CN109709526A - 一种知识辅助分组广义似然比检测方法 - Google Patents
一种知识辅助分组广义似然比检测方法 Download PDFInfo
- Publication number
- CN109709526A CN109709526A CN201811516775.9A CN201811516775A CN109709526A CN 109709526 A CN109709526 A CN 109709526A CN 201811516775 A CN201811516775 A CN 201811516775A CN 109709526 A CN109709526 A CN 109709526A
- Authority
- CN
- China
- Prior art keywords
- grouped
- covariance matrix
- glrt
- speckle
- detector
- 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
Abstract
本发明提出的一种知识辅助分组广义似然比检测方法,该方法首先要对待检测单元进行分组;然后构建G‑GLRT检测器的数学模型;其次采用KA(knowledge‑aided,知识辅助)模型计算散斑协方差矩阵的估计值然后将G‑GLRT检测器数学表达式中的散斑协方差矩阵M替换为得到KA‑G‑GLRT检测器的数学表达式;最后基于KA‑G‑GLRT检测器计算检测统计量将与门限进行比较,判定目标是否存在。本发明采用分组算法,实现了空间部分均匀的样本在组内的均匀化,并且使每组海杂波的纹理分量满足逆伽马分布,每组纹理的尺度参数和形状参数互不相同。本发明中的KA‑G‑GLRT检测器对散斑协方差矩阵估计值具有恒虚警特性。本发明中的KA‑G‑GLRT检测器与其它检测器相比,能在实测海杂波数据实验中获得更好的检测性能。
Description
技术领域
本发明涉及雷达目标检测领域,尤其涉及一种知识辅助分组广义似然比检测方法。
背景技术
在海面目标检测中,采用匹配于海杂波统计特性的自适应目标检测算法是一种普遍采用的技术手段。利用相干检测器在海杂波中检测有用信号时需要估计海杂波的协方差矩阵,其做法是将待检测单元附近的杂波数据构成参考单元,利用这些有限的参考单元样本估计出待检测单元的海杂波协方差矩阵。对于大仰角的低分辨率雷达,通常假定待检测单元杂波与参考单元杂波具有相同的统计特性,并且相邻距离单元的杂波具有相同的功率水平,这种环境被称为均匀杂波环境。然而,均匀环境通常是一种理想的情况,随着雷达距离分辨率的提高,雷达接收回波环境变成了部分均匀环境,待检测单元杂波与参考单元杂波具有相同的协方差矩阵结构而具有不同的功率因子。
申请号为201610219017.5的发明专利公开了一种部分均匀海杂波背景下的平滑广义似然比检测方法,该专利申请通过对纹理分量的尺度参数乘以一个平滑因子来克服杂波的瞬时功率波动较大这个问题,提出了部分均匀杂波环境下的S-GLRT(smoothgeneralized likelihood ratio test,平滑广义似然比检测)检测器。经过分析,该专利不足之处在于:在小SCR(signal to clutter ratio,信杂比)情况下,由于平滑因子在1左右平滑,S-GLRT检测器的性能优势无法体现。
军航空工程学院的文献公开了均匀和部分均匀杂波中子空间目标的斜对称自适应检测方法,该文献在协方差矩阵关于次对角线具有斜对称结构的约束下,分别基于一步和两步广义似然比检测器,推导了均匀和部分均匀杂波中的斜对称自适应检测器。经过分析,该专利不足之处在于:当雷达分辨率较高时,杂波背景将偏离高斯模型,该检测方法将不再适用。
发明内容
本发明正是针对现有技术存在的不足,提供了一种能抑制部分均匀杂波对检测性能的影响,实现了空间部分均匀的样本在组内的均匀化,较传统的检测器检测性能得到提升的知识辅助分组广义似然比检测方法。
为解决上述问题,本发明所采取的技术方案如下:
一种知识辅助分组广义似然比检测方法,方法包括以下步骤:
步骤1:对待检测单元进行分组;
步骤2:构建G-GLRT检测器的数学模型;
步骤3:采用KA模型计算散斑协方差矩阵的估计值
步骤4:将G-GLRT检测器数学表达式中的散斑协方差矩阵M替换为得到KA-G-GLRT检测器的数学表达式;
步骤5:基于KA-G-GLRT检测器计算检测统计量将与门限进行比较,当值小于门限时,判定目标不存在;当值大于门限时,判定目标存在。
优选地,步骤1具体步骤如下:将K个待检测单元分为G组,得到:
式中,hg为每组包含的待检测单元数,g=1,2,…,G;
令Hg表示前g-1个分组内待检测单元数之和,得到:
优选地,步骤2中G-GLRT检测器的数学模型为:
式中,为检测统计量,N为积累脉冲数,p为已知的多普勒导向矢量,zk为待检测单元,βg和ηg分别为第g组纹理分布的尺度参数和形状参数,Hg表示前g-1个分组内待检测单元数之和,H为共轭转置。
优选地,步骤3中的具体步骤如下:
将散斑协方差矩阵M建模为逆威沙特随机矩阵模型:
式中,为N维逆威沙特分布表达形式,v为逆威沙特分布的自由度,为先验协方差矩阵结构,λ为散斑的功率水平,矩阵为散斑协方差矩阵的均值;
散斑协方差矩阵的估计值由服从逆威沙特分布的KA模型得到:
式中,L为参考单元数,yl为参考单元样本。
优选地,步骤4中的KA-G-GLRT的数学表达式为:
式中,为检测统计量,N为积累脉冲数,p为多普勒导向矢量,zk为待检测单元样本,βg和ηg分别为第g组纹理分布的尺度参数和形状参数,Hg表示前g-1个分组内待检测单元数之和,L为参考单元数,S为参考单元样本的协方差矩阵,yl为第l个参考单元的样本,v为逆威沙特分布的自由度,λ为散斑的功率水平,为散斑协方差矩阵的均值,H为共轭转置。
本发明与现有技术相比较,本发明的实施效果如下:
(1)本发明采用分组算法,实现了空间部分均匀的样本在组内的均匀化,并且使每组海杂波的纹理分量满足逆伽马分布,每组纹理的尺度参数和形状参数互不相同。
(2)本发明提出的KA-G-GLRT检测器对散斑协方差矩阵估计值具有恒虚警特性。
(3)本发明提出的KA-G-GLRT检测器与其它检测器相比,能在实测海杂波数据实验中获得更好的检测性能。
附图说明
图1为本发明提出的一种知识辅助分组广义似然比检测方法的流程图;
图2为本发明提出的KA-G-GLRT与1S-G-GLRT、GCC-GLRT、OS-GLRT和NSDD-GLRT在实测杂波情况下的检测性能比较图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整性地描述。当然,所描述的实施例只是本发明一部分实施例,而不是全部的实施例。
结合图1,本发明提出的一种知识辅助分组广义似然比检测方法,该方法首先要对待检测单元进行分组;然后构建G-GLRT检测器的数学模型;其次采用KA模型计算散斑协方差矩阵的估计值然后将G-GLRT检测器数学表达式中的散斑协方差矩M替换为得到KA-G-GLRT检测器的数学表达式;最后基于KA-G-GLRT检测器计算检测统计量将与门限进行比较,当值小于门限时,判定目标不存在;当值大于门限时,判定目标存在。
本发明提出的一种知识辅助分组广义似然比检测方法,包括以下步骤:
步骤1:将K个待检测单元分为G组,得到:
式中,hg为每组包含的待检测单元数,g=1,2,…,G;
令Hg表示前g-1个分组内待检测单元数之和,得到:
步骤2:构建G-GLRT检测器的数学模型,G-GLRT检测器的数学模型为:
式中,为检测统计量,N为积累脉冲数,p为已知的多普勒导向矢量,zk为待检测单元,βg和ηg分别为第g组纹理分布的尺度参数和形状参数,Hg表示前g-1个分组内待检测单元数之和,H为共轭转置。
步骤3:将散斑协方差矩阵M建模为逆威沙特随机矩阵模型:
式中,为N维逆威沙特分布表达形式,v为逆威沙特分布的自由度,为先验协方差矩阵结构,λ为散斑的功率水平,矩阵为散斑协方差矩阵的均值;
散斑协方差矩阵的估计值由服从逆威沙特分布的KA模型得到:
式中,L为参考单元数,yl为参考单元样本。
步骤4:将G-GLRT检测器数学表达式中的散斑协方差矩阵M替换为得到KA-G-GLRT检测器的数学表达:
式中,为检测统计量,N为积累脉冲数,p为多普勒导向矢量,zk为待检测单元样本,βg和ηg分别为第g组纹理分布的尺度参数和形状参数,Hg表示前g-1个分组内待检测单元数之和,L为参考单元数,S为参考单元样本的协方差矩阵,yl为第l个参考单元的样本,v为逆威沙特分布的自由度,λ为散斑的功率水平,为散斑协方差矩阵的均值,H为共轭转置。
下面通过实验来论证本发明中KA-G-GLRT检测器的性能。实验数据由Fynmeet雷达在2006年采集,实测数据名为TFA10_006,VV极化模式。该数据含有199946个时间脉冲,64个距离单元,删去4个含有目标的单元,剩下60个为纯海杂波单元。其中12个距离单元作为待检测单元,余下的48个距离单元作为参考单元。
图2为本发明提出的KA-G-GLRT与1S-G-GLRT(one-step group generalizedlikelihood ratio test,一步分组广义似然比检测)、GCC-GLRT(generalized clutter-clustered generalized likelihood ratio test,广义杂波分组的广义似然比检测)、OS-GLRT(order statistic generalized likelihood ratio test,次序统计量的广义似然比检测)和NSDD-GLRT(non scatterer density dependent generalized likelihood ratiotest,不依赖于散射点密度的广义似然比检测)在实测杂波情况下的检测性能比较图。显然,在实测杂波中,KA-G-GLRT的检测性能明显优于1S-G-GLRT、GCC-GLRT、OS-GLRT和NSDD-GLRT的检测性能。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种知识辅助分组广义似然比检测方法,其特征在于,该方法包括以下步骤:
步骤1:对待检测单元进行分组;
步骤2:构建G-GLRT检测器的数学模型;
步骤3:采用KA模型计算散斑协方差矩阵的估计值
步骤4:将G-GLRT检测器数学表达式中的散斑协方差矩阵M替换为得到KA-G-GLRT检测器的数学表达式;
步骤5:基于KA-G-GLRT检测器计算检测统计量将与门限进行比较,当值小于门限时,判定目标不存在;当值大于门限时,判定目标存在。
2.根据权利要求1所述的一种知识辅助分组广义似然比检测方法,其特征在于,步骤1具体步骤如下:将K个待检测单元分为G组,得到:
式中,hg为每组包含的待检测单元数,g=1,2,…,G;
令Hg表示前g-1个分组内待检测单元数之和,得到:
3.根据权利要求1所述的一种知识辅助分组广义似然比检测方法,其特征在于,步骤2中G-GLRT检测器的数学模型为:
式中,为检测统计量,N为积累脉冲数,p为已知的多普勒导向矢量,M为散斑协方差矩阵,zk为待检测单元,βg和ηg分别为第g组纹理分布的尺度参数和形状参数,Hg表示前g-1个分组内待检测单元数之和,H为共轭转置。
4.根据权利要求1所述的一种知识辅助分组广义似然比检测方法,其特征在于,步骤3的具体步骤如下:
将散斑协方差矩阵M建模为逆威沙特随机矩阵模型:
式中,为N维逆威沙特分布表达形式,v为逆威沙特分布的自由度,为先验协方差矩阵结构,λ为散斑的功率水平,矩阵为散斑协方差矩阵的均值;
散斑协方差矩阵的估计值由服从逆威沙特分布的KA模型得到:
式中,L为参考单元数,yl为参考单元样本。
5.根据权利要求1所述的一种知识辅助分组广义似然比检测方法,其特征在于,步骤4中的KA-G-GLRT的数学表达式为:
式中,为检测统计量,N为积累脉冲数,p为多普勒导向矢量,zk为待检测单元样本,βg和ηg分别为第g组纹理分布的尺度参数和形状参数,Hg表示前g-1个分组内待检测单元数之和,L为参考单元数,S为参考单元样本的协方差矩阵,yl为第l个参考单元的样本,v为逆威沙特分布的自由度,λ为散斑的功率水平,为散斑协方差矩阵的均值,H为共轭转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516775.9A CN109709526B (zh) | 2018-12-12 | 2018-12-12 | 一种知识辅助分组广义似然比检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516775.9A CN109709526B (zh) | 2018-12-12 | 2018-12-12 | 一种知识辅助分组广义似然比检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109709526A true CN109709526A (zh) | 2019-05-03 |
CN109709526B CN109709526B (zh) | 2023-02-14 |
Family
ID=66256357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811516775.9A Active CN109709526B (zh) | 2018-12-12 | 2018-12-12 | 一种知识辅助分组广义似然比检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109709526B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412553A (zh) * | 2019-07-26 | 2019-11-05 | 中国人民解放军国防科技大学 | 一种多径情况下的导向矢量检测方法 |
CN113933808A (zh) * | 2021-09-29 | 2022-01-14 | 中国电子科技集团公司第二十九研究所 | 机载雷达动目标检测方法、装置、设备及存储介质 |
CN116559819A (zh) * | 2023-07-07 | 2023-08-08 | 中国人民解放军空军预警学院 | 一种机载雷达知识辅助色加载杂波抑制方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120062409A1 (en) * | 2010-09-10 | 2012-03-15 | Man-On Pun | Method for detecting targets using space-time adaptive processing and shared knowledge of the environment |
CN104215939A (zh) * | 2014-10-10 | 2014-12-17 | 北京航空航天大学 | 一种融合广义对称结构信息的知识辅助空时自适应处理方法 |
CN106199552A (zh) * | 2016-07-28 | 2016-12-07 | 南京邮电大学 | 一种局部均匀海杂波背景下的分组广义似然比检测方法 |
-
2018
- 2018-12-12 CN CN201811516775.9A patent/CN109709526B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120062409A1 (en) * | 2010-09-10 | 2012-03-15 | Man-On Pun | Method for detecting targets using space-time adaptive processing and shared knowledge of the environment |
CN104215939A (zh) * | 2014-10-10 | 2014-12-17 | 北京航空航天大学 | 一种融合广义对称结构信息的知识辅助空时自适应处理方法 |
CN106199552A (zh) * | 2016-07-28 | 2016-12-07 | 南京邮电大学 | 一种局部均匀海杂波背景下的分组广义似然比检测方法 |
Non-Patent Citations (4)
Title |
---|
FRANCESCO BANDIERA等: "Knowledge-Aided Covariance Matrix Estimation and Adaptive Detection in Compound-Gaussian Noise", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
YONGCHAN GAO等: "Knowledge-Aided Range-Spread Target Detection for Distributed MIMO Radar in Nonhomogeneous Environments", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
许述文等: "基于知识的海杂波背景下距离扩展目标检测", 《电子与信息学报》 * |
邹鲲等: "无参考数据的分布目标知识辅助检测", 《电子与信息学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412553A (zh) * | 2019-07-26 | 2019-11-05 | 中国人民解放军国防科技大学 | 一种多径情况下的导向矢量检测方法 |
CN110412553B (zh) * | 2019-07-26 | 2021-04-16 | 中国人民解放军国防科技大学 | 一种多径情况下的导向矢量检测方法 |
CN113933808A (zh) * | 2021-09-29 | 2022-01-14 | 中国电子科技集团公司第二十九研究所 | 机载雷达动目标检测方法、装置、设备及存储介质 |
CN116559819A (zh) * | 2023-07-07 | 2023-08-08 | 中国人民解放军空军预警学院 | 一种机载雷达知识辅助色加载杂波抑制方法和装置 |
CN116559819B (zh) * | 2023-07-07 | 2023-09-15 | 中国人民解放军空军预警学院 | 一种机载雷达知识辅助色加载杂波抑制方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109709526B (zh) | 2023-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | Adaptive fractional Fourier transform-based detection algorithm for moving target in heavy sea clutter | |
CN109709526A (zh) | 一种知识辅助分组广义似然比检测方法 | |
CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
CN106872958B (zh) | 基于线性融合的雷达目标自适应检测方法 | |
JP5611157B2 (ja) | 時空間適応処理を用いてレーダー信号におけるターゲットを検出する方法 | |
CN105137498A (zh) | 一种基于特征融合的地下目标探测识别系统及方法 | |
Metcalf et al. | A machine learning approach to cognitive radar detection | |
CN104237861B (zh) | 一种未知杂波背景下的cfar检测门限获取方法 | |
CN106569193B (zh) | 基于前-后向收益参考粒子滤波的海面小目标检测方法 | |
CN104833970B (zh) | 一种适用于存在遮挡效应的旋转目标稀疏多普勒成像方法 | |
DE112016007092B4 (de) | Radarvorrichtung | |
Karnatak et al. | Early warning signal for interior crises in excitable systems | |
Jayaprakash et al. | Small target detection within sea clutter based on fractal analysis | |
CN106199552B (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 | |
CN105866748B (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
JP6148229B2 (ja) | 遷移信号の動的クラスタリング | |
CN114609594A (zh) | 非均匀性杂波中知识辅助宽带雷达目标检测器及设计方法 | |
CN104122544A (zh) | 一种拖线阵声纳固定方位大干扰源的抵消方法及系统 | |
CN107315169B (zh) | 基于二阶统计量相似度的杂波协方差矩阵估计方法 | |
Joshi et al. | Sea clutter model comparison for ship detection using single channel airborne raw SAR data | |
Shubitidze et al. | APG UXO discrimination studies using advanced EMI models and TEMTADS data | |
CN114690143A (zh) | 一种抑制雷达杂波的方法、装置、雷达和介质 | |
Zhang et al. | A new detecting method for weak targets in sea clutter based on multifractal properties | |
CN112630840A (zh) | 基于统计特征参数的随机反演方法及处理器 | |
CN104820213B (zh) | 一种基于动态剔除的搜索跟踪雷达方向图估计方法 |
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 |