CN104572869A - 一种雷达知识库中基于多种分布类型的动态更新方法 - Google Patents

Abstract

该发明公开了一种基于雷达知识库的杂波信息动态更新方法，属于雷达环境知识库建模技术的领域，特别涉及了AD检验、CM检验和杂波信息动态更新技术。该方法首先利用AD检验判断是否需要对杂波分布类型进行更新；如果需要更新，就对分布参数进行估计，利用AD检验(两次AD检验不一样)和CM检验选择最优的那个分布类型；该方法具有通用性强、判决精度高的效果。

Description

一种雷达知识库中基于多种分布类型的动态更新方法

技术领域

本发明属于雷达环境知识库建模技术的领域，特别涉及了Anderson-Darling(AD)检验、Cramer-von Mises(CM)检验和杂波信息动态更新技术。

背景技术

知识辅助(Knowledge-based KB)信号处理一直是改善传统雷达探测性能的关键技术之一，而雷达辅助知识库是KB系统的关键部分。知识辅助的效果的在很大程度上取决于雷达辅助知识库与环境的匹配情况。而雷达操作环境通常是非稳定、多变的，如果知识库提供了不匹配的辅助信息，最终可能导致雷达探测性能的恶化。我们利用雷达回波数据及时的对知识库内的杂波分布信息进行动态更新，保证了知识库信息与雷达环境的实时匹配，为后续的知识辅助雷达探测技术提供了可靠的保障。因此，提高雷达知识库与环境的匹配水平具有重要的理论价值和实际意义。

雷达环境知识库动态更新是一种利用获取的雷达回波及其他类传感器信息实时地更新知识库信息的自适应信号处理技术。这方面的公开研究一直很少。针对雷达环境的杂波分布，2006年，麦克马斯特大学认知系统实验室的Simon Haykin首次提出了认知雷达的概念，作者针对海面表面利用F-分布(F_2,2k(z))描述杂波分布，并利用雷达回波实时更新分布参数，但是对于复杂地形的杂波，单一的分布类型不足以模拟情况不一的杂波分布情况。针对杂波分布类型判断，2005年，空军雷达学院的刘俊凯等人提出了利用χ²检验判断杂波序列的分布类型。但是χ²检验需要大量样本数，并且在很多情况下的检验性能比AD检验差。2009年，南京航空航天大学的张维等人利用AD检验代替传统的假设检验实现了杂波分布辨识，但是对多种分布直接用AD检验可能出现没有一种分布类型通过AD检验的情况，或者出现同时有多种分布通过AD检验的情况，并不能选择最优分布类型。

发明内容

本发明的目的是针对背景技术存在的缺陷，研究设计一种雷达知识库中基于多种分布类型的动态更新方法，从而达到在雷达知识库杂波信息动态更新背景下具有通用性强、分类精度高的目的。

本发明提出了一种雷达知识库中基于多种分布类型的动态更新方法，该方法主要分为两个阶段。首先，在判断是否需要对杂波分布进行更新的过程中，利用AD检验在一定的置信度下判断新获取的雷达数据是否符合旧的分布类型；如果符合，就不需要更新，如果不符合，就进入更新阶段；对被择分布簇进行参数估计，然后利用AD检验和CM检验联合选择最优的分布类型(包括分布的参数)。因而本发明一种雷达知识库中基于多种分布类型的动态更新方法包括以下步骤：

步骤1、获取N帧雷达回波数据(x₁，x₂，…，x_N)；

步骤2、利用新获取的数据更新雷达知识库中的回波数据；

步骤3、第一次AD检验，对N个回波数据进行排序，x₁≤x₂≤…≤x_N，计算新获取回波数据的AD统计量：

$A^2=-N-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(2i-1)[\ln F\left(x_i\right)+\ln (1-F\left(x_{N+1-i}\right))]$

其中F(·)是雷达知识库单元之前存储的杂波分布的累积分布函数，其分布类型和分布参数为已知；

然后用AD检验的统计量A²跟一定置信度下的门限值η比较；如果A²>η，则认为旧的杂波分布跟新的回波数据是不匹配的，需要进行更新，进行步骤4；否则认为在一定置信度水平下旧的杂波分布跟新的回波数据是匹配的，不需要更新；

步骤4、针对m种不同的分布类型D₁,…,D_m，进行参数估计；

步骤5、第二次AD检验，分别计算每种被择分布的AD统计量

$A_k^2=-N-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(2i-1)[\ln F_k\left(x_i\right)+\ln (1-F_k\left(x_{N+1-i}\right))]$

这里的F_k(·)是被择分布的累积分布函数，分布参数是步骤4中估计的；针对不同的分布，分别比较它们的和相应的门限值，如果则认为新的数据和被择分布是不相符合的；否则，即通过二次AD检验，则认为二者相符；若只有一个分布通过二次AD检验，则用该分布更新原有分布类型；否则进入步骤6；

步骤6、经过步骤5，若出现多种分布同时通过二次AD检验，则计算通过二次AD检验的各种分布的CM检验的统计量W_k ²，用其中最小值对应的分布为最优分布更新分布类型；

经过步骤5，若出现没有一个分布通过二次AD检验的情况，则计算全部分布的CM检验的统计量W_k ²，用其中最小值对应的分布为最优分布更新分布类型。

其中所述步骤6计算CM检验的统计量的计算方法为：

${W_k}^2=\frac{1}{12n}+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[F_k\left(x_i\right)-\frac{2i-1}{2n}]}^2.$

其中步骤3和步骤5中门限值η通过蒙特卡罗实验得到，步骤为：

S1，对给定的分布，产生N个杂波随机样本；

S2，如果分布参数未知，先估计出分布函数的参数；

S3，计算AD检验统计量；

S4，重复S1～S3得到100000个检验统计量；

S5，对统计量进行由小到大排序，根据不同的置信度得出门限值。

本发明针对雷达知识库的杂波信息动态更新问题，利用二次AD检验和CM检验技术，对雷达环境的杂波分布进行判断和更新，具有通用性强、分类精度高的效果。

附图说明

图1为本发明基于雷达知识库的杂波信息动态更新方法的流程图。

具体实施方式

本发明主要采用仿真实验的方法进行验证，所有步骤和结论都在MATLAB2014a上验证正确。下面就具体实施方式对本发明作详细地描述。

步骤1、从雷达接收机中读取320帧雷达回波数据(x₁，x₂，…，x_N)；

步骤2、利用新获取的数据更新雷达知识库中的回波数据；

步骤3、第一次AD检验，对320个回波数据进行排序，x₁≤x₂≤…≤x_N，计算新获取回波数据的AD统计量：

$A^2=-N-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(2i-1)[\ln F\left(x_i\right)+\ln (1-F\left(x_{N+1-i}\right))]$

其中F(·)是雷达知识库单元之前存储的杂波分布的累积分布函数，分布类型和分布参数是已知的。然后用AD检验的统计量A²跟一定置信度下的门限值η比较。如果A²>η，则认为旧的杂波分布跟新的回波数据是不匹配的，需要进行更新；如果A²<η，则认为在一定置信度水平下旧的杂波分布跟新的回波数据是匹配的，不需要更新；

步骤4、如果需要进行更新，首先针对常用的4种不同的杂波幅度分布类型瑞利分布、对数正态分布、威布尔分布和K分布进行参数估计；

步骤5、第二次AD检验，分别计算每种被择分布的AD统计量k＝1～4：

$A_k^2=-N-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(2i-1)[\ln F_k\left(x_i\right)+\ln (1-F_k\left(x_{N+1-i}\right))]$

这里的F_k(·)是4种被择分布的累积分布函数，分布参数是步骤4中估计的。针对不同的分布，分别比较它们的统计量和相应的门限值，如果则认为新的数据和被择分布是不相符合的，如果即通过二次AD检验，则认为二者相符；

步骤6、经过步骤5，如果出现多种分布同时通过二次AD检验，或者出现没有一个分布通过二次AD检验的情况。计算CM检验的统计量W_k ²，k＝1～4：

${W_k}^2=\frac{1}{12n}+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{[F_k\left(x_i\right)-\frac{2i-1}{2n}]}^2$

然后通过选择CM统计量最小的分布为最优分布。注意，这里的被择分布只包含通过二次检验的多种分布，或者在没有分布通过二次AD检验时的全部分布；

步骤7、对雷达知识库中的分布类型和分布参数进行更新。

通过上面的步骤，就可以对雷达知识库中的杂波分布信息进行有效的更新，提高知识库与雷达操作环境的实时匹配。

在上述仿真中，针对步骤3中的第一次AD检验，当杂波分布类型在四种分布中变化时，AD检验可以100％的识别出来。表2展现了来源于分布参数变化后的瑞利分布的杂波序列被成功检验为需要更新的概率。当分布参数b发生微小变化时(±0.5)，AD检验能有效的识别。另一方面，参数变化很小时，对杂波分布的影响很小，更新的意义不大，也保持了杂波库的稳定性。实际情况下可以调节置信度控制算法对参数改变的灵敏度。

由表4的结果可知当杂波序列来源于实际分布类型时，除瑞利分布外，对数正态分布和韦布尔分布的成功判断概率达到了99.9％以上，K分布也达到77％以上。针对来源于瑞利分布的杂波序列，很多被判断为韦布尔分布，这个结果是合理的，由于韦布尔分布在形状参数为2时本身就是瑞利分布。

通过本发明的具体实施可以看出，本发明能够对雷达知识库中的杂波分布信息进行实时有效的更新。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

表1各分布参数设置表

表2各分布在不同置信度下的临界值(N＝420，蒙特卡洛100000)

表3针对瑞利分布的参数变化时第一次AD检验的识别率(N＝420，置信度为0.05，蒙特卡洛10000次)

b	2.5	2.6	2.7	2.8	2.9
						成功识别率	100％	100％	97.52％	70.56％	22.71％
b	3.1	3.2	3.3	3.4	3.5
						成功识别率	22.87％	66.36％	94.42％	99.96％	99.99％

表4杂波序列来源于实际分布时判断为各分布的概率(N＝420，置信度为0.05，蒙特卡洛10000次)

Claims (3)

1.一种雷达知识库中基于多种分布类型的动态更新方法，该方法包括：

步骤1、获取N帧雷达回波数据(x₁，x₂，…，x_N)；

步骤2、利用新获取的数据更新雷达知识库中的回波数据；

步骤3、第一次AD检验，对N个回波数据进行排序，x₁≤x₂≤…≤x_N，计算新获取回波数据的AD统计量：

$A^2=-N-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(2i-1)[\ln F\left(x_i\right)+\ln (1-F\left(x_{N+1-i}\right))]$

其中F(·)是雷达知识库单元之前存储的杂波分布的累积分布函数，其分布类型和分布参数为已知；

然后用AD检验的统计量A²跟一定置信度下的门限值η比较；如果A²>η，则认为旧的杂波分布跟新的回波数据是不匹配的，需要进行更新，进行步骤4；否则认为在一定置信度水平下旧的杂波分布跟新的回波数据是匹配的，不需要更新；

步骤4、针对m种不同的分布类型D₁,…,D_m，进行参数估计；

步骤5、第二次AD检验，分别计算每种被择分布的AD统计量

$A_k^2=-N-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(2i-1)[\ln F_k\left(x_i\right)+\ln (1-F_k\left(x_{N+1-i}\right))]$

这里的F_k(·)是被择分布的累积分布函数，分布参数是步骤4中估计的；针对不同的分布，分别比较它们的和相应的门限值，如果则认为新的数据和被择分布是不相符合的；否则，即通过二次AD检验，则认为二者相符；若只有一个分布通过二次AD检验，则用该分布更新原有分布类型；否则进入步骤6；

步骤6、经过步骤5，若出现多种分布同时通过二次AD检验，则计算通过二次AD检验的各种分布的CM检验的统计量W_k ²，用其中最小值对应的分布为最优分布更新分布类型；

经过步骤5，若出现没有一个分布通过二次AD检验的情况，则计算全部分布的CM检验的统计量W_k ²，用其中最小值对应的分布为最优分布更新分布类型。

2.如权利要求1所述的一种雷达知识库中基于多种分布类型的动态更新方法，其特征在于所述步骤6计算CM检验的统计量的计算方法为：

${W_k}^2=\frac{1}{12n}+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{[F_k\left(x_i\right)-\frac{2i-1}{2n}]}^2.$

3.如权利要求1所述的一种雷达知识库中基于多种分布类型的动态更新方法，其特征在于步骤3和步骤5中门限值η通过蒙特卡罗实验得到，步骤为：

S1，对给定的分布，产生N个杂波随机样本；

S2，如果分布参数未知，先估计出分布函数的参数；

S3，计算AD检验统计量；

S4，重复S1～S3得到100000个检验统计量；

S5，对统计量进行由小到大排序，根据不同的置信度得出门限值。