision， Graphics， and Image Processing， 1988， 44（1）： 87-116. DOI： 10.1016/S0734-189X（88）80033-1 .