CN105373518A - 恒虚警检测中算法的选择方法 - Google Patents
恒虚警检测中算法的选择方法 Download PDFInfo
- Publication number
- CN105373518A CN105373518A CN201510632991.XA CN201510632991A CN105373518A CN 105373518 A CN105373518 A CN 105373518A CN 201510632991 A CN201510632991 A CN 201510632991A CN 105373518 A CN105373518 A CN 105373518A
- Authority
- CN
- China
- Prior art keywords
- data
- window
- cfar
- average
- cell
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
恒虚警检测中算法的选择方法,检测参考窗长为L,当前数据点所在位置为i,数据长度为Q:如i<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;如L<=i<=Q-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i>Q-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,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
技术领域
本发明涉及一种恒虚警检测方法,尤其涉及一种恒虚警检测中算法的选择方法。
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,本发明提供了一种恒虚警检测中算法的选择方法,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:恒虚警检测中算法的选择方法,检测参考窗长为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。
进一步的,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:
其中,TA,i为门限值,L′为做单元平均的数据长度,β为门限因子,PFA为虚警概率。
进一步的,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。
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: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。
附图说明
本发明共有附图2幅:
图1是本发明的流程图;
图2是恒虚警检测算法的流程图。
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2所示,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:
其中数组Di内存储当前周期的前256点FFT数据模值,CM为干扰存储器,Dzb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:
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=1,则预判门限值为:
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,如图1所示:
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;
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:
其中,Ti为判决门限值,L′为做单元平均的数据长度,β为门限因子,PFA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Pi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:
将得到的干扰估计值Di′替换掉原数据中的Di,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CM,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CK中的数据放入干扰参考单元Ck-1中,所述k=2~M,完成干扰参考单元M个周期序列的更新。
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 (3)
1.恒虚警检测中算法的选择方法,检测参考窗长为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。
2.根据权利要求1所述的恒虚警检测中算法的选择方法,其特征在于,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:
其中,TA,i为门限值,L′为做单元平均的数据长度,β为门限因子,PFA为虚警概率。
3.根据权利要求1或2所述的恒虚警检测中算法的选择方法,其特征在于,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510632991.XA CN105373518B (zh) | 2015-09-29 | 2015-09-29 | 恒虚警检测中算法的选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510632991.XA CN105373518B (zh) | 2015-09-29 | 2015-09-29 | 恒虚警检测中算法的选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105373518A true CN105373518A (zh) | 2016-03-02 |
CN105373518B CN105373518B (zh) | 2018-03-30 |
Family
ID=55375727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510632991.XA Active CN105373518B (zh) | 2015-09-29 | 2015-09-29 | 恒虚警检测中算法的选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105373518B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107783085A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 应用在恒虚警检测及数据处理中的单元平均选小门限检测方法 |
CN107783089A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 单元平均选小门限检测平台 |
CN107783088A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 应用在恒虚警检测中的目标配对及数据处理方法 |
CN107783084A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 恒虚警检测及数据处理平台 |
CN107783132A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 自动驾驶汽车防撞毫米波雷达系统及信号处理方法 |
CN107783083A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 变周期三角波、恒频体制恒虚警检测及数据处理方法 |
CN107783097A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 目标配对及数据处理平台 |
CN109375185A (zh) * | 2018-10-12 | 2019-02-22 | 中国电子科技集团公司第十四研究所 | 一种基于二值图像连通域面积测量的点迹滤波技术 |
CN109856637A (zh) * | 2017-11-30 | 2019-06-07 | 比亚迪股份有限公司 | 汽车以及基于恒虚警的汽车雷达目标检测方法和装置 |
-
2015
- 2015-09-29 CN CN201510632991.XA patent/CN105373518B/zh active Active
Non-Patent Citations (7)
Title |
---|
GUI GAO等: ""An adaptive and fast CFAR algorithm based on automatic censoring for target detection in high-resolution SAR images"", 《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
MORDECHAI SHOR等: ""Performances of order statistics CFAR"", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
Z.HAMMOUDI等: ""Distributed CA-CFAR and OS-CFAR detection using fuzzy spaces and fuzzy fusion rules"", 《IEE PROC.-RADAR SONAR NAVIG.》 * |
刘思源: ""自适应恒虚警研究与硬件设计"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
孟祥伟等: ""采用子滑窗技术的修正剔除平均恒虚警检测算法"", 《仪器仪表学报》 * |
徐从安等: ""一种改进的VI-CFAR检测器"", 《信号处理》 * |
胡文琳等: ""一种基于有序统计的鲁棒CFAR检测器"", 《电子学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107783097A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 目标配对及数据处理平台 |
CN107783084B (zh) * | 2016-08-25 | 2020-11-17 | 大连楼兰科技股份有限公司 | 恒虚警检测及数据处理平台 |
CN107783088A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 应用在恒虚警检测中的目标配对及数据处理方法 |
CN107783084A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 恒虚警检测及数据处理平台 |
CN107783132A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 自动驾驶汽车防撞毫米波雷达系统及信号处理方法 |
CN107783083A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 变周期三角波、恒频体制恒虚警检测及数据处理方法 |
CN107783089A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 单元平均选小门限检测平台 |
CN107783097B (zh) * | 2016-08-25 | 2021-06-18 | 大连楼兰科技股份有限公司 | 目标配对及数据处理平台 |
CN107783085A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 应用在恒虚警检测及数据处理中的单元平均选小门限检测方法 |
CN107783083B (zh) * | 2016-08-25 | 2020-11-17 | 大连楼兰科技股份有限公司 | 变周期三角波、恒频体制恒虚警检测及数据处理方法 |
CN107783088B (zh) * | 2016-08-25 | 2021-02-26 | 大连楼兰科技股份有限公司 | 应用在恒虚警检测中的目标配对及数据处理方法 |
CN107783085B (zh) * | 2016-08-25 | 2020-11-17 | 大连楼兰科技股份有限公司 | 应用在恒虚警检测及数据处理中的单元平均选小门限检测方法 |
CN109856637A (zh) * | 2017-11-30 | 2019-06-07 | 比亚迪股份有限公司 | 汽车以及基于恒虚警的汽车雷达目标检测方法和装置 |
CN109856637B (zh) * | 2017-11-30 | 2021-09-03 | 比亚迪股份有限公司 | 汽车以及基于恒虚警的汽车雷达目标检测方法和装置 |
CN109375185A (zh) * | 2018-10-12 | 2019-02-22 | 中国电子科技集团公司第十四研究所 | 一种基于二值图像连通域面积测量的点迹滤波技术 |
Also Published As
Publication number | Publication date |
---|---|
CN105373518B (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105182312B (zh) | 自适应环境变化的恒虚警检测方法 | |
CN105373518A (zh) | 恒虚警检测中算法的选择方法 | |
Spekkers et al. | A statistical analysis of insurance damage claims related to rainfall extremes | |
Winter et al. | A continuous modelling approach for design flood estimation on sub-daily time scale | |
Cheng et al. | Rain‐gauge network evaluation and augmentation using geostatistics | |
CN109359698B (zh) | 基于长短时记忆神经网络模型的漏损识别方法 | |
CN103076602B (zh) | 针对多目标背景的雷达自适应恒虚警率融合检测方法 | |
CN101452075B (zh) | 基于平均周期的海上小目标检测方法 | |
CN102323577B (zh) | 一种基于能量积累的高分辨雷达双门限检测方法 | |
Kwon et al. | Improvement of overtopping risk evaluations using probabilistic concepts for existing dams | |
CN105372636A (zh) | 一种基于自适应遗忘因子的杂波图更新方法及装置 | |
Adarsh et al. | Multifractal characterization of meteorological drought in India using detrended fluctuation analysis | |
CN101271160A (zh) | 选小单元平均恒虚警率实时检测sar运动目标方法、装置 | |
CN101984360B (zh) | 基于frft的归一化泄露lms自适应动目标检测方法 | |
CN104569948A (zh) | 海杂波背景下子带自适应glrt-ltd检测方法 | |
CN106646419A (zh) | 一种检测杂波边缘雷达目标的自适应恒虚警方法 | |
CN102012503B (zh) | 基于秩和局部估计的选大和选小非参量恒虚警检测器 | |
CN107102308B (zh) | 一种分布式雷达异构信号级融合目标检测方法 | |
CN112462355B (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
Malamud et al. | The 1993 Mississippi river flood: A one hundred or a one thousand year event? | |
CN104318058A (zh) | 基于雨量监测的泥石流预警方法 | |
Chen et al. | Bayesian change point analysis for extreme daily precipitation | |
Wang et al. | Minimum inter-event times for rainfall in the eastern monsoon region of China | |
CN105866748A (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
CN109839621A (zh) | 一种改进的tbd算法 |
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 |