CN101509972B - 基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法 - Google Patents

Abstract

本发明提出一种基于连续的高分辨目标距离像修正相关矩阵的宽带雷达检测方法，其步骤为：(1)对含噪距离像进行噪声的标准差估计；(2)基于所得标准差，构造一族非线性收缩映射，根据该收缩映射对含噪距离像进行提炼，得到提炼的多脉冲距离像；(3)基于多脉冲距离像，计算每两个提炼距离像之间的互相关系数，得到修正的互相关系数矩阵；(4)对互相关系数矩阵进行积累，构造检测统计量，并设定当前噪声方差时的检测门限；(5)将检测统计量与检测门限进行比较，判决目标是否存在。本发明具有跨距离单元检测和进行多脉冲积累的优点，可用于在未知先验信息条件下对非合作目标的检测。

Description

基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法

技术领域

本发明属于目标检测技术领域，具体涉及一种宽带雷达的检测方法，用于宽带雷达体制下目标检测。

背景技术

宽带雷达(WBR)或者超宽带雷达(UWB)可以将一个目标分辨成许多独立的散射点，而分辨的散射点的数目取决于目标在雷达径向距离上的扩展和雷达的距离分辨能力。众所周知，距离分辨率与雷达的发射波形的带宽成反比。宽带雷达和超宽带雷达的回波包含了大量的目标信息，通常用于目标成像，识别和分类中。如果在积累过程中目标发生了径向运动或姿态变化，它的高分辨距离像会随着脉冲的不同而不同。由于目标的高分辨距离像是未知的并且随着脉冲不同是变化的，这就增加了在高分辨雷达中检测距离分布式运动目标的复杂性。

三维的散射点中心模型是将一个目标看成是离散的物理散射点的一个集合体。一维的散射中心模型看成是目标的三维散射点模型向雷达视线上的投影。一维模型上的每一个散射单元值对应的是一个距离单元内的所有物理散射点响应的向量和，而正是向量和导致了一维散射中心模型的方位敏感性。方位敏感性是机动飞行的分布式目标检测的一个重点。在现有的检测技术中，往往对于目标作出一些理想的假定，但是通常的检测技术往往忽略距离像的跨距离走动，或是假定目标是低速运动的，并且需要一些关于目标的一些先验知识。然而，对于实际的宽带雷达检测问题中，对于高速运动的飞行目标，跨距离走动是不可避免的，而且也很难获得目标的一些先验知识。

目前宽带雷达检测技术存在的主要不足是：在事先假定情况下设计分布式目标检测方案。而这样的假设和先验知识在实际的检测问题中，是不可能存在的或者是不可能得到的，比如，目标在一个积累脉冲周期内不发生距离走动；目标高分辨距离像中的散射密度是已知的。通常的检测技术都是事先对目标的高分辨距离像先进性一系列的处理，然后基于处理后的能量特征来做检测。利用了纯噪声情况下和含有目标情况下的高分辨距离像的能量特征不同，来检测和判断目标是否存在。在通常的检测方案中，低信噪比情况下，往往很难获得理想的检测性能，而又由于理想假定的限制，很难实现多脉冲积累。

发明内容

本发明的目的在于克服已有技术的不足，提出一种基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法，实现检测目标的跨距离单元检测和多脉冲积累。

为实现上述目的，本发明提供的宽带雷达检测方法，包括如下步骤：

(1)对含噪距离像进行噪声的标准差估计；

(2)基于步骤(1)中所得标准差，构造一族非线性收缩映射，根据该收缩映射对含噪距离像进行提炼，从而得到提炼的多脉冲距离像；

(3)基于提炼的多脉冲距离像，计算每两个提炼距离像之间的互相关系数，得到修正的互相关系数矩阵；

(4)对互相关系数矩阵进行积累，构造检测统计量，并设定当前噪声方差时的检测门限；

(5)将检测统计量与检测门限进行比较，判决目标是否存在，如果检测统计量大于检测门限，则判定目标存在，反之，则判定目标不存在。

本发明与现有技术比较具有以下优点：

1)本发明由于采用了非线性收缩映射，并设计了一种稳健的修正互相关系数积累矩阵，提高了目标检测的性能。

2)本发明由于采用了修正互相关系数积累矩阵，可以对多个连续的高分辨距离像进行同时积累，实现了多脉冲积累。

3)本发明由于没有利用关于目标的任何先验信息，并通过距离像延迟的引入，实现跨距离单元的检测，使目标检测的适用范围增加。

4)本发明由于估计出噪声的方差，并设定当前噪声方差情况下的检测门限，避免了因背景噪声或杂波的变化对目标检测性能的影响，实现准确的检测判决。

附图说明

图1是本发明的方法流程图；

图2是本发明的非线性映射的曲线图；

图3是本发明在H₀情况下复的和实的精炼后的距离像的条件均值和标准差图；

图4是安26飞机的飞行轨迹在地面上的投影图；

图5是目标高分辨距离像中包含80％能量的所需的最少的强散射单元个数图；

图6是本发明的非线性映射提炼某加噪实距离像图；

图7是复距离像和实距离像的平均互相关系数的变化图；

图8是本发明利用映射和没有用映射的性能比较图；

图9是本发明利用复精炼距离像和实精炼距离像的检测性能比较图；

图10当积累数P为4时本发明与多脉冲SSD-GLRT检测方法的性能比较图。

具体实施方式

检测时，假设通过宽带雷达连续的发收信号，经过匹配滤波后获得连续的一维含噪距离像。距离像x_p(m)是一个长度为M的向量，每个点的值代表的是经过脉冲压缩后的在一定距离内的距离单元的幅值。在这里，距离单元的长度与雷达分辨单元的长度是一致的。其中H₀表示仅有杂波和噪声而不存在目标的情况，而H₁表示存在信号的情况：

$\left\{\begin{array}{c}{H}_0:z_p\left(m\right)=w_p\left(m\right),\\ H_1:z_p\left(m\right)=x_p\left(m\right)+w_p\left(m\right),\end{array}\right.m=\mathrm{1,2},\·\·\·,M,p=\mathrm{1,2},\·\·\·,P,---\left(1\right)$

M，P分别代表一个高分辨距离像HRRP中的距离单元数和积累的脉冲数。z_P(m)是观测后接收到的距离像的向量，x_p(m)是第p个高分辨距离像HRRP的第m个距离单元的目标回波经脉压后的值，w_p(m)代表的是第p个脉冲回波的HRRP其中的第m个距离单元上的杂波和噪声回波经脉压后的值。

参照图1，本发明的具体实现如下：

步骤1，对含噪距离像进行噪声的方差估计。

在目标检测中，噪声的方差对于检测系统的确定是非常重要。然而在实际情况中，噪声的方差通常是未知的。因此，必须从观测的HRRP中估计出方差。观测得到的HRRP要么是噪声序列，要么是含噪的目标HRRP。如果噪声是一个零均值的复高斯噪声，且目标仅仅占有整个HRRP的一小部分，利用中值估计器从含噪的目标HRRP中地估计出方差。对输入的连续距离像，零均值的复高斯噪声序列或者是一个含噪的目标HRRP，其噪声方差估计如下式：

${\widehat{\mathrm{\σ}}}_r=\frac{\mathrm{median}\left\{\right|\mathrm{real}\left(z_p\left(m\right)\right)|,m=\mathrm{1,2},\·\·\·,M\}}{0.6745},$

${\widehat{\mathrm{\σ}}}_i=\frac{\mathrm{median}\left\{\right|\mathrm{imag}\left(z_p\left(m\right)\right)|,m=\mathrm{1,2},\·\·\·,M\}}{0.6745},---\left(2\right)$

${\widehat{\mathrm{\σ}}}_w^2=({\widehat{\mathrm{\σ}}}_r^2+{\widehat{\mathrm{\σ}}}_i^2)/2.$

其中

是估计出的标准差的实部，

是估计出的标准差的虚部，

估计出的方差，z_p(m)是被观测的HRRP，real(z)和imag(z)代表复数z的实部和虚部。

步骤2，基于步骤(1)中所得方差，构造一族非线性收缩映射，并对含噪距离像进行提炼。

目标的三维散射中心模型与目标的姿态和散射点结构有着非常重要的联系。大多数飞机仅仅包含了非常少的强物理散射点。对于飞机目标的实测数据表明仅仅分别拥有6个和9个的散射中心点，包括发动机的固定架、尾翼、机翼的结合部和机翼的边缘，其频带范围为1-7GHz。这些匹配于目标物理特征的特殊的散射点对于低信噪比下的检测的意义很大，主要是因为它们更容易被从噪声中检测出来。实际目标的显著的物理散射点的稀疏性显示了在目标的HRRP中，强的散射点同样也是稀疏的。基于目标高分辨距离像的稀疏性，对目标进行非线性收缩映射。

2.1)设计非线性收缩映射函数：

$\mathrm{\ρ}\left(x\right)\≡\frac{{\left(\max \right\{x/{\mathrm{\σ}}_w-\mathrm{1,0}\left\}\right)}^{\mathrm{\μ}}}{1+{\left(\max \right\{x/{\mathrm{\σ}}_w-\mathrm{1,0}\left\}\right)}^{\mathrm{\μ}}},x\∈(0,\∞)---\left(3\right)$

其中σ_w为步骤(1)所估计出标准差，μ∈[1，+∞)，称之为形状参数，ρ(x)是一个非线性收缩映射函数，并且它满足：

(a)ρ(x)∈[0，1]， $\∀x\∈[0,\∞)$

(b)ρ(x₁)≤ρ(x₂)，x₁≤x₂        (4)

(c) $\underset{x\→0^{+}}{\lim }\mathrm{\ρ}\left(x\right)=0,$ $\underset{x\→\∞}{\lim }\mathrm{\ρ}\left(x\right)=1$

函数ρ(x)本质上是提供了一个对于散射单元是强是弱的一个模糊决策。其中(a)式保证了它是一个模糊隶属度函数；(b)式表示了当散射单元的强度越高，它的幅度被收缩的越少；(c)式表示了当散射单元的能量很低时，它将被抛弃；而能量很强时，将会被完全保留。其模糊函数的曲线图如图2所示。

2.2)应用非线性收缩映射对含噪距离像进行提炼：

z_p(m)≡ρ(|z_p(m)|)z_p(m)

(5)

${\tilde{z}}_p\left(m\right)\≡\mathrm{\ρ}\left(\right|z_p\left(m\right)\left|\right)\left|z_p\left(m\right)\right|$

其中z_p(m)是被观测的高分辨距离像HRRP；z_p(m)表示的是对复HRRP进行提炼后的结果；表示的是对实HRRP进行提炼后的结果。

该提炼方法在抑制大量噪声点的同时，尽可能的保留被噪声污染的距离像中的强的散射点。因为目标HRRP本身就是稀疏的，所以非线性收缩映射可以在含噪的HRRP中直接进行操作。当加噪信号通过式(3)和式(5)的提炼后，低于噪声功率的弱散射单元抑制为零，而大于噪声功率的强散射单元得以保留，并且中等幅度的散射单元的值在[0，1]之间得到了幅度上的平滑。所以，该提炼方法显著的抑制了纯噪声序列和加噪目标的连续高分辨率距离像HRRP中的噪声能量。同时，能凸显出对应于目标特征的强散射单元。

步骤3，基于提炼的多脉冲距离像，计算每两个提炼距离像之间的互相关系数，得到修正的互相关系数矩阵。

多个连续脉冲目标的高分辨距离像在幅度上是高度相关的，如果不考虑未知的移位的话，强散射单元经常出现在两个HRRP的相同区域。

3.1)分别定义有着脉冲间隔|p-q|的两个复的和两个实的精炼的HRRP的修正的互相关系数为：

${\mathrm{\λ}}_c(p,q)\≡\underset{\left|\mathrm{\τ}\right|\≤\mathrm{\Δ}|p-q|}{\max }\left\{\right|\underset{m}{\mathrm{\Σ}}{\stackrel{\‾}{z}}_p\left(m\right){\stackrel{\‾}{z}}_q(m+\mathrm{\τ})\left|\right\}$

${\mathrm{\λ}}_r(p,q)\≡\underset{\left|\mathrm{\τ}\right|\≤\mathrm{\Δ}|p-q|}{\max }\left\{\underset{m}{\mathrm{\Σ}}{\tilde{z}}_p\left(m\right){\tilde{z}}_q(m+\mathrm{\τ})\right\}$

其中λ_c(p，q)是第p个和第q个复的精练的HRRP的修正的互相关系数，λ_r(p，q)是第p个和第q个实的精练HRRP的修正的互相关系数，τ是距离像的延迟，z_p(m)，z_q(m)表示第p个和第q个复的精练的HRRP，

是第p个和第q个实的精练的HRRP，m为距离像中的距离单元数，Δ是两个连续脉冲中目标所能跨越的最大可能距离单元数。

对于脉冲间隔为|p-q|的两个脉冲中，目标所能跨越的最大可能距离就为Δ|p-q|。这里的整数Δ依赖于目标的最大可能径向速度以及雷达的重复频率PRF。如果p＝q，式(6)和(7)的定义符合了一个精炼的HRRP的自相关，它反映了在所有距离单元上的一个精炼的HRRP的能量。如果p≠q，两个精炼的HRRP的互相关系数反映了它们之间的相关性。

3.2)根据(3.1)定义的相关系数，确定P个精炼的复HRRP和实HRRP的修正的互相关系数矩阵分别为：

其中Λ_c是复的P个精练HRRP所得到的修正的互相关系数矩阵，

Λ_r是实的P个精练HRRP所得到的修正的互相关系数矩阵。

修正的相关矩阵不同于传统的两个向量的内积的那种相关矩阵。本发明利用依赖偏移量的扩展的互相关方法，对多个接连的高分辨距离像得到一个互相关矩阵，而矩阵的每一个值代表的是对应两个高分辨距离像的相关值。

步骤4，对互相关系数矩阵进行积累，构造检测统计量。

4.1)纯噪声情况下的修正相关系数矩阵中的条件均值和条件方差的确定。

假设P个连续的脉冲的噪声序列是相互独立的、零均值的、白的复高斯噪声，并且有着同样的方差。在H₀即纯噪声假设下，修正的相关矩阵的条件均值和条件方差是对称的有着非零值的Toeplitz矩阵。

(10)

$\mathrm{var}\left\{{\mathrm{\Λ}}_c\right|H_0\}\≡E\{{({\mathrm{\Λ}}_c-\mathrm{mean}\{{\mathrm{\Λ}}_c\left|H_0\right\})}^2\left|H_0\right\}={\left[{\mathrm{\σ}}_c^2\left(\right|p-q\left|\right)\right]}_{p,q=\mathrm{1,2},\·\·\·,P},$

$\mathrm{var}\left\{{\mathrm{\Λ}}_r\right|H_0\}\≡E\{{({\mathrm{\Λ}}_r-\mathrm{mean}\{{\mathrm{\Λ}}_r\left|H_0\right\})}^2\left|H_0\right\}={\left[{\mathrm{\σ}}_r^2\left(\right|p-q\left|\right)\right]}_{p,q=\mathrm{1,2},\·\·\·,P}$

其中mean{Λ_c|H₀}和mean{Λ_r|H₀}分别表示的是复的和实的情况下的修正的相关矩阵的条件均值；var{Λ_c|H₀}和var{Λ_r|H₀}分别表示的是复的和实的情况下的修正的相关矩阵的条件方差；

和分别表示的是矩阵Λ_c和Λ_r中对应p行q列元素的均值；σ_c ²(|p-q|)和σ_r ²(|p-q|)分别表示的是矩阵Λ_c和Λ_r中对应p行q列元素的方差；

σ_c，σ_r是与噪声方差成正比。

由于(6)和(7)式的非线性映射、加和、求模以及最大运算，解析推导出它们的均值和方差是很困难的。一个简单而有效的方式来估计它们的均值和方差的方法是对于单位方差零均值的蒙特卡罗实验来得到。对长度为256的单位方差的噪声序列的修正的相关矩阵的均值和方差，如图3所示，其中图3(a)表示复情况的均值，图3(b)表示实情况的均值，图3(c)表示复情况的标准差，图3(d)表示实情况的标准差。由图3可以看出，除了对角线以外，随着脉冲间隔|p-q|的增加，方差是增加的。这个表示了精炼的噪声HRRP的互相关随着脉冲间隔|p-q|的增加变得分散。从之前对目标距离像的分析，知道两个目标的HRRP的互相关可以随着脉冲间隔的扩大而降低。因此，有着较小脉冲间隔的两个精炼的HRRP的互相关提供了目标存在的较大信息。另外，对于有目标情况下的修正矩阵的均值和方差的分析是没有意义的，因为目标的距离像随着目标姿态的变化是变化的，随着目标的不同而不同。

4.2)检测统计量的构造

因为修正相关矩阵的对称性，因此仅仅积累它的上对角元素。由于在式子(11)中的“最大”操作，故认为低于条件均值

的互相关系数λ_c(p，q)不提供目标存在的信息。这个预决策很大的降低了噪声序列的积累，而基本保留了含噪信号的积累，因为噪声序列的互相关低于条件均值的概率为0.5，然而含噪目标HRRP的互相关系数低于条件均值的概率很小，具体概率依赖于信噪比SNR。因此，最大操作对于目标检测是有益处的。对于每一项的权值1/σ_c(|p-q|)符合了多数的目标存在的信息由小的条件标准差的项来提供，这样，观测的互相关系数对于它们的条件均值有着相等的方差。为此，构造出检测统计量如下：

对于复情况，则检测统计量为：

对于实情况，则检测统计量为：

其中，和

分别表示复修正相关系数矩阵和实修正相关系数矩阵中对应p行q列元素的均值；σ_c ²(|p-q|)和σ_r ²(|p-q|)分别表示的是复修正相关系数矩阵和实修正相关系数矩阵中对应p行q列元素的方差。

4.3)设定检测门限

因为在计算检测统计量中的非线性收缩映射和非线性操作的使用，条件概率p(ξ_c|H₀)和p(ξ_r|H₀)是很难得到的。所以利用对于噪声序列的蒙特卡罗实验来得到检测门限。

假设噪声序列是零均值的，单位方差的白高斯噪声序列。得到在H₀情况下的关于检测统计量ξ_c的N个采样ξ_c(n)，n＝1，2，...，N。对于给定的虚警率p_f，将N个采样从小到大排列，取排列后的序列的第[Np_f]个采样作为检测门限η_unit。[Np_f]表示不超过实数Np_f的最大整数。测试的数目N必须足够的大，以保证获得的检测门限的精度。N必须满足Np_f≥100。对于p_f＝10^-3需要至少100,000。

由于噪声的检测统计量是与噪声方差成正比的，对于方差为σ_w ²的噪声的检测统计量是单位方差噪声的检测统计量的σ_w ²倍，即检测门限为：

$\mathrm{\η}={\mathrm{\η}}_{\mathrm{unit}}\×{\mathrm{\σ}}_w^2---\left(13\right)$

其中η为当前方差情况下的检测门限；η_unit为单位方差情况下的检测门限；σ_w为步骤(1)中估计所得标准差。

步骤5，比较检测统计量与检测门限，实现判决。

基于已经获得的检测统计量和检测门限，对于复的与实的精炼的HRRP，其判决如下：

其中ξ_c和ξ_r分别表示的是复情况和实情况下的检测统计量；η_c和η_r分别表示复情况和实情况下的检测门限。

本方法对于各种类型的飞行器都是适用的，即飞行器在雷达的照射下是距离分布式的目标。

本发明的效果可以通过下面的实验进一步说明。

一.实验数据

实验所用的雷达目标回波数据是某所用于成像的逆合成孔径雷达对机动飞行的安26飞机所成的高分辨距离像。雷达的带宽为400MHz，载频为5520MHz，波长为5.45cm，脉冲重复频率为400Hz，采样频率为10MHz。安26的长度为23.80m，宽度为29.20m，高度为8.58m。其中飞机目标约占据了HRRP中256个距离单元的73个。数据录的是飞机飞行约7分钟所成的167000个一维距离像。从飞机的飞行轨迹可以看出，数据包含了目标在所有方位角上的HRRP，所以可以提供检测性能的准确评估，如图4所示。图4是安26飞机飞行轨迹在地面上的投影图。

二.实验分析

对于安26飞机的167000次距离像的实验，每个距离像中包含80％能量所需的最少强散射点个数的曲线图，如图5所示。从图5可以发现，平均的强散射点个数仅仅为10左右，并且在极端情况下也没有超过29个，说明了距离像是稀疏的。

图6为高分辨距离像通过非线性收缩映射后的一个例子，其中图6(a)是没有噪声情况下的距离像，图6(b)是信噪比为3dB情况下的距离像，图6(c)是通过非线性收缩映射后得到的精练的距离像。从图6可以看出，非线性收缩映射在抑制了大量的噪声单元的同时保留了强散射点的信息。通过非线性收缩映射，距离像的噪声得以滤除，获得了提炼后的距离像。在实测的雷达数据中，计算了有着距离间隔k的所有目标距离像对的互相关系数的平均，如图7所示，其中图7(a)是复距离像情况，图7(b)是实距离像情况。从图7可以看出，随着脉冲间隔的变化，复距离像的相关系数下降的很大，而实距离像的相关系数基本处于0.84以上(k＝1～64)，而其中有一些特别的奇异点。这些奇异点可以解释成当仅仅发生了距离走动，而没有出现目标物理散射点的重组引起的。可见，两个实的HRRP保持了很高的相关系数。当除了距离走动以外还发生了物理散射点的重组，这样的幅度起伏很大程度的降低了互相关系数。对于一个给定的径向速度，最大的未知满足kv_R是Δr×PRF的倍数，这里v_R，Δr，PRF分别代表了目标径向速度，距离分辨率和雷达的脉冲重复频率。

利用提炼后的目标相邻距离像的相关性比较高的特点，提取出目标存在时所表现的特征。通过式(8)和式(9)得到复距离像和实距离像情况下的修正的相关系数矩阵，再通过式(11)和式(12)得到两种情况下的检测统计量，然后与式(14)和式(15)的检测门限做比较，进行目标是否存在的统计判决。

在本发明中，如果不进行非线性收缩映射的操作，该检测方法也是可以进行下去的，但是检测性能会有很大的下降，如图8所示，其中图8(a)是2个脉冲情况下利用映射和没有用映射的性能比较，图8(b)是16个脉冲情况下利用映射和没有用映射的性能比较。对于每一个信噪比情况下，利用非线性收缩映射的检测概率明显高于未使用非线性收缩映射的检测概率，如图9所示。图9给出了本发明中对于不同积累脉冲数情况下，利用复精炼距离像和实精炼距离像的检测性能比较，可以看出，利用实距离像的检测概率相对要高一些，这是因为实距离像的互相关系数相对复距离像要高一些。从图10可以看出，虚警率为10^-3，积累数P为4时，对本发明的检测方法以及基于多脉冲SSD-GLRT检测方法的性能进行比较，能够看出本发明的宽带雷达检测方法相比于目前常用的多脉冲SSD-GLRT检测方法有着更加优越的检测性能。

Claims (4)

1.一种基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法，包括如下步骤：

(1)对含噪距离像进行噪声的标准差估计：

如果噪声是一个零均值的复高斯噪声，且目标仅仅占有整个HRRP的一小部分，利用中值估计器从含噪的目标HRRP中地估计出方差；对输入的连续距离像，零均值的复高斯噪声序列或者是一个含噪的目标HRRP，其噪声方差估计如下式：

${\widehat{\mathrm{\σ}}}_r=\frac{\mathrm{median}\left\{\right|\mathrm{real}\left(z_p\left(m\right)\right)|,m=\mathrm{1,2},...,M\}}{0.6745},$

${\widehat{\mathrm{\σ}}}_i=\frac{\mathrm{median}\left\{\right|\mathrm{imag}\left(z_p\left(m\right)\right)|,m=\mathrm{1,2},...,M\}}{0.6745},$

${\widehat{\mathrm{\σ}}}_w^2=({\widehat{\mathrm{\σ}}}_r^2+{\widehat{\mathrm{\σ}}}_i^2)/2$

其中

是估计出的标准差的实部，

是估计出的标准差的虚部，估计出的方差，z_p(m)是被观测的HRRP，real(z)和imag(z)代表复数z的实部和虚部；

(2)基于步骤(1)中所得标准差，构造一族非线性收缩映射，根据该收缩映射对含噪距离像进行提炼，得到提炼的多脉冲距离像；

(3)基于提炼的多脉冲距离像，计算每两个提炼距离像之间的互相关系数，得到修正的互相关系数矩阵；

(4)对互相关系数矩阵进行积累，构造检测统计量，并设定当前噪声方差时的检测门限；

(5)将检测统计量与检测门限进行比较，判决目标是否存在，如果检测统计量大于检测门限，则判定目标存在，反之，则判定目标不存在。

2.根据权利要求1所述的宽带雷达检测方法，其特征在于步骤(2)所述的“构造一族非线性收缩映射，根据该收缩映射对含噪距离像进行提炼，”按如下步骤进行：

(2a)设计非线性收缩映射：

$\mathrm{\ρ}\left(x\right)\≡\frac{{\left(\max \right\{x/{\mathrm{\σ}}_w-\mathrm{1,0}\left\}\right)}^{\mathrm{\μ}}}{1+{\left(\max \right\{x/{\mathrm{\σ}}_w-\mathrm{1,0}\left\}\right)}^{\mathrm{\μ}}},x\∈(0,\∞)$

并且它满足：

(a)ρ(x)∈[0，1]，

(b)ρ(x₁)≤ρ(x₂)，x₁≤x₂；

$\left(c\right)\underset{x\→0^{+}}{\lim }\mathrm{\ρ}\left(x\right)=0,$ $\underset{x\→\∞}{\lim }\mathrm{\ρ}\left(x\right)=1$

其中σ_w为估计的标准差；μ∈[1，+∞)，为形状参数；

(2b)应用非线性收缩映射对含噪距离像进行提炼：

${\stackrel{\‾}{z}}_p\left(m\right)\≡\mathrm{\ρ}\left(\right|z_p\left(m\right)\left|\right)z_p\left(m\right)$

${\tilde{z}}_p\left(m\right)\≡\mathrm{\ρ}\left(\right|z_p\left(m\right)\left|\right)\left|z_p\left(m\right)\right|$

其中z_p(m)是被观测的高分辨距离像HRRP；

表示对复HRRP进行提炼后的结果；

表示对实HRRP进行提炼后的结果。

3.根据权利要求1所述的宽带雷达检测方法，其特征在于步骤(3)所述的“计算每两个提炼距离像之间的互相关系数”，按如下步骤进行：

(3a)分别定义有着脉冲间隔|p-q|的两个复的和两个实的精炼的HRRP的修正的互相关系数为：

${\mathrm{\λ}}_c(p,q)\≡\underset{\left|\mathrm{\τ}\right|\≤\mathrm{\Δ}|p-q|}{\max }\left\{\right|\underset{m}{\mathrm{\Σ}}{\stackrel{\‾}{z}}_p\left(m\right){\stackrel{\‾}{z}}_q(m+\mathrm{\τ})\left|\right\}$

${\mathrm{\λ}}_r(p,q)\≡\underset{\left|\mathrm{\τ}\right|\≤\mathrm{\Δ}|p-q|}{\max }\left\{\right|\underset{m}{\mathrm{\Σ}}{\tilde{z}}_p\left(m\right){\tilde{z}}_q(m+\mathrm{\τ})\left|\right\}$

其中λ_c(p，q)是第p个和第q个复的精练的HRRP的修正的互相关系数，λ_r(p，q)是第p个和第q个实的精练HRRP的修正的互相关系数，τ是距离像的延迟，

表示第p个和第q个复的精练的HRRP，是第p个和第q个实的精练的HRRP，m为距离像中的距离单元数，Δ是两个连续脉冲中目标所能跨越的最大可能距离单元数；

(3b)根据(3a)定义的相关系数，确定P个精炼的复HRRP和实HRRP的修正的互相关系数矩阵分别为：

其中，Λ_c是复的P个精练HRRP所得到的修正的互相关系数矩阵，Λ_r是

实的P个精练HRRP所得到的修正的互相关系数矩阵。

4.根据权利要求1所述的宽带雷达检测方法，其特征在于步骤(4)所述的“构造检测统计量”是按照复情况和实情况分别进行：

(4a)对于复情况，构造公式为：

其中，ξ_c表示复情况的检测统计量；

表示复修正相关系数矩阵中对应p行q列元素的均值；

表示复修正相关系数矩阵中对应p行q列元素的方差；

(4b)对于实情况，构造公式为：

其中，ξ_r表示实情况下的检测统计量；

表示实修正相关系数矩阵中对应p行q列元素的均值；

表示实修正相关系数矩阵中对应p行q列元素的方差。

Images