Алгоритмы декомпозиции многокомпонентных доплеровских сигналов, отраженных от подвижных объектов тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат наук Евдокимова, Екатерина Олеговна

• Евдокимова, Екатерина Олеговна
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Евдокимова, Екатерина Олеговна

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1 ИССЛЕДОВАНИЕ МЕТОДОВ АНАЛИЗА ДОПЛЕРОВСКИХ СИГНАЛОВ ДЛЯ КЛАССИФИКАЦИИ ПОДВИЖНЫХ ОБЪЕКТОВ

1.1 Существующие методы выделения признаков для распознавания движущихся объектов на основании доплеровской характеристики

1.2 Модели доплеровских характеристик микродвижений, представленные в литературе

1.3 Декомпозиция многокомпонентных сигналов

1.4 Выводы

ГЛАВА 2 МОДЕЛИ ДОПЛЕРОВСКИХ СИГНАЛОВ, ХАРАКТЕРИЗУЮЩИХ МИКРОДВИЖЕНИЯ

2.1 Аналитический доплеровский сигнал

2.2 Физическая модель микродвижения

2.3 Частотно-временные преобразования

2.4 Выводы

ГЛАВА 3 АЛГОРИТМЫ ДЕКОМПОЗИЦИИ МНОГОКОМПОНЕНТНЫХ СИГНАЛОВ

3.1 Постановка задачи

3.2 Формирование словаря

3.3 Сравнение разрешающей способности словарей

3.4 Алгоритм декомпозиции

3.5 Первичная обработка сигнала

3.6 Выводы

ГЛАВА 4 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ЭХО-СИГНАЛОВ И

АЛГОРИТМОВ ДЕКОМПОЗИЦИИ

4.1 Экспериментальное исследование доплеровских сигналов при микродвижениях элементов объекта

4.2 Результаты первичной обработки сигналов

4.3 Результаты декомпозиции сигналов

4.4 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

ПРИЛОЖЕНИЕ А. ХАРАКТЕРИСТИКИ РАДАРА 1ппо8епТ 1Р8-146

ПРИЛОЖЕНИЕ Б. МОДЕЛИРОВАНИЕ АЛГОРИТМОВ ДЕКОМПОЗИЦИИ В СРЕДЕ МАТЬАВ

ПРИЛОЖЕНИЕ В. АКТЫ О ВНЕДРЕНИИ

Введение диссертации (часть автореферата) на тему «Алгоритмы декомпозиции многокомпонентных доплеровских сигналов, отраженных от подвижных объектов»

ВВЕДЕНИЕ

АКТУАЛЬНОСТЬ ТЕМЫ. В настоящее время продолжают активно развиваться системы анализа подвижных объектов на основе доплеровских радаров. Благодаря эффекту Доплера, радиолокационный сигнал, отраженный от подвижного объекта, содержит информацию о движении наблюдаемого объекта в направлении на радар, заключенную в спектре доплеровских смещений. Если объект наблюдения движется с постоянной скоростью в направлении радара и достаточно мал, чтобы считать его точечным, спектр доплеровских смещений отраженного сигнала содержит одну компоненту. В этом случае оценка частоты спектральной компоненты позволяет оценить скорость объекта. Дополнительную окраску по частоте спектр эхосигнала получает в результате следующих причин:

- объект наблюдения имеет конечные размеры;

- движение объекта неравномерно относительно радара;

- носитель РЛС подвижен относительно объекта и в зависимости от ракурса на объект его элементы окрашиваются по Доплеру;

- объект наблюдения имеет нежесткую структуру, то есть содержит подвижные составные части.

На приемной стороне, для извлечения информации о движении объекта устанавливают блок обработки принятых сигналов, осуществляющий оценку параметров их доплеровских характеристик, с целыо решения задач системы наблюдения. В зависимости от поставленной перед радиолокационной установкой задачи, к блоку обработки предъявляются различные требования.

В работе рассматривается спектр задач, связанных с наблюдением объектов, имеющих подвижные составные части при неподвижном носителе РЛС. Микродвижения объекта обуславливают дополнительную окраску по частоте и многокомпонентную структуру доплеровской характеристики, представленной в частотно-временной области. В литературе, посвященной анализу доплеровских сигналов, широко используются термины, раскрытые ниже [39].

Эффект микро-Доплера - это изменение спектра отраженного сигнала за счет микродвижений наблюдаемого объекта. Микродвижения - это вибрации и вращения составных частей объекта, сопутствующие глобальному поступательному движению. Примеры микро-движений: вращающиеся лопасти винтов вертолетов или турбин, машущие движения крыльев птиц во время полета, качание конечностей человека или животного во время ходьбы и т.д. [65].

Сигнатура микро-Доплера - это уникальная характеристика движения, заключающаяся в сложной модуляции доплеровской частоты отраженного радиосигнала и выраженная распределением в частотно-временной области [39]. Уникальные свойства сигнатур для различных объектов характеризуются набором признаков, но сложная структура характеристики делает задачу извлечения признаков нетривиальной. Для эффективного распознавания признаки должны быть чувствительны к существенным параметрам, таким как форма распределения, амплитуды и частоты компонент сигнатуры, и инвариантны к параметрам несущественным: сдвиг во времени, начальные фазы и пр. Для оценки параметров движения объектов наблюдения важно выделять и оценивать те параметры сигналов, которые однозначно связаны с кинематическими параметрами движения.

Анализируя спектр многокомпонентного сигнала, как правило, переходят в частотно-временную область. Для определения параметров сигнала используют алгоритмы и методы частотно-временного анализа. Однако выделение информации о движении составных частей объекта из радиолокационных эхосигналов связано с трудностями, обусловленными сложной структурой до-плеровских характеристик, так как доплеровская информация заключена в сложном законе фазовой модуляции эхосигнала. Несмотря на проблемы, возникающие при обработке, в настоящее время многие исследователи активно разрабатывают новые методы, направленные на использование доплеровской информации, заключенной в спектре сигналов. Основные задачи, по которым ведутся исследования, можно разделить по следующим направлениям [1,43,39]:

- формирование и оценка информативных параметров сигналов;

-развитие способов извлечения информации из доплеровскоЙ сигнатуры;

- декомпозиция многокомпонентных доплеровских сигналов;

- выделение информативных признаков для распознавания.

Формирование и оценка информативных параметров сигналов

необходимы для выделения информации, заключенной в доплеровском сигнале. Для оценки параметров движения на основании анализа спектра отраженного сигнала в первую очередь необходимо определять, как параметры спектра соотносятся с кинематическими параметрами движения.

Развитие способов извлечения информации из доилеровской сигнатуры связано с поиском взаимосвязей между параметрами сигнала и кинематическими параметрами наблюдаемых объектов. Для этого изучают структуру сигналов, разрабатывают модели движения объектов, основанные на результатах экспериментов. Построение моделей доплеровских сигналов позволяет описать кинематику объектов уравнениями движения, и таким образом сформировать априорную информацию о доплеровском спектре объектов. В ряде случаев представляется возможным сформировать математическую модель объекта на основании его структурных особенностей. Для некоторых объектов модели строят на основании выборок, полученных в результате экспериментов. Так, например, была построена модель Талмана движения человека [65].

Декомпозиция многокомпонентных доплеровских сигналов заключается в выделении отдельных компонент, характеризующих микродвижения объектов. Подход привлекателен возможностью анализа отдельных компонент сигналов. В настоящее время многие авторы отмечают важность развития методов декомпозиции доплеровских сигналов, так как в них заложен потенциал для усовершенствования систем распознавания. В литературе в последние годы стали публиковаться некоторые алгоритмы декомпозиции, но они имеют ряд ограничений и могут применяться для некоторых частных случаев [35,43,49].

Выделение новых информативных признаков для распознавания

необходимо для повышения эффективности существующих систем классификации. Несмотря на то, что за последние десятилетия было опубликовано большое количество исследований, для решения многих задач распознавания вопрос формирования подходящих информативных признаков остается открытым. Поэтому сегодня продолжают создаваться новые подходы к преобразованию и извлечению доплеровской информации.

Алгоритмы перечисленных направлений большей частью основаны на методах теории распознавания радиолокационных сигналов на основании набора признаков. Большинство современных подходов используют частотно-временные представления сигналов и опираются на аппарат частотно-временного анализа. Задачи извлечения данных об объекте, заключенных в доплеровском сигнале для оценки кинематических параметров движений и формирование информативных признаков для распознавания тесно связаны между собой. Однако, несмотря на то, что доплеровский сигнал содержит достаточно подробную информацию о перемещении объекта относительно направления на радар, процесс оценки параметров движения связан с рядом ограничений. Например, потенциальная разрешающая способность по доплеровской частоте определяется временем накопления отсчетов отраженного сигнала. Другие ограничения вызваны с особенностями структуры доплеров-ских сигналов, получаемых в присутствии микродвижений объектов. Так как радиолокационный эхосигнал является суперпозицией отражений от всех объектов в рамках разрешаемого объема, в свою очередь доплеровский сигнал представляют собой суперпозицию компонент с частотной модуляцией (ЧМ) с меняющейся частотой модуляции, при этом каждая компонента характеризуется одним из микродвижений объекта. Так как параметры рассматриваемых ЧМ сигналов, как и их число неизвестны, а информация, представленная отсчетами сигнала, обладает избыточностью, основной задачей блока анализа является выделение информативных параметров из общего объема данных.

Как следствие, возникает необходимость в разработке алгоритмов, направленных на извлечение существенной информации из доплеровских сигналов.

Практическое применение алгоритмов обработки доплеровских сигналов направлено на развитие систем классификации наземных и воздушных подвижных объектов, распознавание типа биологического движения, анализ походки человека с целью идентификации гражданский-террорист для приложений антитеррор, либо с целью выявления дефектов походки для медицинских приложений, классификация животных для контроля миграций. Анализ литературы, проведенный автором, показал, что в открытой печати представлен широкий спектр исследований в этих направлениях [12-45], однако методы декомпозиции многокомпонентных доплеровских сигналов представлены лишь несколькими алгоритмами, применение которых возможно только для некоторых частных случаев [35, 43, 68]. В то лее время, многие авторы отмечают, что выделение доплеровских компонент позволяет усовершенствовать анализ, так как отрывает возможности для частотного анализа компонент и независимой оценки параметров отдельных микродвижений [39, 68]. После декомпозиции информация, заключенная в исходном многокомпонентном сигнале, может быть представлена как совокупность параметров частных компонент. Описанный подход позволяет представить сложную доплеровскую характеристику в виде набора коэффициентов разложения в базисе, состоящем из компонент, описывающих микродвижения. Форма компонент базиса выбирается на основании априорной информации о принимаемых сигналах и наблюдаемых объектах. При этом основным критерием выбора параметров, которыми можно описать сигналы, представляется наличие однозначной взаимосвязи с характерными особенностями соответствующих микродвижений. Предлагаемый подход ставит своей целыо перейти в параметрическую область для анализа сигналов. Тогда задачи, поставленные перед блоком обработки доплеровской информации, могут быть решены на основании параметрического представления доплеровской характеристики, вместо временных отсчетов доплеровского сигнала или частотно-временных отсчетов доплеровской сигна-

туры. На основании различий представлений характеристик на параметрической области, может быть построен классификатор, который в качестве признаков для распознавания будет использовать наборы параметров, соответствующих тем или иным типам объектов. По сути, параметрическое представление сигнала является извлечением информации из исходной сигнатуры. Важно отметить, что одним из важных свойств рассматриваемого представления является многократное сжатие исходного сигнала, следовательно, упрощается процесс дальнейшей обработки, хранения и передачи информации об объекте.

Основная проблема, с которой сталкиваются исследователи при анализе доплеровских сигналов, отраженных от подвижных объектов, совершающих микродвижения, является их сложная многокомпонентная структура. Обработка таких сигналов связана с большой вычислительной сложностью. В то же время, многие существующие задачи, особенно связанные с вопросами безопасности и работой доплеровских радаров, предъявляют высокие требования к скорости обработки.

Развитие доплеровских радаров и расширение области их использования формирует задачу разработки алгоритмов, которые позволят извлекать максимальный объем информации об объекте наблюдений. Немаловажную роль играет и снижение вычислительной мощности процессора, предназначенного для обработки сигналов. Так как микродвижения в общем случае осуществляются составными частями объектов, которые обладают малой ЭПР (эффективная площадь рассеяния), к чувствительности радиолокационной системы также предъявляются высокие требования. Важно отметить, что многие разработки в данной области, предназначенные для военных целей, являются секретными и не представлены в литературе. Тем не менее, на сегодняшний день доплеров-ские радары уже используются в широком спектре гражданских приложений, и имеют целый ряд потенциальных приложений, таких, как биометрическое распознавание на базе доплеровской характеристики, разработка которых зависит от достижений новых методов извлечения доплеровской информации.

Поэтому, несмотря на трудности, связанные с оценкой параметров доплеров-ских характеристик, методы декомпозиции и анализа сигналов, отраженных от подвижных объектов в присутствии микродвижений, представляют особый интерес.

Таким образом, актуальным является развитие теории обработки допле-ровских сигналов в радиолокационных системах различного назначения, а также исследование возможности применения таких методов для маломощных радаров при выделении информативных признаков распознавания и определения параметров движения.

ЦЕЛЬ И ЗАДАЧИ РАБОТЫ. Целью диссертации является повышение точности представления многокомпонентных доплеровских сигналов для решения задач декомпозиции с целью определения параметров отдельных компонент и формирования признаков для распознавания.

Для достижения сформулированной цели необходимо решить следующие задачи:

1. Исследовать структуру доплеровских сигналов для объектов, совершающих микродвижения.

2. Разработать универсальную модель микродвижения и сформировать словарь функций.

3. Разработать алгоритм декомпозиции многокомпонентных сигналов со сложной частотной модуляцией.

4. Выполнить компьютерное моделирование работы алгоритма.

5. Выполнить экспериментальное исследование работы алгоритма для реальных сигналов.

МЕТОДЫ ИССЛЕДОВАНИЯ основаны на использовании теории линейной алгебры и векторно-матричного анализа, теории вероятности, методов статистического анализа случайных процессов, а также методов разреженных представлений.

НАУЧНАЯ НОВИЗНА. В диссертационной работе получен ряд новых результатов, которые сводятся к следующему:

-Сформированы новые словари функций, согласованных с доплеров-ским сигналом, отраженным от вращающегося отражателя.

-Разработаны линейный и нелинейный алгоритмы декомпозиции многокомпонентных доплеровских сигналов функциями заданного словаря.

-Предложен двухэтапный алгоритм извлечения компонент доплеровских сигналов с уточнением параметров.

- Предложен метод предварительной обработки доплеровских сигналов, направленный на оценку доплеровской характеристики глобального движения.

ПРАКТИЧЕСКАЯ ЗНАЧИМОСТЬ. Предложенный подход к преобразованию сигнатур доплеровских сигналов позволяет представить их в виде набора коэффициентов разложения, что позволит упростить процесс дальнейшей обработки, хранения и передачи основной информации о сигналах. По сравнению с известными методами декомпозиции доплеровских сигналов, коэффициент подобия между реальным и восстановленным сигналом для различных типов сигналов выше в среднем на 30% и достигает 0,96. ОСНОВНЫЕ ПОЛОЖЕНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ:

• Предложен модельно-ориентированный подход, обеспечивающий выделение компонент доплеровских сигналов, отраженных от подвижных объектов, совершающих микродвижения.

• Сформирован новый словарь функций с гармоническим законом модуляции частоты, позволяющий аппроксимировать компоненты доплеровских сигналов.

• Разработаны линейный и нелинейный алгоритмы декомпозиции доплеровских сигналов, основанные на методах разреженных представлений, позволяющие представить многокомпонентный сигнал линейной комбинацией функций словаря.

• Представлены результаты декомпозиции для реальных доплеровских сигналов, которые доказывают работоспособность и эффективность разработанных алгоритмов.

ВНЕДРЕНИЕ РЕЗУЛЬТАТОВ РАБОТЫ. Полученные в работе результаты приняты к внедрению в учебный процесс на кафедре Теоретических основ радиотехники Технологического института Южного федерального университета. Также результаты диссертационной работы внедрены в Государственном образовательном учреждении высшего профессионального образования «Инженерно-технологическая академия Южного федерального университета в г. Таганроге» при выполнении научных работ по г/б НИР 301*3811/2013-3, а также используются в разработках НКБ ЦОС ЮФУ.

АПРОБАЦИЯ РАБОТЫ. Материалы диссертации докладывались и обсуждались на следующих конференциях:

Международная научная конференция «Методы и алгоритмы принятия эффективных решений», Таганрог, 2009 г.

Международная научная конференция «Проблемы современной системотехники», Таганрог, 2009 г.

Всероссийская научная конференция «Техническая кибернетика, радиоэлектроника и системы управления», Таганрог, 2010 г.

Всероссийская научная конференция «Современные исследовательские и образовательные технологии», Таганрог, 2012 г.

Всероссийская научная конференция «Техническая кибернетика, радиоэлектроника и системы управления», Таганрог, 2012 г.

Всероссийская научно-техническая конференция с международным участием "Компьютерные и информационные технологии в науке, инженерии и управлении", "КомТех-2013", Таганрог, 2013 г.

Международная научная конференция «Излучение и рассеяние ЭМВ -ИРЭМВ-2013», Таганрог - Дивноморское, 2013 г.

ПУБЛИКАЦИИ. По теме диссертации опубликовано 9 статей, в том числе 2 из них из списка изданий, рекомендованных ВАК.

СТРУКТУРА ДИССЕРТАЦИОННОЙ РАБОТЫ. Диссертационная работа изложена на 132 страницах машинописного текста и состоит из введе-

ния, четырех глав, заключения, списка литературы и приложений. Список литературы включает в себя 71 наименование.

Во введении обоснована актуальность проблемы, сформулированы цели и основные задачи, решаемые в диссертационной работе; представлены объект и методы исследования; указана научная новизна и практическая значимость; приведены положения, выносимые на защиту, апробация и структура диссертационной работы.

В первой главе рассмотрены существующие методы и алгоритмы обработки доплеровских сигналов с целью выделения информации о кинематике движения наблюдаемых объектов и формирования признаков для классификации. Рассмотрены модели микродвижений, представленные в литературе, а также существующие методы декомпозиции, их ограничения и области применения. Сформулированы цели и задачи диссертации.

Во второй главе представлена модель доплеровского сигнала, которая описывает отражение от точечной сферы, совершающей вращательно-поступательное движение. Полученный сигнал характеризуется гармоническим законом изменения частоты и описывает модель вращательного микродвижения. Модель необходима для создания на ее основе набора сигналопо-добных функций для анализа многокомпонентных доплеровских сигнатур.

В третьей главе сформированы словари двух типов: на основе функций времени и на основе спектрограмм сигналов. Для представления доплеровских сигнатур словарными функциями были предложены линейный и нелинейный алгоритмы декомпозиции, а также на основе их синтеза был сформирован двухэтапный алгоритм оценки параметров частотных компонент.

В четвертой главе получены результаты исследования алгоритмов для моделированных и реальных сигналов. Для анализа в процессе выполнения эксперимента использовались данные, полученные доплеровским радаром непрерывного излучения 1ппо8еп11Р8-146. Доплеровские сигналы были получены для следующих типов движений: вращение металлической сферы, вращение лопастей винта вертолета, движение идущего человека.

В заключении сформулированы основные научные и практические результаты диссертационной работы.

В приложениях приведены характеристики радара 1ппо8еп11РБ-146, который применялся для получения экспериментальных данных, а также коды программ, предназначенные для формирования моделей доплеровских сигналов и моделирования работы алгоритмов, предложенных в работе.

ГЛАВА 1 ИССЛЕДОВАНИЕ МЕТОДОВ АНАЛИЗА ДОПЛЕРОВСКИХ СИГНАЛОВ ДЛЯ КЛАССИФИКАЦИИ ПОДВИЖНЫХ ОБЪЕКТОВ

На заре развития радиолокационных методов распознавания все разработки в этой области, в первую очередь, были направлены на совершенствования оборонных систем и систем мониторинга. Благодаря эффекту Доплера сигнал, отраженный от подвижного объекта, получает частотный сдвиг, пропорциональный радиальной скорости объекта относительно носителя радиолокационной станции (РЛС), а так же дополнительную окраску по частоте, если цель распределенная, либо имеет подвижные составные части. Для последнего случая распределение энергии в спектре доплеровских смещений эхосигнала связано с кинематическими параметрами движения частей объекта в направлении РЛС. Оценка параметров движений объектов наблюдения и выделение особенностей эхосигналов открывает широкие возможности для решения задач распознавания.

Важно отметить, что для обнаружения и классификации подвижных объектов методы, основанные на анализе сигналов, полученных доплеровскими радарами, выигрывают по сравнению с методами, основанными на других типах сенсоров, например, видеокамер, которые чувствительны к освещенности. Кроме того, только радары позволяют зондировать пространство за препятствием, и таким образом решать ряд задач безопасности, мониторинга, поиска людей под обломками и пр. В этом направлении в настоящее время проводится ряд исследований с целью обнаружения и дистанционного измерения параметров движения, медленно двигающихся объектов за препятствием [29,56] с использованием радаров сверхширокополосного излучения [12, 13].

Сегодня распознавание на основе анализа радиолокационных сигналов используется для множества военных и гражданских приложений:

- противоракетная и воздушная оборона;

- повышение эффективности контроля трафика гражданской авиации;

- повышение безопасности перемещения в воде, по поверхности и в воздушном пространстве;

-инженерная диагностика вращающихся и стационарных деталей машин;

-распознавание объектов под поверхностью земли, снежного или ледяного покрова;

- метеорологическое прогнозирование;

- определение типов птиц и изучение их сезонных миграций для обеспечения безопасности полетов;

- анализ автомобильного трафика;

- классификация типа биологического движения.

На сегодняшний день остается актуальным создание алгоритмов для повышения эффективности систем безопасности и мониторинга воздушного пространства. В [8, 9] рассматривалась возможность обнаружения опасных препятствий при полете на малой высоте при скрытном подходе к цели. Для оценки угломестных координат препятствий использовалась доплеровская информация эхосигнала, в то время как азимутальные координаты определялись с помощью методов оценки пространственного спектра [15, 17, 20, 24]. Так как радиолокационные сигналы при отражении от объектов под разными углами относительно антенной системы бортового радара получают различные допле-ровские смещения, спектр эхосигнала приобретает дополнительную окраску по частоте, обусловленную отражениями от элементов рельефа. При этом до-плеровское смещение пропорционально косинусу угла между направлением полета и направлением на объект [15]

(р = агссоэ

Л__

/о

л

где ус - скорость полета самолета; /о - центральная частота заполнения излучаемых зондирующих импульсов; с - скорость света.

В процессе мониторинга воздушного пространства в качестве дополнительной информации, которая способствует повышению вероятности правильного обнаружения, может использоваться анализ турбинной составляющей [19,22]. В этом случае вращение турбины является микродвижением и его вклад в отраженный сигнал привносит дополнительную информацию о летательном аппарате. Важно отметить, что микродвижения вращательного типа присущи широкому кругу подвижных объектов, так как неотъемлемой частью их движения является вращение турбин, моторов, пропеллеров, колес и т.п., поэтому анализ объектов с вращающимися частями выделяется в отдельную задачу [52].

Так как раньше из-за больших габаритов и стоимости РЛС с их помощью решались только военные задачи, то сегодня, когда стали выпускаться маломощные малоразмерные недорогие радары, стала актуальной задача разработки систем на основе доплеровских радаров, предназначенных для гражданских приложений. Например, в последнее время появилось множество работ, направленных на исследование движения биологических объектов на основе анализа доплеровских сигналов.

Для задач оценки кинематических параметров объектов, движущихся с небольшими скоростями и совершающими микродвижения, предлагается использовать радары микроволнового излучения, так как они обладают следующими преимуществами [57]:

-минимальные потери мощности излучения при прохождении сквозь атмосферу;

-небольшие потери мощности излучения при прохождении препятствий, таких как туман, дым, пыль, дождь;

-способность электромагнитного излучения с небольшими потерями проходить сквозь одежду и ткани;

-удовлетворительное разрешение по скорости за счет высокой центральной частоты;

- небольшой размер системы за счет малой длины волны.

Для получения доплеровской характеристики может использоваться как непрерывный, так и импульсный зондирующий сигнал. С помощью импульсных радаров, наряду с оценкой доплеровских смещений возможно измерение дальности и получение разрешения по дальности. Для обеспечения разрешения по частоте Sf, необходимо излучать пачку импульсов и оценивать доплеров-ское смещение частоты по огибающей принятой пачки длительностью /п = Höf. Однако для ряда гражданских приложений первостепенной представляется задача снятия доплеровской характеристики объекта на небольшой дальности. Для этого эффективно применять маломощные радары непрерывного излучения, которые отличаются простотой реализации, малыми габаритами и низкой рыночной стоимостью. Примером такого радара может служить InnoSent IPS-146, который применялся в настоящем исследовании для получения экспериментальных данных.

Список литературы диссертационного исследования кандидат наук Евдокимова, Екатерина Олеговна, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Будилов А., Каплун Д., Канатов И., Азаренков Л. Частотно-временной анализ банком цифровых фильтров // Компоненты и технологии - 2009. -№ 3. - С. 122-126.

2. Евдокимова Е.О. Модель сигнала для оценки параметров подвижных объектов на основе анализа доплеровского спектра // Известия ЮФУ. Технические науки. Изд-во ТТИ ЮФУ. - 2013. - № 5 (142)6. - С. 122-128.

3. Евдокимова Е.О., Федосов В.П. Анализ алгоритмов декомпозиции многокомпонентных доплеровских сигналов для определения параметров движения объектов // Труды Международной научной конференции «Излучение и рассеяние ЭМВ» - ИРЭМВ-2-13. Таганрог: Изд-во ЮФУ.-2013.-С. 679684.

4. Евдокимова Е.О. Алгоритм слежения за рельефом местности с использованием пространственно-временной обработки // Материалы международной научной конференции «Методы и алгоритмы принятия эффективных решений». - Таганрог: Изд-во ТТИ ЮФУ. - 2009. - С. 22-26.

5. Евдокимова Е.О. Пространственно-доплеровский алгоритм слежения за рельефом // Материалы международной научно-технической и научно-методической конференции «Проблемы современной системотехники». - Таганрог: Изд-во ТТИ ЮФУ. - 2009. - С. 32-36.

6. Евдокимова Е.О. Разработка и исследование угломерно-доплеровско-го алгоритма облета препятствий // X Всероссийская конференция «Техническая кибернетика, радиоэлектроника и системы управления»: Сборник материалов. - Таганрог: Изд-во ТТИ ЮФУ. - 2010. - С .8-9.

7. Евдокимова Е.О., Федосов В.П. Алгоритм определения опасных препятствий в направлении полета летательного аппарата на основе пространственного спектра // Материалы Всероссийской научной конференции «Современные исследовательские и образовательные технологии», часть 4 - Таганрог: Изд-во ТТИ ЮФУ. - 2010. - С. 16-21.

8. Евдокимова Е.О. Алгоритм анализа рельефа местности для осуществления вынужденной посадки воздушного судна // Известия ЮФУ. Технические науки. - Таганрог: Изд-во ТТИ ЮФУ. - 2010. - С. 61-67.

9. Евдокимова Е.О., Федосов В.П., Авилов А.И. и др., Адаптивные алгоритмы обработки пространственно-временных сигналов М1МО-систем в радиолокации и беспроводных системах связи // Монография «Цифровая обработка сигналов и её техническое приложение в телекоммуникационных системах» / под ред. Марчука В.И., ГОУ ВПО «Южно-Рос. гос. ун-т экономики и сервиса». - Шахты: ГОУ ВПО «ЮРГУЭС». - 2010. - С. 95-119.

10. Евдокимова Е.О. Алгоритм декомпозиции доплеровской сигнатуры // XI Всероссийская конференция «Техническая кибернетика, радиоэлектроника и системы управления»: Сборник материалов. - Таганрог: Изд-во ТТИ ЮФУ. -2012.-С. 7.

11. Ильин В.А., Позняк Э.Г. Линейная алгебра. Изд-во «Наука». - 1974. -

296 с.

12. Иммореев И. Я. Сверхширокополосные радары: новые возможности, необычные проблемы, системные особенности // Вестник МГТУ. Сер. Приборостроение 1998. - №4. - С. 25-56.

13. Иммореев И. Я., Синявин А. Н. Излучение сверхширокополосных сигналов // Антенны 1 (47). - 2001. - С. 8-16.

14. Лупов С.Ю. Частотно-временной анализ интерферометрических данных о газодинамических процессах: дис. на соиск. учен. степ. канд. физ-мат. наук: 01.04.03 / Лупов С.Ю.; Нижегородский гос. ун-т им. Н.И. Лобачевского -Н.Н., 2012. - 147 с.

15. Канащенков А.И., Меркулов В.И. Защита радиолокационных систем от помех. М.: Радиотехника. - 2003. - 416 с.

16. Коэн Л. Время-частотные распределения: Обзор // ТИИЭР, 1989. Т. 77. №10. С. 72-120.

17. Кондратенков Г.С., Фролов А.Ю. Радиовидение. РЛС дистанционного зондирования земли. М.: Радиотехника. - 2005 - 370 с.

18. Короновский A.A., Храмов А.Е. Непрерывный вейвлетный анализ и его приложения. М.: Физматлит, 2003.

19. Макаев В.Е., Васильев О.В. Метод радиолокационного распознавания воздушной цели по турбинному эффекту. - Радиотехника, 2000 г., № 11. - С. 30-33.

20. Марпл мл. C.JI. Цифровой спектральный анализ и его приложения: Пер. с англ. М.: Мир, 1990. 584 с.

21. Местецкий, Л. М. Математические методы распознавания образов. М.: Ф-т ВМиК МГУ, кафедра ММП. - 2002.

22. Митрофанов Д.Г., Прохоркин А.Г. Методы компенсации влияния составляющих турбинного эффекта при построении изображений воздушных целей. - Радиотехника, 2006 г., № 9. - С. 32 - 37.

23. Меркушева, А. В. Время-частотные преобразования с обобщенными маргиналами для анализа нестационарных сигналов в информационно-измерительных системах. Санкт-Петербург: Научное приборостроение. 16(1), 2006.-С. 16-22.

24. Сергиенко А.Б. Цифровая обработка сигналов. СПб: Питер, 2002.

608 с.

25. Соколов А.В, Лазуткин Б.А., Григорьев В.А. и др. Обнаружение и распознавание объектов радиолокации. Коллективная монография под редакцией Соколова A.B. - Москва: Радиотехника, 2007, 176 с.

26. Финкельштейн М. И. Основы радиолокации. М: Радио и связь. 1983.

27. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. М.: Радио и связь. 1986.

28. Allen R.L., Mills D.W. Signal Analysis: Time, Frequency, Scale, and Structure. Wiley-IEEE Press. 2004. 966 p.

29. Amin M. G., Ahmad F. Wideband synthetic aperture beamforming for through-the-wall imaging // Signal Processing Magazine, IEEE, 25(4). - 2008 - P. 110-113.

30. Angeby J. Estimating signal parameters using the nonlinear instantaneous least squares approach // Signal Processing, IEEE Transactions on. - 2000. - № 48(10).-P. 2721-2732.

31. Bai X., Xing M., Zhou F., Lu G., & Bao Z. Imaging of micromotion targets with rotating parts based on empirical-mode decomposition // Geoscience and Remote Sensing, IEEE Transactions on. - 2008. - №46(11). - P.3514-3523.

32. Berger J., Hautaniemi S., Jarvinen A.K., Edgren H., etc. Optimized LOWESS normalization parameter selection for DNA microarray data // BMC bio-informatics. - 2004. - 5(1), - P. 194-207.

33. Bilik I., Tabrikian J., Cohen A. GMM-based target classification for ground surveillance Doppler radar // Aerospace and Electronic Systems, IEEE Transactions on. - 2006. - №42(1). - P.267-278.

34. Boashash, B. Time frequency analysis. Access Online via Elsevier. 2003.

81p.

35. Cai, C., Liu, W., Fu, J. S. Empirical mode decomposition of micro-Doppler signature // In Radar Conference, IEEE International. - 2005, May. - P.895-899.

36. Chen J., Jonsson P., Tamura M., Gu Z., Matsushita, B., Eklundh L. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter // Remote sensing of Environment, 2004.-91(3)- P. 332344.

37. Chen V.C. Analysis of radar micro-Doppler with time-frequency transform. In Statistical Signal and Array Processing // Proceedings of the Tenth IEEE Workshop on. - 2000. - P.463-466.

38. Chen V. C. Spatial and temporal independent component analysis of micro-Doppler features. In Radar Conference, IEEE International. - 2005, May -P.348-353.

39. Chen V.C. The micro-Doppler effect in radar. Artech House Publishers. 2011. 290p.

40. Chen V.C., Li F., Ho S.S., Wechsler H. Micro-Doppler effect in radar: phenomenon, model, and simulation study // Aerospace and Electronic Systems, IEEE Transactions on. 2006. - №42(1) - P. 2-21.

41. Chen, V. C., Ling, H. Time-frequency transforms for radar imaging and signal analysis. Artech house. 2002.

42. Chen S.S., Donoho D.L., Saunders M.A. // Atomic decomposition by basis pursuit. SIAM journal on scientific computing. - 1998. - № 20(1) - P.33-61.

43. Cirillo L., Zoubir A., Amin M. Parameter estimation for locally linear FM signals using a time-frequency Hough Transform // Signal Processing, IEEE Transactions on. - 2008. - №56(9) -P.4162-4175.

44. Cleveland W.S., Grosse E., Shyu W.M. Local regression models // Statistical models in S. 1992. - P. 309-376.

45. Donoho D.L., Elad M., Optimally sparse representation in general (nonorthogonal) dictionaries via 11 minimization // Proc. of the National Academy of Sciences, - 2003. - №100(5). - P.2197-2202.

46. Van Dorp V.P., Groen F.C. // Feature-based human motion parameter estimation with radar. Radar, Sonar & Navigation, IET.-2008.-№2(2).-P. 135145.

47. Elad M. Sparse and redundant representations: from theory to applications in signal and image processing. - Springer. - 2010. - P.376.

48. HlawatschF., Auger F. Time-Frequency Analysis. Wiley Online Library,

2008.

49. Fogle O.R., Rigling B.D. Micro-Range/Micro-Doppler Decomposition of Human Radar Signatures // Aerospace and Electronic Systems, IEEE Transactions on. - 2012. - №48(4). - P.3058-3072.

50. Kim, Y., Ling, H. Human activity classification based on micro-Doppler signatures using a support vector machine. Geoscience and Remote Sensing, IEEE Transactions on. - 2009. - №47(5). - P.1328-1337.

51. Lei P., Wang J., Sun J. Analysis of radar micro-Doppler signatures from rigid targets in space based on inertial parameters//Radar, Sonar & Navigation, IET-2011. -№5.2. -P.93-102.

52. Li J., Ling, H. Application of adaptive chirplet representation for ISAR feature extraction from targets with rotating parts // IEE Proceedings-Radar, Sonar and Navigation, 150(4). - 2003. - P. 284-291.

53. Mallat S. A wavelet tour of signal processing. Academic press. - 1999. -

805p.

54. Mallat S. G., Zhang Z. Matching pursuits with time-frequency dictionaries. Signal Processing, IEEE Transactions on. - 1993. - №41(12). - P. 3397-3415.

55. Molchanov P.A., Astola J.T., Egiazarian K.O., etc. // Object recognition in ground surveillance doppler radar by using bispectrum-based time-frequency distributions. In Radar Symposium (IRS), 2010 11th International. - 2010. - P.4.

56. Muqaibel A., Safaai-Jazi A., Bayram A., etc. Ultrawideband through-the-wall propagation. IEE Proceedings-Microwaves, Antennas and Propagation, 152(6).-2005.-P. 581-588.

57. Nanzer, J. A. Microwave and Millimeter-Wave Remote Sensing for Security Applications // Artech House, 2012. 372p.

58. Narayanan R. M., Shastry M. C., Chen, P. H. Through-the-wall detection of stationary human targets using Doppler radar. Progress In Electromagnetics Research B, 20.-2010.-P. 147-166.

59. Natarajan B.K. Sparse approximate solutions to linear systems // SIAM Journal on Computing - 1995 - №24. - P. 227-234.

60. Otero M. Application of a continuous wave radar for human gait recognition. In Defense and Security // International Society for Optics and Photonics. -2005. - P.538-548.

61. Portnoff M.R.Time-frequency representation of digital signal and systems based on short-time Fourier analysis // IEEE Transaction on Signal Processing. V. 28, N2.-1980.-P. 1055-1062.

62. Raj R. G., Chen V. C., Lipps, R. Analysis of radar human gait signatures// Signal Processing, IET.2010. - №4(3). - P.234-244.

63. Raj R. G., Chen V. C., Lipps, R. Analysis of radar dismount signatures via non-parametric and parametric methods // In Radar Conference, IEEE. - 2009, May-P. 1-6.

64. Rilling G., Davies M., Mulgrew B. Compressed sensing based compression of SAR raw data // In SPARS'09-Signal Processing with Adaptive Sparse Structured Representations. - 2009.

65. Tahmoush D., Silvious J. Modeled gait variations in human micro-Doppler // In Radar Symposium (IRS). -2010.-11th International IEEE. - P. 1-4.

66. Tahmoush D., Silvious J. Radar micro-Doppler for long range front-view gait recognition. In Biometrics: Theory, Applications, and Systems // BTAS'09. IEEE 3rd International Conference on. IEEE. - 2009, September. - P. 1-6.

67. Tahmoush, D., Silvious, J. Radar stride rate extraction. In Machine Vision and Image Processing Conference. IMVIP'09. 13th International. - 2009, September.-P.128-133.

68. Thayaparan T., Abrol S., Riseborough E. ect. Analysis of radar micro-Doppler signatures from experimental helicopter and human data // IET Radar, Sonar & Navigation. - 2007. - № 1(4). - P. 289-299.

69. Sejdic, E., Djurovic, I., & Jiang, J. Time-frequency feature representation using energy concentration: An overview of recent advances // Digital Signal Processing. -2009. -№19(1). -P.53-183.

70. Setlur, P., Amin, M., & Ahmad, F. Analysis of micro-Doppler signals using linear FM basis decomposition // In Defense and Security Symposium. International Society for Optics and Photonics. - 2006, May. - P.62100M-62100M.

71. www.innosent.de.