摘  要： 從信號(hào)處理的角度分析了防撞雷達(dá)虛報(bào)警率、漏報(bào)警率偏高的原因，采用AR模型功率譜估計(jì)的Burg算法代替?zhèn)鹘y(tǒng)的FFT算法，并將粗神經(jīng)網(wǎng)絡(luò)應(yīng)用于防撞雷達(dá)目標(biāo)識(shí)別。仿真結(jié)果表明，此方法提高了雷達(dá)信號(hào)處理的準(zhǔn)確度和目標(biāo)識(shí)別率，能有效地降低漏報(bào)警、虛報(bào)警率。
關(guān)鍵詞： 防撞雷達(dá)；虛假目標(biāo)；功率譜估計(jì)；粗神經(jīng)網(wǎng)絡(luò)

    在智能交通系統(tǒng)中，汽車防撞雷達(dá)通常采用線性調(diào)頻連續(xù)波體制，而多目標(biāo)檢測(cè)能力較低、大量的遺漏目標(biāo)、虛假目標(biāo)是制約其應(yīng)用和普及的關(guān)鍵問題。如何獲得較低的虛警率和漏警率是汽車防撞雷達(dá)研究的重點(diǎn)和難點(diǎn)。
    在雷達(dá)接收機(jī)產(chǎn)生的雷達(dá)中頻信號(hào)中，不但含有目標(biāo)的中頻頻率，還含有雷達(dá)噪聲信號(hào)和干擾信號(hào)，如鄰近車道上的車輛、車道間的護(hù)攔、路旁的樹木以及空中和遠(yuǎn)處的建筑物等，這些都會(huì)對(duì)雷達(dá)系統(tǒng)形成干擾，導(dǎo)致雷達(dá)做出錯(cuò)誤判斷。減少防撞雷達(dá)的漏報(bào)警、虛報(bào)警，要求信號(hào)處理有較高的分辨率和準(zhǔn)確性，并且有較好的目標(biāo)檢測(cè)和識(shí)別方法[1]。
    本文討論了傳統(tǒng)雷達(dá)信號(hào)處理存在的不足之處，分析了導(dǎo)致防撞雷達(dá)漏報(bào)警、虛報(bào)警的主要原因，提出采用AR參數(shù)模型功率譜估計(jì)的BURG算法求取雷達(dá)數(shù)據(jù)的頻域信息，用粗集理論和神經(jīng)網(wǎng)絡(luò)構(gòu)造相結(jié)合的粗神經(jīng)網(wǎng)絡(luò)進(jìn)行防撞雷達(dá)目標(biāo)數(shù)據(jù)融合，實(shí)現(xiàn)防撞雷達(dá)目標(biāo)識(shí)別，取得了較好的仿真效果。
1 雷達(dá)測(cè)量的工作原理  
    線性調(diào)頻連續(xù)波體制(LFMCW)雷達(dá)根據(jù)多普勒頻移原理，利用發(fā)射信號(hào)和回波信號(hào)之間的差頻來確定目標(biāo)的距離和速度。其測(cè)量原理如圖1所示。

    圖1中， f（t）為發(fā)射信號(hào)頻率， f（t-td）為接收信號(hào)頻率，IFm1和IFm2分別為中頻信號(hào)上下掃頻頻率。中頻頻率為發(fā)射信號(hào)與接收信號(hào)的頻率之差，它包含著前方目標(biāo)的距離和速度的信息。中頻頻率由頻率調(diào)制規(guī)律f、回波時(shí)間延遲td以及多普勒頻移fd共同決定。由理論推導(dǎo)可得出目標(biāo)的距離和速度的計(jì)算公式：

式中，C為光速，T為調(diào)制周期，B為調(diào)制頻帶寬度，?姿為發(fā)射信號(hào)波長(zhǎng)。由此求出雷達(dá)中頻信號(hào)上下掃頻頻率，即可求出目標(biāo)的距離和相對(duì)速度。
    在傳統(tǒng)防撞雷達(dá)信號(hào)處理方法中，常采用對(duì)中頻信號(hào)進(jìn)行傅里葉變換得到信號(hào)的頻譜信息，然后尋找中頻頻譜的峰值譜線，以其作為目標(biāo)的中頻頻率，來計(jì)算目標(biāo)的距離和相對(duì)速度。
    然而雷達(dá)接收端得到的是隨機(jī)信號(hào)，不能通過一個(gè)確切的數(shù)學(xué)公式來描述，對(duì)其作傅里葉變換求出的頻譜不能有效地抑制噪聲信號(hào)，會(huì)導(dǎo)致很多虛假目標(biāo)的產(chǎn)生。并且在N點(diǎn)FFT的過程中，事實(shí)上認(rèn)為N點(diǎn)以外的數(shù)據(jù)均為0，這相當(dāng)于給信號(hào)加了一個(gè)N點(diǎn)的窗函數(shù)，在頻域中引入了一個(gè)與之卷積的sinc函數(shù)，結(jié)果必然造成失真。如何從被目標(biāo)物反射回來的受到嚴(yán)重干擾的微弱回波信號(hào)中提取發(fā)送的有用信號(hào)，并通過計(jì)算回波到達(dá)時(shí)間和頻率偏移進(jìn)而確定目標(biāo)的方位和運(yùn)動(dòng)速度？在隨機(jī)過程理論基礎(chǔ)上，從統(tǒng)計(jì)觀點(diǎn)出發(fā)，采用功率譜估計(jì)是一種更好的解決方法，且功率譜估計(jì)可以避免窗函數(shù)的影響，從而提高信號(hào)處理的分辨率和準(zhǔn)確度[2]。
    以中頻頻譜的峰值譜線作為目標(biāo)的中頻頻率來計(jì)算目標(biāo)數(shù)據(jù)，這種目標(biāo)識(shí)別方法雖簡(jiǎn)單易行，但是很容易把干擾和噪聲的峰值譜識(shí)別為目標(biāo)譜線，從而造成大量的虛假目標(biāo)，導(dǎo)致雷達(dá)虛警率高。采用神經(jīng)網(wǎng)絡(luò)處理復(fù)雜問題，進(jìn)行目標(biāo)識(shí)別時(shí)顯示了強(qiáng)大的功能[3]，但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)其輸入輸出信息是定量的。將粗集理論融入神經(jīng)網(wǎng)絡(luò)可以大大改善網(wǎng)絡(luò)的性能，使之不僅能處理傳統(tǒng)的定量輸入，而且能處理定性或混合性的輸入信息，解決多傳感器不同種類信息的融合問題，可以大大提高雷達(dá)目標(biāo)的識(shí)別率[4]。
2 Burg算法在防撞雷達(dá)信號(hào)處理中的應(yīng)用
2.1 AR參數(shù)模型及AR模型系數(shù)的Burg算法
    參數(shù)模型法的思路：(1)假定所研究的過程x(n)是由一個(gè)輸入序列u(n)激勵(lì)一個(gè)線性系統(tǒng)H(z)的輸出；(2)由已知的x(n)或自相關(guān)函數(shù)rx(n)來估計(jì)H(z)的參數(shù)；(3)由H(z)的參數(shù)來估計(jì)x(n)的功率譜。

    

2.2 雷達(dá)中頻信號(hào)的AR模型功率譜估計(jì)
    利用AR功率譜估計(jì)的Burg算法對(duì)得到的仿真數(shù)據(jù)進(jìn)行處理，該數(shù)據(jù)由雷達(dá)中頻信號(hào)、雷達(dá)噪聲信號(hào)、雜波信號(hào)疊加而成。圖2是AR模型功率譜估計(jì)的Burg算法分別對(duì)數(shù)據(jù)進(jìn)行40、45、50節(jié)次的2 048點(diǎn)功率譜估計(jì)所得到的結(jié)果。
    由圖2可以看出，在P=40時(shí)，尚不能完全分辨出兩運(yùn)動(dòng)目標(biāo)的上下掃頻，目標(biāo)數(shù)據(jù)尚未拉開，不利于目標(biāo)識(shí)別；P=45和P=50時(shí)上下掃頻數(shù)據(jù)已完全分開，能明確分辨目標(biāo)信息。由于節(jié)次越高，算法越復(fù)雜，因此可以選擇AR模型45節(jié)次的譜估計(jì)。

    經(jīng)過上述處理，粗神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法完全可以借用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法。
3.2 基于粗神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)識(shí)別
    BP網(wǎng)絡(luò)具有逼近任意連續(xù)函數(shù)和非線性映射的能力[6]，能模擬任意的非線性輸入輸出關(guān)系。網(wǎng)絡(luò)的各層維數(shù)越大，其收斂速度越慢，因此要對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理來減小信號(hào)冗余度，從而降低BP網(wǎng)絡(luò)的神經(jīng)元數(shù)，并適當(dāng)提取信號(hào)的特征量作為BP網(wǎng)絡(luò)的輸入，以提高識(shí)別率。
    本文對(duì)功率譜估計(jì)數(shù)據(jù)進(jìn)行以下處理：首先進(jìn)行門限判決，判定門限值以下的數(shù)據(jù)為噪音信號(hào)并舍棄，然后對(duì)目標(biāo)數(shù)據(jù)根據(jù)幅值進(jìn)行上下掃頻配對(duì)，最后分別以每個(gè)目標(biāo)的上下掃頻譜峰值為中心各取20個(gè)數(shù)據(jù)，作為粗神經(jīng)網(wǎng)絡(luò)的輸入。將處理后的數(shù)據(jù)形成控制規(guī)則映射到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到滿足均方差要求為止。
    本文所采用的神經(jīng)網(wǎng)絡(luò)輸出層為4，輸出矢量為Y={y1，y2，y3，y4}，分別以行人、自行車、汽車和卡車作為識(shí)別對(duì)象輸出。識(shí)別判定標(biāo)準(zhǔn)：輸出節(jié)點(diǎn)中各分量值大于0.8判定為1，小于0.2判定為0。本文分別用10個(gè)隱節(jié)點(diǎn)和20個(gè)隱節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)對(duì)兩組數(shù)據(jù)進(jìn)行處理，第一組數(shù)據(jù)是用傳統(tǒng)方法對(duì)雷達(dá)數(shù)據(jù)直接進(jìn)行FFT變換后的頻譜數(shù)據(jù)，第二組數(shù)據(jù)是利用本文所介紹的方法，首先對(duì)雷達(dá)數(shù)據(jù)進(jìn)行功率譜估計(jì)，然后對(duì)譜估計(jì)數(shù)據(jù)進(jìn)行預(yù)處理所得到的數(shù)據(jù)。處理結(jié)果如表1所示。

    由表1可知，直接用雷達(dá)回波數(shù)據(jù)作識(shí)別的傳感器數(shù)據(jù)，識(shí)別效果相對(duì)較差,其原因是網(wǎng)絡(luò)對(duì)其分類能力較差，且目標(biāo)之間的特征差別不明顯。而將數(shù)據(jù)進(jìn)行功率譜估計(jì)，在經(jīng)過門限判決和頻域配對(duì)后，其特征更顯著，20個(gè)隱節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別率可達(dá)90%以上，取得了較好的識(shí)別效果。
    虛報(bào)警、漏報(bào)警率高是制約線性調(diào)頻連續(xù)波雷達(dá)發(fā)展的重要因素，本文從信號(hào)處理的角度出發(fā)，采用AR參數(shù)模型功率譜估計(jì)以提高雷達(dá)數(shù)據(jù)的分辨率和準(zhǔn)確度，并將粗神經(jīng)網(wǎng)絡(luò)用于目標(biāo)識(shí)別。仿真結(jié)果表明，該方法可以減少防撞雷達(dá)的虛假目標(biāo)。并且，隨著數(shù)字信號(hào)處理器件的發(fā)展，基于DSP的汽車防撞雷達(dá)完全可以做到實(shí)時(shí)處理各種復(fù)雜的信號(hào)處理算法，使開發(fā)者擺脫復(fù)雜算法和實(shí)時(shí)處理不能兼顧的困擾。
    解決防撞雷達(dá)虛假目標(biāo)的問題，還可通過其他途徑，例如使雷達(dá)具備測(cè)角能力,通過目標(biāo)的方位角信息可助于排除虛假目標(biāo)；還可設(shè)計(jì)易于產(chǎn)生,抗干擾性能強(qiáng)的復(fù)雜雷達(dá)發(fā)射信號(hào),配合以實(shí)時(shí)高效的信號(hào)處理和目標(biāo)檢測(cè)算法。對(duì)于防撞雷達(dá)虛假目標(biāo)的問題，作者還將做進(jìn)一步的研究實(shí)踐。
參考文獻(xiàn)
[1] 王曉丹,王積勤.雷達(dá)目標(biāo)識(shí)別技術(shù)綜述[J].現(xiàn)代雷達(dá).2003，25（5）：21-26.
[2] 張浩,薛偉,余穩(wěn),等.一種應(yīng)用于毫米波車流量檢測(cè)雷達(dá)的背景功率譜識(shí)別方法[J].毫米與紅外波學(xué)報(bào)，2008,12(27)：438-441.
[3] 杜小丹,杜雨.一種人工神經(jīng)網(wǎng)絡(luò)算法在汽車防撞雷達(dá)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究, 2005，22(11)：154-156.
[4] 雷景生.基于混合神經(jīng)網(wǎng)絡(luò)的模糊辨識(shí)方法[J].復(fù)旦學(xué)報(bào)，2004，43(5):880-883.
[5] 張東波,王耀南，黃輝先.基于模糊粗糙模型的粗神經(jīng)網(wǎng)絡(luò)建模方法研究[J].自動(dòng)化學(xué)報(bào)，2008，34(8)：1016-1023.
[6] 鞏華,鄭鏈,宋承天.粗神經(jīng)網(wǎng)絡(luò)在雷達(dá)目標(biāo)識(shí)別中的應(yīng)用[J].電光與控制，2005，12(1):80-82.