1. 引言
雷达系统中存在干扰、强杂波、多路径等多种因素,信号在进行多目标检测时,会出现微弱目标被掩盖在较强的目标或者强杂波旁瓣中的情况 [1] 。所以雷达波形设计一般以降低旁瓣电平为主 [2] 。
在雷达波形设计中,典型的波形有线性调频波形、相位编码波形等,相位编码波形又分为多相编码序列和二相编码序列。多相编码序列也叫做单模序列 [3] 。常见的单模序列有Chu序列、Px序列、Frank序列、golomb序列等 [4] 。二相编码序列有m序列、Gold序列、Kasami序列等。对于非周期情况,两类序列都存在自相关旁瓣过高的缺点,但是单模序列Chu序列要比m序列的自相关旁瓣低,并且单模序列的相位自由度比m序列要高,设计性强。在进行雷达探测时,不易被侦察和识别,隐蔽性好。
在不同的主动传感应用中,需要设计具有良好自相关特性的序列。例如,在雷达和声纳系统中使用低自相关峰值旁瓣水平(peak-sidelobe-level, PSL)序列进行距离压缩,可以缓解强回波掩蔽弱目标的旁瓣问题 [5] [6] 。使用低自相关ISL序列可以减少接近感兴趣目标的分布式杂波返回的有害影响 [7] 。根据使用场景的不同,在许多领域都需要低周期或低非周期自相关旁瓣的序列。所以我们设计的目标是使序列的ISL或PSL尽可能低。
文献 [8] 通过代数构造,构造出巴克序列,它具有良好的非周期自相关性,但是长度不超过13,不适用于实际应用 [8] 。文献 [9] 中基于勒让德多项式和旋转构建了勒让德序列 [9] ,并且长度满足特定需求。然而,这些序列的长度并非任意可选,因为它们必须是质数。还有一些其他的构造序列,如鲁丁–夏皮罗序列 [10] 、雅克布序列 [11] 、Gold序列 [12] 。这些通过构造出来的低旁瓣序列,都存在着长度受限,多样性受限的问题。于是一部分学者通过算法来设计足够长度、多样性的良好非周期自相关序列。如文献 [13] 中通过穷举搜索最优的序列 [13] ,对于短长度的序列来说,搜索算法比较简便,但是搜索较长的序列,需要花费较多时间。文献 [14] 提出新循环算法即CAN算法,将现有的良好的单模序列进行初始化,经过算法迭代后,能优化该序列。因为使用快速傅里叶变换的方法来优化序列,所以计算效率高,能设计较长长度的序列,复杂度低,实现方便。但CAN算法收敛性不能保证,文献 [15] 中使用Golomb序列也存在局限性,长度只能为奇数。不能有效解决序列存在旁瓣过高,会造成微弱目标丢失的问题。
本文针对此问题,选取长度不受限制的单模非周期序列Chu序列作为优化对象,提出了基于快速傅里叶变换的新循环算法的单模非周期序列的方法,并改进了算法的收敛性,确保它在迭代过程中能稳定的收敛到最优解或局部最优解。该方法能有效降低单模非周期序列的旁瓣,提高优点因子以及弱目标的分辨能力。
2. 单模非周期序列
相位编码信号如下:
(1)
是相位编码序列,
是脉宽。实际传输的波形是由
的同相分量和正交分量组成的,其中
为载波频率。假设信号解调已经在接收端完成,所以在分析中,我们就忽略
。
为了避免非线性的副作用和最大化传输在系统中可用的功率,发射的相位编码序列为单模序列或者低峰均功率比的序列。
(2)
式(2)为相位编码序列表达式,对其施加单位模量约束,即
。满足这个条件的序列叫做单模序列。那么降低单模非周期序列的旁瓣的问题,实际上就是以最小化ISL为目标函数,单位模量为约束条件的优化问题。
是相位,二相编码序列的相位只有0或
两个取值,可以用二进制相位序列
表示,也可以用二进制序列
来代替。如巴克码、m序列、Gold序列等;巴克码副瓣均匀,具有良好的自相关性,但是长度限制在13;Gold序列长度限制在
,n为整数;m序列是周期自相关性比较好,但是缺乏多样性并且非周期自相关性不太好;多相编码序列的相位是
,相位范围更大,设计更具有自由度。如Frank序列、Px序列、Golomb序列、Chu序列等。
其中Chu序列表达式为
(3)
其中Q是与N互素的任意整数。Chu序列相比于Golomb序列和Frank序列,对于长度N的选择范围更广,所以在接下来的优化中,我们选择Chu序列作为优化对象。
3. 基于快速傅里叶变换的优化旁瓣算法
3.1. 优化目标函数
设
是长度为N的非周期离散序列,其自相关函数如下:
(4)
式(1)中,
是零时延的自相关函数,等于信号能量N,我们也称作主瓣。除去在零时延处的自相关函数外,其余的自相关函数,即
称为自相关旁瓣。但是旁瓣峰值过高,在检测目标时会造成多目标检测的丢失,以及弱目标的检测性能差等问题。所以我们要尽可能的降低旁瓣,也就是使
尽可能小。
在本文中我们专注于最小化ISL,其定义如下:
(5)
优点因子(merit factor, MF)与ISL成反比,定义
(6)
根据式(5),通过最小化ISL来设计具有良好自相关特性的序列。根据式(6),最小化ISL就相当于最大化MF。
为了更好的研究非周期序列的自相关性,我们用归一化非周期自相关函数来表示
(7)
3.2. 优化旁瓣算法
CAN算法是专门针对单模非周期序列的ISL问题所设计的算法 [14] 。其核心思想是基于快速傅里叶变换。
首先将时域上的自相关函数转化成频域上的表达,令
(8)
那么ISL可以写成 [15] :
(9)
其中
(10)
则ISL的优化问题可以表述为:
(11)
式(11)又近似等价于以下二次优化问题:
(12)
为了简化目标函数,将式(12)表示成矩阵形式:
(13)
所以最小化ISL问题就转化成当目标函数
最小时,求
的值的二次函数优化问题。此时的序列
就是优化后的序列。
其中
(14)
(15)
(16)
(17)
是
的离散傅里叶变换半酉矩阵。令
,则
是
的快速傅里叶变换矩阵。
为
的相位角,所以有
,计算出
的最小值。令
,则
是
的逆快速傅里叶变换。因为
,所以有
,可以通过该式计算序列的最小值
。
3.3. 改进后的优化旁瓣算法
CAN算法是通过交替优化
和
来求解式(13)。文献 [15] 中结束迭代的条件是满足
,
是第i次迭代后生成的序列,
是一个事先设置好的阈值。如10−3。然而,优化变量
的收敛性在理论上不能保证。我们的目标是最小化ISL,目标函数是
。如果使用
作为终止标准,则目标函数可能在满足所述终止标准之前就已经停止改变。所以我们将目标函数作为迭代结束的条件。接下来是证明其收敛性。
令
,
,
表示在i次迭代时
的值,我们有
(18)
计算
就是计算
。由于
在第i次迭代中已经储存。
是一个二范数,计算复杂度与
一样。以
作为终止准则,符合优化问题的目标(即降低目标函数的值),理论上保证了
的单调减小并且计算复杂度保持与原CAN算法不变。改进后的CAN算法步骤如下:
4. 数值结果与分析
4.1. 初始序列的选择
从图1可以看出,Chu序列的自相关函数旁瓣总体比m序列的自相关旁瓣要低很多,但是未被优化的Chu序列两端的旁瓣峰值距离主瓣的旁瓣也很高,很容易导致在目标检测时,相邻的目标不能被分辨以及小目标被掩盖在大目标下的问题 [3] 。所以我们选择对Chu序列进行优化,来降低其自相关旁瓣。
![](//html.hanspub.org/file/55-2623929x95_hanspub.png?20240606092154936)
Figure 1. The normalized aperiodic auto-correlation function
图1. 归一化非周期自相关函数
4.2. 对Chu序列用改进后的CAN算法进行优化
图2是长度为127的Chu序列和经过CAN算法优化后的Chu序列的NAAF,根据前文的公式(4),当
时,
,
。从图中可以看出k在零处,对应为主瓣,相应的剩下的部分为旁瓣。当k接近0和
时,Chu序列的自相关旁瓣比起其他旁瓣都要高,称作峰值旁瓣。经过CAN算法优化后的Chu序列在接近0和
时,其峰值旁瓣有了很明显的降低。Chu序列的峰值旁瓣为−27.8 dB,经过优化后的峰值旁瓣为−45.6 dB。从整体来看,经过CAN算法优化后的Chu序列的自相关旁瓣比Chu的自相关旁瓣都很大程度的降低了。有些地方的旁瓣都达到了−80 dB以下。
![](//html.hanspub.org/file/55-2623929x101_hanspub.png?20240606092154936)
Figure 2. The NAAF of the Chu and CAN(C) sequences
图2. 优化序列后的归一化非周期自相关函数
验证了改进后的CAN算法能够优化已有良好非周期单模序列的旁瓣。接下来用MF数值来进一步验证改进后的CAN算法能降低其旁瓣。
4.3. 优点因子比较
从图3可以很清晰的看出经过CAN算法优化Chu序列的优点因子比m序列、Chu序列、随机相位序列都要高。所以很容易观察到,CAN(C)序列比m序列或随机相位序列提供了更低的相关性旁瓣。随着长度的增加,优点因子也在不断的增加。在长度为
的Chu序列和CAN(C)序列的优点因子非常接近。通过表1,当长度为
时,CAN(C)的优点因子为1431.5,而未经优化的Chu序列的优点因子为142.15。在优点因子方面,CAN算法可以将优点因子提升了将近十倍。
![](//html.hanspub.org/file/55-2623929x104_hanspub.png?20240606092154936)
Figure 3. The merit factors of four types of sequences
图3. 四种序列的优点因子
4.4. 模糊函数对比
前文所提出的CAN算法能够降低Chu序列的自相关旁瓣,解决被旁瓣掩盖的弱目标问题。但是只考虑了固定目标,在实践中更多的是移动目标,所以在进行波形设计时,还要考虑多普勒频移问题。模糊函数是时延和多普勒频移的相关函数,其零多普勒切割就是序列的自相关函数。所以模糊函数可以看作是序列自相关函数的二维拓展。
![](//html.hanspub.org/file/55-2623929x115_hanspub.png?20240606092154936)
(a) (b)
Figure 4. Ambiguity function. (a) The AF of a length-127 Chu sequence; (b) The AF of a length-127 CAN(C) sequence
图4. 模糊函数。(a) 长度127的Chu序列模糊函数;(b)长度127的CAN(C)序列模糊函数
![](//html.hanspub.org/file/55-2623929x117_hanspub.png?20240606092154936)
(a) (b)
Figure 5. 2D-Ambiguity function. (a) The AF of a length-127 Chu sequence; (b) The AF of a length-127 CAN(C) sequence
图5. 2D模糊函数。(a) Chu序列的2D模糊函数;(b) CAN(C)序列的2D模糊函数
图4(a)是长度为127的Chu序列的模糊函数图,图4(b)是相同长度下用Chu序列进行优化后的序列模糊函数图。可以看出呈斜刃状,周围的相关旁瓣都有所降低。图5是2D的模糊函数图,用颜色的深浅来表示能量的高低。从图5中可以看出相比于未进行优化前的Chu序列,无论是主瓣还是旁瓣,它们的能量都较之前更为分散了,由密集的斜刃峰值变成了稀疏的斜刃峰值,也在一定程度上降低了旁瓣,验证了CAN算法的有效性。
5. 结论
提出了基于快速傅里叶变换的算法优化方法,并改进了算法的收敛性。改进后能优化现有的单模序列Chu序列,通过数值实验,发现经过优化后的Chu序列能够获得更高的优点因子,达到了优化的目的。最后的模糊函数图也进一步表明,由该算法优化后的序列,能获得较低的旁瓣,在一体化波形设计时,可以考虑使用其优化后的序列。