Milimeter-Wave UAV Communications(21-30)

1、A Compact Millimeter Wave Radar for Airborne Studies of Clouds and Precipitation

1998 IEEE International Geoscience and Remote Sensing. Symposium Proceedings
本文的重点主要在于毫米波雷达的硬件设计及该硬件的性能指标。

Abstract

提出了一种用于云和降水研究的小型95Ghz雷达。该仪器适用于各种飞机的部署，包括无人驾驶航空飞行器（UAV）。该雷达是在马萨诸塞大学设计和制造的，用于在大气辐射测量无人机（ARM-UAV）项目中使用一套仪器飞行。新型毫米波器件和信号处理硬件已被用于将仪器小型化至约1.75立方英尺，并将功耗降低至150 W。使用固态发射机代替更大的替代方案，即扩展交互放大器（EIA）。固态发射机的峰值功率比EIA提供的峰值功率低16分贝。通过改进接收机噪声性能和提高信号处理效率，恢复了大部分灵敏度，仪器的紧凑性将有助于在载人飞机上快速安装，并允许在无法安装全尺寸云雷达的情况下进行部署。雷达产生的反射率和多普勒速度剖面的距离分辨率为15米。内部校准用于校正发送器和接收器的变化。

Instruction

自1995年以来，马萨诸塞大学一直致力于在能源部的ARM-UAV项目下开发一种紧凑型毫米波雷达。ARMUAV计划的主要科学目标之一是研究云层在地球大气辐射平衡中的作用。一个毫米波雷达被包括在内，因为它能够描绘各种各样的云，包括那些具有高光学消光的云。除了生成反射率剖面外，雷达还能够进行多普勒测量，以帮助区分颗粒类型和确定熔化层的位置。许多其他小型仪器已经在ARM-UAV试验中飞行，包括云探测激光雷达和可见光和红外辐射。

Conclusion

马萨诸塞大学正在研制一种小型95GHz机载云剖面雷达。雷达使用所有固态元件，将产生反射率和多普勒速度的剖面图。最近在元件技术方面的一些改进被用来克服固态发射机的低发射功率。该雷达设计用于包括无人机在内的小型飞机上，预计将成为一种有价值的气象仪器，特别是在飞机可以在云顶附近飞行的情况下

2、A New Technique to Measure RCS of Large Target at Near Distance

2008 International Conference on Microwave and Millimeter Wave Technology

RCS Radar-Cross Section 雷达散射截面积
RCS：Radar Cross-Section（雷达散射截面积）雷达目标和散射的能量可以表示为一个有效面积和入射功率密度的乘积，这个面积通常称为雷达散射截面积。

Abstract

一般来说，雷达散射截面的测量必须满足远场条件，远场条件需要大的测量面积或昂贵的紧凑范围。为解决这一问题，本文提出了一种外推法校正处理飞机目标近距离雷达散射截面测量的新方法。利用球面波照射下飞机目标的雷达散射截面来推算其远场雷达散射截面。利用导电板作为参考目标的卷积算法，推导出球面波与平面波之间的相位校正系数g（x），实际上g（x）的卷积计算可以用快速傅立叶变换来代替，这与近距离测量的参考目标散射场有关，因此，该卷积算法能有效地提高测量精度。计算过程简单快捷。通过对一个简单目标的理论模拟，可以得到正确的RCS外推结果。复杂目标的实验结果表明，这种新技术使实验与理论完全吻合，并且使测量距离降低了远场最小距离的15%。而且，在孔径和深度方面，对目标的测量也没有严重的限制。

Introduction

散射测试对寻找隐身目标及其散射特性研究具有重要意义。一般来说，RCS测试需要庞大的测试领域或复杂的昂贵的紧凑型测距系统[2~5]。根据飞机的外形特点，提出了一种新的近场雷达散射截面测试方法。通过定义相位修正系数g（x），修正了弯曲波前带来的相位差，得到了飞机的远场RCS。修正系数g（x）可由参考金属板近场和远场的关系式得出。

3、A Study of a 3D-SAR Concept for a Millimeter-Wave Imaging Radar onboard an UAV

First European Radar Conference, 2004. EURAD.

Abstract

本文介绍了一种无人机雷达图像三维合成孔径雷达系统。该方案结合了纳迪尔指向接收机的线性阵列和SAR技术，并采用线性调频（LFM）脉冲波形。该系统具有许多优点：它可以生成感兴趣区域的三维图像，避免在生成的图像上出现阴影区域，从而获得有利的功率预算。本文介绍了我们在信号处理和实验方面的初步工作。该理论通过模拟结果和首次地面测量活动（使用Ka波段雷达）进行了说明.

Instruction

在山区、森林地区或城市地区，传统的合成孔径雷达（sar）技术存在阴影效应，导致图像中存在信息缺口。克服这一问题的一种方法是设计一种垂直于地面的机载成像雷达。我们的研究涉及一种安装在无人机上的成像系统的设计。这一概念是基于一个结合了SAR技术和线性调频啁啾脉冲的纳迪尔指向接收器的线性阵列，分别沿轨道和沿轨道方向和距离的三维聚焦。利用沿机翼的线性接收机阵列对横向波束进行扫描，解决了经典合成孔径雷达系统的左高模糊性问题.
机载最低点成像雷达不仅具有避免阴影效应的优点，而且还具有有利的功率预算。事实上，地面强烈地反映了正常入射方向的能量。此外，由于大多数目标都被视为平面反射面，且视角等于或接近镜面反射角，因此可以获得很好的目标杂波分辨能力。

4、Automatic Identification Technology of Rotor UAVs Based On 5G Network Architecture

2018 IEEE International Conference on Networking, Architecture and Storage (NAS)

Abstract

无人机，又称无人机，由于其灵活性、威胁性和巨大的应用价值，引起了研究者的关注。5G网络的构建为基于本地云架构的无人机的检测、识别和管理带来了新的方向。在5G端到端网络切片中，通过部署5G毫米波，利用联合算法、改进的短时傅立叶变换（STFT）和贝塞尔函数库，对转子无人机进行检测和识别。对于单旋翼无人机，采用基于毫米波的正弦调频（SFM）雷达回波数据的STFT跟踪共轭，比无共轭处理的识别效果提高了一倍。对于多旋翼无人机，通过对SFM数据的投影和引入K阶贝塞尔函数，可以有效地识别出多旋翼的数量以及各旋翼的长度和转速。根据5G本机云架构对无人机的自动识别结果，5G网络的高带宽和低延迟为无人机的识别提供了可靠的依据。贝塞尔函数具有良好的鲁棒性，为5G毫米波雷达对无人机的检测、识别和管理提供了一种有效的解决方案。

Introduction

然而，随着近年来无人机市场的蓬勃发展，边境走私、毒品贩运和？非法飞行？无人机的使用逐渐增多，带来了严重的安全威胁。无人机属于？低，慢，小？（低空慢速飞行，小雷达散射截面[1]）人工空中目标。常用的方法[2-5]检测它们的条件有限。雷达具有全天候、全天候、远距离探测和定位目标的优点。因此，利用雷达自动识别无人机已成为当前自动目标识别研究的热点之一。
计算机视觉、STFT和遥控捕获信号是三种常用的无人机检测和识别技术。文献[2]首先利用计算机视觉提取无人机的特征，然后通过神经网络对其进行训练，最后对无人机进行识别。但该方法受夜间和极端天气的影响较大，只能用于高能见度的识别。文献[3]通过STFT对雷达信号进行了处理，分析了单旋翼无人机的M-D（微多普勒）效应，并对其进行了识别。但多转子M-D中出现的时频混叠限制了该方法的应用。专利[4]和文献[5]都通过捕获无人机遥控信号来检测和干扰无人机，但当无人机按照启动步骤进行静默飞行，而不与遥控通信时，这些方法是无效的。

本文简要介绍了5G原生云架构中无人机的网络切片通道。然后，分析了无人机叶片在5g毫米波下的特性，提出了一种改进的STFT方法。分析了SFM信号和贝塞尔函数基的投影原理。其次，通过仿真和测量验证了投影原理的有效性和准确性。最后给出结论。

5、Beam Management and Self-Healing for mmWave UAV Mesh Networks

IEEE Transactions on Vehicular Technology

Abstract

IEEE802.11ay中的点对点和点对多点通信功能使无人机（UAV）能够形成无人机网格网络（Flymesh）。在基于802.11ay 的毫米波（MMWave）飞行网格中，无人机的协同作用和定向通信链路的波束失准带来了许多挑战。本文研究了如何保证毫米波Flymesh在波束管理和网络自愈方面的鲁棒性。首先，针对无人机之间或无人机组长与中继基站/卫星之间因无人机运动而产生的波束失准问题，提出了一种快速波束跟踪机制。第二，为了解决一些无人机群外脱离或故障导致的链路故障问题，提出了寻找替代链路恢复网络能力的自愈机制。最后，针对无人机机动性带来的群体领导者动态变化，提出了一种有效的无人机群体领导者再选机制，以降低无人机群体管理的开销。通过性能分析和仿真，我们证明了我们提出的机制能够有效地解决上述问题和挑战。

Introduction

在过去的十年中，小型化和低成本使得无人驾驶飞行器（UAV）在公众中广受欢迎。由于着陆灵活，无人机被用于支持各种服务，例如来自偏远和危险或不可接近区域的数据收集、监视和监控任务、轻货物运输，尤其是灾难救援[1]c[4]。因此，毫无疑问，无人机具有巨大的市场潜力。然而，单个无人机的可持续性、稳定性、可靠性和覆盖范围都有各种限制，如果我们经常使用一个新的无人机来取代失败的无人机来继续执行任务，就会频繁中断服务。因此，无人机通过形成无人机网格网络（即Flymesh）进行协作已成为一个有趣的研究课题。不同无人机之间的互联可以实现无人机的全互联网络。因此，可以保证Flymesh的可靠性和覆盖范围。例如，在灾难救援中，当一些无人机受损或脱离网络时，Flymesh中的其他无人机可以快速重新配置自身并继续执行任务。因此，整个Flymesh的运行不会受到很大影响。

所获得的数据可由无人机组长传送到中继基站（RBS）、飞艇或卫星（为了简单起见，我们使用RBS代表中继基站、飞艇或卫星），然后RBS将数据传送到控制中心。必要时，Flymesh还可以提供紧急通信服务。然而，当无人机获取大量数据在无人机之间或在Flymesh和RBS之间传输时，需要大量的光谱。受微波波段（如低于6 GHz）可用光谱的限制，几乎不可能保证在Flymesh上实现超高速和实时传输。幸运的是，毫米波（mmwave）中有大量可用光谱，这使得Flymesh能够提供超高速传输。然而，由于毫米波波段的严重路径损耗，通信距离较短。为了提高毫米波波段的通信距离，需要采用波束形成技术集中窄波束上的发射功率，实现定向通信。最近，GE等人在[11]中提出了一种轨道角动量空间调制（OAM-SM）毫米波通信系统，它比传统的多输入多输出（MIMO）毫米波通信能够实现更大的距离传输。此外，由于无人机的机动性和高海拔，有可能在无人机之间形成视线（LOS）路径，从而在毫米波通信中利用波束形成技术。

事实上，基于IEEE802.11ad[12]和802.11ay[13]的无线局域网（WLAN）已经利用毫米波（例如60GHz）来支持点对点和点对多点通信。因此，上述两种无线局域网的波束管理机制可以很容易地应用到Flymesh中。因此，本文研究了基于802.11ad和802.11ay的Flymesh。然而，在毫米波无线局域网中，特别是在我们的毫米波Flymesh中，采用定向通信有许多设计挑战：

1、考虑到mmwave flymesh部署在空中，无人机之间的相对位置变化频繁，需要建立通信链路的无人机之间进行频繁的波束跟踪，以确保实时波束对准，从而提供可靠的超高速无线传输。由于无人机的寿命受到电池[4]、[6]的限制，频繁的光束训练可能会浪费宝贵的数据传输机会。因此，为了有效地利用毫米波Flymesh的优点，需要发展快速波束跟踪方法

2、在某些特定的情况和情况下（如灾区等），一些无人机可能无法正常工作，因为微波网易受各种环境或物理因素的影响。由于单个无人机的失效，应避免整个毫米波Flymesh拓扑结构发生重大变化，否则几乎所有的无人机都需要与周围的无人机重新进行光束跟踪。因此，需要有效的网络自愈方法来保证服务质量（QoS）。

3、应选择无人机组长作为与RBS连接进行数据传输的网关。然而，由于毫米波飞网在空中的移动，无人机组长和RBS之间的相对位置可能会经常发生变化，而且无人机组长和RBS之间的回程链路由于其信道质量差，可能无法提供高传输率[5]。因此，为了保证超高速回程链路的传输，需要无人机组长重新选择。

本文研究了基于802.11ad/ay的毫米波Flymesh中的波束管理、网络自愈和无人机组长重选机制。波束管理是保证毫米波FLMYESH鲁棒性的基础，有效的波束管理机制应解决由于无人机的移动性而导致的波束失调问题。网络自愈能力可以快速找到一个转发链路来替代无人机故障导致的故障链路，以保持毫米波Flymesh的稳定性，同时应尽量减少链路故障对整个毫米波Flymesh的影响。对于无人机组长再选择问题，需要限制候选无人机组长的数量，然后在候选无人机组长和RBS之间进行波束训练。应尽量减少无人机组长重新选择的开销。综上所述，本文的主要贡献如下

1）针对无人机之间以及无人机组长与RBS之间的相对机动性问题，提出了一种快速波束跟踪机制。根据定向光束的信噪比和信噪比的变化，我们可以推断出相对运动的方向。因此，我们可以限制光束跟踪的区域，从而减少开销。

2）根据毫米波Flymesh的特点，提出了一种介质访问控制层的自愈机制。所提出的自愈机制可以自适应地寻找一个替代链路，在故障情况下绕过不可用的无人机，并可根据需要控制自愈的信令开销。

3） 我们设计了一种有效的无人机组长重选算法，通过限制候选无人机组长的区域（个数），降低了无人机组长重选的开销

6、Enabling UAV Cellular with Millimeter-Wave Communication: Potentials and Approaches

IEEE Communications Magazine

Abstract

为了支持高数据率的紧急或临时通信，我们考虑了mmwave无人机蜂窝网络及其相关的挑战和解决方案。为了实现快速的波束形成训练和跟踪，我们首先研究了波束形成码本的层次结构，并通过子阵列技术设计了不同波束宽度的层次码本。接下来，我们研究了无人机运动产生的多普勒效应，发现当采用高增益定向传输时，多普勒效应不会是灾难性的。我们进一步探讨了毫米波空间分割多址接入技术的应用，并论证了其在提高蜂窝网络容量方面的明显优势。我们还探索了处理信号阻塞的不同方法，并指出可能的自适应无人机巡航算法是必要的，以抵消信号阻塞。最后，我们确定了无人机定位和定向毫米波用户发现之间的密切关系，前者的更新可能直接影响后者，反之亦然.

Introduction

典型的无人机蜂窝网络如图1所示，其中基站（BS）安装在空中飞行的无人机上，移动站（MSS）分布在地面或低空。无人机基站可以通过卫星链路或空对地无线链路与地面网络连接。通常，MSS和无人机BS之间的通信包括环境信息、控制命令和来自各种传感器（如摄像机传感器）的传感数据[1、2]。在许多情况下，需要收集来自许多摄像头传感器的大型视频监控交通数据，并将其发送回控制站，以实现快速响应，因此需要在MSS和无人机BS之间建立高数据率通信链路。为此，本文研究了毫米波通信在无人机蜂窝中的应用，因为毫米波频段中存在着丰富的频谱资源.

毫米波无人机蜂窝网络和固定基站的常规毫米波蜂窝网络的主要区别在于无人机基站可以四处移动。因此，常规毫米波蜂窝的挑战也适用于毫米波无人机蜂窝，包括距离和方向通信、快速信道变化、多用户访问、阻塞等[4]。由于无人机的移动，一些现有的挑战加剧了。例如，无人机的运动需要更有效的波束形成训练和跟踪，而信道多普勒效应则需要额外考虑。无人机运动也带来了一些新的挑战。例如，在毫米波无人机蜂窝网络中，无人机位置和用户发现是相互交织的。一方面，由于位置固定，无人机只能发现附近的用户。另一方面，无人机需要找到所有潜在的用户来优化其自我定位。由于无人机的机动性，一些现有的挑战实际上可以得到缓解。例如，阻塞是常规毫米波蜂窝网络的一个重要性能限制因素。然而，在毫米波无人机网络中，可以开发智能巡航算法，使无人机能够飞出封锁区，并与M建立视线（LOS）通信

在本文中，我们研究了毫米波无人机蜂窝的这些关键挑战，并讨论了可能的解决方案。讨论了毫米波无线信道传播特性，包括链路预算挑战和信道建模。我们提出了一个完整的码书层次的设计，以实现对毫米波蜂窝网络的快速波束形成训练和跟踪。我们讨论了执行毫米波空间分割多址（SDMA）的好处，并说明了潜在的性能改进。讨论了毫米波无人机蜂窝网络中的阻塞问题，讨论了无人机定向用户发现与无人机定位的相互作用

Conclusion

为了支持高数据率的紧急或临时通信，我们考虑了mmwave无人机蜂窝网络及其相关的挑战和解决方案。重点研究了分层波束形成码本结构作为快速波束形成训练和跟踪的一种实现方法。数值结果表明，BMW-SS码本设计能够产生不同宽度的光束，对应于不同层上的光束，并具有良好的光束检测性能。它还可以很好地扩展到非常大的天线阵列。尽管由于无人机的移动，整个信道本身可能会经历快速多普勒，但由于高增益定向传输，主要的多径组件只会经历缓慢的变化。本文还研究了毫米波SDMA，其中定向用户分组可用于将用户分为不同的空间组，只有来自不同组的用户可以使用SDMA同时访问BS。主要是由于信号带宽大以及SDMA在空间领域的使用，因此有可能显著提高容量.

阻塞问题是常规毫米波蜂窝网络的一个严重的性能限制因素，实际上可以通过无人机的移动来缓解。需要开发智能巡航算法，使无人机能够飞出封锁区，重新建立与多目标机动系统的视距链路，研究无人机定位与毫米波定向用户发现的关系。一方面，在固定的位置上，无人机只能发现附近的用户。另一方面，无人机需要找到所有潜在的服务用户，以优化其自我定位。一般来说，毫米波定向用户发现和无人机定位可以反复进行，以不断提高网络性能

7、Flexible and Reliable UAV-Assisted Backhaul Operation in 5G mmWave Cellular Networks

IEEE Journal on Selected Areas in Communications

Abstract

为了满足第五代（5G）移动网络对容量和可扩展性的严格要求，无线接入和回程链路都可以利用毫米波频谱。在这里，与访问链路的设计类似，MMwave回程连接还必须解决许多挑战，例如多径传输和动态链路阻塞，这需要高级解决方案来提高其可靠性。为了应对这些挑战，3GPP新的无线电技术正在考虑一种灵活且可重新配置的回程结构，其中包括动态链路重新路由到可选路径。在本文中，我们研究了无人飞行器（UAV）携带的空中中继节点的使用，以允许这种动态路由，同时减轻阻塞对地面链路的影响。这一新概念需要理解毫米波回程动力学，其原因包括：1）现实的3-D多径毫米波传播；2）毫米波回程链路的动态阻塞；3）拦截器和无人机辅助继电器的非均匀移动性。我们提供了所需的数学框架，捕捉这些现象，以分析毫米波回程运行的特征城市环境。通过研究毫米波回程的时空特性，利用该框架对其回程性能进行了新的评估。最后，我们量化了利用无人机辅助进行更可靠的毫米波回程的好处。通过3GPP标定仿真验证了数值结果，框架本身有助于未来5G毫米波蜂窝中无人机辅助回程基础设施的设计

Introduction

尽管毫米波带的显著优点，但由于受到复杂多径传播的高方向毫米波链路，它也带来了新的挑战，由于障碍物范围广，这种链路容易受到链路阻塞现象的影响。为了减轻基于毫米波通信的固有局限性，人们对获取轮廓技术的毫米波可靠性分析的研究工作激增。

随着这项工作的成熟，为5G提供高速回程能力引起了最近的关注，因为mmwave回程链路仍然容易受到类似阻塞问题的影响[15]。为了评估和提高5G NR系统中毫米波回程运行的可靠性，3GPP对综合接入和回程进行了新的研究，明确了各自的挑战和要求。panned规范的目标是构建一个灵活的、可重新配置的系统体系结构和动态回程连接。在这种情况下，如果回程链路被移动的人和车身阻塞，则重新路由回程链路的能力变得至关重要[16]。扩展3GPP对这一问题的研究，可以考虑使用具有无线电能力和作为移动中继节点的无人机，以进一步提高回程作业的灵活性和可靠性。

最近用户流量波动的加速要求在5G毫米波蜂窝中提供更灵活和可靠的回程解决方案，这可能需要动态重新路由。因此，地面和空中网络组件的集成是实现这一目标的关键。相应的性能评估需要一种适当的评估方法，可以捕捉回程链路的动态、毫米波无线电传播特性和移动物体引起的阻塞现象。与毫米波接入不同，5G毫米波回程的研究文献相对较少。[17]中的工作提出了接入和回程链路共存的分析模型，而[18]中提出了带内无线回程蜂窝网络的容量评估。在[19]中，对毫米波回程链路进行了性能评估。

8、Micro-UAV Detection with a Low-Grazing Angle Millimeter Wave Radar

2019 IEEE Radio and Wireless Symposium (RWS)

Abstract

毫米波雷达广泛应用于最后一英里的雷达防御系统。利用这些雷达在低掠射角下探测低空空中目标是电子战领域中的一个重要问题，由于地面杂波的显著影响，这一问题变得具有挑战性。本文对采用低掠射角地面定位24GHz双极化调频连续波（FMCW）雷达在岩石地形中探测微型无人机进行了实验和分析研究。无人机的雷达后向散射信号受到地面杂波的污染，地面杂波采用统一的威布尔分布进行建模。设计了一种基于自适应阈值的恒虚警（CFAR）检测仪，用于检测杂波背景下的无人机。为了进一步提高无人机对杂波的识别能力，提取了旋转螺旋桨的微多普勒信号和无人机的体弹道，并在时频域中进行了绘制。

Introduction

像微型无人机这样的低掠射角目标很难用雷达探测到，这使得它们成为潜在的防空威胁。使用低频脉冲雷达的传统雷达探测技术在探测微型无人机方面并不有效，因为这些目标的雷达散射截面（rcs）非常小，并且飞行姿态很低[1]。近年来，毫米波雷达已成为微型无人机检测和跟踪的一种潜在解决方案。这是因为这些雷达的高分辨率特性使它们非常适合于提取与无人机相关的微多普勒信号。然而，实验和分析研究表明，在低掠射角下，地面的杂波会降低毫米波雷达的探测概率。

为了准确检测低空微型无人机，必须考虑杂波统计。雷达杂波的实验研究长期以来证明，这些杂波是非瑞利、非平稳的，最好可以用威布尔分布、帕累托分布和kD分布来描述[5]。这些非瑞利杂波/噪声模型将需要开发一种用于目标检测的自适应阈值检测器，此类检测器的示例包括恒虚警率（CFAR）检测器、广义似然比检验线性二次（GLRTLQ）检测器和贝叶斯最优雷达检测器（BORD）。当杂波采用球不变随机过程（SIRP）模式建模时，后者是最佳的。

据我们所知，虽然一些研究人员最近研究了使用毫米波雷达探测微型无人机的问题，但这些工作都没有考虑地形的非瑞利杂波统计的影响。本文开发了一种单元平均CFAR（CA-CFAR）处理器，用于岩石地形中微型无人机的自动检测。利用威布尔分布对地面杂波进行了建模。

9、Time-Frequency Analysis of Millimeter-Wave Radar Micro-Doppler Data from Small UAVs

2017 Sensor Signal Processing for Defence Conference (SSPD)

Abstract

小型无人机（SUAVS）的微多普勒特征分析对此类目标的识别具有重要意义。本文讨论了分析SUAVS雷达信号返回中存在的各种多普勒特征的方法。94GHz雷达用于连续波和调频连续波两种模式的数据采集，并产生高保真微多普勒回波。然后利用小波分解方法提取出与SUAVS特征快速运动部分相对应的信号高频分量。最后，进行时频分析，对特征进行可视化和解释。

Introduction

商业的小型无人机现在很容易为公众所接受。因此，对在公共空间或安全敏感区域上空飞行的SUAVS进行监控已成为一个紧迫的问题。由于雷达系统即使在恶劣天气下也能探测和跟踪目标，因此非常适合这种应用。同时，多普勒敏感雷达能够提取小型无人机诱导的特征多普勒信号，用于确定目标
SUAV 小型无人机
物体由于各部分的运动而产生微多普勒。对于SUAV，这将是螺旋桨叶片的旋转。SUAV微多普勒特征分析是当前雷达研究领域的一个重要课题。在[1,2,3]中详细讨论了物体微运动如何调制接收到的雷达信号的基本原理。联合时频分析方法主要用于此类信号的分析。在[4,5]中，提出了与微多普勒信号相关的各种联合时频分析方法的数学推导。最广泛使用的技术是线性分析方法，称为短时傅立叶变换（STFT）或Gabor变换（STFT使用高斯窗）。这是最直观的方法，说明了信号频率含量随时间的变化。据报道，大多数来自SUAVS的雷达微多普勒信号分析都使用了STFT。在[6,7]中，通过使用来自X波段雷达系统的数据，报告了不同SUAVS（四分之一、六分之一、八分之一）的微多普勒特征。在[8,9]中，分析了SUAVS（有或无有效载荷）和鸟类的S波段微多普勒特征。实验数据表明，由于鸟类和鸟类微运动的基本类型不同，鸟类和suavs产生的光谱图明显不同。这种差异很容易建模，因此可以用于目标识别。在[10]中，已经报道了W波段SUAV的微多普勒特征。结果表明，在适当的采样条件下，毫米波雷达由于螺旋桨的快速旋转，可以从SUAV系统中产生高保真的微多普勒回波。当考虑到无人机的精确分类时，高多普勒灵敏度使毫米波雷达系统具有优势

STFT的一个缺点是在时间和频率分辨率之间存在权衡。在[10]中，还从实验数据中演示了STFT中使用的不同窗口长度如何显示不同的特征（叶片闪烁或直升机旋翼调制或HERM线）。这对目标分类过程提出了挑战。显然，一个人可以用不同的窗口长度产生多个光谱图，并将它们都用于分类。但是，这将增加计算负载，并且对于实时应用程序来说，需要尽可能地降低这一负载。作为传统STFT方法的替代方法，在[11]中，使用小波变换方法对信号进行分解，以区分信号的各种频率分量（对应于目标的各种特征）。结果表明，小波分析方法适用于快速旋转零件的目标分析。通过对直升机和人的X波段数据的处理，得到了实验结果

本文采用小波分解方法对SUAVS的微多普勒信号进行分析。目的是分析该方法分离信号体和微多普勒分量的能力。然后，这些分离的分量可以用来获得尺度图（相当于子波的光谱图），以可视化各种多普勒特征。对分解后的信号进行连续小波变换，得到尺度图。值得注意的是，从目标分类的角度来看，微多普勒信息比体多普勒分量更重要。这是因为SUAVS和鸟类的体积速度是相似的，这是操作过程中的主要混淆者，而微多普勒信号将是非常不同的。本文首先对小波分析方法进行了简要的理论描述。然后，给出并讨论了实际SUAV数据分析方法的实现结果。讨论分为连续波和调频连续波雷达数据两部分。此外，还对从鸟形SUAV（仿生鸟）获得的数据进行了分析和讨论。尽管它是一种SUAV，但它的微多普勒特性比传统的无人机更类似于鸟类。数据采集采用W波段（94GHz）雷达系统。

10、VARIABLE BEAM WIDTH MMW BAND ANTENNA

2007 International Kharkov Symposium Physics and Engrg. of Millimeter and Sub-Millimeter Waves (MSMW)

Abstract

例如，在制造小型飞行器时，无人驾驶飞行器（UAV）的一个重要任务是为位于U形空间的远程控制和通信设备提供高速、稳定和抗干扰的通信，在大距离和短距离、重量和功率限制下，在控制中心和飞行物体之间进行通信。AV板。地面站采用弱定向天线，无人机站采用近全向天线，如分米波段（C波段），两站均需较大的发射机输出功率，抗干扰和通信的高质量特性存在问题。阳链容量，无人机天线类型和发射机输出功率均需选择时出现严重对抗

在微波或毫米波（MMW）无线电弯曲中使用通信信道的情况下，可以在低质量和尺寸特性下实现高增益定向天线。一方面，这可以提高通信线路的潜力和抗干扰能力，即提供大距离站间稳定的高速通信，另一方面，地面站需要无人机跟踪。当两种状态都使用高方向性天线时，例如，在无人机控制的开始和结束阶段，由于在天线定位中需要两轴高速制导，在短距离和高无人机切向速度下的跟踪任务变得相当困难。当高速制导系统应用于通信线路设备时，总成本和设备共谋性都在上升。另一个变种是利用几个交换天线IPN地面站