JP7551476B2 - レーダ装置及びレーダ信号処理方法 - Google Patents

Description

本実施形態は、レーダ装置及びレーダ信号処理方法に関する。

従来のレーダ装置では、クラッタや熱雑音環境下において小目標を検出する際には、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が、非検出や誤検出が発生する問題があった。

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) 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) モノパルス方式、吉田、‘改訂レーダ技術’、電子情報通信学会、pp.260-264 (1996) 畳み込みニューラルネットワーク（CNN: Convolutional Neural Network）、斎藤、‘ゼロから作るDeep Learning’、オライリー・ジャパン、pp.205-221 (2016) 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) SRCNN、Chao Dong, ’Image Super-Resolution Using Deep Convolutional Networks’, arXiv:1501.00092v3, July (2015)

以上述べたように、従来のレーダ装置では、クラッタや熱雑音環境下において小目標を検出する際には、非検出や誤検出が発生する問題があった。

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、誤検出を抑圧し、小目標を検出することのできるレーダ装置及びレーダ信号処理方法を提供することにある。

上記の課題を解決するために、本実施形態に係るレーダ装置は、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装置であって、前記コヒーレント積分処理の結果から所定のタイミングのレンジ－ドップラデータ（RDデータ）を抽出し、前記所定のタイミングで抽出されたRDデータを、レンジ軸とドップラ軸でM通りに分割し、分割単位に予め準備された実測値または計算値に基づく目標を重畳させて不要信号に目標を重畳した学習データを生成し、前記学習データで用いた目標のみを前記分割単位毎に設定した教師データを前記学習データと組み合わせて学習モデルを学習させ、前記コヒーレント積分結果から連続して入力されるRDデータをM通りに分割して前記学習モデルで学習し、その学習結果であるウェイトを用いて前記分割の結果に対してウェイト演算を行って不要信号を抑圧し、分割単位毎にデノイズ処理して合成したRDデータを用いて目標を検出し、前記検出された目標の測距、測速及び測角処理の少なくともいずれかの処理を行う。

すなわち、本実施形態では、不要波データと目標データ（教師信号）による学習モデルを用いたRDデータの分割、デノイズ、合成を行うことにより、クラッタや熱雑音の影響を抑圧し、小目標を検出しやすくする。

図１は、第１の実施形態に係るレーダ装置の送信系統の構成を示すブロック図である。 図２は、第１の実施形態に係るレーダ装置の受信系統の構成を示すブロック図である。 図３は、第１の実施形態の受信系統において、学習モデルで実行される学習の処理の流れを示すフローチャートである。 図４は、第１の実施形態の受信系統において、受信処理で得られたRDデータをレンジ軸及びドップラ軸で所定の大きさに分解する様子を示す図である。 図５は、第１の実施形態の受信系統において、RDデータを小分割したデータに目標信号を重畳させて学習データを作成する様子を示す図である。 図６は、第１の実施形態の受信系統において、学習モデル処理により不要波を抑圧して目標を検出しやすくする様子を示す図である。 図７は、第２の実施形態に係るレーダ装置の受信系統の構成を示すブロック図である。 図８は、第２の実施形態の受信系統において、統合処理によりSNが所定のスレショルドを超える場合の誤検出を抑圧する様子を示す図である。 図９は、第２の実施形態の受信系統において、統合処理によりSNが所定のスレショルドを超えない場合の目標検出を優先して処理する様子を示す図である。 図１０は、第３の実施形態に係るレーダ装置の受信系統の構成を示すブロック図である。 図１１は、第３の実施形態の受信系統において、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CNNの学習モデルを順に実行する場合の処理の流れを示すフローチャートである。 図１２は、第３の実施形態の受信系統において、ショートカットを含む学習モデルのみを抽出した場合の処理の流れを示して、ショートカットの働きについて説明するためのフローチャートである。 図１３は、第４の実施形態に係るレーダ装置の受信系統の構成を示すブロック図である。 図１４は、第４の実施形態の受信系統において、学習低分解能、教師高分解能の場合の処理の流れを示すフローチャートである。 図１５は、第４の実施形態の受信系統において、学習低分解能の処理内容を説明するための図である。

以下、実施形態について、図面を参照して説明する。

（第１の実施形態）
図１乃至図６を参照して、第１の実施形態を説明する。

図１及び図２は、それぞれ第１の実施形態に係るレーダ装置の送信系統、受信系統の構成を示すブロック図である。

図１に示す送信系統において、信号生成器１１は送信種信号を生成し、変調器１２は送信種信号から変調信号を生成し、周波数変換器１３は変調信号を高周波信号に変換し、パルス変調器１４は高周波信号をパルス変調（パルス圧縮）してN（N≧2）ヒットの送信パルスを生成し、送信アンテナ１５は送信パルスを送信する。

図２に示す受信系統において、受信アンテナ２１は送信パルスの反射信号を受信する。受信信号は、Σ系統とΔ系統に分岐される。
上記Σ系統において、周波数変換器２２は受信信号を中間周波数に周波数変換し、AD変換器２３は周波数変換された信号をディジタル信号に変換する。パルス圧縮器２４は、ディジタル信号に変換された信号をパルス圧縮し（非特許文献１参照）、slow-time FFT処理器２５はパルス圧縮された受信信号にslow-time軸のFFT処理を施して、レンジ－ドップラデータ（RDデータ）を取得する。

RDデータ分解処理器２６は上記RDデータをレンジ軸及びドップラ軸で所定の大きさに分解し、学習モデル処理器２７は、後述のRDデータ学習結果で得られるウェイトで、RDデータの分解データにおけるクラッタや熱雑音の不要波を抑圧する。RDデータ合成器２８は、不要波が抑圧されたRDデータの分解データを合成し、これによって元の大きさのRDデータを取得する。極値検出器２９は、所定のスレショルドを超える極大値のセルを抽出して目標検出結果とする。測距測速処理器２１０は、RDデータのレンジ軸及びドップラ軸の検出位置により、それぞれ、測距及び測速を行う。出力処理器２１１は、測距及び測速結果を後述の測角結果と共に目標情報として出力する。

ここで、RDデータ抽出器２１２は、上記slow-time FFT処理器２５で取得されたRDデータをRDデータ抽出タイミング信号が示す所定のタイミングで抽出する。RD分解処理器２１３は、抽出されたRDデータをレンジ軸及びドップラ軸で所定の大きさに分解する。学習モデル２１４は、CNN（畳み込みニューラルネットワーク、非特許文献４参照）等で構成され、分解されたRDデータを学習し、その学習結果であるウェイトを学習モデル処理器２７に送る。

一方、上記Δ系統において、周波数変換器２１５は受信信号を中間周波数に周波数変換し、AD変換器２１６は周波数変換された受信信号をディジタル信号に変換する。パルス圧縮器２１７はディジタル信号に変換された信号をパルス圧縮し（非特許文献１参照）、slow-time FFT処理器２１８はパルス圧縮された受信信号にslow-time軸のFFT処理を施してRDデータを取得する。

また、RDデータ抽出器２１９は、上記Σ系統のslow-time FFT処理器２５で得られたRDデータから極値検出器２９の検出セルに対応するRDデータを抽出する。RDデータ抽出器２２０は、上記Δ系統のslow-time FFT処理器２１８で得られたRDデータから極値検出器２９の検出セルに対応するRDデータを抽出する。測角処理器２２１は、Σ系統のRDデータとΔ系統のRDデータから検出セルを測角し、その測角結果を出力処理器２１１に送る。

上記構成によるレーダ装置において、以下にその処理動作を説明する。

まず、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で送信種信号から変調信号を生成し、周波数変換器３で変調信号を高周波信号に変換して、パルス変調器１４でパルス変調を施して、送信アンテナ１５から、Ｎ（N≧2）ヒットのパルスを送信する。

一方、受信系統では、受信アンテナ１１で受信した信号をΣ系統とΔ系統に分岐し、それぞれ周波数変換器２２、２１５で受信信号を中間周波数に周波数変換し、AD変換器２３、２１６でディジタル信号に変換し、パルス圧縮器２４、２１７でパルス圧縮（レンジ圧縮）を施し、slow-time軸FFT２５、２１８でslow-time軸のFFT処理を施してRDデータを得る。

このRDデータは、RDデータ抽出器２１２により、所定のタイミング毎に抽出され、RDデータ分解処理器２１３で、レンジ軸及びドップラ軸で所定の大きさに分解される。小分割する場合、小分割した境界付近に目標がある場合は、検出できない場合があるため、小分割単位をレンジードップラ軸で重複させるものとする。

この小分割データを学習データとして、CNN等で構成する学習モデル２１４により学習し、その学習結果であるウェイトを用いて、RDデータ分解処理器２６で分解した結果に対して、学習モデル処理器２７で演算処理することでクラッタや熱雑音の不要波を抑圧する。不要波を抑圧したRDデータの分解データは、RDデータ合成器２８により合成され、元の大きさのRDデータが得られる。その後、極値検出器２９により、所定のスレショルドを超える極大値が抽出され、目標検出結果として、測距測速処理器２０に送られ、RDデータのレンジ軸及びドップラ軸の検出位置により、それぞれ、測距及び測速される。ここで、極値検出の代わりにCFAR（非特許文献２参照）を用いてもよい。

上記の処理を、図３乃至図６を参照して説明する。ここで、図３は学習モデルで実行される学習の処理の流れを示すフローチャート、図４は受信処理で得られたRDデータをレンジ軸及びドップラ軸で所定の大きさに分解する様子を示す図、図５はRDデータを小分割したデータに目標信号を重畳させて学習データを作成する様子を示す図、図６は、学習モデル処理により不要波を抑圧して目標を検出しやすくする様子を示す図である。

まず、上記学習モデル２１４では、図３に示すように、学習データとして不要信号Nと教師データSを入力する（ステップＳ１１）。入力データからＣＮＮ等による学習モデルを構築し（ステップＳ１２）、その学習モデルについて教師データSについて学習処理を行う（ステップＳ１３）。ここで、エポック数が終了したか判断し（ステップＳ１４）、終了していなければ（No）、学習データを変更し（ステップＳ１５）、ステップＳ１１に戻って一連の処理を実行し、エポック数が終了した場合には（Yes）、一連の処理を終了する。

すなわち、学習モデル２１４に入力する学習データは、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、学習させ、所定のエポック数が終了した時点の学習モデルの学習パラメータを保存する。この保存した学習モデルにより、学習モデル処理を行えば、図６（ａ）,（ｂ）に示すように、不要波を抑圧することができ、目標を検出しやすくすることができる。

上記学習モデル２１４には、RDデータ抽出器２１２により所定のタイミングで抽出されるRDドップラデータを、RDデータ分解処理器２１３により、レンジ軸及びドップラ軸で、所定の大きさに分解したデータが入力される。この様子を図４に示す。小分割する場合、前述のように、小分割した境界付近に目標がある場合は、小分割単位をレンジードップラ軸で重複させる。この小分割データを学習データとして、CNN等で構成する学習モデル２１４により学習し、その学習結果であるウェイトを用いて、RDデータ分解処理器２６で分解した結果に対して、学習モデル処理器２７でウェイト演算することで、クラッタや熱雑音の不要波を抑圧する。

以上は、受信アンテナ１１の全体開口を合成したΣビーム（和ビーム）の処理である。次に、受信アンテナをAZ軸またはEL軸に開口分割したΔAZビームまたはΔELビーム（以下、Δビームと略す）の処理について述べる。

Σビームと同様に、Δビームも周波数変換器２１５で周波数変換され、AD変換器２１６でディジタル信号に変換される。次に、パルス圧縮（非特許文献１参照）信号の場合は、パルス圧縮器２１７でパルス圧縮（レンジ圧縮）され、slow-timeFFT２１８で slow-time軸のFFT処理が施されて、レンジ－ドップラデータ（RDデータ）を得る。このRDデータの中で、RDデータ抽出器２２０により、Σビームにより検出したレンジ－ドップラセルと同じΣビームとΔビームのセルを抽出し、測角処理器２２１により、AZ軸及びEL軸のモノパルス測角（非特許文献３参照）を行い、出力処理器２１１により、距離、速度、測角結果を統合して、X、Y、Z座標等に変換して出力する。

（第２の実施形態）
第１の実施形態では、学習モデル処理により、不要波を抑圧する手法について述べた。第２の実施形態では、受信系統において、学習モデル処理とCFAR処理を統合して、誤検出を抑圧する手法について述べる。

図７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である。図７において、図２と同一部分には同一符号を付して示し、ここでは重複する説明を省略する。図７に示す受信系統は、図２に示す構成にCFAR処理器２２２と学習モデル・CFAR統合処理器２２３を追加し、学習モデル処理器２７、RDデータ合成器２８、極値検出器２９により検出した結果Aと、学習モデル処理前のRDデータからCFAR処理器２２２で検出した結果Bを用いて、統合処理を行う。統合処理としては、図８（ａ）～（ｄ）に示すように、SN（信号対雑音電力）が所定のスレショルドを超える場合は、検出結果AとBのAND処理を行って誤検出を抑圧する。SN（信号対雑音比）が所定のスレショルド以下の場合は、図９（ａ）～（ｄ）に示すように、検出結果AとBのOR処理を行って、誤検出が多少残留しても、目標検出を優先して検出する。

以上により、SNの大小により、学習モデル処理の不要波抑圧処理が不十分な場合でも、より誤検出抑圧能力を高め、目標を検出しやすくすることができる。

（第３の実施形態）
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。第３の実施形態では、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（非特許文献５参照）について述べる。

図１０は、第３の実施形態に係る受信系統の構成を示すブロック図である。図１０において、図２と同一部分には同一符号を付して示し、ここでは重複する説明を省略する。図１１は、第３の実施形態の受信系統において、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CNNの学習モデルを順に実行する場合の処理の流れを示すフローチャート、図１２は、第３の実施形態の受信系統において、ショートカットを含む学習モデルのみを抽出した場合の処理の流れを示して、ショートカットの働きについて説明するためのフローチャートである。図１１及び図１２において、図３と同一部分には同一符号を付して示し、ここでは重複する説明を省略する。
図１０に示す受信系統は、図２の学習モデル２１４と学習モデル処理器２７に代わって、ショートカット有りの学習モデル２１４ａとショートカット有りの学習モデル処理器２７ａを用いた点が第１の実施形態と異なる。図１１に示す学習処理では、ショートカットを含むCNN処理（ステップＳ１２１）及び差分出力処理（ステップＳ１２２）を含む学習モデルＡ（デノイズモデル）とショートカットを含まないCNN（ステップＳ１２３）の学習モデルＢを縦続接続した処理フローを示す。図１１では、モデルＡの後にモデル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。

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１２で説明する。ショートカットは、CNNモデルの入力部から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＋教師データSを入力し差分出力が教師データS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、不要信号を抑圧することができ、目標信号を検出しやすくすることができる。

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することができ、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。

（第４の実施形態）
第３の実施形態では、ショートカットを含む学習モデルＡ（デノイズモデル）とショートカットを含まないCNNの学習モデルＢを縦続接続した処理について述べた。第４の実施形態では、そのモデルを用いて、不要波を抑圧し、目標の高分解能化を図るSRCNN（Super Resolution CNN、非特許文献６参照）方式について述べる。

図１３は、第４の実施形態に係る受信系統の構成を示すブロック図である。図１３において、図１０と同一部分には同一符号を付して示し、ここでは重複する説明を省略する。また、図１４は、第４の実施形態の受信系統において、学習低分解能、教師高分解能の場合の処理の流れを示すフローチャート、図１５は、第４の実施形態の受信系統において、学習低分解能の処理内容を説明するための図である。

図１３に示す受信系統は、図２の学習モデル２１４と学習モデル処理器２７に代わって、出力高分解能の学習モデル２１４ｂと出力高分解能の学習モデル処理器２７ｂを用いた点が第１の実施形態と異なる。第４の実施形態において、第３の実施形態と異なる点は、学習データの目標信号Ｓと教師データである。第３の実施形態では、いずれも同じ教師データを用いたが、本実施形態では、学習データの目標信号Ｓよりも、教師データの方がより高分解能化したデータを用いる。このために、実測時の目標信号の分解能を基準として、教師データはより高分解能なデータを準備する必要がある。これは、予め高分解能で取得した実測データか計算値により、目標信号を教師信号として生成し、その目標信号をもとに、学習用の目標信号を生成すればよい。

学習用の信号と教師信号は、レンジ－ドップラ軸のセル位置、振幅をランダムに設定して生成する。この高分解能目標（教師データ）から、学習用の低分解能データを生成する手法を定式化する。まず、高分解能な教師信号sigを逆FFTすると次式となる。

これを帯域制限すると次式となる。

この制限した信号をFFT処理して、低分解能化した学習データを得る。

以上は、２次元の変換について述べたが、いずれか一方の軸のみでもよい。

以上のように、第４の実施形態によれば、高分解能な目標Ｓの教師信号により、低分解能な目標Ｓを生成することができる。この信号を用いて、図１５に示すように、目標信号Ｓをレンジードップラ軸のセル位置、振幅をランダムに設定し、不要信号Ｎである入力信号と重畳した学習データを生成し、それに対応する高分解能な目標Ｓの教師データを用いて学習することができる。

この学習結果を図１３の学習モデル処理器２７ｂに設定して処理すれば、不要波を抑圧し、さらに、目標信号の高分解能化を図ることができる。

なお、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。

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…パルス圧縮器、２５…slow-time FFT処理器、２６…RDデータ分解処理器、２７…学習モデル処理器、２７ａ…ショートカット有りの学習モデル処理器、２７ｂ…出力高分解能の学習モデル処理器、２８…RDデータ合成器、２９…極値検出器、２１０…測距測速処理器、２１１…出力処理器、２１２…RDデータ抽出器、２１３…RD分解処理器、２１４…学習モデル、２１４ａ…ショートカット有りの学習モデル、２１４ｂ…出力高分解能の学習モデル、２１５…周波数変換器、２１６…AD変換器、２１７…パルス圧縮器、２１８…low-time FFT処理器、２１９…RDデータ抽出器、２２０…RDデータ抽出器、２２１…測角処理器、２２２…CFAR処理器、２２３…学習モデル・CFAR統合処理器。

Claims (5)

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装置であって、
   前記コヒーレント積分処理の結果から所定のタイミングのレンジ－ドップラデータ（RDデータ）を抽出し、
   前記所定のタイミングで抽出されたRDデータを、レンジ軸とドップラ軸でM通りに分割し、分割単位に予め準備された実測値または計算値に基づく目標を重畳させて不要信号に目標を重畳した学習データを生成し、前記学習データで用いた目標のみを前記分割単位毎に設定した教師データを前記学習データと組み合わせて学習モデルを学習させ、
   前記コヒーレント積分結果から連続して入力されるRDデータをレンジ軸とドップラ軸でM通りに分割して前記学習モデルで学習し、その学習結果であるウェイトを用いて前記分割の結果に対してウェイト演算を行って不要信号を抑圧し、
   分割単位毎にデノイズ処理して合成したRDデータを用いて目標を検出し、
   前記検出された目標の測距、測速及び測角処理の少なくともいずれかの処理を行うレーダ装置。
2. 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装置であって、
   前記コヒーレント積分処理の結果から所定のタイミングのレンジ－ドップラデータ（RDデータ）を抽出し、
   前記所定のタイミングで抽出されたRDデータを、レンジ軸とドップラ軸でM通りに分割し、分割単位に予め準備された実測値または計算値に基づく目標を重畳させて不要信号に目標を重畳した学習データを生成し、前記学習データで用いた目標のみを前記分割単位毎に設定した教師データを前記学習データと組み合わせて学習モデルを学習させ、
   前記コヒーレント積分結果から連続して入力されるRDデータをレンジ軸とドップラ軸でM通りに分割して前記学習モデルで学習し、その学習結果であるウェイトを用いて前記分割の結果に対してウェイト演算を行って不要信号を抑圧し、
   分割単位毎にデノイズ処理して合成したRDデータを用いて目標を検出し、
   前記デノイズ処理の前のRDデータからCFARにより目標を検出し
   前記デノイズ処理の後のRDデータから検出される第１の目標検出結果と前記デノイズ処理の前のRDデータから検出される第２の目標検出結果について、信号対雑音比が所定のスレショルドを超える場合は、前記第１の目標検出結果と前記第２の目標検出結果のAND処理を行い、信号対雑音比が所定のスレショルド以下の場合は、前記第１の目標検出結果と前記第２の目標検出結果のOR処理を行って目標を最終検出し、
   前記最終検出された目標の測距、測速及び測角処理の少なくともいずれかの処理を行うレーダ装置。
3. 前記学習モデルとして、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に記載のレーダ装置。
4. 前記学習モデルの学習データに用いる目標信号をレンジ－ドップラ軸で低分解能化し、教師データとして、同じ目標信号の高分解能データを用いる請求項３のレーダ装置。
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装置に用いられ、
   前記コヒーレント積分処理の結果から所定のタイミングのレンジ－ドップラデータ（RDデータ）を抽出し、
   前記所定のタイミングで抽出されたRDデータを、レンジ軸とドップラ軸でM通りに分割し、分割単位に予め準備された実測値または計算値に基づく目標を重畳させて不要信号に目標を重畳した学習データを生成し、前記学習データで用いた目標のみを前記分割単位毎に設定した教師データを前記学習データと組み合わせて学習モデルを学習させ、
   前記コヒーレント積分結果から連続して入力されるRDデータをレンジ軸とドップラ軸でM通りに分割して前記学習モデルで学習し、その学習結果であるウェイトを用いて前記分割の結果に対してウェイト演算を行って不要信号を抑圧し、
   分割単位毎にデノイズ処理して合成したRDデータを用いて目標を検出し、
   前記検出された目標の測距、測速及び測角処理の少なくともいずれかの処理を行うレーダ信号処理方法。

Images