CN106483515A - 均匀k分布杂波下的最优自适应检测方法 - Google Patents
均匀k分布杂波下的最优自适应检测方法 Download PDFInfo
- Publication number
- CN106483515A CN106483515A CN201610846081.6A CN201610846081A CN106483515A CN 106483515 A CN106483515 A CN 106483515A CN 201610846081 A CN201610846081 A CN 201610846081A CN 106483515 A CN106483515 A CN 106483515A
- Authority
- CN
- China
- Prior art keywords
- target
- observation vector
- detector
- sea clutter
- covariance matrix
- 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.)
- Pending
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
本发明公开了一种均匀K分布杂波下的最优自适应检测方法。其实现步骤为:1、构建雷达回波数据的观测向量;2、计算信号振幅的估计值3、利用观测向量以及计算数据依赖项;4、根据内曼—皮尔森准则,得到广义似然比检测器;5、用极大似然估计和样本协方差矩阵估计得到海杂波散斑分量的协方差矩阵M的估计式及尺度参数b的迭代估计式β;6、利用和β分别代替广义似然比检测器中的M和b,得到基于均匀K分布的自适应最优检测器;7、计算检测门限T;8、利用检测门限T判断目标是否存在。本发明提高了目标的检测性能,可用于海杂波背景下的目标检测。
Description
技术领域
本发明属于雷达信号处理技术领域,具体涉及一种自适应检测方法,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Gamma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Gamma分布时,对应的海杂波功率分布模型是广义Pareto分布模型。
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分布检测器OKD是纹理分量服从Gamma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和非均匀杂波。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Dong,Y.:‘Optimum coherent radar detection in a K-distributed clutterenvironment’,IET Radar Sonar and Navigation,2012,6,(5),pp.283-292.中讨论的最优K分布检测器OKD是纹理分量服从Gamma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,但是,由于实际情况是海杂波的纹理分量在距离维上具有相关性,因此,用该方法在均匀杂波背景下进行检测时,其检测性能严重下降。
发明内容
本发明的目的在于针对上述技术的缺点,提出一种均匀K分布杂波下的最优自适应检测方法,以提高在均匀海杂波背景下对目标进行自适应检测的性能。
为达到上述目的,本发明的技术方案包括如下:
(1)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,将回波数据中仅有杂波存在而目标不存在的情况假设为H0,将回波数据中杂波和目标同时存在的情况假设为H1。根据回波数据,分别构建不同假设情况下回波数据中检测单元的观测向量z和参考单元的观测向量zk:
其中,α表示目标回波数据的幅度,p表示多普勒导向矢量,L表示回波数据的距离单元数;表示检测单元的海杂波向量,表示参考单元的海杂波向量,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;c和ck是均匀杂波,u与uk服从均值为0、方差为1的复高斯分布;τ表示海杂波的纹理分量,其服从形状参数为ν,尺度参数为b的Gamma分布;
(2)在目标存在时,即在H1假设下根据检测单元的观测向量z,利用极大似然估计求出目标信号幅度α的估计值
其中,(·)H表示共轭转置,M表示海杂波散斑分量的协方差矩阵;
(3)根据检测单元的观测向量z和参考单元的观测向量z1,z2,...,zk,...,zL以及目标信号振幅的估计值计算数据依赖项:
q0=zHM-1z,
其中,q0表示H0假设下检测单元的数据依赖项,q1表示H1假设下检测单元的数据依赖项,Q0表示H0假设下参考单元的数据依赖项,Q1表示表示H1假设下参考单元的数据依赖项;
(4)利用(3)中的数据依赖项及H0、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,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,γ0=|pHM-1z|2/pHM-1p表示白化匹配滤波器的输出功率,Kη(·)表示阶数为η的第二类贝塞尔函数,η=ν-N(L+1);
(5)根据参考单元的观测向量z1,z2,...,zk,...,zL,利用样本协方差矩阵估计MSC与最大似然估计ML,得到海杂波散斑分量的协方差矩阵M的估计式及尺度参数b的迭代估计式;
(6)利用估计得到的代替广义似然比检测器中的M,利用估计得到的β代替广义似然比检测器中的b,得到基于均匀K分布的自适应最优检测器:
其中
(7)根据虚警概率Pfa,使用蒙特卡洛实验计算检测门限T;
(8)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,则检测单元有目标,如果ξ<T,则没有目标。
本发明与现有技术相比具有以下优点:
1)本发明由于通过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,因而在均匀杂波环境下,与最优K分布检测器OKD相比,具有更好的检测性能。
2)本发明由于利用杂波数据实时更新海杂波的尺度参数与协方差矩阵,因而能够自适应地与检测环境中的杂波特性相匹配,对不同的海况、时间和空间位置的海杂波环境下的目标都能得到较好的检测效果。
附图说明
图1为本发明的实现流程图;
图2为用本发明和现有方法在不同信杂比下对实测海杂波数据进行检测的检测概率对比图。
具体实施方式
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,构建雷达回波数据中检测单元的观测向量和参考单元的观测向量。
(1.1)雷达发射连续的脉冲信号照射到物体表面会产生回波,再利用雷达接收回波数据;
(1.2)将回波数据中仅有杂波存在而目标不存在的情况假设为H0,将回波数据中杂波和目标同时存在的情况假设为H1;
(1.3)根据回波数据,分别构建不同假设情况下回波数据中检测单元的观测向量z和参考单元的观测向量zk:
其中,α表示目标回波数据的幅度,p表示多普勒导向矢量,L表示回波数据的距离单元数;表示检测单元的海杂波向量,表示参考单元的海杂波向量,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;c和ck是均匀杂波,u与uk服从均值为0、方差为1的复高斯分布;τ表示海杂波的纹理分量,其服从形状参数为ν,尺度参数为b的Gamma分布;纹理分量τ的概率密度函数pτ(τ)为:
其中,Γ(·)是Gamma函数。
步骤2,在目标存在时,即在H1假设下根据检测单元的观测向量z,利用极大似然估计求出目标信号幅度α的估计值
(2.1)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,(·)-1表示矩阵的逆矩阵,N表示脉冲累积数;
(2.2)对式<3>取自然对数,得到检测单元的观测向量z的似然函数L(z):
(2.3)最大化似然函数式<4>,即等价于求解:
(2.4)用式<5>中(z-αp)HM-1(z-αp)对目标信号振幅α求导并令导数为0:
(2.5)求解式<6>得到目标信号振幅α的估计值
步骤3,根据检测单元的观测向量z和参考单元的观测向量z1,z2,...,zk,...,zL以及目标信号振幅的估计值计算如下数据依赖项:
q0=zHM-1z <8>
其中,q0表示H0假设下检测单元的数据依赖项,q1表示H1假设下检测单元的数据依赖项,Q0表示H0假设下参考单元的数据依赖项,Q1表示表示H1假设下参考单元的数据依赖项。
步骤4,利用步骤3中的数据依赖项及H0、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,根据Neyman-Pearson准则,得到广义似然比检测器。
(4.1)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):
(4.2)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):
(4.3)根据Neyman-Pearson准则,当信号和散斑协方差矩阵已知时,最优检测器是似然比检测器即:
其中,Λ(z,z1,z2,...,zk,...,zL)表示似然比;
(4.4)将纹理分量的概率密度函数式<2>代入式<14>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,γ0=|pHM-1z|2/pHM-1p表示白化匹配滤波器的输出功率,Kη(·)表示阶数为η的第二类贝塞尔函数,η=ν-N(L+1)。
步骤5,根据参考单元的观测向量z1,z2,...,zk,...,zL,利用样本协方差矩阵估计MSC与最大似然估计ML,得到海杂波散斑分量的协方差矩阵M的估计式及尺度参数b的迭代估计式。
(5.1)计算参考单元中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):
其中:
(5.2)对式<16>取自然对数,根据式<17>,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)=lnhNL(Q)-NLlnπ-Lln|M|,并对海杂波散斑分量的协方差矩阵M求导并令导数为0,即:
其中h′NL(Q)表示hNL(Q)对Q的导数。
(5.3)求解式<18>,得到海杂波散斑分量的协方差矩阵M的隐式最大似然估计
(5.4)利用样本协方差矩阵估计方法SCM对M进行估计,得到M的样本协方差矩阵估计
(5.5)构造M的最大似然估计与样本协方差矩阵估计的关系式:
其中β是尺度参数b的估计;
(5.6)将式<21>代入式<19>得到海杂波纹理分量的尺度参数估计值β的迭代估计式:
其中β(0)是β的初始值,β(i)是β迭代到第i代的值。
步骤6,利用估计得到的代替步骤4得到的广义似然比检测器中的M,利用估计得到的β代替步骤4得到的广义似然比检测器中的b,得到基于均匀K分布的自适应最优检测器即:
其中
步骤7,根据虚警概率Pfa,计算检测门限T。
实验中使用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:
(7.1)令C为设定的大于1的自然数,取值为104,计算第j个目标的检测统计量ξj:
将计算出的C个目标的检测统计量,组成检测统计量序列:
[ξ1,ξ2,...,ξj,...,ξC]
其中ξj指第j个目标的检测统计量,j=1,2,...,C;
(7.2)将得到的C个检测统计量按降序排列,得到降序排列后的检测统计量序列:
[ξ1′,ξ2′,...,ξj′,...,ξC′]
其中ξj′指降序排列后的第j个目标的检测统计量,j=1,2,...,C。
(7.3)在降序排列后的检测统计量序列中,取第[C·Pfa]个元素值作为检测门限T,其中[C·Pfa]表示不超过实数C·Pfa的最大整数。
步骤8,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,则说明检测单元有目标,如果ξ<T,则说明检测单元没有目标。
通过步骤1到步骤8,完成基于均匀K分布的自适应最优检测。
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
实验中采用实测海杂波数据来检验本发明方法的检测性能。实测海杂波数据为X波段CSIR雷达采集的60000个脉冲,59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。
实验中设置虚警概率为10-4,参考单元数为16。
2.仿真实验内容
仿真实验中分别采用本发明方法,自适应最优K分布检测器OKD在信杂比SCR从0dB变化至15dB的不同信杂比条件下,对上述实测海杂波数据进行目标检测,结果如图2所示,图2中横轴表示信杂比,纵轴表示检测概率。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。
从图2中可以看出,不同信杂比条件下本发明方法的检测性能明显优于自适应最优K分布检测器OKD的检测性能。
综上所述,在均匀杂波背景下,海杂波纹理分量沿距离维强相关的目标检测而言,本发明提出的均匀K分布杂波下的最优自适应检测方法的检测性能稳定,优于已有的自适应最优K分布检测器OKD的检测性能。
Claims (6)
1.一种均匀K分布杂波下的最优自适应检测方法,其特征在于,包括:
(1)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,将回波数据中仅有杂波存在而目标不存在的情况假设为H0,将回波数据中杂波和目标同时存在的情况假设为H1,分别构建不同假设情况下回波数据中检测单元的观测向量z和参考单元的观测向量zk:
其中,α表示目标回波数据的幅度,p表示多普勒导向矢量,L表示回波数据的距离单元数;表示检测单元的海杂波向量,表示参考单元的海杂波向量,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;c和ck是均匀杂波,u与uk服从均值为0、方差为1的复高斯分布;τ表示海杂波的纹理分量,其服从形状参数为ν,尺度参数为b的Gamma分布;
(2)在目标存在时,即在H1假设下根据检测单元的观测向量z,利用极大似然估计求出目标信号幅度α的估计值
其中,(·)H表示共轭转置,M表示海杂波散斑分量的协方差矩阵;
(3)根据检测单元的观测向量z和参考单元的观测向量z1,z2,...,zk,...,zL以及目标信号振幅的估计值计算数据依赖项:
q0=zHM-1z,
其中,q0表示H0假设下检测单元的数据依赖项,q1表示H1假设下检测单元的数据依赖项,Q0表示H0假设下参考单元的数据依赖项,Q1表示表示H1假设下参考单元的数据依赖项;
(4)利用(3)中的数据依赖项及H0、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,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,γ0=|pHM-1z|2/pHM-1p表示白化匹配滤波器的输出功率,Kη(·)表示阶数为η的第二类贝塞尔函数,η=ν-N(L+1);
(5)根据参考单元的观测向量z1,z2,...,zk,...,zL,利用样本协方差矩阵估计MSC与最大似然估计ML得到海杂波散斑分量的协方差矩阵M的估计式及尺度参数b的迭代估计式;
(6)利用估计得到的代替广义似然比检测器中的M,利用估计得到的β代替广义似然比检测器中的b,得到基于均匀K分布的自适应最优检测器:
其中
(7)根据虚警概率Pfa,使用蒙特卡洛实验计算检测门限T;
(8)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,则检测单元有目标,如果ξ<T,则没有目标。
2.如权利要求1所述的方法,其特征在于,步骤(1)中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的纹理分量τ服从形状参数为ν,尺度参数为b的Gamma分布,纹理分量的概率密度函数pτ(τ)为:
其中,Γ(·)是Gamma函数。
3.如权利要求1所述的方法,其特征在于,步骤(2)利用极大似然估计求出目标信号振幅α的估计值按如下步骤进行:
2a)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;
2b)对概率密度函数f(z|H1)取自然对数,得到检测单元的观测向量z的似然函数L(z):
2c)最大化似然函数L(z),即等价于求解:
2d)用(2c)式中的(z-αp)HM-1(z-αp)对目标信号振幅α求导并令导数为0,即:
2e)求解(2d)式得到目标信号振幅α的估计值
4.如权利要求1所述的方法,其特征在于,步骤(4)中根据Neyman-Pearson准则,得到广义似然比检测器,按如下步骤进行:
4a)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):
4b)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):
4c)根据Neyman-Pearson准则,当信号α和散斑协方差矩阵M已知时,最优检测器是似然比检测器
其中,Λ(z,z1,z2,...,zk,...,zL)表示似然比;
4d)将纹理分量的概率密度函数式pτ(τ)代入(4c)公式,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,γ0=|pHM-1z|2/pHM-1p,表示白化匹配滤波器的输出功率,Q0表示H0假设下参考单元的数据依赖项,Kη(·)表示阶数为η的第二类贝塞尔函数,η=ν-N(L+1)。.
5.如权利要求1所述的方法,其特征在于,步骤(5)中利用样本协方差矩阵估计与最大似然估计,得到海杂波散斑分量的协方差矩阵M的估计式和尺度参数b的迭代估计式,按如下步骤进行:
5a)计算参考单元中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):
其中:
5b)对(5a)中联合概率密度函数式取自然对数,根据式<17>,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)=lnhNL(Q)-NLlnπ-Lln|M|,并对海杂波散斑分量的协方差矩阵M求导并令导数为0:
其中h′NL(Q)表示hNL(Q)对Q的导数。
5c)求解(5b)式得到海杂波散斑分量的协方差矩阵M的隐式最大似然估计
5d)利用样本协方差矩阵估计方法SCM对M进行估计,得到M的样本协方差矩阵估计
5e)构造M的最大似然估计与样本协方差矩阵估计的关系式:
其中β是尺度参数b的估计;
5f)将(5e)公式代入(5c)公式,得到海杂波纹理分量的尺度参数估计值β的迭代估计式:
其中β(0)是β的初始值,β(i)是β迭代到第i代的值。
6.如权利要求1所述的方法,其特征在于,步骤(7)中根据虚警概率Pfa,计算检测门限T,按如下步骤进行:
7a)令C为设定的大于1的自然数,取值为104,计算第j个目标的检测统计量ξj:
将计算出的C个目标的检测统计量,组成检测统计量序列:
[ξ1,ξ2,...,ξj,...,ξC]
其中ξj指第j个目标的检测统计量,j=1,2,...,C;
7b)将得到的C个检测统计量按降序排列,得到降序排列后的检测统计量序列:
[ξ1′,ξ2′,...,ξj′,...,ξC′]
其中ξj′指降序排列后的第j个目标的检测统计量,j=1,2,...,C。
7c)在降序排列后的检测统计量序列中,取第[C·Pfa]个元素值作为检测门限T,其中[C·Pfa]表示不超过实数C·Pfa的最大整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610846081.6A CN106483515A (zh) | 2016-09-23 | 2016-09-23 | 均匀k分布杂波下的最优自适应检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610846081.6A CN106483515A (zh) | 2016-09-23 | 2016-09-23 | 均匀k分布杂波下的最优自适应检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106483515A true CN106483515A (zh) | 2017-03-08 |
Family
ID=58267323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610846081.6A Pending CN106483515A (zh) | 2016-09-23 | 2016-09-23 | 均匀k分布杂波下的最优自适应检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106483515A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872958A (zh) * | 2017-04-27 | 2017-06-20 | 中国人民解放军海军航空工程学院 | 基于线性融合的雷达目标自适应检测方法 |
CN107179531A (zh) * | 2017-03-29 | 2017-09-19 | 南京邮电大学 | 基于最大后验的修正样本协方差矩阵估计算法 |
CN107607913A (zh) * | 2017-08-25 | 2018-01-19 | 西安电子科技大学 | 基于对数累积量的海杂波Pareto分布参数估计方法 |
CN108089169A (zh) * | 2017-12-06 | 2018-05-29 | 上海无线电设备研究所 | 一种面向多目标场景探测的序贯检测方法 |
CN108535711A (zh) * | 2018-03-14 | 2018-09-14 | 南京邮电大学 | 一种基于分组的海杂波协方差矩阵估计方法 |
CN109212493A (zh) * | 2018-09-03 | 2019-01-15 | 杭州捍鹰科技有限公司 | 地杂波检测门限的自适应确定方法和装置 |
CN109884608A (zh) * | 2019-04-12 | 2019-06-14 | 北京环境特性研究所 | 一种海杂波k分布加噪声模型参数的快速分数阶矩估计方法 |
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 |
CN111624573A (zh) * | 2020-07-20 | 2020-09-04 | 上海无线电设备研究所 | 一种海杂波背景下的时域自适应目标检测方法 |
CN114994632A (zh) * | 2022-08-03 | 2022-09-02 | 中国人民解放军空军预警学院 | 一种基于对称功率谱密度的雷达目标检测方法与系统 |
CN115754970A (zh) * | 2022-12-22 | 2023-03-07 | 中国人民解放军空军预警学院 | 一种分布式无人机载雷达空时自适应目标检测方法与系统 |
CN116643251A (zh) * | 2023-07-27 | 2023-08-25 | 西安电子科技大学 | 非均匀杂波环境中的宽带雷达运动目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04184284A (ja) * | 1990-11-19 | 1992-07-01 | Mitsubishi Electric Corp | 目標検出方法とその装置 |
CN103760542A (zh) * | 2014-01-10 | 2014-04-30 | 杭州电子科技大学 | 一种基于多模式的变化指数恒虚警目标检测方法 |
CN104007434A (zh) * | 2014-05-29 | 2014-08-27 | 西安电子科技大学 | 基于多普勒过采样的海杂波背景下雷达动目标的检测方法 |
CN104215944A (zh) * | 2014-09-22 | 2014-12-17 | 南京信息工程大学 | 一种基于参数选择的雷达海杂波自适应抑制处理方法 |
CN104391290A (zh) * | 2014-11-17 | 2015-03-04 | 电子科技大学 | 一种适用于复杂非均匀杂波下的cfar检测器 |
-
2016
- 2016-09-23 CN CN201610846081.6A patent/CN106483515A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04184284A (ja) * | 1990-11-19 | 1992-07-01 | Mitsubishi Electric Corp | 目標検出方法とその装置 |
CN103760542A (zh) * | 2014-01-10 | 2014-04-30 | 杭州电子科技大学 | 一种基于多模式的变化指数恒虚警目标检测方法 |
CN104007434A (zh) * | 2014-05-29 | 2014-08-27 | 西安电子科技大学 | 基于多普勒过采样的海杂波背景下雷达动目标的检测方法 |
CN104215944A (zh) * | 2014-09-22 | 2014-12-17 | 南京信息工程大学 | 一种基于参数选择的雷达海杂波自适应抑制处理方法 |
CN104391290A (zh) * | 2014-11-17 | 2015-03-04 | 电子科技大学 | 一种适用于复杂非均匀杂波下的cfar检测器 |
Non-Patent Citations (2)
Title |
---|
KEVIN J.SANGSTON ET AL.: "Coherent Detection of Radar Targets in a Non-Gaussian Background", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
SAI-NAN SHI ET AL.: "Optimum coherent detection in homogenous K-distributed clutter", 《IET RADAR, SONAR & NAVIGATION》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107179531A (zh) * | 2017-03-29 | 2017-09-19 | 南京邮电大学 | 基于最大后验的修正样本协方差矩阵估计算法 |
CN107179531B (zh) * | 2017-03-29 | 2020-04-07 | 南京邮电大学 | 基于最大后验的修正样本协方差矩阵估计算法 |
CN106872958A (zh) * | 2017-04-27 | 2017-06-20 | 中国人民解放军海军航空工程学院 | 基于线性融合的雷达目标自适应检测方法 |
CN106872958B (zh) * | 2017-04-27 | 2019-04-12 | 中国人民解放军海军航空大学 | 基于线性融合的雷达目标自适应检测方法 |
CN107607913B (zh) * | 2017-08-25 | 2019-12-24 | 西安电子科技大学 | 基于对数累积量的海杂波Pareto分布参数估计方法 |
CN107607913A (zh) * | 2017-08-25 | 2018-01-19 | 西安电子科技大学 | 基于对数累积量的海杂波Pareto分布参数估计方法 |
CN108089169A (zh) * | 2017-12-06 | 2018-05-29 | 上海无线电设备研究所 | 一种面向多目标场景探测的序贯检测方法 |
CN108535711A (zh) * | 2018-03-14 | 2018-09-14 | 南京邮电大学 | 一种基于分组的海杂波协方差矩阵估计方法 |
CN108535711B (zh) * | 2018-03-14 | 2021-06-04 | 南京邮电大学 | 一种基于分组的海杂波协方差矩阵估计方法 |
CN109212493A (zh) * | 2018-09-03 | 2019-01-15 | 杭州捍鹰科技有限公司 | 地杂波检测门限的自适应确定方法和装置 |
CN109884608A (zh) * | 2019-04-12 | 2019-06-14 | 北京环境特性研究所 | 一种海杂波k分布加噪声模型参数的快速分数阶矩估计方法 |
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 |
CN111624573A (zh) * | 2020-07-20 | 2020-09-04 | 上海无线电设备研究所 | 一种海杂波背景下的时域自适应目标检测方法 |
CN114994632A (zh) * | 2022-08-03 | 2022-09-02 | 中国人民解放军空军预警学院 | 一种基于对称功率谱密度的雷达目标检测方法与系统 |
CN114994632B (zh) * | 2022-08-03 | 2022-10-28 | 中国人民解放军空军预警学院 | 一种基于对称功率谱密度的雷达目标检测方法与系统 |
CN115754970A (zh) * | 2022-12-22 | 2023-03-07 | 中国人民解放军空军预警学院 | 一种分布式无人机载雷达空时自适应目标检测方法与系统 |
CN116643251A (zh) * | 2023-07-27 | 2023-08-25 | 西安电子科技大学 | 非均匀杂波环境中的宽带雷达运动目标检测方法 |
CN116643251B (zh) * | 2023-07-27 | 2023-10-20 | 西安电子科技大学 | 非均匀杂波环境中的宽带雷达运动目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106483515A (zh) | 均匀k分布杂波下的最优自适应检测方法 | |
CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
Sira et al. | Waveform-agile sensing for tracking | |
CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
CN104569949B (zh) | 基于组合自适应归一化匹配滤波的雷达目标检测方法 | |
CN105093196B (zh) | 基于逆伽马纹理复合高斯模型下的相干检测方法 | |
CN104316914B (zh) | 依赖形状参数的雷达目标自适应检测方法 | |
CN106254010B (zh) | 一种时变海洋信道建模方法 | |
CN104155650A (zh) | 一种基于熵权值法点迹质量评估的目标跟踪方法 | |
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 | |
CN107180259B (zh) | 一种基于系统辨识的stap训练样本选择方法 | |
CN102866388B (zh) | 一种空时自适应处理中的自适应权值迭代计算方法 | |
CN104977585B (zh) | 一种鲁棒的运动声纳目标检测方法 | |
CN105699952A (zh) | 海杂波k分布形状参数的双分位点估计方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN105738880A (zh) | 逆高斯纹理复合高斯海杂波幅度分布参数的矩估计方法 | |
CN106772302A (zh) | 一种复合高斯背景下的知识辅助stap检测方法 | |
CN113341383A (zh) | 基于dqn算法的雷达抗干扰智能决策方法 | |
CN104111449A (zh) | 一种改进的基于广义内积的空时二维自适应处理方法 | |
CN106168943A (zh) | 一种用于跟踪转弯机动目标的方法及其系统 | |
Hamdollahzadeh et al. | Moving target localization in bistatic forward scatter radars: Performance study and efficient estimators | |
CN104155653B (zh) | 一种基于特征距离子空间的sar后向投影成像方法 | |
CN106154241B (zh) | 脉冲噪声环境下的韧性平行因子分析算法 | |
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 | |
CN106353743A (zh) | 匹配于等效形状参数的近最优雷达目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170308 |