微多普勒效应简介
本例介绍的在目标的雷达回波的微多普勒效应的基本概念，由于该目标的旋转。您可以使用微多普勒特征，以帮助识别目标。
介绍
由于多普勒效应，运动目标在雷达回波中引入频移。然而，由于大多数目标不是刚体，除了平台的运动之外，目标的不同部分通常还会有其他的振动和旋转。例如，当直升飞机飞行时，它的叶片会旋转，或者当一个人走路时，他们的手臂会自然摆动。这些微尺度的运动产生额外的多普勒位移，称为微多普勒效应，这对识别目标特征是有用的。这个例子展示了微多普勒效应的两个有用的应用。在第一个应用中，微多普勒特征被用来确定直升机的桨叶速度。在第二种应用中，利用微多普勒特征来识别汽车雷达回波中的行人。
直升机的估算叶片速度
考虑四个转子叶片直升机。假设雷达位于原点。指定直升机的位置为（500，0，500），其设置其距离以米为雷达和（60，0，0）米/秒的速度远。
radarpos = (0, 0, 0);radarvel = (0, 0, 0);tgtinitpos = (500; 0; 500);tgtvel = (60, 0, 0);tgtmotion = phased.Platform ('初始位置'，tgtinitpos，'速度'，tgtvel）;
在这个模拟中,直升机是由五个散射建模:四个叶片的旋转中心和技巧。旋转中心随直升机身体移动。每个叶尖与其相邻叶尖之间的距离为90度。叶片以每秒4转的恒定速度旋转。每个叶片的手臂的长度是6.5米。
Nblades = 4;bladeang =（0：Nblades-1）* 2 * PI / Nblades;bladelen = 6.5;bladerate = deg2rad（4 * 360）;% rps -> rad/秒
所有四种叶尖被假定为有相同的反射率，同时对于旋转中心的反射更强。
c = 3 e8;fc = 5 e9;helicop = phased.RadarTarget ('MeanRCS'[10 0.1 0.1 0.1 0.1]，'PropagationSpeed'，C，…'工作频率'、fc);
直升机回波模拟
假设雷达工作在5千兆赫，一个简单的脉冲。脉冲重复频率为20khz。为简单起见，假设信号在自由空间中传播。
FS = 1E6;PRF = 2E4;拉姆达= C / FC;WAV = phased.RectangularWaveform（'采样率'，FS，“脉冲宽度”，2E-6，脉冲重复频率的，PRF）;URA = phased.URA（'尺寸'4，'ElementSpacing'，λ-/ 2）;TX = phased.Transmitter;RX = phased.ReceiverPreamp;ENV = phased.FreeSpace（'PropagationSpeed'，C，'工作频率'，FC，…'TwoWayPropagation',真的,'采样率'，FS）;TXANT = phased.Radiator（'传感器'市建局，'PropagationSpeed'，C，'工作频率'、fc);RXANT = phased.Collector（'传感器'市建局，'PropagationSpeed'，C，'工作频率'、fc);
在每一个脉冲，直升机沿着它的轨迹移动。同时，刀片保持旋转，而叶片的尖端引入额外的位移和角速度。
NSampPerPulse = ROUND（FS / PRF）;硝石= 1E4;Y =络合物（零（NSampPerPulse，硝石））;RNG（2018）;对于m = 1时：硝石％更新直升机运动T =（M-1）/ PRF;[scatterpos，scattervel，scatterang] = helicopmotion（T，tgtmotion，bladeang，bladelen，bladerate）;%模拟回波x = txant (tx (wav ()), scatterang);发送％XT = ENV（X，radarpos，scatterpos，radarvel，scattervel）;％传播到从散射体/xt = helicop (xt);％反映XR = RX（RXANT（XT，scatterang））;收到％Y（：，M）=总和（XR，2）;％波束形成结束
该图显示了使用接收信号的前128脉冲的距离-多普勒响应。你可以看到三个返回的显示在目标范围约为700米。
rdresp = phased.RangeDopplerResponse ('PropagationSpeed'，C，'采样率'，FS，…'DopplerFFTLengthSource','属性','DopplerFFTLength'，128，'DopplerOutput','速度',…'工作频率'、fc);mfcoeff = getMatchedFilter (wav);plotResponse (rdresp, y (:, 1:128) mfcoeff);ylim (3000 [0])
虽然收益看，虽然他们来自不同的目标，它们实际上都来自同一个目标。该中心的回报是从旋转中心，并且远强相比其他两种收益。该强度是因为当相比于叶片末端的反射是从直升机体更强。该图显示的-40米/ s的速度为旋转中心。此值相匹配的目标径向速度的真相。
tgtpos = scatterpos（：，1）;tgtvel = scattervel（：，1）;tgtvel_truth = radialspeed（tgtpos，tgtvel，radarpos，radarvel）
tgtvel_truth = -43.6435
另外两个回报是技巧的叶片方法或离开时以最大速度的目标。从图中可以看出，两种进离检测对应的速度分别约为75 m/s和-160 m/s。
maxbladetipvel = [bladelen * bladerate; 0; 0];VTP = radialspeed（tgtpos，-maxbladetipvel + tgtvel，radarpos，radarvel）VTN = radialspeed（tgtpos，maxbladetipvel + tgtvel，radarpos，radarvel）
VTP = 75.1853 VTN = -162.4723
您可以通过进一步处理将这三个检测关联到同一个目标，但是这个主题超出了本示例的范围。
叶片回微多普勒分析
微多普勒效应的时频表示可以揭示更多的信息。此代码构造中检测到的目标范围段的时间 - 频率表示。
MF = phased.MatchedFilter（“系数”，mfcoeff）;YMF = MF（y）基[〜，ridx] = MAX（总和（ABS（YMF），2））;%通过峰值检测发现范围pspectrum（YMF（ridx，:)，PRF，的谱图)
该图显示了微多普勒调制引起的绕恒定的多普勒频移叶片尖端。图像表明，每个叶片尖端引入了正弦曲线状的多普勒调制。如在下面的图中所指出的，正弦曲线的每个周期内，有出现在相等的距离三个额外的正弦曲线。此外观表明直升机配备有四个等距间隔开的叶片。
汉诺= helperAnnotateMicroDopplerSpectrogram (gcf);
除了叶片的数量，图像还示出了每个正弦曲线，TR，的周期为约250毫秒。此值意味着刀片返回后250毫秒原来的位置。在这种情况下，直升机的角速度为约每秒4转，其相匹配的模拟参数。
Tp = 250 e - 3;bladerate_est = 1 / Tp
bladerate_est = 4
该图像还示出了尖端速度VT，其可从最大多普勒导出。最大多普勒是大约4kHz远离多普勒引入通过本体运动的恒定。计算所检测到的最大末端速度。
Vt_detect = dop2speed（4E3，C / FC）/ 2
Vt_detect = 120
该值是沿着径向方向的最大末端速度。以获得正确的最大末端速度，相对方位必须被考虑在内。因为叶片在一个圆圈纺丝，检测不会受到方位角。仅正确的仰角为最大末端速度的结果。
DOA = phased.MUSICEstimator2D（'SensorArray'市建局，'工作频率'，FC，…'PropagationSpeed'，C，'DOAOutputPort',真的,'ElevationScanAngles', 90:90);[~, ang_est] = doa (xr);Vt_est = Vt_detect / cosd (ang_est (2))
Vt_est = 164.0793
基于校正后的最大末端速度和叶片纺丝速率，计算叶片长度。
bladelen_est = Vt_est /（bladerate_est * 2 * PI）
bladelen_est = 6.5285
请注意，结果6.5米的仿真参数相匹配。如叶片的数量，叶片长度和叶片旋转速度的信息可以帮助确定直升机的模型。
在汽车雷达行人识别
考虑到一个自我的轿车，其FMCW机动车雷达系统，其带宽为250 MHz和24 GHz的运行。
BW = 250e6;FS = BW;FC = 24e9;TM = 1E-6;WAV = phased.FMCWWaveform（'采样率'，FS，'SWEEPTIME'，Tm值，…'SweepBandwidth'，BW）;
自我车在道路上行驶。一路上，有停在街边一辆车和一个人是走出后面的车。场景是如下图所示
基于这种设置，如果ego car不能识别行人的存在，就可能发生事故。
egocar_pos = [0; 0; 0];egocar_vel = [30 *3600分之1600; 0; 0];egocar = phased.Platform（'初始位置'egocar_pos,'速度'egocar_vel,…“OrientationAxesOutputPort”，真正）;parkedcar_pos = [39 -4; 0];parkedcar_vel = [0; 0; 0];parkedcar = phased.Platform（'初始位置'parkedcar_pos,'速度'，parkedcar_vel，…“OrientationAxesOutputPort”，真正）;parkedcar_tgt = phased.RadarTarget（'PropagationSpeed'，C，'工作频率'，FC，'MeanRCS'，10）;ped_pos = [40; -3; 0];ped_vel = [0; 1; 0];ped_heading = 90;ped_height = 1.8;PED = phased.BackscatterPedestrian（'初始位置'ped_pos,'InitialHeading'，ped_heading，…'PropagationSpeed'，C，'工作频率'，FC，'高度'，1.6，'WalkingSpeed'，1）;chan_ped = phased.FreeSpace（'PropagationSpeed'，C，'工作频率'，FC，…'TwoWayPropagation',真的,'采样率'，FS）;chan_pcar = phased.FreeSpace（'PropagationSpeed'，C，'工作频率'，FC，…'TwoWayPropagation',真的,'采样率'，FS）;TX = phased.Transmitter（'峰值功率'1，“获得”，25）;RX = phased.ReceiverPreamp（“获得”25岁的“噪声系数”，10）;
行人微多普勒提取
下图显示了随着时间的推移，从自我汽车的雷达产生的范围多普勒地图。因为停放的汽车比行人强得多的目标，行人容易通过在范围多普勒地图停放汽车阴影。其结果是，地图总是显示一个目标。
这意味着，传统的处理不能满足这种情况下，我们的需求。
当雷达信号中嵌入行人特征时，时频域的微多普勒效应可以很好地用于识别。作为示例，下面的部分模拟了2.5秒的雷达返回。
Tsamp = 0.001;npulse = 2500;xr =复杂(0(圆(fs * tm), npulse));xr_ped =复杂(0(圆(fs * tm), npulse));对于m = 1:npulse [pos_ego,vel_ego,ax_ego] = egocar(Tsamp);[pos_pcar, vel_pcar ax_pcar] = parkedcar (Tsamp);[pos_ped, vel_ped ax_ped] =移动(ped, Tsamp ped_heading);[~, angrt_ped] = rangeangle (pos_ego、pos_ped ax_ped);[~, angrt_pcar] = rangeangle (pos_ego、pos_pcar ax_pcar);x = tx (wav ());xt_ped = chan_ped (repmat (x 1大小(pos_ped, 2)), pos_ego, pos_ped, vel_ego, vel_ped);xt_pcar = chan_pcar (x, pos_ego pos_pcar、vel_ego vel_pcar);xt_ped =反映(ped, xt_ped angrt_ped);xt_pcar = parkedcar_tgt (xt_pcar); xr_ped(:,m) = rx(xt_ped); xr(:,m) = rx(xt_ped+xt_pcar);结束xd_ped =缀（解线调（xr_ped中，x））;XD =缀（解线调（XR，X））;
在模拟信号，xd_ped包含而只有行人的回报XD包含行人和停放的汽车都回报。如果我们只使用了行人的回归产生的频谱，我们得到如下图所示的曲线图。
CLF;谱图（总和（xd_ped），凯瑟（128,10），120,256,1 / TSAMP，“中心”的,“Y轴”);CLIM = GET（GCA，'CLIM');集（GCA，'CLIM'，CLIM（2）+ [ - 50 0]）
注意，手臂和腿的摆动在时域和频域产生了许多抛物线曲线。因此，这些特征可以用来确定场景中是否存在行人。
然而，当我们直接从总回报产生的频谱，我们得到如下图。
谱图（总和（XD），凯瑟（128,10），120,256,1 / TSAMP，“中心”的,“Y轴”);CLIM = GET（GCA，'CLIM');集（GCA，'CLIM'，CLIM（2）+ [ - 50 0]）
我们观察到的是，停放的汽车的回报继续称霸的回报，甚至在时频域。因此，时间频率响应仅示出了多普勒相对于所述停放的汽车。多普勒频率的下降是由于自我车越来越接近停放的汽车和相对速度朝着0下降。
要查看是否有隐藏在背后的强势回归回报，我们可以使用奇异值分解。下图显示的解线性调频脉冲的奇异值的分布。
[uxd, sxd vxd] =圣言(xd);clf情节(10 * log10(诊断接头(sxd)));包含('秩');ylabel (“奇异值”);保持上;情节（[56 56]，[ - 40 10]，'R--');情节（[100 100]，[ - 40 10]，'R--');情节（[110 110]，[ - 40 10]，'R--');-10年文本(25日“一个”);文本（75，-10，'B');文本（105，-10，'C');文本（175，-10，'d');
从曲线上，很明显，大约有四个区域。区域A表示的信号，这是停放汽车的最显著的贡献。区域d表示噪声。因此，区域B和C是由于停放的汽车返回和行人回报混合。因为从行人的回报比从停放的汽车返回弱得多。在区域B，它仍然可以从停放的汽车回归的残留物掩盖。因此，我们选择区域C来重建信号，然后再次绘制时间频率响应。
RK = 100：110;XDR = UXD（：，RK）* SXD（RK，：）*的VxD';CLF谱图（总和（XDR），凯瑟（128,10），120,256,1 / TSAMP，“中心”的,“Y轴”);CLIM = GET（GCA，'CLIM');集（GCA，'CLIM'，CLIM（2）+ [ - 50 0]）
当从汽车返回的信号成功过滤后，行人的微多普勒信号就出现了。因此，我们可以得出结论，现场有行人，并采取相应的行动，以避免事故。
概要
本例介绍的微多普勒效应，并显示其上的目标返回冲击的基本概念。它还示出了如何以提取微多普勒签名从所接收的I / Q信号，然后推导出从微多普勒信息相关目标参数。
参考
[1]陈，V. C.，微多普勒效应的雷达2011年，Artech House
[2]陈，五下，F.李，S.-S.Ho和H.韦氏，“微多普勒效应在雷达：现象，型号和仿真研究”，IEEE交易在航空航天和电子系统，第42卷，第1期，2006年1月
效用函数
功能helicopmotion模型直升机的多个散射体的运动。
功能[scatterpos，scattervel，scatterang] = helicopmotion（…吨，tgtmotion，BladeAng，ArmLength，BladeRate）PRF = 2E4;radarpos = (0, 0, 0);Nblades =尺寸（BladeAng，2）;[tgtpos，tgtvel] = tgtmotion（1 / PRF）;RotAng = BladeRate * T;scatterpos = [0 ArmLength * COS（+ RotAng BladeAng）; 0 ArmLength * SIN（+ RotAng BladeAng）;零（1，Nblades + 1）] + tgtpos;scattervel = [0 -BladeRate * ArmLength * SIN（+ RotAng BladeAng）;…0 BladeRate * ArmLength * COS（+ RotAng BladeAng）;零（1，Nblades + 1）] + tgtvel;[〜，scatterang] = rangeangle（scatterpos，radarpos）;结束
您还可以选择从下面的列表中的网站：
