基于时频域分析的车载毫米波雷达干扰抑制方法

文中针对车载调频连续波雷达之间相互干扰导致虚警和漏警的问题,提出一种在时频域基于改进经验模式分解和自回归模型相结合的干扰抑制方法。该方法首先使用经验模式分解区分出拍频信号中干扰分量主导的低阶本征模态函数,将其转换到短时傅里叶变换域后通过全局阈值方法进行干扰分量定位;其次,在时频域根据定位信息将拍频信号包含干扰的数据置零;最后,使用自回归模型对拍频信号中缺失的有用信号进行估计并插值。通过仿真和实测结果显示,该方法在精确地去除干扰分量的同时可以减少有用信号的功率损失,干扰抑制后的信号与参考信号的相关系数达到0.9697。与现有干扰抑制技术相比文中方法也体现出更优的干扰抑制性能。

基于轻量化网络的车载雷达目标分类方法

针对现有车载毫米波雷达目标分类方法存在静止杂波干扰和网络模型复杂度高的问题,本文将Ghost模块和MobileNet相结合设计了G⁃MobileNet轻量化神经网络,并提出了一套完整的车载毫米波雷达目标分类流程。首先对雷达原始AD采样信号进行向量均值相消处理,滤除静止杂波,再进行二维快速傅里叶变换(FFT)得到目标的距离⁃多普勒(RD)图像,最后使用G⁃MobileNet对RD图像特征进行提取及分类得到分类结果。实测数据处理结果表明,所提方法能够消除静止杂波对多普勒特征产生的干扰,且分类网络模型复杂度低,在具有较高的分类准确率的同时节省了网络模型储存空间和运行网络所需内存。