CN105093196B - 基于逆伽马纹理复合高斯模型下的相干检测方法 - Google Patents
基于逆伽马纹理复合高斯模型下的相干检测方法 Download PDFInfo
- Publication number
- CN105093196B CN105093196B CN201510442709.1A CN201510442709A CN105093196B CN 105093196 B CN105093196 B CN 105093196B CN 201510442709 A CN201510442709 A CN 201510442709A CN 105093196 B CN105093196 B CN 105093196B
- Authority
- CN
- China
- Prior art keywords
- observation vector
- detection
- unit
- clutter
- assuming
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 150
- 239000013598 vector Substances 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000001427 coherent effect Effects 0.000 claims description 29
- 239000002131 composite material Substances 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 4
- 239000013256 coordination polymer Substances 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003657 Likelihood-ratio test Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达目标检测技术领域,公开了一种基于逆伽马纹理复合高斯模型下的相干检测方法,能够实现均匀海杂波背景下目标的自适应检测,提高了检测性能。该方法包括如下步骤:雷达通过雷达发射机发射脉冲信号,并通过雷达接收机接收回波信号;根据所述回波数据,构建检测单元的观测向量和参考单元的观测向量;根据所述回波数据中检测单元的观测向量和参考单元的观测向量,构建广义似然比检测器;对所述广义似然比检测器中的参数进行估计得到最优相干检测器;根据预先设定的虚警概率,计算检测门限;根据所述检测门限,利用所述最优相干检测器检测目标。
Description
技术领域
本发明属于雷达目标检测技术领域,具体涉及一种基于逆伽马纹理复合高斯模型下的相干检测方法,可用于海杂波背景下的目标检测。
背景技术
当高分辨率雷达工作在小擦地角的情况下,海杂波呈现出较强的非高斯特性,可以利用复合高斯模型来模拟海杂波。复合高斯模型利用两个相互独立过程的乘积来描述海杂波:一个过程称为纹理分量或慢变分量,它是非负的随机变量;另一个过程称为散斑分量或快变分量,它是零均值的复高斯过程。在复合高斯模型下,当杂波的纹理分量服从伽马分布时,对应的海杂波幅度分布模型是K-分布模型;当杂波的纹理分量服从逆伽马分布时,对应的海杂波功率分布是广义Pareto分布。
海杂波背景下目标检测的检测性能依赖于杂波模型的选择和检测器参数的设计。匹配滤波(matching filter,MF)是高斯杂波背景下的最优检测方法,相当于复合高斯模型中的纹理分量恒定。在1986年,Kelly推导出复合高斯下的最优检测器的结构等价于匹配滤波器的幅度输出和数据依赖项的比较。最优K检测器(OKD)是纹理分量服从伽马分布时的最优检测器。因此,不同海杂波模型下的最优相干检测器的设计一直是雷达领域的研究热点。
从检测单元与参考单元纹理分量的角度考虑,海杂波可分为均匀杂波(纹理分量完全相关),相干杂波和高度非均匀杂波(纹理分量独立同分布)。均匀杂波是指在局部范围内,杂波功率表现出均匀性,在不同距离维上具有相同的杂波功率,参考单元和检测单元的纹理分量完全相关,散斑分量具有相同的协方差矩阵。非均匀杂波是指各个距离单元具有不同的杂波功率,参考单元和检测单元的纹理分量是独立同分布的,参考单元给检测单元只提供了散斑分量协方差矩阵的信息。在均匀杂波背景下,参考单元给检测单元不仅提供了散斑分量协方差矩阵的信息而且给出了纹理分量的信息。文献K.J.Sangston,F.Gini,and M.Greco,“Coherent radar target detection in heavy-tailed compound-Gaussian clutter,”IEEE Trans.Aerosp.Electron.Syst.,48(1):64-77,2012中讨论的广义似然比线性门限检测器(GLRT-LTD)是纹理分量服从逆伽马分布时的最优检测方法。
上述最优检测方法的前提是假设检测单元和参考单元具有独立同分布的纹理分量,在均匀杂波(纹理分量完全相关)背景下,此检测器不再是最优的。
发明内容
针对上述技术的缺点,本发明的目的在于提出一种基于逆伽马纹理复合高斯模型下的相干检测方法,能够实现均匀海杂波背景下目标的自适应检测,提高了检测性能。
为达到上述目的,本发明采用如下技术方案予以实现。
一种基于逆伽马纹理复合高斯模型下的相干检测方法,所述方法包括如下步骤:
步骤1,通过雷达发射机发射脉冲信号,并通过雷达接收机接收回波信号,所述回波信号中包括所述脉冲信号经过海面散射形成的回波数据;
步骤2,根据所述回波数据,构建H0假设下所述回波数据中检测单元的观测向量和参考单元的观测向量,以及H1假设下所述回波数据中检测单元的观测向量和参考单元的观测向量,其中所述H0假设表示仅有杂波存在的情况,所述H1假设表示杂波和目标同时存在的情况;
步骤3,根据H0假设下所述回波数据中检测单元的观测向量和参考单元的观测向量,以及H1假设下检测单元的观测向量和参考单元的观测向量,构建广义似然比检测器;
步骤4,对所述广义似然比检测器中的参数进行估计得到最优相干检测器;
步骤5,根据预先设定的虚警概率,计算检测门限;
步骤6,根据所述检测门限,利用所述最优相干检测器检测目标,若所述最优相干检测器检测统计量的值大于或者等于所述检测门限,则判断目标存在,若所述最优相干检测器监测统计量的值小于所述检测门限,则判断目标不存在。
本发明的特点和进一步的改进为:
(1)步骤2具体包括:
根据所述回波数据,构建H0假设以及H1假设下所述回波数据中检测单元的观测向量和参考单元的观测向量为:
其中,H0表示仅有杂波存在的假设,H1表示杂波和目标同时存在的假设,表示检测单元的海杂波向量,表示参考单元的海杂波向量,τ表示海杂波的纹理分量,服从逆伽马分布,u表示检测单元海杂波的散斑分量,uk表示参考单元海杂波的散斑分量,α表示回波数据的幅度,p表示多普勒导向矢量,L表示回波数据的距离单元数,检测单元的观测向量z中的海杂波c和参考单元的观测向量zk中的海杂波ck是均匀杂波,散斑分量服从零均值,单位方差的复高斯分布,纹理分量τ服从逆伽马分布,即1/τ~Γ(λ,η),检测单元和参考单元的纹理分量完全相关,则纹理分量的概率密度函数为:
其中,Γ(·)是伽马函数,λ表示海杂波复合高斯模型的形状参数,η表示海杂波复合高斯模型的尺度参数。
(2)步骤3具体包括如下子步骤:
(3a)根据H0假设下检测单元的观测向量和参考单元的观测向量,计算H0假设下的数据依赖项,所述H0假设下的数据依赖项包括检测单元的数据依赖项q0和参考单元的数据依赖项Q0;
其中,q0=zHM-1z,M表示海杂波散斑分量的协方差矩阵,(·)H表示共轭转置,(·)-1表示矩阵的逆;
(3b)计算H1假设下回波数据的幅度α的估计值并根据所述估计值所述H1假设下检测单元的观测向量和参考单元的观测向量,计算H1假设下的数据依赖项,所述H1假设下的数据依赖项包括检测单元的数据依赖项q1和参考单元的数据依赖项Q1;
其中,
(3c)根据H0假设下的数据依赖项,H0假设下检测单元的观测向量和参考单元的观测向量的联合概率密度函数,H1假设下的数据依赖项,H1假设下检测单元的观测向量和参考单元的观测向量的联合概率密度函数,构建广义似然比检测器。
更进一步的,计算H1假设下回波数据的幅度α的估计值具体包括:
(a)计算H1假设下检测单元的观测向量z的概率密度函数:
其中,M表示海杂波散斑分量的协方差矩阵,|·|表示矩阵行列式,(·)H表示共轭转置,N表示脉冲累积数;
(b)对所述H1假设下检测单元的观测向量z的概率密度函数取自然对数,得到检测单元的观测向量z的似然函数L(z):
(c)最大化所述似然函数L(z),求解式
(d)将式对回波数据的幅度α求导,并今导数为零,
得到回波数据的幅度α的估计值
更进一步的,子步骤(3c)具体包括如下子步骤:
(3c1)计算H0假设下检测单元的观测向量z和参考单元的观测向量z1,z2,...,zk,...,zL的联合概率密度函数f(z,z1,z2,...,zk,...,zL|H0):
(3c2)计算H1假设下检测单元的观测向量z和参考单元的观测向量z1,z2,...,zk,...,zL的联合概率密度函数f(z,z1,z2,...,zk,...,zL|H1):
(3c3)根据Neyman-Pearson准则,得到广义似然比检测器:
其中,ξ表示检测统计量,T表示检测门限,符号表示符号左边的值大于或者等于符号右边的值,则假设H1成立,符号表示符号左边的值小于符号右边的值,则假设H0成立。
(3)步骤4具体包括如下子步骤:
(4a)计算回波数据中参考单元的L个观测向量z1,z2,...,zk,...,zL在给定M条件下的联合概率密度函数f(z1,z2,...,zk,...,zL|M):
(4b)对所述联合概率密度函数f(z1,z2,...,zk,...,zL|M)取自然对数,得到参考单元中L个观测向量z1,z2,...,zk,...,zL的似然函数L(z1,z2,...,zk,...,zL):
(4c)将所述似然函数L(z1,z2,...,zk,...,zL)对海杂波散斑分量的协方差矩阵M求导,并今导数为零,得到海杂波散斑分量的协方差矩阵M的隐式估计
(4d)利用海杂波散斑分量的协方差矩阵M的隐式估计得到海杂波散斑分量的协方差矩阵的迭代公式:
(4e)用代替广义似然比检测器中的M,得到基于逆Gamma纹理复合高斯模型均匀杂波背景下的最优相干检测器:
本发明与现有技术相比具有以下优点:(1)由于本发明中参考单元给检测单元不仅提供了散斑分量协方差矩阵的信息而且给出了纹理分量的信息,在均匀杂波环境下,与广义似然比线性门限检测器(GLRT-LTD)相比,具有更好的检测性能;(2)由于本发明利用杂波数据实时更新海杂波散斑分量的协方差矩阵,能够自适应的与检测环境中的杂波特性相匹配,可以获得更好的检测性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的流程示意图;
图2为用本发明和现有方法得到的仿真数据的目标检测概率在不同信杂比下的对比示意图;
图3为用本发明和现有方法得到的实测海杂波数据的目标检测概率在不同信杂比下的对比示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图对本发明作进一步说明:
参照图1,本发明的实现步骤如下:
步骤1,通过雷达发射机发射脉冲信号,并通过雷达接收机接收回波信号,所述回波信号中包括所述脉冲信号经过海面散射形成的回波数据。
步骤2,根据所述回波数据,构建H0假设下所述回波数据中检测单元的观测向量和参考单元的观测向量,以及H1假设下所述回波数据中检测单元的观测向量和参考单元的观测向量,其中所述H0假设表示仅有杂波存在的情况,所述H1假设表示杂波和目标同时存在的情况。
步骤2具体包括:
根据所述回波数据,构建H0假设以及H1假设下所述回波数据中检测单元的观测向量和参考单元的观测向量为:
其中,H0表示仅有杂波存在的假设,H1表示杂波和目标同时存在的假设,表示检测单元的海杂波向量,表示参考单元的海杂波向量,τ表示海杂波的纹理分量,服从逆伽马分布,u表示检测单元海杂波的散斑分量,uk表示参考单元海杂波的散斑分量,α表示回波数据的幅度,p表示多普勒导向矢量,L表示回波数据的距离单元数。
检测单元的观测向量z中的海杂波c和参考单元的观测向量zk中的海杂波ck是均匀杂波,散斑分量服从零均值,单位方差的复高斯分布,纹理分量τ服从逆伽马分布,即1/τ~Γ(λ,η),检测单元和参考单元的纹理分量完全相关,则纹理分量的概率密度函数为:
其中,Γ(·)是伽马函数,λ表示海杂波复合高斯模型的形状参数,η表示海杂波复合高斯模型的尺度参数。
步骤3,根据H0假设下所述回波数据中检测单元的观测向量和参考单元的观测向量,以及H1假设下检测单元的观测向量和参考单元的观测向量,构建广义似然比检测器。
步骤3具体包括如下子步骤:
(3a)根据H0假设下检测单元的观测向量和参考单元的观测向量,计算H0假设下的数据依赖项,所述H0假设下的数据依赖项包括检测单元的数据依赖项q0和参考单元的数据依赖项Q0。
其中,q0=zHM-1z,M表示海杂波散斑分量的协方差矩阵,(·)H表示共轭转置,(·)-1表示矩阵的逆。
(3b)计算H1假设下回波数据的幅度α的估计值并根据所述估计值所述H1假设下检测单元的观测向量和参考单元的观测向量,计算H1假设下的数据依赖项,所述H1假设下的数据依赖项包括检测单元的数据依赖项q1和参考单元的数据依赖项Q1。
其中,
(3c)根据H0假设下的数据依赖项,H0假设下检测单元的观测向量和参考单元的观测向量的联合概率密度函数,H1假设下的数据依赖项,H1假设下检测单元的观测向量和参考单元的观测向量的联合概率密度函数,构建广义似然比检测器。
进一步的,计算H1假设下回波数据的幅度α的估计值具体包括:
(a)计算H1假设下检测单元的观测向量z的概率密度函数:
其中,M表示海杂波散斑分量的协方差矩阵,|·|表示矩阵行列式,(·)H表示共轭转置,N表示脉冲累积数。
(b)对所述H1假设下检测单元的观测向量z的概率密度函数取自然对数,得到检测单元的观测向量z的似然函数L(z):
(c)最大化所述似然函数L(z),求解式
(d)将式对回波数据的幅度α求导,并今导数为零,
得到回波数据的幅度α的估计值
更进一步的,子步骤(3c)具体包括如下子步骤:
(3c1)计算H0假设下检测单元的观测向量z和参考单元的观测向量z1,z2,...,zk,...,zL的联合概率密度函数f(z,z1,z2,...,zk,...,zL|H0):
(3c2)计算H1假设下检测单元的观测向量z和参考单元的观测向量z1,z2,...,zk,...,zL的联合概率密度函数f(z,z1,z2,...,zk,...,zL|H1):
(3c3)根据Neyman-Pearson准则,得到广义似然比检测器:
其中,ξ表示检测统计量,T表示检测门限。符号表示符号左边的值大于或者等于符号右边的值,则假设H1成立,符号表示符号左边的值小于符号右边的值,则假设H0成立。
步骤4,对所述广义似然比检测器中的参数进行估计得到最优相干检测器。
步骤4具体包括如下子步骤:
(4a)计算回波数据中参考单元的L个观测向量z1,z2,...,zk,...,zL在给定M条件下的联合概率密度函数f(z1,z2,..,zk,...,zL|M):
(4b)对所述联合概率密度函数f(z1,z2,...,zk,...,zL|M)取自然对数,得到参考单元中L个观测向量z1,z2,...,zk,...,zL的似然函数L(z1,z2,...,zk,...,zL):
(4c)将所述似然函数L(z1,z2,...,zk,...,zL)对海杂波散斑分量的协方差矩阵M求导,并今导数为零,得到海杂波散斑分量的协方差矩阵M的隐式估计
(4d)利用海杂波散斑分量的协方差矩阵M的隐式估计得到海杂波散斑分量的协方差矩阵的迭代公式:
(4e)用代替广义似然比检测器中的M,得到基于逆伽马纹理复合高斯模型均匀杂波背景下的最优相干检测器:
步骤5,根据预先设定的虚警概率,计算检测门限。
实验中若采用仿真数据,则检测门限为:若采用实测海杂波数据,则通过蒙特卡罗实验来计算检测门限T,蒙特卡罗实验按如下步骤进行:
今C为设定的大于1的自然数,本发明实施例中,经验性地将C设为105,计算第1个目标的检测统计量ξ1至第C个目标的检测统计量ξC;
将得到的C个检测统计量按降序排列,在降序排列后的C个目标检测统计量中,取第[CPfa]个元素值作为检测门限T,[CPfa]表示不超过实数CPfa的最大整数。
步骤6,根据所述检测门限,利用所述最优相干检测器检测目标,若所述最优相干检测器检测统计量的值大于或者等于所述检测门限,则判断目标存在,若所述最优相干检测器检测统计量的值小于所述检测门限,则判断目标不存在。
将检测单元的检测统计量ξ与检测门限T进行比较,判断检测单元中目标是否存在。如果ξ≥T,说明检测单元有目标,如果ξ<T,则说明检测单元没有目标。
基于步骤1到步骤6,实现了基于逆伽马纹理复合高斯模型均匀杂波背景下的最优相干检测方法。
下面结合仿真实验对本发明的效果做进一步说明。
1.仿真参数
实验中分别采用仿真数据和实测海杂波数据来检验本发明方法的检测性能。
A)实验中采用的仿真数据设置为:脉冲累积数N=8,参考单元数L=32,形状参数λ=1.05,散斑分量的协方差矩阵为M=[0.9|i-j|],i,j=1,2,...,8,虚警概率Pfa=10-3。
为消除检测概率对多普勒频率的依赖,定义白化的信杂比:
B)实验中采用的实测海杂波数据为X波段Fynmeet雷达采集的15000个脉冲,64个距离单元组成的数据,纹理分量沿距离维去相关长度为10个距离单元,即,相邻单元的纹理分量具有强相关性,接近于均匀杂波。雷达距离分辨率为15米,脉冲重复频率为625Hz,极化方式为VV极化。
2.仿真实验内容
仿真实验中分别采用本发明方法,广义似然比线性门限检测器(GLRT-LTD)对仿真数据和实测海杂波数据进行检测,通过检测概率分析比较两种检测方法的检测效果,检测概率越大表明检测器检测性能越好。
仿真实验1
不同信杂比条件下,采用本发明方法和广义似然比线性门限检测器(GLRT-LTD)对仿真数据进行检测,对比两种方法的检测性能。
利用MATLAB产生48000×17(脉冲数×距离单元)的均匀杂波数据,信杂比SCR从-15dB变化至10dB,不同信杂比条件下,两种检测方法的检测概率如图2所示,图2中横轴表示信杂比变化,纵轴表示检测概率。
从图2中可以看出,不同信噪比条件下本发明方法的检测性能明显优于广义似然比线性门限检测器(GLRT-LTD)的检测性能。
仿真实验2
不同信杂比条件下,采用本发明方法和广义似然比线性门限检测器(GLRT-LTD)对实测海杂波数据进行检测,对比两种方法的检测性能。
利用X波段Fynmeet雷达采集的实测海杂波数据,纹理分量沿距离维强相关,信杂比SCR从0dB变化至15dB,不同信杂比条件下,两种检测方法的检测概率如图3所示,图3中横轴表示信杂比变化,纵轴表示检测概率
从图3中可以看出,不同信噪比条件下本发明方法的检测性能明显优于广义似然比线性门限检测器(GLRT-LTD)的检测性能。
综上所述,对均匀杂波背景下,海杂波纹理分量沿距离维强相关的目标检测而言,本发明提出的基于逆伽马纹理复合高斯模型均匀杂波背景下的最优相干检测方法的检测性能稳定,优于已有的广义似然比线性门限检测器(GLRT-LTD)的检测性能。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种基于逆伽马纹理复合高斯模型下的相干检测方法,其特征在于,所述方法包括如下步骤:
步骤1,通过雷达发射机发射脉冲信号,并通过雷达接收机接收回波信号,所述回波信号中包括所述脉冲信号经过海面散射形成的回波数据;
步骤2,根据所述回波数据,构建H0假设下所述回波数据中检测单元的观测向量和参考单元的观测向量,以及H1假设下所述回波数据中检测单元的观测向量和参考单元的观测向量,其中所述H0假设表示仅有杂波存在的情况,所述H1假设表示杂波和目标同时存在的情况;
步骤3,根据H0假设下所述回波数据中检测单元的观测向量和参考单元的观测向量,以及H1假设下检测单元的观测向量和参考单元的观测向量,构建广义似然比检测器;
其中,步骤3具体包括如下子步骤:
(3a)根据H0假设下检测单元的观测向量和参考单元的观测向量,计算H0假设下的数据依赖项,所述H0假设下的数据依赖项包括检测单元的数据依赖项q0和参考单元的数据依赖项Q0;
其中,q0=zHM-1z,M表示海杂波散斑分量的协方差矩阵,(·)H表示共轭转置,(·)-1表示矩阵的逆;
(3b)计算H1假设下回波数据的幅度α的估计值并根据所述估计值所述H1假设下检测单元的观测向量和参考单元的观测向量,计算H1假设下的数据依赖项,所述H1假设下的数据依赖项包括检测单元的数据依赖项q1和参考单元的数据依赖项Q1;
其中,
(3c)根据H0假设下的数据依赖项,H0假设下检测单元的观测向量和参考单元的观测向量的联合概率密度函数,H1假设下的数据依赖项,H1假设下检测单元的观测向量和参考单元的观测向量的联合概率密度函数,构建广义似然比检测器;
步骤4,对所述广义似然比检测器中的参数进行估计得到最优相干检测器;
步骤5,根据预先设定的虚警概率,计算检测门限;
步骤6,根据所述检测门限,利用所述最优相干检测器检测目标,若所述最优相干检测器检测统计量的值大于或者等于所述检测门限,则判断目标存在,若所述最优相干检测器检测统计量的值小于所述检测门限,则判断目标不存在。
2.根据权利要求1所述的基于逆伽马纹理复合高斯模型下的相干检测方法,其特征在于,步骤2具体包括:
根据所述回波数据,构建H0假设以及H1假设下所述回波数据中检测单元的观测向量和参考单元的观测向量为:
其中,H0表示仅有杂波存在的假设,H1表示杂波和目标同时存在的假设,表示检测单元的海杂波向量,表示参考单元的海杂波向量,τ表示海杂波的纹理分量,服从逆伽马分布,u表示检测单元海杂波的散斑分量,uk表示参考单元海杂波的散斑分量,α表示回波数据的幅度,p表示多普勒导向矢量,L表示回波数据的距离单元数;检测单元的观测向量z中的海杂波c和参考单元的观测向量zk中的海杂波ck是均匀杂波,散斑分量服从零均值,单位方差的复高斯分布,纹理分量τ服从逆伽马分布,即1/τ~Γ(λ,η),检测单元和参考单元的纹理分量完全相关,则纹理分量的概率密度函数为:
其中,Γ(·)是伽马函数,λ表示海杂波复合高斯模型的形状参数,η表示海杂波复合高斯模型的尺度参数。
3.根据权利要求1所述的基于逆伽马纹理复合高斯模型下的相干检测方法,其特征在于,计算H1假设下回波数据的幅度α的估计值具体包括:
(a)计算H1假设下检测单元的观测向量z的概率密度函数:
其中,M表示海杂波散斑分量的协方差矩阵,|·|表示矩阵行列式,(·)H表示共轭转置,N表示脉冲累积数;
(b)对所述H1假设下检测单元的观测向量z的概率密度函数取自然对数,得到检测单元的观测向量z的似然函数L(z):
(c)最大化所述似然函数L(z),求解式
(d)将式对回波数据的幅度α求导,并令导数为零,
得到回波数据的幅度α的估计值
。
4.根据权利要求1所述的基于逆伽马纹理复合高斯模型下的相干 检测方法,其特征在于,子步骤(3c)具体包括如下子步骤:
(3c1)计算H0假设下检测单元的观测向量z和参考单元的观测向量z1,z2,...,zk,...,zL的联合概率密度函数f(z,z1,z2,...,zk,...,zL|H0):
(3c2)计算H1假设下检测单元的观测向量z和参考单元的观测向量z1,z2,...,zk,...,zL的联合概率密度函数f(z,z1,z2,...,zk,...,zL|H1):
(3c3)根据Neyman-Pearson准则,得到广义似然比检测器:
其中,ξ表示检测统计量,T表示检测门限,符号表示符号左边的值大于或者等于符号右边的值,则假设H1成立,符号表示符号左边的值小于符号右边的值,则假设H0成立。
5.根据权利要求1所述的基于逆伽马纹理复合高斯模型下的相干检测方法,其特征在于,步骤4具体包括如下子步骤:
(4a)计算回波数据中参考单元的L个观测向量z1,z2,...,zk,...,zL在给定M条件下的联合概率密度函数f(z1,z2,...,zk,...,zL|M):
(4b)对所述联合概率密度函数f(z1,z2,...,zk,...,zL|M)取自然对数,得到参考单元中L个观测向量z1,z2,...,zk,...,zL的似然函数L(z1,z2,...,zk,...,zL):
(4c)将所述似然函数L(z1,z2,...,zk,...,zL)对海杂波散斑分量的协方差矩阵M求导,并令导数为零,得到海杂波散斑分量的协方差矩阵M的隐式估计
(4d)利用海杂波散斑分量的协方差矩阵M的隐式估计得到海杂波散斑分量的协方差矩阵的迭代公式:
(4e)用代替广义似然比检测器中的M,得到基于逆伽马纹理复合高斯模型均匀杂波背景下的最优相干检测器:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510442709.1A CN105093196B (zh) | 2015-07-24 | 2015-07-24 | 基于逆伽马纹理复合高斯模型下的相干检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510442709.1A CN105093196B (zh) | 2015-07-24 | 2015-07-24 | 基于逆伽马纹理复合高斯模型下的相干检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105093196A CN105093196A (zh) | 2015-11-25 |
CN105093196B true CN105093196B (zh) | 2017-06-20 |
Family
ID=54574060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510442709.1A Expired - Fee Related CN105093196B (zh) | 2015-07-24 | 2015-07-24 | 基于逆伽马纹理复合高斯模型下的相干检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105093196B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738883B (zh) * | 2016-04-08 | 2017-05-03 | 南京邮电大学 | 一种部分均匀海杂波背景下的平滑广义似然比检测方法 |
CN106199552B (zh) * | 2016-07-28 | 2019-03-29 | 南京邮电大学 | 一种局部均匀海杂波背景下的分组广义似然比检测方法 |
CN107942308A (zh) * | 2017-10-19 | 2018-04-20 | 西安电子科技大学 | 复合高斯环境下基于伽玛纹理的自适应Rao检测方法 |
CN111123233B (zh) * | 2019-12-19 | 2021-09-17 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于相关性的海杂波纹理估计方法 |
CN111157956A (zh) * | 2019-12-24 | 2020-05-15 | 清华大学 | 一种非高斯背景下的雷达信号失配敏感检测方法及系统 |
CN113009444B (zh) * | 2021-02-26 | 2023-06-06 | 南京邮电大学 | 一种广义高斯纹理海杂波背景下的目标检测方法及装置 |
CN113112565B (zh) * | 2021-04-08 | 2022-01-25 | 安徽工程大学 | 一种基于机器人视觉闭环检测算法的地图构建方法、存储介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102520400A (zh) * | 2011-12-16 | 2012-06-27 | 河海大学 | 非高斯杂波环境下的mimo雷达目标检测的仿真方法 |
CN104569948A (zh) * | 2015-01-21 | 2015-04-29 | 西安电子科技大学 | 海杂波背景下子带自适应glrt-ltd检测方法 |
CN104714225A (zh) * | 2015-03-25 | 2015-06-17 | 电子科技大学 | 一种基于广义似然比的动态规划检测前跟踪方法 |
-
2015
- 2015-07-24 CN CN201510442709.1A patent/CN105093196B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102520400A (zh) * | 2011-12-16 | 2012-06-27 | 河海大学 | 非高斯杂波环境下的mimo雷达目标检测的仿真方法 |
CN104569948A (zh) * | 2015-01-21 | 2015-04-29 | 西安电子科技大学 | 海杂波背景下子带自适应glrt-ltd检测方法 |
CN104714225A (zh) * | 2015-03-25 | 2015-06-17 | 电子科技大学 | 一种基于广义似然比的动态规划检测前跟踪方法 |
Non-Patent Citations (3)
Title |
---|
ADAPTIVE DETECTION IN COMPOUND-GAUSSIAN CLUTTER WITH INVERSE GAUSSIAN TEXTURE;Sijia Chen等;《Progress In Electromagnetics Research M》;20131231;第28卷;第1-11页 * |
Adaptive detection of distributed targets in compound-Gaussian clutter with inverse gamma texture;Xiuqin Shang等;《Digital Signal Processing》;20120523;正文第1025-1027页 * |
Coherent Radar Target Detection in Heavy-Tailed Compound-Gaussian Clutter;KEVIN J. SANGSTON等;《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》;20120131;第48卷(第1期);正文第68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105093196A (zh) | 2015-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105093196B (zh) | 基于逆伽马纹理复合高斯模型下的相干检测方法 | |
CN103472445B (zh) | 一种针对多目标场景的检测跟踪一体化方法 | |
CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
Shang et al. | Radar detection based on compound-Gaussian model with inverse gamma texture | |
CN105425223B (zh) | 广义帕累托杂波下稀疏距离扩展雷达目标的检测方法 | |
CN106501800B (zh) | 基于代价参考粒子滤波的mimo雷达目标检测前跟踪方法 | |
Cao et al. | Spectrum-time estimation and processing (STEP) for improving weather radar data quality | |
Li et al. | Rao and Wald tests design of multiple-input multiple-output radar in compound-Gaussian clutter | |
Wang et al. | Anomaly detection based on probability density function with Kullback–Leibler divergence | |
Li et al. | Adaptive two-step Bayesian MIMO detectors in compound-Gaussian clutter | |
CN105975772B (zh) | 基于概率假设密度滤波的多目标检测前跟踪方法 | |
Rosenberg et al. | Coherent detection in medium grazing angle sea‐clutter | |
Hamdollahzadeh et al. | Moving target localization in bistatic forward scatter radars: Performance study and efficient estimators | |
Xue et al. | Knowledge-based target detection in compound Gaussian clutter with inverse Gaussian texture | |
CN105866748B (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
CN106019250B (zh) | 基于角闪烁转发式假目标鉴别方法 | |
CN105425222B (zh) | 一种数据传输率约束下的雷达目标检测方法 | |
CN106199552A (zh) | 一种局部均匀海杂波背景下的分组广义似然比检测方法 | |
CN114690175B (zh) | 一种基于被动外辐射源雷达的目标直接检测与跟踪方法 | |
CN103064067B (zh) | 机动弱目标检测跟踪一体化变速率采样快速方法 | |
Zhao et al. | A modified matrix CFAR detector based on maximum eigenvalue for target detection in the sea clutter | |
CN106154274A (zh) | 一种水下小目标多基地融合跟踪方法 | |
Zhang et al. | A new detecting method for weak targets in sea clutter based on multifractal properties | |
Fan et al. | A Gaussian particle filter for track-before-detect | |
CN103018718B (zh) | Mimo雷达通道增益相关性估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170620 |
|
CF01 | Termination of patent right due to non-payment of annual fee |