CN101833086A - 分形可变步长最小二乘目标检测器 - Google Patents

Abstract

本发明公开了一种分形可变步长最小二乘目标检测器，该技术属于雷达信号处理领域。目前统计方法与分形方法是分别运用于海杂波中目标检测中的，存在参数估计复杂、不准确或实时性差的缺点。本发明将统计与分形方法相结合，参数估计依赖于分形中的Hurst指数，计算简便，准确度高，时不变特征值可以预先计算存储用于后续运算，保证实时性，可变步长最小二乘算法预测准确度高，收敛速度快。本发明将自适应线性合成器的输出值与原始海杂波序列比较，提取预测误差形成检测统计量。该检测器对海杂波和目标具有良好的分类能力，并具有在强海杂波中检测微弱目标的能力，适用于在功率谱具有1/f^β形式的分形信号族中跟踪目标信号，具有推广应用价值。

Description

分形可变步长最小二乘目标检测器

一、技术领域

本发明涉及雷达信号处理领域中的基于分形可变步长最小二乘算法的目标检测方法，适用于各种对海成像侦察和预警雷达的信号处理系统。

二、背景技术

海杂波研究的目标是提高海杂波中目标的检测能力，迄今为止，这方面的研究已有很多经典方法，如时频分析、小波分解、神经网络、神经网络与小波分解相结合的方法以及分形维数的利用、分形误差以及多重分形分析，等等。这一领域的研究需要采用系统的方法，针对大量实测海杂波数据进行实验，找到一些可以计算的比较稳定的参数将目标从海杂波中检测出来。实际上，上述的方法主要可以分成两大类：基于统计理论的方法和基于分形理论的方法。目前在应用中，统计理论和分形理论一直是分别应用到海杂波中的目标检测中的。统计理论在目标检测中的应用由来已久，其中很多方法针对某种情况往往具有很多优点，且都已经比较成熟，但很多情况下参数的估计比较繁琐也比较费时，估计精度上也受到很大限制；而分形理论在海杂波目标检测中应用已有三十年左右，单一的分形参数已可以较为准确地计算，且计算方法简单，但由于所需采样点数较多，往往在工程上不容易实现。因此，二者的优点若能进行结合，必然为海杂波中目标检测性能的提升打下良好的基础。

最小二乘(LMS)是自适应算法中应用比较广泛的一种，其跟踪平稳信号十分有效。传统的基于LMS的自适应算法有着需要小的步长以降低失配和需要大的步长来达到快速收敛的矛盾，且在时变环境中是依赖于数据的。因此，可变步长的LMS算法得以提出来解决这一矛盾。然而，目前所提出的各种自适应算法并不能很好地建模或跟踪海杂波等非平稳信号。

三、发明内容

1.要解决的技术问题

本发明的目的在于提供一种可以在强海杂波背景下检测微弱目标的基于分形可变步长最小二乘算法的目标检测器。该检测器的输入信号自协方差矩阵特征值仅依赖于输入信号的Hurst指数，且不需要对每组数据都重新运算，而可以预先存储，后续查表即可，通过输入信号自协方差矩阵的特征值确定步长矩阵特征值的有效范围，选取合适的特征值以确定步长矩阵从而对自适应线性合成器的权值向量实时更新，进而对输入信号进行预测，将原始输入信号延时与输出预测值比较形成预测误差，用这一误差构成对海杂波和目标具有良好分类能力的微弱目标检测器。该检测器分形参数计算简便，时不变特征值可以通过查表获得，不需要重复求解矩阵，因而准确度较高，实时性较强且易于实现。

2.技术方案

本发明所述的分形可变步长最小二乘目标检测器，包括以下技术措施：首先根据经验数据设置合适的自适应线性合成器的初始权值向量，并将与Hurst指数相对应的输入信号自协方差矩阵的时不变特征值预先存储以备查表用，然后将回波信号分成两路，一路输入到自适应线性合成器中，计算其Hurst指数，根据估计当前信号值所需的输入信号长度查表选取并计算自协方差矩阵的所有特征值，进而计算得到步长矩阵，从而对当前输入信号值进行预测，同时将另一路输入信号进行相应的延时，与当前输出的预测值相比较得到预测误差。最后，预测误差被分成两路，一路用于更新自适应线性合成器的权值向量，不断修正预测值，另一路输出的预测误差用于形成检测统计量，将其与给定虚警概率下的检测门限进行比较，如果其高于检测门限，判决为存在目标信号，否则判决为没有目标信号。

3.有益效果

本发明相比背景技术具有如下的优点：

(1)该检测器自协方差矩阵的特征值仅依赖于单一分形参数——Hurst指数，计算简便；

(2)该检测器不需要重复求解矩阵，查表即可，实时性较高；

(3)该检测器对海杂波与目标具有良好的区分能力；

(4)该检测器具有在强杂波中检测微弱目标的能力。

四、附图说明

说明书附图是本发明的实施原理流程图。

五、具体实施方式

以下结合说明书附图对本发明作进一步详细描述。参照说明书附图，本发明的具体实施方式分以下几个步骤：

(1)从雷达天线回来的信号经放大、混频和检波后，送入计算装置1进行预处理，并对幅度进行归一化处理。

(2)计算装置2接收来自计算装置1的输出数据，根据海杂波的“随机游走模型”计算输入信号的Hurst指数H，若雷达面对固定的海域，则Hurst指数可以由经验数据获得，此时装置2为存储装置，用于存储海面回波信号的Hurst指数，不需每次都重新计算。

(3)存储装置3用于存储与不同Hurst指数相对应的输入信号自协方差矩阵的时不变特征值和相应的特征向量，并接受来自计算装置2的输出结果，查找并选取与Hurst指数相对应的时不变特征值和特征向量，输入到存储装置4。

(4)计算装置5接收计算装置2的输出结果，结合时间索引值n计算输入信号自协方差矩阵的时变特征值及其对应的特征向量，计算公式分别如下：

${\mathrm{\λ}}_N\left(n\right)=\frac{1}{\mathrm{\Γ}(2H+1)\left|\sin \left(H\right)\right|}[N{n}^{2H-1}(n+\mathrm{NH}-H)-\frac{1}{N}\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}i{(N-i)}^{2H}]$

其中，N是预测当前输入信号值所采用的输入信号长度。

(5)计算装置6接收存储装置4和计算装置5的输出结果，确定步长矩阵α(n)的特征值μ_j(j＝1，2，…，N)以及对应的酉变换矩阵Q，公式如下：

${\mathrm{\μ}}_j=\frac{1}{{\mathrm{\λ}}_j},(j=\mathrm{1,2},\·\·\·,N)$

(6)计算装置7接收来计算装置6的输出结果，计算步长矩阵α(n)，公式如下：

α(n)＝QΛ_α(n)Q^T

其中，Λ_α(n)＝diag{μ₁，μ₂，…，μ_N-1，μ_N}。

(7)存储装置9需要初始化，检测器开始工作时的初始权值向量设置可以根据经验值来设定，若N＝3，初始权值向量一般可设为[0.3，0.3，0.3]^T。

(8)计算装置11接受计算装置1和存储装置9输出结果，计算当前的输入信号的预测值

公式如下

$\hat{d}\left(n\right)=w{\left(n\right)}^{T}x\left(n\right)$

(9)将计算装置1的输出结果经过延时装置12后与计算装置11的输出结果一同输入到计算装置13，将原始输入信号与预测值相比较得到预测误差即检测统计量。将该检测统计量与给定虚警概率下的检测门限一同送入比较器14，进行比较，如果检测统计量高于检测门限，判决为存在目标信号，否则判决为没有目标信号。

(10)计算装置8接受计算装置1、计算装置7和计算装置13的输出结果，完成乘法运算Δw＝α(n)x(n)e(n)。

(11)计算装置10接受计算装置8和存储装置9的输出结果，更新权值向量，公式如下

w(n+1)＝w(n)+Δw

输出结果重新输入到存储装置9中，用于下一次运算。

Claims (3)

1.分形可变步长最小二乘目标检测器，其特征在于包括以下技术措施：

(1)计算输入信号自协方差矩阵特征值；

(2)采用基于可变步长矩阵最小二乘算法的自适应线性合成器预测输入信号；

(3)运用预测误差形成对杂波与目标具有良好分类能力的检测统计量。

2.根据权利要求1所述的输入信号自协方差矩阵特征值的计算，其特征在于具有如下技术特征：输入信号自协方差矩阵R(n)的所有特征值λ_j(j＝1，2，…，N)都依赖于输入信号的Hurst指数H，且除了最后一个特征值λ_N是时变的之外，其它特征值均是时不变的。时不变特征值可由查表得到，时变特征值的计算基于如下公式

${\mathrm{\λ}}_N\left(n\right)=\frac{1}{\mathrm{\Γ}(2H+1)\left|\sin \left(H\right)\right|}[N{n}^{2H-1}(n+\mathrm{NH}-H)-\frac{1}{N}\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}i{(N-i)}^{2H}]$

其中，N是估计当前输入信号值所采用的输入信号长度，n是时间索引。

3.根据权利要求1所述的采用基于可变步长矩阵最小二乘算法的自适应线性合成器预测输入信号，其特征在于采用如下的技术措施步骤：设自适应线性合成器输入信号向量为x(n)＝[x(n)，x(n-1)，…，x(n-N+1)]^T，LMS算法的权值向量采用如下算法进行更新

w(n+1)＝w(n)+α(n)x(n)e(n)

其中，e(n)＝d(n)-x^T(n)w(n)，w(n)是长度为N的权值向量，α(n)为LMS算法的步长矩阵，其特征值μ_j(j＝1，2，…，N)采用如下方法确定

${\mathrm{\μ}}_j=\frac{1}{{\mathrm{\λ}}_j},(j=\mathrm{1,2},\·\·\·,N)$

Images