CN107976654B - 基于环境认知的极化检测方法 - Google Patents
基于环境认知的极化检测方法 Download PDFInfo
- Publication number
- CN107976654B CN107976654B CN201711111108.8A CN201711111108A CN107976654B CN 107976654 B CN107976654 B CN 107976654B CN 201711111108 A CN201711111108 A CN 201711111108A CN 107976654 B CN107976654 B CN 107976654B
- Authority
- CN
- China
- Prior art keywords
- noise
- cnr
- polarization
- max
- detection
- 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
Images
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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
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
本发明涉及一种基于环境认知的极化检测方法,对两个通道进行预处理后得到两个通道的动目标检测结果,同极化通道与不同权重系数乘积,再与交叉极化通道求和即可得到不同极化下的杂波功率,杂波功率除以系统的噪声功率就可以得到不同极化下的杂噪比,比较不同极化下的杂噪比,选择杂噪比最大值以及其对应的权系数、杂噪比最小值及其对应的权系数。如果杂噪比最大值都不大于阈值3dB,那么就判定环境为噪声背景,否则判定为杂波背景。若为噪声背景,则将最终的权重系数设置为1,若为杂波背景,则将最终的权重系数设置为杂噪比最小值对应的权系数。最后再进行恒虚警检测。
Description
技术领域
本发明涉及雷达信号处理领域,特别涉及雷达极化检测处理,提出了一种基于环境认知的极化检测方法,可在雷达极化检测中较传统算法有较大的检测性能改善。
背景技术
极化检测是利用雷达回波中的极化信息来抑制杂波,从而改善目标检测性能的一种检测方法。公开发表文献中的极化检测方法可分为三类:
第一类需要目标和杂波的先验信息,典型的方法为最佳极化检测器(OPD)、极化匹配滤波器(PMF),在虚警概率恒定情况下,OPD具有最大的检测概率,PMF是一种最佳线性极化检测器,其使得输出信杂比最大。这类方法理论是最优的,但实际应用中,很难获得目标的先验信息,因此有较大局限性。
第二类不需要任何先验信息,典型方法有最佳张成检测器(OSD)、功率最大综合检测器(PMSD)、单通道检测器(SCD)。这一类方法不需要目标或杂波的先验信息,且工程实现简单,较适合噪声背景下的目标检测,这类方法缺点就是由于没有利用杂波的先验信息,在杂波背景下检测性能较差。
第三类只需要杂波的先验信息,典型的极化白化滤波器(PWF),PWF使得输出信号强度的标准偏差与均值之比最小。这类方法不需要目标的先验信息,不少学者认为,如果在检测性能和所需的统计信息量两者之间进行折中的话,PWF无疑是优选的一种极化检测器,但这类方法环境推广性较差,特别是在噪声背景下会有一定的信噪比损失,另外,由于存在矩阵求逆等复杂运算,实现时资源开销较大。
发明内容
要解决的技术问题
针对传统极化白化滤波检测方法的环境推广性较差,特别是在噪声背景下会有一定的信噪比损失,且由于存在矩阵求逆等复杂运算,实现时资源开销较大的不足之处,提出了一种基于环境认知的极化检测方法,这种方法首先是对环境类型进行认知,区分环境为杂波还是噪声,其次会对杂波极化特性进行认知,结合两层认知结果来决定最终的接收极化方式,从而解决了极化白化滤波检测方法环境推广性较差的问题,且不存在矩阵求逆等复杂运算,从而解决了极化白化滤波检测方法运算量较大的问题。
技术方案
一种基于环境认知的极化检测方法,其特征在于步骤如下:
步骤1:对同极化通道和交叉极化通道的数据进行预处理后,分别得到两个通道的动目标检测的LL和RL,其中LL为同极化通道的动目标检测结果,矩阵大小为M×T,RL为交叉极化通道的动目标检测结果,矩阵大小为M×T,其中M为相参积累点数,T为每个脉冲重复周期内的采样点数;
步骤2:将同极化通道和交叉极化通道的检测单元分别记为CUTLL和CUTRL,对于每个检测单元来说,在同极化通道动目标检测结果和交叉极化通道动目标检测结果内分别取该检测单元两侧保护单元外的参考单元,分别记为X、Y,且X=X1、X2、...、XN,Y=Y1、Y2、...、YN,且N为偶数;具体方法为在矩阵LL和矩阵RL中,取与检测单元CUTLL和CUTRL处于同一行上左右两侧的参考单元X和Y;
步骤5:计算杂噪比CNRn=Cn-noise,noise为系统噪声功率,单位为dB,大小为1×1,是一个已知量,CNRn大小为1×30,为实数向量;
步骤6:比较法找到CNRn中的最小值和最大值,分别记作CNRmin和CNRmax,对应的权系数分别记为Wmin和Wmax,其中CNRmin、CNRmax、Wmin、Wmax大小都是1×1,CNRmin、CNRmax为实数,Wmin、Wmax为复数;
步骤7:若CNRmax>3dB,即感知为杂波环境,并令最优权系数Wopt=Wmin,若CNRmax≤3dB,即感知为噪声背景,令Wopt=1;
步骤8:计算极化融合结果Yout=CUTLL×Wopt+CUTRL,其中,CUTLL为同极化通道的检测单元值,CUTRL为交叉极化通道的检测单元值;
步骤9:对Yout进行门限检测,即将Yout与门限值Thr进行比较,若Yout>Thr,则输出Yout,否则输出0,其中Thr为门限值,是一个已知量。
有益效果
本发明提出的一种基于环境认知的极化检测方法,既解决了传统极化白化滤波对环境适应性差,又解决了传统极化滤波算法由于存在矩阵求逆而运算量大的问题:本方法的处理流程为环境类型认知+杂波极化特性认知+恒虚警检测,该方法通过环境类型认知和杂波极化特性认知,使检测器具有较强的环境适应性,解决了传统极化白化滤波环境适应性差的问题,实现过程只有乘法和加法运算,而没有常规极化白化滤波方法中矩阵求逆等复杂运算,极大降低了传统极化白化滤波方法的运算量,极其适用于工程设计实现。
本发明与常规极化白化滤波方法相比较,具有的有益效果是:
通过两个层次的认知从而具备环境类型认知能力和杂波极化特性认知能力,使检测器具有较强的环境适应性和推广性。通过杂噪比的值对环境进行感知,区分环境为杂波还是噪声;如果是环境为杂波,则对杂波极化特性进行感知,即通过接收变极化,遍历极化权系数,选择使得杂噪比最小对应的极化权系数为最优加权系数;如果环境背景为噪声,则令最优权系数为1,即进行相参积累。
实现过程只有乘法和加法运算,而没有常规极化白化滤波方法中矩阵求逆等复杂运算,因此运算量较小。
附图说明
图1本发明基于环境认知的极化检测方法的认知流程框图;
图2本发明基于局部白化的极化检测方法的实现结构框图。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明解决技术问题的方案是:对两个通道进行预处理(包括数字下变频、脉冲压缩、动目标检测等)后得到两个通道(同极化通道与交叉极化通道)的动目标检测结果,同极化通道与不同权重系数乘积,再与交叉极化通道求和即可得到不同极化下的杂波功率,杂波功率除以系统的噪声功率(事先存储)就可以得到不同极化下的杂噪比,比较不同极化下的杂噪比,选择杂噪比最大值以及其对应的权系数、杂噪比最小值及其对应的权系数。如果杂噪比最大值都不大于阈值3dB,那么就判定环境为噪声背景,否则判定为杂波背景。若为噪声背景,则将最终的权重系数设置为1,若为杂波背景,则将最终的权重系数设置为杂噪比最小值对应的权系数。最后再进行门限检测,就完成了基于环境认知的极化检测。
图2是一种基于环境认识的极化检测方法的实现流程框图,算法步骤分以下几步:
(1)对两个通道(交叉极化通道和同极化通道)的数据进行预处理后,得出两个通道的动目标检测的结果,分别命名为LL和RL,其中LL为同极化通道的动目标检测结果,矩阵大小为M×T,RL为交叉极化通道的动目标检测结果,矩阵大小为M×T,其中M为相参积累点数,T为每个脉冲重复周期内的采样点数;
(2)将同极化通道和交叉极化通道的检测单元分别记为CUTLL和CUTRL,对于每个检测单元来说,在同极化通道LL和交叉极化通道RL内分别取该检测单元两侧保护单元外的参考单元,分别记为X、Y,且X=X1、X2、...、XN,Y=Y1、Y2、...、YN,且N为偶数。具体方法为在矩阵LL和矩阵RL中,取与检测单元CUTLL和CUTRL处于同一行上左右两侧的参考单元X和Y,如图2所示;
(3)将LL和RL两个通道的参考单元分别进行复数求平均处理,得到C_LL和C_RL;即,其中C_LL和C_RL的大小为1×1;需要特别说明的是,由于LL矩阵和RL矩阵的前N/2列做检测时,左侧参考单元数不够,同理后N/2列做检测时,右侧参考单元数不够,故LL矩阵和RL矩阵的前N/2列和后N/2列不做检测处理,输出Yout为零;
(5)计算杂噪比CNRn=Cn-noise,noise为系统噪声功率(单位为dB),大小为1×1,是一个已知量,CNRn大小为1×30,为实数向量;
(6)比较法找到CNRn中的最小值和最大值,分别记作CNRmin和CNRmax,对应的权系数分别记为Wmin和Wmax其中CNRmin、CNRmax、Wmin、Wmax大小都是1×1,CNRmin、CNRmax为实数,Wmin、Wmax为复数;
(7)若CNRmax>3dB,即感知为杂波环境,并令最优权系数Wopt=Wmin,若CNRmax≤3dB,即感知为噪声背景,令Wopt=1;
(8)计算极化融合结果Yout=CUTLL×Wopt+CUTRL,其中;CUTLL为同极化通道的检测单元值,CUTRL为交叉极化通道的检测单元值;
(9)对Yout进行门限检测,即将Yout与门限值Thr进行比较,若Yout>Thr,则输出Yout,否则输出0,其中Thr为门限值,是一个已知量。
Claims (1)
1.一种基于环境认知的极化检测方法,其特征在于步骤如下:
步骤1:对同极化通道和交叉极化通道的数据进行预处理后,分别得到两个通道的动目标检测结果LL和RL,其中LL为同极化通道的动目标检测结果,LL的矩阵大小为M×T,RL为交叉极化通道的动目标检测结果,RL的矩阵大小为M×T,其中M为相参积累点数,T为每个脉冲重复周期内的采样点数;
步骤2:将同极化通道和交叉极化通道的检测单元分别记为CUTLL和CUTRL,对于每个检测单元来说,在同极化通道动目标检测结果和交叉极化通道动目标检测结果内分别取该检测单元两侧保护单元外的参考单元,分别记为X、Y,且X=X1、X2、...、XN,Y=Y1、Y2、...、YN,且N为偶数;具体方法为在LL中取与检测单元CUTLL处于同一行上左右两侧的参考单元X,和RL中取与检测单元CUTRL处于同一行上左右两侧的参考单元Y;
步骤5:计算杂噪比CNRn=Cn-noise,noise为系统噪声功率,单位为dB,大小为1×1,是一个已知量;
步骤6:比较法找到CNRn中的最小值和最大值,分别记作CNRmin和CNRmax,对应的权系数分别记为Wmin和Wmax,其中CNRmin、CNRmax、Wmin、Wmax大小都是1×1,CNRmin、CNRmax为实数,Wmin、Wmax为复数;
步骤7:若CNRmax>3dB,即感知为杂波环境,令最优权系数Wopt=Wmin,若CNRmax≤3dB,即感知为噪声背景,令Wopt=1;
步骤8:计算极化融合结果Yout=CUTLL×Wopt+CUTRL;
步骤9:对Yout进行门限检测,即将Yout与门限值Thr进行比较,若Yout>Thr,则输出Yout,否则输出0,其中Thr为门限值,是一个已知量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711111108.8A CN107976654B (zh) | 2017-11-13 | 2017-11-13 | 基于环境认知的极化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711111108.8A CN107976654B (zh) | 2017-11-13 | 2017-11-13 | 基于环境认知的极化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107976654A CN107976654A (zh) | 2018-05-01 |
CN107976654B true CN107976654B (zh) | 2021-04-13 |
Family
ID=62013163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711111108.8A Active CN107976654B (zh) | 2017-11-13 | 2017-11-13 | 基于环境认知的极化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107976654B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4323898A (en) * | 1980-06-23 | 1982-04-06 | Sperry Corporation | Polarization detector |
CN103760543A (zh) * | 2014-01-10 | 2014-04-30 | 杭州电子科技大学 | 一种基于多模式的恒虚警目标检测方法 |
CN103954951A (zh) * | 2014-05-13 | 2014-07-30 | 西安电子科技大学 | 基于功率中值和归一化协方差估计的海面目标检测方法 |
CN105954740A (zh) * | 2016-04-22 | 2016-09-21 | 西安电子工程研究所 | 基于局部白化的雷达极化检测方法 |
CN106353743A (zh) * | 2016-09-23 | 2017-01-25 | 西安电子科技大学 | 匹配于等效形状参数的近最优雷达目标检测方法 |
CN106468770A (zh) * | 2016-09-23 | 2017-03-01 | 西安电子科技大学 | K分布杂波加噪声下的近最优雷达目标检测方法 |
-
2017
- 2017-11-13 CN CN201711111108.8A patent/CN107976654B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4323898A (en) * | 1980-06-23 | 1982-04-06 | Sperry Corporation | Polarization detector |
CN103760543A (zh) * | 2014-01-10 | 2014-04-30 | 杭州电子科技大学 | 一种基于多模式的恒虚警目标检测方法 |
CN103954951A (zh) * | 2014-05-13 | 2014-07-30 | 西安电子科技大学 | 基于功率中值和归一化协方差估计的海面目标检测方法 |
CN105954740A (zh) * | 2016-04-22 | 2016-09-21 | 西安电子工程研究所 | 基于局部白化的雷达极化检测方法 |
CN106353743A (zh) * | 2016-09-23 | 2017-01-25 | 西安电子科技大学 | 匹配于等效形状参数的近最优雷达目标检测方法 |
CN106468770A (zh) * | 2016-09-23 | 2017-03-01 | 西安电子科技大学 | K分布杂波加噪声下的近最优雷达目标检测方法 |
Non-Patent Citations (2)
Title |
---|
Ground Clutter Detection Using the Statistical Properties of Signals Received With a Polarimetric Radar;Yinguang Li等;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;20140201;第62卷(第3期);第597-605页 * |
基于FPGA的机载毫米波防撞雷达信号处理技术研究;葛贵勋;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130615(第06期);正文第1-76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107976654A (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3703054B1 (en) | Target voice detection method and apparatus | |
CN105574855B (zh) | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 | |
CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
US8970426B1 (en) | Automatic matched Doppler filter selection | |
CN106054153A (zh) | 一种基于分数阶变换的海杂波区目标检测与自适应杂波抑制方法 | |
CN109597065B (zh) | 一种用于穿墙雷达检测的虚警抑制方法、装置 | |
CN111157953B (zh) | 一种强地杂波下两级门限恒虚警检测算法 | |
CN110007299B (zh) | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 | |
US10972141B2 (en) | Method for estimating arrival time based on noise cancellation | |
CN113253235B (zh) | 一种严重非均匀环境中的自适应信号检测方法与系统 | |
CN107102308B (zh) | 一种分布式雷达异构信号级融合目标检测方法 | |
CN112528775A (zh) | 一种水下目标的分类方法 | |
CN115032606B (zh) | 一种基于局部最小选定单元平均的恒虚警检测器 | |
CN111709329A (zh) | 一种基于深度学习的无人机测控信号高速识别方法 | |
CN107229040B (zh) | 基于稀疏恢复空时谱估计的高频雷达目标检测方法 | |
CN107976654B (zh) | 基于环境认知的极化检测方法 | |
CN111951611A (zh) | 基于多特征融合的ads-b微弱信号检测装置及方法 | |
CN117055000A (zh) | 基于信噪比加权融合的多通道雷达目标检测方法 | |
CN105954740A (zh) | 基于局部白化的雷达极化检测方法 | |
CN111090088A (zh) | 基于主动声纳阵列斜对称特性的泄露目标空时检测方法 | |
CN115661692A (zh) | 一种基于改进CenterNet检测网络的无人机检测方法及系统 | |
CN110659629A (zh) | 一种基于双谱和深度卷积神经网络的微弱x射线脉冲星信号辨识方法 | |
CN113516187A (zh) | 一种采用局部特征对比度的红外弱小目标检测算法 | |
Ge et al. | Multi-radar hybrid detection algorithm based on information entropy | |
CN113514808B (zh) | 一种用于判定小型无人机目标个数的智能辨识方法 |
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 |