CN109188388B - 一种对抗多目标干扰的恒虚警检测方法 - Google Patents

Abstract

本发明公开了一种对抗多目标干扰的恒虚警检测方法，所述方法包括：步骤1)声呐在检测单元的位置D的左侧和右侧每隔一定距离采样一次，所得到的采样值按顺序经过匹配滤波器和平方律检波器，然后按顺序送入一个位移寄存器，该位移寄存器中存放D左侧的R₁个采样值

为前沿参考滑窗，位移寄存器存放D右侧的R₂个采样值

为后沿参考滑窗；步骤2)所述前沿参考滑窗经过无偏最小方差估计方法处理得到前沿局部估计X，所述后沿参考滑窗经过单元平均方法处理得到后沿局部估计Y；步骤3)取X和Y中较小的作为最终的背景噪声功率估计量Z；步骤4)将Z与一个阈值因子T相乘后与检测单元的检测统计量S进行比较判决，获得判决结果：检测单元是否为目标。

Description

一种对抗多目标干扰的恒虚警检测方法

技术领域

本发明涉及恒虚警检测技术领域，具体涉及一种对抗多目标干扰的恒虚警检测方法。

背景技术

恒虚警(CFAR)检测技术是针对早期声呐或雷达等检测器采用固定门限检测的方法时，虚警概率在背景噪声功率水平发生微小上升的情况下产生极大波动的问题，提出的一种可以根据采样数据估计背景功率水平，并为检测器提供自适应的判决门限的方法。恒虚警技术使虚警概率摆脱了背景波动的影响，保持在一个预先设定的水平，同时可以使检测器在这个虚警概率水平约束条件下获得最大的检测概率。

最早的恒虚警技术是1966年提出的均值类(CA)恒虚警算法，1983年Rohling又提出了基于有序统计量(OS)的恒虚警算法，之后又发展出了许多其它具有优良性能的方法。1995年Nagle和Saniie提出了一种以加权的方式处理采样信号的方法，这种方法先将得到的样本数据进行由小到大排序，并删除掉最大的r个数据后，对剩余的样本取加权平均值作为背景噪声功率的估计。可以证明，该方法是对背景模型参数的无偏最小方差估计(UMVE)，称为UMVE方法。

虽然最初提出的恒虚警检测算法通常是基于均匀背景，但是由于海底环境极为复杂，均匀背景难以实现，许多随机分布的散射体都有可能出现在参考单元中，对目标的检测造成干扰，这就是普遍关心的多目标情况。由于恒虚警检测器的判决门限极易受干扰目标的影响，所以若不能排除，检测器性能将急剧下降。

为了对抗多目标干扰，曲超等基于UMVE和CA提出了一种恒虚警方法，称为MUMCA方法。其前后沿滑窗分别利用UMVE和CA方法形成局部估计，再对两个局部估计取均值得到背景功率估计，从而实现恒虚警处理。研究表明，这种方法在干扰目标仅分布在前沿滑窗且个数在UMVE删除单元个数范围内时，检测性能优于传统的OS方法。

在空间相对空域极为狭小的海洋环境中，声呐在自动探测时经常会遇到多目标干扰情况，干扰源包括海底地形、海洋生物，以及敌方发送的干扰信号，还有可能是海底、海面声波传播的多径效应。现有MUMCA方法在均匀环境中具有良好性能，并且在多目标环境下的检测能力也有所改善。不过，即使MUMCA-CFAR检测器中加入了停止移位寄存器，也并不能完全消除干扰目标进入后沿滑窗的可能。当前后沿滑窗中均有干扰目标存在，或前沿滑窗的干扰数目大于UMCA方法删除单元个数时，MUMCA-CFAR检测器的检测能力会大幅下降。

发明内容

本发明的目的就是解决MUMCA方法抗多目标干扰能力不足的问题。通过对UMVE和CA两个局部估计值做选小处理来得到对背景噪声功率的估计，从而提出一种新的恒虚警方法，称为UMCASO，有效提高恒虚警检测器对抗多目标干扰的能力。

为了实现上述目的，本发明提出了一种对抗多目标干扰的恒虚警检测方法，所述方法包括：

步骤1)声呐在检测单元的位置D的左侧和右侧每隔一定距离采样一次，所得到的采样值按顺序经过匹配滤波器和平方律检波器，然后按顺序送入一个位移寄存器，该位移寄存器中存放D左侧的R₁个采样值

为前沿参考滑窗，位移寄存器存放D右侧的R₂个采样值

为后沿参考滑窗；

步骤2)所述前沿参考滑窗经过无偏最小方差估计方法处理得到前沿局部估计X，所述后沿参考滑窗经过单元平均方法处理得到后沿局部估计Y；

步骤3)取X和Y中较小的作为最终的背景噪声功率估计量Z；

步骤4)将Z与一个阈值因子T相乘后与检测单元的检测统计量S进行比较判决，获得判决结果：检测单元是否为目标。

作为上述方法的一种改进，所述步骤2)具体包括：

步骤2-1)将前沿参考滑窗中得到的数据按照从小到大的顺序排列后为：

然后删除最大的r个值，将剩余的样值进行加权平均，得到对前沿背景噪声功率水平的前沿局部估计X：

由于排序后的采样值不再独立，故定义线性变换：

其中，v_(i)是统计独立并且同分布的，由此得：

将X用v_(i)表示，则X的概率密度函数f_X(x)为：

μ为参数；X的概率分布函数F_X(x)为：

步骤2-2)对后沿参考滑窗的数据进行平均得到后沿局部估计Y：

则后沿局部估计Y的概率密度函数f_Y(y)：

Y的概率分布函数F_Y(y)为：

作为上述方法的一种改进，所述步骤4)的检测单元的检测统计量S为：

S＝I²(v(t))+Q²(v(t))

其中，v(t)是声呐在检测单元的位置D处采样数据；I(v(t))和Q(v(t))分别是v(t)的同相分量和正交分量。

作为上述方法的一种改进，所述步骤4)的判决准则表示为：

若检测统计量S大于TZ，则H₁假设成立，判决结果为检测单元中存在目标，若检测统计量S小于TZ，则H₀假设成立，判决结果为检测单元中不存在目标。

本发明的优势在于：

1、目前现有的MUMCA方法具有一定抗干扰能力，但是在前后沿滑窗均存在干扰目标情况，或仅前沿滑窗包含目标但干扰数超过UMVE方法的删除单元个数时，MUMCA方法的性能大为下降；本发明的恒虚警检测方法采用选小逻辑解决以上问题，有效提高恒虚警处理抗多目标干扰的性能；

2、本发明提出一种基于选小逻辑的恒虚警检测方法，有效提高干扰目标存在情况下声纳或雷达的检测性能；

3、本发明是通过对前后沿滑窗数据分别采用UMVE方法和CA方法得到局部估计，再取二者的最小值作为噪声背景功率水平估计；

4、本发明中采用了停止移位寄存器，将确定为疑似目标的信号剔除，使之较难进入后沿滑窗，减小干扰目标对噪声背景功率水平估计的影响；

5、本发明方法在前后沿滑窗均存在干扰目标情况下仍能有效剔除干扰目标，准确估计出背景噪声的功率水平。

附图说明

图1为本发明的主动声呐检测处理流程图；

图2为本发明的UMCASO-CFAR检测器的模型框图；

图3为前沿滑窗存在两个干扰时的检测性能的对比图；

图4为前沿滑窗存在五个干扰时的检测性能的对比图；

图5为前后滑窗均存在两个干扰时的检测性能的对比图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细的说明。

图1给出的是主动声呐检测处理的流程。主动声呐在获得输入信号之后，先让输入信号经过匹配滤波器，再对其进行平方律检波，然后将得到的数据进行CFAR(恒定虚警率Constant False Alarm Rate)处理，最后送入判决器进行判决，从而得到最终的判决结果。

本发明就是在CFAR处理和判决的步骤上提出了一种新的方法。

假设声呐检测器处在高斯均匀混响背景中，目标类型是Swerling II型，则输入信号是包络服从瑞利分布的随机变量，且各个采样数据均独立同分布(IID)。

服从瑞利分布的随机变量经过平方律检波后，得到的输出信号服从指数分布：

其中

其中，μ,λ,λ′为参数，H₀假设的是检测单元不存在目标，H₁假设的是检测单元存在目标。H₀假设下的μ是背景混响与热噪声总的功率水平，H₁假设下的λ是目标信号和背景混响的功率比(SRR)。

当判断距离声呐一定距离远的D点是否存在目标时，声呐在D的左右两侧每隔一定距离采样一次，D左侧采样R₁个：

右侧采样R₂个：

这个过程中只有一个声呐检测器，声呐会通过控制波的发射方向依次进行采样。所得到的采样值将按顺序经过匹配滤波器和平方律检波器，之后又按顺序被送入一个位移寄存器，也就是图2前端表示的内容。前沿参考滑窗就是位移寄存器中存放D左侧R₁个采样值的单元，后沿参考滑窗就是位移寄存器存放D右侧R₂个采样值的单元。之后的数据处理就是对位移寄存器中这两部分数据进行处理。

在上述过程中，来自D点的采样将和来自D周围的采样值一起按顺序被送进位移寄存器，位移寄存器中存放D点采样值的单元就称为检测单元。习惯上也直接将关心的空间点称为检测单元。

来自平方律检波器的输入信号被送入一个位移寄存器中，

称为前沿参考滑窗，

称为后沿参考滑窗。同时，为了防止检测单元信号的能量泄漏进参考单元，检测单元与前后沿滑窗应分别间隔一个保护单元。停止移位寄存器的作用是，若在一次判决中判定检测单元内有目标存在，则后沿滑窗的位移寄存器停止位移，这样可以减少前沿滑窗和检测单元中的目标进入后沿滑窗成为干扰的概率。

本检测器的工作流程是：

(1)前后沿滑窗之中的检测统计量分别经过UMVE(无偏最小方差估计)方法和CA(单元平均)方法处理后得到两个局部估计X和Y；

(2)取其中较小一者作为最终的背景噪声功率估计量Z；

(3)将Z与一个阈值因子T相乘，再送进判决器与检测单元的检测统计量S进行比较判决，完成假设检验的过程，判决准则可表示为：

若检测统计量S大于TZ，则H₁假设成立，判决结果为检测单元中存在目标，若检测统计量S小于TZ，则H₀假设成立，判决结果为检测单元中不存在目标。

一般来说，假设v(t)是声呐在检测单元的位置D处观测采样数据，则检测单元的检测统计量S为：

S＝I²(v(t))+Q²(v(t))

I(v(t))和Q(v(t))分别是v(t)的同相分量和正交分量。

T与设定的虚警概率和参考滑窗数目有关，用来保证检测器具有特定恒定虚警概率。

本检测器虚警概率的计算是在H₀假设下进行的，λ'应取μ。由于此时的背景噪声功率估计值Z也是个随机变量，所以在求虚警概率时需要对Z求统计平均：

其中，S是检测单元的检测统计量，f_Z(z)代表Z的概率密度函数，M_Z(u)是Z的矩母函数。当上式中的

时，便成为高斯均匀背景下的检测概率表达式

前沿滑窗采用的是UMVE方法，将前沿滑窗中得到的数据按照从小到大的顺序排列得到

然后删除最大的r个值，将剩余的样值进行加权平均，从而得到对前沿背景噪声功率水平的局部估计。若假设前沿滑窗数目是R₁，有

由于排序后的采样值不再独立，故定义线性变换

v_(i)＝(R₁-r-i+1)(x_(i)-x_(i-1)),x₍₀₎＝0 (7)

v_(i)是统计独立并且同分布的，由此可得

将X用v_(i)表示，经过推导可得X的概率密度函数为

它的概率分布函数为

可以看出的是，删除单元数等于r时的UMVE方法与基于R₁-r个独立样本的CA方法具有同样的性能。

后沿参考滑窗采用的是CA方法，若后沿参考滑窗的参考单元数目是R₂，对单元内的数据求平均：

则有后沿局部估计Y的概率密度函数：

它的概率分布函数为：

本发明提出的UMCASO-CFAR检测器中，取前后沿局部估计较小者作为总的背景噪声功率估计，即

Z＝min(X,Y) (14)

Z的概率密度函数为

假设Z的矩母函数为

M_Z(u)＝M₁(u)+M₂(u) (16)

其中

由于

故可以得

与上述过程类似，有

其中R＝R₁+R₂。即可得UMCASO-CFAR检测器的虚警概率为：

由式(21)可知，本检测器的虚警概率只与阈值因子有关而与背景噪声功率水平无关，具有恒虚警的性能。

检测概率为：

根据式(21)，可由预先设定的虚警概率得出阈值因子，随后将阈值因子代入式(22)，即可得到不同信混比(SRR)情况下的检测性能，具体结果见下节。

仿真实例：

以下性能分析的参数设置为：虚警概率P_fa＝10^-4，前后沿滑窗数目R₁＝R₂＝16，UMVE方法删除单元个数r＝2，干混比IRR＝20dB。

图3至图4是干扰目标只分布在前沿滑窗时的情况的示意图，可以看出，在干扰目标数等于UMVE方法删除单元数r时，UMCASO-CFAR检测器的性能与MUMCA-CFAR检测器几乎相同。而在干扰数目大于删除单元数r，即图4所示的情况下，本发明提出的UMCASO-CFAR检测器的性能明显优于MUMCA检测器，且与图3相比附加损失很小，而此时MUMCA检测器的附加损失非常大，性能下降十分明显。

虽然MUMCA检测器加入了停止移位寄存器，后沿滑窗中的干扰目标数大大下降，但是干扰目标仍然存在一定的概率进入后沿滑窗，UMCASO-CFAR检测器在这种情况下依然具有良好的性能。图5是后沿滑窗也存在干扰目标的情况下的示意图，MUMCA-CFAR检测器和UMCASO-CFAR检测器的检测性能。由图可以看出，由于后沿滑窗使用CA方法，没有抗干扰的能力，故当干扰目标进入后沿滑窗后它的检测性能有很大下降，但是加入了取小逻辑的UMCASO-CFAR检测器在此时的检测性能依然强健，明显优于MUMCA检测器。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种对抗多目标干扰的恒虚警检测方法，所述方法包括：

步骤1)声呐在检测单元的位置D的左侧和右侧每隔一定距离采样一次，所得到的采样值按顺序经过匹配滤波器和平方律检波器，然后按顺序送入一个位移寄存器，该位移寄存器中存放D左侧的R₁个采样值

为前沿参考滑窗，位移寄存器存放D右侧的R₂个采样值

为后沿参考滑窗；

步骤2)所述前沿参考滑窗经过无偏最小方差估计方法处理得到前沿局部估计X，所述后沿参考滑窗经过单元平均方法处理得到后沿局部估计Y；

步骤3)取X和Y中较小的作为最终的背景噪声功率估计量Z；

步骤4)将Z与一个阈值因子T相乘后与检测单元的检测统计量S进行比较判决，获得判决结果：检测单元是否为目标；

所述步骤2)具体包括：

步骤2-1)将前沿参考滑窗中得到的数据按照从小到大的顺序排列后为：

然后删除最大的r个值，将剩余的样值进行加权平均，得到对前沿背景噪声功率水平的前沿局部估计X：

由于排序后的采样值不再独立，故定义线性变换：

v_(i)＝(R₁-r-i+1)(x_(i)-x_(i-1)),x₍₀₎＝0 (7)

其中，v_(i)是统计独立并且同分布的，由此得：

将X用v_(i)表示，则X的概率密度函数f_X(x)为：

μ为参数；X的概率分布函数F_X(x)为：

步骤2-2)对后沿参考滑窗的数据进行平均得到后沿局部估计Y：

则后沿局部估计Y的概率密度函数f_Y(y)：

Y的概率分布函数F_Y(y)为：

Z＝min(X,Y) (14)

所述背景噪声功率估计量Z的概率密度函数f_Z(z)为：

f_Z(z)＝f_Y(z)[1-F_X(z)]+f_X(z)[1-F_Y(z)] (15)

Z的矩母函数M_Z(u)为：

M_Z(u)＝M₁(u)+M₂(u) (16)

其中

其中，R＝R₁+R₂；

即可得检测器的虚警概率P_fa为：

由预先设定的虚警概率根据上式计算阈值因子T；

以及检测器的检测概率P_d：

其中，λ是目标信号和背景混响的功率比。

2.根据权利要求1所述的对抗多目标干扰的恒虚警检测方法，其特征在于，所述步骤4)的检测单元的检测统计量S为：

S＝I²(v(t))+Q²(v(t))

其中，v(t)是声呐在检测单元的位置D处的采样数据；I(v(t))和Q(v(t))分别是v(t)的同相分量和正交分量。

3.根据权利要求2所述的对抗多目标干扰的恒虚警检测方法，其特征在于，所述步骤4)的判决准则表示为：

若检测统计量S大于TZ，则H₁假设成立，判决结果为检测单元中存在目标，若检测统计量S小于TZ，则H₀假设成立，判决结果为检测单元中不存在目标。

Images