新闻详情

新闻详情

首页 / 资讯中心 / 详情

雷达测角基础

发布时间:2026/11/13 21:16:28来源:尧图网络
雷达测角基础
相位测角法两天线相位法测角原理图示中黑色倒三角分别为天线1和2当目标距离两天线远距离时那么目标与两天线的连线即黑色虚线和黄色虚线可近似看为平行。以天线2向目标与天线1的连线做垂直线即蓝色虚线BC。则此时可视为蓝虚线BC上的电磁波到目标然后反射回的延时时间是相同的。到达蓝虚线后再经过一段延时天线1A可收到回波信号。如果目标与两天线法线的夹角为此角为未知角即我们要测量的角。记两天线相距AC为两天线是自己设置位置所以此距离是可知。则可得AB距离为。记电磁波波长为此为已知参数。可得电磁波在经距离AB间有多少个波长即为。一个波长对应一个周期一个周期对应相位。则可得电磁波从B到A的历程中的相位变化为。即得相位差和角度的关系为。其中为相位比较器测得的两天线AC间的相位差由前面近似推导得BC线上的相位相同即亦是AB间的相位差。则可得。即要测量的角度值。无模糊测角范围角度范围理论上空间内为但在数值上可有在雷达角度测量中把超过范围称为测角模糊。将范围内的相位记为。由函数在定义域内为单调增所以可得无模糊测角范围为其中为当时的测角值即。进一步分析由函数单调增性可得越小越大越大即无模糊测角范围越大。称短的两天线间距为短基线短基线保证了无模糊测角范围。测角误差分析与多值性由前面论述已知相位差与测角值之间的关系为。忽略和的误差对关系式进行全微分可得整理可得。其中越小代表测角误差越小即测角精度越高。由全微分后的关系式可知1减小则减小。2减小即当固定时增大则减小。3当时即最大为1则最小。当时即最小为0则最大趋于无穷。由2可知称长的天线间距为长基线长基线保证了高的测角精度。多基线测角由无模糊测角范围和测角误差分析两段论述短基线保证无模糊测角范围长基线保证高测角精度为同时保证无模糊测角范围和高的测角精度延申出了多基线测角。由两天线相位法测角原理可知天线12间有。这里为短基线是为了保证无模糊测角范围那么则需要不然就失去了短基线保证无模糊测角范围的意义。同理有天线13间的相位差与测角关系为。这里需要说明的是经计算得到的相位差是可能超过范围的。但是经相位比较器测得的相位差是磨去整数倍的。即实际相位差可能为但相位比较器给出的测得数值为。而长基线下的天线13是为了保证测角精度的所以我们所要求的角度值是用13天线间的关系式求得。天线13间的 测角值与相位差的关系式有其中为 天线13间的间距是已知量为雷达发射电磁波的波长是已知量。则此时要求只需再知其中可由相位比较器测得。则此时只需通过加入天线12间的关系求得。天线12间有1天线13间有2式2比式1可得两边同乘可得再同除有易知为整数是小于1的则。其中皆为可知量。另为取整。则可得。其中由上述推理取整可得由相位比较器测得。那么最终可得多基线测角得值。本章内容中间推导过程有较多近似和忽略其中未做深入探讨分析请读者斟酌理解。参考魏青. 雷达原理. 西安电子科技大学声明本文发表内容为经学习后个人理解记述其中内容可能缺乏专业严谨性欢迎各位老师批评指正。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/13 10:09:00

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉