CN113589251B - 一种Mean-Shift回波聚类后的单元平均恒虚警检测方法 - Google Patents
一种Mean-Shift回波聚类后的单元平均恒虚警检测方法 Download PDFInfo
- Publication number
- CN113589251B CN113589251B CN202110864123.XA CN202110864123A CN113589251B CN 113589251 B CN113589251 B CN 113589251B CN 202110864123 A CN202110864123 A CN 202110864123A CN 113589251 B CN113589251 B CN 113589251B
- Authority
- CN
- China
- Prior art keywords
- echo
- clustering
- mean
- cluster
- noise
- 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 79
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000035485 pulse pressure Effects 0.000 claims abstract description 10
- 238000009825 accumulation Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000002592 echocardiography Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 5
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 241000854291 Dianthus carthusianorum Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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
本发明涉及一种Mean‑Shift回波聚类后的单元平均恒虚警检测方法包含以下步骤；S1：雷达接收目标回波，并依次对回波进行下变频、脉压处理和相参积累；S2：对下变频、脉压处理和相参积累后的回波进行Mean‑Shift聚类处理；S3：对Mean‑Shift聚类处理后的回波进行噪声阶跃界查询；S4：根据噪声阶跃界对回波进行零均值处理，用以消除回波中的噪声阶跃；S5：对零均值处理后的回波进行单元平均恒虚警检测处理。本发明利用Mean‑Shift聚类的方法对阶跃噪声进行聚类，通过Mean‑Shift聚类处理能够对杂波背景进行分类；通过Mean‑Shift的方法消除阶跃噪声，可以有效避免单元平均检测在杂波边缘的强杂波区域引起的虚警，从而降低虚警率；可以有效避免单元平均检测在杂波边缘目标处于弱杂波区域引起的漏警。
Description
技术领域
本发明涉及雷达目标检测技术领域，尤其涉及一种Mean-Shift回波聚类后的单元平均恒虚警检测方法。
背景技术
恒虚警检测技术(constant false alarm rate，CFAR)随本地噪声能量信息设置自适应检测门限，是提高雷达目标信号检测能力的有效方法。研究的最早的、最为常见的恒虚警检测器是单元平均恒虚警检测(cell averaging-constant false alarm rate，CA-CFAR)。单元平均恒虚警检测法在均匀的杂波背景下有最高的检测概率，但在非均匀的杂波背景下性能较低。当杂波变化剧烈时，如果还是采用传统的恒虚警处理方法，那么将导致有用的参考单元减少，因此造成巨大的恒虚警损失。而本发明提出了一种Mean-Shift(均值漂移)回波聚类后的单元平均恒虚警检测方法，本发明通过对均值漂移的方法对回波进行聚类处理，消除回波中的噪声阶跃，进而改善单元平均恒虚警检测性能。
通过专利检索，检索出相关专利3项，其中《一种基于杂波强度分区的恒虚警检测方法》(专利申请号：CN201510121795.6专利公开号：CN104714215A)公开了一种基于杂波强度分区的恒虚警检测方法，该方法主要根据探测区域杂波散射强度对探测区域按照杂波强度分区，选择和待检测单元同区的参考单元，估计检测门限，实现恒虚警检测。《一种基于杂波强度分区的恒虚警检测方法》是通过后向散射系数得到杂波强度对杂波进行分区；《非均匀背景下基于聚类处理的恒虚警检测方法》(专利申请号：CN201410337898.1专利公开号：CN104198998A)公开了一种非均匀背景下基于聚类处理的恒虚警检测方法，该方法利用改进的k-means算法实现恒虚警检测。《适用于分簇结构的RSN的多跳恒虚警信息融合判决方法》(专利申请号：CN201610739729.X专利公开号：CN106093909A)公开了多传感器网络在考虑噪声和信道衰减下的复合多跳信息融合结构以及通过中继节点自适应恒虚警判决门限、簇头检测概率估计值的计算，确保网络中中继节点、簇头以及基站都具有恒定的虚警概率,从而提高了网络的目标检测性能。三种专利都不同于本发明，本发明通过均值漂移的方法对杂波进行分类，并对杂波进行零均值处理使得杂波不在有阶跃性变化，再进行单元平均恒虚警检测处理。
通过论文检索，检索到两篇相关论文《基于杂波背景分割二维恒虚警检测算法研究》是通过对杂波背景进行分割的方法进行二维恒虚警检测。《基于有序统计和自动删除平均的最大选择恒虚警检测器》通过取最大背景功率进行估计，设置自适应检测门限。本发明通过均值漂移的方法对回波进行聚类，再进行单元平均恒虚警检测处理，与其均不相同。
发明内容
本发明的目的在于消除回波中的噪声阶跃，进而改善单元平均恒虚警检测性能，为达到上述目的，本发明提供了一种Mean-Shift回波聚类后的单元平均恒虚警检测方法，该方法包含以下步骤：
S1：雷达接收目标回波，并对回波依次进行下变频、脉压处理和相参积累；
S2：对下变频、脉压处理和相参积累后的回波进行Mean-Shift聚类处理；
S3：对Mean-Shift聚类处理后的回波进行噪声阶跃界查询；
S4：根据噪声阶跃界对回波进行零均值处理，用以消除回波中的噪声阶跃；
S5：对均值处理后的回波进行单元平均恒虚警检测处理。
优选地，所述S2步骤中对回波进行Mean-Shift聚类处理的步骤包含以下内容：
S21：根据回波的数据样本S，初始化聚类中心C、聚类半径R、聚类中心门限Tc；
S22：计算数据样本S中各个数据点到聚类中心C的距离向量Rcs(i)，其中，Rcs(i)＝(C-S(i))2；
S23：对数据样本S进行Mean-Shift聚类处理，并对每次迭代时的每个聚类域中的各个数据点标记编号，并记录各个数据点的标记次数，当数据样本S中的数据点S(i)满足其距离当前聚类中心C距离在R之内的所有点，即Rcs(i)<R2，则该些数据点属于该聚类域，即S(i)∈f(n)，f(n)表示第n次迭代时的聚类域，第n次迭代时的聚类中心为C(n)；
S24：聚类中心漂移，对数据样本S进行迭代聚类处理；
S25：若迭代后的聚类中心满足收敛要求，则聚类完毕；否则返回步骤S22步骤，进行下一步迭代，直至满足聚类中心收敛要求；
S26：对上述各个迭代中的各个聚类域进行合并；
S27：根据回波的各个数据点在每个聚类域类中的标记次数，选取标记次数最大的作为当前回波数据点的所属聚类域。
优选地，所述S3步骤对聚类处理后的回波进行噪声阶跃界寻找包含以下内容：聚类后的回波根据当前聚类域中数据的标记编号进行噪声阶跃界查询，所述噪声阶跃界满足以下两个条件：
噪声阶跃界前K个回波数据点中至少有K-1个数据点属于同一聚类域；
噪声阶跃界后K个回波数据点中至少有K-1个数据点属于另一聚类域，其中K≥2且为整数，满足上述两个条件的聚类域分界处为噪声阶跃界。
优选地，对回波数据进行聚类后，所述S4步骤进行零均值处理，具体内容为用聚类后的回波数据分别减去平均值，公式如下所示：
其中，为零均值处理后的各个数据点到均值点/>的向量，M为聚类域内回波数据点个数，l为正整数，f(l)表示聚类域合并处理后的第l个聚类域。
优选地，所述S24步骤聚类中心漂移公式为：
其中，i为正整数，表示数据样本S中数据点的序号，n表示第n次迭代，M为聚类域内回波数据点的个数，f(n)表示第n次迭代时的聚类域，C(n+1)表示第n+1次迭代时的聚类中心。
优选地，所述S25步骤中聚类中心满足收敛要求的具体内容是：C(n+1)-C(n)<Tc，其中C(n)、C(n+1)分别表示第n、n+1次迭代时的聚类中心。
优选地，所述S26步骤具体包含以下内容：对上述各个迭代中各个聚类域进行两两比较，若两个聚类域的聚类中心之间小于阀值，即C(n)-C(m)<R/2，则聚类域进行合并；其中，m,n∈N+，表示聚类中心的序号，m,n为聚类域数量。
优选地，所述S5步骤的单元平均恒虚警检测处理具体包含以下步骤：
S51：对零均值处理后的回波设置回波数据中的最大值为检测单元S0；
S52：设置检测单元S0两端各Q/2单元长度的Q个数据点为保护单元；
S53：设置保护单元两端各P/2单元长度的P个数据点为参考单元；
S54：计算参考单元杂波的算术平均值作为杂波功率水平Z，公式如下：
其中j为正整数，G(j)表示参考单元内第j个数据点；
S55：设置标称化门限因子T，T＝Pfa -1/Q-1，其中Pfa为虚警概率；
S56：计算门限值D，D＝T·Z；
S57：比较器的自适应判决准则，如下式：
该式子中，S0表示检测单元，H0表示只有杂波和噪声，H1表示有杂波、噪声和目标；当检测单元值大于门限值时S0>D，此时回波数据中存在目标，即H1成立；反之，若检测单元的值小于门限值时S0<D，此时认为回波数据中不存在目标，即H0成立。
优选地，所述S1步骤中具体包含以下内容：雷达对目标发射信号并接收目标反射回来的信号，形成雷达回波，雷达接收目标回波并进行下变频得到基带信号，再对基带信号进行脉压处理，最后对脉压处理后的回波进行相参积累。
本发明具有以下有益效果：
1.本发明利用Mean-Shift聚类的方法对阶跃噪声进行聚类，通过均值漂移聚类处理能够对杂波背景进行分类；
2.本发明利用Mean-Shift聚类的方法对阶跃噪声进行聚类，通过去均值化从而消除噪声阶跃；
3.本发明通过Mean-Shift的方法消除阶跃噪声，可以有效避免单元平均检测在杂波边缘的强杂波区域引起的虚警，从而降低虚警率；
4.本发明通过Mean-Shift的方法消除阶跃噪声，可以有效避免单元平均检测在杂波边缘目标处于弱杂波区域引起的漏警。
附图说明
图1为本发明Mean-Shift回波聚类后的单元平均恒虚警检测方法流程图；
图2为本发明Mean-Shift回波聚类流程；
图3为本发明噪声阶跃界查询示意图；
图4为本发明单元平均检测框图；
图5(a)～图5(c)为本发明方法处理回波数据的真实结果；
图5(a)为直接对阶跃噪声进行单元平均恒虚警检测的结果，星线为回波数据，虚线为检测门限；
图5(b)为对回波数据进行Mean-Shift聚类后的结果，方形数据为一类，圆形为另一类；
图5(c)为聚类后再对回波进行零均值处理后的单元平均恒虚警检测结果，三角形曲线为聚类后的回波，虚线为检测门限；
图6(a)～图6(c)为仿真结果；
图6(a)为目标在阶跃噪声中的仿真结果，星线为回波数据，虚线为检测门限；
图6(b)为对回波数据进行Mean-Shift聚类后的结果，方形数据为一类，圆形为另一类；
图6(c)为通过对回波聚类后再对回波进行零均值处理后的单元平均恒虚警检测结果，三角形曲线为聚类后的回波，虚线为检测门限。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种Mean-Shift回波聚类后的单元平均恒虚警检测方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。
如图1所示，为本发明提供的一种Mean-Shift回波聚类后的单元平均恒虚警检测方法的处理流程图，该方法具体包含以下步骤：
S1：雷达对目标发射信号并接收目标反射的回波，雷达对接收到的回波依次进行下变频处理、脉压处理和相参积累；
S2：对下变频处理、脉压处理和相参积累后的回波进行Mean-Shift聚类处理；
S3：对Mean-Shift聚类处理后的回波进行噪声阶跃界查询；
S4：根据噪声阶跃界对回波进行零均值处理，用以消除回波中的噪声阶跃；
S5：对零均值处理后的回波进行单元平均恒虚警检测处理。
如图2所示，所述S2步骤的Mean-Shift聚类处理具体包含如下步骤：
S21：根据回波的数据样本S，初始化聚类中心C、聚类半径R、聚类中心门限Tc，其中，在回波的数据样本S中随机选择一个点作为聚类中心C；
S22：计算回波的数据样本S中各个数据点S(i)到聚类中心C的距离向量Rcs(i)，计算公式为Rcs(i)＝(C-S(i))2；
S23：对数据样本S进行Mean-Shift聚类处理，并对每次迭代时的每个聚类域中的各个数据点标记编号，并记录各个数据点的标记次数；其中，当数据样本S中的数据点S(i)满足其距离聚类中心C的距离在R之内的条件，即Rcs(i)<R2，则S(i)∈f(n)，C(n)为第n次迭代时的聚类中心，f(n)表示第n次迭代时的聚类域；
S24：聚类中心漂移，对数据样本S进行迭代聚类处理；聚类中心漂移公式为：
其中，i为正整数，表示数据样本S中数据点序号，n表示第n次迭代，M为第n次迭代时的聚类域内回波数据点的个数；C(n+1)表示第n+1次迭代时的聚类中心；
S25：比较上一个聚类中心与更新后的聚类中心，若更新后的聚类中心满足收敛要求，即C(n+1)-C(n)<Tc，则聚类完毕；否则返回步骤S22，利用更新后的聚类中心，进行下一步迭代，直至满足聚类中心收敛要求；
S26：对上述各个迭代中的各个聚类域进行合并；各个聚类域进行两两比较，若两个聚类域的聚类中心之间小于阀值，即C(n)-C(m)<R/2，则聚类域进行合并；其中，m,n∈N+，m，n为聚类域数量；
S27：根据回波的各个数据点在合并后的每个聚类域中的标记次数，选取标记次数最大的作为当前数据点的所属聚类域。
所述S3步骤中，对聚类后的回波的各个数据点，根据其在当前所述聚类域中的标记编号进行阶跃界查询，如图3虚线所示为噪声阶跃界，噪声阶跃界需满足以下两个条件：
噪声阶跃界前K个回波数据点中至少有K-1个数据点属于一聚类域；
噪声阶跃界后K个回波数据点中至少有K-1个数据点属于另一聚类域，其中K≥2且为整数，满足上述两个条件的聚类域分界处即为噪声阶跃界。
对回波进行聚类后，所述S4步骤进行零均值处理，具体包含用聚类后的回波数据分别减去平均值，公式如下：
其中，为零均值处理后的各个数据点到到均值点/>的向量，M为聚类域内回波数据点个数，通过零均值处理后可以有效消除噪声阶跃；l为正整数，f(l)表示聚类域合并处理后的第l个聚类域。
如图4所示，对阶跃数据聚类去均值后再进行单元平均恒虚警检测处理，具体步骤如下：
S51：对零均值处理后的回波设置回波数据中的最大值为检测单元S0；
S52：设置检测单元S0两端各Q/2单元长度的Q个数据点为保护单元，如图4中阴影区域；
S53：设置保护单元两端各P/2单元长度的P个数据点为参考单元，如图4中G1～GP；
S54：计算参考单元杂波的算术平均值作为杂波功率水平Z，公式如下：
其中j为正整数，G(j)表示参考单元内第j个数据点；
S55：设置标称化门限因子T，T＝Pfa -1/Q-1，其中Pfa为虚警概率；
S56：计算门限值D，D＝T·Z；
S57：比较器的自适应判决准则，如下式：
该式子中，S0表示检测单元，H0表示只有杂波和噪声，H1表示有杂波、噪声和目标；当检测单元值大于门限值时S0>D，此时回波数据中存在目标，即H1成立；反之，若检测单元的值小于门限值时S0<D，此时认为回波数据中不存在目标，即H0成立。
假设存在阶跃噪声，噪声从高到低阶跃变化，在弱杂波区域加入一个目标如图4所示；若直接对阶跃噪声进行单元平均检测，所有点都没有超过门限值，则出现漏警现象，如图5(a)所示，星线为回波，虚线为检测门限，并没有回波过检测门限。通过本方法对噪声进行聚类如图5(b)所示，方形和圆形数据点分别为两种不同的聚类域；然后对噪声进行零均值处理从而消除噪声阶跃，再进一步进行单元平均恒虚警检测，则会检测出目标，如图5(c)所示，三角形曲线为聚类后的回波，虚线为检测门限，从图中可以看出有一个目标超过检测门限。假设存在阶跃噪声，噪声从高到低阶跃变化，在阶跃噪声中加入一个目标如图6所示；若直接对阶跃噪声进行单元平均恒虚警检测，有两点超过检测门限值，一个是阶跃处的强杂波，另一个是目标值，因此出现虚警现象，如图6(a)所示。通过本专利方法对噪声进行聚类如图6(b)所示，方形和圆形数据点分别为两种不同的聚类域；然后对噪声进行零均值处理从而消除噪声阶跃，再进一步进行单元平均恒虚警检测，则会检测出一个目标，如图6(c)所示，三角形曲线为聚类后的回波，虚线为检测门限，从图中可以看出只有一个目标超过检测门限。通过仿真结果可以看出，若不对回波中的阶跃噪声进行处理，则单元平均恒虚警检测会出现漏警和虚警现象；而通过本发明的方法能够很好的消除回波中的噪声阶跃，从而提高检测概率，抑制漏警和虚警现象。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种Mean-shift回波聚类后的单元平均恒虚警检测方法，其特征在于，包含以下步骤：
S1：雷达接收目标回波，并对回波依次进行下变频、脉压处理和相参积累；
S2：对下变频、脉压处理和相参积累后的回波进行Mean-Shift聚类处理；
S3：对Mean-Shift聚类处理后的回波进行噪声阶跃界查询；
S4：根据噪声阶跃界对回波进行零均值处理，用以消除回波中的噪声阶跃；
S5：对零均值处理后的回波进行单元平均恒虚警检测处理；
所述S2步骤中对回波进行Mean-Shift聚类处理的步骤包含以下内容：
S21：根据回波数据样本S，初始化聚类中心C、聚类半径R和聚类中心门限Tc；
S22：计算数据样本S中各个数据点S(i)到聚类中心C的距离向量Rcs(i)，其中Rcs(i)＝(C-S(i))2；
S23：对数据样本S进行Mean-Shift聚类处理，并对每次迭代时的每个聚类域中的各个数据点标记编号，记录各个数据点的标记次数，当数据样本S中的数据点S(i)满足其距离当前聚类中心C距离在R之内的条件，即Rcs(i)＜R2，则该些数据点属于该聚类域，即S(i)∈f(n)，f(n)表示第n次迭代时的聚类域，第n次迭代时的聚类中心为C(n)；
S24：聚类中心漂移，对数据样本S进行迭代聚类处理；
S25：若迭代后的聚类中心满足收敛要求，则聚类完毕；否则返回S22步骤，进行下一步迭代，直至满足聚类中心收敛要求；
S26：对上述各个迭代中的各个聚类域进行合并；
S27：根据回波的各个数据点在合并后的每个聚类域中的标记次数，选取标记次数最大的作为当前回波数据点的所属聚类域。
2.如权利要求1所述的方法，其特征在于，所述S3步骤对聚类处理后的回波进行噪声阶跃界寻找包含以下内容：聚类后的回波根据当前聚类域中数据的标记编号进行噪声阶跃界查询，所述噪声阶跃界满足以下两个条件；
噪声阶跃界前K个回波数据点中至少有K-1个数据点属于同一聚类域；
噪声阶跃界后K个回波数据点中至少有K-1个数据点属于另一聚类域，其中K≥2且为整数，满足上述两个条件的聚类域分界处为噪声阶跃界。
3.如权利要求2所述的方法，其特征在于，对回波数据进行聚类后，所述S4步骤进行零均值处理，具体内容为：用聚类后的回波数据分别减去平均值，公式如下所示：
其中，为零均值处理后的各个数据点到均值点/>的向量，M为聚类域内回波数据点个数，l为正整数，f(l)表示聚类域合并处理后的第l个聚类域。
4.如权利要求1所述的方法，其特征在于，所述S24步骤聚类中心漂移公式为：
其中，i为正整数，表示数据样本S中数据点序号，n表示第n次迭代，M为第n次迭代时的聚类域内回波数据点的个数，f(n)表示第n次迭代时的聚类域；C(n+1)表示第n+1次迭代时的聚类中心。
5.如权利要求1所述的方法，其特征在于，所述S25步骤中聚类中心满足收敛要求的具体内容是：C(n+1)-C(n)＜Tc，其中C(n)、C(n+1)分别表示第n、n+1次迭代时的聚类中心。
6.如权利要求1所述的方法，其特征在于，所述S26步骤具体包含以下内容：对上述各个迭代中各个聚类域进行两两比较，若两个聚类域的聚类中心之间小于阀值，即C(n)-C(m)＜R/2，则聚类域进行合并；其中，m,n∈N+，表示聚类中心的序号，m，n为聚类域数量。
7.如权利要求1所述的方法，其特征在于，所述S5步骤的单元平均恒虚警检测处理具体包含以下步骤：
S51：对零均值处理后的回波设置回波数据中的最大值为检测单元S0；
S52：设置检测单元S0两端各Q/2单元长度的Q个数据点为保护单元；
S53：设置保护单元两端各P/2单元长度的P个数据点为参考单元；
S54：计算参考单元杂波的算术平均值作为杂波功率水平Z，公式如下：
其中j为正整数，G(j)表示参考单元内第j个数据点；
S55：设置标称化门限因子T，T＝Pfa -1/Q-1，其中Pfa为虚警概率；
S56：计算门限值D，D＝T·Z；
S57：比较器的自适应判决准则，如下式：
该式子中，S0表示检测单元，H0表示只有杂波和噪声，H1表示有杂波、噪声和目标；当检测单元值大于门限值时即S0＞D，此时回波数据中存在目标，即H1成立；反之，若检测单元的值小于门限值时即S0＜D，此时认为回波数据中不存在目标，即H0成立。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864123.XA CN113589251B (zh) | 2021-07-29 | 2021-07-29 | 一种Mean-Shift回波聚类后的单元平均恒虚警检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864123.XA CN113589251B (zh) | 2021-07-29 | 2021-07-29 | 一种Mean-Shift回波聚类后的单元平均恒虚警检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113589251A CN113589251A (zh) | 2021-11-02 |
| CN113589251B true CN113589251B (zh) | 2024-01-05 |
Family
ID=78251918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110864123.XA Active CN113589251B (zh) | 2021-07-29 | 2021-07-29 | 一种Mean-Shift回波聚类后的单元平均恒虚警检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113589251B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4749994A (en) * | 1986-06-04 | 1988-06-07 | Westinghouse Electric Corp. | Signal processing for radars having clutter maps |
| US5592170A (en) * | 1995-04-11 | 1997-01-07 | Jaycor | Radar system and method for detecting and discriminating targets from a safe distance |
| US6677886B1 (en) * | 2002-10-28 | 2004-01-13 | Raytheon Company | Weather and airborne clutter suppression using a cluster shape classifier |
| CN106342246B (zh) * | 2011-06-14 | 2014-03-26 | 中国航空工业集团公司雷华电子技术研究所 | 一种气象雷达地杂波抑制方法 |
| CN105182300A (zh) * | 2015-09-11 | 2015-12-23 | 上海无线电设备研究所 | 天基外辐射源雷达的地杂波干扰实时抑制方法 |
| 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 |
| CN105913074A (zh) * | 2016-04-05 | 2016-08-31 | 西安电子科技大学 | 基于幅度与径向速度联合的sar图像动目标聚类方法 |
| CN107765228A (zh) * | 2017-09-29 | 2018-03-06 | 西安电子科技大学 | 一种基于区域相似性的在线雷达目标检测方法 |
| CN108919247A (zh) * | 2018-03-30 | 2018-11-30 | 中国科学院电子学研究所 | 一种基于恒虚警率检测的多目标体检测及定位方法 |
| CN109683160A (zh) * | 2019-03-19 | 2019-04-26 | 长沙深之瞳信息科技有限公司 | 一种适用于穿墙雷达的目标检测方法 |
| CN111398910A (zh) * | 2020-03-11 | 2020-07-10 | 四川九洲防控科技有限责任公司 | 雷达信号检测方法、装置、电子设备及存储介质 |
| CN111624573A (zh) * | 2020-07-20 | 2020-09-04 | 上海无线电设备研究所 | 一种海杂波背景下的时域自适应目标检测方法 |
| CN111934797A (zh) * | 2020-07-09 | 2020-11-13 | 广东工业大学 | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 |
| CN112346029A (zh) * | 2020-10-30 | 2021-02-09 | 中国人民解放军空军预警学院 | 基于待检测单元的可变参考窗单元平均恒虚警检测方法 |
| CN113075648A (zh) * | 2021-03-19 | 2021-07-06 | 中国舰船研究设计中心 | 一种无人集群目标定位信息的聚类与滤波方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7920088B2 (en) * | 2006-03-03 | 2011-04-05 | Scott Randall Thompson | Apparatus and method to identify targets through opaque barriers |
| US8502731B2 (en) * | 2011-01-18 | 2013-08-06 | The United States Of America As Represented By The Secretary Of The Army | System and method for moving target detection |
| US10802130B2 (en) * | 2017-11-28 | 2020-10-13 | Viettel Group | Marine target detection in cluttered environments |
-
2021
- 2021-07-29 CN CN202110864123.XA patent/CN113589251B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4749994A (en) * | 1986-06-04 | 1988-06-07 | Westinghouse Electric Corp. | Signal processing for radars having clutter maps |
| US5592170A (en) * | 1995-04-11 | 1997-01-07 | Jaycor | Radar system and method for detecting and discriminating targets from a safe distance |
| US6677886B1 (en) * | 2002-10-28 | 2004-01-13 | Raytheon Company | Weather and airborne clutter suppression using a cluster shape classifier |
| CN106342246B (zh) * | 2011-06-14 | 2014-03-26 | 中国航空工业集团公司雷华电子技术研究所 | 一种气象雷达地杂波抑制方法 |
| CN105182300A (zh) * | 2015-09-11 | 2015-12-23 | 上海无线电设备研究所 | 天基外辐射源雷达的地杂波干扰实时抑制方法 |
| 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 |
| CN105913074A (zh) * | 2016-04-05 | 2016-08-31 | 西安电子科技大学 | 基于幅度与径向速度联合的sar图像动目标聚类方法 |
| CN107765228A (zh) * | 2017-09-29 | 2018-03-06 | 西安电子科技大学 | 一种基于区域相似性的在线雷达目标检测方法 |
| CN108919247A (zh) * | 2018-03-30 | 2018-11-30 | 中国科学院电子学研究所 | 一种基于恒虚警率检测的多目标体检测及定位方法 |
| CN109683160A (zh) * | 2019-03-19 | 2019-04-26 | 长沙深之瞳信息科技有限公司 | 一种适用于穿墙雷达的目标检测方法 |
| CN111398910A (zh) * | 2020-03-11 | 2020-07-10 | 四川九洲防控科技有限责任公司 | 雷达信号检测方法、装置、电子设备及存储介质 |
| CN111934797A (zh) * | 2020-07-09 | 2020-11-13 | 广东工业大学 | 基于协方差特征值和均值漂移聚类的协作频谱感知方法 |
| CN111624573A (zh) * | 2020-07-20 | 2020-09-04 | 上海无线电设备研究所 | 一种海杂波背景下的时域自适应目标检测方法 |
| CN112346029A (zh) * | 2020-10-30 | 2021-02-09 | 中国人民解放军空军预警学院 | 基于待检测单元的可变参考窗单元平均恒虚警检测方法 |
| CN113075648A (zh) * | 2021-03-19 | 2021-07-06 | 中国舰船研究设计中心 | 一种无人集群目标定位信息的聚类与滤波方法 |
Non-Patent Citations (6)
| Title |
|---|
| Radar group target recognition based on HRRPs and weighted mean shift clustering;Pengcheng, G. U. O., Zheng, L. I. U., & Jingjing, W. A. N. G;《Journal of Systems Engineering and Electronics》;第31卷(第6期);1152-1159 * |
| Ranging Method Based on Total Variation Minimization;Mingyuan, Yang;《Modern Defense Technology》;第48卷(第4期);1-3 * |
| 基于最小全变差的雷达测距方法;杨明远;徐笛;江利中;丁红晖;顾泽凌;张衡;;《现代防御技术》(第04期);82-89 * |
| 基于聚类的SAR图像快速目标检测;潘卓;高鑫;王岩飞;范俐捷;;《计算机应用研究》;第25卷(第08期);2417-2419 * |
| 雷达信号处理损耗仿真与分析;黄勇;杨明远;崔永香;江利中;;《制导与引信》(第01期);32-37 * |
| 雷达虚警率降低方法的研究与仿真分析;李哲雄;胡国平;周豪;;《计算机仿真》;第32卷(第09期);39-42 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113589251A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108490410B (zh) | 一种两坐标雷达对海目标联合检测跟踪方法 | |
| CN105182312B (zh) | 自适应环境变化的恒虚警检测方法 | |
| Grossi et al. | A track-before-detect algorithm with thresholded observations and closely-spaced targets | |
| CN112887902A (zh) | 一种基于高斯聚类与混合度量的WiFi指纹的室内定位方法 | |
| CN108845300B (zh) | 一种场面监视雷达恒虚警处理方法 | |
| CN114114192B (zh) | 集群目标检测方法 | |
| CN106249211B (zh) | 一种海杂波与云雨杂波抑制算法 | |
| CN108924756A (zh) | 基于WiFi双频带的室内定位方法 | |
| CN111157953B (zh) | 一种强地杂波下两级门限恒虚警检测算法 | |
| CN106405510B (zh) | 一种基于伪滑窗l判决准则的航迹删除方法 | |
| CN109521412B (zh) | 基于局部统计量融合的雷达组网空域目标检测方法 | |
| CN113589251B (zh) | 一种Mean-Shift回波聚类后的单元平均恒虚警检测方法 | |
| CN111753803B (zh) | 基于模糊聚类和高阶累积量的无人机图传信号识别方法 | |
| CN106249241B (zh) | 一种自适应杂波功率统计算法 | |
| CN111736156B (zh) | 一种基于天气雷达的逆风区识别方法与装置 | |
| CN111142075B (zh) | 一种道面微小目标检测雷达杂波图自动更新方法 | |
| CN106093909B (zh) | 适用于分簇结构的rsn的多跳恒虚警信息融合判决方法 | |
| CN114710215B (zh) | 一种跳频信号快速盲检测的方法 | |
| Sun et al. | A Wave Texture Difference Method for Rainfall Detection Using X‐Band Marine Radar | |
| JP5623253B2 (ja) | 多目標追尾装置 | |
| CN111273249B (zh) | 一种基于雷达虚警预处理时间的智能杂波分区方法 | |
| CN113534084A (zh) | 一种基于相关关系拓扑图的雷达虚假航迹抑制方法 | |
| CN113625266A (zh) | 应用雷达检测低速目标的方法、装置、存储介质和设备 | |
| CN110632592A (zh) | 一种手持式穿墙雷达的虚警消除方法 | |
| Lončarević et al. | Improved Target Trajectory Reconstruction in HFSWRs Using a DBSCAN Clustering Algorithm |
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 |