CN107153180A - 一种目标信号检测方法及系统 - Google Patents
一种目标信号检测方法及系统 Download PDFInfo
- Publication number
- CN107153180A CN107153180A CN201710454608.5A CN201710454608A CN107153180A CN 107153180 A CN107153180 A CN 107153180A CN 201710454608 A CN201710454608 A CN 201710454608A CN 107153180 A CN107153180 A CN 107153180A
- Authority
- CN
- China
- Prior art keywords
- cfar
- detector
- detection
- unit
- modules
- 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
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/04—Systems determining presence of a target
-
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/04—Systems determining presence of a target
-
- 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
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种目标信号检测方法及系统。该方法包括步骤:获取信号的检测统计量,并将检测统计量存储至参考单元和检测单元,得到测试样本;测试样本为参考单元、或参考单元与检测单元之和;使用支持向量机SVM模块对测试样本进行第一计算,并根据第一计算结果输出选择信号;根据选择信号确定第一检测器的阈值,第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种;根据第一检测器的阈值,判断检测单元是否有目标信号。当测试开始时,SVM模块将根据测试样本和训练参数确定其分类,并输出选择信号;选择模块根据SVM模块输出的选择信号选取相应的检测器阈值作为最终检测阈值,从而实现在不同的工作环境下的最优检测。
Description
技术领域
本发明涉及雷达和声纳信号处理技术领域,尤其涉及一种目标信号检测方法及系统。
背景技术
雷达信号处理的基本目的是检测感兴趣目标于雷达回波中存在与否,而雷达回波不可避免地叠加了杂波和接收机噪声。因此,雷达信号接收机必须对回波信号进行处理,确定其是否包含感兴趣的目标,进而确定目标的距离、速度等信息。早期雷达系统需要根据个人经验设定检测门限来判断目标存在与否。随着自动检测技术的发展,雷达检测从开始的固定或半固定门限检测发展到恒虚警率(CFAR,Constant False Alarm Rate)的自动检测。
Finn,H.M.等人发表的文章《Adaptive detection mode with thresholdcontrol as a function of spatially sampled clutter-level estimates》(RCVReview,vol.29,no.9,pp.414-464)中提出一种单元平均(Cell Averaging,简称CA)CFAR方法(以下简称CA-CFAR)。CA-CFAR在均匀杂波背景下具有很好的检测性能,在杂波边缘中会引起虚警率的上升,而在多目标环境中将导致检测性能的下降。
Hansen,V.G.等人发表的文章《Detectability loss due to the greatest-of-selection in a cell averaging CFAR》(IEEE Trans.Aerosp.Electron.Syst.,vol.16,pp.115-118)中提出一种最大选择(Greatest Of,简称GO)CFAR方法(以下简称GO-CFAR)。GO-CFAR在杂波边缘环境中具有很好的虚警控制性能,但是在多目标环境中会出现“目标遮蔽”现象,其检测性能严重下降。
Trunk,G.V.等人发表的文章《Range resolution of targets using automaticdetectors’》(IEEE Trans.Aerosp.Electron.Syst.,vol.14,no.5,pp.750-755)中提出一种最小选择(Smallest Of,简称SO)CFAR方法,即SO-CFAR。(以下简称SO-CFAR)。当干扰目标只位于前沿滑窗或后沿滑窗时,SO-CFAR具有较好的多目标分辨能力,但是在杂波边缘中它的虚警控制能力很差。
Rohling,H.等人发表的文章《Radar CFAR thresholding in clutter andmultiple target situations’》(IEEE Trans.Aerosp.Electron.Syst.,vol.19,no.4,pp.608-621)中提出一种有序统计(Ordered Statistics,简称OS)CFAR方法(以下简称OS-CFAR检测器)。OS-CFAR检测器在多目标环境中具有良好的分辨能力,相比ML类方法具有明显优势,但是OS-CFAR检测器在均匀杂波背景下检测性能和在杂波边缘中它的虚警控制能力比CA-CFAR要差。
Farrouki,A.等人发表的文章《Automatic censoring CFAR detectorbased onordered data variability for nonhomogeneous environments》(IEE Proc-RadarSonar Naving,vol.152,no.1,pp.43-51)中提出一种基于排序数据方差(Ordered DataVariability,简称ODV)的自动删除单元平均(ACCA,Automatic Censored CellAveraging)检测器(以下简称ACCA-CFAR检测器)。ACCA-CFAR检测器在均匀杂波背景下具有CA-CFAR的检测性能,同时在多目标环境中针对不同数量的干扰目标,其检测性能的鲁棒性要优于OS-CFAR,但是其在杂波边缘环境中的虚警控制性能比OS-CFAR还要差。
综上可知,在选择CFAR检测器时很难权衡检测性能和抗杂波边缘性能。通常具有较好检测性能的检测器在杂波边缘环境中的性能不太理想,或者良好抗边缘杂波的检测器在均匀杂波背景、多目标环境中的检测性能不太理想。
发明内容
本发明的目的在于,解决现有技术中的上述问题,提供了一种目标信号检测方法及系统,实现在不同的工作环境(均匀杂波背景、多目标环境和杂波边缘环境)下的最优检测。
一方面,本发明提供了一种目标信号检测方法。该方法包括步骤:获取信号的检测统计量,并将检测统计量存储至参考单元和检测单元,得到测试样本;测试样本为参考单元、或参考单元与检测单元之和;使用支持向量机SVM模块对测试样本进行第一计算,并根据第一计算结果输出选择信号;根据选择信号确定第一检测器的阈值,第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种;根据第一检测器的阈值,判断检测单元是否有目标信号。
优选地,根据选择信号确定第一检测器的阈值,包括:CFAR模块使用多个检测器对参考单元、或参考单元与检测单元之和进行第二计算,第二计算结果包括多个检测器中的每一个检测器的阈值;选择模块从CFAR模块接收第二计算结果,并根据选择信号,输出第一检测器的阈值。
优选地,根据选择信号确定第一检测器的阈值,包括:CFAR模块根据选择信号,从多个检测器中选择第一检测器对参考单元、或参考单元与检测单元之和进行第三计算,并根据第三计算的结果输出第一检测器的阈值。
优选地,SVM模块包括SVM模型的训练参数,训练参数通过以下步骤获得:根据参考单元、或参考单元与检测单元之和,得到每一个训练样本;根据CFAR模块中包含的多个检测器,确定每一个训练样本的类标记,并根据每一个训练样本和类标记组成训练样本集;SVM模块根据训练样本集对SVM模型进行训练,以获取SVM模型的训练参数。
优选地,SVM模块包括以下计算公式:
其中,y表示测试样本的类标记;sign表示符号函数;n是训练样本集中支持向量的个数;yi代表第i个训练样本所对应的类标记,表示第i个训练样本,i=1,…,n,;表示测试样本;和b为训练参数,
优选地,多个检测器包括单元平均恒虚警率CA-CFAR检测器、最大选择恒虚警率GO-CFAR检测器、最小选择选择恒虚警率SO-CFAR检测器、有序统计恒虚警率OS-CFAR检测器和自动删除单元平均恒虚警率ACCA-CFAR检测器中的至少两种检测器。
另一方面,本发明提供了一种目标信号检测系统。该系统包括:获取单元,用于获取信号的检测统计量,并将检测统计量存储至参考单元和检测单元,得到测试样本;测试样本为参考单元、或参考单元与检测单元之和。计算单元,用于使用支持向量机SVM模块对测试样本进行第一计算,并根据第一计算结果输出选择信号。确定单元,用于根据选择信号确定第一检测器的阈值,第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种。判断单元,用于根据第一检测器的阈值,判断检测单元是否有目标信号。
优选地,确定单元,用于根据选择信号确定第一检测器的阈值,包括:CFAR模块使用多个检测器对参考单元、或参考单元与检测单元之和进行第二计算,第二计算结果包括多个检测器中的每一个检测器的阈值;选择模块从CFAR模块接收第二计算结果,并根据选择信号,输出第一检测器的阈值。
优选地,确定单元,用于根据选择信号确定第一检测器的阈值,包括:CFAR模块根据选择信号,从多个检测器中选择第一检测器对参考单元、或参考单元与检测单元之和进行第三计算,并根据第三计算的结果输出第一检测器的阈值。
优选地,SVM模块包括SVM模型的训练参数。系统还包括训练单元,训练单元用于确定训练参数,包括:根据参考单元、或参考单元与检测单元之和,得到每一个训练样本;根据CFAR模块中包含的多个检测器,确定每一个训练样本的类标记,并根据每一个训练样本和类标记组成训练样本集;SVM模块根据训练样本集对SVM模型进行训练,以获取SVM模型的训练参数。
由上可知,本发明实施例提供的一种目标信号检测方法及系统系统,根据不同的工作环境(均匀杂波背景、多目标环境和杂波边缘环境)选择两种或两种以上的CFAR检测器构成新的检测系统,并由CFAR模块计算各种CFAR检测器的阈值;利用训练样本集对SVM模块进行训练,并得到训练参数。当测试开始时,SVM模块将根据测试样本和训练参数确定其分类,并输出选择信号;选择模块根据SVM模块输出的选择信号选取相应的检测器阈值作为最终检测阈值,从而实现在不同的工作环境下的最优检测。
附图说明
图1为本发明实施例提供的一种目标信号检测方法的流程示意图;
图2为本发明实施例提供的实验1中各种检测器在均匀杂波背景下的检测性能对比图;
图3为本发明实施例提供的实验1中各种检测器在有一个干扰目标环境下的检测性能对比图;
图4为本发明实施例提供的实验1中各种检测器在有四个干扰目标环境下的检测性能对比图;
图5为本发明实施例提供的实验2中各种检测器抗边缘杂波性能对比图;
图6为本发明实施例提供的一种目标信号检测系统的结构示意图;
图7为本发明实施例提供的另一种目标信号检测系统的结构示意图。
具体实施方式
下面通过附图和实施例,对本发明的技术方案作进一步的详细描述。
图1为本发明实施例提供的目标信号检测方法的一种可能的流程示意图。如图1所示,该方法包括步骤101-104:
步骤101,获取信号的检测统计量,并将检测统计量存储至参考单元和检测单元,得到测试样本。测试样本为参考单元的一部分、或参考单元的全部、或参考单元的一部分与检测单元之和、或参考单元的全部与检测单元之和。
具体地,对信号进行单脉冲检测,在某个分辨单元中得到一个观测值v(t),将v(t)输入匹配滤波器进行滤波处理后,输出得到信号的同相分量I(v)和正交分量Q(v)。将I(v)和Q(v)输入平方律检测器,输出得到检测统计量D(v):
D(v)=I2(v)+Q2(v) (1)
将每一个D(v)依次输入参考单元和检测单元中,作为参考单元xi(i=1,…,N,N为参考单元的长度)和检测单元D。参考单元中的总的集合为[x1,...,xN/2,xN/2+1,...,xN},参考单元和检测单元的长度为N+1,即为:{x1,...,xN/2,D,xN/2+1,...,xN}。检测单元的两侧设置的保护单元,可以用来防止目标能量泄露到参考单元中,影响检测器杂波强度的两个局部估计值。
步骤102,使用支持向量机(Support Vector Machine,SVM)模块对测试样本进行第一计算,并根据第一计算结果输出选择信号。
具体地,使用SVM模块对测试样本进行第一计算,并根据第一计算结果输出信号,输出信号用于指示与输出信号相对应类型的检测器的阈值。需要说明的是,参与第一计算的测试样本除了包括参考单元以外,还可以包括检测单元,且参与第一计算的样本可以为部分参考单元,如仅为前沿滑窗得到的参考单元或后沿滑窗得到的参考单元,本发明实施例对此不作限定。
SVM模块包括SVM模型的训练参数,下面,对训练参数的获取方法进行介绍,该方法包括步骤1021-1023:
步骤1021,根据参考单元的一部分、或参考单元的全部、或参考单元的一部分与检测单元之和、或参考单元的全部与检测单元之和,得到每一个训练样本。
步骤1022,根据CFAR模块中包含的多个检测器,确定每一个训练样本的类标记,并根据每一个样本和每一个样本的类标记组成训练样本集。
示例性的,CFAR模块中可以包含CA-CFAR检测器、GO-CFAR检测器、SO-CFAR检测器、OS-CFAR检测器和ACCA-CFAR检测器中的至少两种检测器。例如,CFAR模块中包含CA-CFAR检测器和OS-CFAR检测器。需要说明的是,本实施例中,CFAR模块可以包含其它种类的CFAR检测器,也可以包含三种以上的检测器,本发明对CFAR检测器的种类和数量不作限定。
训练样本通常是根据不同的工作环境(均匀杂波背景、多目标环境和杂波边缘环境)随机产生的,因此可以根据训练样本的工作环境和CFAR模块中包含的多个检测器中对应的检测器,确定训练样本集中每一个样本的类标记。可以将一个训练样本集表示为:P表示训练样本集的大小。其中,表示第i个训练样本,d表示SVM模块中输入信号的维度。需要说明的是,可以包括全部的参考单元,即也可以包括全部的参考单元和检测单元,即还可以只包括参考单元的一部分,例如前沿滑窗的参考单元,即或后沿滑窗的参考单元,即本发明对此不作限定。yi表示第i个训练样本的类标记,在本发明中可以理解为第i个训练样本在CFAR模块所包含的检测器的种类。例如,当CFAR模块所包含的检测器种类为两类时,yi∈{-1,1}。
步骤1023,SVM模块根据训练样本集,对SVM模型进行训练,以获取SVM模型的训练参数。训练样本集包括多个训练样本和类标记。
SVM实质解决的是分类问题,针对分类基本问题可以通过下式来表示:
其中,表示一组权值,b∈R是一个标量,符号T表示向量转置。表示由Rd到Rq的非线性映射,即q表示非线性映射特征空间的维度。
本发明中,SVM模型可以为SVM模型或最小二乘支持向量机(Least SquaresSupport Vector Machines,LS-SVM)模型。需要说明的是,本发明还可以对其它的SVM模型进行训练,以得到SVM模块,本发明对此不作限定。
(1)SVM模型
在SVM模型中分类优化问题可以表示为:
其中,Minimize表示目标函数最小化,Subject to表示约束条件,ξi是第i个训练样本的训练误差;C为惩罚因子,需要折衷考虑泛化能力和训练误差从而得到最优的分类超平面。
公式(3)是一个最优化理论中的严格凸二次规划(Quadratic Programming,简称QP)问题。通过构造拉格朗日(Lagrange)函数,可以将公式(3)中的SVM分类优化问题等价表示为:
其中,αi是第i个训练样本的拉格朗日因子。
核函数(Kernel function)通常被应用于SVM学习算法中,可以用下式表示:
因此公式(4)可以表示为:
因此,SVM针对分类基本问题可以等价表示为:
其中,sign表示符号函数,n是训练样本集中支持向量的个数。
常用的核函数包括径向基函数(Radius Basis Function,简称RBF):
其中,exp表示指数函数,σ是标量参数。
SVM模型的最优超平面有直观的几何意义,但其求解过程需要通过搜索得出QP的极值,因而计算量较大,并且不具备一个显式的解析表达式。
(2)LS-SVM
LS-SVM不但具有显式解析表达式,同时具有良好的泛化能力和较小的计算量等优点。相对于SVM模型,LS-SVM将约束条件中的不等式改进为等式,公式(3)变为:
同样构造拉格朗日(Lagrange)函数,LS-SVM分类优化问题可以等价表示为:
对各个参数求偏导数:
以上四式可以化简为:
其中,yi表示第i个训练样本的类标记。yi代表多个检测器中的某一种检测器,i=1,…,P,P为训练样本集的大小;ΩLS-SVM=Z·ZT,表示非线性映射,xi表示训练样本中的采样单元样本;和b为训练参数,b是标量;T为向量转置运算符。
因此,LS-SVM针对分类基本问题可以等价表示为:
由上可知,将训练样本输入公式(16)中,对LS-SVM模型进行训练,求出训练参数和b。
步骤103,根据选择信号确定第一检测器的阈值,第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种。
在一种可能的实施方式中,首先,CFAR模块使用多个检测器对参考单元的一部分、或参考单元的全部、或参考单元的一部分与检测单元之和、或参考单元的全部与检测单元之和进行第二计算,第二计算结果为多个检测器中的每一个检测器的阈值(S1,…,Sm,m为检测器的总数)。然后,选择模块从CFAR模块接收第二计算结果,并根据选择信号,输出第一检测器的阈值。
在另一种可能的实施方式中,CFAR模块根据选择信号,从多个检测器中选择第一检测器对参考单元的一部分、或参考单元的全部、或参考单元的一部分与检测单元之和、或参考单元的全部与检测单元之和进行第三计算,并根据第三计算的结果输出第一检测器的阈值。
步骤104,根据第一检测器的阈值和检测单元,判断检测单元是否有目标信号。
具体地,根据第一检测器的阈值S和检测单元D,使用比较器通过自适应判决准则判断D是否有目标信号。其中,自适应判决准则为:
其中,Z是背景杂波功率水平的估计,T是标称化因子,H1表示有目标的假设,H0表示没有目标的假设,D表示检测单元中的检测统计量D(v)。也就是说,当D>S时,判断结果为:D有目标信号;当D<S时,判断结果为:D没有目标信号。
下面通过以下实验进一步证明本发明提出的一种信号处理方法的能达到的有益效果。
以下对实验的介绍中,将用于实现本发明提供的目标信号检测方法的装置称为SVM-CFAR检测器。SVM-CFAR检测器的CFAR模块包含ACCA-CFAR检测器(y=1)和GO-CFAR检测器(y=-1)。SVM-CFAR检测器在均匀杂波背景和多目标环境下采用ACCA-CFAR检测器,而在杂波边缘环境下采用GO-CFAR检测器。
在实验中,假设杂波包络服从瑞利分布,参考单元的长度N=16,每个样本由参考单元与检测单元共同组成,在均匀杂波背景和多目标环境下随机生成的训练样本有2200个,而在杂波边缘环境下随机生成的训练样本有3200个。LS-SVM的惩罚因子C=10,核函数选取径向基函数,核函数的标量参数σ=0.2。
在实验1中,将比较CA-CFAR、GO-CFAR、OS-CFAR、ACCA-CFAR和SVM-CFAR的检测性能。虚警概率取10-4,此时,TCA=12.452;TGO=10.871;TOS=11.081,并选取第12个排序样本x(12)作为检测器对杂波功率水平的估计;根据删除单元的个数不同(0~4),Sk=[0.356,0.246,0.199,0.173],p=12。输入信号的信噪比范围取0dB~30dB,每个信噪比条件下的测试样本有1000个。
图2给出的是不同信噪比条件下CA-CFAR、GO-CFAR、OS-CFAR、ACCA-CFAR和SVM-CFAR在均匀杂波背景下的检测性能,横坐标是输入信号的信噪比变化范围,纵坐标是检测概率。可以看出SVM-CFAR与CA-CFAR、ACCA-CFAR同时具有最优的检测性能,GO-CFAR的检测性能次之,OS-CFAR的检测性能最差。
图3给出的是不同信噪比条件下CA-CFAR、GO-CFAR、OS-CFAR、ACCA-CFAR和SVM-CFAR在有一个干扰目标环境下的检测性能,可以看出SVM-CFAR与ACCA-CFAR具有最优的检测性能,优于OS-CFAR的检测性能,而CA-CFAR和GO-CFAR的检测性能都严重下降。
图4给出的是不同信噪比条件下CA-CFAR、GO-CFAR、OS-CFAR、ACCA-CFAR和SVM-CFAR在有多个(四个)干扰目标环境下的检测性能,可以看出SVM-CFAR与ACCA-CFAR仍然具有最优的检测性能,OS-CFAR的检测性能有所降低,CA-CFAR和GO-CFAR的检测性能都严重下降。
在实验2中,将比较CA-CFAR、GO-CFAR、OS-CFAR、ACCA-CFAR和SVM-CFAR的抗边缘杂波性能。虚警概率取10-1,TCA=2.476;TGO=2.102;TOS=1.981,并选取第12个排序样本x(12)作为检测器对杂波功率水平的估计;根据删除单元的个数不同(0~4),TACCA=[2.476,2.963,3.434,3.941,4.505],Sk=[0.356,0.246,0.199,0.173],p=12。杂波边缘功率10dB,杂波边缘由参考滑窗左边向右边滑动,参考滑窗每个单元的测试样本有10000个。
图5给出的在杂波边缘环境下CA-CFAR、GO-CFAR、OS-CFAR、ACCA-CFAR和SVM-CFAR的虚警性能。横坐标是被强杂波占据的参考单元数,纵坐标是虚警概率。随着被强杂波占据的参考单元数的增加,虚警概率首先是下降,在杂波边缘扫过检测单元是,虚警概率有一个阶跃,形成一个尖峰,被称之为“虚警尖峰”,“虚警尖峰”低说明CFAR检测器的虚警控制能力强。由图5可以看出SVM-CFAR与GO-CFAR具有最优的虚警控制能力,优于CA-CFAR、OS-CFAR和ACCA-CFAR。
由上可知,本发明实施例提供的一种目标信号检测方法,根据不同的工作环境(均匀杂波背景、多目标环境和杂波边缘环境)选择两种或两种以上的CFAR检测器构成新的检测系统,并由CFAR模块计算各种CFAR检测器的阈值;利用训练样本集对SVM模块进行训练,并得到训练参数。当测试开始时,SVM模块将根据测试样本和训练参数确定其分类,并输出选择信号;选择模块根据SVM模块输出的选择信号选取相应的检测器阈值作为最终检测阈值,从而实现在不同的工作环境下的最优检测。
上述实施例中介绍了本发明提供的一种目标信号检测方法,下面结合图6和图7对用于实现上述方法的系统进行介绍。
图6为本发明实施例提供的一种目标信号检测系统的结构示意图。如图6所示,该系统600包括:
获取单元601,用于获取信号的检测统计量,并将检测统计量存储至参考单元和检测单元,得到测试样本;测试样本为参考单元、或参考单元与检测单元之和。
计算单元602,用于通过如图7所示的支持向量机SVM模块对测试样本进行第一计算,并根据第一计算结果输出选择信号。
确定单元603,用于根据选择信号确定第一检测器的阈值,第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种。
在一个可能的实施例中,确定单元用于根据选择信号确定第一检测器的阈值,具体包括:通过如图7所示的CFAR模块,使用多个检测器对参考单元、或参考单元与检测单元之和进行第二计算,第二计算结果包括多个检测器中的每一个检测器的阈值。选择模块从CFAR模块接收第二计算结果,并根据选择信号,输出第一检测器的阈值。
在一个可能的实施例中,确定单元用于根据选择信号确定第一检测器的阈值,具体包括:CFAR模块根据选择信号,从多个检测器中选择第一检测器对参考单元、或参考单元与检测单元之和进行第三计算,并根据第三计算的结果输出第一检测器的阈值。
判断单元604,用于根据第一检测器的阈值,判断检测单元是否有目标信号。
在一个可能的实施例中,SVM模块包括SVM模型的训练参数,系统还包括训练单元605,训练单元605用于确定训练参数,具体包括:根据参考单元、或参考单元与检测单元之和,得到每一个训练样本。根据CFAR模块中包含的多个检测器,确定每一个训练样本的类标记,并根据每一个训练样本和类标记组成训练样本集。SVM模块根据训练样本集对SVM模型进行训练,以获取SVM模型的训练参数。
本发明提供的目标信号检测系统实施例与本发明提供的上述目标信号检测方法实施例相对应,在此不作赘述。
由上可知,本发明实施例提供的一种目标信号检测系统,根据不同的工作环境(均匀杂波背景、多目标环境和杂波边缘环境)选择两种或两种以上的CFAR检测器构成新的检测系统,并由CFAR模块计算各种CFAR检测器的阈值;利用训练样本集对SVM模块进行训练,并得到训练参数。当测试开始时,SVM模块将根据测试样本和训练参数确定其分类,并输出选择信号;选择模块根据SVM模块输出的选择信号选取相应的检测器阈值作为最终检测阈值,从而实现在不同的工作环境下的最优检测。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种目标信号检测方法,其特征在于,包括以下步骤:
获取信号的检测统计量,并将所述检测统计量存储至参考单元和检测单元,得到测试样本;所述测试样本为所述参考单元、或所述参考单元与所述检测单元之和;
使用支持向量机SVM模块对所述测试样本进行第一计算,并根据第一计算结果输出选择信号;
根据所述选择信号确定第一检测器的阈值,所述第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种;
根据所述第一检测器的阈值,判断所述检测单元是否有目标信号。
2.根据权利要求1所述的方法,其特征在于,所述根据所述选择信号确定所述第一检测器的阈值,包括:
所述CFAR模块使用所述多个检测器对所述参考单元、或所述参考单元与所述检测单元之和进行第二计算,所述第二计算结果包括所述多个检测器中的每一个检测器的阈值;
选择模块从所述CFAR模块接收所述第二计算结果,并根据所述选择信号,输出所述第一检测器的阈值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述选择信号确定所述第一检测器的阈值,包括:
所述CFAR模块根据所述选择信号,从所述多个检测器中选择所述第一检测器对所述参考单元、或所述参考单元与所述检测单元之和进行第三计算,并根据所述第三计算的结果输出所述第一检测器的阈值。
4.根据权利要求1所述的方法,其特征在于,所述SVM模块包括SVM模型的训练参数,所述训练参数通过以下步骤获得:
根据所述参考单元、或所述参考单元与所述检测单元之和,得到每一个训练样本;
根据所述CFAR模块中包含的多个检测器,确定所述每一个训练样本的类标记,并根据所述每一个训练样本和所述类标记组成训练样本集;
SVM模块根据所述训练样本集对所述SVM模型进行训练,以获取所述SVM模型的训练参数。
5.根据权利要求4所述的方法,其特征在于,所述SVM模块包括以下计算公式:
<mrow>
<mi>y</mi>
<mo>=</mo>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mrow>
<mover>
<mi>x</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>,</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&RightArrow;</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,y表示测试样本的类标记;sign表示符号函数;n是训练样本集中支持向量的个数;yi代表第i个训练样本所对应的所述类标记,表示第i个训练样本,i=1,…,n,;表示所述测试样本;和b为所述训练参数,
6.根据权利要求1所述的方法,其特征在于,所述多个检测器包括单元平均恒虚警率CA-CFAR检测器、最大选择恒虚警率GO-CFAR检测器、最小选择选择恒虚警率SO-CFAR检测器、有序统计恒虚警率OS-CFAR检测器和自动删除单元平均恒虚警率ACCA-CFAR检测器中的至少两种检测器。
7.一种目标信号检测系统,其特征在于,包括:
获取单元,用于获取信号的检测统计量,并将所述检测统计量存储至参考单元和检测单元,得到测试样本;所述测试样本为所述参考单元、或所述参考单元与所述检测单元之和;
计算单元,用于使用支持向量机SVM模块对所述测试样本进行第一计算,并根据第一计算结果输出选择信号;
确定单元,用于根据所述选择信号确定第一检测器的阈值,所述第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种;
判断单元,用于根据所述第一检测器的阈值,判断所述检测单元是否有目标信号。
8.根据权利要求7所述的系统,其特征在于,所述确定单元,用于根据所述选择信号确定所述第一检测器的阈值,包括:
所述CFAR模块使用所述多个检测器对所述参考单元、或所述参考单元与所述检测单元之和进行第二计算,所述第二计算结果包括所述多个检测器中的每一个检测器的阈值;
选择模块从所述CFAR模块接收所述第二计算结果,并根据所述选择信号,输出所述第一检测器的阈值。
9.根据权利要求7所述的系统,其特征在于,所述确定单元,用于根据所述选择信号确定所述第一检测器的阈值,包括:
所述CFAR模块根据所述选择信号,从所述多个检测器中选择所述第一检测器对所述参考单元、或所述参考单元与所述检测单元之和进行第三计算,并根据所述第三计算的结果输出所述第一检测器的阈值。
10.根据权利要求7所述的系统,其特征在于,所述SVM模块包括SVM模型的训练参数,所述系统还包括训练单元,所述训练单元用于确定所述训练参数,包括:
根据所述参考单元、或所述参考单元与所述检测单元之和,得到每一个训练样本;
根据所述CFAR模块中包含的多个检测器,确定所述每一个训练样本的类标记,并根据所述每一个训练样本和所述类标记组成训练样本集;
SVM模块根据所述训练样本集对所述SVM模型进行训练,以获取所述SVM模型的训练参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710454608.5A CN107153180B (zh) | 2017-06-15 | 2017-06-15 | 一种目标信号检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710454608.5A CN107153180B (zh) | 2017-06-15 | 2017-06-15 | 一种目标信号检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107153180A true CN107153180A (zh) | 2017-09-12 |
CN107153180B CN107153180B (zh) | 2020-02-07 |
Family
ID=59795694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710454608.5A Active CN107153180B (zh) | 2017-06-15 | 2017-06-15 | 一种目标信号检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107153180B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109188388A (zh) * | 2018-09-03 | 2019-01-11 | 中国科学院声学研究所 | 一种对抗多目标干扰的恒虚警检测方法 |
CN110022182A (zh) * | 2018-01-10 | 2019-07-16 | 富士通株式会社 | 干扰源预测模型建立方法、干扰源识别方法、装置和终端设备 |
CN110208767A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工程大学 | 一种基于拟合相关系数的雷达目标快速检测方法 |
CN110507317A (zh) * | 2019-09-03 | 2019-11-29 | 西安邮电大学 | 一种心电信号r波的自适应ca-cfar定位方法 |
CN111316124A (zh) * | 2018-12-04 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 目标检测方法、装置和无人机 |
CN112436863A (zh) * | 2020-10-29 | 2021-03-02 | 西安空间无线电技术研究所 | 一种基于频谱离散度分析的信号快速检测搜索方法 |
CN113325408A (zh) * | 2020-02-28 | 2021-08-31 | 加特兰微电子科技(上海)有限公司 | 噪声估计的方法、装置及相关设备 |
CN113325408B (zh) * | 2020-02-28 | 2024-05-31 | 加特兰微电子科技(上海)有限公司 | 噪声估计的方法、装置及相关设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995574A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院声学研究所 | 一种近场聚焦波束形成定位法 |
CN102183753A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种混沌寻优雷达海杂波预报系统及方法 |
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 |
CN104199007A (zh) * | 2014-09-09 | 2014-12-10 | 西安电子科技大学 | 基于最近邻一类分类器的雷达分布式地面目标鉴别方法 |
CN104459644A (zh) * | 2014-11-07 | 2015-03-25 | 中国电子科技集团公司第二十八研究所 | 一种用于雷达视频信号检测的自适应恒虚警检测方法 |
CN104866869A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 基于分布差异与增量学习的时序sar图像分类方法 |
CN105182312A (zh) * | 2015-09-29 | 2015-12-23 | 西安知几天线技术有限公司 | 自适应环境变化的恒虚警检测方法 |
CN105354824A (zh) * | 2015-09-30 | 2016-02-24 | 西安电子科技大学 | 基于区域提取的双参数恒虚警检测方法 |
CN106656882A (zh) * | 2016-11-29 | 2017-05-10 | 中国科学院声学研究所 | 一种信号合成方法及系统 |
CN106814353A (zh) * | 2017-01-24 | 2017-06-09 | 成都泰格微电子研究所有限责任公司 | 一种雷达信号处理系统 |
-
2017
- 2017-06-15 CN CN201710454608.5A patent/CN107153180B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995574A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院声学研究所 | 一种近场聚焦波束形成定位法 |
CN102183753A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种混沌寻优雷达海杂波预报系统及方法 |
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 |
CN104199007A (zh) * | 2014-09-09 | 2014-12-10 | 西安电子科技大学 | 基于最近邻一类分类器的雷达分布式地面目标鉴别方法 |
CN104459644A (zh) * | 2014-11-07 | 2015-03-25 | 中国电子科技集团公司第二十八研究所 | 一种用于雷达视频信号检测的自适应恒虚警检测方法 |
CN104866869A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 基于分布差异与增量学习的时序sar图像分类方法 |
CN105182312A (zh) * | 2015-09-29 | 2015-12-23 | 西安知几天线技术有限公司 | 自适应环境变化的恒虚警检测方法 |
CN105354824A (zh) * | 2015-09-30 | 2016-02-24 | 西安电子科技大学 | 基于区域提取的双参数恒虚警检测方法 |
CN106656882A (zh) * | 2016-11-29 | 2017-05-10 | 中国科学院声学研究所 | 一种信号合成方法及系统 |
CN106814353A (zh) * | 2017-01-24 | 2017-06-09 | 成都泰格微电子研究所有限责任公司 | 一种雷达信号处理系统 |
Non-Patent Citations (3)
Title |
---|
A.FARROUKI等: "Automatic censoring CFAR detctor based on ordered data variability for nonhomogeneous envirouments", 《IEE PROC. RADAR,SONAR NAVIGAT》 * |
DI HE 等: "CFAR Intrusion Detection Method Based on Support Vector Machine Prediction", 《CIMSA2004-IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE FOR MEASUREMENT SYSTEMS AND APPLICATIONS》 * |
J.E.BALL 等: "Low signal-to-noise ration radar target detection using linear support vector machine", 《IEEE RADAR CONF.》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110022182A (zh) * | 2018-01-10 | 2019-07-16 | 富士通株式会社 | 干扰源预测模型建立方法、干扰源识别方法、装置和终端设备 |
CN109188388A (zh) * | 2018-09-03 | 2019-01-11 | 中国科学院声学研究所 | 一种对抗多目标干扰的恒虚警检测方法 |
CN111316124A (zh) * | 2018-12-04 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 目标检测方法、装置和无人机 |
CN110208767A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工程大学 | 一种基于拟合相关系数的雷达目标快速检测方法 |
CN110507317A (zh) * | 2019-09-03 | 2019-11-29 | 西安邮电大学 | 一种心电信号r波的自适应ca-cfar定位方法 |
CN110507317B (zh) * | 2019-09-03 | 2021-11-02 | 西安邮电大学 | 一种心电信号r波的自适应ca-cfar定位方法 |
CN113325408A (zh) * | 2020-02-28 | 2021-08-31 | 加特兰微电子科技(上海)有限公司 | 噪声估计的方法、装置及相关设备 |
CN113325408B (zh) * | 2020-02-28 | 2024-05-31 | 加特兰微电子科技(上海)有限公司 | 噪声估计的方法、装置及相关设备 |
CN112436863A (zh) * | 2020-10-29 | 2021-03-02 | 西安空间无线电技术研究所 | 一种基于频谱离散度分析的信号快速检测搜索方法 |
CN112436863B (zh) * | 2020-10-29 | 2023-05-02 | 西安空间无线电技术研究所 | 一种基于频谱离散度分析的信号快速检测搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107153180B (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107153180A (zh) | 一种目标信号检测方法及系统 | |
CN107703495B (zh) | 一种目标信号检测方法及系统 | |
CN101329400B (zh) | 一种基于拟合优度检验的雷达目标恒虚警检测方法 | |
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 | |
CN103728598B (zh) | 用异地配置的主被动雷达网抑制航迹欺骗干扰的方法 | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN108761418A (zh) | 一种基于微多普勒特征的雷达多径目标剔除方法 | |
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 | |
CN107024682A (zh) | 一种基于自适应剔除算法的目标检测方法 | |
CN107015205A (zh) | 一种分布式mimo雷达检测的虚假目标消除方法 | |
CN104156929B (zh) | 基于全局滤波的红外弱小目标背景抑制方法及其装置 | |
CN110221266B (zh) | 一种基于支持向量机的航海雷达目标快速检测方法 | |
CN107395301A (zh) | 一种基于k均值算法的频谱感知方法 | |
CN105259540B (zh) | 一种多站雷达抗有源欺骗式干扰的优化方法 | |
CN108872961B (zh) | 基于低门限的雷达微弱目标检测方法 | |
CN106486769A (zh) | 用于线性相控阵天线的空间插值方法和设备 | |
CN111460597A (zh) | 一种基于改进的多目标粒子群优化算法的雷达布站方法 | |
CN105866748B (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
CN108663675A (zh) | 用于生命探测雷达阵列多目标同时定位的方法 | |
CN116087994A (zh) | 一种基于机器学习的欺骗干扰检测方法 | |
CN106526545B (zh) | 一种鲁棒cfar检测器的检测方法 | |
CN115236701A (zh) | 一种基于联合sqm平方的gnss欺骗干扰检测方法 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN105184829A (zh) | 一种紧密空间目标检测和高精度质心定位方法 | |
CN105022041A (zh) | 基于经验模态分解特征库的拖引干扰子类型识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |