从海杂波中提取无人机信号：一种自相关引导的循环谱融合滤波方法

《Remote Sensing》：Extracting UAV Signatures from Sea Clutter: An Autocorrelation-Guided Cyclic Spectral Fusion Filtering Approach

　　

在无人机（UAV）目标感知应用于复杂海洋环境时，无人机雷达回波显著的循环平稳性（cyclostationarity）使其非常适合通过循环谱分析（cyclic spectral analysis）提取特征。该方法将信号投影到循环频率（cyclic frequency）维度，利用无人机微振动（micro-vibration）的周期性与海杂波（sea clutter）的非周期性随机性之间的根本差异，实现无人机目标特征的有效、可靠提取。然而，海杂波背景常常掩盖无人机信号，使得快速识别循环谱分析的目标处理单元变得困难。自相关处理（autocorrelation processing）擅长快速滤除回波信号中的非周期性分量，从而保留和增强周期性分量。它利用相邻脉冲之间的相关性来抑制慢速杂波（slow clutter）并增强运动目标的回波，从而为循环谱分析建立目标距离范围。受此启发，研究人员在本文中首先提出了一种新方法，创新性地采用自相关引导的循环谱融合滤波（autocorrelation-guided cyclic spectral fusion filtering），有效缓解了强海杂波背景的短时相干性（short-term coherence）和非平稳性（non-stationarity）特性。基于实测强海杂波背景的相应结果表明，所提方法有效抑制了海杂波，并可靠地从其他海上目标中提取出无人机目标信号。与经典的动目标显示（MTI）和奇异值分解（SVD）方法及其级联处理相比，所提方法在各种输入信杂噪比（SCNR）条件下均获得了更高的增益，展现了广泛的适用性和优异的检测性能。

### 论文解读：基于自相关引导循环谱融合滤波的海杂波中无人机信号提取方法

#### 1. 研究背景与问题

近年来，无人机技术快速发展，在军事和民用领域广泛应用，但其带来的“黑飞”、安全威胁和隐私泄露等问题日益突出，对低空空域管理和公共安全构成挑战。有效检测和识别无人机成为迫切需求。无人机具有“低、慢、小”的物理特性：低空飞行易被地形遮挡，低速运动导致多普勒频移微弱，小雷达散射截面（RCS）使回波信号极弱。当检测场景扩展到海面时，海杂波——由粗糙海面后向散射产生的强干扰信号——成为限制雷达检测性能的主要瓶颈。海表面具有动态、分形和粗糙特性，其散射机制复杂，导致海杂波呈现显著的非平稳性、非高斯性和非线性（即“三非”特性）。目前尚无通用精确模型能完整描述这些特性。对于飞越海面的“低、慢、小”无人机目标，其低速运动引起的微多普勒（m-D）效应极易被宽频谱、高能量且时变的海杂波掩盖，导致信号杂波比严重恶化。因此，深入研究并有效抑制海杂波是提升海洋环境下无人机检测能力的关键。

#### 2. 研究内容与结论

针对上述问题，本研究提出了一种自相关引导的循环谱融合滤波方法。该方法首先利用自相关处理快速筛选出周期性成分，确定目标候选距离单元；然后通过循环谱分析将信号投影到循环频率域，利用无人机旋转叶片产生的循环平稳性与海杂波非周期性随机性的差异，实现目标特征提取。实验采用实测海杂波数据（来自海军航空大学在烟台养马岛海域，使用X波段固态全相参雷达采集，包含浮标与岛屿、快艇两类背景）与基于多层级快速多极子方法（MLFMM）计算的无人机RCS仿真数据进行物理融合，构建了海杂波背景下的无人机雷达回波。通过与经典动目标显示（MTI）、奇异值分解（SVD）及其级联方法在多种输入信杂噪比（SCNR）条件下的性能对比，所提方法在整个动态范围内均获得了更高的输出SCNR和SCNR增益，尤其是在低SCNR强杂波环境下优势显著。在不同海况场景的验证中，该方法成功从海杂波中分离并增强了无人机回波，同时抑制了浮标、岛屿和快艇等非周期性目标的干扰，提取的循环谱特征（如叶片旋转频率约15-18 Hz、多普勒频移）与理论值吻合，有效区分了无人机与其他海上目标。论文发表在《Remote Sensing》。

#### 3. 关键技术方法概述

研究采用以下主要关键技术：
- **多层级快速多极子方法（MLFMM）**：用于精确计算无人机三维模型的RCS，获取机身和叶片的散射场振幅与相位模式。
- **系统定标方法**：基于雷达方程和实测校准目标（不锈钢球）推导系统定标因子，建立仿真信号幅度与实测接收电压之间的定量映射，实现仿真与实测数据的物理融合。
- **自相关处理**：计算雷达回波相邻脉冲（延迟k=1）的互相关函数，利用无人机回波的相位相干性与海杂波短相关时间的差异，快速筛选出候选目标距离单元。
- **循环谱分析（FFT累积方法，FAM）**：将自相关选定的慢时间序列代入，通过数据分段、窗口重叠和两级FFT计算循环谱密度（CSD），提取无人机在循环频率和谱频率上的峰值特征（叶片旋转频率、多普勒频移）。
- **融合滤波流程**：以自相关引导循环谱分析，实现目标距离范围定位与特征提取的协同优化。
（数据来源：实测海杂波数据来自海军航空大学在烟台养马岛海域的X波段雷达实验，包含2021年1月5日和6日采集的两组数据，分别对应海况2级和海况3-4级。）

#### 4. 研究结果

**4.1 SCNR对比**
为评估所提方法在不同输入SCNR（从-20 dB到5 dB均匀设置6个间隔）下的性能，计算了MTI、SVD、级联方法（MTI与SVD串联）及所提方法的输出SCNR和SCNR增益。结果显示：所提方法在所有输入SCNR条件下均获得更高的输出SCNR和增益，其增益曲线显著优于其他三种方法。所提方法在-10~0 dB输入范围内呈现稳定的高增益平台区，而MTI、SVD和级联方法的输出SCNR单调递增，表明所提方法通过联合分析机制更有效地利用信号结构特性，尤其在低输入SCNR强海杂波干扰下，SVD和级联方法的检测能力和鲁棒性明显逊色。

**4.2 多场景海杂波测试**
在两个海杂波背景（包含浮标与岛屿、包含快艇）下应用所提方法，结果如下：
- **浮标与岛屿场景**：经自相关延迟k=1处理后，无人机目标回波在距离-周期图中清晰可见，近岸杂波、浮标和岛屿得到有效抑制。时频分析显示无人机能量更集中。在循环谱切片中，非零循环频率处出现约17.6 Hz的周期峰（接近理论旋翼转速15 Hz），谱频率切片的主峰位于与无人机速度对应的多普勒频移处。浮标和岛屿的循环谱主要能量集中在零循环频率，不具备循环平稳特征。
- **快艇场景**：除快艇回波外，无人机回波也从海杂波中突显。快艇的时频谱经滤波后幅度下降但仍可辨识，其循环谱仅在零循环频率有峰值，无显著非零循环频率成分；而无人机的循环谱在非零循环频率（约18.1 Hz）处出现小峰，表明叶片旋转效应。快艇的多普勒频移约-159 Hz，无人机约-639 Hz，通过多普勒测量可获得速度信息。循环谱分析新增了信号分析维度，不同目标的m-D特征在循环谱中产生不同位置和强度的谱峰，成为区分无人机与其他海上目标的关键特征。

#### 5. 总结与讨论

本论文针对海上雷达检测无人机时严重的海杂波干扰问题，构建了基于精确全波算法RCS的无人机雷达回波，并通过系统定标方法实现了仿真与实测数据的物理融合。所提出的自相关引导循环谱融合滤波方法有效缓解了强海杂波背景的短时相干性和非平稳性。首先通过脉冲间自相关降低海杂波相关性贡献并保留运动目标贡献；然后利用循环谱分析将数据变换到循环频率域，选择合适频率切片检测周期m-D调制形成的显著谱峰，最终实现海杂波背景下无人机目标特征的提取。

**研究结论翻译**：
本文解决了海上目标（特别是无人机）雷达检测中严重的海杂波干扰问题。利用通过严格全波算法精确计算的无人机RCS构建了无人机雷达回波。采用系统定标方法建立了统一物理尺度以融合仿真和实测数据，从而构建了海杂波背景下的无人机雷达回波。所提方法创新性地采用自相关引导的循环谱融合滤波，有效缓解了强海杂波背景的短时相干性和非平稳性。首先，利用脉冲间自相关评估信号在相邻观测间隔的相似性；通过选择特定延迟，降低海杂波相关性贡献的同时保留运动目标贡献。随后，通过循环谱分析变换数据域，选择合适的频率切片检测周期性m-D调制形成的显著谱峰，最终实现海杂波背景下无人机目标特征的提取。与经典MTI、SVD及其级联处理方法相比，该方法在多种输入SCNR条件下显著提升了SCNR，表现出更高的增益和更优的性能。在不同海杂波背景下的验证结果证实，该方法在不同海况下有效抑制杂波并准确提取无人机回波信号，可将其与其他海上目标区分开来。