CN111123233B - 一种基于相关性的海杂波纹理估计方法 - Google Patents
一种基于相关性的海杂波纹理估计方法 Download PDFInfo
- Publication number
- CN111123233B CN111123233B CN201911313313.1A CN201911313313A CN111123233B CN 111123233 B CN111123233 B CN 111123233B CN 201911313313 A CN201911313313 A CN 201911313313A CN 111123233 B CN111123233 B CN 111123233B
- Authority
- CN
- China
- Prior art keywords
- units
- distance
- matrix
- unit
- estimated
- 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
- G01S7/41—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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Description
技术领域
本发明属于雷达海上目标检测研究领域,特别涉及该领域中的一种基于相关性的海杂波纹理估计方法,可用于雷达对海目标检测中的海杂波纹理估计。
背景技术
目前,复合高斯模型是公认最有效的海杂波建模模型,它用两个相互独立过程的乘积(或调制)来描述海杂波:一个称为散斑分量或快变分量,可以用零均值的复高斯过程建模,另一个称为纹理分量或慢变分量,它是非负的随机变量,表征杂波功率。在雷达对海目标检测中,尤其是基于统计特性的目标检测方法,待检测单元海杂波纹理分量估计的有效性直接影响雷达目标检测效果。对于非相干检测中的CFAR(Constant False-AlarmRatio,恒虚警)目标检测技术,其中包括了均值类CFAR处理算法、有序统计量类CFAR处理算法和删除单元平均的CFAR处理算法等,不同的CFAR处理算法核心都是为了得到待检测单元杂波功率值的准确估计。对于相干检测中的自适应匹配滤波检测算法,待检测单元杂波协方差矩阵的有效估计是影响雷达目标检测效果的关键因素,根据复合高斯模型,杂波协方差矩阵的估计可以分解为纹理分量估计和散斑协方差矩阵估计,散斑协方差矩阵估计可以采用NSCM(Normalized Sample Covariance Matrix,归一化样本协方差矩阵)或者一些基于NSCM的改进算法获得,对于纹理分量的估计则通常采用了均值或中值估计。采用均值处理是基于海杂波纹理分量在参考单元距离上独立同分布这一假设,而中值处理则是在上述假设基础上解决异常样本问题,但是随着雷达分辨率的提高,对实测数据的分析结果表明,海杂波的纹理分量在距离维上并不是完全独立同分布的,而是具有一定的相关特性,实际与假设的不一致必然导致海杂波纹理估计存在较大误差,从而影响雷达目标检测性能。
发明内容
本发明所要解决的技术问题就是提供一种基于相关性的海杂波纹理估计方法。
本发明采用如下技术方案:
一种基于相关性的海杂波纹理估计方法,其改进之处在于,包括如下步骤:
步骤1,雷达接收回波数据记为X,其中X为J×K维的复数矩阵,J和K分别为雷达回波数据的距离单元数和脉冲数;
步骤2,基于X计算雷达回波数据每个脉冲功率值,并将相邻N个脉冲的功率值取平均,形成矩阵Y:
L=floor(K/N).
其中N为目标检测处理中的积累脉冲数,floor(·)表示向左取整;
步骤3,基于Y计算雷达回波功率在距离维上的平均相关系数ρ:
步骤31,取矩阵Y中的第l列计算其自相关系数:
其中r(l,m)表示矩阵Y中的第l列在间隔m个距离单元时对应的自相关系数,2P和2Q分别对应目标检测处理中的参考单元数和保护单元数;
步骤32,重复步骤31计算矩阵Y中每一列的自相关系数,将L列自相关系数取平均得到雷达回波功率在距离维上的平均相关系数ρ:
步骤4,取矩阵Y中的第j行第l列作为待估计单元,在待估计单元紧邻两侧各取Q个距离单元作为保护单元,保护单元是指与待估计单元距离最近但不被作为参考的单元,然后按照最近邻原则取2P个距离单元作为参考单元,参考单元的距离标号记为Rp,则参考单元的回波功率为Y(Rp,l),参考单元与待估计单元的距离间隔记为Dp,其中p=1,2,...,2P;
步骤5,根据线性预测原理估计参考单元回波功率的加权系数向量W:
其中|·|表示取绝对值,2P个方程联立求解可得W;
步骤6,根据参考单元回波功率及其加权系数向量W,计算待估计单元的杂波纹理:
步骤7,重复步骤4至步骤6,遍历j=1,2,...,J;l=1,2,...,L,即可得到每个单元杂波纹理的估计值。
本发明的有益效果是:
本发明方法为解决海杂波纹理分量估计中独立同分布假设与实测数据不符这一问题,从实测数据中估算海杂波纹理分量的距离相关特性,具有更好的自适应特性。
本发明方法基于海杂波纹理分量的距离相关特性进行海杂波纹理分量的估计,相比现有方法提高了估计的准确性,可以实现对空间部分相关海杂波纹理分量的准确估计。
附图说明
图1是本发明方法的流程示意图;
图2是本发明方法与现有方法基于样本数据1所得估计值与实测值的对比图;
图3是本发明方法与现有方法基于样本数据2所得估计值与实测值的对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1,如图1所示,本实施例公开了一种基于相关性的海杂波纹理估计方法,包括如下步骤:
步骤1,雷达接收回波数据记为X,其中X为J×K维的复数矩阵,J和K分别为雷达回波数据的距离单元数和脉冲数;
步骤2,基于X计算雷达回波数据每个脉冲功率值,并将相邻N个脉冲的功率值取平均,形成矩阵Y:
L=floor(K/N).
其中N为目标检测处理中的积累脉冲数,floor(·)表示向左取整;
步骤3,基于Y计算雷达回波功率在距离维上的平均相关系数ρ:
步骤31,取矩阵Y中的第l列计算其自相关系数:
其中r(l,m)表示矩阵Y中的第l列在间隔m个距离单元时对应的自相关系数,2P和2Q分别对应目标检测处理中的参考单元数和保护单元数;
步骤32,重复步骤31计算矩阵Y中每一列的自相关系数,将L列自相关系数取平均得到雷达回波功率在距离维上的平均相关系数ρ:
步骤4,取矩阵Y中的第j行第l列作为待估计单元,在待估计单元紧邻两侧各取Q个距离单元作为保护单元,保护单元是指与待估计单元距离最近但不被作为参考的单元,然后按照最近邻原则取2P个距离单元作为参考单元,参考单元的距离标号记为Rp,则参考单元的回波功率为Y(Rp,l),参考单元与待估计单元的距离间隔记为Dp,其中p=1,2,...,2P;
步骤5,根据线性预测原理估计参考单元回波功率的加权系数向量W:
其中|·|表示取绝对值,2P个方程联立求解可得W;
步骤6,根据参考单元回波功率及其加权系数向量W,计算待估计单元的杂波纹理(即功率):
步骤7,重复步骤4至步骤6,遍历j=1,2,...,J;l=1,2,...,L,即可得到每个单元杂波纹理的估计值。
本发明方法的效果可以通过以下实验结果进一步说明:基于某S波段雷达的实测海杂波数据,分别采用本发明方法和现有的均值、中值估计方法进行海杂波纹理分量估计,两组样本数据的实验结果分别如图2和图3所示,图中可以看出本发明方法估计值与实测值在趋势和取值量级上是最一致的,而均值和中值估计与实测数据相比都出现了较大偏差,验证了本发明方法的有效性。
Claims (1)
1.一种基于相关性的海杂波纹理估计方法,其特征在于,包括如下步骤:
步骤1,雷达接收回波数据记为X,其中X为J×K维的复数矩阵,J和K分别为雷达回波数据的距离单元数和脉冲数;
步骤2,基于X计算雷达回波数据每个脉冲功率值,并将相邻N个脉冲的功率值取平均,形成矩阵Y:
L=floor(K/N).
其中N为目标检测处理中的积累脉冲数,floor(·)表示向左取整;
步骤3,基于Y计算雷达回波功率在距离维上的平均相关系数ρ:
步骤31,取矩阵Y中的第l列计算其自相关系数:
其中r(l,m)表示矩阵Y中的第l列在间隔m个距离单元时对应的自相关系数,2P和2Q分别对应目标检测处理中的参考单元数和保护单元数;
步骤32,重复步骤31计算矩阵Y中每一列的自相关系数,将L列自相关系数取平均得到雷达回波功率在距离维上的平均相关系数ρ:
步骤4,取矩阵Y中的第j行第l列作为待估计单元,在待估计单元紧邻两侧各取Q个距离单元作为保护单元,保护单元是指与待估计单元距离最近但不被作为参考的单元,然后按照最近邻原则取2P个距离单元作为参考单元,参考单元的距离标号记为Rp,则参考单元的回波功率为Y(Rp,l),参考单元与待估计单元的距离间隔记为Dp,其中p=1,2,...,2P;
步骤5,根据线性预测原理估计参考单元回波功率的加权系数向量W:
其中|·|表示取绝对值,2P个方程联立求解可得W;
步骤6,根据参考单元回波功率及其加权系数向量W,计算待估计单元的杂波纹理:
步骤7,重复步骤4至步骤6,遍历j=1,2,...,J;l=1,2,...,L,即可得到每个单元杂波纹理的估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911313313.1A CN111123233B (zh) | 2019-12-19 | 2019-12-19 | 一种基于相关性的海杂波纹理估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911313313.1A CN111123233B (zh) | 2019-12-19 | 2019-12-19 | 一种基于相关性的海杂波纹理估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111123233A CN111123233A (zh) | 2020-05-08 |
CN111123233B true CN111123233B (zh) | 2021-09-17 |
Family
ID=70499846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911313313.1A Active CN111123233B (zh) | 2019-12-19 | 2019-12-19 | 一种基于相关性的海杂波纹理估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111123233B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111812598B (zh) * | 2020-07-30 | 2022-03-22 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于时域频域多特征的地海杂波分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093196A (zh) * | 2015-07-24 | 2015-11-25 | 西安电子科技大学 | 基于逆伽马纹理复合高斯模型下的相干检测方法 |
CN105388465A (zh) * | 2015-12-17 | 2016-03-09 | 西安电子科技大学 | 基于海浪谱模型的海杂波模拟方法 |
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
CN105807267A (zh) * | 2016-03-11 | 2016-07-27 | 中国人民解放军国防科学技术大学 | 一种mimo雷达扩展目标的检测方法 |
CN109541566A (zh) * | 2018-12-20 | 2019-03-29 | 西安电子科技大学 | 基于双重分数阶矩的k分布海杂波参数估计方法 |
-
2019
- 2019-12-19 CN CN201911313313.1A patent/CN111123233B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
CN105093196A (zh) * | 2015-07-24 | 2015-11-25 | 西安电子科技大学 | 基于逆伽马纹理复合高斯模型下的相干检测方法 |
CN105388465A (zh) * | 2015-12-17 | 2016-03-09 | 西安电子科技大学 | 基于海浪谱模型的海杂波模拟方法 |
CN105807267A (zh) * | 2016-03-11 | 2016-07-27 | 中国人民解放军国防科学技术大学 | 一种mimo雷达扩展目标的检测方法 |
CN109541566A (zh) * | 2018-12-20 | 2019-03-29 | 西安电子科技大学 | 基于双重分数阶矩的k分布海杂波参数估计方法 |
Non-Patent Citations (2)
Title |
---|
Model for Non-Gaussian Sea Clutter Amplitudes Using Generalized Inverse Gaussian Texture;Jian Xue et al.;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20190630;第16卷(第6期);第892-896页 * |
基于逆高斯纹理空间相关性的雷达目标检测;施赛楠等;《系统工程与电子技术》;20171031;第39卷(第10期);第2215-2220页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111123233A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110542885B (zh) | 一种复杂交通环境下的毫米波雷达目标跟踪方法 | |
CN106872958B (zh) | 基于线性融合的雷达目标自适应检测方法 | |
CN111551903A (zh) | 改进型二维变化指数恒虚警目标检测方法 | |
CN109031229B (zh) | 一种杂波环境下目标跟踪的概率假设密度方法 | |
CN110632571B (zh) | 一种基于矩阵流形的稳健stap协方差矩阵估计方法 | |
CN114580260B (zh) | 一种基于机器学习和概率理论的滑坡区间预测方法 | |
CN111562569B (zh) | 基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法 | |
CN110376582B (zh) | 自适应gm-phd的机动目标跟踪方法 | |
CN107180259B (zh) | 一种基于系统辨识的stap训练样本选择方法 | |
CN109613528A (zh) | 一种高分辨率的多目标跟踪雷达及检测方法 | |
CN111123233B (zh) | 一种基于相关性的海杂波纹理估计方法 | |
CN111562571A (zh) | 一种未知新生强度的机动多目标跟踪与航迹维持方法 | |
CN108646249B (zh) | 一种适用于部分均匀混响背景的参数化泄露目标检测方法 | |
CN114114192A (zh) | 集群目标检测方法 | |
CN110889862A (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
CN110532620A (zh) | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 | |
CN116047494A (zh) | 通感一体背景下基于多距离划分的多扩展目标的跟踪方法 | |
CN115616358A (zh) | 基于频谱时间图神经网络的高压电缆故障判断方法 | |
CN106526545A (zh) | 一种鲁棒cfar检测器的检测方法 | |
CN108196238B (zh) | 高斯背景下基于自适应匹配滤波的杂波图检测方法 | |
CN112906603A (zh) | 基于点云数据的三维曲面监控方法、系统及可读介质 | |
CN111830481A (zh) | 雷达回波单分量幅度分布模型参数估计方法及装置 | |
CN106772357A (zh) | 信噪比未知条件下的ai‑phd滤波器 | |
CN107315169B (zh) | 基于二阶统计量相似度的杂波协方差矩阵估计方法 | |
CN106443624B (zh) | 一种目标检测与跟踪一体化方法 |
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 |