CN110146851A - 一种基于数字统计特性分析改善雷达回波信噪比的方法 - Google Patents

Abstract

本发明公开了一种基于数字统计特性分析改善雷达回波信噪比的方法，包括以下步骤：对雷达录取的一个采样周期的回波信号进行脉冲压缩，将脉冲压缩后的信号以复数形式存入数据集D中；对数据集D中所有的数据进行实数化处理，得实数数据集D′；对实数数据集D′进行归一化，得归一化数据集Λ；计算归一化数据集Λ的数据均值μ与数据方差σ²；对归一化数据集Λ的数据均值μ与数据方差σ²求和，得噪声门限g；根据噪声门限g对归一化数据集Λ进行噪声抑制，得雷达回波信噪比改善后的数据集Λ'。该方法在强噪声、欺骗式干扰等复杂背景下能够对回波信噪比进行改善；在工程应用上通过该种基于数字统计特性分析改善雷达回波信噪比的方法使得杂波得到抑制，更利于后续的目标检测等处理。

Description

一种基于数字统计特性分析改善雷达回波信噪比的方法

技术领域

本发明属于信号处理技术领域，涉及雷达信号处理中的雷达信号检测的领域，具体涉及一种基于数字统计特性分析改善雷达回波信噪比的方法，适应于雷达回波中包含欺骗式干扰、强噪声背景下目标检测等多种背景下改善信噪比的研究。

背景技术

雷达的基本任务是发现目标并对目标进行定位。通常雷达的目标回波信号中总是混杂着噪声和各种干扰，而噪声和各种干扰信号均具有随机特性，在这种条件下发现目标的问题属于信号检测的范畴，只有发现了目标才能对目标进行定位。因此，信号检测是雷达最基本的任务。信号处理的作用是抑制非期望信号(杂波、干扰、噪声)，通过各种措施来提高有用信号的信噪比，并对目标进行自动检测与跟踪等。

通常情况下，在模拟信号的测试中，所采集到的数据往往夹杂着一些不需要的、随机的内容，这些数据是由周围的干扰或者测试误差所引起的，我们称之为随机噪声，这种噪声可能会影响目标信号，即需要采集的数据。而采用信号平均技术，则可以减少随机噪声的影响，提升信噪比(SNR)，并且最大程度的减少对目标信号的影响，从而提高数据采集的精度和动态范围。奇异值分解作为数据特征提取的有效方法，其分解的奇异值反映数据的内在属性，基于有效信号和随机噪声对奇异值的贡献不同，因此可以实现小目标检测中的背景和噪声抑制问题，但是由于奇异值分解对噪声比较敏感，因此在噪声强度较大的情况下，时域的奇异值分解达不到很好的降噪效果。此外，奇异值分解的计算量很大，时效性差。

2008年，唐剑锋等在最小均方(LMS)自适应滤波器设计中，引入多尺度小波变换理论，克服了LMS的矛盾与局限性，利用非线性的方法将待测信号中的目标信号和噪声分离，从而实现对噪声的抑制，但是由于目标和噪声同时受到非线性系统的影响，可能导致目标信号发生变化，故在抑制噪声的同时，可能引起目标信号畸变。19世纪80年代，Benzi在研究冰川的周期性递归运动时提出了随机共振的概念，经过研究慢慢将随机共振用于信号检测领域，通过将噪声功率转化为信号功率的方法，增加信号信噪比，随机共振充分利用了非线性系统的特性，弥补了线性系统的不足，但是处理过程中系统对目标信号也会产生严重的影响。

综上所述，对于雷达回波信噪比的改善、噪声的抑制等研究一直是关注的重点，然而在信号处理中通过一些快速、有效处理来抑制噪声而保护目标的信噪比改善方法还是缺乏研究。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于数字统计特性分析改善雷达回波信噪比的方法，该种基于数字统计特性分析的方法在强噪声、欺骗式干扰等复杂背景下能够对回波信噪比进行改善；在工程应用上通过该种基于数字统计特性分析改善雷达回波信噪比的方法使得杂波得到抑制，更利于后续的目标检测等处理。

为了达到上述目的，本发明采用以下技术方案予以实现。

一种基于数字统计特性分析改善雷达回波信噪比的方法，包括以下步骤：

步骤1，对雷达录取的一个采样周期的回波信号进行脉冲压缩，将脉冲压缩后的信号以复数形式存入数据集D中；

步骤2，对所述数据集D中所有的数据进行实数化处理，得实数数据集D′；

步骤3，对所述实数数据集D′进行归一化，得归一化数据集Λ；

步骤4，计算归一化数据集Λ的数据均值μ与数据方差σ²；

步骤5，对归一化数据集Λ的数据均值μ与数据方差σ²求和，得噪声门限g；

步骤6，根据所述噪声门限g对所述归一化数据集Λ进行噪声抑制，得雷达回波信噪比改善后的数据集Λ'。

优选的，步骤1中，所述数据集D的定义为：D＝(d₁,d₂,…,d_n,…d_N)；其中，N表示雷达采样点数，d_n表示一个数据点，n＝1,2,…,N。

优选的，数据点d_n为复数，将数据点d_n展开表示为d_n＝R_n+I_nj；其中，R_n是数据点d_n的实部，I_n是数据点d_n的虚部，j表示虚数单位。

优选的，步骤2中，所述实数化处理包含以下子步骤：

子步骤2.1，对数据集D中所有元素取共轭，得共轭数据集

子步骤2.2，分别取数据集D和共轭数据集中的每个元素并进行复数相乘，得实数数据集D′。

进一步优选的，子步骤2.2中，具体步骤如下：

子步骤2.2.1，取数据集D的第n个元素d_n＝R_n+I_nj，取中的第n个元素将d_n、相乘，得D′中的第n个元素d′_n；其中，d′_n的公式如下：

其中，R_n是数据点d_n的实部，I_n是数据点d_n的虚部，j表示虚数单位；

子步骤2.2.2，重复子步骤2.2.1，直到遍历完数据集D和D中的每一个元素，得实数数据集D′。

优选的，步骤3中，所述归一化包含最大最小标准化、Z-score标准化、非线性归一化。

进一步优选的，步骤3中，所述归一化采用最大最小标准化。

优选的，步骤3中，所述最大最小标准化的公式为：其中，x表示归一化前的数据，x'表示归一化后的数据，x'∈[0,1]；

根据所述最大最小标准化的公式，对所述实数数据集D′进行归一化的公式为：得归一化数据集Λ；其中，α_n表示归一化数据集Λ中一个数据点，n＝1,2,…,N。

优选的，α_n＝α_1n+α_2n+α_3n n＝1,2,…,N，归一化数据集Λ定义如下：

其中，a_1n表示归一化数据集Λ中第一行的目标信息分量，a_2n表示归一化数据集Λ中第二行的干扰信息分量，a_3n表示归一化数据集Λ中第三行的噪声信息分量。

优选的，当数据点α_n中不含目标信息时，α_1n＝0；当数据点α_n中不含干扰信息时，α_2n＝0。

优选的，步骤4中，归一化数据集Λ的数据均值μ的计算公式如下：

其中，α_in表示归一化数据集Λ中的元素，i＝1,2,3，N表示雷达采样点数。

优选的，归一化数据集Λ中目标数据的均值μ₁、干扰数据的均值μ₂、噪声数据的均值μ₃的计算公式如下：

其中，N₁表示归一化数据集Λ中第一行(α₁₁,α₁₂,…,α_1n,…,α_1N)中非零元素的个数，N₂表示归一化数据集Λ中第二行(α₂₁,α₂₂,…,α_2n,…,α_2N)中非零元素的个数，N₃表示归一化数据集Λ中第三行(α₃₁,α₃₂,…,α_3n,…α_3N)中非零元素的个数。

进一步优选的，由于噪声在时域上遍历分布，归一化数据集Λ中第三行(α₃₁,α₃₂,…,α_3n,…α_3N)中的元素全部非零，因此，N₃＝N。

优选的，步骤4中，归一化数据集Λ的数据方差σ²的计算公式如下：

优选的，归一化数据集Λ中目标数据的方差干扰数据的方差噪声数据的方差的计算公式如下：

优选的，步骤5中，噪声门限g的计算公式如下：

优选的，步骤6具体包含以下子步骤：

子步骤6.1，建立一个维数与归一化数据集Λ相同的空白数据集R；

子步骤6.2，搜索Λ中满足α_n≤g＝μ+σ²的数据点α_n；

子步骤6.3，将归一化数据集Λ中搜索到的数据点α_n以赋零的方式填入空白数据集R中对应的位置；

子步骤6.4，将归一化数据集Λ中剩余的数据点分别填入空白数据集R中对应的位置，得雷达回波信噪比改善后的数据集Λ'。

与现有技术相比，本发明的有益效果为：

1)本发明的基于数字统计特性分析改善雷达回波信噪比的方法，从信号处理层面对信噪比进行了改善，其理论模型容易搭建，可实现性强；处理流程简单，效率高；适用于多种背景下对信噪比的改善，具有应用广的特点；且本发明的方法的噪声门限高于常规的均值门限，信噪比的改善效果更胜一筹。

2)由于雷达接收的回波在信号处理层面需要对目标信息进行捕获，从时域上看雷达回波当中除了包含目标、干扰等仅占小部分时宽的信息外，还有存在于整个采样周期中密集分布的噪声，故对回波中噪声进行抑制，在强噪声、欺骗式干扰等复杂背景下能够对回波信噪比进行改善，提高回波数据信噪比从而利于数据的处理与分析。

附图说明

下面结合附图和具体实施例对本发明做进一步详细说明。

图1为基于数字统计特性分析改善雷达回波信噪比的方法的流程图；

图2为不同输入信噪比改善效果对比图；

图3为单目标多干扰信噪比改善效果图；

图4为多目标多干扰信噪比改善效果图；

图5为实测回波数据噪声抑制效果图；其中，图a为实测回波数据脉冲压缩后的效果图；图b为实测回波数据噪声抑制效果图。

具体实施方式

下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。

一种基于数字统计特性分析改善雷达回波信噪比的方法，包括以下步骤：

步骤1，对雷达录取的一个采样周期的回波信号进行脉冲压缩，将脉冲压缩后的信号以复数形式存入数据集D中；

具体为：一个采样周期的回波信号进入雷达系统后，信号处理模块会对其进行脉冲压缩处理，然后将脉冲压缩后的信号以复数形式存入数据集D中；

数据集D的定义如下：

D＝(d₁,…,d_n,…,d_N)n＝1,2,…,N (1-1)

其中，N表示雷达采样点数，d_n表示一个数据点，n＝1,2,…,N；由于数据集D中存储的数据本质上是复数，因此，将每一个数据点d_n展开表示如下：

d_n＝R_n+I_nj n＝1,2,…,N (1-2)

其中，R_n是数据点d_n的实部，I_n是数据点d_n的虚部，j表示虚数单位。

步骤2，为了获取噪声门限对噪声进行抑制从而改善数据的信噪比，而阈值是一个实数，故需要在进行预处理时将数据集D中所有的数据进行实数化处理，具体实数化处理包含以下子步骤：

子步骤2.1，对数据集D中所有元素取共轭，得到共轭数据集

子步骤2.2，取数据集D的第n个元素d_n＝R_n+I_nj，取共轭数据集中的第n个元素将d_n、相乘，得D′中的第n个元素d′_n；其中，d′_n的计算公式如下：

子步骤2.3，重复子步骤2.2，直到遍历完数据集D和共轭数据集D中的全部元素，得实数数据集D′，将原本的复数形式的回波数据全部变为实数形式的数据。

步骤3，对所述实数数据集D′进行归一化，得归一化数据集Λ；

归一化方法包含最大最小标准化、Z-score标准化、非线性归一化等。本发明中不涉及协方差计算，数据也不符合正太分布，因此选用最大最小标准化，又称离差标准化，使结果映射到[0,1]之间，具体转换函数如下：

其中，x表示归一化前的数据，x'表示归一化后的数据，x'∈[0,1]；

根据所述最大最小标准化的公式，对所述实数数据集D′进行归一化，得归一化数据集Λ，归一化的具体公式如下：

其中，α_n表示归一化数据集Λ中一个数据点，n＝1,2,…,N，min(D')表示实数数据集中的最小值，max(D')表示实数数据集中的最大值。

步骤4，归一化数据集Λ的定义如下：

Λ＝(α₁,…,α_n,…,α_N)n＝1,2,…,N (4-1)

雷达在采样过程中不断接收回波信号，目标回波信号经天线和收发开关至接收机，再经过信号处理模块最终进入数据处理部分，此时可以认为回波数据中包含的信息共有三部分，分别是：目标、干扰、噪声。步骤1-3均是对回波数据的预处理，不改变回波数据的性质。按照目标、干扰、噪声，归一化数据集Λ的也可定义如下：

其中，α_1n+α_2n+α_3n＝α_nn＝1,2,…,N，N表示雷达采样点数，即归一化数据集Λ的列数表示雷达采样点数；回波数据经过预处理后包含的信息种类的类数有三类，分别是目标，干扰和噪声，具体为：a_1n表示归一化数据集Λ中第一行的目标信息分量，a_2n表示归一化数据集Λ中第二行的干扰信息分量，a_3n表示归一化数据集Λ中第三行的噪声信息分量。

当数据点α_n中不含目标信息时，α_1n＝0；当数据点α_n中不含干扰信息时，α_2n＝0。经过处理后，将回波中的大部分噪声信息分量置零，以达到抑制噪声，改善信噪比的目的。

步骤5，计算归一化数据集Λ的数据均值μ与数据方差σ²

子步骤5.1，计算归一化数据集Λ的数据均值μ

平均数是表示一组数据集中趋势的量级，是指在一组数据中所有数据之和再除以这组数据的个数，它是反映数据集中趋势的一项指标，本发明的归一化数据集Λ的数据均值μ的计算公式如下：

其中，α_in表示归一化数据集Λ中的元素，i＝1,2,3，n＝1,2,…,N，N表示雷达采样点数。

在本发明中，鉴于回波信号由目标、干扰和噪声三部分组成，而目标和干扰在时域上具有稀疏性的分布特点，而噪声在时域上是普遍存在的，故可以认为归一化数据集Λ的数据均值μ不仅代表了整体数据的均值水平，也大致代表了噪声的均值水平。

此外，归一化数据集Λ中目标数据的均值μ₁、干扰数据的均值μ₂、噪声数据的均值μ₃的计算公式如下：

其中，N₁表示归一化数据集Λ中第一行(α₁₁,α₁₂,…,α_1n,…,α_1N)中非零元素的个数，N₂表示归一化数据集Λ中第二行(α₂₁,α₂₂,…,α_2n,…,α_2N)中非零元素的个数，N₃表示归一化数据集Λ中第三行(α₃₁,α₃₂,…,α_3n,…α_3N)中非零元素的个数。

由于噪声在时域上遍历分布，归一化数据集Λ中第三行(α₃₁,α₃₂,…,α_3n,…α_3N)中的元素全部非零，因此，N₃＝N。

子步骤5.2，统计中的方差(样本方差)是每个样本值与全体样本值的平均数之差的平方值的平均数，本发明中，归一化数据集Λ的数据方差σ²的计算公式如下：

数据方差的物理意义在于它代表了数据的波动水平，例如数据点的数值都在均值水平左右，那么由上式计算可得数据的整体方差会非常小，即表示数据的波动水平很低。同子步骤5.1所述，由于在时域上目标和干扰具有稀疏性的分布特点，而噪声普遍存在，所以归一化数据集Λ的数据方差σ²不仅代表了全部数据的波动水平，也大致代表了噪声的波动水平。

此外，归一化数据集Λ中目标数据的方差干扰数据的方差噪声数据的方差的计算公式如下：

其中，α_in表示归一化数据集Λ中的元素，i＝1,2,3，n＝1,2,…,N，N表示雷达采样点数。μ_i表示数据均值，具体为：μ₁表示目标数据的均值，μ₂表示干扰数据的均值，μ₃表示噪声数据的均值。

基于数据均值表示数据的中心位置以及数据方差表示数据的波动情况的物理意义，又因为噪声在时域上的分布具有遍历性，故可以认为回波信号中噪声幅值的分布范围为其中心分布位置在μ₃处，而目标信号与干扰的幅度分布水平则分别在μ₁与μ₂处。

步骤6，经过脉冲压缩后的获得增益的回波数据是一组离散型数据，如步骤4中定义的归一化数据集Λ。噪声门限应该满足两个基本条件：1)此噪声门限能够保证涵盖噪声幅度；2)此噪声门限还不能超过目标的幅度，即不丢失目标；否则会导致目标的丢失从而造成对于目标情况的误判等。

对归一化数据集Λ的数据均值μ与数据方差σ²求和，得噪声门限g，具体计算公式如下：

现基于上述噪声门限的两个基本条件从可行性上对本发明的噪声门限进行论述如下：

(6a)噪声门限能够保证涵盖噪声幅度

为了保证噪声门限g能够涵盖噪声幅度，只需要证明本发明的噪声门限g大于噪声分布的理论上限值，即需证明：

基于本发明定义，证明如下：

∴μ>μ₃ (6-3)

因为噪声在时域上遍历分布，而假如回波中存在目标与干扰，其在时域上分布具有稀疏性，故可认为：

μ≈μ₃ (6-4)

α_n＝α_1n+α_2n+α_3n>α_3n,n＝1,2,…,N

由式(6-3)和式(6-5)可推得式(6-2)成立，即可证明本发明的噪声门限能够保证涵盖噪声幅度。

(6b)不丢失目标

为了保证本发明的噪声门限不会导致目标丢失，需要证明本发明门限小于目标信号的幅度水平，即需要证明：

μ+σ²<μ₁ (6-6)

由于信号处理的匹配滤波器是一种最佳线性滤波器，依据的最优准则是输出信噪比达到最大，往往这个值大于3.1dB，因此，信噪比

∵μ≈μ₃

∴μ₁>2μ (6-7)

依照传递性原理可将μ+σ²<μ₁转化为证明如下不等式：

将其按本发明定义式展开可得：

将平方项展开，移项化简后可得：

将上式不等号两边同除以N(N>0)，可得：

结合数据均值的定义，可将上述不等式化简为：

又因为有μ²>0，所以综上可得：

上述不等式(6-10)成立，说明式(6-8)也成立，故有式(6-6)成立，即可证明发明的噪声门限不会导致目标丢失。

步骤7，根据所述噪声门限g对所述归一化数据集Λ进行噪声抑制，得雷达回波信噪比改善后的数据集Λ'，具体噪声抑制包含以下子步骤：

子步骤7.1，建立一个维数与归一化数据集Λ相同的空白数据集R；

子步骤7.2，搜索Λ中满足α_n≤g＝μ+σ²的数据点α_n；

子步骤7.3，将归一化数据集Λ中搜索到的数据点α_n以赋零的方式填入空白数据集R中对应的位置；

子步骤7.4，将归一化数据集Λ中剩余的数据点分别填入空白数据集R中对应的位置并保持数据值不变，得雷达回波信噪比改善后的数据集Λ'。

经过处理后的数据噪声得到了抑制，从而提高了信噪比，根据输入和输出数据的信噪比比较可以证明信噪比的改善。

根据本发明定义，脉压后数据的输入信噪比(SNR_in)和和输出信噪比(SNR_out)分别可以表示如下：

其中，噪声抑制处理后的数据均值μ'₃可定义为：

其中，α’_3n表示噪声抑制处理后的雷达回波信噪比改善后的数据集Λ'中的元素。

结合噪声抑制方法，可知雷达回波信噪比改善后的数据集Λ'都是继承归一化数据集Λ的数据或是零元素，所以有：

又由于本发明是对回波信号的噪声进行抑制，而不影响目标，因此有μ₁＝μ’₁，根据式(7-1)对信噪比的定义并结合式(7-3)，可得：

SNR_out>SNR_in

本发明对于雷达所接受的回波信号，首先进行脉冲压缩，然后进行对噪声的抑制，通过这两步处理最终达到了改善数据信噪比，抑制噪声的效果，能够为后续雷达信号处理提供更优良的条件。

下面结合仿真图对本发明的效果做进一步的说明。

仿真1：不同输入信噪比与输出信噪比比较：

仿真条件：雷达发射线性调频信号，信号带宽为100MHz，信号脉宽为10μs，采样频率为100MHz，雷达目标信号的个数为1，无干扰信号。回波数据的信噪比SNR分别为-13dB、-7dB、0dB，蒙特卡洛的次数为200次。

仿真内容：对于不同信噪比的回波，应用本发明的基于数字统计特性分析改善雷达回波信噪比的方法处理回波数据，分别对回波数据在处理前，处理(脉冲压缩处理，即脉压处理)中以及处理后的信噪比进行仿真，仿真结果如图2所示。

从图2中可以看出，当回波数据的信噪比为-13dB时，通过本发明对噪声的抑制能够使信噪比提高到12dB以上，相较于脉压后的信噪比提升了6.3dB；而当回波数据的信噪比为0dB时，通过本发明对噪声的抑制能够使信噪比提高到25dB以上，相较于脉压后的信噪比提升了13dB。在实际应用中，能抑制对雷达噪声的接收，达到更有效地精确地探测雷达目标的目的。

仿真2：不同背景下抑制噪声效果：

仿真条件：雷达目标信号的个数为1和2，干扰信号的个数为2和4，回波数据的信噪比SNR为-10dB和-8dB，干信比为3dB和5dB，其他仿真条件与仿真1相同。

仿真内容：在不同的背景下采用本发明的噪声抑制方法进行仿真，其在各个阶段对信噪比的改善效果如图3和图4所示；其中，图3为单目标多干扰(2个干扰)信噪比改善效果图；图4为多目标(2个目标)多干扰信(4个干扰)噪比改善效果图。

从图3中可以看到，回波信号中包含单目标2个干扰的背景下，本发明抑制噪声后较脉压后信噪比提升了8.2dB。

图4的结果显示多目标多干扰的回波信号信噪比经过处理后从-8dB改善到了19.6dB。本发明在不同的背景下都能够很好地改善信噪比，适应性及鲁棒性强。

仿真3：对于实测数据处理前后的效果比较：

仿真条件：根据某雷达厂的实测数据对回波进行噪声抑制，其回波中包含2个雷达目标信号以及密集假目标干扰。

仿真内容：实测回波信号经过脉压后的数据如图5(a)所示，可见噪声仍然覆盖所有距离单元。通过本发明的噪声抑制方法对其进行抑制，仿真结果如图5(b)所示。通过图5(a)与图5(b)的比较可以看出，噪声得到了明显的抑制，数据信噪比得到了改善，这说明本发明不仅在理想仿真状态下能够适用，在实际应用中同样能起到显著地抑制噪声的效果，对提升回波的信噪比具有极好的效果，且易于应用至工程当中。

虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于数字统计特性分析改善雷达回波信噪比的方法，其特征在于，包括以下步骤：

步骤1，对雷达录取的一个采样周期的回波信号进行脉冲压缩，将脉冲压缩后的信号以复数形式存入数据集D中；

步骤2，对所述数据集D中所有的数据进行实数化处理，得实数数据集D′；

步骤3，对所述实数数据集D′进行归一化，得归一化数据集Λ；

步骤4，计算归一化数据集Λ的数据均值μ与数据方差σ²；

步骤5，对归一化数据集Λ的数据均值μ与数据方差σ²求和，得噪声门限g；

步骤6，根据所述噪声门限g对所述归一化数据集Λ进行噪声抑制，得雷达回波信噪比改善后的数据集Λ'。

2.根据权利要求1所述的基于数字统计特性分析改善雷达回波信噪比的方法，其特征在于，步骤1中，所述数据集D的定义为：D＝(d₁,d₂,…,d_n,…d_N)；其中，N表示雷达采样点数，d_n表示一个数据点，n＝1,2,…,N。

3.根据权利要求2所述的基于数字统计特性分析改善雷达回波信噪比的方法，其特征在于，数据点d_n为复数，将数据点d_n展开表示为d_n＝R_n+I_nj；其中，R_n是数据点d_n的实部，I_n是数据点d_n的虚部，j表示虚数单位。

4.根据权利要求3所述的基于数字统计特性分析改善雷达回波信噪比的方法，其特征在于，步骤2中，所述实数化处理包含以下子步骤：

子步骤2.1，对数据集D中所有元素取共轭，得共轭数据集

子步骤2.2，分别取数据集D和共轭数据集中的每个元素并进行复数相乘，得实数数据集D′。

5.根据权利要求4所述的基于数字统计特性分析改善雷达回波信噪比的方法，其特征在于，子步骤2.2中，具体步骤如下：

子步骤2.2.1，取数据集D的第n个元素d_n＝R_n+I_nj，取中的第n个元素将d_n、相乘，得D′中的第n个元素d′_n；其中，d′_n的公式如下：

子步骤2.2.2，重复子步骤2.2.1，直到遍历完数据集D和中的每一个元素，得实数数据集D′。

6.根据权利要求1所述的基于数字统计特性分析改善雷达回波信噪比的方法，其特征在于，步骤3中，所述归一化包含最大最小标准化、Z-score标准化、非线性归一化。

7.根据权利要求1所述的基于数字统计特性分析改善雷达回波信噪比的方法，其特征在于，所述归一化采用最大最小标准化，所述最大最小标准化的公式为：其中，x表示归一化前的数据，x'表示归一化后的数据，x'∈[0,1]；

根据所述最大最小标准化的公式，对所述实数数据集D′进行归一化的公式为：得归一化数据集Λ；其中，α_n表示归一化数据集Λ中一个数据点，d′_n表示D′中的第n个元素。

8.根据权利要求7所述的基于数字统计特性分析改善雷达回波信噪比的方法，其特征在于，α_n＝α_1n+α_2n+α_3nn＝1,2,…,N，归一化数据集Λ定义如下：

其中，a_1n表示归一化数据集Λ中第一行的目标信息分量，a_2n表示归一化数据集Λ中第二行的干扰信息分量，a_3n表示归一化数据集Λ中第三行的噪声信息分量。

9.根据权利要求8所述的基于数字统计特性分析改善雷达回波信噪比的方法，步骤4中，归一化数据集Λ的数据均值μ的计算公式如下：

其中，α_in表示归一化数据集Λ中的元素，i＝1,2,3，N表示雷达采样点数；

归一化数据集Λ的数据方差σ²的计算公式如下：

10.根据权利要求1所述的基于数字统计特性分析改善雷达回波信噪比的方法，其特征在于，步骤6具体包含以下子步骤：

子步骤6.1，建立一个维数与归一化数据集Λ相同的空白数据集R；

子步骤6.2，搜索Λ中满足α_n≤g＝μ+σ²的数据点α_n；

子步骤6.3，将归一化数据集Λ中搜索到的数据点α_n以赋零的方式填入空白数据集R中对应的位置；

子步骤6.4，将归一化数据集Λ中剩余的数据点分别填入空白数据集R中对应的位置，得雷达回波信噪比改善后的数据集Λ'。