CN103926585B - 一种基于认知的协同探测网Gamma起伏目标检测方法 - Google Patents
一种基于认知的协同探测网Gamma起伏目标检测方法 Download PDFInfo
- Publication number
- CN103926585B CN103926585B CN201410182420.6A CN201410182420A CN103926585B CN 103926585 B CN103926585 B CN 103926585B CN 201410182420 A CN201410182420 A CN 201410182420A CN 103926585 B CN103926585 B CN 103926585B
- Authority
- CN
- China
- Prior art keywords
- gamma
- target
- fluctuating
- fluctuating target
- detection network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于认知的协同探测网Gamma起伏目标检测方法,首先对协同探测网Gamma起伏目标进行认知得到目标统计参数,再利用对目标认知获取的参数设计Gamma起伏目标检测器;最后利用该检测器对回波信号进行检测,充分利用目标统计信息,适应能力强,针对性强,解决了协同探测网Gamma起伏目标检测器设计,实现对Gamma起伏目标的有效探测,提高探测网探测目标的能力,降低探测得益与资源的效费比。
Description
技术领域
本发明涉及雷达目标探测技术,具体涉及基于认知的协同探测技术。
背景技术
协同探测网是一种位于空间不同位置的多部雷达,利用多种频率和多种极化配置可以对空间区域进行独立警戒和协同探测的雷达网络。对于协同探测网复杂雷达目标,传统的Swerling起伏模型(指数分布和4自由度卡方分布)不能准确的描述目标在多个维度的起伏特性,而Gamma分布作为一种更广义的分布,其包含指数、4自由度卡方等分布,可以表征非平稳或者非均匀散射特性的起伏目标。因此,将协同探测网不同通道RCS建模为Gamma分布,并研究Gamma起伏目标的检测问题,具有普遍适用性。由于协同探测网利用不同空间、不同频率和不同极化等通道RCS多维度信息进行联合探测。这些不同通道使得RCS服从不同分布参数Gamma分布,同时不同通道之间满足独立特性,即多维度RCS具有独立非同分布Gamma起伏特性。
传统检测器,如GLRT等,直接对回波信号处理,利用传统检测器对独立非同分布Gamma起伏目标探测时,检测性能将恶化。为此,协同探测网可以通过增加雷达功率,雷达数量等手段弥补目标起伏带来的性能损失,但协同探测网效能得益和资源消耗的比值将会迅速增加。因此,设计利用目标统计特性的检测器具有重要意义。
目前,利用目标起伏模型,设计检测器的研究还存在局限,特别是协同探测网起伏目标的检测。如:针对空间分集MIMO雷达系统,通过雷达方程或回波数据估计目标特性,并提出了一种基于指数起伏目标的统计信噪比加权的检测器。其对目标特性的获取手段有效性差,精度低;同时,指数起伏目标模型,描述协同探测网复杂目标具有局限性。不能应用到协同探测网,空间、频率和极化分集独立非同分布Gamma起伏目标的检测中。因此,针对协同探测网,通过获取并利用目标信息的检测器设计理论还处于起步阶段,检测方法存在缺陷。
发明内容
本发明所要解决的技术问题是,提供一种利用目标信息提高探测性能,降低性能得益和资源消耗比,适用于协同探测网的Gamma起伏目标检测方法。
本发明为解决上述技术问题所采用的技术方案是,一种基于认知的协同探测网Gamma起伏目标检测方法,包括以下步骤:
认知步骤:对协同探测网Gamma起伏目标进行目标参数的认知,准确获取Gamma起伏目标的形状参数mk和尺度参数βk;
检测器设计步骤:根据获取Gamma起伏目标参数设计Gamma起伏目标检测器,Gamma起伏目标检测器的检测函数Y为:
其中,mk为Gamma起伏目标的形状参数和βk为Gamma起伏目标的形状参数尺度参数,s[k]为接收到的第k个通道的回波采样数据,L为通道总数,N为脉冲驻留时间内发射的脉冲串个数,1F1为合流超几何函数,
检测步骤:将接收到的各通道的回波采样数据送入设计的检测器中,对检测函数输出结果进行判决完成协同探测网对独立非同分布Gamma起伏目标检测。
本发明的有益效果是,首先对协同探测网Gamma起伏目标进行认知得到目标统计参数,再利用对目标认知获取的参数设计Gamma起伏目标检测器;最后利用该检测器对回波信号进行检测,充分利用目标统计信息,适应能力强,针对性强,解决了协同探测网Gamma起伏目标检测器设计,实现对Gamma起伏目标的有效探测,提高探测网探测目标的能力,降低探测得益与资源的效费比。
附图说明
图1为实施例流程框图。
图2为实施例对两种典型Gamma起伏目标的探测结果。
具体实施方式
协同探测网发射信号为简单相干脉冲信号,在白高斯噪声背景下进行探测。
本实施例首先根据拟发射的简单相干脉冲信号、白高斯噪声信号、空间拓扑、极化天线和工作频率确定协同探测网基本系统参数。针对空间检测区域,校正空时配准参数;获取目标相对于不同位置雷达的多普勒频移,存储待用。
实施例流程如图1所示,包括以下步骤:
1、认知步骤:
目标认知是指利用场景分析仪等并结合目标先验知识,通过分析目标回波、目标经验数据等,获取目标统计参数。只要是现有的能够获取Gamma起伏目标的形状参数和尺度参数的认知方法均适用于本发明。
1-1、参数初始化:根据协同探测网具体配置、经验数据和目标先验知识如几何结构、尺寸、材料等,初始化L个不同通道的Gamma起伏目标统计参数;Gamma起伏目标参数包括形状参数和尺度参数;置认知次数i=0;
1-2、学习更新参数:根据协同探测网具体配置,利用场景分析仪和目标回波数据,实时获取Gamma起伏目标信息并进行学习、更新参数;置i=i+1;
1-3、最优目标参数判断:对经过步骤1-2处理后的Gamma起伏目标参数进行判断,验证Gamma起伏目标参数是否最优;
1-4、参数输出或重新学习:如果1-3的判断结果为:Gamma起伏参数最优,则退出循环,输出参数并存储待用;否则判断认知次数i是否大于最大认知次数I,如果i<I则返回1-2,进入下一次循环,继续学习更新目标参数;如果i≥I,则强制退出循环,输出参数并存储待用。
2、基于Gamma起伏目标的检测器设计步骤:利用步骤1输出的Gamma起伏目标参数,调整各通道目标参数,设计基于独立非同分布Gamma起伏目标的检测器:
Gamma起伏目标检测器的检测函数Y为:
其中,mk为Gamma起伏目标的形状参数和βk为Gamma起伏目标的形状参数尺度参数,s[k]为接收到的第k个通道的待检测数据,L为通道总数,N为脉冲驻留时间内发射的脉冲串个数,1F1为合流超几何函数,
待检测数据可以是原始回波经分离、采样、相干处理后的数据,也可以是原始回波经分离、采样处理后的数据。优选使用经过相干处理后的数据作为待检测数据。通道信号进行相干处理后,形成目标能量有效积累的待检测数据,能提高检测的准确度。
3、检测步骤:将接收到的L个通道的待检测数据送入步骤2设计的检测器中,对检测函数输出结果进行判决,完成协同探测网对独立非同分布Gamma起伏目标检测:
3-1、信号分离:将不同空间位置、不同载频、不同极化天线下获得的回波信号在空间、极化和频率通道上分离。空间通道分离首先将空间不同位置接收的回波信号分离,存储待用;极化通道分离将空间分离的信号在不同极化方式进行分离,存储待用;频率通道信号分离将在空间、极化通道分离后的回波信号进行匹配滤波,在不同频率上进行分离,存储待用;
3-2、回波信号的采样:利用A/D转换器,将步骤3-1所得的不同通道信号转变为数字信号,存储待用,实现对每个通道信号的采样;
3-3、相干处理:将步骤3-2所得的数字信号,在相同通道内进行相干处理,存储待用,实现目标信号有效积累。
3-4、信号检测:将步骤3-3处理后的信号,送入步骤2设计的Gamma起伏目标检测器中,利用查找表,进行判决,实现Gamma起伏目标的有效检测。
本实施例对协同探测网Gamma起伏目标进行目标参数的认知,通过学习和更新,准确获取Gamma起伏目标参数;再通过对回波信号分离、采样,同一通道信号进行相干处理,得到目标能量有效积累的待检测数据;最后根据目标认知参数设计Gamma起伏目标检测器,通过查找表对待检测数据进行检测,解决了Gamma起伏目标参数获取和Gamma起伏目标检测器设计的难题,从而充分利用目标信息,实现协同探测网Gamma起伏目标的有效探测。
下面针对协同探测网在典型配置条件下,就实施例的效果进行测试:
设定协同探测网雷达部数M=2,网内雷达均可以收到彼此回波信号,雷达1位于空间(x1,y1),雷达2位于空间(x2,y2),每部雷达发射简单相干脉冲信号,工作在不同中心频率下f1≠f2,雷达1天线极化方式为水平极化H,雷达2天线极化方式为垂直极化V,脉冲重复时间为T,脉冲驻留时间内发射N=8个脉冲;目标位于空间位置(x0,y0,z0),速度矢量为干扰为复白高斯噪声且方差为σ2=1。
第一步,认知协同探测网配置参数,通过学习更新,获取目标信息,并对回波数据进行分离和采样。
首先通过空时配准,校正回波数据,获取不同位置雷达的目标径向速度。根据设定的系统参数,确定协同分离得到的通道总数L=8个,每个通道具有N=8个回波样本数据,为导向矢量为通道k对应的多普勒为fd,k,目标信号复幅度为信号相位为θk且服从[0,2π)的均匀分布,在同一个通道k中,具有相同的相位θk,在不同的通道(i,j)具有不同的相位(θi≠θj);信号瞬时功率为A2[k],且在同一通道内具有相同的特性,在不同通道为独立不同分布Gamma随机变量;
协同探测网信噪比定义为:其中,E(A2[k])/σ2为k通道信噪比。考虑两种典型目标,其中,目标1在各通道信号比的关系为:[0,0,0.5,0.5,2,2,22,23]/50,各通道形状参数mk=1,k=1,…,L;目标2在各通道信号比的关系为:[0,0,0.2,0.2,0.2,0.2,0.2,49]/50,各通道形状参数mk=1,k=1,…,L。
根据上述协同探测网具体配置——雷达个数、位置、频率极化等和目标先验知识——几何结构、形状、尺寸、材料等,初始化各个通道Gamma起伏目标参数,再通过实时获取目标回波信息,学习、更新各个通道目标参数,得到最优参数获取、输出并存储参数,完成参数认知。
第二步,对同一通道的采样信号进行相干处理并将相干处理结果存储。
第三步、根据目标参数认知结果,得到Gamma起伏目标在各个通道的最优统计分布参数:包括形状参数mk和尺度参数βk,并基于认知参数设计独立非同分布Gamma起伏目标检测器。
第四步、将相干处理后的结果s[k]送入设计的检测器中,通过查找表得到合流超几何函数值并进行判决,完成协同探测网对独立非同分布Gamma起伏目标检测。本实施方案,设定探测虚警概率为10-3。本实施方案与技术背景中的传统检测器分别检测协同探测网独立非同分布Gamma起伏目标,对比结果如图2所示,可以看出,本发明可以实现基于认知的协同探测网Gamma起伏目标高效检测,且适应性强。
Claims (3)
1.一种基于认知的协同探测网Gamma起伏目标检测方法,其特征在于,包括以下步骤:
认知步骤:对协同探测网Gamma起伏目标进行目标参数的认知,准确获取通道k的Gamma起伏目标的形状参数mk和尺度参数βk,k=1,…,L;
检测器设计步骤:根据获取Gamma起伏目标参数,设计Gamma起伏目标检测器,Gamma起伏目标检测器的检测函数Y为:
其中,L为通道总数,mk为第k个通道Gamma起伏目标的形状参数,βk为Gamma起伏目标的尺度参数,s[k]为接收到的第k个通道的回波经过采样和相干处理后待检测数据,N为脉冲驻留时间内发射的脉冲个数,1F1为合流超几何函数,
检测步骤:将接收到的各通道的待检测数据送入设计的检测器中,对检测函数输出结果进行判决,完成协同探测网对独立非同分布Gamma起伏目标检测。
2.如权利要求1所述一种基于认知的协同探测网Gamma起伏目标检测方法,其特征在于,所述各通道的待检测数据为对原始回波信号进行分离、采样与相干处理后的数据,即 为经分离、采样处理后得到的第k个通道的回波数据,H表示矩阵共轭转置,为第k个通道的导向矢量,T为雷达发射的脉冲重复时间,fd,k为第k个通道对应的多普勒频移。
3.如权利要求1所述一种基于认知的协同探测网Gamma起伏目标检测方法,其特征在于,检测步骤中,可以通过查找表得到合流超几何函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410182420.6A CN103926585B (zh) | 2014-04-30 | 2014-04-30 | 一种基于认知的协同探测网Gamma起伏目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410182420.6A CN103926585B (zh) | 2014-04-30 | 2014-04-30 | 一种基于认知的协同探测网Gamma起伏目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103926585A CN103926585A (zh) | 2014-07-16 |
CN103926585B true CN103926585B (zh) | 2016-08-24 |
Family
ID=51144873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410182420.6A Active CN103926585B (zh) | 2014-04-30 | 2014-04-30 | 一种基于认知的协同探测网Gamma起伏目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103926585B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104880696B (zh) * | 2015-05-11 | 2018-04-06 | 电子科技大学 | 一种基于通道优选的多通道目标检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT1390720B1 (it) * | 2008-07-16 | 2011-09-15 | Galileian Plus S R L | Procedimento per filtrare immagini sar dal rumore di speckle e relativo dispositivo |
CN101493520B (zh) * | 2009-01-16 | 2012-07-11 | 北京航空航天大学 | 一种基于二维Gamma分布的SAR图像变化检测方法 |
-
2014
- 2014-04-30 CN CN201410182420.6A patent/CN103926585B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103926585A (zh) | 2014-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103901416B (zh) | 一种基于稳健主成分分析法的多通道杂波抑制方法 | |
CN105807267B (zh) | 一种mimo雷达扩展目标的检测方法 | |
CN104793253A (zh) | 基于数学形态学的航空电磁数据去噪方法 | |
CN104316936B (zh) | 一种综合的dme脉冲干扰抑制方法 | |
CN108072906B (zh) | 一种分布式磁探测磁目标识别方法 | |
CN105652273A (zh) | 一种基于混合匹配追踪算法的mimo雷达稀疏成像算法 | |
CN109444869A (zh) | 一种用于信号失配的雷达扩展目标参数可调检测器 | |
CN111521976B (zh) | 一种空时自适应干扰处理方法、装置及存储介质 | |
CN105403875B (zh) | 双极化接收雷达的目标检测方法 | |
CN109919015A (zh) | 一种基于多采样卷积神经网络的射频指纹提取和识别方法 | |
CN104597434B (zh) | 改进包络移位补偿和分数阶傅里叶变换的多帧相参tbd方法 | |
CN103093244B (zh) | 一种基于稀疏分解的雷达信号识别方法 | |
CN106772273A (zh) | 一种基于动态孔径的sar虚假目标干扰抑制方法及系统 | |
CN110427878A (zh) | 一种快速射电暴信号识别方法与系统 | |
CN105117736A (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN109001687A (zh) | 基于广义旁瓣相消结构的机载雷达空时自适应滤波方法 | |
Lee et al. | Neural network-based ranging with LTE channel impulse response for localization in indoor environments | |
CN106100762A (zh) | 一种循环平稳谱分析的弱通信信号检测方法 | |
CN114722593B (zh) | 一种基于海气耦合模式生成海洋场模式值的方法及系统 | |
CN106656303A (zh) | 一种基于星载天线捕获跟踪指向系统的信号检测方法 | |
CN103926585B (zh) | 一种基于认知的协同探测网Gamma起伏目标检测方法 | |
CN108196269A (zh) | 卫星导航抗干扰天线系统内部弱谐波干扰信号检测方法 | |
CN108414992A (zh) | 一种基于相位信息杂波图的目标检测方法 | |
CN105022041A (zh) | 基于经验模态分解特征库的拖引干扰子类型识别方法 | |
CN107632326A (zh) | 地球物理信号去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |