CN111693961B - 一种基于kl散度单元筛选的cfar检测器 - Google Patents

一种基于kl散度单元筛选的cfar检测器 Download PDF

Info

Publication number
CN111693961B
CN111693961B CN202010543984.3A CN202010543984A CN111693961B CN 111693961 B CN111693961 B CN 111693961B CN 202010543984 A CN202010543984 A CN 202010543984A CN 111693961 B CN111693961 B CN 111693961B
Authority
CN
China
Prior art keywords
data
divergence
cfar
segment
value
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
Application number
CN202010543984.3A
Other languages
English (en)
Other versions
CN111693961A (zh
Inventor
张宁
郭辰锋
李杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010543984.3A priority Critical patent/CN111693961B/zh
Publication of CN111693961A publication Critical patent/CN111693961A/zh
Application granted granted Critical
Publication of CN111693961B publication Critical patent/CN111693961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种基于KL散度单元筛选的CFAR检测器，涉及雷达目标检测技术领域，针对现有检测器在多目标背景下需要干扰目标数目的先验信息，TM‑CFAR中的大值删除数目需要人为设定，不能从环境中有效提取的问题，本发明结合KL散度与大津法设计了一种新的检测器，在将检测单元排序的基础之上能够有效地剔除幅度较强的异常值，依据环境的变化自适应地、有效地确定TM‑CFAR中的大值删除数目，抗击目标数目依照参考单元的情况自适应地调整，不需要干扰目标数目的先验信息，并且在多目标环境下具有良好的检测性能。

Description

一种基于KL散度单元筛选的CFAR检测器
技术领域
本发明涉及雷达目标检测技术领域，具体为一种基于KL散度单元筛选的CFAR检测器。
背景技术
传统的CFAR检测检测器主要针对指数分布(高斯分布的杂波经过平方律检波变为指数分布)设计，分为均值类CFAR检测器与有序类CFAR检测器。均值类CFAR检测器包含CA-CFAR，GO-CFAR与SO-CFAR，而经典的有序类CFAR主要是OS-CFAR，及其改进型CMLD-CFAR和TM-CFAR。在均匀背景中，CA-CFAR具有最优的检测性能，但是在多目标环境下检测概率迅速恶化；GO-CFAR检测器在杂波边缘环境中可以控制由于高杂波背景引起的虚警，但是同样在多目标环境下发现概率下降；SO-CFAR改善了CA-CFAR在多目标环境下的性能，但是当干扰目标同时出现在参考滑窗两侧时检测性能也会下降。为了综合上述CFAR检测器的优点，VI-CFAR检测器被提了出来。该检测器通过计算VI统计量判断参考单元前后滑窗的均匀程度，进而选择CA-CFAR、GO-CFAR、SO-CFAR中的一种作为检测策略进行检测。为了改善VI-CFAR在多目标环境下的检测性能，其他VI类检测器被相继开发出来，OSVI-CFAR将上述三种检测器分别替换为OS-CFAR，OSGO-CFAR和OSSO-CFAR；IVI-CFAR只将SO-CFAR替换成OS-CFAR；SVI-CFAR只将SO-CFAR替换成S-CFAR。由于VI统计量在前后沿滑窗中均存在多目标的情况下很容易将多目标背景误判成杂波边缘背景，所以VI类检测器对干扰目标的位置有一定的要求，而凡是涉及到使用有序类CFAR检测器作为备选策略的VI类检测器其抗击多目标的性能受参数k值的影响，最大抗击数目小于N-k个，而实际的情况中干扰目标的数目并不先验已知，固定的k值的设计并不能实时地反映背景的变化，检测性能受到限制。针对多目标的环境，还有一类自适应CFAR检测器，如E-CFAR，CCA-CFAR和GCMLD-CFAR，其设计思想主要是将参考单元与满足某一错误删减概率的检测阈值相比较，删除超过检测阈值的参考单元，这一类CFAR检测器往往具有较大的运算量。现有检测器在多目标背景下需要干扰目标数目的先验信息，TM-CFAR中的大值删除数目需要人为设定，不能从环境中有效提取。我们希望检测器在均匀环境与多目标环境中都具有良好的检测性能，同时抗击干扰目标的数目能够随检测背景而自适应地调整，并且运算量较小，能够满足实际应用的要求。
发明内容
本发明的目的是：针对现有检测器在多目标背景下需要干扰目标数目的先验信息，TM-CFAR中的大值删除数目需要人为设定，不能从环境中有效提取的问题，而提出的一种基于KL散度单元筛选的CFAR检测器。
本发明为了解决上述技术问题采取的技术方案是：一种基于KL散度单元筛选的CFAR检测器，包括以下步骤：
步骤一：接收雷达回波信号数据，并通过平方律检波对信号数据进行处理；
步骤二：参考单元前后沿滑窗载入经过平方律检波后的信号数据；
步骤三：将参考单元载入后的数据由小到大进行排序，得到有序数据
x(1)≤x(2)≤...≤x(R)；
步骤四：将有序数据分成n个整数段x(1)...x(k),x(k+1)...x(2k),...,x((n-1)k+1)...x(R)，其中n*k＝R；
步骤五：对每段数据分别求标准差；
步骤六：计算每段数据与第一段数据的统计分布差异，即KL散度值；
步骤七：计算KL散度的分割门限，并将大于门限的数据段标识为1，小于门限的数据段标识为0；
步骤八：选择标识为0的数据段的数据，将标识为1的数据段的数据删除，并计算删除的标识为1的数据段数据的个数r2，然后利用r2和虚警率的设计值Pfa计算标称因子T；
步骤九：计算标识为0的数据段的和值，并与标称因子T相乘得到检测门限；
步骤十：将检测单元数据与检测门限进行比较，做出有无目标的判决。
进一步的，所述步骤七中计算KL散度的分割门限采用双峰法。
进一步的，所述步骤七中计算KL散度的分割门限采用大津法。
进一步的，所述步骤五的具体过程为：
Figure BDA0002540043040000021
其中n是分的段数，k是每段数据的个数，σj是第j段数据的标准差，xi为表示段内的数据值，μj为段内数据的均值。
进一步的，所述步骤六中计算每段数据与第一段数据的统计分布差异的具体过程为：
Figure BDA0002540043040000022
其中，σj是第j段数据的标准差，KLDj是第j段数据的与第1段数据的统计特性差异度量值，即KL散度。
进一步的，所述步骤七中计算KL散度的分割门限的具体过程为：
首先假设有j个KL散度值，l(i)是KL散度值i的出现次数，p(i)是其对应的概率，设定初始阈值为D，将所有KL散度值分为C0和C1，C0表示KLD＜D，C1表示KLD＞D，属于C0的值个数为R0，占据所有值的比例为ω0，所属KL散度均值为μ0，属于C1的KL散度值个数为R1，占据比例为ω1，KL散度均值为μ1，上述变量有如下关系：
P(i)＝l(i)/R
ω0＝R0/R
ω1＝R1/R
Figure BDA0002540043040000031
Figure BDA0002540043040000032
则类间方差为：
σ2＝ω1ω0(μ1-μ0)2
通过搜索全部KL散度值，调整阈值D使得类间方差σ2最大，则该D值即为分割门限。
进一步的，所述步骤八中标称因子T通过以下步骤得到：
Figure BDA0002540043040000033
其中，T为标称因子，Pfa为设定的虚警率，R是参考单元的总个数，标称因子T的函数
Figure BDA0002540043040000034
由下式计算
Figure BDA0002540043040000035
Figure BDA0002540043040000041
其中，r1＝0，j为变量。
进一步的，所述步骤九中计算标识为0的数据段的和值的具体过程为：
Figure BDA0002540043040000042
其中，xi(i＝1...R-r2)为第i个参考单元数据，S为参考单元数据的和值。
进一步的，所述步骤十的具体过程为：
假设H0为无目标，H1为有目标，
Figure BDA0002540043040000043
其中CUT为检测单元数据，T为标称因子，S为参考单元的和值。
本发明的有益效果是：
本发明结合KL散度与大津法设计了一种新的检测器，在将检测单元排序的基础之上能够有效地剔除幅度较强的异常值，依据环境的变化自适应地、有效地确定TM-CFAR中的大值删除数目，抗击目标数目依照参考单元的情况自适应地调整，不需要干扰目标数目的先验信息，并且在多目标环境下具有良好的检测性能。
附图说明
图1为本发明整体流程图；
图2为均匀区域检测性能比较图；
图3为前后沿各有1个干扰目标的多目标环境检测性能比较图；
图4为后沿含有2个干扰目标的多目标环境检测性能比较图；
图5为前后沿各有3个干扰目标的多目标环境检测性能比较图；
图6为前沿含有6个干扰目标的多目标环境检测性能比较图；
图7为杂波环境虚警控制能力性能比较图。
具体实施方式
具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的一种基于KL散度单元筛选的CFAR检测器，包括以下步骤：
步骤一：接收雷达回波信号数据，并通过平方律检波对信号数据进行处理；
步骤二：参考单元前后沿滑窗载入经过平方律检波后的信号数据；
步骤三：将参考单元载入后的数据由小到大进行排序，得到有序数据
x(1)≤x(2)≤...≤x(R)；
步骤四：将有序数据分成n个整数段x(1)...x(k),x(k+1)...x(2k),...,x((n-1)k+1)...x(R)，其中n*k＝R；
步骤五：对每段数据分别求标准差；
步骤六：计算每段数据与第一段数据的统计分布差异，即KL散度值；
步骤七：计算KL散度的分割门限，并将大于门限的数据段标识为1，小于门限的数据段标识为0；
步骤八：选择标识为0的数据段的数据，将标识为1的数据段的数据删除，并计算删除的标识为1的数据段数据的个数r2，然后利用r2和虚警率的设计值Pfa计算标称因子T；
步骤九：计算标识为0的数据段的和值，并与标称因子T相乘得到检测门限；
步骤十：将检测单元数据与检测门限进行比较，做出有无目标的判决。
所述步骤一中输入数据为经过平方律检波后的服从指数分布的数据，在仿真实验中由仿真数据制备(在matlab中利用均匀分布产生指数分布的数据)；
所述步骤三中对步骤二中数据进行由小到大排列；
所述步骤四中对排列后的数据进行分段，分段个数必须是整数，如在均匀环境与多目标环境仿真实验中设置参考单元数目R＝16，分段个数为8，每段含有2个数据；
所述步骤五中利用分段后的数据计算每一段的标准差(在matlab中用std2函数计算),具体过程为：
Figure BDA0002540043040000051
其中n是分的段数，k是每段数据的个数，σj是第j段数据的标准差；
xi表示段内的数据值，例如在均匀环境与多目标环境仿真实验中，一共16个数据，分成8段，每段2个，xi，i＝1：2表示段内这2个数据值，μj就是段内这2个数据的均值，分成8段应有8个均值，即j＝1：8。
所述步骤六中利用每一段的标准差来计算各段与第一段数据的相比较的KL散度值，具体过程为：
Figure BDA0002540043040000061
所述步骤七中利用大津法计算针对KL散度值的分割门限，大于门限的数据段标识为1，小于门限的数据段标识为0，将KL散度值标志为0的数据进行保留，将KL散度值标志为1的数据删除，具体过程为：
假设有j个KL散度值，l(i)是KL散度值i的出现次数，p(i)是其对应的概率，设定初始阈值D，将所有KL散度值分为两类C0(KLD＜D)和C1(KLD＞D)，属于C0的值个数为R0，占据所有值的比例为ω0，所属KL散度均值为μ0，属于C1的KL散度值个数为R1，占据比例为ω1，KL散度均值为μ1，上述变量有如下关系：
P(i)＝l(i)/R (3)
ω0＝R0/R (4)
ω1＝R1/R (5)
Figure BDA0002540043040000062
Figure BDA0002540043040000063
则类间方差为：
σ2＝ω1ω0(μ1-μ0)2 (8)
通过搜索全部KL散度值，调整阈值D使得类间方差σ2最大，则该D值即为所求。
所述步骤八将统计已经删除的数据个数，记为r2，而r1＝0，再根据所设定的虚警概率Pfa计算标称因子，具体过程是：标称因子T是下述方程的解：
Figure BDA0002540043040000064
其中，T为标称因子，Pfa为设定的虚警率，
Figure BDA0002540043040000065
由下式计算。
Figure BDA0002540043040000071
Figure BDA0002540043040000072
其中bi是数学记法，没有物理含义。
所述步骤九计算剩余数据的和值，具体过程是：
Figure BDA0002540043040000073
其中，xi(i＝1...R-r2)为第i个参考单元数据，S为参考单元数据的和值。
所述步骤十进行有无目标的判决，假设H0为无目标，H1为有目标，具体判决过程是：
Figure BDA0002540043040000074
其中CUT为检测单元数据，T为标称因子，S为参考单元的和值。
采用以下实施例验证本发明的有益效果：
实施例一：
本实施例一种基于KL散度数据选择的CFAR检测器具体是按照以下步骤制备的：
采用仿真实验验证所设计算法的有效性。参考单元数目为R＝16，每段数据的数目为2，所设计方法记为KLTM-CFAR，对比方法采用CA-CFAR，VI-CFAR，IVI-CFAR，OSVI-CFAR，SVI-CFAR，S-CFAR，OS-CFAR中的k＝3*R/4＝12，OSGO与OSSO中OS-CFAR的k＝6，VI参数设置为：KVI＝4.56，KMR＝2.9，S-CFAR的参数设置为α＝0.4，β＝24.55，Nt＝11，虚警率设定Pfa＝10-6，蒙特卡洛仿真次数为1000，分别设置均匀环境、前后沿各有1个干扰目标的多目标环境、后沿含有2个干扰目标的多目标环境、前后沿各有3个干扰目标的多目标环境、前沿含有6个干扰目标的多目标环境和杂波边缘环境，来验证所设计方法与所比较方法在干扰目标数目不同，干扰目标位置不同的前提下的检测性能，以发现概率为性能指标，实验结果如图2到图7所示。
图2为均匀环境性能比较，Pfa＝0.000001，图3为前后沿各有1个干扰目标性能比较，Pfa＝0.000001，图4为后沿滑窗有2个干扰目标性能比较，Pfa＝0.000001，图5为前后沿滑窗各有3个干扰目标性能比较，Pfa＝0.000001，图6为前沿滑窗有6个干扰目标性能比较，Pfa＝0.000001，图7为杂波边缘下的虚警概率，Pfa＝0.001。
图2中(0，0)表示前后沿滑窗没有干扰目标，图3中(1，1)表示前后沿滑窗各有1干扰目标，图4中(0，2)表示后沿滑窗有2个干扰目标，图5中(3，3)表示前后沿滑窗各有3个干扰目标，图6中(6，0)表示前沿滑窗有6干扰目标。
在均匀环境中，CA-CFAR，VI-CFAR，IVI-CFAR，OSVI-CFAR，SVI-CFAR与S-CFAR具有接近的检测性能，这是由于在均匀环境下VI类检测器采用CA-CFAR的检测策略，S-CFAR也具有接近CA-CFAR的检测性能，而KLTM-CFAR的性能不如CA-CFAR性能好，这是由于在均匀环境下由于删除大值数据使得参考单元数目减少的原因。
在前后沿各有1个干扰目标的多目标环境中，CA-CFAR与VI-CFAR检测性能下降，这是由于VI-CFAR采用SO-CFAR检测策略所致，而此时IVI-CFAR采用OS(12)，SVI-CFAR采用S-CFAR，OSVI-CFAR采用OSSO(6)，保证了检测器不受干扰目标的影响，而S-CFAR在该种情况下也具有良好的性能，KLTM-CFAR与S-CFAR具有接近的性能。
在后沿有2个干扰目标的多目标环境中，CA-CFAR检测性能下降，而VI-CFAR性能很好，这是由于VI-CFAR舍弃后沿滑窗的数据，对前沿滑窗采用CA-CFAR检测策略所致，由此可以看出VI-CFAR对干扰目标的位置敏感，而IVI-CFAR、SVI-CFAR、OSVI-CFAR则克服了对干扰目标数目位置敏感的问题，保持了良好的检测性能，同时S-CFAR也具有良好的性能，KLTM-CFAR具有与S-CFAR接近的检测性能。
在前后沿各有3个干扰目标的多目标环境中，所有VI类检测器检测性能下降，这是由于干扰目标数目超出有序类CFAR干扰目标数目容限所致，S-CFAR的检测性能也有下降，而KLTM-CFAR具有良好的检测性能。
在前沿有6个干扰目标的多目标环境中，KLTM-CFAR检测性能依然可观，证明KLTM抗击干扰目标的能力不受干扰目标位置的影响。
设置杂波边缘环境中，高杂波比低杂波高出10dB，参考单元个数为R＝24，杂波边缘缓慢滑过检测单元，蒙特卡洛仿真次数为10000次，设定虚警率Pfa＝10-3。VI参数设置为：KVI＝4.56，KMR＝2.9，S-CFAR的参数设置为α＝0.4，β＝10.87，Nt＝12。可以发现，虽然在均匀环境与多目标环境中KLTM-CFAR比S-CFAR检测性能有不足，但是KLTM-CFAR比S-CFAR的在杂波边缘的虚警控制能力好得多。
需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (7)

1.一种基于KL散度单元筛选的CFAR检测器，其特征在于包括以下步骤：
步骤一：接收雷达回波信号数据，并通过平方律检波对信号数据进行处理；
步骤二：参考单元前后沿滑窗载入经过平方律检波后的信号数据；
步骤三：将参考单元载入后的数据由小到大进行排序，得到有序数据
x(1)≤x(2)≤...≤x(R)；
步骤四：将有序数据分成n个整数段x(1)...x(k),x(k+1)...x(2k),...,x((n-1)k+1)...x(R)，其中n*k＝R；
步骤五：对每段数据分别求标准差；
步骤六：计算每段数据与第一段数据的统计分布差异，即KL散度值；
步骤七：计算KL散度的分割门限，并将大于门限的数据段标识为1，小于门限的数据段标识为0；
步骤八：选择标识为0的数据段的数据，将标识为1的数据段的数据删除，并计算删除的标识为1的数据段数据的个数r2，然后利用r2和虚警率的设计值Pfa计算标称因子T；
步骤九：计算标识为0的数据段的和值，并与标称因子T相乘得到检测门限；
步骤十：将检测单元数据与检测门限进行比较，做出有无目标的判决；
所述步骤七中计算KL散度的分割门限的具体过程为：
首先假设有j个KL散度值，l(i)是KL散度值i的出现次数，p(i)是其对应的概率，设定初始阈值为D，将所有KL散度值分为C0和C1，C0表示KLD＜D，C1表示KLD＞D，属于C0的值个数为R0，占据所有值的比例为ω0，所属KL散度均值为μ0，属于C1的KL散度值个数为R1，占据比例为ω1，KL散度均值为μ1，上述变量有如下关系：
P(i)＝l(i)/R
ω0＝R0/R
ω1＝R1/R
Figure FDA0004090603010000011
Figure FDA0004090603010000012
则类间方差为：
σ2＝ω1ω0(μ1-μ0)2
通过搜索全部KL散度值，调整阈值D使得类间方差σ2最大，则该D值即为分割门限；
所述步骤八中标称因子T通过以下步骤得到：
Figure FDA0004090603010000021
其中，T为标称因子，Pfa为设定的虚警率，R是参考单元的总个数，
Figure FDA0004090603010000025
由下式计算
Figure FDA0004090603010000022
Figure FDA0004090603010000023
其中，r1＝0，j为变量。
2.根据权利要求1所述的一种基于KL散度单元筛选的CFAR检测器，其特征在于所述步骤七中计算KL散度的分割门限采用双峰法。
3.根据权利要求2所述的一种基于KL散度单元筛选的CFAR检测器，其特征在于所述步骤七中计算KL散度的分割门限采用大津法。
4.根据权利要求1所述的一种基于KL散度单元筛选的CFAR检测器，其特征在于所述步骤五的具体过程为：
Figure FDA0004090603010000024
其中n是分的段数，k是每段数据的个数，σj是第j段数据的标准差，xi为表示段内的数据值，μj为段内数据的均值。
5.根据权利要求1所述的一种基于KL散度单元筛选的CFAR检测器，其特征在于所述步骤六中计算每段数据与第一段数据的统计分布差异的具体过程为：
Figure FDA0004090603010000031
其中，σj是第j段数据的标准差，KLDj是第j段数据的与第1段数据的统计特性差异度量值，即KL散度。
6.根据权利要求1所述的一种基于KL散度单元筛选的CFAR检测器，其特征在于所述步骤九中计算标识为0的数据段的和值的具体过程为：
Figure FDA0004090603010000032
其中，xi(i＝1...R-r2)为第i个参考单元数据，S为参考单元数据的和值。
7.根据权利要求1所述的一种基于KL散度单元筛选的CFAR检测器，其特征在于所述步骤十的具体过程为：
假设H0为无目标，H1为有目标，
Figure FDA0004090603010000033
其中CUT为检测单元数据，T为标称因子，S为参考单元的和值。
CN202010543984.3A 2020-06-15 2020-06-15 一种基于kl散度单元筛选的cfar检测器 Active CN111693961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010543984.3A CN111693961B (zh) 2020-06-15 2020-06-15 一种基于kl散度单元筛选的cfar检测器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010543984.3A CN111693961B (zh) 2020-06-15 2020-06-15 一种基于kl散度单元筛选的cfar检测器

Publications (2)

Publication Number Publication Date
CN111693961A CN111693961A (zh) 2020-09-22
CN111693961B true CN111693961B (zh) 2023-05-16

Family

ID=72481140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010543984.3A Active CN111693961B (zh) 2020-06-15 2020-06-15 一种基于kl散度单元筛选的cfar检测器

Country Status (1)

Country Link
CN (1) CN111693961B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112684428B (zh) * 2021-01-15 2023-08-04 浙江大学 一种基于信号代理的多目标恒虚警率检测方法
CN113391306A (zh) * 2021-05-11 2021-09-14 北京川速微波科技有限公司 恒虚警率车载雷达目标检测方法及装置、设备、存储介质
CN113189560B (zh) * 2021-05-18 2023-04-28 湖北工业大学 基于贝叶斯干扰控制的变异指数的bvi-cfar目标检测算法
CN113552550B (zh) * 2021-07-16 2024-07-30 清华大学 一种基于概率分布差异性的智能恒虚警检测方法
CN114660554B (zh) * 2022-05-25 2022-09-23 中国人民解放军空军预警学院 一种雷达目标和干扰的检测分类方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010119230A1 (fr) * 2009-04-17 2010-10-21 Universite De Technologie De Troyes Systeme et procede de localisation de cible par un reseau d'emetteurs/recepteurs
CN103076602A (zh) * 2012-12-27 2013-05-01 中国人民解放军海军航空工程学院 针对多目标背景的雷达自适应恒虚警率融合检测方法
CN109143195A (zh) * 2018-09-19 2019-01-04 中国人民解放军国防科技大学 一种基于全kl散度的雷达目标检测方法
CN110398722A (zh) * 2019-07-23 2019-11-01 南京航空航天大学 基于随机矩阵有限谱的扩展目标回波检测方法
CN110473224A (zh) * 2019-08-19 2019-11-19 合肥学院 一种基于kl熵的rsf水平集图像自动分割方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19649563A1 (de) * 1996-11-29 1998-06-04 Alsthom Cge Alcatel Vorrichtung und Verfahren zur automatischen Klassifikation von Objekten
US6177903B1 (en) * 1999-06-14 2001-01-23 Time Domain Corporation System and method for intrusion detection using a time domain radar array
DE102013210256A1 (de) * 2013-06-03 2014-12-04 Robert Bosch Gmbh Interferenzunterdrückung bei einem fmcw-radar
CN104502899B (zh) * 2014-12-27 2017-11-21 长安大学 一种自适应的恒虚警率目标检测方法
CN105572651A (zh) * 2015-12-30 2016-05-11 哈尔滨工业大学 一种基于杂波背景统计识别的cfar检测方法
CN106443593B (zh) * 2016-09-13 2018-12-28 中船重工鹏力（南京）大气海洋信息系统有限公司 基于相参雷达慢扫增强的自适应溢油信息提取方法
CN108344982B (zh) * 2018-02-07 2021-08-17 成都电科智达科技有限公司 基于长时间相参积累的小型无人机目标雷达检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010119230A1 (fr) * 2009-04-17 2010-10-21 Universite De Technologie De Troyes Systeme et procede de localisation de cible par un reseau d'emetteurs/recepteurs
CN103076602A (zh) * 2012-12-27 2013-05-01 中国人民解放军海军航空工程学院 针对多目标背景的雷达自适应恒虚警率融合检测方法
CN109143195A (zh) * 2018-09-19 2019-01-04 中国人民解放军国防科技大学 一种基于全kl散度的雷达目标检测方法
CN110398722A (zh) * 2019-07-23 2019-11-01 南京航空航天大学 基于随机矩阵有限谱的扩展目标回波检测方法
CN110473224A (zh) * 2019-08-19 2019-11-19 合肥学院 一种基于kl熵的rsf水平集图像自动分割方法

Also Published As

Publication number Publication date
CN111693961A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111693961B (zh) 一种基于kl散度单元筛选的cfar检测器
KR101871874B1 (ko) 불균일 환경에 효과적인 적응형 cfar 처리 방법 및 시스템
KR101546421B1 (ko) 적응 cfar 처리방법
CN113160274A (zh) 一种基于YOLOv4的改进DeepSort目标检测跟踪方法
CN109188388B (zh) 一种对抗多目标干扰的恒虚警检测方法
CN112965040B (zh) 一种基于背景预筛选的自适应cfar目标检测方法
KR20110096236A (ko) 클러스터 간 상호정보를 이용한 클러스터링 장치 및 방법
CN107271973B (zh) 韦布尔杂波环境下基于偏斜度和均值比的恒虚警检测方法
CN111413682B (zh) 基于顺序统计量的合成极窄脉冲雷达检测门限计算方法
CN112346029A (zh) 基于待检测单元的可变参考窗单元平均恒虚警检测方法
Doyuran et al. Expectation maximization-based detection in range-heterogeneous Weibull clutter
CN113793076B (zh) 一种风险池动态监测方法、系统、设备和可读存储介质
CN113391306A (zh) 恒虚警率车载雷达目标检测方法及装置、设备、存储介质
CN109633597A (zh) 一种可变均值滑窗恒虚警检测算法及存储介质
US11914019B2 (en) Method for determining the detection threshold of a radar suited to a given environment
CN113189560B (zh) 基于贝叶斯干扰控制的变异指数的bvi-cfar目标检测算法
Ivković et al. False alarm analysis of the CATM-CFAR in presence of clutter edge
CN113552550A (zh) 一种基于概率分布差异性的智能恒虚警检测方法
Kononov et al. A new class of adaptive CFAR methods for nonhomogeneous environments
CN114994628A (zh) 一种基于背景感知的超视距雷达多策略cfar检测方法
JP7075362B2 (ja) 判定装置、判定方法及び判定プログラム
CN116008977A (zh) 一种基于背景判别的恒虚警检测方法
Chabbi et al. Weber-Haykin based automatic censoring and detection in Weibull background
Erfanian et al. Introducing switching ordered statistic CFAR type I in different radar environments
Erfanian et al. Performance of excision switching-CFAR in K distributed sea clutter

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