حذف نويز از نمايه هاي برد در رادارهاي با قدرت تفكيك بالا به روش نمايش تنك

noise rejection of range profile in high range resolution radar with SR method

امروزه نمايه‌ي برد براي تشخيص اهداف در رادارهاي با قدرت تفكيك بالا (HRRP)، به طور قابل ملاحظه‌اي مورد توجه واقع مي‌شوند. در عمل سيگنالهاي برگشتي از هدف، آميخته با نويز بوده و نمايه‌ي برد حاصل از برخورد سيگنال رادار به هدف را دچار اعوجاج كرده و كارآيي سيستم در تشخيص اهداف را تنزل مي‌دهد. نويز در نظر گرفته‌شده در اين مقاله به صورت نويز گوسي سفيد جمع شونده مي‌باشد و به معرفي يك روش جديد با عنوان نمايش سيگنال به صورت تنك پرداخته، كه در نهايت مي‌تواند عمليات حذف نويز را به خوبي انجام دهد. بحث اصلي به اين صورت مي‌باشد كه سيگنال برگشتي از هدف، به صورت تنك در نظر گرفته شده و ابتدا به حوزه فركانس رفته و سپس عمليات حذف نويز انجام مي‌گيرد. سطح نويز برگشتي، يك مسئله حياتي در ميزان كارآيي عمليات حذف نويز بوده، اما اغلب به صورت يك مسئله ناشناخته مي‌باشد كه با انجام روش زيرفضا بر روي جملات ماتريس همبستگي تخمين زده مي‌شود. سيستم پردازشگر با پردازش SW مي‌تواند تنها با يك بار مشاهده هدف، سطح نويز را تخمين بزند. با اين روش نه تنها كارآيي تخمين تضمين مي‌شود، بلكه از حساسيت نسبت به شيفت زماني نمايه ها نيز اجتناب مي‌گردد. نتايج تجربي نشان مي‌دهد كه روش پيشنهادي به طور موثري مي‌تواند نسبت سيگنال به نويز برگشتي را بهينه كرده و سيگنال حاصل را پس از اعمال الگوريتم، با كيفيت بالايي به گيرنده رادار تحويل‌دهد.

Radar high resolution range profile has attracted considerable attention in radar automatic target recognition. In practice, radar return is usually contaminated by noise, which results in profile distortion and recognition performance degradation. To deal with this problem, in this paper, a novel denoising method based on sparse representation is proposed to remove the Gaussian white additive noise. The return is sparsely described in the Fourier redundant dictionary and the denoising problem is described as a sparse representation model. Noise level of the return, which is crucial to the denoising performance but often unknown, is estimated by performing subspace method on the sliding subsequence correlation matrix. Sliding window process enables noise level estimation using only one observation sequence, not only guaranteeing estimation efficiency but also avoiding the influence of profile time-shift sensitivity. Experimental results show that the proposed method can effectively improve the signal-to-noise ratio of the return, leading to a high-quality profile.