CN111812591B - 一种基于贝叶斯估计的目标检测方法 - Google Patents
一种基于贝叶斯估计的目标检测方法 Download PDFInfo
- Publication number
- CN111812591B CN111812591B CN202010546912.4A CN202010546912A CN111812591B CN 111812591 B CN111812591 B CN 111812591B CN 202010546912 A CN202010546912 A CN 202010546912A CN 111812591 B CN111812591 B CN 111812591B
- Authority
- CN
- China
- Prior art keywords
- target
- probability
- detection
- detection method
- signal
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于贝叶斯估计的目标检测方法,属于雷达信号处理领域。该方法包括:一部分是虚警概率近似等于目标存在的概率;另一部分是目标存在的情况下,目标检测概率的表达式。本发明用贝叶斯估计的方法推导出了检测概率和虚警概率相应的表达式,近似得到了两者的关系式,使检测达到最优,对目前雷达目标的探测问题的补充及完善具有重要意义。
Description
技术领域
本发明涉及一种基于贝叶斯估计的目标检测方法,属于雷达信号处理领域。
背景技术
雷达(“Radar”,Radar Detection and Ranging)的概念形成于20世纪初,表示“无线电探测和测距”,是用无线电方法发现并测定它们在空间的位置,这也是雷达最基本的功能。随着雷达技术的发展,雷达的功能越来越多,应用也越来越广泛。1948年香农发表信息论后,许多学者开始研究信息论在相应领域上的应用。从Woodward和Davies的研究开始,就有一些学者研究信息论在雷达探测中与参数估计的关系,Bell首先研究了信息论在雷达波形设计中的应用,给出了获得最佳估计波形的方法以及能量分配对目标和接收波形之间的互信息的影响。雷达可以看作是一个信息获取系统,它的工作原理是首先发射探测信号,然后对目标反射的回波信号进行相应的处理,检测到目标并提取目标的信息,包括距离、幅度和相位等。衡量雷达系统性能的主要指标是目标参数估计的均方误差(Mean SquareError,MSE)、距离和方位向分辨率、以及检测概率/虚警概率等。目前现有技术中,虚警检测的方法有奈曼-皮尔逊准则。但在具体应用中,虚警检测的方法仍有进一步进步的空间。
发明内容
本发明提出了一种基于贝叶斯估计的目标检测方法,用贝叶斯估计的方法推导出了检测概率和虚警概率相应的表达式,近似得到了两者的关系式,使得检测性能达到最优,同时完善了空间信息论中除时间,相位,幅度调制外判断目标是否存在这一重要环节,对雷达目标探测的补充及完善具有重要意义。
本发明为解决其技术问题采用如下技术方案:
一种基于贝叶斯估计的目标检测方法,其特征在于,包括如下步骤:
(1)引入目标存在性参数v,其中v∈{0,1},得到雷达探测系统判断目标是否存在的理论模型。在恒模散射目标的情况,假设目标的归一化时延为x,则接收机的离散序列为
式中,为目标的复散射系数;假设目标在检测范围内独立地均匀分布,则X的先验概率密度为p(x)=1/N,N为采样数;为目标的相位,为在区间[0,2π]上服从均匀分布的随机变量;s(n-x)表示采样后的基带信号;w(n)是零均值、方差为N0的复高斯白噪声;
(2)当已知目标不存在时,z0表示在接收信号中不存在目标信号;并得到虚警概率:
Pfa≈p(1)
其中Pfa为虚警概率,表示目标不存在情况下,目标被检测出的概率;p(1)表示目标存在的概率;
(3)当已知目标存在时,z1表示在接收信号中存在目标信号;并得到检测概率:
其中Pd为检测概率,表示目标存在情况下,目标被检测出的概率。p(0)表示目标不存在的概率。
本发明的有益效果如下:
在雷达探测信息先前的研究基础上,进一步讨论了在恒模散射模型下判断目标存在性情况。用贝叶斯的方法推导出了检测概率和虚警概率相应的表达式,近似得到了两者的关系式,使得检测性能达到最优。
附图说明
图1为本发明公开的基于贝叶斯估计的目标检测方法的流程图。
图2为雷达探测系统判断目标是否存在的等效通信模型示意图。
图3为在恒模散射目标模型下虚警检测概率的关系图。
图4为贝叶斯估计和奈曼皮尔逊准则下虚警检测关系的对比图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
如图1所示,一种基于贝叶斯估计得出虚警检测概率之间关系的方法,包括如下步骤:
步骤1.引入目标存在性参数v,其中v∈{0,1};如图2所示,得到雷达探测系统判断目标是否存在的理论模型。在恒模散射目标的情况,假设目标的归一化时延为x,则接收机的离散序列为
式中,α为目标的散射系数的幅值,是常数;假设目标在检测范围内独立地均匀分布,则X的先验概率密度为p(x)=1/N,N为采样数。为目标的相位,为在区间[0,2π]上服从均匀分布的随机变量,w(n)是零均值、方差为N0的复高斯白噪声。
已知接收信号z条件下关于存在性参数v的后验概率密度为
步骤2.当已知目标不存在时,z0表示在接收信号中不存在目标信号。
可以得到虚警概率:
Pfa≈p(1)
其中Pfa为虚警概率,表示目标不存在情况下,目标被检测出的概率;p(1)表示目标存在的概率。
步骤3.当已知目标存在时,z1表示在接收信号中存在目标信号。如图3所示,可以得到检测概率:
其中Pd为检测概率,表示目标存在情况下,目标被检测出的概率。p(0)表示目标不存在的概率。
如图4所示,在MATLAB仿真后对比发现,在高信噪比情况下贝叶斯参数估计和奈曼皮尔逊准则检测达到最优,该方法在雷达目标检测中判断目标是否存在具有理论指导意义。
Claims (5)
1.一种基于贝叶斯估计的目标检测方法,其特征在于,包括如下步骤:
(1)引入目标存在性参数v,其中v∈{0,1},得到雷达探测系统判断目标是否存在的理论模型;在恒模散射目标的情况,假设目标的归一化时延为x,则接收机的离散序列为
式中,为目标的复散射系数;假设目标在检测范围内独立地均匀分布,则X的先验概率密度为p(x)=1/N,N为采样数;为目标的相位,为在区间[0,2π]上服从均匀分布的随机变量;s(n-x)表示采样后的基带信号;w(n)是零均值、方差为N0的复高斯白噪声;
(2)当已知目标不存在时,z0表示在接收信号中不存在目标信号;并得到虚警概率:
Pfa≈p(1)
其中Pfa为虚警概率,表示目标不存在情况下,目标被检测出的概率;p(1)表示目标存在的概率;
(3)当已知目标存在时,z1表示在接收信号中存在目标信号;并得到检测概率:
其中Pd为检测概率,表示目标存在情况下,目标被检测出的概率;p(0)表示目标不存在的概率。
4.如权利要求3所述的目标检测方法,其特征在于,该检测方法在MATLAB软件中仿真。
5.如权利要求4所述的目标检测方法,其特征在于,应用于雷达信号处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546912.4A CN111812591B (zh) | 2020-06-16 | 2020-06-16 | 一种基于贝叶斯估计的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546912.4A CN111812591B (zh) | 2020-06-16 | 2020-06-16 | 一种基于贝叶斯估计的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111812591A CN111812591A (zh) | 2020-10-23 |
CN111812591B true CN111812591B (zh) | 2022-10-21 |
Family
ID=72845169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010546912.4A Active CN111812591B (zh) | 2020-06-16 | 2020-06-16 | 一种基于贝叶斯估计的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812591B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117347961B (zh) * | 2023-12-04 | 2024-02-13 | 中国电子科技集团公司第二十九研究所 | 基于贝叶斯学习的雷达功能属性识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043143B (zh) * | 2010-11-09 | 2013-12-11 | 河海大学 | 统计mimo雷达目标检测仿真方法 |
CN106707273B (zh) * | 2017-01-23 | 2019-05-21 | 西安电子科技大学 | 基于奈曼皮尔逊准则量化的多站雷达信号融合检测方法 |
CN110275158B (zh) * | 2018-03-15 | 2023-04-28 | 南京理工大学 | 基于贝叶斯压缩感知的宽带雷达回波信号参数估计方法 |
CN108845311B (zh) * | 2018-05-29 | 2020-12-04 | 南京航空航天大学 | 一种基于信息论的分辨雷达探测目标的方法 |
CN109782249B (zh) * | 2019-02-22 | 2022-09-27 | 南京航空航天大学 | 一种两目标相关时延估计算法 |
CN110780295B (zh) * | 2019-09-29 | 2022-11-11 | 西安电子科技大学 | 一种基于变分贝叶斯的雷达关联成像方法 |
-
2020
- 2020-06-16 CN CN202010546912.4A patent/CN111812591B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111812591A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111352102B (zh) | 一种基于调频连续波雷达的多目标个数检测方法及装置 | |
CN111812591B (zh) | 一种基于贝叶斯估计的目标检测方法 | |
CN106501800A (zh) | 基于代价参考粒子滤波的mimo雷达目标检测前跟踪方法 | |
CN110749871B (zh) | 双偏振天气雷达的参量估算方法 | |
CN110161478B (zh) | 一种基于杂波功率谱密度自优化的波形设计方法 | |
CN110133632B (zh) | 一种基于cwd时频分析的复合调制信号识别方法 | |
CN101452075A (zh) | 基于平均周期的海上小目标检测方法 | |
CN105137396A (zh) | 一种smsp干扰和c&i干扰的检测方法 | |
CN112462356A (zh) | 一种基于高斯插值提高雷达测距精度的方法 | |
CN109782249B (zh) | 一种两目标相关时延估计算法 | |
CN108845311B (zh) | 一种基于信息论的分辨雷达探测目标的方法 | |
CN106772271A (zh) | 一种基于匹配自相关算法的雷达信号toa估计方法 | |
CN106033120B (zh) | 一种多站雷达异步多帧联合检测方法 | |
CN106019250B (zh) | 基于角闪烁转发式假目标鉴别方法 | |
CN110244289A (zh) | 一种自适应粒子滤波地波雷达目标一体化探测方法 | |
CN105242272A (zh) | 基于自回归时间序列模型的车载毫米波防撞雷达恒虚警检测方法 | |
CN107340504A (zh) | 基于frft域峰值特性的压制干扰存在性检测方法 | |
CN113687322B (zh) | 一种雷达信号处理机脉冲压缩处理的数学建模方法 | |
CN116166934B (zh) | 一种基于交叉算法的iff信号识别方法、装置及介质 | |
CN112731386B (zh) | 基于杂波图匹配的机场跑道异物检测方法 | |
CN113484855B (zh) | 一种外辐射源的单站定位方法 | |
CN113740820B (zh) | 一种雷达信号处理机脉冲多普勒处理的数学建模方法 | |
Dong et al. | A Joint Detection and State Estimation Algorithm for Pulse Doppler Radar | |
CN112166689B (zh) | 利用延时的frft模之差的动目标检测方法 | |
CN112698291B (zh) | 一种基于cnn的机载气象雷达气象目标检测方法 |
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 |