CN113447916A - 非平稳干扰下的自适应目标检测方法 - Google Patents
非平稳干扰下的自适应目标检测方法 Download PDFInfo
- Publication number
- CN113447916A CN113447916A CN202110719639.5A CN202110719639A CN113447916A CN 113447916 A CN113447916 A CN 113447916A CN 202110719639 A CN202110719639 A CN 202110719639A CN 113447916 A CN113447916 A CN 113447916A
- Authority
- CN
- China
- Prior art keywords
- interference
- stationary
- matrix
- adaptive
- self
- 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.)
- Pending
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
- 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
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
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
本发明公开了一种非平稳干扰下的自适应目标检测方法,主要解决现有技术在非平稳环境中受干扰影响大,检测性能低下的问题。其实现步骤为:1)对雷达回波信号进行采集,得到原始数据矩阵;2)计算干扰消耗的自适应自由度,并利用其构建干扰补空间矩阵;3)根据原始数据矩阵和干扰补空间矩阵,计算检验统计量;4)根据检测门限对检验统计量进行判别,若检验统计量大于或等于检测门限,则判决目标存在,反之判决目标不存在。本发明将原始的雷达回波数据映射到不含非平稳干扰的子空间,消除了子空间干扰,确保了在结构化非平稳干扰环境中的目标检测具有恒虚警特性,从而提高了雷达系统在结构化非平稳干扰背景下的目标检测性能,且适用性广泛。
Description
技术领域
本发明属于雷达技术领域,进一步涉及点目标的检测技术,具体为一种非平稳干扰下的自适应目标检测方法,可用于非平稳干扰下恒虚警雷达目标检测系统。
背景技术
雷达信号检测属于二元检测问题,即将接收信号经处理后与某个门限电平进行比较,若超过了门限值,则认为有目标存在,否则只有噪声存在。
在自适应雷达检测系统中,为使嵌入干扰的点目标在某种准则下获得最优的检测性能,通常需要保证环境均匀同质,训练样本间服从独立同分布。在此基础上,采用广义似然测试或自适应匹配滤波等方法可以实现目标的自适应检测。然而,在数据收集过程中会受到杂波、干扰等因素的污染,使得收集的数据与训练样本之间缺少同构性,从而造成目标检测性能的损失。
解决同构性缺失的主要方法是克服杂波、干扰等不确定因素的影响。在传统的自适应检测中,通常假定干扰信号是一个窄带平稳随机过程,用干扰信号的瞬时特征代替其统计特征,从而减小对目标检测的影响。但在实际应用中,干扰具有很强的随机性,增加了对干扰评估的难度,影响了目标的检测性能。为解决不确定性干扰引起的检测性能损失问题,人们研究了多种在非同构环境下的检测算法,用于改善自适应检测:1.利用预期似然选择的加载改善自适应检测。对角加载是通过给样本自相关矩阵加入一个对角加载因子,使得阵列协方差矩阵噪声特征值离散程度变小,从而减小噪声特征矢量的影响,得到准确的协方差估计值。但是在很多要处理杂波背景中的目标检测的雷达应用中,干扰特征值是缓慢减小的,即使采用了对角加载,仍然很难估计出非均匀环境下的协方差矩阵。2.利用协方差矩阵架构改善自适应检测。对于处理分布式的干扰源,协方差矩阵秩的典型值不是很小,而且也不明确;此时可采用自回归AR模型来描述任意个干扰的厄米协方差矩阵,先根据先验信息估计AR模型的阶数,然后基于最大似然准则估计出非同构环境下的协方差矩阵。但是用该方法得到的自适应检测器不是严格恒虚警的。3.利用数据划分改善自适应检测。其主要思想是在同一个自适应检测器中,分开处理自适应干扰抑制问题和自适应虚警门限控制问题;将分布在某个一次距离单元内的训练样本分成两组,一组用于抗干扰估计,以设计自适应滤波器,另一组用来估计这样的滤波器的输出端的信号统计;若不同的一次单元被不同的滤波器处理,则需要使用不同的门限进行约束。
上述检测方法虽然在一定程度上改善了检测性能,但其仅适用于平稳干扰存在的情况,在雷达实际工作中,由于电离层不均匀分布等因素的影响,干扰回波模型随时间改变。在这样的非平稳宽带模型下,上述方法并不能对目标进行恒虚警检测。
发明内容
本发明的目的在于针对上述现有技术的不足,提出了一种非平稳干扰下的自适应目标检测方法。该方法采用改进的广义似然比检验MGLRT(Modified GeneralisedLikelihood Ratio Test),确保了在结构化非平稳干扰环境中的目标检测具有恒虚警特性,提高了目标的检测性能。
实现本发明的思路是:在已知结构化非平稳干扰的先验知识的前提下,根据天线阵列的相关信息,估计出结构化非平稳干扰的自适应自由度,并将接收的回波数据投影到不含非平稳干扰的子空间内,在此基础上,通过广义似然检测方法计算信号的检验统计量,并与预先设定的检测门限进行比较,得到最终的判决结果,即目标检测结果。有效提升了雷达系统在结构化非平稳干扰背景下的目标检测能力。
本发明实现上述目的具体步骤如下:
(1)对雷达回波信号进行采集,得到N×(K+1)维的原始数据矩阵X:X=[x,x1,…xk,…,xK],K∈N+,其中x表示待检测单元的回波数据,xk表示第k个参考单元的采样数据,k=1,…,K,N为均匀线阵中的天线数目,K是检测单元附近参考单元的数目,且K>N;
(3)利用干扰消耗的自适应自由度构建N×(N-D)维的干扰补空间矩阵U;
(4)根据原始数据矩阵X和干扰补空间矩阵U,分别计算非平稳干扰信号的导向矢量在干扰补空间上的投影p1、待检测单元的回波数据x在干扰补空间上的投影量以及所有参考单元的采样数据在干扰补空间上投影量的二范数S1;
(5)按照如下公式获取检验统计量Y:
(6)将检验统计量Y与预先设定的检验门限η进行比较:若Y≥η,则判决目标存在,若Y<η,则判决目标不存在。
本发明与现有技术相比具有以下优点:
第一、本发明中所提出的检验统计算法是将接收的雷达回波数据X映射到不含非平稳干扰的子空间,与现有忽略干扰子空间的算法相比,可消除子空间干扰,更好地保留数据的高斯性;
第二、由于本发明利用结构化非平稳干扰的先验知识,通过广义似然比检验得到统计量,因此对高斯型及非平稳的干扰分布均具有恒虚警特性,能够有效提高检测系统的检测性能。
附图说明
图1是本发明方法的实现流程图;
图2是本发明与现有方法的检测性能仿真对比图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1,本发明提出的一种非平稳干扰下的自适应目标检测方法,具体包括如下步骤:
步骤1.对雷达回波信号进行采集,得到N×(K+1)维的原始数据矩阵X:X=[x,x1,…xk,…,xK],K∈N+,其中x表示待检测单元的回波数据,xk表示第k个参考单元的采样数据,k=1,…,K,N为均匀线阵中的天线数目,K是检测单元附近参考单元的数目,且K>N;实现步骤如下:
1.1)对待检测单元进行信号采集,得到N维测试数据矢量:x∈CN,其中,N代表均匀线阵中的天线数目;
1.2)对待检测单元附近的参考单元进行信号采集,得到待检测单元数据矩阵[x1,…xk,…,xK],其中,xk∈CN,k=1,…,K,K为检测单元附近的参考单元数目;
1.3)将前两步得到的回波信号合并成一个N×(K+1)维的原始数据矩阵X:
X=[x,x1,…xk,…,xK],k=1,…,K,K∈N+且K>N。
具体针对以下两种情况分别进行:
针对空间扩展的非平稳干扰信号:Δ表示归一化的角度扩展量,其中,d为均匀天线阵列中相邻阵元之间的距离,λ是雷达的工作波长,W=μ2-μ1表示干扰信号之间的方位余弦差量,μ1和μ2分别表示两个不同干扰的方向余弦值;所述干扰的方向余弦值是对干扰信号的入射角度θ取余弦得到,即μ=cos(θ)。
步骤3.利用干扰消耗的自适应自由度构建N×(N-D)维的干扰补空间矩阵U;实现步骤如下:
3.1)根据待检测单元的回波信号xk,k=1,…,K,估算出干扰信号的特征值及特征矢量,选取较大的D个特征值所对应的特征矢量构成N×D维的干扰子空间H;
其中,I表示N×N维单位矩阵,(·)+表示共轭伪矩阵;
步骤4.根据原始数据矩阵X和干扰补空间矩阵U,分别计算非平稳干扰信号的导向矢量在干扰补空间上的投影p1、待检测单元的回波数据x在干扰补空间上的投影量以及所有参考单元的采样数据在干扰补空间上投影量的二范数S1;具体计算公式如下:
其中,p表示干扰信号的导向矢量。
步骤5.按照如下公式获取检验统计量Y:
步骤6.将检验统计量Y与预先设定的检验门限η进行比较:若Y≥η,则判决目标存在,若Y<η,则判决目标不存在。
此处,检验门限是根据具体的虚警概率Pfa值来预先设定的,通常在虚警概率确定的情况下,进一步根据公式Pfa=(1-η)K+1即可获知检验门限;本实施例取Pfa=10-4。
下面结合仿真实验对本发明的效果作进一步的说明。
1.仿真条件:
本发明的仿真实验是在CPU主频3.3GHz、内存8G、显卡GTX960、windows10的硬件环境和MATLAB的软件环境下进行的。
2.仿真内容:
本实验采用matlab仿真,产生一组模拟目标存在的数据,处理过程中的参数设置为:天线数目N=16,待检测单元数目K=32,归一化的导向矢量为虚警概率Pfa设置为10-4;非结构化干扰的协方差矩阵为M=RJ+RC+I,φ=2πd sin(ψ)/λ0,(k,l)∈{1,…,N},其中σ2=20dB,ψ=-15°,Bf=0,CNR=20dB,ρs=0.995,每个干扰的功率为
为证明本发明能够在全局虚警概率一定的情况下有较好的目标检测性能,本实验产生一组包含目标信号的数据作为原始数据,运用本发明方法,对此数据进行处理,得到检测性能随信干噪比变化的曲线,如图2所示。
3.仿真结果及分析:
在图2中,MGLRT表示采用本发明提出的广义似然比检验算法,MAMF表示采用自适应匹配滤波检验算法,Kelly-Gaussian Interference表示在平稳高斯干扰条件下采用Kelly提出的广义似然比检验算法,Kelly-non-Gaussian Interference表示非平稳高斯干扰条件下采用Kelly的广义似然比检验算法,AMF-Gaussian Interference表示在平稳高斯干扰条件下采用自适应匹配滤波检验算法,AMF-non-Gaussian Interference表示在非平稳高斯条件下采用自适应匹配滤波检验算法。
从图2中可以看出,在全局信干噪比一定时,本发明的检测性能相较于改进的自适应匹配滤波算法MAMF有3dB的性能提升;相较于平稳高斯干扰下的Kelly检测算法有13dB的性能提升;相较于非平稳高斯干扰下的Kelly检测算法有15dB的性能提升;相较于平稳高斯干扰下的AMF算法有40dB的性能提升;相较于非平稳高斯干扰下的AMF算法有42dB的性能损失。由此可见,本发明在全局虚警概率一定的条件下,检测性能明显优于现有方法。上述仿真分析证明了本发明所提方法的正确性与有效性。
本发明未详细说明部分属于本领域技术人员公知常识。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修正和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (6)
1.一种非平稳干扰下的自适应目标检测方法,其特征在于,包括如下步骤:
(1)对雷达回波信号进行采集,得到N×(K+1)维的原始数据矩阵X:X=[x,x1,…xk,…,xK],K∈N+,其中x表示待检测单元的回波数据,xk表示第k个参考单元的采样数据,k=1,…,K,N为均匀线阵中的天线数目,K是检测单元附近参考单元的数目,且K>N;
(3)利用干扰消耗的自适应自由度构建N×(N-D)维的干扰补空间矩阵U;
(4)根据原始数据矩阵X和干扰补空间矩阵U,分别计算非平稳干扰信号的导向矢量在干扰补空间上的投影p1、待检测单元的回波数据x在干扰补空间上的投影量以及所有参考单元的采样数据在干扰补空间上投影量的二范数S1;
(5)按照如下公式获取检验统计量Y:
(6)将检验统计量Y与预先设定的检验门限η进行比较:若Y≥η,则判决目标存在,若Y<η,则判决目标不存在。
2.根据权利要求1所述的方法,其特征在于:步骤(1)中对雷达回波信号进行采集,具体步骤如下:
1.1)对待检测单元进行信号采集,得到N维测试数据矢量:x∈CN,其中,N代表均匀线阵中的天线数目;
1.2)对待检测单元附近的参考单元进行信号采集,得到待检测单元数据矩阵[x1,…xk,…,xK],其中,xk∈CN,k=1,…,K,K为检测单元附近的参考单元数目;
1.3)将前两步得到的回波信号合并成一个N×(K+1)维的原始数据矩阵X:
X=[x,x1,…xk,…,xK],k=1,…,K,K∈N+且K>N。
4.根据权利要求3所述的方法,其特征在于:所述干扰的方向余弦值是对干扰信号的入射角度θ取余弦得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719639.5A CN113447916A (zh) | 2021-06-28 | 2021-06-28 | 非平稳干扰下的自适应目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719639.5A CN113447916A (zh) | 2021-06-28 | 2021-06-28 | 非平稳干扰下的自适应目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113447916A true CN113447916A (zh) | 2021-09-28 |
Family
ID=77813475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110719639.5A Pending CN113447916A (zh) | 2021-06-28 | 2021-06-28 | 非平稳干扰下的自适应目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113447916A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115902881A (zh) * | 2022-12-29 | 2023-04-04 | 中国人民解放军空军预警学院 | 一种分布式无人机载雷达扩展目标检测方法与系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728595A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于子空间投影的网络化雷达抑制压制式主瓣干扰方法 |
CN106154235A (zh) * | 2016-07-29 | 2016-11-23 | 西安电子科技大学 | 基于频率分集mimo雷达的主瓣欺骗式干扰抑制方法 |
CN107678019A (zh) * | 2017-08-16 | 2018-02-09 | 成都纳雷科技有限公司 | 基于ca‑cfar的雷达信号多目标检测方法及装置 |
CN108037493A (zh) * | 2017-11-27 | 2018-05-15 | 西安电子科技大学 | 基于多基地雷达的杂波子空间下双门限恒虚警检测方法 |
CN108318877A (zh) * | 2017-11-27 | 2018-07-24 | 西安电子科技大学 | 基于多基地雷达的杂波子空间下目标检测方法 |
CN108375761A (zh) * | 2018-02-08 | 2018-08-07 | 电子科技大学 | 针对多发多收雷达系统的单目标异步信号检测方法 |
CN109490871A (zh) * | 2018-11-23 | 2019-03-19 | 中国人民解放军空军预警学院 | 小样本条件下基于信号结构特征的子空间信号检测方法 |
-
2021
- 2021-06-28 CN CN202110719639.5A patent/CN113447916A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728595A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于子空间投影的网络化雷达抑制压制式主瓣干扰方法 |
CN106154235A (zh) * | 2016-07-29 | 2016-11-23 | 西安电子科技大学 | 基于频率分集mimo雷达的主瓣欺骗式干扰抑制方法 |
CN107678019A (zh) * | 2017-08-16 | 2018-02-09 | 成都纳雷科技有限公司 | 基于ca‑cfar的雷达信号多目标检测方法及装置 |
CN108037493A (zh) * | 2017-11-27 | 2018-05-15 | 西安电子科技大学 | 基于多基地雷达的杂波子空间下双门限恒虚警检测方法 |
CN108318877A (zh) * | 2017-11-27 | 2018-07-24 | 西安电子科技大学 | 基于多基地雷达的杂波子空间下目标检测方法 |
CN108375761A (zh) * | 2018-02-08 | 2018-08-07 | 电子科技大学 | 针对多发多收雷达系统的单目标异步信号检测方法 |
CN109490871A (zh) * | 2018-11-23 | 2019-03-19 | 中国人民解放军空军预警学院 | 小样本条件下基于信号结构特征的子空间信号检测方法 |
Non-Patent Citations (1)
Title |
---|
HONGTAO SU ET AL.: "Adaptive Beamforming for", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115902881A (zh) * | 2022-12-29 | 2023-04-04 | 中国人民解放军空军预警学院 | 一种分布式无人机载雷达扩展目标检测方法与系统 |
CN115902881B (zh) * | 2022-12-29 | 2024-03-29 | 中国人民解放军空军预警学院 | 一种分布式无人机载雷达扩展目标检测方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Conte et al. | Distributed target detection in compound-Gaussian noise with Rao and Wald tests | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN110045321A (zh) | 基于稀疏和低秩恢复的稳健doa估计方法 | |
CN107290732B (zh) | 一种量子大爆炸的单基地mimo雷达测向方法 | |
CN109541577A (zh) | 一种部分均匀环境中未知干扰下的自适应子空间检测器 | |
CN106443633A (zh) | 船载高频地波雷达海杂波时域抑制方法 | |
CN114091328A (zh) | 加窗二维解卷多波束功率谱估计算法 | |
CN113253235B (zh) | 一种严重非均匀环境中的自适应信号检测方法与系统 | |
CN111624573A (zh) | 一种海杂波背景下的时域自适应目标检测方法 | |
CN113267758B (zh) | 一种复合高斯环境下存在干扰时的目标检测方法与系统 | |
CN113447916A (zh) | 非平稳干扰下的自适应目标检测方法 | |
Wang et al. | A robust constant false alarm rate detector based on the Bayesian estimator for the non-homogeneous Weibull clutter in HFSWR | |
CN114690143B (zh) | 一种抑制雷达杂波的方法、装置、雷达和介质 | |
CN113030928B (zh) | 非均匀环境中极化雷达扩展目标自适应检测方法与系统 | |
Guo et al. | STAP training samples selection based on GIP and volume cross correlation | |
CN115856819A (zh) | 一种基于平稳高斯过程的雷达目标恒虚警检测方法 | |
CN113156392B (zh) | 一种基于俯仰域自适应处理的杂波抑制方法 | |
CN114152918A (zh) | 基于压缩感知的抗间歇式主瓣干扰方法 | |
Zhu et al. | Target classification by conventional radar based on bispectrum and deep CNN | |
CN114089307A (zh) | 一种目标及干扰条件下的雷达检测和分类方法及系统 | |
CN111948613A (zh) | 基于自适应背景区选取的船载地波雷达目标检测方法 | |
Jianyu et al. | A clutter sample selection-based generalized sidelobe canceller algorithm for ionosphere clutter suppression in HFSWR | |
Wang et al. | Coarseness in OTHR image and its application for diagonal loading factor determination | |
CN115685081B (zh) | 基于glrt的干扰加噪声背景下距离扩展目标检测方法 | |
CN116679278B (zh) | 一种强地物杂波干扰下的目标雷达检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210928 |