Авторегрессионный алгоритм Берга для обнаружения целей и определения их скоростей на фоне пассивных помех, основанный на спектральных и статистических различиях целей и помех.


https://doi.org/10.24108/rdeng.0417.0000096

Полный текст:


Аннотация

Рассматриваемая статья посвящена теме: ''Авторегрессионный алгоритм Берга для обнаружения цели и определение их скоростей на фоне пассивных помех, основанный на спектральных и статистических различиях цели и помехи '. Таким образом, существует задача определения частот смеси сигналов. В обзорных и многоцелевых РЛС усложнение задачи происходит из-за ограниченной выборки данных, что требует поиска новых методов спектрального анализа с высоким разрешением. В данной статье авторы обзорно рассматривает две группы методов спектрального анализа: классические и параметрические. Отдельное внимание обращено на параметрический авторегрессионный метод Берга, поскольку для него характерны спектры с острыми пиками, что часто связывается с высоким частотным разрешением. В статье изложен метод Берга, этапы расчетов основных параметров по входной последовательности данных в зависимости от порядка авторегрессионной модели, которые представляют собой вектор коэффициентов авторегрессии и значение дисперсии белого шума. По этим параметрам формируется целевая функция – спектральная плотность мощности. Актуальной особенностью работы данного метода является обнаружение частоты цели на фоне широкополостной пассивной помехи. В статье описывает математическая модель отраженного эхо-сигнала, которая представляющая собой спектр сигнала  от цели – дельта функция, соответствующая скорости цели и спектр сигнала от низкочастотной широкополосной пассивной помехи, и другие параметры. Данная математическая модель использовалась для трех случаев соотношения характеристик цели и помехи.  Для каждой из этих случаев применялся реализованный метод Берга и метод rootmusic, встроенный в Matlab, после которых получали значения оценки частоты цели для каждого из методов. После этого результаты работы методов были исследованы на зависимость среднего квадратичного отклонения оценки частоты цели от истинного значения при изменении отношения сигнал-помеха  и уровня шума соответственно. В заключении авторы на основании полученных графиков  говорят о том, что Метод Берга в условия ограниченной выборки данных является более точным в сравнении с методом rootmusic, имеет  высокую разрешающую способность, а графики среднего квадратичного отклонения метода Берга от отношения сигнал-помеха и от уровня шума ниже графиков среднего квадратичного отклонения  метода rootmusic на всех интервалах изменения.


Об авторах

П. В. Клименченко
МГТУ им. Н.Э. Баумана, Москва
Россия

Клименченко Павел Викторович

кафедр СМ 5: "Автономные информационные управляющие системы".



В. Н. Жураковский
МГТУ им. Н.Э. Баумана, Москва
Россия

Жураковский Валерий Николаевич

Кандидат технических наук, доцент кафедры СМ-6



Список литературы

1. Kay S.M., Marple S.L. Spectrum analysis – a modern perspective // Proc. of the IEEE. 1981. Vol. 69. No. 11. Pp. 1380-1419. DOI: 10.1109/PROC.1981.12184

2. Blanchet G., Charbit M. Digital signal and image processing using MATLAB. L.; Newport Beach: ISTE Ltd, 2006. 763 p.

3. Cooley J.W., Tukey J.W. An algorithm for the machine calculation of complex Fourier series // Mathematics of Computation. 1965. Vol. 19. No. 90. Pp. 297-301. DOI: 10.1090/S0025-5718-1965-0178586-1

4. Гольденберг Л.М., Матюшкин Б.Д., Поляк М.Н. Цифровая обработка сигналов: Справочник. М.: Радио и связь, 1985. 312 с.

5. Оппенгейм А., Шафер Р. Цифровая обработка сигналов: пер. с англ. М.: Техносфера, 2006. 855 с. [Oppenheim A., Schafer R. Digital signal processing. Englewood Cliffs: Prentice-Hall, 1975. 585 p.].

6. Марпл С.Л. Цифровой спектральный анализ и его приложения: пер с англ. М.: Мир, 1990. 584 с. [Marple S.L. Digital spectral analysis: with applications. Englewood Cliffs: Prentice-Hall, 1987. 492 p.].

7. Кривошеев В.И. Современные методы цифровой обработки сигналов (цифровой спектральный анализ): учебно-методические материалы. Н. Новгород, 2006. 117 с.

8. Кривошеев В.И., Лупов С.Ю. О некоторых возможностях и проблемах современного цифрового спектрального анализа // Вестник Нижегородского ун-та им. Н.И. Лобачевского. 2011. № 5(3). С. 109-117.

9. Шахтарин Б.И., Ковригин В.А. Методы спектрального оценивания случайных процессов: учеб. пособие. М.: Гелиос АРВ, 2005. 247 с.

10. Овчарук В.Н. Спектральный анализ сигналов акустической эмиссии // Ученые записки Тихоокеанского гос. ун-та. 2013. Т. 4. №. 4. С. 974-986.


Дополнительные файлы

Для цитирования: Клименченко П.В., Жураковский В.Н. Авторегрессионный алгоритм Берга для обнаружения целей и определения их скоростей на фоне пассивных помех, основанный на спектральных и статистических различиях целей и помех. Радиостроение. 2017;(4):1-15. https://doi.org/10.24108/rdeng.0417.0000096

For citation: Klimenchenko P.V., Zhurakovsky V.N. Berg's Autoregressive Algorithm to Detect Targets and Determine Their Velocities in Presence of Passive Interference, Based on Spectral and Statistical Target and Interference Differences Radio Engineering. 2017;(4):1-15. (In Russ.) https://doi.org/10.24108/rdeng.0417.0000096

Просмотров: 233

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2587-926X (Online)