CN103605120B - 距离扩展目标内禀模态局部奇异值有序融合检测方法 - Google Patents

Abstract

本发明公开了一种雷达距离扩展目标内禀模态局部奇异值有序融合检测方法，属于雷达信号处理领域。在强杂噪背景、干扰目标和杂噪边缘等复杂环境下，为了克服辅助数据异常值导致的杂噪功率估计严重偏差、距离扩展目标检测性能退化等不足，提出一种基于局部内禀模态特征矩阵奇异值有序融合的距离扩展目标智能检测方法；该方法根据目标能量在回波一维距离像的内禀模态分量中局部集中的特点，基于局部内禀模态特征矩阵奇异值构建检测统计量，通过融合有序统计量保持恒虚警率特性；无需对杂噪背景进行统计建模，避免了强杂噪大特征值的干扰，特别适合于干扰目标和杂噪边缘等复杂环境下的微弱距离扩展目标检测，具有很强的虚警控制能力。

Description

距离扩展目标内禀模态局部奇异值有序融合检测方法

一、技术领域

本发明隶属于雷达信号处理领域，具体涉及一种距离扩展目标内禀模态局部奇异值有序融合检测方法。

二、背景技术

与常规窄带低分辨率雷达相比，高距离分辨率雷达具有更大的带宽和更高的距离分辨率，在精确探测及成像、高精度跟踪、目标识别等方面具有明显的优势，在现代军事和民用领域获得了广泛的重视和应用，已经成为现代雷达发展的一个重要方向。与常规窄带雷达的“点目标”不同，高距离分辨率雷达目标回波分布在不同的径向距离单元中，呈现为“一维距离像”，形成了“距离扩展目标”。距离扩展目标信号具有很强的非平稳性和非线性特性，大多数现有的距离扩展目标检测方法基于经典统计检验理论，检测方法的背景针对性过强，缺少对实际杂噪干扰环境变化和不同目标信号的自适应能力，另外，目前大多数距离扩展目标检测器在强杂噪背景、强干扰目标和杂噪边缘等复杂环境下检测损失较大，部分检测器甚至无法工作，开展强杂噪背景、强干扰目标和杂噪边缘等复杂环境下的微弱距离扩展目标自适应智能检测研究具有重要意义。

目前，基于时频分析的智能信号处理方法在雷达微弱点目标检测中已得到应用，在距离扩展目标检测方面仍处于探索阶段，且往往忽略了虚警概率的控制问题。事实上，恒虚警率(CFAR)特性是雷达目标自动检测过程中的主要技术指标之一，采用CFAR处理可使计算机不致因干扰太强而过载，从而保证雷达信号处理系统的正常运行。

在强干扰目标和杂噪边缘等环境下，微弱距离扩展目标常常被干扰目标或杂噪边缘压制，导致自适应检测所采用的辅助数据被异常值所污染，传统均值类估计方法无法准确获得目标所处杂噪环境的功率水平，进而使检测性能恶化。在强杂噪背景的低信杂噪比条件下，微弱距离扩展目标湮没于强杂噪背景中，传统的检测方法往往无法有效检测。

受距离扩展目标物理特性的影响，目标一维距离像表现出较强的非平稳特性。针对这一问题，经验模态分解(EMD)方法提供了有效的解决途径。在众多的时频分析方法中，EMD方法基于信号自身包络自适应分解信号，且不受测不准原理的限制，具有良好的时频聚集性；它既避免了小波分析中选择合适基函数的困难，也不会出现Wigner-Ville分布中的交叉项问题，是处理非线性非平稳信号的有力工具，适合解决具有非平稳特性的距离扩展目标非线性检测问题。

EMD方法的基本原理是将一个复杂信号分解为若干个内禀模态函数(IMF)之和。IMF反映了信号内部固有的波动性，它是满足单分量信号物理解释的一类信号，在每一时刻只有单一频率成分，其满足以下两个条件：

(1)在整个数据段内，零点数与极点数相等或至多相差一个；

(2)在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对时间轴局部对称。

对于雷达距离扩展目标检测来说，目标能量在回波一维距离像的局部IMF分量中相对集中，为微弱目标检测提供了可能。在强杂噪背景、强干扰目标和杂噪边缘等复杂环境下，通过一维距离像内禀模态局部奇异值的有序统计融合，设计简单有效的距离扩展目标自适应智能融合检测方法具有重要的现实意义。

三、发明内容

1.要解决的技术问题

在强杂噪背景、强干扰目标和杂噪边缘等复杂环境下，为了克服辅助数据异常值导致的杂噪功率估计与实际严重偏差及检测性能退化、小波分析及Wigner-Ville分布等方法检测距离扩展目标时多分辨率不可调、存在交叉项等不足，本发明根据目标能量在回波一维距离像的局部IMF分量中相对集中的特点，提出基于局部内禀模态特征矩阵奇异值有序统计融合的距离扩展目标智能检测方法。

2.技术方案

本发明所述距离扩展目标内禀模态局部奇异值有序融合检测方法包括以下技术措施：

步骤1对待检测的雷达回波一维距离像进行EMD分解

对待检测区域的N个距离单元回波幅值(x(t)，t＝1，...，N)组成的雷达回波一维距离像x＝[x(1)，x(2)，...，x(N)]，采用EMD方法将其分解，具体包括如下分解步骤：

(1)确定原始信号x(t)所有的局部极值点，然后用三次样条线将所有的局部极大值点连接起来形成上包络线，再用三次样条线将所有的局部极小值点连接起来形成下包络线，上、下包络线应包络所有的数据点；

(2)上、下包络线的平均值记为m₁(t)，求出

h₁(t)＝x(t)-m₁(t)，t＝1，...，N(1)

如果h₁(t)是一个IMF，则h₁(t)就是x(t)的第1个IMF分量，记c₁(t)＝h₁(t)；

(3)如果h₁(t)不满足IMF的条件，则将h₁(t)作为原始数据，重复步骤(1)至步骤(2)，得到上、下包络线的平均值m₁₁(t)，再判断h₁₁(t)＝h₁(t)-m₁₁(t)是否满足IMF的条件，如不满足则重复循环k次，直到h_1k(t)满足IMF条件并记c₁(t)＝h_1k(t)，其中h_1k(t)可表示为：

h_1k(t)＝h_1(k-1)(t)-m_1k(t)，t＝1，...，N(2)

式中，h_1(k-1)(t)为第k-1次循环中去除上、下包络均值后获得的数据，m_1k(t)表示第k次循环中上、下包络线的平均值；

(4)将c₁(t)从x(t)中分离出来，得到

r₁(t)＝x(t)-c₁(t)，t＝1，...，N(3)

将r₁(t)作为原始数据重复步骤(1)至步骤(3)，得到x(t)的第2个满足IMF条件的分量c₂(t)，如此重复循环M次，得到M个满足IMF条件的分量(c_i(t)，i＝1，...，M)，且有

$\left\{\begin{array}{c}{r}_2\left(t\right)=r_1\left(t\right)-c_2\left(t\right)\\ \·\\ \·\\ \·\\ r_M\left(t\right)=r_{M-1}\left(t\right)-c_M\left(t\right)\end{array}\right.---\left(4\right)$

当r_M(t)为一单调函数不能再从中提取满足IMF条件的分量时，循环结束，由式(3)和式(4)可知，原始输入信号x(t)可表示为

$x\left(t\right)={\mathrm{\Σ}}_{i=1}^M{c}_i\left(t\right)+r_M\left(t\right)---\left(5\right)$

式中，r_M(t)称为残余函数，代表信号的平均趋势；

步骤2利用一维距离像的内禀模态局部分量构建特征矩阵

雷达回波一维距离像x经过EMD分解后，得到一系列包含了从高到低不同频率的IMF分量c₁(t)，c₂(t)，...，c_M(t)；其中，背景杂噪信号随机性强，在不同距离单元间无规律起伏，存在较强的高频分量，而目标信号在相邻距离单元间存在一定相关性，变化相对平坦，一般体现在低频分量部分；由于特征值的求解结果一般以特征值大小进行排序，如果用全部IMF分量构建特征矩阵，并进行特征值分解，则可能出现微弱目标的小特征值被强杂噪的大特征值所湮没，将给后续微弱距离扩展检测带来极大困难；为此，利用目标影响较大的局部低频IMF分量构建L×N维特征矩阵A：

$A=\left[\begin{array}{cccc}{c}_{M-L+1}\left(1\right),& c_{M-L+1}\left(2\right),& ...,& c_{M-L+1}\left(N\right)\\ c_{M-L+2}\left(1\right),& c_{M-L+2}\left(2\right),& ...,& c_{M-L+2}\left(N\right)\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ c_M\left(1\right),& c_M\left(2\right),& ...,& c_M\left(N\right)\end{array}\right]---\left(6\right)$

其中，L表示所用低频IMF分量的个数，可以表示为：

L＝round(βM)(7)

式中，round(·)表示对参数进行四舍五入取整，β表示低频分界率，一般取0.3～0.5；

步骤3融合目标对回波一维距离像内禀模态局部奇异值的差异性信息建立检测统计量对L×N维特征矩阵A进行奇异值分解，即

A＝UBV^H(8)

式中，上标“^H”表示共轭转置，U为L×L维酉矩阵，V为N×N维酉矩阵，由奇异值组成的L×N维对角阵B可表示为：

B＝diag(σ₁，σ₂，…，σ_r，0，…，0)(9)

式中，diag(·)表示以参数为对角元素的对角阵，式中的对角元素按照从大到小的顺序排列，r表示非零奇异值的个数；

融合局部内禀模态特征矩阵的奇异值建立检测统计量λ：

$\mathrm{\λ}={\mathrm{\Σ}}_{i=1}^r{\mathrm{\σ}}_i^2---\left(10\right)$

步骤4根据检测需要和杂噪特征数据库的实际情况进行初始化或补充

若杂噪特征数据库无数据，则需进行初始化；若杂噪特征数据库中当前检测所需特征量数量不足，则需进行额外补充；初始化或补充采用的方法包括：通过对待检测区域的邻近区域进行雷达照射，获得与待检测区域径向距离范围相同且方位邻近的回波辅助数据，即P个长度为N的回波一维距离像信号(x_j，j＝1，...，P)，按照步骤1至步骤3分别形成P个相应的检测统计量(λ_j，j＝1，...，P)，并将特征量(λ_j，j＝1，...，P)及相应的距离方位等信息存入杂噪特征数据库进行初始化或补充；

步骤5利用有序统计特征量自适应设定检测阈值

为了消除杂噪背景功率起伏的影响，从杂噪特征数据库中提取与待检测区域径向距离范围相同且方位邻近的K个杂噪特征量(λ_i，i＝1，...，K)，为提高雷达在杂噪边缘和多目标干扰背景下的检测性能，采用有序统计思想，形成检测阈值T：

T＝Z₀λ_(n)(11)

式中，Z₀表示阈值因子，可根据预设的虚警概率设置，从而保持检测方法的恒虚警率特性；λ_(n)表示K个杂噪特征量经过从小到大排序后的第n个排序样本，即有：

λ₍₁₎≤λ₍₂₎≤…≤λ_(n-1)≤λ_(n)≤λ_(n+1)≤…≤λ_(K)(12)

为了保证雷达在杂波边缘的检测性能，一般需满足n≥K/2，而为了保证雷达在干扰目标环境下的检测性能，一般需满足n≤3K/4，故一般情况下n的取值范围为K/2≤n≤3K/4；

步骤6对待检测的雷达回波一维距离像进行检测判决

将待检测区域对应的检测统计量λ与门限T进行比较，若λ≥T，则判定待检测区域存在距离扩展目标，反之若λ＜T，则判定待检测区域不存在距离扩展目标；

步骤7根据检测结果更新杂噪特征数据库

若步骤6中待检测区域被判定为不存在目标，则将特征量λ及相应的距离方位等信息加入杂噪特征数据库进行更新。

3.有益效果

与背景技术相比，本发明的有益效果是：

(1)在未知杂噪背景下，本发明方法无需对杂噪背景进行统计建模，避免了与杂噪环境的失配，通过局部IMF分量的特征矩阵奇异值构建检测统计量，避免了强杂噪的大特征值可能产生的干扰，检测环境适应性强；

(2)与Wigner-Ville分布及小波分析等传统时频分析方法相比，本发明方法无交叉项，且具有可调的多分辨率，对微弱距离扩展目标特征提取能力更强、检测性能更好；

(3)本发明方法能在强干扰目标和杂噪边缘等复杂环境下保持CFAR特性，有效消除辅助数据异常值带来的不利影响，特别适合于密集干扰目标和杂噪边缘等复杂环境下的微弱距离扩展目标检测。

四、附图说明

附图是本发明所提出的检测方法的功能模块图。图中，1.EMD分解模块，2.特征矩阵构建模块，3.检测统计量计算模块，4.检测判决模块，5.杂噪特征数据库模块，6.检测门限计算模块。

五、具体实施方式

下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

参照说明书附图，本发明的具体实施方式分为以下几个步骤：

步骤1对待检测的雷达回波一维距离像进行EMD分解

将待检测区域的N个距离单元回波幅值(x(t)，t＝1，...，N)组成的雷达回波一维距离像x＝[x(1)，x(2)，...，x(N)]送入EMD分解模块(1)进行分解，具体包括如下步骤：

(1)确定原始信号x(t)所有的局部极值点，然后用三次样条线将所有的局部极大值点连接起来形成上包络线，再用三次样条线将所有的局部极小值点连接起来形成下包络线，上、下包络线应包络所有的数据点；

(2)计算上、下包络线的平均值m₁(t)，根据式(1)计算h₁(t)，如果h₁(t)是一个IMF，则h₁(t)就是x(t)的第1个IMF分量，记c₁(t)＝h₁(t)；

(3)如果h₁(t)不满足IMF的条件，则将h₁(t)作为原始数据，重复步骤(1)至步骤(2)，得到上、下包络线的平均值m₁₁(t)，再判断h₁₁(t)＝h₁(t)-m₁₁(t)是否满足IMF的条件，如不满足则重复循环k次，直到根据式(2)获得的h_1k(t)满足IMF条件并记c₁(t)＝h_1k(t)；

(4)根据式(3)获得r₁(t)，将r₁(t)作为原始数据重复步骤(1)至步骤(3)，得到x(t)的第2个满足IMF条件的分量c₂(t)，如此重复循环M次，得到M个满足IMF条件的分量(c_i(t)，i＝1，...，M)，并将结果送入特征矩阵构建模块(2)；

步骤2利用一维距离像的内禀模态局部分量构建特征矩阵

在特征矩阵构建模块(2)中，利用M个IMF分量(c_i(t)，i＝1，...，M)，根据式(6)和式(7)构建局部低频IMF分量的L×N维特征矩阵A，并将特征矩阵A送入检测统计量计算模块(3)，其中低频分界率β可取0.3；

步骤3融合目标对回波一维距离像内禀模态局部奇异值的差异性信息建立检测统计量

在检测统计量计算模块(3)中，首先根据式(8)和式(9)对特征矩阵A进行奇异值分解，得到r个非零奇异值σ₁，σ₂，…，σ_r，接着根据式(10)计算检测统计量λ并将计算结果送入检测判决模块(4)；

步骤4根据检测需要和杂噪特征数据库的实际情况进行初始化或补充

该步骤在杂噪特征数据库模块(5)中进行：若杂噪特征数据库无数据，则需进行初始化；若杂噪特征数据库中当前检测所需特征量数量不足，则需进行额外补充；初始化或补充采用的方法包括：通过对待检测区域的邻近区域进行雷达照射，获得与待检测区域径向距离范围相同且方位邻近的P个长度为N的回波一维距离像信号(x_j，j＝1，...，P)，按照步骤1至步骤3分别形成P个相应的检测统计量(λ_j，j＝1，...，P)，并将特征量(λ_j，j＝1，...，P)及相应的距离方位等信息存入杂噪特征数据库进行初始化或补充；

步骤5利用有序统计特征量自适应设定检测阈值

从杂噪特征数据库模块(5)中提取与待检测区域径向距离范围相同且方位邻近的K个杂噪特征量(λ_i，i＝1，...，K)，并送入检测门限计算模块(6)，在给定的虚警概率条件下根据式(11)和式(12)计算自适应检测阈值T，其中序值n可取3K/4；

步骤6对待检测的雷达回波一维距离像进行检测判决

在检测判决模块(4)中，将待检测区域对应的检测统计量λ与门限T进行比较，若λ≥T，则判定待检测区域存在距离扩展目标，反之若λ＜T，则判定待检测区域不存在距离扩展目标；

步骤7根据检测结果更新杂噪特征数据库

根据检测判决模块(4)的判决结果更新杂噪特征数据库：若步骤6中待检测区域被判定为不存在目标，则将特征量λ及相应的距离方位等信息送入杂噪特征数据库模块(4)中进行更新。

Claims (1)

1.强杂噪、强干扰目标和杂噪边缘情况下距离扩展目标内禀模态局部奇异值有序融合检测方法，其特征在于包括以下步骤：

步骤1对待检测的雷达回波一维距离像进行EMD分解

对待检测区域的N个距离单元回波幅值(x(t),t＝1,...,N)组成的雷达回波一维距离像x＝[x(1),x(2),...,x(N)]，采用EMD方法将其分解，具体包括如下分解步骤：

(l)确定原始信号x(t)所有的局部极值点，然后用三次样条线将所有的局部极大值点连接起来形成上包络线，再用三次样条线将所有的局部极小值点连接起来形成下包络线，上、下包络线应包络所有的数据点；

(2)上、下包络线的平均值记为m₁(t)，求出

h₁(t)＝x(t)-m₁(t),t＝1,...,N(l)

如果h₁(t)是一个IMF，则h₁(t)就是x(t)的第1个IMF分量，记c₁(t)＝h₁(t)；

(3)如果h₁(t)不满足IMF的条件，则将h₁(t)作为原始数据，重复步骤(1)至步骤(2)，得到上、下包络线的平均值m₁₁(t)，再判断h₁₁(t)＝h₁(t)-m₁₁(t)是否满足IMF的条件，如不满足则重复循环k次，直到h_1k(t)满足IMF条件并记c₁(t)＝h_1k(t)，其中h_1k(t)可表示为：

h_1k(t)＝h_1(k-1)(t)-m_1k(t),t＝1,...,N(2)

式中，h_1(k-1)(t)为第k-1次循环中去除上、下包络均值后获得的数据，m_1k(t)表示第k次循环中上、下包络线的平均值；

(4)将c₁(t)从x(t)中分离出来，得到

r₁(t)＝x(t)-c₁(t),t＝1,...,N(3)

将r₁(t)作为原始数据重复步骤(1)至步骤(3)，得到x(t)的第2个满足IMF条件的分量c₂(t)，如此重复循环M次，得到M个满足IMF条件的分量(c_i(t),i＝1,...,M)，且有

$\left\{\begin{array}{c}{r}_2\left(t\right)=r_1\left(t\right)-c_2\left(t\right)\\ \begin{array}{c}.\\ .\\ .\end{array}\\ r_M\left(t\right)=r_{M-1}\left(t\right)-c_M\left(t\right)\end{array}\right.---\left(4\right)$

当r_M(t)为一单调函数不能再从中提取满足IMF条件的分量时，循环结束，由式(3)和式(4)可知，原始输入信号x(t)可表示为

$x\left(t\right)={\Σ}_{i=1}^M{c}_i\left(t\right)+r_M\left(t\right)---\left(5\right)$

式中，r_M(t)称为残余函数，代表信号的平均趋势；

步骤2利用一维距离像的内禀模态局部分量构建特征矩阵

雷达回波一维距离像x经过EMD分解后，得到一系列包含了从高到低不同频率的IMF分量c₁(t),c₂(t),…,c_M(t)；其中，背景杂噪信号随机性强，在不同距离单元间无规律起伏，存在较强的高频分量，而目标信号在相邻距离单元间存在一定相关性，变化相对平坦，一般体现在低频分量部分；由于特征值的求解结果一般以特征值大小进行排序，如果用全部IMF分量构建特征矩阵，并进行特征值分解，则可能出现微弱目标的小特征值被强杂噪的大特征值所湮没，将给后续微弱距离扩展检测带来极大困难；为此，利用目标影响较大的局部低频IMF分量构建L×N维特征矩阵A：

$A=\left[\begin{array}{cccc}{c}_{M-L+1}\left(1\right),& c_{M-L+1}\left(2\right),& ...,& c_{M-L+1}\left(N\right)\\ c_{M-L+2}\left(1\right),& c_{M-L+2}\left(2\right),& ...,& c_{M-L+2}\left(N\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ c_M\left(1\right),& c_M\left(2\right),& ...,& c_M\left(N\right)\end{array}\right]---\left(6\right)$

其中，L表示所用低频IMF分量的个数，可以表示为：

L＝round(βM)(7)

式中，round(·)表示对参数进行四舍五入取整，β表示低频分界率，一般取0.3～0.5；

步骤3融合目标对回波一维距离像内禀模态局部奇异值的差异性信息建立检测统计量

对L×N维特征矩阵A进行奇异值分解，即

A＝UBV^H(8)

式中，上标“^H”表示共轭转置，U为L×L维酉矩阵，V为N×N维酉矩阵，由奇异值组成的L×N维对角阵B可表示为：

B＝diag(σ₁,σ₂,…,σ_r,0,…,0)(9)

式中，diag(·)表示以参数为对角元素的对角阵，式中的对角元素按照从大到小的顺序排列，r表示非零奇异值的个数；

融合局部内禀模态特征矩阵的奇异值建立检测统计量λ：

$\mathrm{\λ}={\Σ}_{i=1}^r{\mathrm{\σ}}_i^2---\left(10\right)$

步骤4根据检测需要和杂噪特征数据库的实际情况进行初始化或补充

若杂噪特征数据库无数据，则需进行初始化；若杂噪特征数据库中当前检测所需特征量数量不足，则需进行额外补充；初始化或补充采用的方法包括：通过对待检测区域的邻近区域进行雷达照射，获得与待检测区域径向距离范围相同且方位邻近的回波辅助数据，即P个长度为N的回波一维距离像信号(x_j,j＝1,...,P)，按照步骤1至步骤3分别形成P个相应的检测统计量(λ_j,j＝1,...,P)，并将特征量(λ_j,j＝1,...,P)及相应的距离方位等信息存入杂噪特征数据库进行初始化或补充；

步骤5利用有序统计特征量自适应设定检测阈值

为了消除杂噪背景功率起伏的影响，从杂噪特征数据库中提取与待检测区域径向距离范围相同且方位邻近的K个杂噪特征量(λ_i,i＝1,...,K)，为提高雷达在杂噪边缘和多目标干扰背景下的检测性能，采用有序统计思想，形成检测阈值T：

T＝Z₀λ_(n)(11)

式中，Z₀表示阈值因子，可根据预设的虚警概率设置，从而保持检测方法的恒虚警率特性；λ_(n)表示K个杂噪特征量经过从小到大排序后的第n个排序样本，即有：

λ₍₁₎≤λ₍₂₎≤…≤λ_(n-1)≤λ_(n)≤λ_(n+1)≤…≤λ_(K)(12)为了保证雷达在杂波边缘的检测性能，一般需满足n≥K/2，而为了保证雷达在干扰目标环境下的检测性能，一般需满足n≤3K/4，故一般情况下n的取值范围为K/2≤n≤3K/4；

步骤6对待检测的雷达回波一维距离像进行检测判决

将待检测区域对应的检测统计量λ与门限T进行比较，若λ≥T，则判定待检测区域存在距离扩展目标，反之若λ<T，则判定待检测区域不存在距离扩展目标；

步骤7根据检测结果更新杂噪特征数据库

若步骤6中待检测区域被判定为不存在目标，则将特征量λ及相应的距离方位等信息加入杂噪特征数据库进行更新。