【雷达干扰】CFAR的FMCW雷达干扰抑制【含Matlab源码 3853期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、CFAR的FMCW雷达干扰抑制

在本文中，恒虚警率（CFAR）检测器为基础的方法，提出了调频连续波（FMCW）雷达的干扰缓解。所提出的方法利用了这样一个事实，即经过去线性调频和低通滤波操作后，FMCW雷达的目标的差拍信号由指数正弦分量组成，而干扰在扫描内呈现短线性调频波。在时频域（t-f）中，利用沿着每个频率点的一维恒虚警检测器检测出干扰的频谱，然后对检测到的频谱图进行扩张，作为干扰抑制的掩模。所提出的方法适用于存在多个干扰的场景。与现有的方法相比，所提出的方法减少了有用信号的功率损耗，并且计算效率非常高。通过数值模拟和实验结果证明了它们的干扰抑制性能。

调频连续波（FMCW）雷达已成为汽车辅助/自动驾驶的关键设备，因为它具有全天时和全天候条件下的操作能力以及低成本。随着配备雷达传感器的车辆的增加，安装在忙碌区域中的不同汽车上的FMCW雷达系统将不可避免地受到相邻汽车上的雷达系统以及同一汽车上的其他雷达在同时工作时的强烈干扰影响。强干扰会导致本底噪声显著增加，目标掩模减弱，目标检测概率降低。因此，为了克服这些风险，有效地减轻来自其他雷达的干扰对高性能汽车雷达至关重要。

汽车雷达干扰抑制是近年来的研究热点。在文献中，已经提出和发展了许多方法来抑制不同汽车雷达之间的干扰，这些方法可以分为三类：雷达系统协调，雷达系统设计和波形设计以及信号处理。对于雷达系统协调方法，设计了不同操作雷达之间的集中式[1]或分布式[2]，[3]的协调方案，以通过调整操作参数（即，发射时间、频谱等）干扰区域内的每个雷达虽然这些源自通信网络的协调方案可以有效地避免某些干扰，但它们通常需要在现有的FMCW雷达系统中引入额外的协调单元，或者需要与本地分布式雷达网络的协调中心进行通信。

另一方面，提出了一些新的雷达系统架构和波形，以利于干扰抑制[4]-[10]。跳频随机线性调频（FHRC）FMCW技术[4]、[5]和具有随机重复间隔的FMCW雷达[6]在每个周期重置线性调频信号的参数（带宽、扫描持续时间、中心频率、重复间隔），以在接收到的信号被下变频和解调之后导致互干扰的类噪声频率响应。这两种技术都能有效地抑制局部干扰，避免相互干扰造成的虚目标。然而，随机化的重复间隔将导致常规使用的快速傅立叶变换不适用于快速多普勒处理。另一方面，伪随机噪声信号[8]和混沌序列[7]被提出来减轻汽车雷达的相互干扰。对于这些雷达系统，接收信号通过相关操作进行处理，并且模数转换器（ADC）通常需要高采样频率，这将增加雷达系统的成本。为了利用类噪声信号和FMCW雷达系统两者的优点，相位调制（PM）FMCW雷达系统利用正交或随机序列调制FMCW波形作为发射信号[9]、[10]。在接收端，接收到的PM-FMCW信号可以像传统的FMCW雷达一样被下变频，然后通过与用于传输调制的存储序列相关来解码。由发射信号产生的散射信号通常导致高相关峰值，而不相关的干扰将在解码后扩散并建立噪声基底。提高的噪声基底可以压倒弱目标并降低检测的概率。此外，PM-FMCW雷达不能容易地用现有的FMCW雷达芯片实现，并且需要设计新的雷达架构。

此外，对于FMCW雷达，已经开发了许多IM方法，其包括传统的信号处理方法和基于深度学习的方法。传统的信号处理方法通常通过在各个域（即，空间、时间、频率、时频等）。对于基于阵列的雷达系统，可以通过波束形成在干扰的到达方向（DOA）上构造零陷来实现干扰减轻[11]-[13]。然而，这些方法会抑制来自干扰的相同波达方向的目标散射信号。在[14]中，基于阈值检测干扰，然后通过时间窗口来抑制干扰。在[15]中，提出了一种基于经验模式分解的迭代修正方法，将FMCW雷达的低通滤波器输出分解为时域中的一系列经验模式，而在[16]中，小波去噪方法用于将干扰与有用信号分离。这两种方法都隐含地假设干扰在接收信号中在时间上是稀疏的，并且它们的性能会随着所获取信号中干扰污染样本的比例的增加而降低。相比之下，自适应噪声消除器（ANC）[17]用于抑制频域中的干扰。虽然它在计算上非常有效，但其性能在很大程度上取决于是否可以找到自适应滤波器的适当相关参考输入。在文献[18]中，首先在短时傅里叶变换（STFT）域中对FMCW雷达的干扰污染信号样本进行裁剪，然后基于自回归（AR）提出了一种基于Burg的方法来重构裁剪区域中的信号。沿每个频率仓沿着建模。然而，随着信号中切除区域的增加，用这种方法恢复的信号的准确性迅速下降。此外，最近一些深度学习方法被用于FMCW雷达的干扰缓解[19]，[20]。这些方法通常需要在各种情况下获取的大型数据集进行训练。

提出了一种基于恒虚警检测器（CFAR）的FMCW雷达抗干扰方法。在该框架中，通过使用STFT将所获取的差拍信号变换到时频（t-f）域。然后，利用一维（1-D）CFAR检测器[21]来检测干扰，并且扩展检测图以生成用于干扰抑制的掩模。特别地，一种最简单的方法是使用生成的掩码来将干扰污染的样本归零。另一种方法是保持它们的相位不变，但基于所获得的掩模通过对应频率仓中的无干扰样本的幅度的平均值来校正它们的幅度。它们分别被称为CFAR-Zeroing（CFAR-Z）和CFAR-Amplitude Correction（CFAR-AC）方法。此外，基于Burg的信号外推[18]可以很容易地集成在这个框架中，以在每个频率点中进行更准确的信号重建，为了方便起见，所得到的方法被称为CFAR-Burg。与现有的方法相比，所提出的方法能够减轻多种干扰，并最大限度地减少有用信号的功率损耗。

它们的IM性能已经通过数值模拟和试验结果此外，它们是非常有效的，可以实现FMCW汽车雷达的实时IM。本文的其余部分组织如下。第二节简要介绍了FMCW雷达的信号模型。然后，基于恒虚警率的干扰抑制方法在第三节。为了证明所提出的方法的干扰抑制性能，数值模拟和实验结果显示在第四节和第五节。最后，在第六节得出一些结论。

⛄二、部分源代码

clear all
close all

c = .3; % speed of light
fc = 8; % center frequency
fMin = 6; % lowest frequency
fMax = 10; % highest frequency

phic = 0pi/180; % center of azimuth look angles
phiMin = -30pi/180; % lowest angle
phiMax = 30*pi/180; % highest angle
%------------------------------------------------
% WIDE-BW AND LARGE ANGLES ISAR
%------------------------------------------------
% A- INTEGRATION
%------------------------------------------------
nSampling = 300; % sampling number for integration

% Define Arrays
f = fMin:(fMax-fMin)/(nSampling-1):fMax;
k = 2pif/.3;
kMax = max(k);
kMin = min(k);
kc = (max(k)+min(k))/2;
phi = phiMin:(phiMax-phiMin)/(nSampling-1):phiMax;

% resolutions
dx = pi/(max(k)-min(k)); % range resolution
dy = pi/kc/(max(phipi/180)-min(phipi/180)); % xrange resolution

% Form spatial vectors
X = -nSamplingdx/2:dx:nSamplingdx/2;
Y = -nSamplingdy/2:dy:nSamplingdy/2;

%________________ FORM RAW BACKSCATTERED DATA________________
%load scattering centers
load fighterSC
l = length(xx);

%form backscattered E-field from scattering centers
clear Es;
Es = zeros((nSampling),(nSampling));
for m=1:l;
Es = Es+1.0exp(-j2*k.‘*cos(phi)xx(m)).exp(-j2k.’*sin(phi)*yy(m));
end

axisX = min(xx)-1:0.05:max(xx)+1;
axisY = min(yy)-1:0.05:max(yy)+1;

% take a look at what happens when DFT is used
%—Figure 4.23-----------------------------------------------------
figure(1)
ISAR1 = fftshift(ifft2(Es.'));
matplot2(axisX,axisY,ISAR1,22);
colormap(1-gray); colorbar
set(gca,‘FontName’, ‘Arial’, ‘FontSize’,12,‘FontWeight’, ‘Bold’);
xlabel(‘Range [m]’); ylabel(‘Cross - range [m]’);

% INTEGRATION STARTS HERE

% Building Simpson Nodes; Sampling Rate is nSampling
% Weights over k
h = (kMax-kMin)/(nSampling-1);
k1 = (kMin:h:kMax).';
wk1 = ones(1,nSampling);
wk1(2:2:nSampling-1) = 4;
wk1(3:2:nSampling-2) = 2;
wk1 = wk1*h/3;

% Weights over phi
h = (phiMax-phiMin)/(nSampling-1);
phi1 = (phiMin:h:phiMax).‘;
wphi1 = ones(1,nSampling);
wphi1(2:2:nSampling-1) = 4;
wphi1(3:2:nSampling-2) = 2;
wphi1 = wphi1*h/3;
% Combine for two dimensional integration
[phi1,k1] = meshgrid(phi1,k1);
phi1 = phi1(😃;
k1 = k1(😃;
w = wk1.’*wphi1;
w = w(😃.';

newEs = Es(😃.';
newW = w.*newEs;

% Integrate
b = 2j;
ISAR2 = zeros(ceil(max(xx)-min(xx)+2)*20+1,ceil(max(yy)-min(yy)+2)*20+1);

k1 = k1.*b;
cosPhi = cos(phi1);
sinPhi = sin(phi1);

tic;
x1 = 0;
for X1 = axisX
x1 = x1+1;
y1 = 0;
for Y1 = axisY
y1 = y1+1;
ISAR2(x1,y1) = newW*(exp(k1.*(cosPhi.*X1+sinPhi.*Y1)));
end
end
time1 = toc;

%—Figure 4.24-----------------------------------------------------
figure(2)
matplot2(axisX,axisY,ISAR2.',22);
colormap(1-gray); colorbar
set(gca,‘FontName’, ‘Arial’, ‘FontSize’,12,‘FontWeight’, ‘Bold’);
xlabel(‘Range [m]’);
ylabel(‘Cross - range [m]’);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 沈再阳.精通MATLAB信号处理[M].清华大学出版社，2015.
[2]高宝建,彭进业,王琳,潘建寿.信号与系统——使用MATLAB分析与实现[M].清华大学出版社，2020.
[3]王文光,魏少明,任欣.信号处理与系统分析的MATLAB实现[M].电子工业出版社，2018.
[4]李树锋.基于完全互补序列的MIMO雷达与5G MIMO通信[M].清华大学出版社.2021
[5]何友,关键.雷达目标检测与恒虚警处理（第二版）[M].清华大学出版社.2011

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
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

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合