[发明专利]一种基于STFT谱图滑窗相消的微动杂波去除方法

说明书

本发明提出了一种基于STFT谱图滑窗相消的微动杂波去除方法。将时域数据进行短时傅里叶变换，得到STFT数据及STFT谱图；将STFT数据沿时间维等分为前、后参考窗数据，将STFT谱图沿时间维等分为前、后参考窗谱图；从STFT谱图截取多个滑窗谱图；将前、后参考窗谱图分别与各滑窗谱图相减，并计算相减后前、后参考窗谱图与原前、后参考窗谱图的强度比；通过设置门限确定前、后参考窗谱图中微动杂波位置；将微动杂波位置上的前、后参考窗数据置零以去除微动杂波；将去除微动杂波后的前、后参考窗数据分别沿时间维叠加，然后由逆傅里叶变换得到去除微动杂波后的前、后参考窗时域数据，将两者进行组合获取最终结果。本发明提高了雷达的探测性能及环境适应能力。

技术领域

本发明涉及雷达信号处理领域，特别是涉及一种基于STFT谱图滑窗相消的微动杂波去除方法。

背景技术

微多普勒效应(简称微动效应)是由目标或其部件的微动(如转动、振动、进动等)引起的频率调制现象。对雷达系统过来说，微动效应是一把“双刃剑”，一方面它能够反映目标的几何结构和运动状态，为目标参数估计、分类识别等应用提供宝贵的特征信息。另一方面，它也是雷达系统中的一种特殊杂波源，会抬高噪声基底，掩盖弱目标，造成虚警和漏检。

微动杂波是一种时变非平稳杂波，往往具有较大的多普勒拓展，常规动目标指示或时域杂波对消类方法很难取得令人满意的效果，而空域杂波抑制方法要求杂波和目标在角度维上是可分的，否则目标和杂波会被同时抑制。目前，微动杂波抑制方法主要分为参数化和非参数化方法。参数化方法要求对微动杂波进行精细建模，若模型无法反应杂波真实特性，将会因为模型失配导致算法性能下降甚至失效，因此参数化方法往往适用的条件较为苛刻，这在一定程度上限制了它的应用场景。相比较而言，非参数化方法对信号模型的依赖程度大大减弱，因此往往具有操作简便、适用范围广等优点。时频变换算法是一种常用的非平稳信号分析方法，因此被广泛应用于微动回波特性的分析中。微动杂波和目标回波在时频域中的形态表现具有明显差异。具体地，当积累时间较短时，可以认为目标回波在时频图中表现为在特定频率单元上的平行于时间轴的直线型能量条带，而微动杂波则会在一定频率范围内的多个频率单元上呈现复杂的分布形态。有鉴于此，在时频域中完成目标回波和微动杂波的分离，进而实现微动杂波去除的思路具有极大的发展前景。

发明内容

在详细分析目标回波和微动杂波在时频域中的形态差异，及现有时频域微动杂波去除方法的优缺点的基础上，本发明提出了一种基于STFT谱图滑窗相消的微动杂波去除方法，具体包含以下步骤：

步骤1：将原始时域采样数据进行短时傅里叶变换，得到STFT数据及STFT谱图；

步骤2：将STFT数据以时间维中心为对称轴等分为前参考窗数据、后参考窗数据，将STFT谱图以时间维中心为对称轴等分为前参考窗谱图、后参考窗谱图；

步骤3：设置滑窗数目K，从STFT谱图中截取得到K个滑窗谱图；

步骤4：将前参考窗谱图与各滑窗谱图进行对应元素相减得到相减后前参考窗谱图，计算相减后前参考窗谱图与原前参考窗谱图对应元素的比值；将后参考窗谱图与各滑窗谱图进行对应元素相减得到相减后后参考窗谱图，计算相减后后参考窗谱图与原后参考窗谱图对应元素的比值；结合设置的门限确定前参考窗谱图中微动杂波位置；结合设置的门限确定后参考窗谱图中微动杂波位置；

步骤5：将微动杂波所在位置上的前参考窗数据置零，得到去除微动杂波后的前参考窗数据；将微动杂波所在位置上的后参考窗数据置零，得到去除微动杂波后的后参考窗数据；

步骤6：将去除微动杂波后的前参考窗数据沿时间轴进行叠加得到前参考窗频谱，对前参考窗频谱进行逆傅里叶变换得到去除微动杂波后的前参考窗时域数据；将去除微动杂波后的后参考窗数据沿时间轴进行叠加得到后参考窗频谱，对后参考窗频谱进行逆傅里叶变换得到去除微动杂波后的后参考窗时域数据；将去除微动杂波后的前参考窗时域数据和去除微动杂波后的后参考窗时域数据进行组合得到去除微动杂波后的完整时域数据。