基于乘积变尺度周期吕分布的机动目标相参检测方法及装置
阅读说明：本技术 基于乘积变尺度周期吕分布的机动目标相参检测方法及装置 (Maneuvering target coherent detection method and device based on product variable-scale periodic Lu distribution ) 是由 靳科 黄洁 张红敏 党同心 王建涛 于 2019-09-30 设计创作，主要内容包括：本发明属于雷达信号处理技术领域,特别涉及一种基于乘积变尺度周期吕分布的机动目标相参检测方法及装置,包含：依据雷达发射线性调频信号,获取多普勒模糊目标信号模型；针对多普勒模糊目标信号模型,利用离散傅里叶变换消除多普勒模糊和耦合,获取不同距离频率下的吕分布结果；并针对吕分布结果通过乘积操作,以实现机动目标相参检测。本发明具有良好的交叉项抑制性能,适用于多目标探测及参数估计；在不增加PRF或改变其他系统参数的情况下,通过进行频谱周期延拓估计模糊多普勒频率,能够较好实现对具有恒定速度的多普勒模糊目标的探测,可通过快速傅里叶变换FFT和快速傅里叶反变换IFFT实现无搜索参数估计,在低信噪比下实现有效探测机动目标。(The invention belongs to the technical field of radar signal processing, and particularly relates to a maneuvering target coherent detection method and device based on product variable-scale periodic distribution, which comprises the following steps: acquiring a Doppler fuzzy target signal model according to a linear frequency modulation signal transmitted by a radar; aiming at a Doppler fuzzy target signal model, eliminating Doppler fuzzy and coupling by utilizing discrete Fourier transform to obtain a Lu distribution result under different distance frequencies; and aiming at the Lu distribution result, the mobile target coherent detection is realized through product operation. The method has good cross item inhibition performance, and is suitable for multi-target detection and parameter estimation; under the condition of not increasing PRF or changing other system parameters, the detection of the Doppler fuzzy target with constant speed can be better realized by carrying out spectrum period continuation estimation on the fuzzy Doppler frequency, the non-search parameter estimation can be realized by Fast Fourier Transform (FFT) and Inverse Fast Fourier Transform (IFFT), and the effective detection of the maneuvering target can be realized under the condition of low signal-to-noise ratio.)
技术领域
本发明属于雷达信号处理技术领域，特别涉及一种基于乘积变尺度周期吕分布的机动目标相参检测方法及装置。
背景技术
近些年隐身飞机和无人机UAV的迅猛发展给雷达机动弱目标探测提出了越来越高的要求。为了探测此类低雷达散射截面积RCS目标，长时间相参积累是一种首选方式。不幸地是，由此带来的问题不仅包括线性距离徙动LRM、距离弯曲和多普勒频率徙动DFM，还存在由于目标高速或雷达低脉冲重复频率PRF引起的多普勒频率模糊。这些不利因素将严重影响传统积累算法(如MTD)的探测性能。因此，如何有效探测存在多普勒模糊的机动目标成为雷达信号处理领域中热门话题。
线性距离徙动LRM将会使目标包络出现跨距离单元徙动。现有的Keystone变换KT，Radon-Fourier变换，变尺度傅里叶反变换SCIFT，频域去斜-Keystone变换FDDKT，轴旋转MTD即AR-MTD，以及改进的坐标旋转变换MLRT，等均提出了消除LRM。然而，由于忽略了目标加速度引起的距离弯曲和DFM效应，它们将遭受严重的积累性能损失。为了解决上述问题，代表性方法包括广义RFT即GRFT，Radon吕分布算法RLVD，KT和吕分布算法KT-LVD，KT和线性正则变换KT-LCT，改进的轴旋转变换和吕分布MART-LVT，以及改进的轴旋转和分数阶傅里叶变换IAR-FRFT等搜索类算法，这些算法通过参数搜索，在低信噪比SNR下展现出了卓越的探测性能；然而，巨大的计算复杂度使其在实际应用中难以被接受。另，非搜索类算法，包括相邻互相关函数ACCF，对称自相关函数-变尺度傅里叶变换SAF-SFT，频率二阶相位差分FD-SoPD，以及三维变尺度变换TDST等，相比于搜索类算法，这些方法能够获得较低的计算复杂度，但是却以牺牲抗噪性能为代价。因此，亟需一种能够有效平衡复杂度和探测性能的处理方案，以实现雷达机动目标的探测。
发明内容
为此，本发明提供一种基于乘积变尺度周期吕分布的多普勒模糊机动目标相参检测方法及装置，适用于多普勒模糊机动目标探测，能够较好地抑制机动目标相参检测中的交叉项，提高机动目标检测的精度和效率。
按照本发明所提供的设计方案，提供一种基于乘积变尺度周期吕分布的多普勒模糊机动目标相参检测方法，包含如下内容：
依据雷达发射线性调频信号，获取多普勒模糊目标信号模型；
针对多普勒模糊目标信号模型，利用离散傅里叶变换消除多普勒模糊和耦合，获取不同距离频率下的吕分布结果；并针对吕分布结果通过乘积操作，以实现机动目标相参检测。
作为本发明机动目标相参检测方法，进一步地，依据雷达发射线性调频信号，通过设定以恒定加速度运动的机动目标距离雷达的瞬时斜距，获取虽慢时间非线性变化的接收信号；并对接收信号沿快时间进行傅里叶变换，得到多普勒模糊目标信号模型。
作为本发明实施例中的机动目标相参检测方法，进一步地，依据多普勒模糊目标信号模型，设定其对称瞬时自相关函数；通过设定慢时间和时延变量，得到对称瞬时自相关函数的吕分布；并通过对离散傅里叶变换主值区间进行周期延拓来估计模糊多普勒频率，并利用信号变尺度因子消除距离频率和慢时间之间的耦合，获取不同距离频率下的吕分布结果。
作为本发明实施例中的机动目标相参检测方法，进一步地，通过预先设定速度观测范围来获取周期延拓的周期整数，以扩展多普勒频率范围。
作为本发明实施例中的机动目标相参检测方法，进一步地，通过设定依赖于距离频率的变尺度因子来消除距离频率和慢时间之间的耦合。
作为本发明实施例中的机动目标相参检测方法，进一步地，对不同距离频率下的吕分布结果进行乘积操作，通过相参增强谱峰并抑制栅瓣，实现对机动目标的相参积累。
作为本发明实施例中的机动目标相参检测方法，进一步地，依据相参增强谱峰结果，构建用于估计机动目标运动参数的代价函数；并通过相位补偿函数，以实现对机动目标的相参积累检测。
作为本发明实施例中的机动目标相参检测方法，进一步地，机动目标运动参数包含速度和加速度。
作为本发明实施例中的机动目标相参检测方法，进一步地，利用估计出的运动参数，构建相位补偿函数，以消除线性距离徙动、距离弯曲和多普勒频率徙动；并依据相位补偿函数、慢时间和距离频率，通过离散傅里叶变换和逆离散傅里叶变换，实现对机动目标的相参积累。
进一步地，本发明还提供一种基于乘积变尺度周期吕分布的多普勒模糊机动目标相参检测装置，包含：信号模型构建模块和目标相参检测模块，其中，
信号模型构建模块，用于依据雷达发射线性调频信号，获取多普勒模糊目标信号模型；
目标相参检测模块，用于针对多普勒模糊目标信号模型，利用离散傅里叶变换消除多普勒模糊和耦合，获取不同距离频率下的吕分布结果；并针对吕分布结果通过乘积操作，以实现机动目标相参检测。
本发明的有益效果：
本发明中，依据雷达发射线性调频信号，获取多普勒模糊目标信号模型；针对多普勒模糊目标信号模型，利用离散傅里叶变换消除多普勒模糊和耦合，获取不同距离频率下的吕分布结果；并针对吕分布结果通过乘积操作，以实现机动目标相参检测，具有良好的交叉项抑制性能，适用于多目标探测及参数估计；在不增加PRF或改变其他系统参数的情况下，通过进行频谱周期延拓估计模糊多普勒频率，能够较好地实现对具有恒定速度的多普勒模糊目标的探测，能够通过快速傅里叶变换FFT和快速傅里叶反变换IFFT实现无搜索参数估计，在低信噪比下实现有效地探测机动目标。并进一步通过仿真实验和实测数据验证本发明技术方案的有效性，具有较好的应用价值。
附图说明：
图1为实施例中机动目标相参检测方法流程示意图；
图2为实施例中机动目标相参检测装置示意图；
图3为实施例中DFT周期延拓示意图；
图4为实施例中变尺度过程示意图；
图5为实施例中多普勒谱峰(不存在重叠和存在重叠)的仿真结果示意；
图6为实施例中基于CZT变尺度周期DFT的实现过程示意；
图7为实施例中不同算法计算复杂度对比示意图；
图8为实施例中单个机动目标相参积累仿真示意；
图9为实施例中两机动目标相参积累仿真示意；
图10为实施例中不同算法检测性能对比示意；
图11为实施例中雷达实测数据结果示意。
具体实施方式
：
为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
针对存在多普勒模糊的机动目标相参积累问题，本发明实施例，参见图1所示，提供一种基于乘积变尺度周期吕分布的多普勒模糊机动目标相参检测方法，包含：
S101)依据雷达发射线性调频信号，获取多普勒模糊目标信号模型；
S102)针对多普勒模糊目标信号模型，利用离散傅里叶变换消除多普勒模糊和耦合，获取不同距离频率下的吕分布结果；并针对吕分布结果通过乘积操作，以实现机动目标相参检测。
通过离散傅里叶变换和乘积操作，实现模糊多普勒频率估计，补偿掉距离徙动和多普勒频率徙动，具有良好的交叉项抑制性能，适用于多目标探测及参数估计，能够有效探测存在多普勒模糊的机动目标。
作为本发明实施例中的机动目标相参检测方法，进一步地，依据雷达发射线性调频信号，通过设定以恒定加速度运动的机动目标距离雷达的瞬时斜距，获取虽慢时间非线性变化的接收信号；并对接收信号沿快时间进行傅里叶变换，得到多普勒模糊目标信号模型。
假设雷达发射线性调频(LFM)信号，
其中，
为窗函数，
假设一机动目标以恒定加速度运动，其距离雷达的瞬时斜距R(tm)满足
其中，R0、v和a分别为目标的初始斜距、径向速度和加速度。tm＝mTm(m＝1,2,...,Na)表示慢时间变量，Tm为脉冲重复时间，Na为积累脉冲数。
忽略噪声的影响，接收信号在脉压之后可以表示为：
其中，Ac和c分别为信号幅度和传播速度。
将式(3)代入式(4)之中可得
其中，λ＝c/fc为信号波长。
从式(5)中可以看出，信号包络随慢时间非线性变化。当由速度造成的偏移量超过一个距离分辨单元Δr＝c/2B时，LRM线性出现。如果目标机动性较强(即加速度较大)，距离弯曲也可被观测到。
对式(5)沿快时间进行傅里叶变换(FT)，可得
其中，fr为相对于快时间的距离频率。
显然，fr和tm之间的耦合是造成距离徙动的本质原因。目标的多普勒频率定义为：
由于加速度的原因，多普勒频率随慢时间线性变化，即出现了DFM现象，从而导致目标能量在多普勒域内严重发散。而且，在目标高速度或雷达低PRF的情况下，多普勒模糊也会出现[35,36]，即
|fd,T|＞fp/2 (8)
其中，fp＝1/Tm表示PRF。
此时，信号沿慢时间维是欠采样的，这对目标速度估计造成了巨大困难。因此，为了在低信噪比下有效探测机动目标，必须考虑消除耦合项、DFM、多普勒模糊。
作为本发明实施例中的机动目标相参检测方法，进一步地，依据多普勒模糊目标信号模型，设定其对称瞬时自相关函数；通过设定慢时间和时延变量，得到对称瞬时自相关函数的吕分布；并通过对离散傅里叶变换主值区间进行周期延拓来估计模糊多普勒频率，并利用信号变尺度因子消除距离频率和慢时间之间的耦合，获取不同距离频率下的吕分布结果。
进一步地，通过预先设定速度观测范围来获取周期延拓的周期整数，以扩展多普勒频率范围。优选的，通过设定依赖于距离频率的变尺度因子来消除距离频率和慢时间之间的耦合。对不同距离频率下的吕分布结果进行乘积操作，通过相参增强谱峰并抑制栅瓣，实现对机动目标的相参积累。依据相参增强谱峰结果，构建用于估计机动目标运动参数的代价函数；并通过相位补偿函数，以实现对机动目标的相参积累检测。机动目标运动参数包含速度和加速度。利用估计出的运动参数，构建相位补偿函数，以消除线性距离徙动、距离弯曲和多普勒频率徙动；并依据相位补偿函数、慢时间和距离频率，通过离散傅里叶变换和逆离散傅里叶变换，实现对机动目标的相参积累。
进一步地，基于上述方法，本发明实施例还提供一种基于乘积变尺度周期吕分布的多普勒模糊机动目标相参检测装置，参见图2所示，包含：信号模型构建模块101和目标相参检测模块102，其中，
信号模型构建模块101，用于依据雷达发射线性调频信号，获取多普勒模糊目标信号模型；
目标相参检测模块102，用于针对多普勒模糊目标信号模型，利用离散傅里叶变换消除多普勒模糊和耦合，获取不同距离频率下的吕分布结果；并针对吕分布结果通过乘积操作，以实现机动目标相参检测。
以估计LFM信号的中心频率和调频斜率。式(6)的对称瞬时自相关函数(SIAF)定义为
其中，*表示复共轭，τ为时延变量。
从式(9)中可以看出，慢时间tm与时延τ相互耦合。为了消除该耦合项，可进行如下的变量替换：
其中h为变尺度因子，tn为新慢时间变量。
将式(10)带入式(9)中可得
可采用h＝1以平衡调频斜率估计的分辨率和范围。在某一确定距离频率单元内，对时延τ和慢时间tn进行二维DFT，可得到Rs(tn,τ；fr)的LVD，即
其中v0＝mod(v,vb)为无模糊速度，vb＝λfp/2为盲速，nb＝Round(v/vb)表示目标的多普勒模糊数，其中Round(·)为向上取整函数，fd∈[-fp/2,fp/2)为相对于时延τ的多普勒频率变量，γ为相对于慢时间tn的调频斜率变量。
在式(12)中，信号沿慢时间在中心频率—调频率(CFCR)域中相参积累为一个谱峰。但是，由于多普勒模糊以及fr和tm之间的耦合，使得该谱峰错误地估计目标运动参数，从而导致LVD不再适用。
多普勒频率估计是通过对时延进行DFT实现的，所以多普勒频率被自然地限制在fd∈[-fp/2,fp/2)之间。当频率模糊出现时，目标的多普勒频率将超过DFT的主值区间，即
众所周知，DFT可以进行周期性重复(延拓)，其重复周期为fp，即
LR(fd,γ；fr)＝LR(fd+q·fp,γ；fr),q∈Z (13)
其中q表示周期整数。
在实际应用中，DFT的周期性通常被忽略而只用到其主值区间。因此，在不改变PRF或者其他系统参数的情况下，一种最直接的测量模糊多普勒频率的方法就是重新引入DFT的冗余周期以扩展频率范围。图3给出了频率估计的示意图，其中单频信号的真实频率是160Hz，采样率为100Hz。传统DFT下，由于频率模糊，只能在-40Hz处得到混叠频率。但是当频率范围从[-50,50)Hz周期性扩展到[-250,250)Hz时，真实的频率也可以观测到。本发明实施例中通过周期延拓的周期LVD(PLVD)，可将其定义为
其中，
经过PLVD后，目标的模糊多普勒频率已经可以观测到。但是，由于fr和tm之间的耦合，多普勒谱峰将给出错误的速度和加速度值。此时，需要将PLVD改进为变尺度PLVD(SPLVD)，以消除该耦合的影响，其定义为：
其中，ξ(fr)＝(fr+fc)/fc为依赖于fr的变尺度因子。
从式(15)可以看出，当i＝0时，CFCR域中的谱峰将给出正确的中心频率和调频率，即fd0＝-2v/λ，γ0＝-2a/λ。
图4仿真了三个单频信号(s1，s2和s3)的变尺度过程。信号的真实频率都是160Hz，采样率为100Hz。三个信号的变尺度因子分别为ξ1＝1.1，ξ2＝1及ξ3＝0.9。因此，变尺度之前，只能从周期DFT的结果中估计出s1和s3的错误频率，即176Hz，144Hz。当进行变尺度之后，三个信号能够估计出正确频率。
由PLVD产生的另外一个问题是在多普勒域的栅瓣，它们的出现给真实多普勒频率的判别和估计造成了极大的困难。然而，从图4中可以注意到一个有利条件：经过SPLVD后，只有真实频率的谱峰得到了对齐，而栅瓣的谱峰出现了位置交错。当i＝0时，不同距离频率的谱峰都指向了真实多普勒频率，即
但是，对于不同距离频率而言，设定不同的变尺度因子ξ。此时，栅瓣之间的重复周期为
所以，不同距离频率的栅瓣由于重复周期的不同会产生交错，即i≠0时，不同距离频率下的栅瓣将指示不同的多普勒频率。
以上识别真实多普勒频率，以排除虚假谱峰的方法，可设计乘积SPLVD(PSPLVD)以相参增强真实谱峰并抑制栅瓣。该方法对不同距离频率下的SPLVD结果进行乘积操作，定义为：
其中APSP为幅度。
以这种方式，栅瓣的幅度将大大降低，从而得到指示正确调频率和模糊多普勒频率的单一谱峰。构建代价函数即可估计出目标的速度和加速度：
利用估计出的运动参数，可以构建下式的相位补偿函数消除LRM，距离弯曲和DFM。
最后，分别对tm和fr进行DFT和逆DFT(IDFT)，即可实现对机动目标的相参积累。
与式(6)相似，K个目标接收信号在距离频域可表示为
式(22)的SIAF为
其中，
根据欧拉公式：
可得
从式(27)可以看出，在变量替换和DFT之后，余弦函数将难以实现相参积累，而出现震荡项。然而，自项能够在CFCR域中积累成谱峰。只有当R0,d＝R0,p，vd＝vp及ad＝ap时，余弦项将消除，但此时交叉项变成了自项。所以，SIAF的交叉项无法实现相参积累。
基于以上内容，多目标相参检测内容，可设计为如下：
如下考虑两机动目标情况下的PSPLVD结果，至于多目标的情况，可以以相同的原理获得。
忽略SIAF的交叉项，两目标的SPLVD结果可写为：
PSPLVD的结果可以分下列三种情况考虑。
情况1：两目标的加速度不同，即a1≠a2。此时，我们可以很容易地得到PSPLVD的结果为：
情况2：两目标的加速度相同，即a1＝a2。但是
图5(a)仿真了两个单频信号s1和s2的变尺度结果。两信号的频率分别为160Hz和140Hz。采样率为100Hz。变尺度因子设为ξ1＝1.1，ξ2＝1及ξ3＝0.9。经过变尺度后，每个信号的真实频率实现对齐，但是虚假谱峰出现交错。因此，PSPLVD的结果同样可用式(29)表示。
情况3：两目标的加速度相同，即a1＝a2。但是
图6(b)仿真了两个单频信号s1和s2的变尺度结果。两信号的频率分别为160Hz和60Hz。采样率为100Hz。变尺度因子设为ξ1＝1.1，ξ2＝1及ξ3＝0.9。经过变尺度后，只有s1的一个虚假谱峰与s2的真实谱峰对齐。类似地，只有s2的一个虚假谱峰与s1的真实谱峰对齐。由于栅瓣之间的周期间隔取决于变尺度因子，所以其他虚假谱峰将不会出现重叠。因此，这种情况下PSPLVD的结果为
经过乘积操作后，栅瓣将不会像真实多普勒谱峰一样实现相参积累。当两机动目标回波幅度差别较大时，可考虑采用CLEAN[37]分离强弱目标分量，因为弱目标可能在乘积操作后进行了抑制。
变量替换通过变尺度傅里叶变换(SFT)实现。将变量替换融合进SPLVD中，该过程变为
其中
ζ＝h·τ·ξ(fr) (32)
式(31)定义了一个二维SFT，对τ和tm维的变尺度因子分别为ξ(fr)及ζ。考虑Chirp-Z变换(CZT)的变尺度性和频谱细化性[38]，SPLVD过程可以通过FFT和IFFT快速实现。
对于离散信号x(n),n＝0,1,…,Na-1，其变尺度周期DFT为
在式(33)中，我们有
在此，我们采用Bluestein等式：
将式(34)带入式(33)可得
其中，表示卷积运算。
当时，计算过程与式(33)-式(35)所示相同。
式(35)的计算过程如图6所示。因此，变尺度周期DFT和SPLVD都可以采用FFT和IFFT进行高效计算。
下面分析不同算法的计算复杂度：以MLRT、SAF-SFT、GRFT及RLVD等四种代表性算法作为对比。
假设Ma、Mv、Mθ、Nr和Na分别表示加速度搜索数、速度搜索数、旋转角度搜索数、距离单元数和脉冲数，得到MLRT的计算复杂度在O(MθNrNalog2Na)量级。
对于SAF-SFT，广义KT、SAF和SFT的计算量分别为O(NrNalog2Na)、
GRFT通过搜索目标的运动参数实现相参积累。因此，GRFT的计算复杂度约为O(NrMvMaNa)。
RLVD算法首先搜索目标的运动轨迹，然后通过LVD实现相参积累。因此，RLVD的计算量约为
对于每个距离频率上的PSPLVD，计算SIAF和SPLVD的复杂度分别为和
表1列出了上述算法的计算复杂度。在q＝10，Ma＝Mv＝Mθ＝qNa及Nr＝Na的假设下，图7直观地描述了不同算法的计算量曲线。显然，GRFT和RLVD算法由于多维参数搜索，计算复杂度较高。MLRT和SAF-SFT算法计算量相比本文算法较小，但是MLRT不适合机动目标探测，SAF-SFT在低信噪比下具有较差的探测性能。
表1不同算法的计算复杂度
为验证本发明技术方案的有效性，下面通过仿真数值以及实测实验结果，做进一步解释说明：
雷达仿真参数见表2。
表2仿真雷达参数
首先，图8给出了单个机动目标的相参积累结果，其中目标运动参数为r＝150km，v＝200m/s，a＝10m/s2。脉冲压缩后信噪比为3dB。周期整数选择为q＝12以保证速度范围为v∈[-225,225)m/s。图8(a)给出了脉压后目标的运动轨迹。由于目标的高速度，可以明显地看到LRM效应。图8(b)给出了fr＝0时SPLVD的结果。显然，多普勒频率进行了周期延拓，除了真实谱峰之外，还能观测到q-1个栅瓣。真实LVD谱峰指示了目标的速度和加速度。经过乘积操作之后，栅瓣得到极大地抑制，同时真正LVD谱峰被增强，如图8(c)所示。结果表明，PSPLVD能够准确估计出目标的运动参数。最后，图8(d)给出了相参积累结果。
多个机动目标(Tr1和Tr2)的相参积累性能，目标运动参数在表3中给出。图9展示了相参积累和参数估计结果。
表3两机动目标运动参数
图9(a)给出了脉冲压缩结果。图9(b)和图7(c)分别给出了在fr＝1MHz和fr＝500kHz时的SPLVD结果。经过SPLVD后只有真实多普频率的谱峰对齐，而栅瓣是交错的。图9(d)展示了PSPLVD的结果。与预期结果相同，在CFCR域中可以观测到两个尖锐的谱峰。从峰值位置我们估计出目标的运动参数为：同时，该图也说明LVD和乘积操作的交叉项无法像自项一样实现能量积累。最后，利用所估参数，分别对Tr1和Tr2进行相参积累，结果如图9(e)和图9(f)所示。
通过蒙特卡洛仿真研究了所提算法对机动目标的探测性能。同时，四种代表性算法(GRFT、RLVD、SAF-SFT以及MLRT)作为比较。脉冲压缩后信噪比从-20dB变化为10dB。对于每个信噪比，进行了500次蒙特卡洛实验。虚警率设为Pfa＝10-6。探测概率曲线如图10所示。GRFT和RLVD通过多维参数搜索能够获得最优探测性能。所提算法由于式(9)的非线性自相关函数损失了约3dB探测性能。SAF-SFT在对距离频率做自相关时损失了大量信号能量。所以该算法的低计算复杂度是以牺牲探测性能为代价的。MLRT由于忽略了目标的加速度，导致了其探测性能最差。综合考虑抗噪性能和计算复杂度，可以得知所提算法更适合于存在多普勒模糊的机动目标相参检测。
下面通过大疆精灵3商用无人机对本发明技术方案做进一步验证，数据在某学校采集。图11(a)和图9(b)给出了实验场景和所用的调频连续波(FMCW)雷达系统。雷达参数于表4中列出。值得一提的是，为了获得LRM效应和多普勒模糊，可以人为地提高了雷达带宽并降低了雷达的PRF。
表4 FMCW雷达系统参数
图11(c)给出了脉冲压缩结果。在相参积累时间内，无人机移动超过7个距离单元，引起了严重的距离徙动现象。图11(d)给出了SPLVD结果，其中周期整数为q＝12。因此，在CFCR域中能够观测到12个良好聚焦的谱峰。在这些谱峰中，只有一个LVD谱峰指示了目标真实的多普勒中心频率和调频率。经过乘积操作，栅瓣、噪声和杂波得到极大地抑制，真实谱峰被增强，如图11(e)所示。从谱峰位置可以估计出无人机的运动参数为
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
基于上述的方法，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的方法。
基于上述的方法，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的方法。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。