Primární zpracování radarového signálu dopplerovská filtrace

Transkript

1 ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE K Katedra radioelektroniky A2M37RSY Jméno Stud. rok Stud. skupina Ročník Lab. skupina Václav Dajčar 2011/ Datum zadání Datum odevzdání Klasifikace Číslo úlohy 1 Primární zpracování radarového signálu dopplerovská filtrace

2 1. Úvod Dopplerovská filtrace navazuje ve zpracování radarového signálu na přizpůsobenou filtraci - kompresi pulsu. Radar s dopplerovským zpracováním signálu může rozdělit přijímaný signál do několika kanálů dle radiálních rychlostí cílů (MTD Moving Target Detection), případně jen potlačit nežádoucí signály odrazů od terénu (MTI Moving Target Indicator), čehož bude využito v této práci. Obr. 1 Přizpůsobená filtrace, dopplerovská filtrace Úmístění samotného MTI filtru v blokovém schématu je znázorněno na obrázku 2. Jedná se o pásmouvou zádrž v okolí nulové frekvence, která je realizována FIR filtrem, zádržné pásmo se periodicky opakuje na násobcích opakovací frekvence f op. Obr. 2 Zařazení MTI filtru v blokovém schématu

3 2. Úkoly 1. Vykreslete amplitudovou charakteristiku filtru MTI dvojité potlačení s koeficienty h=[1-2 1]/4, na vodorovné ose vyneste radiální rychlost cíle (pro radar s parametry dle hodnot v souboru s modelem signálu). V amplitudové charakteristice vyznačte první slepou rychlost radaru s tímto MTI filtrem. 2. Proveďte přizpůsobenou filtraci a dopplerovskou filtraci přijímaného signálu. Použijte MTI filtr dvojité potlačení. Zobrazte amplitudy: přijímaného signálu, signálu po průchodu přizpůsobeným filtrem, signálu za MTI filtrem. Na příslušných osách vyneste vzdálenost od radaru a úhel natočení antény. 3. Určete vzdálenosti a azimuty cílů (při prvním odběhu je anténa natočena směrem k severu). 3. Postup řešení Zadaný datový soubor obsahuje komplexní obálku modelující přijímaný signál z několika odběhů. Model obsahuje tři cíle s různou radiální rychlostí, rušení AWGN a jednoduchý model odrazu od terénu. Matice v proměnné s obsahuje ve sloupcích přijímané signály z jednotlivých odběhů, první vzorek je přijímaný ze vzdálenosti Rmin od radaru. Při realizaci přizpůsobené filtrace v programu Matlab využijeme toho, že funkce filter zpracovává signál paralelně ve všech sloupcích. Pro dopplerovskou filtraci lze po transpozici použít opět funkci filter. Vliv jednotlivých operací bude výhodné sledovat pomocí vykreslení absolutních hodnot prvků matice (amplitudy signálu) funkcí image nebo surf. a. Řešení úkolu 1 Amplitudovou charakteristiku filtru získáme Fourierovou transformací v Matlabu použita funkce freqz - ze známé impulsové odezvy (viz obr. 3) Obr. 3 Amplitudová charakteristika MTI filtru

4 b. Řešení úkolu 2 Na obrázku č. 4 je zobrazen přijatý signál, který dosud nebyl zpracován a není z něj možné určit přesné parametry cílů jako je azimut či vzdálenost, pouze vidíme, že vzorky komplexní obálky přijatého signálu jsou v matici o šířce 2,12 (horizontální osa) a délce 104,9 km (vertikální osa). Obr. 4 Amplituda přijímaného signálu Dle blokového schématu z obrázku 2 projde signál kompresorem pulsu, který představuje přizpůsobený filtr v Matlabu použita funkce filter, jíž byly jako parametry zadány vzorky komplexní obálky přijatého signálu a komplexně sdružené a záporné vzorky repliky vyslaného pulsu, které ještě byly váhovány hammingovým oknem. Takto zpracovaný signál je na obrázku č. 5. Obr. 5 Signál po průchodu přizpůsobeným filtrem

5 Signál dále projde MTI filtrem v Matlabu opět použita funkce filter, které byly jako parametry dány impulsová odezva a v předchozím kroku zpracovaný a transponovaný signál. Potřeba transpozice je patrná z obrázku č. 1, kde Dopplerovská filtrace probíhá napříč odběhy oproti přizpůsobené filtraci, která se provádí v rámci jednotlivých odběhů. Výsledně získaný signál je na obrázku 6. První tři odběhy, počet je dán počtem členů impulsové odezvy, jsou téměř shodné s odběhy v předchozím kroku (viz obr. 5). Obr. 6 Signál za MTI filtrem c. Řešení úkolu 3 Vzdálenosti a azimuty jednotlivých cílů byly odečteny z obrázku č. 7, v němž nejsou zobrazeny první tři odběhy. Hodnoty jsou následující: R1=31km =1,36 R2=54km =1,95 R3=87km =0,26 Výsledky korespondují se skutečnosti, že signál byl přijat ve vzdálenosti 10 km od radaru, která odpovídá slepé zóně, a nebylo tak nutné odečítat vzdálenost (9,045 km), kterou urazí puls během vyslání. 4. Závěr V rámci semestrální práce byl zpracován přijatý signál, pomocí něhož se daly určit základní parametry cílů jako vzdálenost a azimut (viz bod 3.c.). Ke zpracování byl využit výpočetní software Matlab, v němž byl vytvořen skript (viz příloha) simulující část blokového schématu z obrázku 2. Tvorba této práce přispěla k lepšímu pochopení dané problematiky.

6 Obr. 7 Dopplerovská filtrace - 3D zobrazení

7 Příloha skript z Matlabu % % % % Semestralka c. 1 - V. Dajcar % % % % % % % % % % % % %A2M37RSY% % % % % % % % % % clear all close all clear; load 'Cv05_Srec_Doppler' % % pv je pocet vzorku % % po je pocet odbehu [pv po]=size(s); % % % % Ukol 1 % % rychlost svetla v m/s c=3e8; % % rychlost svetla v km/s c1=3e5; % % slepa rychlost vb=c/2*fop/fc; % % impulzova odezva MTI filtru - dvojite potlaceni h1=[1-2 1]/4; % % vypocet freq. charky MTI filtru h=freqz(h1,1,500,'whole'); % % horizontalni osa - radialni rychlost rr=vb*(0:length(h)-1)/length(h); figure() hold on plot(rr,abs(h),'linewidth',4) plot(vb,0,'h red','markersize',10) title('amplitudova charakteristika MTI filtru'); xlabel('radialni rychlost [m/s]'); ylabel(' H [-]'); legend('amp. charka','slepa rychlost',2); % text(vb-2,0.02,'slepa rychlost \rightarrow','horizontalalignment','right','backgroundcolor','yellow') % % % % Ukol 2 % % delka vzorkovaci periody Tv=1/fv; % % urceni horizontalni osy - azimutu ve stupnich azimut=(0:po-1)*v_phi/fop; % % urceni vzdalenosti v km, prvni vzorek prijat v Rmin R=(0:pv-1)*c1/2*Tv+Rmin; % % komplexni sdruzeni repliky, vahovani Hamming. oknem s01=conj(s0).*hamming(length(s0)); % % komprese pulsu - Kompresor pulsu v blokovem schematu f=filter(-s01,1,s); % % Dopplerovska filtrace - viz blokove schema (MTI filtr) f1=filter(h1,1,f.').'; figure('name','pred kompresi') h=image(azimut,r,20*log10(abs(s))); set(get(h,'parent'),'ydir','normal'); %prevraceni osy y - nula dole title('amplituda vstupniho signalu - pred kompresi') xlabel('phi [ ]') ylabel('r [km]')

8 colorbar figure('name','prizpusobeny filtr') h=image(azimut,r,20*log10(abs(f))); set(get(h,'parent'),'ydir','normal'); %prevraceni osy y - nula dole title('signal po pruchodu filtrem') xlabel('phi [ ]') ylabel('r [km]') colorbar figure('name','dopplerovska filtrace') h=image(azimut,r,20*log10(abs(f1))); set(get(h,'parent'),'ydir','normal'); %prevraceni osy y - nula dole title('signal za MTI filtrem') xlabel('phi [ ]') ylabel('r [km]') colorbar figure('name','dopplerovska filtrace 3D') h=surf(azimut(length(h1):end),r,20*log10(abs(f1(:,length(h1):end)))); set(get(h,'parent'),'ydir','normal'); %prevraceni osy y - nula dole title('signal za MTI filtrem 3D') xlabel('phi [ ]') ylabel('r [km]') axis([min(azimut(length(h1):end)) max(azimut(length(h1):end)) min(r) max(r)]) colorbar