CN105182312A

CN105182312A - 自适应环境变化的恒虚警检测方法

Info

Publication number: CN105182312A
Application number: CN201510632322.2A
Authority: CN
Inventors: 田雨农; 苏鹏达; 周秀田; 史文虎
Original assignee: Xi'an Zhiji Antenna Technology Co Ltd
Current assignee: Dalian Roiland Technology Co Ltd
Priority date: 2015-09-29
Filing date: 2015-09-29
Publication date: 2015-12-23
Anticipated expiration: 2035-09-29
Also published as: CN105182312B

Abstract

自适应环境变化的恒虚警检测方法，利用了多个周期数据对应位置上的相关性和同一组数据相邻数据之间的相关性进行门限检测，即利用了时间上和空间上的相关性进行门限检测，通过初始化部分是将干扰存储器组分别初始化为第一个周期数据的频谱信息；估计当前数据的杂波信息是利用了之前M个周期的杂波信息和当前数据的频谱信息进行加权的结果；如果所处环境变化较大或较快，可适当增大当前数据信息对杂波估计的权值；利用当前估计出的杂波信息可作为后面恒虚警检测门限的设定；本发明既能在均匀背景中利用单元平均恒虚警使得性能最优，又能在非均匀杂波背景中利用有序统计方法，使得检测性能和虚警性能显著提高。

Description

自适应环境变化的恒虚警检测方法

技术领域

本发明涉及一种恒虚警检测方法，尤其涉及一种自适应环境变化的恒虚警检测方法。

背景技术

现有的恒虚警检测算法很多，如单元平均、平均选大、平均选小、有序统计、杂波图法等，它们都有各自的适用范围。单元平均对数据特性要求较高，主要基于以下两个假设：a.目标是独立的；b.参考窗内的所有干扰数据样本是独立同分布的，且和包含目标的单元内的干扰同分布。而有序统计主要目的在于抑制遮蔽效应所引起的性能恶化，但有序统计虚警率较高。杂波图法需要对目标所处环境的杂波特性具有先验知识。综上，在实际应用中应根据实际情况合理选择恒虚警检测算法。

单元平均在非均匀背景中性能严重下降，平均选大在多目标环境中检测性能下降非常严重，平均选小在均匀杂波背景中检测性能和杂波边缘中虚警性能都很差。

发明内容

为解决现有技术存在的上述问题，本发明提供了一种自适应环境变化的恒虚警检测方法，利用了空间和时间上的相关信息，既能在均匀背景中利用单元平均恒虚警使得性能最优，又能在非均匀杂波背景中利用有序统计方法，使得检测性能和虚警性能显著提高。

为实现上述目的，本发明所采用的技术方案是：自适应环境变化的恒虚警检测方法，具体步骤如下：

对干扰存储器进行初始化；

S1：将第一个周期FFT数据模值共Q点复制M次，分别存储到M个长度为Q的干扰存储器中；

S2：利用当前周期数据的频谱信息和前面M个周期的干扰频谱信息来估计当前周期数据的干扰频谱；

S3：将当前周期数据的频谱求平方得到当前周期数据的功率谱，对计算出的干扰频谱求平方得到干扰功率谱；

S4：当前周期数据的预判门限的乘积因子为α，则预判门限值为：

P = \frac{α \times Σ_{k = 1}^{Q} D_{z b, k}^{2}}{Q}

该数值P将作为干扰参考窗内是否被目标信号污染的预判依据，D_zb为计算出的干扰频谱，k为干扰存储器里数据的序号；

S5：检测参考窗长L，当前数据点所在位置为i，数据长度为Q：

A、如i<L，即当前需要判决的数据点前窗数据长度小于L，则选择其对应干扰功率谱数组中第i个点位置的后窗的L个数据计算判决门限值，如果后窗的数据均值大于P，则采用有序统计CFAR方法，反之采用单元平均CFAR方法；

B、如L<＝i<＝Q-L，即当前需要判决的数据点前后窗的数据长度均大于等于L，则选择其对应干扰功率谱数组中第i个点位置的前后窗共2L个数据用于计算其判决门限值；如前后窗的数据均值均大于P，则采用有序统计CFAR；如只有前(后)窗的数据均值大于P，则采用后(前)窗数据进行单元平均CFAR；如前后窗的数据均值均小于等于P，则采用前后窗数据进行单元平均CFAR；

C、如i>Q-L，即当前需要判决的数据点后窗数据长度小于L，则选择其对应干扰功率谱数组中第i个点位置的前窗的L个数据计算判决门限值，如果前窗的数据均值大于P，则采用有序统计CFAR方法，反之采用单元平均CFAR方法；

S6：当前周期数据功率谱的数据点与对应的门限值做比较，选取超过门限的峰值点作为目标：如果仅有一个数据超过门限，则该数据直接判为目标，如果有多个连续数据超过门限，则选取其峰值点作为目标，记录并输出检测出的目标数目、目标在功率谱中的位置、目标对应功率谱的数据大小；

S7：判决出目标后对当前数据进行更准确的干扰估计，作为下一个周期数据门限检测的依据，做法如下：如果当前周期的功率谱数据P_i超过判决门限值K1倍，则将该点的数据以及得出的门限值进行加权。

进一步的，所述步骤S1中的Q点是FFT的变换点数，为2的指数次幂。

进一步的，所述步骤S1中的干扰存储器存放的干扰信号包括杂波和噪声。

进一步的，所述步骤S2中估计当前数据的干扰频谱的公式为：

D_{z b} = \frac{1}{2} D_{i} + Σ_{k = 1}^{M - 1} {(\frac{1}{2})}^{k + 1} C_{k} + {(\frac{1}{2})}^{M} C_{M}

其中数组D_i内存储当前周期的前Q点FFT数据模值，C_M为干扰存储器，D_zb为计算出的干扰频谱、k为干扰存储器里数据的序号；

进一步的，在步骤S5中的单元平均CFAR算法过程为：将所选窗中的数据排序，分别去除掉10％-20％的最大值和10％-20％的最小值后，做单元平均检测，输出门限值，进行单元平均检测的公式如下：

T_{A, i} = \frac{Σ_{k = 1}^{L^{'}} B_{k}}{L^{'}} \times β, β = L^{'} ({P_{F A}}^{- \frac{1}{L^{'}}} - 1),

其中，T_A,i为门限值，L′为做单元平均的数据长度，β为门限因子，P_FA为虚警概率；

进一步的，在步骤S5中的有序统计CFAR算法过程为：分别将前后窗中数据进行升序排列，然后分别选取第3/4位置的数据作为前窗门限值和后窗门限值，在前后窗门限值中选取较小的门限值作为当前数据点的判决门限值；

作为更进一步的，在步骤S7中的加权公式为：

\{\begin{matrix} {D_{i}}^{'} = \sqrt{\frac{P_{i} + T_{i}}{2}} & P_{i} &GreaterEqual; K 1 \cdot T_{i} \\ {D_{i}}^{'} = \sqrt{P_{i}} & P_{i} < K 1 \cdot T_{i} \end{matrix}

将得到的干扰估计值D_i′替换掉原数据中的D_i，完成当前周期的干扰信号频谱估计，并将当前周期的干扰信号频谱作为一组新的干扰参考单元C_M，替换掉干扰参考单元中第一个周期的干扰序列C₁，而原来的干扰参考单元C_K中的数据放入干扰参考单元C_k-1中，所述k＝2～M，完成干扰参考单元M个周期序列的更新。

本发明专利由于采用以上技术方案，能够取得如下的技术效果：由于利用了空间和时间上的相关信息，既能在均匀背景中利用单元平均恒虚警使得性能最优，又能在非均匀杂波背景中利用有序统计方法，使得检测性能和虚警性能显著提高。通过对所处环境的干扰进行估计并不断根据当前数据对干扰信息更新，能够自适应所处干扰环境的变化。

附图说明

本发明共有附图2幅：

图1是本发明的工作流程图；

图2是步骤S5的工作流程图。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的解释说明。

如图1所示，本发明提供的是：自适应环境变化的恒虚警检测方法，具体步骤如下：

对干扰存储器进行初始化；

S1：将第一个周期FFT数据模值的共Q点复制M次，分别存储到M个长度为Q的干扰存储器中；Q点是FFT的变换点数，为2的指数次幂；本设计中杂波RAM数量默认为5，即M＝5，Q＝256；干扰存储器存放的干扰信号包括杂波和噪声；

S2：利用当前周期数据的频谱信息和前面M个周期的干扰频谱信息来估计当前周期数据的干扰频谱；估计过程如式：

D_{z b} = \frac{1}{2} D_{i} + Σ_{k = 1}^{M - 1} {(\frac{1}{2})}^{k + 1} C_{k} + {(\frac{1}{2})}^{M} C_{M}

其中数组D_i内存储当前周期的前256点FFT数据模值，C_M为干扰存储器，D_zb为计算出的干扰频谱、k为干扰存储器里数据的序号；

本设计中M＝5，则干扰的频谱估计公式为：

D_{z b} = \frac{1}{2} D + \frac{1}{4} C_{5} + \frac{1}{8} C_{4} + \frac{1}{16} C_{3} + \frac{1}{32} C_{2} + \frac{1}{32} C_{1};

S4：当前周期数据的预判门限的乘积因子为α＝1，则预判门限

值为：

P = \frac{α \times Σ_{k = 1}^{256} D_{z b, k}^{2}}{256}

该数值将作为干扰参考窗内是否被目标信号污染的预判依据；

S5：检测参考窗长L＝50，当前数据点所在位置为i，数据长度Q：

单元平均CFAR算法过程：将所选窗中的数据排序，分别去除掉10％-20％的最大值和10％-20％的最小值后，做单元平均检测，输出门限值，进行单元平均检测的公式如下：

T_{i} = \frac{Σ_{k = 1}^{L^{'}} B_{k}}{L^{'}} \times β, β = L^{'} ({P_{F A}}^{- \frac{1}{L^{'}}} - 1), P_{F A} = 10^{- 10}

其中，T_i为判决门限值，L′为做单元平均的数据长度，β为门限因子，P_FA为虚警概率；

有序统计CFAR算法过程：分别将前后窗中数据进行升序排列，然后分别选取第3/4位置的数据作为前窗门限值和后窗门限值，在前后窗中的判决门限值中选取较小的门限值作为当前数据点的判决门限值；

S6：当前周期数据功率谱的数据与对应的门限值做比较，选取超过门限的峰值点作为目标：如果仅有一个数据超过门限，则该数据直接判为目标，如果有多个连续数据超过门限，则选取其峰值点作为目标，记录并输出检测出的目标数目、目标在功率谱中的位置(与频谱中位置相同)、目标对应功率谱的数据大小；

S7：判决出目标后对当前数据进行更准确的干扰估计，作为下一个周期数据门限检测的依据，做法如下：如果当前周期的功率谱数据P_i超过判决门限值K1倍，(K1≥2，本设计采用K1＝2)则将该点的数据以及得出的门限值进行加权，加权公式：

\{\begin{matrix} {D_{i}}^{'} = \sqrt{\frac{P_{i} + T_{i}}{2}} & P_{i} &GreaterEqual; K 1 \cdot T_{i} \\ {D_{i}}^{'} = \sqrt{P_{i}} & P_{i} < K 1 \cdot T_{i} \end{matrix}

以上所述，仅为本发明较佳的具体实施方式，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披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims

1.自适应环境变化的恒虚警检测方法，其特征在于，具体步骤如下：

对干扰存储器进行初始化；

P = \frac{α \times Σ_{k = 1}^{Q} D_{z b, k}^{2}}{Q}

2.根据权利要求1所述的自适应环境变化的恒虚警检测方法，其特征在于，所述步骤S1中的Q点是FFT的变换点数，为2的指数次幂。

3.根据权利要求2所述的自适应环境变化的恒虚警检测方法，其特征在于，所述步骤S1中的干扰存储器存放的干扰信号包括杂波和噪声。

4.根据权利要求3所述的自适应环境变化的恒虚警检测方法，其特征在于，所述步骤S2中估计当前数据的干扰频谱的公式为：

D_{z b} = \frac{1}{2} D_{i} + Σ_{k = 1}^{M - 1} {(\frac{1}{2})}^{k + 1} C_{k} + {(\frac{1}{2})}^{M} C_{M}

其中数组D_i内存储当前周期的前Q点FFT数据模值，C_M为干扰存储器，D_zb为计算出的干扰频谱、k为干扰存储器里数据的序号。

5.根据权利要求1-4任一项所述的自适应环境变化的恒虚警检测方法，其特征在于，在步骤S5中的单元平均CFAR算法过程为：将所选窗中的数据排序，分别去除掉10％-20％的最大值和10％-20％的最小值后，做单元平均检测，输出门限值，进行单元平均检测的公式如下：

T_{A, i} = \frac{Σ_{k = 1}^{L^{'}} B_{k}}{L^{'}} \times β, β = L^{'} ({P_{F A}}^{- \frac{1}{L^{'}}} - 1),

其中，T_A,i为门限值，L′为做单元平均的数据长度，β为门限因子，P_FA为虚警概率。

6.根据权利要求5所述的自适应环境变化的恒虚警检测方法，其特征在于，在步骤S5中的有序统计CFAR算法过程为：分别将前后窗中数据进行升序排列，然后分别选取第3/4位置的数据作为前窗门限值和后窗门限值，在前后窗门限值中选取较小的门限值作为当前数据点的判决门限值。

7.根据权利要求6所述的自适应环境变化的恒虚警检测方法，其特征在于，在步骤S7中的加权公式为：

\{\begin{matrix} {D_{i}}^{'} = \sqrt{\frac{P_{i} + T_{i}}{2}} & P_{i} &GreaterEqual; K 1 \cdot T_{i} \\ {D_{i}}^{'} = \sqrt{P_{i}} & P_{i} < K 1 \cdot T_{i} \end{matrix}