一款33 GHz共形相控阵雷达,采用线性约束最小方差数字波束成形、圆极化滤波以及基于神经网络的微多普勒分类技术,适用于反无人机(Counter-UAS)应用
作者:Michael Baginski
《Sensors》:A 33 GHz Conformal Phased-Array Radar with Linearly Constrained Minimum Variance Digital Beamforming, Circular- Polarization Filtering, and Neural-Network Micro-Doppler Classification for Counter-UAS Applications
Michael Baginski
【字体:
大
中
小
】
时间:2026年05月06日
来源:Sensors 3.5
编辑推荐:
摘要:本文介绍了一种工作在33 GHz频段的紧凑毫米波雷达系统,该系统适用于小型无人机(UAS)的集成以及地面反UAS侦察任务。该设计的主要应用场景是民用农业领域,其中根据FAA 14 CFR Part 137法规运行的大型载荷喷洒无人机需要轻量级的感测与避让雷达系统,这些雷达系
摘要:本文介绍了一种工作在33 GHz频段的紧凑毫米波雷达系统,该系统适用于小型无人机(UAS)的集成以及地面反UAS侦察任务。该设计的主要应用场景是民用农业领域,其中根据FAA 14 CFR Part 137法规运行的大型载荷喷洒无人机需要轻量级的感测与避让雷达系统,这些雷达系统在空气动力学上需与现有飞机或地面车辆兼容。该雷达系统采用了一个由36个交叉式半波偶极子辐射器组成的半球形共形相控阵列,发射时产生右旋圆极化(RHCP)信号,并可选择性地接收来自目标的左旋圆极化(LHCP)回波,从而实现被动抑制共极化的雨滴和地面杂波。通过将线性约束最小方差(LCMV)数字波束成形算法应用于每个元素的模拟-数字转换器(ADC)输出,可以生成严格形式的波束权重,确保每个扫描方向的响应无失真,并同时全局最小化旁瓣功率。该算法解决了迭代切比雪夫锥形调节过程中由于条件不佳导致的波束漂移问题,在所有评估位置上,旁瓣水平均低于指定值,主波束峰值与其指令角度的偏差也在可接受范围内。阵列元素之间的互耦合通过感应电动势(induced-EMF)方法进行解析建模,得到的阻抗矩阵中非对角线元素值最大仅为单元自阻抗的8.2%,最小元素间距为2.70毫米。在应用LCMV波束成形算法之前,会对接收信号进行解耦处理。一个数据快照即可生成覆盖°–°仰角范围的七个独立接收波束。基于Swerling I–IV雷达截面(RCS)波动统计数据的缩放共轭梯度神经网络分类器,在五种目标类别上的整体分类准确率超过85%。这五种目标类别包括两类鸟类特征目标(SW-I和SW-II)、两类无人机特征目标(SW-III和SW-IV)以及一类杂波目标。此设计完全基于仿真验证;下一步计划是通过子阵列原型进行实验验证。
1. 引言
随着商用和娱乐用途无人机(UAV)在民用空域的不断增多,对空中交通管理、关键基础设施保护和公共安全带来了日益严峻的挑战[1,2]。可靠地检测、分类和跟踪小型UAV需要能够在恶劣天气条件下、超出视觉视线范围(BVLOS)的情况下有效工作的传感系统,并且需要降低无人机与鸟类等无害空域用户之间的混淆概率。光学和光电/红外(EO/IR)系统虽然能提供高分辨率图像,但在雾天、降水天气和夜间条件下的性能显著下降[3]。声学传感器受限于短距离应用,且容易受到风声和城市环境背景噪声的影响。相比之下,雷达在任何天气条件下都能保持可靠运行,同时提供距离和速度测量,并能自然扩展到毫米波(mmWave)频段,从而实现与小型无人机平台兼容的紧凑孔径设计[1,3]。最近的研究集中在认知和自适应雷达架构上,这些架构能够在密集且竞争激烈的环境中动态管理传感资源[1,3,4]。带有电子波束转向功能的相控阵列实现快速重访调度、多目标同时跟踪以及无需机械移动部件的可重构空间滤波[5,6]。共形阵列几何结构使得这些功能可以直接集成到弯曲的机体表面,如无人机机身,消除了空气动力突起,降低了阻力,并减少了主机平台的雷达截面[6,7]。
33 GHz附近的Ka波段频段为紧凑型机载雷达提供了理想的组合特性:自由空间波长约为X毫米,使得36个元素的阵列能够在亚厘米间距下实现,并且孔径尺寸仅需几厘米,同时保持足够的空间分辨率以区分微多普勒特征。33 GHz下的大气传播损失相对于更高Ka波段频率较为适中,并且在100–500米的中短距离范围内得到了很好的表征,这些范围正是DAA和C-UAS应用所关注的[8,9]。本文设计的另一个优势是采用了圆极化(CP)技术。发射的右旋圆极化信号会在目标处反射为左旋圆极化(LHCP或LHEP),而分布式杂波散射体(如雨滴、植被和地面)通常会保持极化方向不变[9]。因此,这种雷达能够在任何数字处理之前实现杂波的被动抑制,降低ADC动态范围要求并提高波束成形器输入处的有效信噪比(SNR)。要在共形表面上实现这一点,需要仔细分析扫描角度下的元素交叉极化隔离(XPI)特性,本文为此提供了相应的分析方法。
目标分类利用了由单个散射体的时变运动产生的微多普勒特征[8]。旋转的螺旋桨、扑动的机翼和结构振动会在整体多普勒回波上叠加频率调制,这有助于在无人机、鸟类和杂波之间进行有效区分。结合相控阵列的空间增益和脉冲多普勒处理的相干集成优势,即使在低瞬时信噪比(SNR)下,微多普勒特征也为神经网络分类提供了丰富的信息基础。
本文设计的初衷是开发一种紧凑、可安装、空气动力学稳定且电子可控的雷达系统,适用于在民用空域运行的无人机平台。其目标应用是非军事农业领域,随着大型载荷无人机的迅速普及(包括根据FAA 14 CFR Part 137法规运行的喷洒和精准噴药无人机),对于轻量级、低轮廓的感测与避让雷达的需求日益增长,这些雷达系统可以集成到现有的农业飞机或地面车辆上而不会对空气动力学性能造成影响[10]。半球形共形几何结构完美满足了这一需求:通过贴合飞机机身或桅杆表面,该阵列消除了突出平面孔径带来的阻力和结构载荷,同时通过电子波束转向实现了全半球覆盖范围。
现有的Ka波段C-UAS应用雷达设计大多采用平面相控阵列或贴片天线孔径,这类设计虽然能在有限的角度范围内提供高增益[5,6,8],但只能实现有限的方位角覆盖范围。本文提出的半球形共形几何结构则通过单一固定孔径实现了全360°方位角和°–°仰角范围内的覆盖,无需机械旋转,但代价是扫描角度依赖性的元素图案衰减和互耦合复杂性的增加。与Ullah和Albagory提出的针对5G和卫星通信几何结构的共形波束成形设计相比,本研究首次将LCMV数字波束成形应用于专门为Ka波段脉冲多普勒雷达设计的半球形穹顶,并集成了圆极化杂波抑制和基于AI的目标分类功能[6,7]。第2节提供了对比系统概述。
C-UAS分类器的核心性能目标是可靠地区分无人机回波和鸟类杂波。本文使用的五种微多普勒目标类别直接解决了这一问题:第1类和第2类代表鸟类特征目标,第3类和第4类代表无人机特征目标,具体定义详见第10.1节。分类结果在第11节中以鸟类类别和无人机类别的准确率形式进行了明确报告。
2. 对比系统概述
表1将本文提出的设计与现有的Ka波段和共形雷达设计进行了对比,展示了其在C-UAS及相关应用领域的竞争力。所提出的半球形LCMV设计是唯一一个结合了全半球覆盖范围、严格形式的LCMV波束成形、圆极化杂波抑制以及基于AI的微多普勒分类的集成端到端框架的系统。
3. 雷达系统架构
本文提出的系统是一款单机33 GHz脉冲多普勒雷达,采用了一个由36个元素组成的半球形共形相控阵列。表2总结了系统的关键参数。
3.1. 阵列几何
元素分布在半球形穹顶表面的四个同心环上,优化了°–°仰角范围内的扫描覆盖范围:
(1) 穹顶半径的确定基于在最密集的环上至少需要X弧长间距;
(2) 进一步考虑了15%的间隙系数和最小高度要求,在33 GHz频率下得到X毫米的间距。各环在方位角上相互错开Y角度,以改善远场孔径照度的均匀性。Figure 1展示了36个交叉偶极子元素的分布情况,标记颜色表示不同环的仰角范围(°–°),箭头指示用于计算局部角度元素图案的外表面法线方向。
3.2. 数字波束成形接收架构
每个元素连接到一个独立的接收链路,包括低噪声放大器(LNA)、下变频混频器和ADC。复杂的基带快照向量表示为Z,其中A为阵列流形向量,B为目标回波信号,C为复高斯热噪声。波束成形器输出的权重向量W表示为W,观察方向上的总辐射功率TRP表示为P。
3.3. 雷达处理流程
整个雷达架构如图2所示。在波形生成和RHCP信号发射后,所有36个ADC输出端同时记录回波。LCMV数字波束成形将接收波束聚焦到目标方向。Range-Doppler处理生成二维幅度图,随后使用恒定虚警率(CFAR)阈值进行目标检测。微多普勒特征提取和神经网络推理完成目标分类。
4. 交叉偶极子元素图案和极化
4.1. 半波偶极子辐射函数
每个辐射器由两个正交的半波偶极子组成,其轴线位于元素n处的局部表面切平面上,按照特定角度发射信号,幅度相等但相位相差Y度。
在标准定义中[11],偶极子沿z轴方向,极角α从z轴测量;因此图案的最大值出现在α=0°时,零点出现在α=90°和270°时。在共形阵列框架下,更自然的做法是从外部法线方向定义局部角度β;这两个角度是互补的:β=α+90°,即β是极轴方向,α=α-90°是零点方向。Figure 3说明了这种定义方式。
4.2. RHCP和LHCP功率图案
在元素的局部球面坐标系中,四分之一波偶极子对产生的总远场电场可以表示为P(x, y)。将其投影到RHCP和LHCP圆极化基矢量上,得到的归一化功率图案分别为P_RHCP(x, y)和P_LHCP(x, y)。
4.3. 交叉极化隔离
交叉极化隔离(XPI)定义为XPI(α, β)。在极轴方向(β=0°)时,XPI趋向于无穷大,因为LHCP分量消失;在扫描体积边缘(β=90°或270°)时,XPI约为-30 dB。Figure 4展示了RHCP和LHCP功率图案以及XPI与仰角的关系。右侧:XPI与根据方程(10)计算出的结果进行对比;20 dB的参考水平和在°时的最小dB值已标出。4.4. 数组流形在观测方向上的RHCP流形向量为(11),其中和。4.5. 互耦模型孤立元素流形(11)忽略了元素间的耦合;实际上,第n个元素的端电压会受到所有其他被激发元素的感应影响。4.5.1. 阻抗矩阵数组中的最小元素间距为24.50毫米(外部环,相邻的方位角邻居),在33 GHz时对应于2.70。在这种间距下,Balanis感应电动势方法[11]可以提供一个精确的封闭形式互阻抗。对于两个相距d的半波偶极子m和n,(12),其中、、、、、和是余弦和正弦积分,是元素m和n的局部-z轴单位向量的点积。对角线上的元素是经典的半波偶极子自阻抗[11]。得到的阻抗矩阵在33 GHz时的主要特性如下:最大非对角线幅度(占的8.21%);平均非对角线幅度1.70;条件数;间距范围2.70–15.52。图5可视化了阻抗矩阵、耦合衰减和解耦矩阵。图5. 36元素半球形阵列在33 GHz时的互耦分析。(a)阻抗矩阵幅度();对角线自阻抗项占主导。(b)非对角线与元素间距的关系;虚线标记了1%的值。(c)解耦矩阵幅度;接近单位矩阵的结构证实了微扰校正的效果。图4.5.2. 接收流形校正根据Gupta–Ksienski解耦公式[13],校正矩阵为(13),当耦合消失时该矩阵还原为单位矩阵。经过耦合校正后的接收流形为(14),并且在所有LCMV权重计算中用替代。的最大非对角线条目为0.091,这证实了微扰校正的效果。5. SLA射频树脂半球形穹顶5.1. 穹顶几何形状和材料属性36个天线元件安装在一个由SLA(立体光刻)射频级树脂制成的半球形穹顶的内表面上。表3总结了穹顶和基板的参数。表3. SLA穹顶和Rogers RO4003C馈电基板的参数。SLA穹顶的电磁性能在图6中进行了表征,该图显示了插入损耗和传输相位作为频率和壁厚的函数,通过传递矩阵方法计算得出。图6. Ka波段的SLA射频树脂穹顶电磁分析。左侧:四个不同损耗tan值下的插入损耗与频率关系;33 GHz的设计点已标出。中部:1.5毫米壁厚下的一向传输相位与频率的关系;在33 GHz时约为99°。右侧:33 GHz下的插入损耗(红色)和相位移动(蓝色虚线)与壁厚的关系;1.5毫米的设计点已标出。所有曲线均通过传递矩阵方法计算得出(,)。5.2. 通过穹顶壁的 coaxial 馈电每个偶极子元件都通过一个垂直的coaxial 小室从馈电基板传递到偶极子馈电间隙。内导体的半径为毫米(PEC);外套筒的内半径为毫米,壁厚为0.10毫米PEC。在每个元件位置,从穹顶壁中切割出一个圆柱形孔,以提供0.05毫米的径向间隙供套筒使用。小室的特性阻抗设计用于在50微带馈电线路和偶极子自阻抗之间提供低反射的过渡。偶极子长度可以减小以消除 reactive 分量。6. 公共 Wilkinson馈电网络公共馈电网络使用一个二进制/混合根拓扑的Wilkinson功率分配器树,在Rogers RO4003C微带基板上构建,将传输信号均匀分配到所有36个元件。由于不是2的幂次,该树使用混合根拓扑,分为四个环状子网络,每个环分别实现为一级(1:4分割)的Wilkinson分配器(每个环3级、2级或3级馈电阶段)。X极化和Y极化输入(端口73和74)由在同一基板上旋转°的两个相同网络提供。每个等分割的Wilkinson分配器在RO4003C基板上使用耦合线段(15),微带线宽分别为毫米和毫米,物理四分之一波长为毫米。7. 微带馈电线的设计在毫米波频率下,微带线的有效介电常数是频率依赖的。应用Kirschning–Jansen频率色散模型到RO4003C后发现,在28–38 GHz的分析频段内,有效介电常数保持在50的范围内,产生的波束偏移小于每GHz°。图7展示了微带设计空间。图7. Rogers RO4003C微带馈电线的分析(毫米)。左侧:50线(毫米)的有效介电常数与频率的关系;Kirschning–Jansen色散模型。中部:特性阻抗与频率的关系;在50处的虚线。右侧:33 GHz时特性阻抗与线宽的关系;虚线参考线标记了50、70.7和35.4。8. LCMV数字波束成形器8.1. 动机:在共形阵列上迭代Chebyshev锥形的失败在平面阵列上,通常使用相位匹配波束成形后进行迭代幅度缩放来抑制旁瓣[14]。然而,在共形表面上,迭代重新缩放步骤需要除以一个逐渐趋近于零的因子,当幅度缩放加深时会导致超过大约°扫描角度后的发散。LCMV公式通过将无失真响应强制为代数等式来消除这个问题[14]。表4量化了LCMV与三种替代波束成形器在同一36元素半球形几何结构上的性能对比。表4. 36元素半球形几何结构上的波束成形器比较。8.2. LCMV公式对于扫描角度,并且导向向量来自耦合校正后的流形(14),LCMV波束成形器解决(16),其中旁瓣协方差矩阵为(17),其中包含满足条件和的列。唯一的封闭形式解为(18)。8.3. 同时多波束形成通过单个ADC快照,同时在七个波束方向上形成七个波束,从而在单个CPI内提供连续的仰角覆盖范围。8.4. 波束性能总结表5总结了LCMV波束成形器在四个主要扫描角度下的性能。表5. 主要扫描角度下的LCMV波束成形器性能。SLL是相对于未耦合模型时旁瓣水平的增加。9. 相干雷达链路预算在集成脉冲后,波束成形器输出处的相干信噪比为(19),其中为目标RCS,。模拟了三个代表性的小目标RCS值:Bird body/hovering UAV(Swerling I):平方米;Flapping bird/rotor flash(Swerling II):平方米;Fixed-wing or multi-rotor UAV(Swerling III):平方米。Albersheim近似用于和在脉冲后的值。最大检测范围列在表6中。表6. Albersheim阈值下的最大检测范围(,)。10. 神经网络微多普勒分类10.1. 目标场景定义和分类框架该系统的一个核心性能目标是可靠地区分UAV回波和鸟类杂波,这是C-UAS的基本要求。五个分类类别代表五种不同的目标场景,每种场景由不同的散射机制主导。类别1和2代表鸟类目标;类别3和4代表UAV目标:类别1(SW-I,鸟类目标):缓慢移动、缓慢变化的分布式散射体,例如水平飞行的大鸟或小型悬停UAV。用具有2个自由度的卡方幅度分布进行建模(单一主导散射体,时间相关性低)。类别2(SW-II,鸟类目标):快速变化的鸟类回波,代表拍打翅膀的运动。Swerling II(脉冲到脉冲的相关性)捕捉了拍打翅膀或低速旋转翼产生的宽频谱结构。类别3(SW-III,UAV目标):以镜面反射为主体的散射体,例如固定翼UAV的平板机身,具有缓慢的变化(扫描到扫描的相关性)。Swerling III(4个自由度)与两个或更多主导镜面反射体一致。类别4(SW-IV,UAV目标):具有快速相关性的多散射体目标,代表多个螺旋桨同时位于雷达波束中的多旋翼无人机。类别5(杂波):宽频谱均匀的回波,代表雨水后向散射、树叶或地面杂波,已经通过了CFAR阈值。系统正确区分类别1/2(鸟类)和类别3/4(UAV)的能力是主要的操作性能指标。如图8所示,在所有情况下,鸟类和UAV类别之间的组内混淆率低于4%。图8. 五类微多普勒分类器的归一化混淆矩阵(总体准确率为86.6%)。类别1-2是鸟类目标;类别3-4是UAV目标。SW-I/SW-II对之间的组内混淆率最低。10.2. 分类器比较表7将提出的SCG神经网络与两种标准基线在相同的80/20训练/测试分割上进行了比较。SCG网络在所有五个类别上的表现都优于这两种基线,尤其是在SW-I/SW-II对上具有最大优势。表7. 在五个Swerling类别微多普勒特征上的分类器比较(2500个样本,80/20训练/测试分割)。10.3. 微多普勒特征形成和网络架构接收信号被建模为,其中遵循适当的Swerling分布。分类器是一个全连接的前馈网络,采用结构,使用缩放共轭梯度(SCG)算法最小化分类交叉熵损失,最大训练周期为250个周期,在每个类别500个样本的平衡数据集上提前停止(总共2500个样本,80/20分割)。11. 仿真结果11.1. 波束指向性能图9显示了四个扫描角度下经过耦合校正的RHCP总辐射模式。为了清晰起见,将元素模式加权的TRP和纯阵列因子分别作为独立的堆叠面板呈现。所有波束位置都满足了 dB的SLL设计目标。图9. 经过耦合校正:元素模式加权的总辐射模式(TRP)。底部:未经元素模式加权的纯阵列因子。水平虚线标记了 dB的旁瓣水平设计目标。图10、图11、图12和图13显示了每个扫描角度的单独波束模式,将耦合校正后的TRP(实线)与未耦合参考(灰色虚线)进行了叠加。图10. (广角)下的LCMV波束。实线:耦合校正后的TRP。灰色虚线:未耦合参考。蓝色阴影:主波束窗口。水平虚线: dB的SLL目标。图11. 下的LCMV波束。耦合校正后的SLL保持在 dB以下,相对于未耦合参考的SLL < dB。图12. 下的LCMV波束。在主瓣中,耦合校正后的模式和未耦合的模式几乎不可区分。图13. 下的LCMV波束。相对于广角,主瓣的轻微扩展与共形表面上更大扫描角度时的有效孔径投影减小是一致的。11.2. 极化隔离图14展示了该设计的双层杂波抑制架构。由方程(10)定义的元素级交叉极化隔离(XPI)在正视方向上是理论上的无限大,因为LHCP功率模式在时包含一个因子,该因子在正视方向上完全消失,从而提供了完美的被动共极化杂波抑制。XPI在°扫描体积边缘下降至大约0.5 dB,在任何数字处理之前提供了共极化雨水后向散射的第一级衰减。图14. 每个扫描角度的RHCP发射模式(实线)与LHCP回波接收模式(虚线)(切割)。阴影区域展示了波束形成的模式分离。元素级XPI(方程(10)在天线端口提供了被动模拟雜波抑制,独立于LCMV数字波束成形器之前。图14中主要波束峰值处RHCP发射曲线和LHCP回波接收曲线之间的垂直间距不是元素级XPI;它是波束形成模式的比例,反映了LHCP流形对RHCP优化后的LCMV权重的响应。元素级XPI在天线端口作为一个被动模拟滤波器,独立于和之前工作。然后波束成形器在RHCP通道中抑制空间旁瓣。这两个阶段共同构成了双层杂波抑制架构。11.3. 同时多波束图15显示了从单个ADC快照形成的所有七个同时LCMV接收波束。每个波束都通过为其命令的仰角计算的LCMV权重向量单独优化,但所有七个波束都通过并行矩阵-向量乘法从同一个每个元素的快照向量中提取,无需额外的数据采集时间。所有波束位置都保持了 dB的旁瓣水平目标,证实了同时多波束操作在笛卡尔TRP表示中没有引入相互干扰。图15. 从单个ADC快照形成的七个同时耦合校正的LCMV接收波束。笛卡尔TRP覆盖角度–;所有波束的旁瓣都保持在 dB以下。11.4.信噪比与探测范围
图16展示了信噪比(SNR)性能随距离和仰角的变化情况。左侧面板显示,对于鸟类目标(m2,SW-I),Albersheim阈值(分贝)大约在210米处达到;而对于较大的多旋翼无人机目标(m2,SW-III),这一距离为370米,这与表6中的数据一致。右侧面板进一步证实,在°至°的仰角扫描范围内,信噪比的变化小于2分贝,从而验证了LCMV增益在整个扫描体积上的均匀性。
11.5 分类性能
表8总结了各类别以及整体的准确率。鸟类组(类别1-2)在SW-I中的整体准确率为80%,在SW-II中为78%,这两个鸟类类别之间主要的混淆发生在它们之间。无人机组(类别3-4)在SW-III中的准确率为92%,在SW-IV中为88%。所有情况下,鸟类与无人机类别之间的混淆率均低于4%。
图17展示了所有五个Swerling目标类别的代表性模拟微多普勒频谱图,突显了神经网络分类器所利用的独特频谱特征。SCG网络的训练收敛情况如图18所示。
12. 讨论
12.1 LCMV与共形阵列上的迭代削锥
LCMV的分母由于对角线加载项的存在而有一个下限。因此,无条件且无需迭代即可满足无失真约束,这与迭代Chebyshev削锥方法不同,后者在超过°的扫描角度时会发散(见表4)。
12.2 SLA圆顶作为结构雷达罩
1.5毫米厚的SLA壁在33 GHz频率下每通过一次会导致不到0.06分贝的插入损耗,而99°的单向相移在阵列流形中是确定性的,并能够完全预先补偿。即使插入损耗增加到0.016分贝,每通过一次的损耗仍低于0.12分贝,完全在链路预算范围内。
12.3 圆极化作为被动杂波滤波器
RHCP/LHCP架构在天线端口提供了一个被动极化分选阶段,这一阶段独立于数字波束形成器之前进行。Ka波段的雨杂波主要是共极化的(RHCP),在进入数字处理链之前会被元件级别的XPI衰减。
12.4 互耦影响
最小元件间距为2.70毫米,且阻抗矩阵的条件良好(),这表明Balanis分析提供了一种有用的初步估计。在所有评估的扫描角度下,耦合模型与未耦合模型之间的信号损失(SLL)都低于0.5分贝(见表5)。从正视方向的SLL下降到其他角度,这与较大的扫描角度下36元素共形几何结构的有效孔径减小和空间自由度受限是一致的。
12.5 局限性与未来工作
- 仅基于仿真验证:所有结果均来自仿真;目前尚无实物原型或测量数据,这被认为是该工作的主要局限。计划分两个阶段进行实验验证:
- 第一阶段(近期):将在罗杰斯RO4003C材料上制造一个7元素子阵列原型,并在奥本大学的无回声室内进行测量,以验证元件排列模型和LCMV权重的准确性(33 GHz)。
- 第二阶段(后续):将制作一个完整的36元素圆顶原型,并与商用四旋翼无人机和模型鸟类诱饵进行飞行测试,以收集真实的微多普勒训练数据。
12.5.5 制造容差敏感性:
- 通过蒙特卡洛分析(多次试验)发现,即使元件位置扰动为毫米、相位扰动为度,平均实现的SLL仍低于分贝,相对于标称目标的95百分位数下降为3.1分贝,证实了无需重新校准即可获得可接受的性能。
12.5.6 平台多径效应:
- 在LCMV权重计算之前,在近场室内进行的每个元件复数增益/相位校准表可以减少来自无人机机身的衍射耦合。
12.5.7 相位噪声和ADC动态范围:
- LO相位噪声和ADC量化噪声将可实现的零点深度限制在33 GHz时大约到分贝。由于LCMV的SLL目标为分贝,因此有20-30分贝的余量。
12.5.8 温度稳定性:
- 83毫米圆顶因热膨胀导致的相位误差在-85°C至+85°C的工作范围内每个元件最多为分贝,这在上述蒙特卡洛误差预算范围内。
12.5.9 分类器泛化能力:
- 报告的86.6%准确率可以在合成Swerling目标训练集上实现。第二阶段的飞行测试将提供微多普勒特征数据,用于训练后再部署。
12.5.10 FPGA实现:
- Cholesky分解后的矩阵逆运算每个波束方向大约需要乘累加操作次,这在现代FPGA上以PRF kHz的频率可以实时完成。训练后的INT8量化对于嵌入式硬件上的高效神经网络推理是必需的。
13. 结论
本文设计并仿真了一种33 GHz半球形共形相控阵雷达,采用了涵盖天线元件分析、LCMV数字波束形成、相干链路预算评估和神经网络微多普勒分类的完整端到端方法。该设计特别针对民用农业无人机应用,代表了首个集成LCMV数字波束形成、圆极化杂波抑制和基于AI的微多普勒分类的Ka波段半球形雷达(见表1)。
- 半波偶极RHCP/LHCP交叉结构在正视方向提供了理论上无限的交叉极化隔离性能,在°扫描极限时逐渐下降至约0.5分贝。双层杂波抑制架构——先在元件级别进行被动XPI处理,再通过LCMV抑制旁瓣效果——无需经验校准即可提供稳健的杂波衰减。
- LCMV波束形成器确保主波束峰值在其指令位置内的±度范围内,旁瓣水平低于分贝,且无需迭代收敛。七个同时独立的接收波束可以在一个相干处理间隔内提供完整的°至°仰角覆盖。
- 相干雷达链路预算预测:对于鸟类目标(m2),检测距离约为210米;对于多旋翼无人机目标,检测距离约为370米,检测概率为90%。
- 神经网络分类器在五个Swerling目标类别上的整体准确率为86.6%,鸟类与无人机目标之间的混淆率低于4%。未来工作的主要方向是通过第二节描述的两个阶段的原型测量活动进行实验验证。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号