特開 2023-1662 レーダシステム及びレーダ信号処理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023001662

(43)【公開日】2023-01-06

(54)【発明の名称】レーダシステム及びレーダ信号処理方法

(51)【国際特許分類】

   G01S 13/58 20060101AFI20221226BHJP

   G01S 13/44 20060101ALI20221226BHJP

【ＦＩ】

G01S13/58 200

G01S13/44

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2021102513

(22)【出願日】2021-06-21

(71)【出願人】

【識別番号】000003078

【氏名又は名称】株式会社東芝

(71)【出願人】

【識別番号】598076591

【氏名又は名称】東芝インフラシステムズ株式会社

(74)【代理人】

【識別番号】110001737

【氏名又は名称】弁理士法人スズエ国際特許事務所

(72)【発明者】

【氏名】栗原 秀輔

(72)【発明者】

【氏名】中川 陽介

(72)【発明者】

【氏名】竹谷 晋一

【テーマコード（参考）】

5J070

【Ｆターム（参考）】

5J070AB01

5J070AB07

5J070AC02

5J070AC06

5J070AC12

5J070AC13

5J070AD02

5J070AD09

5J070AH12

5J070AH19

5J070AH31

5J070AH35

5J070AK22

5J070BA01

(57)【要約】

【課題】 クラッタや熱雑音の影響を抑圧し、小目標を検出して、測角精度を向上させる。
【解決手段】 実施形態によれば、単パルスまたは変調したＮ（Ｎ≧１）パルスを用いて、slow-time軸でコヒーレント積分処理するレーダシステムであって、予めレンジ－ドップラデータ（ＲＤデータ）を取得し、そのＲＤデータをレンジ軸とドップラ軸で重複させながら、Ｍ通りに分割した不要波データと予め取得した目標データ（教師信号）を組み合わせた学習データを用いて、ＣＮＮモデルを学習させ、その学習モデルを用いて、リアルタイムに入力されるΣビームとＡＺ軸（ＥＬ軸）のスクイントビームのＲＤデータをＭ通りに分割し、分割単位毎にデノイズ処理して合成したＲＤデータを用いて、ΣビームによりＣＦＡＲまたは極大値等による目標検出処理によって目標を検出し、ΣビームとＡＺ軸（ＥＬ軸）のスクイントビームを用いて測角処理を行う。
【選択図】図２

【特許請求の範囲】

【請求項1】

単パルスまたは変調したＮ（Ｎ≧１）パルスを用いて、slow-time軸でコヒーレント積分処理するレーダシステムであって、
予めレンジ－ドップラデータを取得し、前記レンジ－ドップラデータをレンジ軸とドップラ軸で重複させながらＭ通りに分割し、前記分割した不要波データと予め取得した教師信号とする目標データを組み合わせた学習データを用いて、ＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）モデルを学習させる学習手段と、
前記学習データによる学習モデルを用いて、リアルタイムに入力されるΣビームとＡＺ（Azimuth）軸（ＥＬ（Elevation）軸）のスクイントビームのレンジ－ドップラデータをＭ通りに分割し、分割単位毎にデノイズ処理して合成したレンジ－ドップラデータを用いて、ΣビームによりＣＦＡＲ（Constant False Alarm Rate：定誤警報率）または極大値による目標検出処理により目標を検出し、前記ΣビームとＡＺ軸（ＥＬ軸）のスクイントビームを用いて測角処理を行う処理手段と
を具備するレーダシステム。

【請求項2】

前記学習手段は、分割したデータ毎に、Σビームの最大振幅により規格化係数を算出し、Σビームとスクイントビームに同じ規格化係数を適用して処理を行う、請求項１記載のレーダシステム。

【請求項3】

前記学習手段は、前記ＣＮＮモデルとして、ショートカットを含む学習モデルとショートカットを含まない学習モデルの少なくともいずれか一方を用いる請求項１または２記載のレーダシステム。

【請求項4】

前記処理手段は、前記スクイントビームをサブアレイ型デジタルビームフォーミングで形成し、デノイズ前の処理とデノイズ後の処理の結果について、目標毎にＳＮ比（Signal-to-Noise ratio：信号対雑音電力比）を比較して、大きい方のレンジ－ドップラセルを用いて、デノイズ前の処理では位相モノパルス、デノイズ後の処理ではスクイント測角により、測角処理を行う、請求項１乃至３のいずれか１項に記載のレーダシステム。

【請求項5】

単パルスまたは変調したＮ（Ｎ≧１）パルスを用いて、slow-time軸でコヒーレント積分処理するレーダ信号処理方法であって、
予めレンジ－ドップラデータを取得し、
前記レンジ－ドップラデータをレンジ軸とドップラ軸で重複させながらＭ通りに分割し、
前記分割した不要波データと予め取得した教師信号とする目標データを組み合わせた学習データを用いて、ＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）モデルを学習させ、
前記学習データによる学習モデルを用いて、リアルタイムに入力されるΣビームとＡＺ（Azimuth）軸（ＥＬ（Elevation）軸）のスクイントビームのレンジ－ドップラデータをＭ通りに分割し、
分割単位毎にデノイズ処理して合成したレンジ－ドップラデータを用いて、ΣビームによりＣＦＡＲ（Constant False Alarm Rate：定誤警報率）または極大値により目標を検出し、
前記ΣビームとＡＺ軸（ＥＬ軸）のスクイントビームを用いて測角処理を行う
レーダ信号処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本実施形態は、レーダシステム及びレーダ信号処理方法に関する。

【背景技術】

【0002】

従来のレーダシステムでは、クラッタや熱雑音が多い環境下において、小目標を検出する際には、ＳＮ比（Signal-to-Noise ratio：信号対雑音電力比）が小さいため、検出不可や誤検出が発生する問題があり、測角誤差も大きくなってしまう。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】パルス圧縮、吉田、‘改訂レーダ技術’、電子情報通信学会、pp. 278-280(1996)

【非特許文献2】ＣＦＡＲ（Constant False Alarm Rate：定誤警報率）、吉田、‘改訂レーダ技術’、電子情報通信学会、pp.87-89 (1996)

【非特許文献3】モノパルス、吉田、‘改訂レーダ技術’、電子情報通信学会、pp. 260-264(1996)

【非特許文献4】畳み込みニューラルネットワーク（ＣＮＮ）、斎藤、‘ゼロから作るDeep Learning’、オライリー・ジャパン、pp.205-221 (2016)

【非特許文献5】デノイズ処理、Kai Zhang, ‘Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising’, IEEE Transactions on Image Processing, Vol.26, Issue 7, July (2017)

【非特許文献6】SRCNN, Chao Dong, ‘Image Super-Resolution Using Deep Convolutional Networks’, arXiv:1501.00092v3, July (2015)

【発明の概要】

【発明が解決しようとする課題】

【0004】

以上述べたように、従来のレーダシステムでは、クラッタや熱雑音が多い環境下において、小目標を検出する際には、ＳＮ比（Signal-to-Noise ratio：信号対雑音電力比）が小さいため、検出不可や誤検出が発生する問題があり、測角誤差も大きくなってしまう。

【0005】

本実施形態の課題は、クラッタや熱雑音環境下においても、誤検出を低減して小目標を検出することができ、さらに測角精度を向上させることのできるレーダシステム及びレーダ信号処理方法を提供することにある。

【課題を解決するための手段】

【0006】

上記の課題を解決するために、本実施形態に係るレーダシステムは、単パルスまたは変調したＮ（Ｎ≧１）パルスを用いて、slow-time軸でコヒーレント積分処理するレーダシステムであって、学習手段と処理手段とを備える。前記学習手段は、予めレンジ－ドップラデータ（ＲＤデータ）を取得し、そのＲＤデータをレンジ軸とドップラ軸で重複させながら、Ｍ通りに分割した不要波データと予め取得した目標データ（教師信号）を組み合わせた学習データを用いて、ＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）モデルを学習させる。前記処理手段は、その学習モデルを用いて、リアルタイムに入力されるΣビームとＡＺ（Azimuth）軸（ＥＬ（Elevation）軸）のスクイントビームのＲＤデータをＭ通りに分割し、分割単位毎にデノイズ処理して合成したＲＤデータを用いて、ΣビームによりＣＦＡＲ（Constant False Alarm Rate：定誤警報率）または極大値等による目標検出処理によって目標を検出し、ΣビームとＡＺ軸（ＥＬ軸）のスクイントビームを用いて測角処理を行う。

【図面の簡単な説明】

【0007】

【図1】図１は、第１の実施形態に係るレーダシステムの送信系統の構成を示すブロック図である。

【図2】図２は、第１の実施形態に係るレーダシステムの受信系統の構成を示すブロック図である。

【図3】図３は、図２に示す受信系統のデノイズ処理の様子を示す概念図である。

【図4】図４は、図３に示すデノイズ処理を、学習モデルを用いた推論処理によって実行する場合の手順を示すフローチャートである。

【図5】図５は、図４の学習モデルに用いる学習データと教師データを示す図である。

【図6】図６は、図４の推論処理に用いる学習モデルの学習処理の流れを示すフローチャートである。

【図7】図７は、図３に示すデノイズ処理を学習モデル処理前と学習モデル処理後で比較して説明するための図である。

【図8】図８は、第１の実施形態において、ΣビームとΔビームにより誤差電圧εを算出し、予め取得した誤差電圧テーブルを用いて測角する手法を示す図である。

【図9】図９は、第１の実施形態において、ΣビームとΣ2ビームのスクイント測角により誤差電圧εを算出し、予め取得した誤差電圧テーブルを用いて測角する手法を示す図である。

【図10】図１０は、第１の実施形態において、Σビーム、ΣＡＺビーム、ΣＥＬビームの各々について、デノイズ処理を行う例を示す図である。

【図11】図１１は、第２の実施形態に係るレーダシステムの受信系統の構成を示すブロック図である。

【図12】図１２は、第２の実施形態のデノイズ処理の流れを示すフローチャートである。

【図13】図１３は、第２の実施形態のデノイズ処理を具体的に示す概念図である。

【図14】図１４は、第３の実施形態に係るレーダシステムの受信系統の構成を示すブロック図である。

【図15】図１５は、第３の実施形態のデノイズ処理として、２種の学習モデルを含む場合の流れを示すフローチャートである。

【図16】図１６は、第３の実施形態のデノイズ処理として、１種の学習モデルを含む場合の流れを示すフローチャートである。

【図17】図１７は、第４の実施形態に係るレーダシステムの受信系統の構成を示すブロック図である。

【図18】図１８は、第４の実施形態において、アンテナ開口をサブアレイに分割した例を示す図である。

【図19】図１９は、第４の実施形態に適用されるサブアレイ型ＤＢＦの構成例を示すブロック図である。

【図20】図２０は、第４の実施形態において、サブアレイの受信信号のビーム走査のための位相を説明するための座標系を示す図である。

【発明を実施するための形態】

【0008】

以下、実施形態について、図面を参照して説明する。

【0009】

（第１の実施形態）デノイズ処理
図１は第１の実施形態に係るレーダシステムの送信系統の構成を示すブロック図、図２はその受信系統の構成を示すブロック図である。

【0010】

図１に示す送信系統では、信号生成器１１で送信種信号を生成し、変調器１２で送信種信号に伝送情報を変調多重し、周波数変換器１３で変調信号を高周波信号に変換し、パルス変調器１４で高周波信号をパルス変調して送信パルス列を生成し、送信アンテナ１５でＮ（Ｎ≧２）ヒットのパルスを送信する。

【0011】

次に図２に示す受信系統について説明する。受信系統では、受信アンテナ２１でΣビームとＡＺ軸でスクイントしたΣＡＺビーム、ＥＬ軸でスクイントしたΣＥＬビームの信号を受信し、それぞれの受信信号を周波数変換器２２で周波数変換し、ＡＤ変換器２３でディジタル信号に変換する。次に、ＦＦＴ／ＰＣ（Fast Fourier Transform／Pulse Compression）処理器２４で、fast-time軸のＦＦＴを行うと共に、レーダ信号がパルス圧縮信号（レンジ圧縮、非特許文献１参照）の場合、レンジ－周波数軸で参照信号との乗算を行ってレンジ－ドップラデータ（ＲＤデータ）を取得する。

【0012】

続いて、ＤＢＦ（Digital Beam Forming）処理器２５でΣビーム、ΣＡＺビーム、ΣＥＬビームの信号を形成し、デノイズ検出器２６により、Σビーム、ΣＡＺビーム、ΣＥＬビームそれぞれの受信信号からＲＤデータを所定のタイミングで順次抽出し、レンジ軸及びドップラ軸で所定の大きさに分解し、分割単位でデータ合成し、所定のスレショルドを超える極大値を抽出して目標を検出し、観測値出力器２７から観測値として出力する。ここで、極値検出の代わりにＣＦＡＲ（Constant False Alarm Rate：定誤警報率、非特許文献４参照）を用いてもよい。

【0013】

一方、デノイズ検出器２６の目標検出結果をセル抽出器２８に送り、このセル抽出器２８で、ＤＢＦ処理器２５で形成されたΣビーム、ΣＡＺビーム、ΣＥＬビームそれぞれの受信信号と比較して目標を検出したセルを抽出し、デノイズ測角器２９でΣビーム、ΣＡＺビーム、ΣＥＬビームを用いて測角処理を行い、その測角処理結果を観測値出力器２７に送り、観測値出力器２７で目標検出の観測値を出力する。

【0014】

上記構成によるレーダシステムにおいて、図３乃至図１０を参照してその処理動作を説明する。

【0015】

ここで、図３は、図２に示す受信系統のデノイズ処理の様子を示す概念図、図４は、図３に示すデノイズ処理を、学習モデルを用いた推論処理によって実行する場合の手順を示すフローチャートである。

【0016】

まず、送信系統では、図１に示すように、信号生成器１１で送信種信号が生成され、変調器１２で変調処理が施された後、周波数変換器１３で高周波信号に変換され、パルス変調器１４でパルス変調されて、送信アンテナ１５からＮ（Ｎ≧２）ヒットのパルスとなって送信される。

【0017】

一方、受信系統では、図２に示すように、受信アンテナ２１で受信した信号は、周波数変換器２２で周波数変換され、ＡＤ変換器２３でディジタル信号に変換される。次に、ＦＦТ／ＰＣ処理器２４でslow-time軸でＦＦＴ処理して周波数領域に変換され、パルス圧縮（非特許文献１）信号の場合は、パルス圧縮（レンジ圧縮、非特許文献１）され、レンジ－ドップラデータ（ＲＤデータ）が得られる。

【0018】

このＲＤデータは、デノイズ検出器２６により、所定のタイミングで順次抽出され、レンジ軸及びドップラ軸で所定の大きさに分解される。この様子を図３に示す。図３に示すように、ＲＤデータの検出領域を小分割する場合、小分割した境界付近に目標があるときは検出できない場合がある。このため、小分割単位はレンジ－ドップラ軸で重複させるものとする。

【0019】

デノイズ検出器２６では、上記小分割単位のＲＤデータ毎に、図４に示す処理を行い、分割単位をデータ合成し、所定のスレショルドを超える極大値を抽出して目標検出する。図４に示すデノイズ検出処理は、まずデータを上記小分割単位で分割し（ステップＳ１１）、学習モデルを用いた推論処理を実行し（ステップＳ１２）、分割単位の処理が終了したか判断し（ステップＳ１３）、終了していなければ次の分割単位の処理に変更して（ステップＳ１４）、ステップＳ１１の処理に戻る。また、ステップＳ１３で分割単位の処理が終了していれば、分割単位で得られたデータを合成し（ステップＳ１５）、その合成データから目標を検出し（ステップＳ１６）、一連の処理を終了する。ステップＳ１６において、目標の検出に、極値検出を用いてもよいし、その代わりにＣＦＡＲ（非特許文献２参照）を用いてもよい。

【0020】

ここで、ステップＳ１２の推論処理に用いる学習モデルの学習手法について、図５乃至図７を参照して説明する。図５（ａ）、（ｂ）は、それぞれ図４の学習モデルに用いる学習データと教師データを示している。図６は、図４の推論処理に用いる学習モデルの学習処理フローを示している。図７（ａ）、（ｂ）は、図３に示すデノイズ処理について、学習モデル処理前と学習モデル処理後で比較して示している。

【0021】

学習データは、図５（ａ）に示すように、ＲＤデータを小分割したデータに、目標信号を重畳させて作成する。目標信号としては、予め実測値または計算値を準備しておき、レンジ－ドップラ軸のセル位置、振幅、目標信号の幅等をランダムに設定し、各小分割単位に重畳する。これにより、実測値のクラッタや熱雑音の不要信号Ｎに目標信号Ｓを重畳した学習データＳ＋Ｎを生成できる。教師データとしては、図５（ｂ）に示すように、学習データで用いた目標Ｓのみを小分割単位毎に設定して生成する。この学習データと教師データと学習モデルを用いて、ＣＮＮ（畳み込みニューラルネットワーク、非特許文献４）等で構成する学習モデルにより学習する。

【0022】

具体的には、図６に示すように、実測値のクラッタや熱雑音の不要信号Ｎに目標信号Ｓを重畳した学習データＳ＋Ｎを生成し（ステップＳ２１）、学習モデルを設定し（ステップＳ２２）、学習データＳ＋Ｎと目標信号Ｓのみの教師データＳを用いて学習処理して（ステップＳ２３）、所定のエポック数が終了したか判断し（ステップＳ２４）、終了していなければ、学習データを変更してステップＳ２１に戻り、エポック数が終了した場合には、終了した時点の学習モデルの学習パラメータを保存して一連の処理を終了する。以上の処理をデノイズ処理（非特許文献５）と呼ぶ。

【0023】

上記の学習処理は、通常、オフラインで行うが、リアルタイム処理時には、学習結果のモデルを用いて推論処理を行う。学習した結果、図７（ａ）に示す学習モデル処理前の状況と、図７（ｂ）に示す学習モデル処理後の状況とを比較して明らかなように、誤検出を抑圧して、目標を抽出することができる。

【0024】

以上は、受信アンテナ２１によるΣビーム（和ビーム）の処理である。次に、図８乃至図１０を参照して説明する。

【0025】

ここで、図８（ａ），（ｂ）は、ΣビームとΔビームにより誤差電圧εを算出し、予め取得した誤差電圧テーブルを用いて測角する手法を示し、図９（ａ），（ｂ）は、ΣビームとΣ2ビームのスクイント測角により誤差電圧εを算出し、予め取得した誤差電圧テーブルを用いて測角する手法を示し、図１０（ａ），（ｂ），（ｃ）は、Σビーム、ΣＡＺビーム、ΣＥＬビームの各々について、デノイズ処理を行う例を示している。

【0026】

まず、測角のためには、通常は、アンテナ開口をＡＺ軸（ＥＬ軸）で開口２分割して形成したΔビーム（差ビーム）を用いた位相モノパルス測角を用いる（非特許文献３参照）。これは、図８（ａ），（ｂ）に示すように、ΣビームとΔビームにより、次式で示す誤差電圧εを算出し、予め取得した誤差電圧テーブルを用いて、測角する手法である。

【0027】

【数1】

【0028】

デノイズ処理を行うと、位相成分が失われるため、この位相モノパルス処理を適用できない。対策として、Σビームに対して、ＡＺ軸（ＥＬ軸）においてビーム幅内で角度をずらせたスクイントビームΣＡＺ（ΣＥＬ）による振幅成分のみを用いたスクイント測角を適用する。これを図９に示す。

【0029】

【数2】

【0030】

この処理を行うためには、図１０（ａ），（ｂ），（ｃ）に示すように、Σビーム、ΣＡＺビーム、ΣＥＬビームの各々について、デノイズ処理を行う。デノイズ処理後のΣビームの出力により目標の検出処理を行って、Σビーム、ΣＡＺビーム、ΣＥＬビームより目標検出セルを抽出して、（２）式を用いて測角処理を行う。この手法により、デノイズ処理により不要信号を抑圧した信号で測角ができ、角度精度を向上することができる。

【0031】

以上のように、本実施形態に係るレーダシステムは、単パルスまたは変調したＮ（Ｎ≧１）パルスを用いて、slow-time軸でコヒーレント積分処理するレーダシステムであって、予めレンジ－ドップラデータ（ＲＤデータ）を取得し、そのＲＤデータをレンジ軸とドップラ軸で重複させながら、Ｍ通りに分割した不要波データと予め取得した目標データ（教師信号）を組み合わせた学習データを用いて、ＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）モデルを学習させ、その学習モデルを用いて、リアルタイムに入力されるΣビームとＡＺ軸（ＥＬ軸）のスクイントビームのＲＤデータをＭ通りに分割し、分割単位毎にデノイズ処理して合成したＲＤデータを用いて、ΣビームによりＣＦＡＲ（Constant False Alarm Rate：定誤警報率）または極大値等による目標検出処理によって目標を検出し、ΣビームとＡＺ軸（ＥＬ軸）のスクイントビームを用いて測角処理を行う。

【0032】

すなわち、本実施形態によれば、デノイズ処理により、クラッタや熱雑音の影響を抑圧することができ、これによって小目標を検出して、測角精度を向上させることができる。

【0033】

（第２の実施形態）事前処理
第１の実施形態では、デノイズ処理として、学習モデル処理により不要波を抑圧して測角する手法について述べた。本実施形態では、その測角精度を向上する手法について、図１１乃至図１３を参照して説明する。図１１及び図１２において、それぞれ図２及び図３と同一部分には同一符号を付して示し、ここでは異なる部分について説明する。

【0034】

図１１は第２の実施形態に係る受信系統の構成を示すブロック図、図１２は図１１に示すデノイズ処理の流れを示すフローチャート、図１３は図１２に示すデノイズ処理を具体的に示す概念図である。

【0035】

第２の実施形態において、第１の実施形態と異なる点は、デノイズ検出処理器２６の前に事前処理器２Ａを配置し、デノイズ処理における推論処理（ステップＳ１２）の前段で事前処理（ステップＳ１７）を実行するようにした点にある。

【0036】

上記事前処理を図１３に示す。まず、ＲＤデータの目標が存在する可能性の低い遠距離、高ドップラ付近のデータを用いてノイズのrms（root mean square）値を算出し、所定の係数を乗算した信号最小値を算出する。次に、ΣビームとΣＡＺ（ΣＥＬ）ビームのレンジ－ドップラデータを分割する。次にΣビ－ムの分割単位毎に、最大振幅が信号最小値を超える場合に、最大振幅値により規格化する。信号最小値を設定する理由は、ノイズのみの場合に、規格化によって信号振幅が大きくなることを防ぐためである。また、規格化を行う理由は、信号振幅の大小により、デノイズの不要波抑圧効果がばらつくのを抑えるためである。

【0037】

この規格化係数を用いて、ΣＡＺ（ΣＥＬ）を規格化する。これにより、規格化を行っても、ΣビームとΣＡＺ（ΣＥＬ）ビームの振幅比が保存されるため、（３），（４）式によるスクイント測角を実施することができる。

【0038】

以上のように、本実施形態によれば、分割したデータ毎に、Σビームの最大振幅により規格化係数を算出し、Σビームとスクイントビームに同じ規格化係数を適用して、デノイズ処理を行う。すなわち、分割したデータ毎にΣビームの最大値で規格化することにより、信号振幅の大小による抑圧効果のばらつきを抑えるとともに、Σビームの規格化係数をスクイントビームに適用することで、Σビームとスクイントビームの差を保持し、これによって高精度なスクイント測角を可能にすることができる。

【0039】

（第３の実施形態）ショートカット
第１の実施形態では、学習モデルとして、ＣＮＮ等を用いた一般的な構成について述べた。本実施形態では、不要波抑圧効果の高いショートカットを使うデノイズ方式（非特許５）について、図１４乃至図１６を参照して説明する。図１４は、第３の実施形態に係るレーダシステムの受信系統の構成を示すブロック図、図１５は、第３の実施形態のデノイズ処理として、２種の学習モデルを含む場合の流れを示すフローチャート、図１６は、第３の実施形態のデノイズ処理として、１種の学習モデルを含む場合の流れを示すフローチャートである。図１４乃至図１６において、それぞれ図２、図６、図１１と同一部分には同一符号を付して示し、ここでは異なる部分について説明する。

【0040】

第３の実施形態において、デノイズ検出器２Ｂの学習モデルが、図１５または図１６に示すように、第１及び第２の実施形態のデノイズ検出器２６の学習モデルと異なる。図１５に、ＣＮＮの学習モデル処理（ステップＳ２２１）、差分出力処理（ステップＳ２２２）、ステップＳ２２１のショートカットを含む学習モデルＡ（デノイズモデル）（ステップＳ２２Ａ）とショートカットを含まないＣＮＮの学習モデル処理（ステップＳ２２３）による学習モデルＢ（ステップＳ２２Ｂ）を縦続接続した処理フローを示す。図１５では、モデルＡの後モデルＢの順としているが、逆順でもよい。また、モデルＡとモデルＢの少なくともいずれか一方を含むものとする。

【0041】

ショートカットの働きについて、モデルＡのみを抽出した図１６で説明する。ショートカットは、ＣＮＮモデルの入力からＣＮＮ出力に向けたラインであり、ＣＮＮ出力とＣＮＮ入力の差分を演算するために用いる。これにより、学習データとして、不要信号Ｎ＋目標信号Ｓを入力し、差分出力が教師データになるように学習すると、ＣＮＮモデルの部分で、不要信号を模擬するような処理になり、入力データのＳ＋Ｎから、模擬したＮを減算することで、Ｓを抽出する処理になる。これにより、不要信号を抑圧でき、目標信号を検出しやすくすることができる。

【0042】

さらに、ショートカットを含まないモデルＢを縦続接続することで、教師である目標信号のみを抽出する学習を実施することができる。この場合、処理規模は増えるが、より目標のみを抽出しやすくすることができる。

【0043】

以上のように、本実施形態によれば、ＣＮＮモデルとして、ショートカットを含む学習モデルとショートカットを含まない学習モデルの少なくともいずれか一方を用いる。すなわち、ショートカットを用いたＣＮＮモデルと、ショートカットを含まないモデルを縦続接続する場合は、処理コストが最大であるが抑圧性能は高く、いずれか一方の場合は、抑圧性能が劣るが、処理コストが低くなり、運用に応じて最適な選定をすることができる。

【0044】

（第４の実施形態）サブアレイＤＢＦ
第１の実施形態では、Σビーム、ΣＡＺビーム、ΣＥＬビームを形成して、スクイント測角する手法について述べた。本実施形態では、サブアレイ型ＤＢＦを用いることで、位相モノパルスビームとスクイントビームの両者を同一のハードウェアで構成して、統合処理をする手法について、図１７乃至図２０を参照して説明する。

【0045】

図１７は、第４の実施形態に係るレーダシステムの受信系統の構成を示し、図１８は、第４の実施形態において、アンテナ開口をサブアレイに分割した例を示し、図１９は、第４の実施形態に適用されるサブアレイ型ＤＢＦの構成例を示し、図２０は、第４の実施形態において、サブアレイの受信信号のビーム走査のための位相を説明するための座標系を示している。

【0046】

図１７に示す受信系統では、アンテナ開口を図１８（ａ）または図１８（ｂ）に示すようにサブアレイに分割し、サブアレイ内はアナログ合成とし、サブアレイ間はＤＢＦにより合成する。図１７に示す受信系統では、サブアレイ３１１～３１ｎで、それぞれΣビームとＡＺ軸でスクイントしたΣＡＺビーム、ΣビームとＥＬ軸でスクイントしたΣＥＬビームの信号を受信し、それぞれの受信信号を周波数変換器３２１～３２ｎで周波数変換し、ＡＤ変換器３３１～３３ｎでディジタル信号に変換する。

【0047】

続いて、サブアレイごとの受信出力を、それぞれＦＦＴ／ＰＣ（Fast Fourier Transform／Pulse Compression）３４１～３４ｎでＦＦＴ演算して周波数領域に変換した後、ＤＢＦ３５でΣビーム、ΣＡＺビーム、ΣＥＬビームの受信信号について指定方向にＤＢＦ演算し、ＣＦＡＲ検出器３６及びデノイズ検出器３７でそれぞれ目標検出を行い、統合処理器３８で各ビームの目標検出結果を統合し、観測値出力器３９から目標の観測値を出力する。

【0048】

一方、統合処理器３８の出力をセル抽出器４０１～４０ｎに順次入力し、セル抽出器４０１～４０ｎで、ＦＦＴ／ＰＣ３４１～３４ｎからのサブアレイごとの周波数信号と統合処理器３８からの処理信号とを照らし合わせて目標検出セルを抽出し、それぞれＤＢＦモノパルスビーム形成器４１、ＡＺ／ＥＬ位相モノパルスビーム形成器４２で目標の振幅・位相情報を取得する。また、セル抽出器４０ｎの出力について、さらにセル抽出器４０ｎ＋１に入力して目標が存在する全セルを抽出し、その抽出結果をＤＢＦ３５に送ってＤＢＦ形成の方向を指定するとともに、デノイズ測角器４３でΣビーム、ΣＡＺビーム、ΣＥＬビームそれぞれのデノイズ測角を行い、ＡＺ／ＥＬ位相モノパルスビーム形成器４２からの目標の振幅・位相情報とともに、統合処理器４４に送る。統合処理器４４は、検出目標それぞれの振幅、位相、測角値を統合し、目標情報として観測値出力器３９に送り、統合処理器３８からの目標検出結果と共に観測値出力器３９から出力される。

【0049】

ここで、上記サブアレイ３１１～３１ｎそれぞれの内部系統は、図１９に示すように、アンテナ素子５１１～５１４の受信信号を低雑音増幅器５２１～５２４で低雑音増幅し、移相器５３１～５３４によりビーム走査のための位相制御を受信ビーム制御器５５により設定した後、合成器５４により合成して、サブアレイ出力を得る。

【0050】

図１０（ａ）は開口をＡＺ４×ＥＬ４に分割した場合、図１０（ｂ）は開口をＡＺ２×ＥＬ２に分割した場合であり、偶数分割であれば、他の分割手法でもよいのは言うまでもない。各サブアレイ３１１～３１ｎ内の位相は、所定のＡＺ角度方向、ＥＬ角度方向にそれぞれビームを形成するように設定する。これにより、開口２分割による和ビームΣと差ビームΔＡＺ（ΔＥＬ）を形成することができ、（１）式と（２）式を用いて位相モノパルス測角ができる。

【0051】

一方、サブイアレイ内の各アンテナ素子の位相はそのままで、サブアレイ間のＤＢＦにより、スクイントビームΣＡＺ（ΣＥＬ）を形成できる。

【0052】

これを定式化する。サブアレイの信号のビーム走査のための位相は、図２０の座標系を参照して、Σビーム、ΣＡＺビーム、ΣＥＬビームにおいて、次式で与えられる。

【0053】

【数3】

【0054】

これらの位相設定によるビームを用いて、第１乃至第３の実施形態のデノイズ処理により、高精度なスクイント測角を実現することができる。

【0055】

以上の処理により、まず検出については、統合処理（３８）において、デノイズ処理前のΣビームとデノイズ処理後のΣビームのうち、ＳＮが高い方の結果を選定し、目標のレンジ・ドップラセルを抽出することができる。測角については、統合処理（４４）において、デノイズ処理前の方が、ＳＮが高い場合には、位相モノパルスを用い、逆の場合は、デノイズ処理後のスクイント測角値を用いて、観測値を出力する。これにより、デノイズ処理による検出結果または測角結果のばらつきを抑えることができる。

【0056】

以上のように、本実施形態によれば、スクイントビームをサブアレイ型ＤＢＦで形成し、デノイズ前の処理とデノイズ後の処理の結果について、目標毎にＳＮを比較して、大きい方のレンジ・ドップラセルを用いて、デノイズ前の処理では位相モノパルス（スクイント測角）、デノイズ後の処理ではスクイント測角により、測角処理を行う。すなわち、サブアレイ型ＤＢＦを用いることで、位相モノパルスビームとスクイントビームの両者を同一のハードウェアで構成し、デノイズ前の処理とデノイズ後の処理の検出または測角の統合処理をすることで、デノイズ処理による検出結果または測角結果のばらつきを抑えることができる。

【0057】

なお、以上の処理は、デノイズ処理として述べたが、超分解能処理（SRCNN：Super-Resolution Convolution Neural Network、非特許文献６参照）等、他の処理を適用してもよいのは言うまでもない。

【0058】

その他、本発明は上記実施形態をそのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。更に、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。

【符号の説明】

【0059】

１１…信号生成器、１２…変調器、１３…周波数変換器、１４…パルス変調器、１５…送信アンテナ、
２１…受信アンテナ、２２…周波数変換器、２３…ＡＤ変換器、２４…ＦＦＴ／ＰＣ（Fast Fourier Transform／Pulse Compression）処理器、２５…ＤＢＦ（Digital Beam Forming）処理器、２６…デノイズ検出器、２７…観測値出力器、２８…セル抽出器、２９…デノイズ測角器、２Ａ…事前処理器、２Ｂ…デノイズ検出器、
３１１～３１ｎ…サブアレイ、３２１～３２ｎ…周波数変換器、３３１～３３ｎ…ＡＤ変換器、３４１～３４ｎ…ＦＦＴ／ＰＣ、３５…ＤＢＦ、３６…ＣＦＡＲ検出器、３７…デノイズ検出器、３８…統合処理器、３９…観測値出力器、４０１～４０ｎ，４０ｎ＋１…セル抽出器、４１…ＤＢＦモノパルスビーム形成器、４２…ＡＺ／ＥＬ位相モノパルスビーム形成器、４３…デノイズ測角器、４４…統合処理器。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】