1、雷達照射到運動目標時，回波的載頻會發(fā)生變化，這種現(xiàn)象稱為多普勒效應。如果在平動的同時，目標或其上的組成部件還存在著振動、轉(zhuǎn)動等微運動，那么這些微運動會在目標平動分量引起的多普勒頻率兩側(cè)產(chǎn)生額外的多普勒調(diào)制，這種現(xiàn)象被稱為微多普勒效應。微運動和對應的微多普勒效應是目標幾何結(jié)構(gòu)和運動特性獨一無二的表現(xiàn)形式，可以用來提取關(guān)于目標的細節(jié)特征。因此基于微多普勒效應的雷達自動目標識別技術(shù)成為了一個具有廣闊應用前景的研究領域。本論文針對實際過程中利用

2、微多普勒效應實現(xiàn)窄帶雷達目標識別時仍面臨的微多普勒特征提取，低信噪比條件下的目標分類和短駐留時間情況下的目標分類三方面問題進行了深入的研究。主要研究內(nèi)容可以概括為以下四個方面：
　　1.對窄帶雷達典型目標的微多普勒調(diào)制特性進行了分析，具體的：(1)對于空中飛機目標(噴氣式飛機，螺旋槳飛機和直升機)，首先建立了飛機旋翼微多普勒運動的理論模型。在此基礎上，結(jié)合根據(jù)理論模型仿真產(chǎn)生的仿真數(shù)據(jù)和窄帶雷達錄取的實測數(shù)據(jù)分析了噴氣式飛機，螺旋

3、槳飛機和直升機三類目標微多普勒調(diào)制特性的差異，分析表明利用微多普勒調(diào)制的差異來實現(xiàn)三類飛機目標的分類是可行的；(2)對于地面運動目標(單個行人，兩個行人和行駛中的車輛)，由于其運動形式的復雜性與多樣性，我們根據(jù)窄帶雷達實測數(shù)據(jù)從經(jīng)驗上定性的對目標的微多普勒調(diào)制特性進行了分析，并比較了三類目標微多普勒調(diào)制的差異。
　　2.研究了窄帶雷達體制下基于微多普勒效應對噴氣式飛機，螺旋槳飛機和直升機的分類問題，具體的：(1)提出一種基于經(jīng)驗模

4、態(tài)分解(Empirical Mode Decomposition, EMD)和CLEAN算法的微多普勒特征提取方法。該方法首先利用EMD算法對三類飛機目標回波進行分解，結(jié)果顯示利用EMD可以有效的將噴氣式飛機和直升機回波中的機身分量和微動分量分離開，在EMD分解結(jié)果的基礎上，為了進一步將螺旋槳飛機回波中的機身分量和微動分量分離開，我們利用CLEAN方法對三類目標回波進行分析，從而將三類目標回波中的機身分量和微動分量徹底分離。在 EMD和

5、 CLEAN分解結(jié)果的基礎上我們提取五維反映不同目標微動特性差異的特征及反映不同目標機身分量和微動分量的比例特征實現(xiàn)了對三類飛機目標的分類，基于仿真和實測數(shù)據(jù)的實驗結(jié)果表明，基于EMD-CLEAN的特征提取方法不僅可以獲得更好的分類性能，而且對雷達系統(tǒng)參數(shù)的要求更低；(2)針對目標回波中微動分量容易受到噪聲污染的問題，結(jié)合信號稀疏表示(Sparse Representation, SR)理論和CLEAN算法，我們提出一種 SR-CLEA

6、N方法實現(xiàn)了對目標回波中噪聲分量的抑制，基于仿真和實測數(shù)據(jù)的實驗結(jié)果表明，所提SR-CLEAN方法可以明顯提升上述基于EMD-CLEAN分解所提微動特征在低信噪比條件下的分類性能。
　　3.針對上述 SR-CLEAN噪聲抑制方法需要噪聲功率的先驗信息的問題，我們在主成分分析(Principal Component Analysis, PCA)模型的基礎上提出了一種貝塔過程主成分分析(Beta Process Principal C

7、omponent Analysis, BP-PCA)模型實現(xiàn)對窄帶雷達錄取的目標回波進行噪聲抑制。該方法在PCA模型的基礎上，利用貝塔過程實現(xiàn)了主分量個數(shù)的自動選擇即該方法可以自適應的確定信號子空間的維度，進而在所選擇的主分量張成的信號子空間中重構(gòu)信號實現(xiàn)噪聲抑制，同時不需要噪聲功率的先驗信息。基于仿真數(shù)據(jù)的實驗結(jié)果表明所提方法可以自適應并且準確的確定信號子空間的維度，基于實測數(shù)據(jù)的實驗結(jié)果表明所提方法在實現(xiàn)噪聲抑制的同時對原信號幾乎不

8、產(chǎn)生影響。
　　4.針對短駐留時間情況下分類性能下降的問題，研究了存在樣本缺失情況下窄帶雷達信號重構(gòu)方法，具體的：(1)由于窄帶雷達體制下，目標回波近似服從復高斯分布。在這一前提下，首先建立描述樣本缺失觀測信號與未知完整信號間關(guān)系的概率模型，然后根據(jù)貝葉斯準則推導出在給定樣本缺失觀測信號條件下完整信號的后驗分布，最后利用變分貝葉斯期望最大(Variational BayesianExpectationMaximization, V

9、BEM)算法得到模型中參數(shù)的最大似然估計，進而得到完整信號的重構(gòu)；(2)在上述方法的基礎上，考慮到窄帶雷達數(shù)據(jù)并非散布于整個高維空間，而是聚集在某些低維子空間內(nèi)的情況，我們用因子分析(Factor Analysis, FA)模型對復高斯分布的協(xié)方差矩陣進行低秩分解，提出一種基于自動相關(guān)確定(Automatic Relevance Determination, ARD)先驗的因子分析方法。該方法在降低模型自由度的同時減少了重構(gòu)過程中對觀測