Radar-Assisted无人机探测和识别基于物联网的5克

文摘

无人驾驶飞行器(无人机)具有广阔的应用潜力的物联网(物联网)由于其体积小,成本低,灵活的控制。目前,无人机的主要定位方法是使用GPS。然而,GPS定位可能受到强电磁信号从欺骗攻击。在这项研究中,基于5 g radar-assisted定位方法提出了毫米波段。5 g的端到端网络片,无人机可以发现和确定的转子通过部署5 g毫米波雷达。高分辨率剖面范围(HRRP)用于获取无人机位置检测区。微多普勒特征用于识别无人机和倒频谱方法用于无人机的数量和速度信息提取转子。正弦频率调制(SFM)参数优化方法用于分离多个无人机。该方法提供了无人机的数量信息,无人机的位置,转子的数量,以及每个转子的旋转速度。仿真结果表明,该雷达检测方法非常适合无人机探测和识别,并提供一个有效的无人机依赖gps方法跟踪。

1。介绍

无人机(UAV)的成熟技术和完善相关法律法规,无人机正越来越多地用于物联网的发展(物联网)。例如,无人机已经广泛应用于军事物联网、智能农业、智能城市地理空间信息获取和传递,传感器数据信息和控制信息。在智能农业、无人机系统是用来收集实时遥感数据精准农业。在这样的应用程序中,无人机系统需要精确定位从传感器获取的数据。在智能城市,几乎所有方面的城市与物联网相结合,一个任务,需要大量的数据传输。这个数据量需要大量的物联网数据传输基站。研究人员配备无人机与各种传感器,如高清摄像机,以及温度、湿度和空气污染传感器。此外,今天无人机配备高质量的无线通信功能,包括5 g Wifi,蓝牙,无线射频识别(RFID),和其他通信手段1]。这种类型的设备意味着无人机有非常重要的作用在物联网和空气可以作为移动基站,为地面用户提供可靠的下行和上行通信,从而提高无线网络的容量(2]。此外,无人机可以作为机载无线中继,以及信号助推器和移动节点的物联网和传感器网络3]。如果他们是作为可靠的空气基站,无人机需要精确定位。无人机的另一个应用程序是为产品交付,在这种情况下,必须不断监视无人机位置。在所有上述应用程序中,无人机的定位是非常重要的。然而,由于无人机的流动,在某些情况下,精确定位仍然是一个尚未解决的问题。特别是,高精度定位是非常重要的遥感和无人机的自动导航路标4]。如果不能准确定位,无人机无人机可能与对象或其他飞机相撞或可能欺骗,被俘,或干扰。

目前,无人机的定位技术主要是通过使用GPS系统,但对某些环境中该方法敏感。从理论上讲,系统只需要三个卫星获取定位数据,但在实践中,无人机需要与至少10颗卫星通信获得稳定的GPS系统。当飞行在室内,通过隧道,或密集的建筑领域,GPS信号不可靠和无人机定位基于GPS系统将造成困难5]。此外,如果无人机用于运输货物,如果罪犯想捕捉无人机,很难阻止这些攻击使用GPS系统。自民用GPS信号不加密,使用无人机定位系统的信号和数据结构在民用物联网是可以预测的。这个特点使得平民全球导航卫星系统(GNSS)信号简单的欺骗攻击的目标。此外,无人机捕捉后,罪犯可以控制捕获的无人机和飞离原来的飞行路线,而原来的控制源仍然出现正确接收数据和发送警报。这导致了巨大的风险使用无人机。许多不同的技术,协助无人机已经开发的定位,如视觉教具。然而,视觉辅助远程调查期间不可避免地容易漂移没有先验特征图和只适用于好天气和光照条件(6]。

在这项研究中,无人机的精确定位是通过radar-assisted无人机技术的探测和识别。方法防止传统的GPS定位技术与许多疾病有关,如室内GPS信号故障,卫星闭塞的地区,和GPS信号干扰。radar-assisted探测和识别方法在各种天气条件下工作的优点是能够提取附加功能的无人机由于微多普勒特性(7]。根据当前技术发展计划,5 g将采用前几代的无线解决方案(3 g和4 g)和引入新的mmWave技术承诺5 g基站不仅可以作为沟通网站5 g网络但还可以提供许多功能强大的雷达传感器设备网络,允许无人驾驶飞机在城市环境的检测(8- - - - - -10]。无人机飞行区域的背景通常是复杂的和其他飞机和鸟;因此,先进的杂波抑制和目标检测算法是必需的。目标检测后,确定检测到的目标是无人机及其分类标识。为了分类和识别,提取[无人机独有的几个特性11]。多普勒雷达的多普勒效应用于确定远处物体的速度和准确的测量可以获得目标速度的径向分量相对于雷达。加强频率波形(SFW)被用来产生一个高分辨率距离像(HRRP)的目标。用宽带多普勒雷达HRRP和多普勒信息可以获得目标的探测和识别无人机。

本文的其余部分组织如下。第二部分介绍了系统模型的物联网radar-assisted无人机定位方法。在第三部分中,散射模型建立了无人机和转子,转子式无人机HRRP的介绍,分析了无人机的微多普勒效应。倒频谱方法用于提取无人机的速度和转子的数量和描述的方法识别多个无人机。在第四部分,仿真结果和一维成像提供了两个无人机的多目标模型。无人机基于微多普勒信息的识别和提取方法提供转子的数量和速度。最后一节中提供的结论。

2。系统模型

5 g mmWave技术和分布式网络将促进小型无人机的雷达探测和识别。狭窄的可操纵的梁使基站作为毫米波雷达系统,基站能够检测和识别无人机在城市环境中12,13]。此外,通过端到端分裂技术,5 g网络提供了一个逻辑上隔离的虚拟私人网络分割为不同的服务实现手动flight-specific交通通道网络(14]。

模型检测和识别的无人机5 g网络如图1。检测网络渠道建立了无人机的5 g网络和建立了毫米波基站。毫米波电磁信号传播的基站和波束形成技术是用来减少杂波的干扰信号(15,16]。反射回波的目标是通过多路径反射,无人机的位置是通过数据处理中心(17,18]。及时准确的识别和定位实现。

2.1。Radar-Assisted探测和识别方法

的过程的流程图radar-assisted无人机的探测和识别图所示2。5 g毫米波雷达宽带信号传送到目标区域和接收目标反射的回波。HRRP提供目标检测区域的数量。单个目标的多普勒方法用于确定目标是无人机和倒频谱用于提取转子参数的无人机。多个目标的多普勒和倒频谱分析后,正弦频率调制(SFM)参数优化方法用于获取每个转子的位置,以便多个目标可以被分离和鉴定。

2.2。加强频率波形

高带宽,低延迟,和良好的波束形成5 g网络提供一个可靠依据决议,因为未来5 g mmWave系统不能只支持非常高的载波频率也更广泛的带宽(有效操作2 GHz)。更广泛的带宽促进无人机飞行密切形成的检测。SFW是一种5 g mmWave信号,产生一个HRRP目标。一个典型的SFW如图3;它由N窄带脉冲。从脉冲到脉冲频率是由一个固定的频率和每组了脉冲脉冲序列被称为(19]。

在一个脉冲宽度 ,第n个脉冲的传输信号中定义

在哪里是初始阶段的脉搏和是振幅不变。

目标的回波信号中定义

在哪里回波信号的振幅和吗是信号的回波延迟;表示为

在哪里光速和吗目标和雷达之间的距离在时间吗 。

正交相位探测器接收到的信号是分裂和进入混合器的两个同步检测器。在第一混频器,参考信号和接收信号混合和90°相移回波信号与参考信号的混合第二混频器。结合后的输出两个搅拌机和低通滤波,复杂的信号

如果我们假设目标的移动距离小于1距离分辨单元为每个组脉冲信号 表示为

逆离散傅里叶变换(IDFT)是

通过规范(19),(6)的收益率

这可以简化为

在哪里 。的顶峰出现在 。距离分辨率是c / (2 BW),其中BW是信号带宽。

2.3。微多普勒效应在雷达

在传统雷达应用,天线照亮目标微波信号和接收回波反射的目标。回波信号包含感兴趣的目标特征。例如,如果传输信号到达一个移动的目标,回波信号的载波频率的变化,这称为多普勒效应。多普勒频移反映了目标的移动速度。机械振动或转动结构的目标也会导致额外的返回雷达信号的频率变化;这就是所谓的微多普勒效应。微多普勒效应使我们能够确定附加属性的目标20.]。

在许多情况下,目标可能的一些组件旋转或振动除了主要目标翻译,如转子的扑翼无人机或一只鸟。旋转转子的运动动力学或翼frequency-modulate背散射信号,导致额外的多普勒频移的中心附近转化多普勒频移,这被称为微多普勒的转变。因此,微转移的目标可以被认为是一个独特的签名振动,旋转,或其他非均匀运动。微转移取决于信号波长,目标的振动或转速,雷达入射角的视线(LOS)相对于旋转或振动平面。反射的雷达信号最大的微多普勒雷达洛杉矶时平行转移到旋转或振动平面。当雷达在垂直于旋转或振动平面,反射信号的最小的微多普勒的转变。微转移已广泛用于目标分类与旋转或振动。

几乎所有的无人机至少有一个或多个旋转转子。例如,四驱无人机有两个转子顺时针旋转,两个逆时针绕垂直轴旋转。无人机可以垂直起飞,翱翔,飞向前,向后,横盘整理。等multirotor无人机无人机有六个或八个转子,转子集匹配,相反的方向旋转。因此,它可以检测和识别无人机通过转子的微多普勒效应。在这项研究中,我们提取基于微多普勒效应[无人机的特点21]。

3所示。无人机的检测和识别方法

3.1。散射模型与旋翼无人机

无人机是一个缓慢的小目标,可以简化为一个点目标在传统雷达;然而,由于我们计划确定无人机通过转子上的信息,我们必须开发一个模型的无人机旋翼与机身分离。图4显示了转子式无人机的散射模型。转子的中心之间的距离和雷达和雷达观测的仰角 。

机身散射的无人机可以获得的(4)。一个旋转点的旋转中心和一个旋转的速度 ,相对于雷达的位置可以表示为

回波信号可以被定义为

我们假设叶片长度L如图3。每个叶片可以被认为是一个统一的、严格的矩形板,由阵列的矩形面表面的散射中心的每个方面分配给它的提示。基带信号来自无人机的转子可以表示为

在哪里转子的总数,是每个转子的叶片数,代表的数量方面。

3.2。HRRP的转子式无人机

无人机的运动可分为两部分,即主体的无人机的运动和转子的旋转。由于一步扫描测量的时间是大约数百毫秒和无人机是一个小目标缓慢,其位移在一步扫描测量是微不足道的。因此,无人机可以被视为一个固定目标在一步扫描测量时间。在这项研究中,我们不考虑机身的运动。

很明显(12)回波信号形式的转子是一个SFM信号并根据以下方程可以扩展贝塞尔函数: 在哪里第一种是一个n阶贝塞尔函数。

扩大的IDFT旋翼回波信号基于情商。13)可以获得22]: 在哪里是频率偏移引起的转子中心的位置是微多普勒频率引起的转子速度,然后呢是贝塞尔系数。(获得的信号14)是一个叠加脉冲信号的振幅与一段时间的不同 ,这是一个comb-like函数的振幅调制。

根据贝塞尔函数的特点:

频域信号的能量产生分歧的效果。谐波振幅的大小是由贝塞尔函数调制的。根据卡森准则(23),谐波的数量

光谱的宽度扩大引起的转子的旋转(22]

旋转运动出现在HRRP的对称分布范围集中在机身的位置。当转子散射比机身小散射或略大于机身散射,转子的振幅在HRRP比机身振幅要小得多,因为转子旋转运动是贝塞尔级数展开后分散。为目的的检测、HRRP的转子旋转的影响可以忽略,无人机的位置信息可以直接通过阅读从机身的位置主要散射。在大多数情况下,机身散射散射大于转子和转子旋转的影响没有考虑获取无人机位置。

当转子散射散射比机身大得多,主体散射是淹没在距离谐波引起的转子的转动。在这种情况下,谐波造成的边界旋转可以估计和两个边界位置的中心位置可以用来估计目标位置。另外,下面描述的SFM参数优化方法可以用来弥补HRRP转子旋转的影响。

3.3。无人机识别

3.3.1。微多普勒效应与旋翼无人机

接收信号的多普勒频移可以表示为

微多普勒频移随时间的变化和联合时域分析方法是最直观的观察目标的微多普勒效应。短时傅里叶变换)[24)是一种常用的时域分析方法。STFT的基本过程是将长时间信号分解成短段相同的长度,计算每个短段上的傅里叶变换,可视化回波频率随时间的变化。

3.3.2。微多普勒参数提取算法

转子参数的提取,如转子的数量和速度,用来确定无人机的类型。对于单桨无人机,STFT可用于识别。multirotor无人机的微多普勒频率不同的转子叠加在一起,使目标难以解决,需要一种新的提取方法。

很明显(14)回波信号是叠加在不同振幅的脉冲信号在频域的时期。的周期信号与转子转速和转子的不同时期的不同的速度产生comb-like功能。转子的数量可以确定通过提取出许多不同的周期信号和每一个转子的转速估计无人机的提取信号的周期。

倒频谱是一种有效的方法应用于语音信号处理(25,26)定期检测的音高和现在也常用机械状态检测和故障诊断。在这项研究中,倒频谱是用于参数提取。通过将信号通过其共轭信号相乘,价值的微多普勒可以翻倍11),这有助于提供更好的周期信号提取。我们设置来

进行傅里叶变换和结果表示为 。 可以被视为一个梳子函数这是乘以某种形式的调幅 。的结果如图5。

通过计算对数谱、乘法关系梳理功能和振幅调制转换为求和。然后,进行傅里叶反变换和振幅的平方是用于获得的倒频谱函数。

具体的方程如下:

倒频谱域如图6;被调函数是一个非周期的函数的峰值出现在倒频谱和零价值作为峰值出现在其周期频率。通过使用一个高通滤波器的影响可以删除和旋转的无人机。

3.4。估计Multi-UAV位置

转子旋转扩大了HRRP的距离。如果两个目标之间的距离足够大,这样他们就可以被分离HRRP的每一个目标都可以单独处理,以确定无人机。如果目标之间的距离很小,由于距离由旋转扩张,一个multi-SFM基于参数优化的信号分离方法用于补偿旋转运动。

3.4.1。基于参数优化的Multi-SFM信号分离

我们离散化(12):

表1显示了简化变量(21):

方程(21)的形式可以表示多个sfm:

未知的参数(22)包括中心频率 ,频率调制系数 ,调制周期 ,SFM信号的初始阶段 ,调频信号的初始阶段 ,和振幅 。 与目标位置的估计,因此我们主要关注吗从不同的信号。参数估计的参数估计顺序优化方法 。

调制期间可以获得信号的倒频谱方法,不会这里描述。

(一)调制周期的估计 。

(b)估计的初始阶段和频率调制的因素 。

我们假设 , 。最初的估计价值 , 。参考信号可以表示为

方程(23)乘以(22):

对于第i个SFM组件,

(c)的估计 :当 ,信号的频谱是集中在一个乐队的宽度 。当 ,旋转运动补偿。原始信号变得

快速傅里叶变换(FFT)上执行(26);相对应的位置转换后的最大价值 ,可以表示为哪一个

3.4.2。转子位置估计

近距离的multi-UAVs识别的步骤使用SFM参数优化方法如下:

(一)倒频谱方法用于计算每个旋转的旋转周期的目标。

(b)因为机身散射会影响SFM参数优化方法,主题散射的影响必须被移除之前使用SFM参数优化方法。首先,两个后续帧信号的测量和互相减去取消机身散射。第二,HRRP用于确定转子散射的最大值。最后,最大的值设置一个阈值。如果单帧HRRP大于阈值,单一信号设置为减去HRRP的平均值。

(c) SFM参数优化方法用于转子的旋转时间步中获得()来确定自己的立场。

4所示。模拟

4.1。仿真模型

图7展示了一个示意性的仿真模型。在观测区域有三个目标,即:,a quad-rotor UAV at a distance of 300 m from the radar, a non-UAV target 800 m from the radar, and a single-rotor UAV 850 m from the radar. The rotor length of the quad-rotor UAV is 0.12 m and the rotational speeds are 158 r/s, 150 r/s, 142 r/s, and 139 r/s, respectively. The rotor length of the single-rotor UAV is 0.15 m and the rotational speed is 88 r/s. The parameters of the radar are as follows: starting frequency= 25 GHz, 5 g带;信号带宽BW = 500 MHz,分辨单元0.3米;采样点N = 8001;脉冲重复频率= 150千赫。

4.2。仿真结果

HRRP的回波信号如图8。三个检测到目标的距离300米,799.2米和850.2米的雷达。目标2和HRRP目标3不能分开,因为他们是在近距离和分析作为一个目标。SFM优化方法可以用来确定无人机的位置。目标1是远离目标2和目标3。因此,目标1的时域回波信号可以被分离和鉴定通过使用distance-domain窗口和FFT。

4.2.1。准备识别目标1

图9显示了结果目标的微多普勒特征1。可以推断出,目标1是一个转子式无人机。由于步进频率的存在,回波信号显示为一个固定的频率值不随时间变化的时频图像。转子所造成的微多普勒频率的变化随着时间的推移呈现正弦。的差异在不同时刻的振幅微多普勒是由于转子的不同贡献散射回声在不同雷达观测角度。

在这一目标有多个转子;因此,微多普勒信号是别名和无人机的类型参数转子不能直接获得。倒频谱方法用于确定转子类型。

图10显示了倒频谱提取的结果。可以看出,目标1和4旋翼无人机。转子的旋转速度是157.9 r / s, 150.0 r / s, r / s 142.0和138.9 r / s。倒频谱方法获得的速度几乎是一样的预先确定的转子速度。

为了验证倒频谱方法的鲁棒性,噪声与不同的信噪比(信噪比)被添加到目标1的回波信号。图11显示仿真结果与信噪比= 5,信噪比= 0,和信噪比= 5。很明显从图11添加噪声后,相对应的峰值位置的能量旋转的转子是略低。然而,仍有显著差异转子之间的价值观和其他职位的价值和添加噪声没有影响的识别转子和转速的数量。

4.2.2。识别目标2和目标3

分析了目标2和目标3为一个单一的目标。图12显示了两个目标的微多普勒特征。

如图12,有一个转子为目标2和目标3。图13表明,转子的转速倒频谱方法获得的88 r / s。

单转子的位置估计的SFM参数优化方法两个目标体散射后删除。估计结果如图14。三个目标检测区域的参数如表所示2。

表2显示了良好的精度检测的无人机及其位置。图15显示了一个比较的无人机预定路线基于GNSS信号和实际路线基于雷达跟踪。在GNSS欺骗攻击的情况下,捕获的无人机飞离预定路线,但原始控制源没有提醒,因为它收到来自攻击者的数据似乎是正确的。在这种情况下,radar-assisted探测和识别方法可以用于无人机独立于GNSS信号的实时监控;之间的偏差的实际路线,预定的路线可以确定,可以发送警报。很明显,有一个相当大的偏差的gps位置和雷达之间的位置。后一种方法提供了无人机的精确定位和允许有效监测物联网的无人机。

5。结论

在这篇文章中,一个radar-assisted无人机探测和识别方法,提出了一种GPS系统无关。宽带雷达HRRP技术被用于无人机探测和定位和微多普勒信号,它能够检测旋转目标,用于无人机识别。倒频谱分析提取的数量和无人机转子的旋转速度。仿真结果证明了该方法的鲁棒性好。SFM参数优化算法被用来补偿旋转运动和估计转子位置;两个无人机HRRP的混叠信号分离有效使用该方法。仿真结果表明,该无人机可以识别和无人机的数量,每个无人机的转子,转子的旋转速度可以确定。此外,该radar-assisted无人机探测和识别方法可以提供警告如果无人机在GNSS欺骗攻击偏离航线。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. a . Fotouhi m·丁·m·哈桑,“理解自主飞行的无人驾驶飞机机动性对于物联网的应用程序,”诉讼18 IEEE国际研讨会的一个无线的世界里,移动和多媒体网络,WoWMoM 20172017年6月,IEEE,中国,。视图:谷歌学术搜索
2. m . Mozaffari w•萨阿德·m·班尼斯和m . Debbah”移动无人机(uav)节能的物联网通信,”IEEE无线通信,16卷,不。11日,第7589 - 7574页,2017年。视图:出版商的网站|谷歌学术搜索
3. a Giyenko y。曹,“智能无人机使用物联网、智能城市”学报》第16届国际会议控制、自动化和系统,ICCAS 2016IEEE,页207 - 210年,韩国,2016年。视图:谷歌学术搜索
4. m·里克·t·福斯特把,j . Geipel和t .普林茨”无人机系统的高精度定位和实时数据处理,”ISPRS -国际档案的摄影测量、遥感和空间信息科学,38卷,不。1,货号。C22, 119 - 124年,2011页。视图:出版商的网站|谷歌学术搜索
5. v . m . Sineglazov和e . v . Daskal内部IEEE 802.15.4 / zigbee无线网络提供服务作为无人机导航系统的基础,“电子设备和控制系统,卷2,不。52岁,20 - 24,2017页。视图:出版商的网站|谷歌学术搜索
6. a . j . kern d·p·谢泼德j·a·巴蒂和t·e·汉弗莱斯”无人机捕捉和控制通过GPS欺骗,”《机器人技术领域没有,卷。31日。4、617 - 636年,2014页。视图:出版商的网站|谷歌学术搜索
7. 诉陈,李f、s。Ho和h .韦氏微多普勒效应在雷达:现象、模型和仿真研究中,“IEEE航空航天和电子系统,42卷,不。1,2-21,2006页。视图:出版商的网站|谷歌学术搜索
8. d . Solomitckii m . Gapeyenko诉Semkin, s .安德列夫和y Koucheryavy”在5 g毫米波技术有效的业余无人机检测细胞的基础设施,”IEEE通讯杂志卷,56号1,43-50,2018页。视图:出版商的网站|谷歌学术搜索
9. 汉族,y黄,w•孟李c, n .徐和d·陈,“最佳功率分配scma下行系统基于最大容量,”IEEE通信,卷67,不。2、1480 - 1489年,2019页。视图:出版商的网站|谷歌学术搜索
10. 汉族,y, w•孟和h·陈,“Self-interference-cancelation-based SLNR预编码设计为全双工relay-assisted系统,”IEEE车辆技术,卷67,不。9日,第8262 - 8249页,2018年。视图:出版商的网站|谷歌学术搜索
11. j·马丁内斯,d . Kopyto m·舒兹,m . Vossiek“卷积神经网络辅助检测和定位的无人机窄带多站点雷达”学报2018年IEEE MTT-S国际会议为智能移动微波,ICMIM 2018,IEEE,德国,2018年4月。视图:谷歌学术搜索
12. t . y . Wang菲尔普斯,k . Kibaroglu m . Sayginer问:妈,和通用Rebeiz”28 GHz 5 g为无人机检测和汽车流量监控雷达相控阵,建设”《2018年IEEE / MTT-S国际微波研讨会- IMSIEEE,页895 - 898年,费城,宾夕法尼亚州,美国,2018年。视图:出版商的网站|谷歌学术搜索
13. 美国太阳,m . Kadoch l .锣,b .荣”集成网络功能虚拟化和特别提款权SDN 4 g / 5 g网络,”IEEE网络卷,29号3,54-59,2015页。视图:出版商的网站|谷歌学术搜索
14. t·杨,j .赵t .香港w . Chen和傅x,“旋翼无人机的自动识别技术是基于5 g网络架构,”学报2018年IEEE国际会议上网络、体系结构和存储(NAS),页1 - 9,IEEE 2018。视图:出版商的网站|谷歌学术搜索
15. 汉族,徐,w•孟和c·李,“敏捷保密传输策略结合大数据驱动的集群和票据,”IEEE车辆技术,卷66,不。11日,第10270 - 10259页,2017年。视图:出版商的网站|谷歌学术搜索
16. 荣,y钱,k, h . Chen和m . Guizani“呼叫允许控制优化在WiMAX网络,”IEEE车辆技术卷,57号4、2509 - 2522年,2008页。视图:出版商的网站|谷歌学术搜索
17. 汉族,s .徐、w·孟和c·李”Dense-device-enabled合作网络高效、安全的传输,”IEEE网络,32卷,不。2、100 - 106年,2018页。视图:出版商的网站|谷歌学术搜索
18. y, b .荣、k . Salehian和g . Gagnon“云传播:一个新的频谱复用友好数字地面电视广播传输系统”IEEE广播,卷。58岁的没有。3、329 - 337年,2012页。视图:出版商的网站|谷歌学术搜索
19. b . r . Mahafza使用MATLAB雷达系统分析和设计查普曼和大厅/ CRC,第二版,2005年版。视图:MathSciNet
20. s s v c . Chen f . Li Ho和h .韦氏,“分析的微多普勒特征,”IEEE Proceedings-Radar、声纳和导航,卷150,不。4、271 - 276年,2003页。视图:谷歌学术搜索
21. m .剑、z Lu和v c . Chen”试验研究无人机的雷达微多普勒特征,”学报2017年IEEE雷达会议,RadarConf 2017美国IEEE,页0854 - 0857,2017年5月。视图:谷歌学术搜索
22. g·e·史密斯、k·伍德布里奇和c·j·贝克”雷达微多普勒特征分类使用动态时间扭曲”,IEEE航空航天和电子系统,46卷,不。3、1078 - 1096年,2010页。视图:出版商的网站|谷歌学术搜索
23. c、x山、w .王东进和l .王卫东“范围在线性FMCW雷达的性能分析,”ICMMT学报》2000。2000年第二届国际会议上微波和毫米波技术程序(猫。00 ex364)IEEE,页654 - 657年,北京,中国,2000。视图:出版商的网站|谷歌学术搜索
24. s . y . Wang霁,h .徐,“基于STFT,非平稳信号处理”学报》2007年第八届国际会议在电子测量和仪器,ICEMIIEEE,页3301 - 3304年,中国,2007年8月。视图:谷歌学术搜索
25. h·k·金和r . c .玫瑰,“Cepstrum-domain声学特征补偿基于语音和噪声分解的asr在嘈杂的环境中,“IEEE音频、语音和语言处理,11卷,不。5,435 - 446年,2003页。视图:出版商的网站|谷歌学术搜索
26. s . Furui”非特定人孤立词识别语音频谱的使用动态特性,”IEEE信号处理,34卷,不。1,52-59,1986页。视图:出版商的网站|谷歌学术搜索

版权

版权©2019年精诚赵等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。