【雷达信号处理】基于可解混沌波形与 CLEAN 去卷积的距离-多普勒雷达成像研究【附python代码】

作品简介

欢迎关注"EWFrontier"（客服微EWFrontier）

了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学

https://wx.zsxq.com/group/15554455154582面包多单个代码获取https://mbd.pub/o/author-a2mYl2tsbA==/workQQ交流群：1074124098注：本文为参考文章代码为对其部分内容进行复现~

基于可解混沌波形与 CLEAN 去卷积的距离-多普勒雷达成像研究

摘要在雷达信号处理中，匹配滤波是提高信噪比（SNR）的标准技术，但其性能本质上受限于发射波形的自相关特性。传统的线性调频（LFM）信号虽然易于生成且具有较大的处理增益，但其较高的峰值旁瓣水平（PSL ≈ -13.3 dB）以及距离-多普勒耦合效应，限制了其在高动态范围场景下的检测能力。强目标的旁瓣往往会掩盖邻近的弱目标，导致漏检。本文深入探讨了一种基于“可解混沌系统”的新型雷达波形，该波形消除了传统混沌系统所需的发射机-接收机同步要求，并提供了类似“图钉状”的模糊函数，PSL 可低至 -25 dB。此外，本文引入了射电天文学中广泛使用的 CLEAN 去卷积算法，用于进一步抑制距离-多普勒图中的旁瓣。通过构建包含强、弱目标且具有大 RCS 差异（26 dB）的六目标挑战场景进行仿真验证。实验结果表明，传统 LFM 波形结合匹配滤波的检测率仅为 50%；而结合可解混沌波形与 CLEAN 算法后，检测率达到 100%，实现了完美的弱目标检测。本研究为解决复杂电磁环境下的雷达旁瓣掩蔽问题提供了有效的理论依据与工程实现路径。

1. 引言

1.1 研究背景

雷达系统通过发射已知波形并接收目标回波来测定目标的距离和速度。为了在噪声环境中最大化信噪比，匹配滤波器被广泛使用。然而，匹配滤波器的输出实质上是发射信号的自相关函数。自相关函数的形状直接决定了雷达的距离分辨率和对强弱目标的分辨能力。

1.2 问题描述：旁瓣掩蔽效应

自相关函数由主瓣和旁瓣组成。主瓣宽度决定了距离分辨率，而旁瓣水平则决定了雷达的动态范围。若两个目标在时延上非常接近，或者存在极大的雷达散射截面（RCS）差异，强目标的旁瓣可能会在弱目标的位置产生虚假的高响应，从而掩盖弱目标的真实回波。这种现象称为“旁瓣掩蔽”。

1.3 本文主要贡献

针对上述问题，本文提出并分析了以下两个关键技术：

  1. 1
  2. 可解混沌波形：通过引入具有解析解的混沌系统，在无需发射机与接收机严格同步的前提下，生成具有低旁瓣（PSL ≈ -25 dB）且无距离-多普勒耦合的雷达波形。
  3. 2
  4. CLEAN 去卷积算法：将 CLEAN 算法从射电天文学引入雷达信号处理，利用贪婪迭代算法逐步去除强目标的旁瓣贡献，从而揭露被掩盖的弱目标。

本文详细推导了可解混沌系统的数学模型，分析了其模糊函数特性，并通过高动态范围的六目标场景仿真，验证了“可解混沌 + CLEAN”方案的优越性。

2. 雷达信号处理基础理论

2.1 雷达测距与测速原理

根据雷达方程，接收功率 ( P_r ) 与目标距离 ( R ) 的四次方成反比。距离 ( R ) 由回波时延 ( \tau ) 决定：

对于径向速度为 ( v ) 的目标，回波会产生多普勒频移 ( f_d )：

2.2 匹配滤波器

匹配滤波器是高斯白噪声背景下线性系统的最佳滤波器，其冲激响应为发射信号的时域反转共轭：

其中 ( T_p ) 为脉宽。匹配滤波器的输出 ( y(\tau) ) 等价于接收信号与参考信号的互相关，即发射信号的自相关函数 ( R_{xx}(\tau) )。

2.3 处理增益与分辨率

匹配滤波器提供的处理增益（Processing Gain, PG）为：

其中 ( B ) 为信号带宽，( T_p ) 为脉宽。例如，带宽 50 MHz、脉宽 20 μs 的信号可提供 30 dB 的增益。

距离分辨率 ( \Delta R ) 由信号带宽决定：

2.4 旁瓣掩蔽的数学约束

设强目标幅度为 ( \alpha_1 )，弱目标幅度为 ( \alpha_2 )，两者时延差为 ( \Delta \tau )。弱目标能被检测的条件是：

归一化后（( |R_{xx}(0)| = 1 )），若 ( \alpha_1 \gg \alpha_2 )，则要求 ( |R_{xx}(\Delta \tau)| ) 必须足够小。对于 LFM 信号，由于其旁瓣较高（-13.3 dB），其能支持的最大动态范围仅约 13 dB。

3. 线性调频（LFM）波形及其局限性

3.1 LFM 信号模型

LFM（Chirp）信号的相位随时间平方变化，瞬时频率线性增加：

其中调频斜率 ( \mu = \frac{B}{T_p} )。

3.2 LFM 的自相关特性

LFM 的自相关函数幅度包络呈三角形，主瓣宽度为 ( \frac{1}{B} )，但其第一旁瓣水平高达 -13.3 dB。这意味着，当强目标与弱目标的 RCS 比约为 20:1 (13 dB) 时，弱目标将处于检测阈值边缘，极易被掩盖。

3.3 模糊函数与距离-多普勒耦合

模糊函数 ( \chi(\tau, \nu) ) 描述了波形在距离-多普勒空间中的分辨率。对于 LFM，其模糊函数呈“倾斜刀刃”状。这种形状导致严重的距离-多普勒耦合：

这表明目标的速度变化会直接导致距离测量的偏移。在实际应用中，这种耦合使得无法独立、准确地测量目标的距离和速度，特别是在目标速度跨度较大的场景中。

4. 可解混沌波形理论

4.1 传统混沌系统的同步难题

传统的混沌系统（如 Lorenz、Rössler 系统）虽然具有宽频谱和类噪声特性，但对初始条件极为敏感（Lyapunov指数 > 0）。这意味着接收机必须与发射机保持精确的同步才能生成参考信号进行匹配滤波，这在单基地雷达中极难实现。

4.2 可解混沌系统的数学模型

Carroll & Corron (2017) 提出的可解混沌系统解决了同步问题。该系统为一个阻尼谐振子，受双极序列 ( s(t) ) 驱动：

其中：

  • ★
  • ( \beta )：阻尼系数
  • ★
  • ( \omega )：角频率
  • ★
  • ( s(t) )：驱动序列，取值为 ( {-1, +1} )

4.3 解析解与卷积实现

该系统的冲激响应（基函数）为：

对于离散驱动序列 ( s[m] )，系统的输出 ( x(t) ) 可以通过简单的线性卷积获得：

由于解是卷积形式，接收机只需要知道基函数 ( p(t) ) 和驱动序列 ( s(t) )，无需对混沌系统本身进行实时积分或同步。这使得混沌雷达在工程上变得可行。

4.4 参数选择与混沌行为

为了保证产生混沌动力学特性，阻尼系数必须满足：

其中 ( f_s = \frac{1}{T_s} ) 为符号率。通过调节 ( \omega ) 可以控制波形的中心频率和带宽 ( B \approx \frac{\omega}{2\pi} )。

4.5 性能优势

  1. 1
  2. 低旁瓣：由于基函数的指数衰减特性，自相关旁瓣可低至 -20 到 -25 dB，相比 LFM 提升了 12 dB。
  3. 2
  4. 图钉状模糊函数：不像 LFM 的刀刃状，可解混沌的模糊函数近似为原点尖锐、周围平坦的“图钉状”。
  5. 3
  6. 无耦合：距离和速度测量相互独立，不存在耦合效应。
  7. 4
  8. 无需同步：这是其最核心的工程优势。

5. CLEAN 算法原理与应用

5.1 CLEAN 算法起源与雷达适配

CLEAN 算法由 Högbom (1974) 提出用于射电天文图像去模糊。在雷达中，匹配滤波器的输出 ( D(r, v) ) 可以看作是真实目标分布 ( T(r, v) ) 与点扩散函数（PSF，即模糊函数）的卷积再加上噪声：

目标是恢复 ( T(r, v) )。

5.2 算法流程

CLEAN 采用贪婪迭代策略：

  1. 1
  2. 初始化：残差 ( R_0 = D )，干净图 ( C_0 = 0 )。
  3. 2
  4. 迭代（第 ( k ) 次）：其中 ( \gamma ) 为循环增益（通常取 0.05-0.1）。
  • ★
  • 寻找残差中的最大峰值位置 ( (r_{\max}, v_{\max}) ) 和强度 ( I_{\max} )。
  • ★
  • 判断是否收敛（若 ( I_{\max} ) 低于阈值则停止）。
  • ★
  • 从残差中减去缩放后的 PSF：
  • ★
  • 将该分量加入干净图：

5.3 收敛条件分析：为何低旁瓣是关键

CLEAN 算法成功的前提是：每次迭代找到的最大峰值必须是真实目标，而不是旁瓣。

数学上的收敛条件为：

这意味着弱目标 ( B ) 的信号强度必须强于强目标 ( A ) 在该位置产生的旁瓣水平。

  • ★
  • 对于 LFM（PSL = -13 dB）：动态范围限制在 13 dB。一旦目标差异超过此范围，CLEAN 会误将强目标的旁瓣识别为目标，导致算法发散或错误收敛。
  • ★
  • 对于可解混沌（PSL = -25 dB）：动态范围扩展至 25 dB。在 26 dB 的挑战场景下，虽然混沌波形单独使用仍有一点点勉强，但结合 CLEAN 的迭代剥离作用，能够成功满足收敛条件。

6. 仿真验证与性能评估

6.1 实验场景设计

为了验证方法的有效性，设计了一个具有高动态范围的六目标挑战场景。雷达参数设定为：载频 5 GHz，带宽 50 MHz，脉宽 20 μs，PRF 12 kHz。

目标ID

距离

速度

RCS (m²)

描述

T1

1000.0 m

50.0 m/s

10.0

强目标，慢速

T2

1000.0 m

54.2 m/s

10.0

强目标，慢速

T51004.5 m50.0 m/s0.5弱目标，位于 T1 旁 (距离旁瓣测试)T3

1150.0 m

150.0 m/s

10.0

强目标，快速

T4

1165.0 m

150.0 m/s

10.0

强目标，快速

T61165.0 m152.1 m/s0.5弱目标，与 T4 同距离，仅速度差 1.5 个单元 (多普勒旁瓣测试)

关键挑战：T6 与 T4 处于同一距离单元，速度相差极小，且 RCS 差异达 26 dB。T6 信号强度与 T4 在该位置的旁瓣强度几乎相等，极具检测难度。

6.2 实验结果分析

1. LFM + 匹配滤波 (MF)

  • ★
  • 检测结果：仅检测到 T1, T2, T5 (3/6, 50%)。
  • ★
  • 分析：
  • ★
  • 快速强目标 T3, T4 丢失：由于 LFM 的距离-多普勒耦合，加上 FFT 的频谱泄漏，导致快速目标在距离-多普勒图上的 SNR 严重下降。
  • ★
  • 弱目标 T6 丢失：被 T4 的高旁瓣完全淹没。

2. 可解混沌 + 匹配滤波 (MF)

  • ★
  • 检测结果：检测到 T1, T2, T3, T4, T5 (5/6, 83.3%)。
  • ★
  • 分析：
  • ★
  • 快速目标 T3, T4 成功检测：消除了距离-多普勒耦合。
  • ★
  • T6 未检测：虽然混沌旁瓣已降至 -25 dB，使 T6 的信噪比提升了约 12 dB，但在没有 CLEAN 辅助的情况下，T6 的信号强度仍略低于典型检测阈值（信杂比约为 12 dB），处于“可见但不可信”的状态。

3. LFM + CLEAN

  • ★
  • 检测结果：仅检测到 T1, T2, T5 (3/6, 50%)。
  • ★
  • 分析：由于 LFM 的高旁瓣（-13 dB）超过了动态范围极限，CLEAN 无法区分 T6 的信号和 T4 的旁瓣。算法将 T4 的旁瓣误认为是目标进行减法，导致无法收敛，未带来任何提升。

4. 可解混沌 + CLEAN

  • ★
  • 检测结果：全部 6 个目标 (6/6, 100%)。
  • ★
  • 分析：
  • ★
  • 在前 20 次迭代中，算法成功识别并去除了 T1-T5 等强目标的主瓣及部分旁瓣。
  • ★
  • 随着强目标贡献被剥离，残差图中的噪声基底和剩余旁瓣降低。
  • ★
  • 在第 40 次迭代左右，T6 的信号强度超过了局部的剩余旁瓣水平，成为新的峰值，从而被成功提取。CLEAN 将 T6 从 T4 的阴影中“剥离”了出来。

6.3 综合性能对比

方法

检测率

关键特性

LFM + MF

50.0%

高旁瓣、强耦合

混沌 + MF

83.3%

低旁瓣、无耦合，弱目标勉强可见

LFM + CLEAN

50.0%

算法因高旁瓣无法收敛

混沌 + CLEAN100.0%低旁瓣支持迭代收敛，完美去模糊7. 讨论

7.1 波形与算法的协同增效

实验结果表明，单纯的波形改进（混沌）或单纯的算法改进（CLEAN）都无法解决极端的旁瓣掩蔽问题。

  • ★
  • 混沌波形提供了必要的低初始旁瓣水平（-25 dB），使得弱目标信号相对于强目标旁瓣的比值得以提升，为 CLEAN 算法提供了有效的“起跑线”。
  • ★
  • CLEAN 算法则利用混沌波形的低旁瓣特性，通过迭代去除了剩余的旁瓣干扰，进一步挖掘了波形的潜在动态范围潜力。

两者结合产生了 1 + 1 > 2 的效果。

7.2 计算复杂度

相较于单纯匹配滤波（复杂度 ( O(N \log N) )），CLEAN 算法引入了额外的迭代开销。若迭代次数为 ( K )，像素数为 ( N \times M )，则复杂度为 ( O(K \cdot N \cdot M) )。在典型配置下（如 50 次迭代），计算开销约为匹配滤波的 3 倍。随着硬件算力（如 GPU、FPGA）的提升，这一开销在许多实时雷达应用（如汽车雷达、无人机监测）中是可接受的。

8. 结论

本文针对雷达在强目标背景下检测弱目标的难题，系统性地研究了基于可解混沌波形与 CLEAN 去卷积算法的解决方案。主要结论如下：

  1. 1
  2. 传统 LFM 的局限性：-13.3 dB 的旁瓣水平和距离-多普勒耦合效应限制了其在高动态范围场景下的检测能力。
  3. 2
  4. 可解混沌波形的优势：通过解析解消除了同步需求，提供了 -25 dB 的低旁瓣和图钉状模糊函数，有效提升了系统的固有动态范围。
  5. 3
  6. CLEAN 算法的有效性：在低旁瓣波形的支持下，CLEAN 能够成功收敛，通过迭代旁瓣剥离，进一步压低了干扰电平。
  7. 4
  8. 卓越的检测性能：在 26 dB 动态范围的极端挑战场景下，"可解混沌 + CLEAN" 方案实现了 100% 的目标检测率，相比 LFM 基准方案（50%）实现了质的飞跃。

该方案不仅理论上可行，且具有较好的工程实用性，对于提升现代雷达系统在复杂电磁环境（如城市战场、繁忙交通）中的感知能力具有重要的参考价值。

参考文献

  1. 1
  2. Richards, M. A. (2014). Fundamentals of Radar Signal Processing (2nd ed.). McGraw-Hill Education.
  3. 2
  4. Carroll, T. L., & Corron, N. J. (2017). "Solvable chaotic oscillator." Chaos: An Interdisciplinary Journal of Nonlinear Science, 27(10), 103103.
  5. 3
  6. Högbom, J. A. (1974). "Aperture synthesis with a non-regular distribution of interferometer baselines." Astronomy and Astrophysics Supplement Series, 15, 417-426.
  7. 4
  8. Yao, Y., et al. (2024). "Integrated radar-communication system using solvable chaotic signals." Scientific Reports, 14, Article 8234.


创作时间：