آمار

تعداد نشریات36
تعداد شماره‌ها1,208
تعداد مقالات8,740
تعداد مشاهده مقاله7,269,535
تعداد دریافت فایل اصل مقاله4,252,771
آقابابایی, محمدحسن, صباحی, محمدفرزان, فروزان, امیررضا. (1395). آشکارسازی اهداف متحرک در رادارهای فرکانس‌پله‌ای با استفاده از حسگری فشرده. پدافند الکترونیکی و سایبری, 4(3), 15-31.
محمدحسن آقابابایی; محمدفرزان صباحی; امیررضا فروزان. "آشکارسازی اهداف متحرک در رادارهای فرکانس‌پله‌ای با استفاده از حسگری فشرده". پدافند الکترونیکی و سایبری, 4, 3, 1395, 15-31.
آقابابایی, محمدحسن, صباحی, محمدفرزان, فروزان, امیررضا. (1395). 'آشکارسازی اهداف متحرک در رادارهای فرکانس‌پله‌ای با استفاده از حسگری فشرده', پدافند الکترونیکی و سایبری, 4(3), pp. 15-31.
آقابابایی, محمدحسن, صباحی, محمدفرزان, فروزان, امیررضا. آشکارسازی اهداف متحرک در رادارهای فرکانس‌پله‌ای با استفاده از حسگری فشرده. پدافند الکترونیکی و سایبری, 1395; 4(3): 15-31.

آشکارسازی اهداف متحرک در رادارهای فرکانس‌پله‌ای با استفاده از حسگری فشرده

رادار
مقاله 2، دوره 4، شماره 3، آبان 1395، صفحه 15-31    اصل مقاله (1.33 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
محمدحسن آقابابایی1؛ محمدفرزان صباحی* 2؛ امیررضا فروزان1
1اصفهان
2دانشگاه اصفهان
تاریخ دریافت: 14 خرداد 1394،  تاریخ بازنگری: 02 بهمن 1402،  تاریخ پذیرش: 28 شهریور 1397 
چکیده
رادارهای فرکانس پله‌ای به‌دلیل تامین قدرت تفکیک بُرد بالا از اهمیت ویژه‌ای برخوردار هستند. روش مرسوم پردازش در این رادارها استفاده ازمعکوس تبدیل فوریه سریع یاIDFT است. این روش برای تشخیص اهداف متحرک با مشکل انتقال و گستردگی بُرد روبروست که باعث کم شدن دامنه هدف، از دست دادن دقت فاصله سنجی و کاهش قدرت تفکیک بُرد می‌شود. برای غلبه بر این مشکل در این رادارها از روش خنثی‌سازی سرعت استفاده می‌شود. از آنجاکه سرعت هدف نامشخص است مجبوریم سیگنال دریافتی را به‌ازای تمام سرعت‌های ممکن خنثی کنیم و سپس سیگنالی که بزرگترین و تیزترین خروجی IDFT را می‌دهد انتخاب کنیم. در این مقاله با استفاده از ایده‌های حسگری فشرده، روشی جدید برای استخراج بُرد و سرعت اهداف در رادارهای فرکانس پله‌ای ارائه می‌شود. نتایج به‌دست‌آمده نشان می‌دهد که روش ارائه‌شده مشکل انتقال و گستردگی بُرد را ندارد و همچنین کارایی آن از روش‌های دیگر مبتنی بر حسگری فشرده بهتر است. مفهوم پردازش همدوس را نیز در رادارهای حسگری فشرده مورد بررسی قرار می‌دهیم. شبیه‌سازی‌ها نشان می‌دهد که می‌توان با استفاده از پردازش همدوس، کارایی آشکارسازهای راداری مبتنی بر حسگری فشرده را به‌طور قابل توجهی بهبود بخشید.
کلیدواژه‌ها
حسگری فشرده؛ رادار فرکانس پله ای؛ قدرت تفکیک بالا
عنوان مقاله [English]
Moving Target Detection in Stepped Frequency Radars using Compressive Sensing
نویسندگان [English]
Mohammad Hassan Aghababaei1؛ Mohammad Farzan Sabahi2؛ Amir Reza Forouzan1
چکیده [English]
Stepped frequency radars attract many attentions due to their high range resolution.
Conventional processing technique in these radars is based on the IDFT. In detecting moving
targets, the IDFT has the problems of range shifting and range spreading, which result in
degrading target amplitude, loss of range accuracy and range resolution. To overcome these
problems, the velocity compensation method is used. Since the target velocity is unknown, one
should compensate the received signal with all possible velocities and choose the one with the
highest and sharpest IDFT output. In this paper, by using the compressive sensing based
algorithms, a new method for determining the range and the velocity of moving targets in the
stepped frequency radar is proposed. The results show that the proposed method does not have
any problem with range shifting and range spreading, and has a better performance compared
with other methods in literature. Coherent processing concept is also investigated. Simulations
show that using the coherent processing, the performance of compressive sensing based radar
detectors is considerably improved. 
کلیدواژه‌ها [English]
Compressive Sensing, Stepped Frequency Radar, High Resolution Radar
مراجع
  1. J. D. Taylor, “Ultra-Wideband Radar Technology”; Press: CRC, 2001.
  2. R.Mohseni, R.Mansori, “Moving Target Detection in Stepped Frequency Radar Using DCFT, ” Journal of Radar, Vol.2 , No.1 , pp.1-9 , 2014.(in Persian)
  3. E. Cand`es, T. Tao, “Near Optimal Signal Recovery from n Random Projections: Universal Encoding Strategies?,” IEEE Transactions on Information Theory, vol. 52, no. 12, pp. 5406 – 5425, 2006. [4] D. L. Donoho, “Compressed Sensing,” IEEE Transactions on Information Theory, vol. 52, no. 4, pp. 1289 - 1306, 2006. [5] R. G. Baraniuk, “Compressive Sensing,” IEEE Signal Processing Magazine, vol. 24, no. 4, pp. 118 - 121, 2007.
  4. R. G. Baraniuk, T. P. H. Steeghs, “Compressive Radar Imaging”, In Proc. of IEEE Conf. on Radar. 2007, 128–133.
  5. M. A. Herman, T. Strohmer, “High-Resolution Radar Via Compressed Sensing,” IEEE Transactions on Signal Processing, vol. 57, no. 6, pp. 2275 - 2284, 2009. [8] Y. Wang, G. Leus, A. Pandharipande, “Direction Estimation Using Compressive Sampling Array Processing”, In Proc.of 15th IEEE Workshop on Statistical Signal Process. 2009, 626-629.
  6. J. H. G. Ender, “On Compressive Sensing Applied to Radar,” Elsevier Journal of Signal Processing, vol. 90, no. 5, pp. 1402 - 1414, 2010.
  7. S. Shah, Y. Yu, A. Petropulu, “Step-Frequency Radar with Compressive Sampling SFR-CS”, In Proc. of the 35th Int. Conf. on Acoustics Speech and Signal Proc. 2010, 0886-0889.
  8. L. Anitori, A. Maleki, M. Otten, “Design and Analysis of Compressed Sensing Radar Detectors,” IEEE Transactions on Signal Processing, vol. 61, no. 4, pp. 813 - 827, 2013.
  9. Y. Yu, A. P. Petropulu, H. V. Poor, “CSSF MIMO Radar: Compressive-Sensing and Step-Frequency Based MIMO radar,” IEEE Transactions on Aerospace and Electronic Systems, vol. 48, no. 2, pp. 1490 - 1504, 2012.
  10. L. Anitori, M. Otten, P. Hoogeboom, “Detection Performance of Compressive Sensing Applied to Radar”, In Proc. of IEEE Conf.on Radar. 2011, 200-205.
  11. E. Cand`es, J. Romberg, T. Tao, “Stable Signal Recovery from Incomplete and Inaccurate Measurements,” Communications on Pure and Applied Mathematics, vol. 59, no. 8, pp. 1207 - 1223, 2006.
  12. E. Candes, T. Tao, “The Dantzig Selector: Statistical Estimation when p is Much Larger than n,” The Annals of Statistics, vol. 35, no. 6 , pp. 2313-2351, 2007.
  13. S. S. Chen, D. L. Donoho, M. A. Saunders, “Atomic Decomposition by Basis Pursuit,” SIAM Journal on Scientific Computing, vol. 20, no. 1, pp. 33-61, 1998.
  14. E. J. Candes, T. Tao, “Decoding by Linear Programming,” IEEE Transactions on Information Theory, vol. 51, no. 12, pp. 4203–4215, 2005.
  15. D. L. Donoho, M. Elad, “Maximal Sparsity Representation via Minimization,” Proceedings of National Academy of Sciences USA, vol. 100, no. 5, pp. 2197–2202, 2003.
  16. R. A. Horn, C. R. Johnson, “Matrix Analysis”; Cambridge Univ. Press: Cambridge, 1985.
آمار
تعداد مشاهده مقاله: 666
تعداد دریافت فایل اصل مقاله: 202