CN103376445B - 基于野值剔除的指数分布参数确定方法和装置 - Google Patents

Abstract

本发明公开了一种基于野值剔除的指数分布参数确定方法和装置，该方法包括：步骤一，确定第一噪声序列的指数分布序列参数，并根据预先给定虚警概率计算野值剔除门限系数；步骤二，根据野值剔除门限系数对第一噪声序列中的每一个数据进行甄别处理，并根据保留的数据生成第二噪声序列；步骤三，确定第二噪声序列的指数分布序列参数，判断第二噪声序列是否满足收敛条件，如果判断为是，则将第一噪声序列的指数分布序列参数作为确定结果；如果判断结果为否，则将第二噪声序列作为第一噪声序列并执行步骤二和步骤三。本发明能够避免噪声、杂波等因素对参数估计的干扰，有效提高参数估计的准确度；并且实现过程更加简单，也能够适用于更多的场景。

Description

基于野值剔除的指数分布参数确定方法和装置

技术领域

本发明涉及通信领域，尤其涉及一种基于野值剔除的指数分布参数确定方法和装置。

背景技术

在雷达对目标进行探测时主要依赖于对雷达回波的分析。通常，雷达回波信号中主要包含了噪声、杂波和目标信号。目标信号和杂波信号主要来自于雷达发射信号的激励，而噪声信号一般来自于接收机内部。从统计特性上看，经过平方律检波处理后的噪声信号服从指数分布。在不同雷达体制中，目标信号和杂波信号会根据其散射机理以及统计特性的差异而出现不同。例如，大多数雷达的目标统计特性服从χ²分布，而对数正态分布或Weibull分布则经常用于描述海杂波。

早期雷达目标检测技术多数是基于单元平均(CA)或基于有序统计(OS)的恒虚警检测方法。无论哪一类方法，都是以待检测单元为中心，估计待检测单元附近的参考单元处的噪声或杂波功率。目前所采用的方法主要有以下三类：

(一)均值类CFAR检测方法。该类方法大都基于单元平均CA法，其参考文献：Finn.H.M，Johnson.R.S.“Adaptive Detection Mode withThreshold Control as a Function of Spatially Sampled Clutter Level Estimates”，RCA Review，1968，pp 414-464(自适应检测模式下基于空间杂波样本电平估计的门限控制)。在该类方法中，噪声或杂波功率估计的准确性受到参考单元中非同类杂波或目标的干扰，噪声估计产生严重偏差，引起的检测性能损失较大。参考文献：Al Hussaini.E.K，“Performance of a Cell AveragingRadar Detector in the Presenceof Interfering Targets”.Freuenz，1989，43，(1)，pp21-23(有干扰目标情况下单元平均雷达检测器的性能)，对该类方法的性能进行了详细的分析。

(二)有序统计类方法。最早的有序统计检测方法由Rohling发表，参考文献Rohling.H，“Radar CFAR Thresholding in Clutter and MultipleTarget Situation”.IEEE Trans on AES，1983，19，(4)，pp608-621(杂波和多目标环境中雷达CFAR门限控制)，所述方法基于参考单元数据序列的排序，噪声和杂波的功率估计来自于对排序后序列中指定序号数据的选择。该类方法对参考单元中存在非同类杂波和多目标的情况比较有效，但是针对均匀噪声背景的处理有损失，并且该类方法的性能依赖于指定序号数据的选择。

(三)自适应类方法。该类方法以判断参考单元中是否包含干扰或目标样本为前提，实现删除干扰样本后，对剩余参考单元进行CA或OS方法的噪声估计。典型参考文献：Barkat.M，Himonas.S.D，“CFAR Detection forMultiple Target Situation”，IEE Proc.-F，1989，136，(5)，pp 193-209”(多目标环境下的CFAR检测)。该类方法大多以待检测单元为中心，噪声估计性能略优于基本的CA和OS方法，但是该方法需要判断确定杂波或多目标的位置。如果位置信息判断错误，估计性能也将变差。

可以看出，不论采用上述的哪种方法，其参数的估计过程均会受到目标样本或杂波样本的影响，导致估计过程复杂，并且会影响最终估计结果的准确度。

发明内容

针对相关技术中的问题，本发明提出一种基于野值剔除的指数分布参数确定方法和装置，能够避免指数分布特性的信号(包括噪声、杂波等信号)的干扰，提高参数估计的准确度，并且能够使得参数估计的过程更加简单。

本发明的技术方案是这样实现的：

根据本发明的一个方面，提供了一种基于野值剔除的指数分布参数确定方法。

该方法包括：步骤一，确定第一噪声序列的指数分布序列参数，并根据预先给定虚警概率计算野值剔除门限系数；步骤二，根据野值剔除门限系数对第一噪声序列中的每一个数据进行甄别处理，并根据保留的数据生成第二噪声序列；步骤三，确定第二噪声序列的指数分布序列参数，判断第二噪声序列是否满足收敛条件，如果判断为是，则将第一噪声序列的指数分布序列参数作为确定结果；如果判断结果为否，则将第二噪声序列作为第一噪声序列并执行步骤二和步骤三。

其中，在步骤一中，根据以下公式确定第一噪声序列的指数分布序列参数 其中，K是第一噪声序列中数据的个数，ck是第一噪声序列中的元素，并且，k＝0，1，2，…，K-1。

并且，野值剔除门限系数满足以下条件：其中，P_fa是虚警概率，e()为指数函数。

此外，根据野值剔除门限系数对第一噪声序列中的每一个数据进行甄别处理包括：将第一噪声序列中满足条件的数据被剔除，n是步骤二和步骤三的循环次数，且n＞＝1，并且参数J⁽¹⁾＝K；保留未被剔除的数据，形成第二噪声序列其中，J⁽ⁿ⁺¹⁾是第二噪声序列的数据长度，且J＜＝K，c_j是第二噪声序列中的元素。

另外，在指数分布序列参数满足以下条件的情况下，确定指数分布序列参数收敛：当其中，ε为最小参数估计误差，为第n次执行步骤三得到的指数分布序列参数，并以作为确定结果。

此外，在步骤三中，确定第二噪声序列的指数分布序列参数的方法与步骤一中确定第一噪声序列的指数分布序列参数的方式相同。

根据本发明的另一方面，提供了一种基于野值剔除的指数分布参数确定装置。

该装置包括：参数确定模块，用于确定噪声序列的指数分布序列参数；计算模块，用于根据预先给定虚警概率计算野值剔除门限系数；控制模块，用于控制参数确定模块和计算模块执行：步骤一，确定第一噪声序列的指数分布序列参数，并计算野值剔除门限系数；

控制模块用于执行：步骤二，根据野值剔除门限系数对第一噪声序列中的每一个数据进行甄别处理，并根据保留的数据生成第二噪声序列；步骤三，控制参数确定模块确定第二噪声序列的指数分布序列参数，控制模块判断第二噪声序列是否满足收敛条件，如果判断为是，则将第一噪声序列的指数分布序列参数作为确定结果；如果判断结果为否，则将第二噪声序列作为第一噪声序列并执行步骤二和步骤三。

其中，参数确定模块根据以下公式确定第一噪声序列的指数分布序列参数 其中，K是第一噪声序列中数据的个数，ck是第一噪声序列中的元素，并且，k＝0，1，2，…，K-1。

此外，野值剔除门限系数满足以下条件：其中，P_fa是虚警概率，e()为指数函数。

另外，控制模块通过以下方式对第一噪声序列中的每一个数据进行甄别处理：将第一噪声序列中满足条件的数据被剔除，n是步骤二和步骤三的循环次数，且n＞＝1，并且参数J⁽¹⁾＝K；保留未被剔除的数据，形成第二噪声序列其中，J⁽ⁿ⁺¹⁾是第二噪声序列的数据长度，且J＜＝K，c_j是第二噪声序列中的元素。

本发明的方案能够忽略目标、杂波等非相同分布信号的统计特性，将指数分布特性的信号作为数据序列的野值予以剔除，能够避免噪声、杂波等因素对参数估计的干扰，同时能够借助递归方法对每次估计的结果进行判断，能够有效提高参数估计的准确度；并且，本发明无需考虑杂波或目标位置，因此实现过程更加简单，也能够适用于更多的场景，具有广泛的适用范围。

附图说明

图1是根据本发明实施例的基于野值剔除的指数分布参数确定方法的流程图；

图2是根据本发明实施例的基于野值剔除的指数分布参数确定装置的框图；

图3是根据本发明实施例的基于野值剔除的指数分布参数确定方法的原理示意图；

图4是根据本发明实施例的基于野值剔除的指数分布参数确定装置的框图；

图5是本发明的技术方案达到噪声抑制效果的时序图。

具体实施方式

根据本发明的实施例，提供了一种基于野值剔除的指数分布参数确定方法。

如图1所示，根据本发明实施例的基于野值剔除的指数分布参数确定方法包括：

步骤一，确定第一噪声序列的指数分布序列参数，并根据预先给定虚警概率计算野值剔除门限系数；

步骤二，根据野值剔除门限系数对第一噪声序列中的每一个数据进行甄别处理，并根据保留的数据生成第二噪声序列(在进行甄别处理后，部分数据可能被删除，此时，即根据甄别处理后剩余的数据生成第二噪声序列)；

步骤三，确定第二噪声序列的指数分布序列参数，判断第二噪声序列是否满足收敛条件，如果判断为是，则将第一噪声序列的指数分布序列参数作为确定结果(本发明上述三个步骤执行得到的最终结果)；如果判断结果为否，则将第二噪声序列作为第一噪声序列并执行步骤二和步骤三。

其中，在步骤一中，根据以下公式确定第一噪声序列的指数分布序列参数 其中，K是第一噪声序列中数据的个数，ck是第一噪声序列中的元素，并且，k＝0，1，2，…，K-1。

并且，野值剔除门限系数满足以下条件：其中，P_fa是虚警概率，e()为指数函数。

此外，根据野值剔除门限系数对第一噪声序列中的每一个数据进行甄别处理包括：将第一噪声序列中满足条件的数据被剔除，n是步骤二和步骤三的循环次数，且n＞＝1，并且参数J⁽¹⁾＝K；保留未被剔除的数据，形成第二噪声序列其中，J⁽ⁿ⁺¹⁾是第二噪声序列的数据长度，且J＜＝K，c_j是第二噪声序列中的元素。

另外，在指数分布序列参数满足以下条件的情况下，确定指数分布序列参数收敛：当其中，ε为最小参数估计误差，为第n次执行步骤三得到的指数分布序列参数，并以作为确定结果(上述步骤执行后得到的最终结果)。

此外，在步骤三中，确定第二噪声序列的指数分布序列参数的方法与步骤一中确定第一噪声序列的指数分布序列参数的方式相同。

根据本发明的实施例，提供了一种基于野值剔除的指数分布参数确定装置。

如图2所示，根据本发明实施例的基于野值剔除的指数分布参数确定装置包括：参数确定模块21，用于确定噪声序列的指数分布序列参数；计算模块22，用于根据预先给定虚警概率计算野值剔除门限系数；控制模块23，用于控制参数确定模块21和计算模块22执行：步骤一，确定第一噪声序列的指数分布序列参数，并计算野值剔除门限系数；

控制模块23用于执行：步骤二，根据野值剔除门限系数对第一噪声序列中的每一个数据进行甄别处理，并根据保留的数据生成第二噪声序列；步骤三，控制参数确定模块21确定第二噪声序列的指数分布序列参数，控制模块23判断第二噪声序列是否满足收敛条件，如果判断为是，则将第一噪声序列的指数分布序列参数作为确定结果；如果判断结果为否，则将第二噪声序列作为第一噪声序列并执行步骤二和步骤三。

其中，参数确定模块21根据以下公式确定第一噪声序列的指数分布序列参数 其中，K是第一噪声序列中数据的个数，ck是第一噪声序列中的元素，并且，k＝0，1，2，…，K-1。对于第二噪声序列，同样可以采用这种方法来确定第二噪声序列的指数分布序列参数，只是改变上述公式中的参量名称即可。

此外，野值剔除门限系数满足以下条件：其中，P_fa是虚警概率，e()为指数函数。

另外，控制模块23通过以下方式对第一噪声序列中的每一个数据进行甄别处理：将第一噪声序列中满足条件的数据被剔除，n是步骤二和步骤三的循环次数，且n＞＝1，并且参数J⁽¹⁾＝K；保留未被剔除的数据，形成第二噪声序列其中，J⁽ⁿ⁺¹⁾是第二噪声序列的数据长度，且J＜＝K，c_j是第二噪声序列中的元素。

如图3所示，根据本发明的基于野值剔除的指数分布参数确定方案的执行过程可以包括以下步骤：

第一步：估计噪声序列{c_k}，k＝0…K的参数

第二步：根据预先给定虚警概率P_fa，计算门限系数T，图4示出了虚警概率与门限系数之间的关系；

第三步：对噪声序列{c_k}，k＝0…K中的每一个数据进行甄别，保留的数据，构成新的序列{c_j}，j＝0…J；

第四步：计算指数分布序列的参数

第五步：以新序列{c_j}，j＝0…J代替原有噪声序列{c_k}，k＝0…K，重复进行第三～第四步，直到分布参数收敛。

其中，上述第一步中的噪声序列中大部分数据服从指数分布，而少量数据服从其他分布，而数据彼此之间是相互独立的。在第一步中，参数的计算方法可以为：

${\widehat{\mathrm{\λ}}}_k=\frac{1}{K}\underset{k=0}{\overset{K-1}{\mathrm{\Σ}}}{c}_k;$

另外，上述第二步中预先给定的虚警概率产生剔除数据序列野值的门限系数满足以下条件：

${\∫}_T^{\∞}{e}^{-u}\mathrm{du}=P_{\mathrm{fa}}.$

另外，上述第三步中数据序列中数据的甄别，其条件判别为：若{c_k}，k＝0…K中的一个数据满足则将该数据被剔除，否则将该数据存入新的序列。

在上述第五步中，参数收敛的判别方法为

当其中，ε为最小参数估计误差、为第n次参数估计，在满足该条件的情况下，停止计算，并以作为最终计算结果。

如图5所示，通过采样可以看出，相比于待处理的序列(其中混入了杂波和目标)，借助本发明的方案处理后，能够对噪声产生明显的抑制作用，处理后得到的第二噪声序列显然优于待处理的序列。

综上所述，本发明提出了一种指数分布噪声序列的功率确定方案，该方案本发明能够忽略目标、杂波等非相同分布信号的统计特性，将指数分布特性的信号作为数据序列的野值予以剔除，能够避免噪声、杂波等因素对参数估计的干扰，同时能够借助递归方法对每次估计的结果进行判断，能够有效提高参数估计的准确度；并且，本发明无需考虑杂波或目标位置，因此实现过程更加简单，不仅可以应用于雷达系统的目标检测，并且可以适用于所有服从指数分布的信号参数估计，本方案可以直接应用于雷达信号检测器、杂波功率估计、抑制算法检验、杂波相消处理器的设计、MTI和脉冲多普勒滤波器的设计等，也可应用于设备性能评价、电子对抗、电子干扰等多个方面，具有广泛的应用范围。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于野值剔除的指数分布参数确定方法，其特征在于，所述方法包括：

步骤一，确定第一噪声序列的指数分布序列参数，并根据预先给定虚警概率计算野值剔除门限系数；

步骤二，根据所述野值剔除门限系数对所述第一噪声序列中的每一个数据进行甄别处理，并根据保留的数据生成第二噪声序列；

步骤三，确定所述第二噪声序列的指数分布序列参数，判断所述第二噪声序列是否满足收敛条件，如果判断为是，则将所述第一噪声序列的指数分布序列参数作为确定结果；如果判断结果为否，则将所述第二噪声序列作为所述第一噪声序列并执行所述步骤二和所述步骤三；

其中，所述野值剔除门限系数满足以下条件：

其中，P_fa是虚警概率，e()为指数函数；

在所述指数分布序列参数满足以下条件的情况下，确定所述指数分布序列参数收敛：

当其中，ε为最小参数估计误差，为第n次执行所述步骤三得到的指数分布序列参数，并以作为所述确定结果。

2.根据权利要求1所述的指数分布参数确定方法，其特征在于，在所述步骤一中，根据以下公式确定所述第一噪声序列的指数分布序列参数

其中，K是所述第一噪声序列中数据的个数，ck是所述第一噪声序列中的元素，并且，k＝0，1，2，…，K-1。

3.根据权利要求2所述的指数分布参数确定方法，其特征在于，根据所述野值剔除门限系数对所述第一噪声序列中的每一个数据进行甄别处理包括：

将所述第一噪声序列j＝0…J⁽ⁿ⁾,J⁽ⁿ⁾≤K中满足条件的数据被剔除，n是所述步骤二和所述步骤三的循环次数，且n>＝1，并且参数 ${\widehat{\mathrm{\λ}}}_j^{\left(1\right)}={\widehat{\mathrm{\λ}}}_k,$ J⁽¹⁾＝K；

保留未被剔除的数据，形成第二噪声序列j＝0…J⁽ⁿ⁺¹⁾，其中，J⁽ⁿ⁺¹⁾是所述第二噪声序列的数据长度，且J<＝K，c_j是所述第二噪声序列中的元素。

4.根据权利要求1所述的指数分布参数确定方法，其特征在于，在所述步骤三中，确定所述第二噪声序列的指数分布序列参数的方法与步骤一中确定所述第一噪声序列的指数分布序列参数的方式相同。

5.一种基于野值剔除的指数分布参数确定装置，其特征在于，所述装置包括：

参数确定模块，用于确定噪声序列的指数分布序列参数；

计算模块，用于根据预先给定虚警概率计算野值剔除门限系数；

控制模块，用于控制所述参数确定模块和所述计算模块执行：

步骤一，确定第一噪声序列的指数分布序列参数，计算所述野值剔除门限系数；

所述控制模块用于执行：

步骤二，根据所述野值剔除门限系数对所述第一噪声序列中的每一个数据进行甄别处理，并根据保留的数据生成第二噪声序列；

步骤三，控制所述参数确定模块确定所述第二噪声序列的指数分布序列参数，所述控制模块判断所述第二噪声序列是否满足收敛条件，如果判断为是，则将所述第一噪声序列的指数分布序列参数作为确定结果；如果判断结果为否，则将所述第二噪声序列作为所述第一噪声序列并执行所述步骤二和所述步骤三；

其中，所述野值剔除门限系数满足以下条件：

其中，P_fa是虚警概率，e()为指数函数；

在所述指数分布序列参数满足以下条件的情况下，确定所述指数分布序列参数收敛：

当其中，ε为最小参数估计误差，为第n次执行所述步骤三得到的指数分布序列参数，并以作为所述确定结果。

6.根据权利要求5所述的指数分布参数确定装置，其特征在于，所述参数确定模块根据以下公式确定所述第一噪声序列的指数分布序列参数

其中，K是所述第一噪声序列中数据的个数，ck是所述第一噪声序列中的元素，并且，k＝0，1，2，…，K-1。

7.根据权利要求6所述的指数分布参数确定装置，其特征在于，所述控制模块通过以下方式对所述第一噪声序列中的每一个数据进行甄别处理：

将所述第一噪声序列j＝0…J⁽ⁿ⁾,J⁽ⁿ⁾≤K中满足条件的数据被剔除，n是所述步骤二和所述步骤三的循环次数，且n>＝1，并且参数 ${\widehat{\mathrm{\&lambda;}}}_j^{\left(1\right)}={\widehat{\mathrm{\&lambda;}}}_k,$ J⁽¹⁾＝K；

保留未被剔除的数据，形成第二噪声序列j＝0…J⁽ⁿ⁺¹⁾，其中，J⁽ⁿ⁺¹⁾是所述第二噪声序列的数据长度，且J<＝K，c_j是所述第二噪声序列中的元素。