CN110940970B - 一种针对浮油海面的mimo雷达目标检测方法及系统 - Google Patents
一种针对浮油海面的mimo雷达目标检测方法及系统 Download PDFInfo
- Publication number
- CN110940970B CN110940970B CN201911075186.6A CN201911075186A CN110940970B CN 110940970 B CN110940970 B CN 110940970B CN 201911075186 A CN201911075186 A CN 201911075186A CN 110940970 B CN110940970 B CN 110940970B
- Authority
- CN
- China
- Prior art keywords
- target
- maximum likelihood
- sea surface
- model
- oil
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 239000002131 composite material Substances 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000002592 echocardiography Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 38
- 238000004590 computer program Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000032369 Primary transmission Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
- G01S7/418—Theoretical aspects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种针对浮油海面的MIMO雷达目标检测方法,获取浮油海面的油斑分量协方差矩阵、结构分量,输入至预先构建的复合高斯随机杂波模型,得到海杂波回波信号;获取检测单元的目标回波信号;将海杂波回波信号与目标回波信号输入至预先构建的二元假设检测模型,得到二元假设检测数据;将二元假设检测数据输入至预先构建的联合概率密度函数模型,得到联合概率密度函数;对油斑分量协方差矩阵和结构分量进行最大似然估计,将最大似然估计后的结果和联合概率密度函数输入至预先构建的目标检测器模型,得到浮油海面的MIMO雷达广义似然比检测器。优点:能够有效抑制针对存在浮油海面的海杂波对MIMO雷达目标检测的影响。
Description
技术领域
本发明涉及一种针对浮油海面的MIMO雷达目标检测方法及系统,属于雷达目标检测的技术领域。
背景技术
环境的复杂性和多样性影响着雷达目标探测的性能。不同于传统的单基雷达,MIMO(Multiple-Input Multiple-Output,多输入多输出)雷达在一定区域内合理配置多个发射站和接收站,可以获得更为丰富的目标信息,实现对目标更为全面的观测,可以显著提高目标检测性能,因此,对MIMO雷达的目标检测方法的研究具有重大的理论价值和工程应用价值。
在实际情况中,雷达目标往往淹没在杂波背景中,而且由于海洋表面的浮油会改变海面的电磁特性,对雷达的目标检测性能造成影响。
发明内容
本发明所要解决的技术问题是克服现有技术无法解决海面浮油对MIMO雷达目标检测造成影响的缺陷,提供一种针对浮油海面的MIMO雷达目标检测方法及系统。
为解决上述技术问题,本发明提供一种浮油海面的MIMO雷达目标检测方法,获取浮油海面的油斑分量协方差矩阵、结构分量,将油斑分量协方差矩阵、结构分量输入至预先构建的复合高斯随机杂波模型,得到海杂波回波信号;
获取检测单元的目标回波信号,其中检测单元指浮油海面上存在目标的区域;
将海杂波回波信号与目标回波信号输入至预先构建的二元假设检测模型,得到二元假设检测数据;
将二元假设检测数据输入至预先构建的联合概率密度函数模型,得到联合概率密度函数;
对油斑分量协方差矩阵和结构分量进行最大似然估计,将最大似然估计后的结果和联合概率密度函数输入至预先构建的目标检测器模型,得到浮油海面的MIMO雷达广义似然比检测器。
进一步的,为了使得浮油海面的目标检测较现今通用检测方法更准确,需要对油斑海面进行杂波建模,所述复合高斯随机杂波模型为:
其中,τ是一个概率密度函数为p(τ)的非负随机变量,称作结构分量;g是油斑分量协方差矩阵为A的均值为0的M维复高斯矢量,用来表示海面油斑;c为海杂波回波。
进一步的,为了使得目标检测模型更为简单的表达,将其用数学上的二元假设检测模型表达,所述二元假设检测模型为:
其中,H0表示“没有目标出现在检测单元中”的假设;H1表示“目标出现在检测单元中”的假设;α为单位目标导向矢量;β是目标回波复幅度;z0表示成一个k维向量形式检测距离单元数据;zi为第i个参考单元数据,i=1,…,K,K表示参考单元的总个数;c0和ci均为k维复矢量,k≤K,分别表示检测单元杂波和第i个参考单元的海杂波回波。
进一步的,为了得到检测器模型,需要首先模拟概率密度函数模型,所述联合概率密度函数模型为:
其中,τi表示第i个杂波回波信号的结构分量;A为油斑分量协方差矩阵;;det(A)表示矩阵A的行列式;表示所有杂波回波的结构分量连乘;exp[]表示e指数;H0表示“没有目标出现在检测单元中”的假设;H1表示“目标出现在检测单元中”的假设,H表示共轭转置。
进一步的,当参考数据较大时,相对其他似然比检测器,所选检测器可以很准确的进行目标检测,所述目标检测器模型为:
H0和H1假设下τi的最大似然估计分别为:
H0和H1假设下油斑分量协方差矩阵A的最大似然估计分别为:
将H0和H1假设下τi的最大似然估计和H0和H1假设下油斑分量协方差矩阵A的最大似然估计的公式带入目标检测器模型得到浮油海面的MIMO雷达广义似然比检测器:
一种浮油海面的MIMO雷达目标检测系统,包括:
海杂波回波模块,用于获取浮油海面的油斑分量协方差矩阵、结构分量,将油斑分量协方差矩阵、结构分量输入至预先构建的复合高斯随机杂波模型,得到海杂波回波信号;
目标回波信号模块,获取检测单元的目标回波信号,其中检测单元指浮油海面上存在目标的区域;
二元假设检测处理模块,用于将目标回波信号和海杂波回波信号输入至预先构建的二元假设检测模型,得到二元假设检测数据;
联合概率密度函数生成模块,用于将二元假设检测数据输入至预先构建的联合概率密度函数模型,得到联合概率密度函数;
检测器生成模块,用于对油斑分量协方差矩阵和结构分量进行最大似然估计,将最大似然估计后的结果和联合概率密度函数输入至预先构建的目标检测器模型,得到浮油海面的MIMO雷达广义似然比检测器。
进一步的,所述海杂波回波模块还包括复合高斯随机杂波模型构建模块,用于利用下式构建复合高斯随机杂波模型:
其中,τ是一个概率密度函数为p(τ)的非负随机变量,称作结构分量;g是油斑分量协方差矩阵为A的均值为0的M维复高斯矢量,用来表示海面油斑;c为海杂波回波。
进一步的,所述二元假设检测处理模块还包括二元假设检测模型构建模块,用于利用下式构建二元假设检测模型:
其中,H0表示“没有目标出现在检测单元中”的假设;H1表示“目标出现在检测单元中”的假设;α为单位目标导向矢量;β是目标回波复幅度;z0表示成一个k维向量形式检测距离单元数据;zi为第i个参考单元数据,i=1,…,K,K表示参考单元的总个数;c0和ci均为k维复矢量,k≤K,分别表示检测单元杂波和第i个参考单元的海杂波回波。
进一步的,所述联合概率密度函数生成模块还包括联合概率密度函数模型构建模块,用于利用下式构建联合概率密度函数模型:
其中,τi表示第i个杂波回波信号的结构分量;A为油斑分量协方差矩阵;det(A)表示矩阵A的行列式;表示所有杂波回波的结构分量连乘;exp[]表示e指数;H0表示“没有目标出现在检测单元中”的假设;H1表示“目标出现在检测单元中”的假设。
进一步的,所述检测器生成模块还包括目标检测器模型构建模块、最大似然估计计算模块和简化模块;
所述目标检测器模型构建模块,用于利用下式构建目标检测器模型:
其中,表示H1假设下β的最大似然估计;/>和/>分别表示H1假设下和H0假设下τi的最大似然估计;/>和/>分别表示H1假设下和H0假设下协方差矩阵A的最大似然估计所述最大似然估计模块,用于利用下式计算最大似然估计:
H0和H1假设下τi的最大似然估计分别为:
H0和H1假设下油斑分量协方差矩阵A的最大似然估计分别为:
所述简化模块,用于将最大似然估计模块计算得到的H0和H1假设下τi的最大似然估计和H0和H1假设下油斑分量协方差矩阵A的最大似然估计的公式带入目标检测器模型得到浮油海面的MIMO雷达广义似然比检测器:
本发明所达到的有益效果:
本发明将浮油海面的MIMO雷达目标检测问题归结为一种二元假设检验问题,对未知油斑分量协方差矩阵进行最大似然估计,并将其带入广义似然比目标检测器,得到了一种针对浮油海面的MIMO雷达广义似然比检测方法,能够有效抑制针对存在浮油海面的海杂波对MIMO雷达目标检测的影响
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种针对浮油海面的MIMO雷达目标检测方法,当海面存在浮油时,雷达距离分辨率较高以及擦地角减小时,距离单元内的反射体数目减小,中心极限定理不再成立,杂波幅度分布会出现比瑞利分布更长的“尾巴”,即出现高振幅的概率增大。因此,我们将该种情况的海杂波建模为一种复合高斯随机过程。
定义如下:
一个实随机矢量z=[z1,z2,…,zM]T,其M维联合概率密度函数有如下形式:
其中,u为z的均值矢量,A为z的协方差矩阵,hM[(z-u)TA-1(z-u)]为一单调递减函数。
为了保证p(x)是概率密度函数,该函数必须满足:
其中,F(x)是任意指定的分布函数,而f(x)是之对应的概率密度函数。将式(2)代入式(1)得到:
其中,z是一个概率密度函数为f(x)的特征概率密度函数,其积累分布函数F(x)是特征分布函数。上式把p(z)表示成了一个协方差矩阵为z2A的高斯概率密度函数的随机混合体,
复合高斯随机杂波模型可以如下表达:
其中,τ是一个概率密度函数为p(τ)的非负随机变量,称作结构分量;g是油斑分量协方差矩阵为A的均值为0的M维复高斯矢量,用来表示海面油斑。c为杂波回波。
假设MIMO雷达由m个发射阵元和n个接收阵元组成,收发阵均为半波长的均匀线阵。在发射端,各发射阵元同时向空间辐射正交波形。在接收端,所有接收阵元通过匹配滤波都能够将来自不同发射阵元的信号分离开来,这样,我们就得到了k=mn路输出信号。由于匹配滤波本身也是脉冲压缩的过程,因此这时便可将检测距离单元的数据取出,将其表示成一个k维向量的形式,记作z0。
杂波的协方差矩阵可能由于某些先验知识是已知的,也可能是未知的。通常认为除相邻距离单元外,检测单元周围的距离单元是无目标存在的,并且它们拥有与检测单元相同或相似的杂波分布特性,因此对于未知的杂波协方差矩阵,一般需用这些单元的数据来进行协方差矩阵估计。这些单元被称为参考距离单元,假设有K(K≥k)个参考单元数据,记作zi(i=1,…,K)。
MIMO雷达的检测问题可以归结为如下的二元假设检验:
其中,H0表示“没有目标出现在检测单元中”的假设;H1表示“目标出现在检测单元中”的假设;α为单位目标导向矢量;假设ci(i=1,…,K)都为零均值,协方差矩阵为A、独立同分布的复高斯向量;β是目标回波复幅度;c0和ci(i=1,…,K)均为k维复矢量,分别表示检测单元杂波和第i个参考单元的海杂波回波。
存在油斑的海面与干净海面的海杂波回波不同,因此需要对油斑海面进行专门的研究。
海表面对雷达发射信号的后向散射形成的海杂波。海杂波后向散射特性是海杂波的重要特性之一。海杂波的强弱用单位面积的雷达横截面积σ0来表示,σ0表征单位面积的雷达照射区域对电磁波后向散射能力的平均强度,又称为后向散射系数。
干净海面散射系数σ0:
其中,ss为海情系数,是通过对雷达分辨单元内的海面物理模型,针对每个杂波采样单元给出的,用来描述海面的粗糙度,定义为所观察到的浪群中的1/3最大浪高的平均值;θg为入射余角;λ表示波长;ctg表示余切函数tg表示正切函数。
浮油海面的散射系数:
其中ki为入射波矢数,ks为散射波矢数;a,b分别为一次透射波的极化方式;Wf(q-k)为油斑的空间功率谱密度,且有ki、ks分别为入射波与散射波的波数矢量;ε为介电常数;f′ab为散射因子;θi和θs分别为入射角和散射角;/>为散射波的方位角。
浮油海面上及复合高斯随机杂波模型下,假设结构分量τi(i=1,…,K)和油斑分量杂波协方差矩阵A均未知时,检测单元与参考单元数据在H0假设和H1假设下的联合概率密度函数为:
则MIMO雷达的广义似然比目标检测器为:
H1假设下,β的最大似然估计为:
H0和H1假设下τi的最大似然估计分别为:
H0和H1假设下油斑分量协方差矩阵A的最大似然估计分别为:
将式(11)~(16)代入式(10),得到浮油海面MIMO雷达广义似然比检测器为:
一种浮油海面的MIMO雷达目标检测系统,包括:
海杂波回波模块,用于获取浮油海面的油斑分量协方差矩阵、结构分量,将油斑分量协方差矩阵、结构分量输入至预先构建的复合高斯随机杂波模型,得到海杂波回波信号;
目标回波信号模块,获取检测单元的目标回波信号,其中检测单元指浮油海面上存在目标的区域;
二元假设检测处理模块,用于将目标回波信号和海杂波回波信号输入至预先构建的二元假设检测模型,得到二元假设检测数据;
联合概率密度函数生成模块,用于将二元假设检测数据输入至预先构建的联合概率密度函数模型,得到联合概率密度函数;
检测器生成模块,用于对油斑分量协方差矩阵和结构分量进行最大似然估计,将最大似然估计后的结果和联合概率密度函数输入至预先构建的目标检测器模型,得到浮油海面的MIMO雷达广义似然比检测器。
本实施例中,所述海杂波回波模块还包括复合高斯随机杂波模型构建模块,用于利用下式构建复合高斯随机杂波模型:
其中,τ是一个概率密度函数为p(τ)的非负随机变量,称作结构分量;g是油斑分量协方差矩阵为A的均值为0的M维复高斯矢量,用来表示海面油斑;c为海杂波回波。
本实施例中,所述二元假设检测处理模块还包括二元假设检测模型构建模块,用于利用下式构建二元假设检测模型:
其中,H0表示“没有目标出现在检测单元中”的假设;H1表示“目标出现在检测单元中”的假设;α为单位目标导向矢量;β是目标回波复幅度;z0表示成一个k维向量形式检测距离单元数据;zi为第i个参考单元数据,i=1,…,K,K表示参考单元的总个数;c0和ci均为k维复矢量,k≤K,分别表示检测单元杂波和第i个参考单元的海杂波回波。
本实施例中,所述联合概率密度函数生成模块还包括联合概率密度函数模型构建模块,用于利用下式构建联合概率密度函数模型:
其中,τi表示第i个杂波回波结构分量;A为油斑分量协方差矩阵;det(A)表示矩阵A的行列式;表示所有杂波回波的结构分量连乘;exp[]表示e指数;H0表示“没有目标出现在检测单元中”的假设;H1表示“目标出现在检测单元中”的假设。
本实施例中,所述检测器生成模块还包括目标检测器模型构建模块、最大似然估计计算模块和简化模块;
所述目标检测器模型构建模块,用于利用下式构建目标检测器模型:
其中,表示H1假设下β的最大似然估计;/>和/>分别表示H1假设下和H0假设下τi的最大似然估计;/>和/>分别表示H1假设下和H0假设下协方差矩阵A的最大似然估计;所述最大似然估计模块,用于利用下式计算最大似然估计:
H0和H1假设下τi的最大似然估计分别为:
H0和H1假设下油斑分量协方差矩阵A的最大似然估计分别为:
所述简化模块,用于将最大似然估计模块计算得到的H0和H1假设下τi的最大似然估计和H0和H1假设下油斑分量协方差矩阵A的最大似然估计的公式带入目标检测器模型得到浮油海面的MIMO雷达广义似然比检测器:
其中,本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何视为限制所涉及的权利要求。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种针对浮油海面的MIMO雷达目标检测方法,其特征在于,
获取浮油海面的油斑分量协方差矩阵、结构分量,将油斑分量协方差矩阵、结构分量输入至预先构建的复合高斯随机杂波模型,得到海杂波回波信号;
获取检测单元的目标回波信号,其中检测单元指浮油海面上存在目标的区域;
将海杂波回波信号与目标回波信号输入至预先构建的二元假设检测模型,得到二元假设检测数据;
将二元假设检测数据输入至预先构建的联合概率密度函数模型,得到联合概率密度函数;
对油斑分量协方差矩阵和结构分量进行最大似然估计,将最大似然估计后的结果和联合概率密度函数输入至预先构建的目标检测器模型,得到浮油海面的MIMO雷达广义似然比检测器;
所述复合高斯随机杂波模型为:
其中,τ是一个概率密度函数为p(τ)的非负随机变量,称作结构分量;是油斑分量协方差矩阵为A的均值为0的M维复高斯矢量,用来表示海面油斑;c为海杂波回波。
5.一种针对浮油海面的MIMO雷达目标检测系统,其特征在于,包括:
海杂波回波模块,用于获取浮油海面的油斑分量协方差矩阵、结构分量,将油斑分量协方差矩阵、结构分量输入至预先构建的复合高斯随机杂波模型,得到海杂波回波信号;
目标回波信号模块,获取检测单元的目标回波信号,其中检测单元指浮油海面上存在目标的区域;
二元假设检测处理模块,用于将目标回波信号和海杂波回波信号输入至预先构建的二元假设检测模型,得到二元假设检测数据;
联合概率密度函数生成模块,用于将二元假设检测数据输入至预先构建的联合概率密度函数模型,得到联合概率密度函数;
检测器生成模块,用于对油斑分量协方差矩阵和结构分量进行最大似然估计,将最大似然估计后的结果和联合概率密度函数输入至预先构建的目标检测器模型,得到浮油海面的MIMO雷达广义似然比检测器;
所述海杂波回波模块还包括复合高斯随机杂波模型构建模块,用于利用下式构建复合高斯随机杂波模型:
其中,τ是一个概率密度函数为p(τ)的非负随机变量,称作结构分量;是油斑分量协方差矩阵为A的均值为0的M维复高斯矢量,用来表示海面油斑;c为海杂波回波。
8.根据权利要求7所述的针对浮油海面的MIMO雷达目标检测系统,其特征在于,所述检测器生成模块还包括目标检测器模型构建模块、最大似然估计计算模块和简化模块;
所述目标检测器模型构建模块,用于利用下式构建目标检测器模型:
其中,表示H1假设下β的最大似然估计;/>和/>分别表示H1假设下和H0假设下τi的最大似然估计;/>和/>分别表示H1假设下和H0假设下协方差矩阵A的最大似然估计;所述最大似然估计模块,用于利用下式计算最大似然估计:
H0和H1假设下τi的最大似然估计分别为:
H0和H1假设下油斑分量协方差矩阵A的最大似然估计分别为:
所述简化模块,用于将最大似然估计模块计算得到的H0和H1假设下τi的最大似然估计和H0和H1假设下油斑分量协方差矩阵A的最大似然估计的公式带入目标检测器模型得到浮油海面的MIMO雷达广义似然比检测器:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911075186.6A CN110940970B (zh) | 2019-11-06 | 2019-11-06 | 一种针对浮油海面的mimo雷达目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911075186.6A CN110940970B (zh) | 2019-11-06 | 2019-11-06 | 一种针对浮油海面的mimo雷达目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110940970A CN110940970A (zh) | 2020-03-31 |
CN110940970B true CN110940970B (zh) | 2023-06-16 |
Family
ID=69906373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911075186.6A Active CN110940970B (zh) | 2019-11-06 | 2019-11-06 | 一种针对浮油海面的mimo雷达目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110940970B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112083390B (zh) * | 2020-08-20 | 2024-02-27 | 西安电子科技大学 | 一种时空关联下雷达杂波的动态抑制方法及装置 |
CN111999717B (zh) * | 2020-09-02 | 2022-04-01 | 中国人民解放军海军航空大学 | 基于协方差矩阵结构统计估计的自适应融合检测方法 |
CN111999716B (zh) * | 2020-09-02 | 2022-03-29 | 中国人民解放军海军航空大学 | 基于杂波先验信息的目标自适应融合检测方法 |
CN113009477B (zh) * | 2021-02-24 | 2023-04-18 | 湖北中南鹏力海洋探测系统工程有限公司 | 一种阵列式高频地波海洋雷达系统 |
CN113009444B (zh) * | 2021-02-26 | 2023-06-06 | 南京邮电大学 | 一种广义高斯纹理海杂波背景下的目标检测方法及装置 |
CN113759336B (zh) * | 2021-08-31 | 2024-04-30 | 东南大学 | 一种图特征学习下的海杂波抑制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183754B (zh) * | 2011-03-03 | 2012-07-25 | 浙江大学 | 一种鲁棒智能雷达海上目标检测系统及方法 |
CN102147465B (zh) * | 2011-03-03 | 2012-07-11 | 浙江大学 | 一种混沌寻优雷达海上目标检测系统及方法 |
CN102608604B (zh) * | 2012-03-14 | 2014-02-19 | 清华大学 | 基于共极化特征功率图的海面溢油检测方法 |
CN107656250A (zh) * | 2017-11-13 | 2018-02-02 | 浙江大学 | 一种基于人工蜂群算法的智能雷达海上目标检测系统及方法 |
CN108983179A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种群智能敏捷的雷达海上目标检测系统 |
-
2019
- 2019-11-06 CN CN201911075186.6A patent/CN110940970B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110940970A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110940970B (zh) | 一种针对浮油海面的mimo雷达目标检测方法及系统 | |
CN103713288B (zh) | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 | |
CN105785361B (zh) | 一种阵元失效条件下的mimo雷达成像方法 | |
CN108459312B (zh) | 基于复合多径因子估计的加权多频最大似然仰角估计方法 | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN108717189B (zh) | 基于压缩感知理论的双基地mimo雷达成像方法 | |
CN106526530A (zh) | 基于传播算子的2‑l型阵列二维doa估计算法 | |
CN106500671B (zh) | 一种基于lm算法分解激光雷达波形确定海水深度的方法 | |
CN107202989B (zh) | 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法 | |
CN110320490B (zh) | 一种无直达信号条件下的无线电波达方向估计方法 | |
CN109765521B (zh) | 一种基于子阵划分的波束域成像方法 | |
CN109375153B (zh) | 一种基于冲激响应压缩感知的密集多径信号角度估计方法 | |
CN107290732B (zh) | 一种量子大爆炸的单基地mimo雷达测向方法 | |
CN105445718A (zh) | 一种基于阵列重构的分布式多载舰超视距雷达的doa估计方法 | |
CN103412290A (zh) | 知识辅助的apr非均匀样本检测方法 | |
CN104535973A (zh) | 一种机载预警雷达目标检测方法 | |
CN104656073A (zh) | 三维成像声纳波束形成方法及在多核处理器上的实现方法 | |
CN103399308B (zh) | 主瓣和旁瓣干扰背景下雷达目标角度快速估计方法 | |
CN105699950A (zh) | 基于自适应迭代前后向平滑共轭梯度的雷达杂波抑制方法 | |
CN107229040B (zh) | 基于稀疏恢复空时谱估计的高频雷达目标检测方法 | |
Shangguan et al. | GF-3 polarimetric data quality assessment based on automatic extraction of distributed targets | |
CN107064896A (zh) | 基于截断修正sl0算法的mimo雷达参数估计方法 | |
CN108828586B (zh) | 一种基于波束域的双基地mimo雷达测角优化方法 | |
CN110231589B (zh) | 一种大扩散角的多径信号波达方向估计方法 | |
CN107167782B (zh) | 基于信杂噪比最大的雷达三维异构阵稀疏重构方法 |
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 |