YB菜菜的毫米波雷达自学之路(四)——浅谈角度模糊

news2024/11/18 9:33:15

YB菜菜的毫米波雷达自学之路(四)——浅谈角度模糊

  • 前提说明
    • 主要内容:
  • 1. 一维平面天线阵列模糊函数及相关阐述
    • 1.1角度模糊函数定义
    • 1.2角度模糊函数案例与分析
      • 1.2.1 雷达阵列信息
      • 1.2.2 基础参数分析
      • 1.2.3 模糊函数图与波束方向图的关系探索与疑问(接收角度)
  • 2. 二维平面天线阵列模糊函数及相关阐述
    • 2.1 案例
    • 2.2 疑惑

前提说明

对目标的角度位置的明确估计是解决DoA估计问题的另一个基本要求。角度不模糊是用来描述:雷达天线系统唯一区分由目标反射回来的信号的DoA的能力。而雷达角度模糊函数(Angle ambiguity function)的引入,从某种程度上来说,就是为了明确雷达的不模糊视角。
需要注意的是,利用模糊函数来确定雷达的不模糊视野以及角度方面的参数需要确定一个大前提:
(1)假定影响雷达空间合成波束的唯一影响因素仅仅由天线位置造成,即,无论是MIMO模式还是BF模式,每个天线的单独波束图相同。
(2)远场环境,即,目标相对于天线之间的距离远大于天线孔径。此时,目标回波束可以看成平行,信号的传播方向对阵列的每个元素都是一样的。

主要内容:

(1)首先阐述一维度雷达角度模糊函数定义以及不模糊区间解释。
(2)阐述二维平面阵列角度模糊函数定义,以及模糊函数图。
(3)对于二维平面阵列的角度模糊函数的不模糊区间的选择存在疑问,希望有哪位雷达大佬可以给我一些解答。
(4)关于模糊函数与波束方向图展开了一点点的探索,是否正确有待考证

1. 一维平面天线阵列模糊函数及相关阐述

1.1角度模糊函数定义

在这里插入图片描述
图1

图1展示了雷达一维天线阵列的布局(以接收角度),一个目标正处于相对于雷达中心的角度为 θ \theta θ的位置,并且有 M r M_{r} Mr个接收天线。
需要注意的是:
(1)若雷达处于BF工作模式,则 M r M_{r} Mr与实际接收天线数相同
(2)若雷达处于MIMO工作模式,则 M r M_{r} Mr与总的虚拟阵列数相同

根据之前章节学习的内容,我们可以知道每个天线接收的信号之间存在一个相位差,而这个相位差可以表示为:
在这里插入图片描述
其中, x 1 = 0 x_{1}=0 x1=0, x r x_{r} xr表示其于天线相对于基准天线的距离差。
不熟悉的可以参考之前的笔记:
浅谈雷达信号模型建立2

则,在一维阵列中,雷达的角度模糊函数 χ \chi χ可表达为:
χ ( θ i , θ j ) = ∣ y ( θ i ) H y ( θ j ) ∣ ∣ ∣ y ( θ i ) ∣ ∣ ∣ ∣ y ( θ j ) ∣ ∣ ( 1 ) \chi(\theta_{i},\theta_{j})=\frac{|y(\theta_{i})^{H}y(\theta_{j})|}{||y(\theta_{i})||||y(\theta_{j})||} (1) χ(θi,θj)=∣∣y(θi)∣∣∣∣y(θj)∣∣y(θi)Hy(θj)(1)
其中 θ i \theta_{i} θi表示目标真实的DOA角度,而 θ j \theta_{j} θj表示用于估计的DOA角度,角度分为为 ( − 9 0 o , 9 0 ° ) (-90^{o},90^{°}) 90o,90° ( ) H ()^{H} ()H表示共轭, ∣ ∣ . ∣ ∣ ||.|| ∣∣.∣∣表示范数,在这里采用2范数,即向量的模值。

通过角度模糊函数绘制出的角度模糊点云图反映了当前阵列的角度信息,即:最大不模糊区间、角度分辨率、以及栅瓣出现的位置。

1.2角度模糊函数案例与分析

1.2.1 雷达阵列信息

(1)首先给出雷达阵列信息:
发射天线位置:[0, 2.54](单位 λ \lambda λ
接收天线阵列:[0 1.88 3.32](单位 λ \lambda λ
(2)模糊函数公式中,角度步进最小单位为1°。

1.2.2 基础参数分析

根据公式(1),我们绘制雷达模糊函数图,其中角度步进值为 1 ° 1° ,角度搜索范围为(-90~90),因此数值从0到180。绘制后的结果如图2(a)所示。
在这里插入图片描述
图2 雷达模糊函数图

(1)分析图2(a):
我们知道,当 θ j \theta_{j} θj(估计角度)= θ i \theta_{i} θi(真实角度)的情况下,自相关应该返回最大值1。因此在模糊图2(a)中,存在一个高亮的黄色斜线段,因为在这条斜线上是代表 θ j = θ i \theta_{j}=\theta_{i} θj=θi的情况。

(2)分析雷达角度不模糊区域(分析图2(b))
理想情况下,只有在 θ j = θ i \theta_{j}=\theta_{i} θj=θi的情况下,自相关应该返回最大值1,其他情况下都是0。若 θ j ! = θ i \theta_{j}!=\theta_{i} θj=θi时也存在较高的相关峰值,那么雷达就存在角度模糊性。基于这点,我们可以根据相关值1和0的分布来确定无歧义区域。

从角度模糊图可知,存在 θ j ! = θ i \theta_{j}!=\theta_{i} θj=θi区域具备较高的相关峰值(以-6dB(T=0.5)为门限作为评判标准)。
为寻找不模糊角度范围,需要以0度为中心画一个矩形框,在这个框中不能存在额外的相关峰高于门限的区域。如图2(b)所示,该阵列雷达的不模糊角度范围为红色的正方形延伸的宽度。

注: 需要注意的是,相关峰门限的选择会影响雷达最大不模糊角度的区间,这是因为不同应用场景中对信号的要求不一样,一些情况下门限可能选择-3dB,也有选择-6dB作为门限,甚至有选择-8dB作为门限。

(3)雷达角度分辨率(分析图(c))

通过前面的分析我们知道,雷达模糊图中间的斜着的亮线是 θ j = θ i \theta_{j}=\theta_{i} θj=θi的情况,因为角度相同所以自相关值为1.但它并不是理想的”细线“,而是一个想外延展的”粗线段“,而这个粗线段反映了雷达的角度分辨率。考虑到角度分辨率存在小数,这里图中的角度搜索步进是 0. 5 o 0.5^{o} 0.5o
从图像上观察: 如图(C),我们以-6dB为门限,可以看出,以0为中心,向两边扩展的范围是: 10. 5 o 10.5^{o} 10.5o(角度分辨率)。
理论计算: 1.22 ∗ λ D ∗ 180 / p i ≈ 11. 9 o 1.22*\frac{\lambda}{D}*180/pi \approx11.9^{o} 1.22Dλ180/pi11.9o

注:这里的雷达角度分辨率与之前的角度分辨率计算方式有区别,其根本原因是天线布局是否均匀。在均匀阵列中,我们可以用 λ D ∗ 180 π \frac{\lambda}{D}*\frac{180}{\pi} Dλπ180来计算,当天线阵列非均匀时,通常采用 1.22 ∗ λ D ∗ 180 / p i 1.22*\frac{\lambda}{D}*180/pi 1.22Dλ180/pi来计算。

1.2.3 模糊函数图与波束方向图的关系探索与疑问(接收角度)

在这里插入图片描述
图3
在BF模式下,我们通常通过波束方向图来判断天线在空间中的合成波束情况,利用波束方向图我们可以看出当前阵列在空间中的波束峰值指向、栅瓣位置、旁瓣大小等。其功能和模糊函数方向图相似。

在BF模式下,所有发射天线同时发射波束,因此可以等效成一根发射天线,此时阵列可以等效为:
发射天线位置:[0](单位 λ \lambda λ
接收天线阵列:[0 1.88 3.32](单位 λ \lambda λ

利用模糊函数公式和天线方向图生成公式,可以得到当前天线阵列在接收端的模糊函数图和接收天线阵列的波束方向图,如图3所示。
似乎可以得到这么一个结论:
**从模糊图观察:**以0点为中心,向两个视角方向扩展,达到下一个相关峰超过门限的角度范围为: 3 5 o 35^{o} 35o
从波束方向图观察 当前接收天线阵列的栅瓣位置相对于主瓣偏差近似 35 ° 35° 35°
两者近似。

但是存在两个问题:
(1)在BF模式下,模糊函数图似乎不能观察发射阵列的情况,事实上,发射阵列也同样影响雷达模糊区间,发射阵列的栅瓣也会影响接收信号的质量。
(2)以0点横向扩展的方式与模糊区间矩形扩展的方式不同,如何统一,这是当前我没有弄明白的问题。

2. 二维平面天线阵列模糊函数及相关阐述

二维平面阵列的模糊函数公式其实并不难理解,其详细的阐述可参考论文:

DI SERIO, ADOLFO, HUEGLER, PHILIPP, ROOS, FABIAN, et al. 2-D MIMO Radar: A Method for Array Performance Assessment and Design of a Planar Antenna Array[J]. IEEE Transactions on Antennas and Propagation,2020,68(6):4604-4616. DOI:10.1109/TAP.2020.2972643.

这里直接给出公式结论:
在这里插入图片描述
其中,这里的 v v v与前文的 y y y是同一个含义,只不过增加了俯仰角度,即:
在这里插入图片描述
从公式角度上可以看出,二维模糊函数与一维度模糊函数相似。
但存在区别:在一维模糊函数中,由于只有一个方向维度,因此只需要进行一个维度的搜索,即,模糊函数图是一个二维矩阵(命名为 X X X)。
但,在平面阵列中,模糊函数的角度搜索为2个维度(方位维度和俯仰维度),因此模糊函数图是由多个二维局部矩阵( X X X)构成的大矩阵 H H H,其表达式为:
在这里插入图片描述
在这里插入图片描述

2.1 案例

在这里插入图片描述
在这里插入图片描述
图4

可以看出相比于一维,二维多了一个俯仰维度的搜索,因此模糊函数图从原本的单一的二维矩阵图,变成二维矩图阵组。每一个局部二维矩阵图可以看作确定俯仰角后的一维模糊函数搜索。

2.2 疑惑

论文中,设定旁瓣阈值为0.5,然后通过模糊函数图H得到模糊索引矩阵Q,以(0,0)为中心向方向维度和俯仰维度扩展,得到当前阵列最大不模糊区间,如图。
在这里插入图片描述
图5

虽然我仿真出来了模糊函数图H,但是不明白如何得从H图到模糊索引矩阵Q。如果有哪位大佬懂这个,如果可以麻烦指导一下。如果有同样感兴趣的伙伴,可以联系一起讨论

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/375500.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

华为OD机试模拟题 用 C++ 实现 - 简易压缩算法(2023.Q1)

最近更新的博客 【华为OD机试模拟题】用 C++ 实现 - 最多获得的短信条数(2023.Q1)) 文章目录 最近更新的博客使用说明简易压缩算法题目输入输出示例一输入输出说明示例二输入输出说明示例三输入输出说明

②【Java 组】蓝桥杯省赛真题解析 [振兴中华] [三部排序] 持续更新中...

个人简介:Java领域新星创作者;阿里云技术博主、星级博主、专家博主;正在Java学习的路上摸爬滚打,记录学习的过程~ 个人主页:.29.的博客 学习社区:进去逛一逛~ 蓝桥杯真题--持续更新中...一、振兴中华二、三…

【无标题】(2019)NOC编程猫创新编程复赛小学组真题含参考

(2019)NOC编程猫创新编程复赛小学组最后6道大题。前10道是选择填空题 略。 这道题是绘图题,没什么难度,大家绘制这2个正十边形要注意:一是不要超出舞台;二是这2个正十边形不要相交。 这里就不给出具体程序了…

RPC异步化原理

深入RPC,更好使用RPC,须从RPC框架整体性能考虑问题。得知道如何提升RPC框架的性能、稳定性、安全性、吞吐量及如何在分布式下快速定位问题。RPC框架如何压榨单机吞吐量? 1 前言 TPS一直上不去,压测时CPU压到40%~50%就…

Windows离线安装rust

目前rust安装常用的方式就是通过Rustup安装,此安装方式需要访问互联网。在生产环境中由于网络限制,不能直接访问互联网或者不能访问目标网站,这时候需要用离线安装的方式,本文将详细介绍离线安装步骤,并给出了vscode如…

记一次java.lang.ClassNotFoundException问题排查过程

记一次java.lang.ClassNotFoundException问题排查过程 同事提供一个or-simulation-engine.jar包(非maven项目,内部依赖很多其他jar,这个包是手动打出来的)给我,我集成到我的springboot项目中,在本地IDEA启…

网上招聘系统

技术:Java、JSP等摘要:当今,人类社会已经进入信息全球化和全球信息化、网络化的高速发展阶段。丰富的网络信息已经成为人们工作、生活、学习中不可缺少的一部分。人们正在逐步适应和习惯于网上贸易、网上购物、网上支付、网上服务和网上娱乐等…

C#多窗口切换

多窗口切换【功能目标】1、实现多窗口切换(Panel)2、动态生成窗口内文本框以及标签(重点)3、改变文本框内容【效果图】【代码详解】1、多窗口切换如要实现多窗口切换,需要用到Panel,对于这个控件不熟悉的可…

正演(1): 二维声波正演模拟程序(中心差分)Python实现

目录 1、原理: 1)二维声波波动方程: ​编辑 2)收敛条件(不是很明白) 3)雷克子波 4)二维空间衰减函数 5)边界吸收条件 (不是很明白。。) 2、编程实现 1)参数设置&…

RNN相关知识总结

目录RNN结构与原理1.模型总览2.反向传播LSTM结构与原理1.模型总览2.如何解决RNN梯度消失/爆炸问题?GRU结构及原理1.模型总览LSTM与GRU的区别RNN结构与原理 1.模型总览 上图是RNN的展开结构图,由输入层、隐藏层和输出层组成。当前时间步t 的隐藏状态hth_…

Spark 分析计算连续三周登录的用户数

前言:本文用到了窗口函数 range between,可以参考这篇博客进行了解——窗口函数rows between 、range between的使用 创建数据环境 在 MySQL 中创建数据测试表 log_data: create table if not exists log_data( log_id varchar(200) comm…

能在软路由docker给部署搭建teamsperk服务器么?并且设置好ddns

参考链接(4条消息) 【个人学习总结】使用docker搭建Teamspeak服务器_blcurtain的博客-CSDN博客_teamspeak3 docker(⊙﹏⊙)哎呀,崩溃啦! (tdeh.top)TeamSpeak服务器搭建与使用 - 缘梦の镇 (cmsboy.cn)Openwrt X86 docker运行甜糖-软路由,x86系统,openwrt…

(四)K8S 安装 Nginx Ingress Controller

ingress-nginx 是 Kubernetes 的入口控制器,使用NGINX作为反向代理和负载均衡器 版本介绍 版本1:Ingress NGINX Controller(k8s社区的ingres-nginx) 以 NGINX 开源技术为基础(kubernetes.io),可在GitHub的 kubernet…

如何创建并管理一个刷题小组?

“如何收回用户对题库的使用权”,这是一个大多数题库创建人都会碰到的管理问题,也是日常咨询频繁的问题。土著刷题在v1.10版本已经上线了小组模块功能,小组拥有丰富的用户管理功能,可以管理组员对于题库的使用权进行有效的管理。咱…

高压放大器在应力波法套筒灌浆密实度检测研究中的应用

实验名称:高压放大器在应力波法套筒灌浆密实度检测研究中的应用研究方向:无损检测测试目的:钢筋套筒灌浆连接技术被广泛应用于装配式建筑节点连接中,但灌浆不密实将导致节点失效的风险。因此,施工中对套筒灌浆的密实度…

使用xca工具生成自签证书

本文使用 xca 生成自签证书。 概述 之前使用 openssl 生成证书,在 golang 中测试,发现客户端连接失败,经查发现是Subject Alternative Name不支持导致的。因虚拟机 openssl 版本较低,有个功能无法实现,且升级麻烦&…

SAP SD模块学习总结2 2023.2.27

https://www.cnblogs.com/jiangzhengjun/p/7264657.html#_Toc410466840 首先是表: VBAK: 销售订单抬头 VBAP: 销售订单项目 VBUK: 抬头状态 VBUP: 行项目状态 VBKD:销售凭证: 业务数据 VBPA: 销售凭证: 合作伙伴 VBEP:销售凭证:…

【论文速递】COLING 2022 - 带有事件论元相关性的事件因果关系抽取

【论文速递】COLING 2022 - 带有事件论元相关性的事件因果关系抽取 【论文原文】:Event Causality Extraction with Event Argument Correlations 【作者信息】:Cui, Shiyao and Sheng, Jiawei and Cong, Xin and Li, Quangang and Liu, Tingwen and S…

Android NDK动态加载SO库

背景对于一个普通的android应用来说,so库的占比通常都是巨高不下的,因为我们无可避免的在开发中遇到各种各样需要用到native的需求,所以so库的动态化可以减少极大的包体积,自从2020腾讯的bugly团队发部关于动态化so的相关文章后&a…

fuse:纠结的page下刷流程之fuse_writepage_in_flight

fuse:纠结的page下刷流程细节之fuse_writepage_in_flightfuse_writepage_in_flight硬爬代码自己理解消化作者本人如是说fuse_writepage_in_flight 先说下这个函数,位于fs/fuse/file.c,这里以4.19内核来分析。因为这个函数里面藏了很多小细节…