پديد آورنده :
شمس الديني، علي
عنوان :
استفاده از مايكروداپلر سيگنال رادار به منظور تخمين پارامترهاي هدف و كلاس بندي اهداف
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
مخابرات سيستم
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
يازده، 91ص. : مصور، جدول، نمودار
استاد راهنما :
احسان يزديان
توصيفگر ها :
مايكروداپلر , تخمين , كلاس بندي , پهپاد , سيگنالينگ
استاد داور :
محمود مدرس هاشمي، محمد رضا تابان
تاريخ ورود اطلاعات :
1400/12/08
دانشكده :
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات :
1400/12/09
چكيده فارسي :
ا استفاده از پديده مايكروداپلر مي توان به خصوصيات اهداف آشكارسازي شده دست يافت. امضاء مايكروداپلر ناشي از خواص حركتي
هدف است، پس با استخراج آن مي توان اقدام به شناسايي مشخصات هدف و در نهايت شناسايي هدف نمود. منبع ايجاد مايكروداپلر در
اهداف مختلف متفاوت است. از جمله منابع مايكروداپلر مي توان به چرخش پره هاي هواپيماي بال ثابت، چرخش روتور بالگرد، پره هاي
پهباد، بال پرندگان، ارتعاشات موتور وسيله نقليه در حال حركت، چرخش آنتن روي كشتي، دست و پا انسان هنگام راه رفتن و... اشاره كرد.
با دريافت سيگنال حاوي مايكرو داپلر از رادار بايد پردازش مناسبي صورت گيرد تا امضاء و خصوصيات مايكروداپلر استخراج شود. بدين
منظور با استفاده از تبديل هاي زمان-فركانسي مناسب مي توان امضاء مايكروداپلر را بدست آورد و با استفاده از روش هاي مناسب خصوصيات
هدف را استخراج كرد.
در اين پژوهش سيگنال بازگشتي از اهداف داراي پره چرخان مدل سازي شده و پردازش هاي مناسب سيگنال مايكروداپلر شرح داده شده و با
استفاده از قسمت هاي حقيقي و موهومي سيگنال دريافتي بدون استفاده از تبديل هاي زمان فركانسي پارامترهاي ملخ چرخان را تخمين زده ايم.
همچنين نشان داده شده است كه با استفاده از تخمين گر LSE 1 با داشتن سيگنال مايكروداپلر در قسمتي از دوره تناوب مي توان پارامترهاي
هدف را با دقت مناسبي تخمين زد. همچنين روش هاي يادگيري ماشين براي كلاس بندي اهداف با استفاده از سيگنال مايكروداپلر توضيح
داده شده است. نهايتا با استفاده از داده واقعي سيگنال بازگشتي از ملخ چرخان، يك نمونه از كلاس بندي اهداف داراي ملخ چرخان با استفاده
از مايكروداپلر نشان داده شده است.
چكيده انگليسي :
Micro doppler signature of a target which have micro motions, can be employed to classify targets, and estimate
details of structure of the targets. This signature is usually extracted by using time-frequency transforms of the
received signal in the radar. When the target is a helicopter or drone with rotating blades, proper processing
can be performed to extract the characteristics of the blades such as length, rotation frequency and number of
blades, which can be used to determine the type of helicopter or drone. Since the time-frequency transform
and subsequent image processing, imposes a heavy computational load and requires large amount of memory,
in this dissertation we propose a low complexity method which does not need the time-frequency transform to
estimate the parameters of micro motion. In this method we use the real and imaginary parts of the received
signal from rotor blades to estimate the length and number of bales and frequency of rotation bales. The results
of computer simulations along with experimental results are provided to show the efficiency of the proposed
method. In the second work in dissertation we have introduced a method to estimate microdoppler parameters
over a fraction of the period.
Also we describe classification methods using machine learning and employing micro doppler signatures to
classify UAVs. Finally we classify the targets by gathering real data of different types of rotating blades using
TI’s mmwave mimo-radar.
استاد راهنما :
احسان يزديان
استاد داور :
محمود مدرس هاشمي، محمد رضا تابان
