✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
随着雷达技术的发展,对多目标识别和定位的需求不断提高。传统雷达通常采用距离和角度联合估计的方法来识别目标,但存在模糊问题,难以区分距离和角度相近的目标。近年来,基于正交频分复用(OFDM)技术的FDA-MIMO雷达兴起,它能够实现距离和角度的无模糊估计,提高了多目标识别和定位的精度。本文将对比传统雷达和FDA-MIMO雷达在距离角度联合无模糊估计的双目标识别辨别能力方面,分析其优劣势,并展望未来发展方向。
1. 引言
雷达作为重要的探测和定位工具,在军事、民用等领域发挥着重要作用。随着雷达技术的发展,对多目标识别和定位的需求不断提高。传统雷达通常采用距离和角度联合估计的方法来识别目标,但存在模糊问题,难以区分距离和角度相近的目标。近年来,基于正交频分复用(OFDM)技术的FDA-MIMO雷达兴起,它能够实现距离和角度的无模糊估计,提高了多目标识别和定位的精度。
2. 传统雷达的距离角度联合估计
传统雷达通常采用脉冲雷达或连续波雷达来实现距离和角度的测量。脉冲雷达通过发射和接收脉冲信号来测量目标的距离,通过天线阵列来测量目标的角度。连续波雷达通过发射和接收连续波信号来测量目标的距离和角度。
传统雷达的距离角度联合估计方法存在模糊问题,主要表现在以下几个方面:
-
距离模糊:当目标的距离超过雷达的最大探测距离时,雷达接收到的回波信号会与其他目标的回波信号混淆,导致距离测量出现错误。
-
角度模糊:当目标的角度超过雷达的最大扫描角度时,雷达接收到的回波信号会与其他目标的回波信号混淆,导致角度测量出现错误。
-
多普勒模糊:当目标的运动速度超过雷达的最大多普勒速度时,雷达接收到的回波信号会发生多普勒频移,导致距离和角度测量出现错误。
3. FDA-MIMO雷达的距离角度联合无模糊估计
FDA-MIMO雷达是一种新型雷达,它采用正交频分复用(OFDM)技术来实现距离和角度的无模糊估计。OFDM技术将信号分解为多个正交的子载波,每个子载波对应一个不同的距离和角度。通过对子载波信号进行处理,可以实现距离和角度的无模糊估计。
FDA-MIMO雷达具有以下优点:
-
无模糊估计:FDA-MIMO雷达能够实现距离和角度的无模糊估计,避免了传统雷达的模糊问题。
-
高分辨率:FDA-MIMO雷达能够实现高分辨率的距离和角度测量,提高了目标识别和定位的精度。
-
抗多径干扰:FDA-MIMO雷达能够有效地抑制多径干扰,提高了雷达的抗干扰能力。
4. 未来发展方向
FDA-MIMO雷达是一种很有发展潜力的新型雷达,它能够有效地解决传统雷达的模糊问题,提高多目标识别和定位的精度。未来,FDA-MIMO雷达的研究方向主要包括:
-
提高雷达的探测距离和角度范围。
-
提高雷达的分辨率和抗干扰能力。
-
降低雷达的成本和功耗。
5. 结论
FDA-MIMO雷达是一种新型雷达,它能够实现距离和角度的无模糊估计,提高了多目标识别和定位的精度。与传统雷达相比,FDA-MIMO雷达具有更高的分辨率、更强的抗干扰能力和更低的模糊问题。未来,FDA-MIMO雷达将在军事、民用等领域发挥越来越重要的作用。
📣 部分代码
%第一个目标
theta_s = 0/180*pi; %角度
d_sig = exp(j*2*pi*f0/c*dt*(0:N-1)'*sin(theta_s)); % N个发射,发射导向矢量
b_sig = exp(j*2*pi*f0/c*dr*(0:M-1)'*sin(theta_s)); % M个接收,接收导向矢量
sig = kron(b_sig,d_sig) * sqrt(10^(SNR/10))*randn(1,K); % sqrt(10^(SNR/10))*randn(1,K)是散射系数
sig1 = sqrt(10^(SNR/10)/(trace(sig*sig'/K)/trace(noise*noise'/K))) * sig;
disp(['target 1: SNR = ',num2str(10*log10(trace(sig1*sig1'/K)/trace(noise*noise'/K)))]);
%第一个目标
theta_s = -20/180*pi;
d_sig = exp(j*2*pi*f0/c*dt*(0:N-1)'*sin(theta_s));
b_sig = exp(j*2*pi*f0/c*dr*(0:M-1)'*sin(theta_s));
sig = kron(b_sig,d_sig) * sqrt(10^(SNR/10))*randn(1,K);
sig2 = sqrt(10^(SNR/10)/(trace(sig*sig'/K)/trace(noise*noise'/K))) * sig;
disp(['target 2: SNR = ',num2str(10*log10(trace(sig2*sig2'/K)/trace(noise*noise'/K)))]);
data_MIMO = sig1 + sig2 + jam + noise; %接收数据
%%
Rx_FDA_MIMO = data_FDA_MIMO*data_FDA_MIMO'/K;
Rx_FDA_MIMO = Rx_FDA_MIMO + 5*eye(N*M);
Rx_MIMO = data_MIMO*data_MIMO'/K;
Rx_MIMO = Rx_MIMO + 5*eye(N*M);
theta1 = asin(linspace(-1,1,361));
⛳️ 运行结果
🔗 参考文献
[1] 赵智昊,王志民,孙扬.双基地FDA-MIMO雷达角度,距离及速度无模糊估计方法[J].四川大学学报(自然科学版), 2017, 054(006):1202-1210.
[2] 赵智昊,王志民,孙扬,等.双基地FDA-MIMO雷达角度,距离及速度无模糊估计方法[J].四川大学学报:自然科学版, 2017, 54(6):9.DOI:CNKI:SUN:SCDX.0.2017-06-013.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类