CN105738882B - 对实测杂波协方差矩阵估计性能的白化度评价方法 - Google Patents
对实测杂波协方差矩阵估计性能的白化度评价方法 Download PDFInfo
- Publication number
- CN105738882B CN105738882B CN201610194488.5A CN201610194488A CN105738882B CN 105738882 B CN105738882 B CN 105738882B CN 201610194488 A CN201610194488 A CN 201610194488A CN 105738882 B CN105738882 B CN 105738882B
- Authority
- CN
- China
- Prior art keywords
- mrow
- covariance matrix
- clutter data
- clutter
- msub
- 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
- G01S7/414—Discriminating targets with respect to background clutter
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
本发明公开了一种对实测杂波协方差矩阵估计性能的白化度评价方法,主要解决现有方法无法评价实测杂波数据的协方差矩阵估计性能的缺陷。其利用白化改善因子对估计性能进行评价,实现步骤为:1利用雷达获取杂波数据;2估计杂波数据的协方差矩阵3根据估计出的计算杂波数据的白化度P;4对杂波数据进行白化滤波处理,得到白化后的杂波数据;5估计白化后的杂波数据的协方差矩阵6根据计算白化后的杂波数据的白化度Pw;7利用杂波数据的白化度P和白化后的杂波数据的白化度Pw,计算白化改善因子;8利用白化改善因子,对估计出的杂波数据的协方差矩阵进行评价。本发明可用于对实测杂波背景下的目标进行自适应检测。
Description
技术领域
本发明属于目标检测技术领域,具体涉及一种对协方差矩阵估计性能的评价方法,可用于对实测杂波背景下的目标进行自适应检测。
背景技术
自适应性是现代雷达领域中实现目标检测的关键。在常见的低擦地角、高分辨率的雷达目标检测中,人们利用复合高斯模型研究出了不同的自适应检测算法。这些算法的实现均要求杂波的协方差矩阵是已知的,但在实际的目标检测中协方差矩阵往往是未知的,需要利用各种估计方法估计得到的协方差矩阵代替其真实值。因此,协方差矩阵估计,尤其是归一化协方差矩阵估计性能的好坏对雷达自适应目标检测具有重大影响。
在实际目标检测中,可以利用待检测单元两侧的参考单元对协方差矩阵进行自适应估计。目前,用于协方差矩阵估计的方法主要有最大似然估计,归一化样本协方差矩阵估计,以及近似最大似然估计。最大似然估计的估计精度高但计算复杂度很大。为了简化计算量,出现了归一化样本协方差矩阵估计,但该方法应用于检测器时无法关于归一化协方差矩阵保持恒虚警率。对此学者们提出了近似最大似然估计,该估计不仅可以保证良好的估计精度和计算复杂度,还可以保证检测器要求的恒虚警率。
研究者们常采用归一化F范数计算得到的相对误差来评价上述协方差矩阵估计方法的性能,文献“F.Pascal,Y.Chitour,J.P.Ovarlez,P.Forster,Covariance StructureMaximum-Likelihood Estimates in Compound Gaussian Noise:Existence andAlgorithm Analysis,IEEE Trans.Signal Processing 56(1)(January 2008)34-48.”中介绍了利用归一化F范数来评价协方差矩阵的估计误差,归一化F范数利用蒙特卡洛方法计算协方差矩阵真实值与其估计值之差的F范数并且归一化,因此该方法需要已知真实协方差矩阵的大小。而在实测杂波数据的处理中,真实协方差矩阵往往是未知的,此时无法利用F范数实现对估计质量的评价。
发明内容
本发明的目的在于提出一种对实测杂波协方差矩阵估计性能的白化度评价方法,以实现对实测杂波数据协方差矩阵估计性能的评价。
为实现上述技术目的,本发明的技术方案包括如下步骤:
(1)利用雷达发射机发送脉冲信号,利用雷达接收机接收反射回来的杂波数据C;
(2)估计杂波数据C的协方差矩阵
(3)根据估计出的杂波数据C的协方差矩阵计算杂波数据C的白化度P:
其中,m表示脉冲数,表示的第i行、第j列元素的模值,Tr{·}表示取矩阵的迹,为归一化因子,用于保证P的取值在[0,1]之间;
(4)利用估计出的杂波数据C的协方差矩阵对杂波数据C进行白化滤波处理,得到白化后的杂波数据
(5)估计白化后的杂波数据的协方差矩阵
其中,N表示参考单元数,表示白化后的杂波数据的第n个参考单元的回波,上标H表示共轭转置;
(6)利用估计出的白化后的杂波数据的协方差矩阵计算白化后的杂波数据的白化度Pw:
(7)利用杂波数据C的白化度P和白化后的杂波数据的白化度Pw,得到白化改善因子:
(8)利用白化改善因子ηw,对估计出的杂波数据C的协方差矩阵进行评价:若白化改善因子ηw的值越接近于0,表明估计出的杂波数据C的协方差矩阵越接近其真实值,即估计误差越小;反之,若白化改善因子ηw的值越接近于1,表明估计误差越大。
本发明与现有技术比较具有以下优点:
1)由于本发明利用雷达系统中的白化滤波方法对杂波数据进行处理,不需要已知协方差矩阵的真实值,解决了现有方法无法评价实测杂波数据的协方差矩阵估计误差的缺陷,更具有实用性;
2)由于本发明从杂波协方差矩阵估计本身出发不需要进行蒙特卡洛实验,减小了计算量。
附图说明
图1是本发明的实现流程图;
图2是利用本发明与现有的评价方法,对不同估计法估计出的协方差矩阵的评价结果对比;
图3是利用本发明对实测海杂波数据和仿真杂波数据的协方差矩阵估计的评价结果。
具体实施方式
步骤1、获取杂波数据C。
在进行雷达自适应目标检测前先利用雷达发射机发送脉冲信号,再利用雷达接收机接收反射回来的杂波数据C,该杂波数据C的脉冲数为m,在杂波数据C的待检测单元两侧共选取N个距离单元作为参考单元。
步骤2、估计杂波数据C的协方差矩阵
估计杂波数据C的协方差矩阵可采用现有的协方差矩阵估计方法:最大似然估计法、归一化样本协方差矩阵估计法、近似最大似然估计法中的任意一种进行,本实例采用归一化样本协方差矩阵估计法,估计杂波数据C的协方差矩阵为:
其中,N表示参考单元数,Cn表示杂波数据C的第n个参考单元的回波,上标H表示共轭转置,估计出的杂波数据C的协方差矩阵是一个m×m的矩阵。
步骤3、利用估计出的杂波数据C的协方差矩阵计算杂波数据C的白化度P:
其中,表示的第i行、第j列元素的模值,Tr{·}表示取矩阵的迹,m表示脉冲数,为归一化因子,保证P的取值在[0,1]之间。
步骤4、对杂波数据C进行白化滤波处理,得到白化后的杂波数据
白化滤波的目的是去除杂波数据脉冲间的相关性。
步骤5、估计白化后的杂波数据的协方差矩阵估计
估计白化后的杂波数据的协方差矩阵估计可采用现有的协方差矩阵估计方法,其包括:经典样本协方差矩阵估计法,最大似然估计法、归一化样本协方差矩阵估计法、近似最大似然估计法;
本实例采用经典样本协方差矩阵估计法,估计白化后的杂波数据的协方差矩阵估计为:
其中,N表示参考单元数,表示白化后的杂波数据的第n个参考单元的回波,上标H表示共轭转置。
步骤6、利用估计出的白化后的杂波数据的协方差矩阵计算白化后的杂波数据的白化度Pw:
该白化度Pw越接近于0,则表明估计出的杂波数据C的协方差矩阵的估计误差越小,反之,若白化后的杂波数据的白化度Pw越接近于1,则表明估计误差越大。
步骤7、利用杂波数据C的白化度P和白化后的杂波数据的白化度Pw,得到白化改善因子ηw:
白化改善因子ηw的取值在[0,1]之间,反映了杂波数据在白化滤波处理前后的白化改善程度。
步骤8、利用白化改善因子ηw,对估计出的杂波数据C的协方差矩阵进行评价。
若白化改善因子ηw的值越接近于0,则表明估计出的杂波数据C的协方差矩阵越接近其真实值,即估计误差越小;反之,若白化改善因子ηw的值越接近于1,则表明估计误差越大。
下面结合仿真实验对本发明的效果做进一步说明。
1.实验数据
仿真实验中采用的数据为仿真杂波数据和实测海杂波数据,其中:
仿真杂波数据:利用MTLAB软件产生独立同分布的复合高斯杂波数据,脉冲数m=8,参考单元数K=24,纹理分量满足Gamma分布;
实测海杂波数据:实测海杂波数据的参考单元数是脉冲数的2倍。
2.仿真实验
仿真实验中先采用仿真杂波数据验证本发明相比于现有的归一化F范数评价法的一致性,再采用实测海杂波数据验证本发明的有效性。
仿真实验1,选择上述仿真杂波数据的相关系数ρ为自变量,利用本发明方法与现有的归一化F范数评价法,分别对最大似然估计方法、归一化样本协方差矩阵估计方法和近似最大似然估计方法估计出的协方差矩阵的质量进行评价,评价结果如图2所示,其中,图2(a)为利用归一化F范数评价法对三种估计方法得到的协方差矩阵估计的评价结果;图2(b)为用本发明对三种估计方法得到的协方差矩阵估计的评价结果。
从图2中可以看出,随着仿真杂波数据的相关系数ρ的增加,本发明与现有估计方法均显示三种估计方法的误差逐渐减小,这表明本发明的评价结果与现有方法保持一致。
仿真实验2,分别选择仿真杂波数据的脉冲数和实测海杂波数据的脉冲数为自变量,利用本发明方法,分别对利用最大似然估计方法、归一化样本协方差矩阵估计方法和近似最大似然估计方法估计出的协方差矩阵的质量进行评价,评价结果如图3所示,其中,图3(a)为用本发明对上述三种估计方法得到的仿真杂波数据的协方差矩阵估计的评价结果;图3(b)为用本发明对上述三种估计方法得到的实测海杂波数据的协方差矩阵估计的评价结果。
从图3可以看出,本发明方法对实测海杂波数据的协方差矩阵估计的评价结果与对仿真杂波数据的协方差矩阵估计的评价结果一致,表明在实际雷达目标检测中,利用本发明评价协方差矩阵估计的性能是有效的,弥补了现有的归一化F范数评价法无法判断实测杂波数据的协方差矩阵估计性能的缺陷。
综上所述,本发明提出的对实测杂波协方差矩阵估计性能的白化度评价方法,可以实现对实测杂波数据的协方差矩阵估计性能的评价,且在处理仿真数据时,与现有方法的评价结果保持一致。
Claims (3)
1.一种对实测杂波协方差矩阵估计性能的白化度评价方法,包括:
(1)利用雷达发射机发送脉冲信号,利用雷达接收机接收反射回来的杂波数据C;
(2)估计杂波数据C的协方差矩阵
其特征在于,还包括以下步骤:
(3)根据估计出的杂波数据C的协方差矩阵计算杂波数据C的白化度P:
<mrow>
<mi>P</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mrow>
<mo>|</mo>
<mover>
<mi>M</mi>
<mo>^</mo>
</mover>
<mo>|</mo>
</mrow>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>T</mi>
<mi>r</mi>
<mo>{</mo>
<mover>
<mi>M</mi>
<mo>^</mo>
</mover>
<mo>}</mo>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,m表示脉冲数,表示的第i行、第j列元素的模值,Tr{·}表示取矩阵的迹,为归一化因子,用于保证P的取值在[0,1]之间;
(4)利用估计出的杂波数据C的协方差矩阵对杂波数据C进行白化滤波处理,得到白化后的杂波数据
<mrow>
<msub>
<mover>
<mi>C</mi>
<mo>^</mo>
</mover>
<mi>w</mi>
</msub>
<mo>=</mo>
<msup>
<mover>
<mi>M</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<mi>C</mi>
<mo>;</mo>
</mrow>
(5)估计白化后的杂波数据的协方差矩阵
<mrow>
<msub>
<mover>
<mi>M</mi>
<mo>^</mo>
</mover>
<mi>w</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mover>
<mi>C</mi>
<mo>^</mo>
</mover>
<msub>
<mi>w</mi>
<mi>n</mi>
</msub>
</msub>
<msubsup>
<mover>
<mi>C</mi>
<mo>^</mo>
</mover>
<msub>
<mi>w</mi>
<mi>n</mi>
</msub>
<mi>H</mi>
</msubsup>
<mo>,</mo>
</mrow>
其中,N表示参考单元数,表示白化后的杂波数据的第n个参考单元的回波,上标H表示共轭转置;
(6)利用估计出的白化后的杂波数据的协方差矩阵计算白化后的杂波数据的白化度Pw:
<mrow>
<msub>
<mi>P</mi>
<mi>w</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mrow>
<mo>|</mo>
<msub>
<mover>
<mi>M</mi>
<mo>^</mo>
</mover>
<mi>w</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>T</mi>
<mi>r</mi>
<mo>{</mo>
<msub>
<mover>
<mi>M</mi>
<mo>^</mo>
</mover>
<mi>w</mi>
</msub>
<mo>}</mo>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
(7)利用杂波数据C的白化度P和白化后的杂波数据的白化度Pw,得到白化改善因子:
(8)利用白化改善因子ηw,对估计出的杂波数据C的协方差矩阵进行评价:若白化改善因子ηw的值越接近于0,表明估计出的杂波数据C的协方差矩阵越接近其真实值,即估计误差越小;反之,若白化改善因子ηw的值越接近于1,表明估计误差越大。
2.如权利要求1所述的对实测杂波协方差矩阵估计性能的白化度评价方法,其特征在于,步骤(2)中估计杂波数据C的协方差矩阵采用现有的最大似然估计法、归一化样本协方差矩阵估计法、近似最大似然估计法中的任意一种。
3.如权利要求1所述的对实测杂波协方差矩阵估计性能的白化度评价方法,其特征在于,步骤(5)中估计白化后的杂波数据的协方差矩阵采用经典样本协方差矩阵估计法,最大似然估计法,归一化样本协方差矩阵估计法,近似最大似然估计法中的任意一种进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610194488.5A CN105738882B (zh) | 2016-03-31 | 2016-03-31 | 对实测杂波协方差矩阵估计性能的白化度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610194488.5A CN105738882B (zh) | 2016-03-31 | 2016-03-31 | 对实测杂波协方差矩阵估计性能的白化度评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105738882A CN105738882A (zh) | 2016-07-06 |
CN105738882B true CN105738882B (zh) | 2018-04-17 |
Family
ID=56253512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610194488.5A Active CN105738882B (zh) | 2016-03-31 | 2016-03-31 | 对实测杂波协方差矩阵估计性能的白化度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105738882B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111679314A (zh) * | 2020-06-19 | 2020-09-18 | 深圳成智达科技有限公司 | 智能型网络巡线仪 |
CN113093135B (zh) * | 2021-03-23 | 2023-05-26 | 南京邮电大学 | 基于f范数归一化距离的目标检测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807301B (zh) * | 2010-03-17 | 2012-11-07 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN102426354A (zh) * | 2011-09-16 | 2012-04-25 | 西安电子科技大学 | 基于加权顺序统计和多脉冲相参积累的宽带雷达检测方法 |
CN104569949B (zh) * | 2015-01-27 | 2017-04-19 | 西安电子科技大学 | 基于组合自适应归一化匹配滤波的雷达目标检测方法 |
-
2016
- 2016-03-31 CN CN201610194488.5A patent/CN105738882B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105738882A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105807267B (zh) | 一种mimo雷达扩展目标的检测方法 | |
CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
CN106872958B (zh) | 基于线性融合的雷达目标自适应检测方法 | |
CN105589066B (zh) | 一种利用垂直矢量阵估计水下匀速运动航行器参数的方法 | |
CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
US20090003134A1 (en) | Method and Apparatus for Improved Active Sonar Using Singular Value Decomposition Filtering | |
CN104569949A (zh) | 基于组合自适应归一化匹配滤波的雷达目标检测方法 | |
CN104316914B (zh) | 依赖形状参数的雷达目标自适应检测方法 | |
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 | |
CN101893698B (zh) | 噪声源测试分析方法及其装置 | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN101957443A (zh) | 声源定位方法 | |
CN105699952A (zh) | 海杂波k分布形状参数的双分位点估计方法 | |
CN111965632A (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN106772302A (zh) | 一种复合高斯背景下的知识辅助stap检测方法 | |
CN105738882B (zh) | 对实测杂波协方差矩阵估计性能的白化度评价方法 | |
CN105354594B (zh) | 一种针对欠定盲源分离的混合矩阵估计方法 | |
Hamdollahzadeh et al. | Moving target localization in bistatic forward scatter radars: Performance study and efficient estimators | |
CN106353743B (zh) | 匹配于等效形状参数的近最优雷达目标检测方法 | |
CN105866748B (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
FR2868541A1 (fr) | Procede de localisation aveugle large bande d'un ou plusieurs emetteurs a partir d'un porteur defilant | |
CN110940977B (zh) | 一种适配海况变化的恒虚警检测器及恒虚警检测方法 | |
CN102621535A (zh) | 一种高效的协方差矩阵结构估计方法 | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
US20200256949A1 (en) | Signal processing method |
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 |