CN114660554A - 一种雷达目标和干扰的检测分类方法及系统 - Google Patents

一种雷达目标和干扰的检测分类方法及系统 Download PDF

Info

Publication number
CN114660554A
CN114660554A CN202210572248.XA CN202210572248A CN114660554A CN 114660554 A CN114660554 A CN 114660554A CN 202210572248 A CN202210572248 A CN 202210572248A CN 114660554 A CN114660554 A CN 114660554A
Authority
CN
China
Prior art keywords
interference
matrix
target
detector
data
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.)
Granted
Application number
CN202210572248.XA
Other languages
English (en)
Other versions
CN114660554B (zh
Inventor
刘维建
郑岱堃
黄灿
陈浩
李槟槟
周必雷
张昭建
陈辉
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.)
Air Force Early Warning Academy
Original Assignee
Air Force Early Warning Academy
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 Air Force Early Warning Academy filed Critical Air Force Early Warning Academy
Priority to CN202210572248.XA priority Critical patent/CN114660554B/zh
Publication of CN114660554A publication Critical patent/CN114660554A/zh
Application granted granted Critical
Publication of CN114660554B publication Critical patent/CN114660554B/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
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Optimization (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种雷达目标和干扰的检测分类方法及系统，涉及雷达目标技术领域，首先构造待检测数据、训练样本矩阵和信号矩阵，然后构造采样协方差矩阵和干扰矩阵，再构造三类子检测器，即：目标检测器、干扰检测器和目标与干扰分类器；接着根据系统预设虚警概率和目标检测器和干扰检测器确定目标检测器门限和干扰检测器门限，最后分别比较目标检测器、干扰检测器和目标与干扰分类器与目标检测器门限、干扰检测器门限和1的大小，记录输出结果，根据输出结果判决待检测数据存在干扰、目标、或者二者都不存在。本发明方法能够以较高概率做出正确判决，既适用于干扰已知也适用于干扰未知情形，且对杂波具有恒虚警特性，无需额外的恒虚警处理。

Description

一种雷达目标和干扰的检测分类方法及系统
技术领域
本发明涉及雷达目标技术领域，更具体的说是涉及一种雷达目标和干扰的检测分类方法及系统。
背景技术
雷达最核心的功能之一是目标检测。然而，雷达工作环境复杂多变，除了存在热噪声及可能的目标信号外，往往还存在功率强大的地海杂波，以及各种干扰信号。
杂波及干扰环境中传统目标检测方法主要采用先干扰抑制后恒虚警处理。然后，随着干扰技术的不断发展，干扰样式灵活多变，其特征之一就是间歇出现。此时若仍然先抑制干扰，则必然导致目标检测性能的下降。
文献（Gini,F.and Farina,A.and Greco,M.S.,“Radar detection andpreclassification based on multiple hypothesis testing”,IEEE Transactions onAerospace and Electronic Systems,vol.40,no.3,pp.1046-1059.）提出了一种目标检测及分类方法，该方法推广传统二元假设检验问题为多元假设问题，可实现多类目标的检测与分类。然而，该方法存在以下局限：1）所提方法建立在杂波统计特性已知的前提下，但在实际环境中杂波统计特性是未知的；2）上述文献中的方法主要是为了区分不同类型的目标（如直升机和固定翼飞机），而非区分目标与干扰，需要实现获得不同类型目标的相关信息（若不同类型目标所属于的子空间）；3）上述文献提出的多目标检测方法需要实现获得每类目标的特性，该要求对快速变化的干扰难以满足。此外，文献（Greco,M.and Gini,F.andFarina,A.,“Radar detection and classification of jamming signals belonging toa cone class,”IEEE Transactions on Signal Processing,2008,vol.56,no.5,pp.1984-1993.）提出了一种信号检测及干扰与目标分类的方法，然而该方法存在以下缺陷：1）需要事先得到杂波加噪声的协方差矩阵，因此不适用于未知杂波环境；2）需要提前预设干扰所在锥空间的锥角大小；3）无法得到检测器的闭合解；4）只适用于秩一信号，不适用于子空间信号。因此，对本领域技术人员来说，如何在杂波和噪声协方差矩阵未知而可能存在干扰时进行子空间信号和干扰的检测及分类，是亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种雷达目标和干扰的检测分类方法及系统，以解决背景技术中存在的问题。
为了实现上述目的，本发明采用如下技术方案：一种雷达目标和干扰的检测分类方法，具体步骤包括如下：
构造待检测数据
Figure 969270DEST_PATH_IMAGE001
、训练样本矩阵
Figure 976540DEST_PATH_IMAGE002
和信号矩阵
Figure 174303DEST_PATH_IMAGE003
；
构造采样协方差矩阵
Figure 721959DEST_PATH_IMAGE004
和干扰矩阵
Figure 954358DEST_PATH_IMAGE005
；
根据所述待检测数据
Figure 398108DEST_PATH_IMAGE001
、信号矩阵
Figure 817588DEST_PATH_IMAGE003
、采样协方差矩阵
Figure 434515DEST_PATH_IMAGE004
和干扰矩阵
Figure 459102DEST_PATH_IMAGE005
构造子检测器，所述子检测器为目标检测器
Figure 870492DEST_PATH_IMAGE006
、干扰检测器
Figure 777268DEST_PATH_IMAGE007
和目标与干扰分类器
Figure 932306DEST_PATH_IMAGE008
；
确定目标检测器门限
Figure 873717DEST_PATH_IMAGE009
与干扰检测器门限
Figure 456008DEST_PATH_IMAGE010
；
比较所述目标检测器
Figure 53343DEST_PATH_IMAGE011
与所述目标检测器门限
Figure 746492DEST_PATH_IMAGE012
的大小、比较所述干扰检测器
Figure 276831DEST_PATH_IMAGE013
与所述干扰检测器门限
Figure 295602DEST_PATH_IMAGE014
的大小、比较所述目标与干扰分类器
Figure 380233DEST_PATH_IMAGE015
与1的大小，并记录输出结果；
根据所述输出结果，确定所述待检测数据含有目标、干扰还是二者均不含有。
可选的，所述采样协方差矩阵
Figure 877074DEST_PATH_IMAGE004
的表达式为：
Figure 793077DEST_PATH_IMAGE016
，其中，
Figure 451591DEST_PATH_IMAGE017
表示共轭转置。
可选的，所述干扰矩阵
Figure 820256DEST_PATH_IMAGE018
的构造方法为：
若干扰信息已知，根据所述干扰信息构造干扰矩阵；
若干扰信息未知，所述干扰矩阵
Figure 58470DEST_PATH_IMAGE018
的表达式为：
Figure 828980DEST_PATH_IMAGE019
，
Figure 658396DEST_PATH_IMAGE020
为
Figure 779936DEST_PATH_IMAGE021
维酉矩阵
Figure 618579DEST_PATH_IMAGE022
的后
Figure 181278DEST_PATH_IMAGE023
列，记：
Figure 447174DEST_PATH_IMAGE024
，
Figure 790431DEST_PATH_IMAGE025
为
Figure 432765DEST_PATH_IMAGE026
的奇异值分解的左酉矩阵，
Figure 912288DEST_PATH_IMAGE027
的奇异值分解为
Figure 349085DEST_PATH_IMAGE028
，
Figure 117321DEST_PATH_IMAGE029
为
Figure 297767DEST_PATH_IMAGE030
维对角矩阵，
Figure 897376DEST_PATH_IMAGE031
为
Figure 505074DEST_PATH_IMAGE032
维酉矩阵。
可选的，所述目标检测器
Figure 557344DEST_PATH_IMAGE033
的表达式为：
Figure 479164DEST_PATH_IMAGE034
；
所述干扰检测器
Figure 933279DEST_PATH_IMAGE035
的表达式为：
Figure 711879DEST_PATH_IMAGE036
；
所述目标与干扰分类器
Figure 517024DEST_PATH_IMAGE037
的表达式为：
Figure 39272DEST_PATH_IMAGE038
；
其中，
Figure 551156DEST_PATH_IMAGE039
表示矩阵的逆。
可选的，所述目标检测器门限
Figure 500657DEST_PATH_IMAGE040
与所述干扰检测器门限
Figure 261940DEST_PATH_IMAGE041
的确定方式为：
Figure 587879DEST_PATH_IMAGE042
；
Figure 16586DEST_PATH_IMAGE043
；
其中，
Figure 136989DEST_PATH_IMAGE044
，
Figure 651147DEST_PATH_IMAGE045
为蒙特卡洛仿真次数，
Figure 718460DEST_PATH_IMAGE046
为系统设定的虚警概率值，
Figure 736095DEST_PATH_IMAGE047
为取整操作，
Figure 558557DEST_PATH_IMAGE048
为序列
Figure 294432DEST_PATH_IMAGE049
由大到小排列第
Figure 165436DEST_PATH_IMAGE050
个最大值；
Figure 37577DEST_PATH_IMAGE051
为序列
Figure 765362DEST_PATH_IMAGE052
由大到小排列第
Figure 254112DEST_PATH_IMAGE053
个最大值；
Figure 663228DEST_PATH_IMAGE054
为仅含杂波和噪声分量的待检测数据矩阵的第
Figure 655455DEST_PATH_IMAGE055
次蒙特卡洛实现，
Figure 819720DEST_PATH_IMAGE056
，
Figure 467870DEST_PATH_IMAGE057
，
Figure 477414DEST_PATH_IMAGE058
为训练样本矩阵的第
Figure 855306DEST_PATH_IMAGE059
次蒙特卡洛实现，
Figure 659314DEST_PATH_IMAGE060
。
可选的，所述输出结果的记录方式为：
当
Figure 857077DEST_PATH_IMAGE061
时，记
Figure 607995DEST_PATH_IMAGE062
，反之则记
Figure 574814DEST_PATH_IMAGE063
；
当
Figure 549724DEST_PATH_IMAGE064
时，记
Figure 500362DEST_PATH_IMAGE065
，反之则记
Figure 54971DEST_PATH_IMAGE066
；
当
Figure 876297DEST_PATH_IMAGE067
时，记
Figure 287686DEST_PATH_IMAGE068
，反之则记
Figure 460042DEST_PATH_IMAGE069
。
可选的，若
Figure 349500DEST_PATH_IMAGE070
、
Figure 494174DEST_PATH_IMAGE071
且
Figure 810886DEST_PATH_IMAGE072
，则判决：待检测数据既无目标也无干扰；
若
Figure 470537DEST_PATH_IMAGE073
、
Figure 366949DEST_PATH_IMAGE074
且
Figure 162867DEST_PATH_IMAGE075
，则判决：待检测数据既无目标也无干扰；
若
Figure 916059DEST_PATH_IMAGE076
、
Figure 797427DEST_PATH_IMAGE077
且
Figure 294268DEST_PATH_IMAGE078
，则判决：待检测数据存在干扰；
若
Figure 944692DEST_PATH_IMAGE079
、
Figure 868786DEST_PATH_IMAGE080
且
Figure 440713DEST_PATH_IMAGE081
，则判决：待检测数据存在目标；
若
Figure 475665DEST_PATH_IMAGE082
、
Figure 246175DEST_PATH_IMAGE083
且
Figure 341169DEST_PATH_IMAGE084
，则判决：待检测数据存在干扰；
若
Figure 197130DEST_PATH_IMAGE085
、
Figure 770194DEST_PATH_IMAGE086
且
Figure 598473DEST_PATH_IMAGE087
，则判决：待检测数据存在目标；
若
Figure 864369DEST_PATH_IMAGE088
、
Figure 942046DEST_PATH_IMAGE089
且
Figure 584380DEST_PATH_IMAGE090
，则判决：待检测数据存在干扰；
若
Figure 329482DEST_PATH_IMAGE091
、
Figure 805480DEST_PATH_IMAGE092
且
Figure 370453DEST_PATH_IMAGE093
，则判决：待检测数据存在目标。
另一方面，提供一种雷达目标和干扰的检测分类系统，包括接收数据矩阵和信号矩阵构造模块、采样协方差矩阵和干扰矩阵构造模块、子检测器构造模块、门限确定模块、检测器与门限比较模块、判决结果输出模块；其中，
所述接收数据矩阵和信号矩阵构造模块，用于构造待检测数据向量、训练样本矩阵和信号矩阵；
所述采样协方差矩阵和干扰矩阵构造模块，用于利用训练样本矩阵构造采样协方差矩阵，在干扰信息已知时，根据所述干扰信息构造干扰矩阵，否则根据所述信号矩阵构造干扰矩阵；
所述子检测器构造模块，用于根据待检测数据、信号矩阵、采样协方差矩阵和干扰矩阵构造子检测器，所述子检测器包括目标检测器、干扰检测器和目标与干扰分类器；
所述门限确定模块，用于确定目标检测器门限和干扰检测器门限；
所述检测器与门限比较模块，用于分别比较目标检测器、干扰检测器、目标与干扰分类器和目标检测器门限、干扰检测器门限、1的大小，并记录结果；
所述判决结果输出模块，用于根据输出结果，确定所述待检测数据含有目标、干扰还是二者均不含有。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种雷达目标和干扰的检测分类方法及系统，具有以下有益的技术效果：
（1）通过构检测数据向量
Figure 285320DEST_PATH_IMAGE094
、训练样本矩阵
Figure 884928DEST_PATH_IMAGE095
、信号矩阵
Figure 758206DEST_PATH_IMAGE096
和干扰矩阵
Figure 810476DEST_PATH_IMAGE097
，为有效构造目标检测器
Figure 529033DEST_PATH_IMAGE098
、干扰检测器
Figure 983148DEST_PATH_IMAGE099
和目标与干扰分类器
Figure 965011DEST_PATH_IMAGE100
提供了必要条件；
（2）解决了杂波加噪声协方差矩阵未知时可能存在干扰时的子空间信号和干扰的检测及分类问题；
（3）通过实现考虑干扰已知和未知情形下构造干扰矩阵的方式，使得本发明方法既可适用于干扰已知的情形，也可适用于干扰未知的情形；
（4）通过构造目标检测器、干扰检测器和目标与干扰分类器，同时实现了杂波抑制，并且对杂波具有恒虚警特性，从而避免了额外的恒虚警处理流程。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明的系统结构图；
图3为本发明方法在待检测数据中既无目标也无干扰时对三元假设检验的判决概率结果示意图；
图4为本发明方法在待检测数据中含有目标时对三元假设检验的判决概率结果示意图；
图5为本发明方法在待检测数据中含有干扰时对三元假设检验的判决概率结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例1公开了一种雷达目标和干扰的检测分类方法，如图1所示，具体步骤包括如下：
S1、构造待检测数据
Figure 504577DEST_PATH_IMAGE101
、训练样本矩阵
Figure 292404DEST_PATH_IMAGE102
和信号矩阵
Figure 601026DEST_PATH_IMAGE103
，其中，
Figure 550527DEST_PATH_IMAGE104
、
Figure 311810DEST_PATH_IMAGE105
和
Figure 841011DEST_PATH_IMAGE106
的维数分别为
Figure 4139DEST_PATH_IMAGE107
、
Figure 124542DEST_PATH_IMAGE108
和
Figure 904279DEST_PATH_IMAGE109
，其中，N为雷达系统维数；
S2、构造采样协方差矩阵
Figure 768330DEST_PATH_IMAGE110
和干扰矩阵
Figure 989227DEST_PATH_IMAGE111
，其中，
Figure 546110DEST_PATH_IMAGE112
和
Figure 281985DEST_PATH_IMAGE111
的维数分别为
Figure 684147DEST_PATH_IMAGE113
和
Figure 87447DEST_PATH_IMAGE114
；
S3、根据待检测数据
Figure 815231DEST_PATH_IMAGE115
、信号矩阵
Figure 976085DEST_PATH_IMAGE103
、采样协方差矩阵
Figure 447518DEST_PATH_IMAGE112
和干扰矩阵
Figure 705324DEST_PATH_IMAGE111
构造三类子检测器，子检测器为目标检测器
Figure 338431DEST_PATH_IMAGE116
、干扰检测器
Figure 252160DEST_PATH_IMAGE117
和目标与干扰分类器
Figure 261704DEST_PATH_IMAGE118
；
S4、确定目标检测器门限
Figure 108438DEST_PATH_IMAGE119
与干扰检测器门限
Figure 443604DEST_PATH_IMAGE120
；
S5、比较目标检测器
Figure 375788DEST_PATH_IMAGE116
与目标检测器门限
Figure 189023DEST_PATH_IMAGE121
的大小、比较干扰检测器
Figure 359105DEST_PATH_IMAGE122
与干扰检测器门限
Figure 334014DEST_PATH_IMAGE123
的大小、比较目标与干扰分类器
Figure 284652DEST_PATH_IMAGE124
与1的大小，并记录输出结果；
S6、根据输出结果，确定待检测数据含有目标、干扰还是二者均不含有。
具体的，假设雷达系统的系统维数为
Figure 635999DEST_PATH_IMAGE125
，因此，待检测数据可以用
Figure 457325DEST_PATH_IMAGE126
维列向量
Figure 603135DEST_PATH_IMAGE127
表示。实际环境中，待检测数据
Figure 713174DEST_PATH_IMAGE128
中含有的信息存在以下三种可能：一是只含有热噪声和杂波，二是含有热噪声、杂波和目标信号，三是含有热噪声、杂波和干扰。当待检测数据含有目标信号时，假设信号分量位于由
Figure 868212DEST_PATH_IMAGE129
维已知列满秩矩阵
Figure 544043DEST_PATH_IMAGE130
张成的子空间内，则信号可表示为
Figure 391914DEST_PATH_IMAGE131
，其中，
Figure 785986DEST_PATH_IMAGE132
为
Figure 682398DEST_PATH_IMAGE133
维列向量。在有些情形下可实现获得干扰的信息，但另一些情形下不能获得干扰的有效信息。
令干扰为
Figure 478316DEST_PATH_IMAGE134
，假设
Figure 231508DEST_PATH_IMAGE134
位于维数为
Figure 847297DEST_PATH_IMAGE135
的子空间中，则干扰可表示为
Figure 609717DEST_PATH_IMAGE136
，其中，
Figure 260141DEST_PATH_IMAGE137
维矩阵
Figure 184234DEST_PATH_IMAGE138
张成干扰所在的子空间，
Figure 756161DEST_PATH_IMAGE139
维列向量
Figure 791113DEST_PATH_IMAGE140
表示干扰在干扰子空间中的坐标。需要指出的是，干扰属于非合作目标，在某些情形下，雷达可实现获得干扰的先验信息，例如雷达在休止期采用只接收不发射的模式，可侦收干扰信息，此时可认为干扰矩阵
Figure 561623DEST_PATH_IMAGE141
已知。然后，雷达工作的电磁环境复杂多变，可能难以获得干扰的有效信息，例如，对于事变灵巧干扰，可能在雷达休止期无法侦收到干扰信息，此时可认为干扰矩阵
Figure 656618DEST_PATH_IMAGE142
未知。在没有关于干扰的任何先验信息下，可假设干扰位于与目标信号正交的子空间中，该子空间的基矩阵可通过对信号矩阵
Figure 247000DEST_PATH_IMAGE143
的奇异值分解得到，具体地，令
Figure 85643DEST_PATH_IMAGE144
的奇异值分解为
Figure 913921DEST_PATH_IMAGE145
，
Figure 179818DEST_PATH_IMAGE146
为
Figure 257495DEST_PATH_IMAGE147
维对角矩阵，
Figure 899829DEST_PATH_IMAGE148
和
Figure 379352DEST_PATH_IMAGE149
分别为
Figure 19412DEST_PATH_IMAGE150
和
Figure 584385DEST_PATH_IMAGE151
维酉矩阵，则可选择干扰矩阵为
Figure 764831DEST_PATH_IMAGE152
，其中，
Figure 364439DEST_PATH_IMAGE153
为酉矩阵的后
Figure 237718DEST_PATH_IMAGE154
列，即
Figure 24408DEST_PATH_IMAGE155
。综上所述，检测问题可用三元假设检验表示为：
Figure 8544DEST_PATH_IMAGE156
（1）
其中，
Figure 462660DEST_PATH_IMAGE157
表示待检测数据仅含有杂波及热噪声，
Figure 444522DEST_PATH_IMAGE158
表示待检测数据含有杂波、热噪声和目标信号，
Figure 718509DEST_PATH_IMAGE159
表示待检测数据含有杂波、热噪声和干扰，
Figure 506336DEST_PATH_IMAGE160
表示待检测数据中的热噪声和杂波分量之和。在实际环境中，
Figure 814958DEST_PATH_IMAGE161
的协方差矩阵
Figure 764459DEST_PATH_IMAGE162
是未知的，为了对其进行估计，需要用到一定数量的训练样本，这些训练样本往往从待检测数据单元的附近的回波数据得到。假设存在
Figure 994583DEST_PATH_IMAGE163
个训练样本，记作
Figure 54943DEST_PATH_IMAGE164
，
Figure 483650DEST_PATH_IMAGE165
。为叙述方便，令
Figure 869632DEST_PATH_IMAGE166
为训练样本矩阵。则式可修正为：
Figure 118211DEST_PATH_IMAGE167
（2）
其中，
Figure 185524DEST_PATH_IMAGE168
为训练样本矩阵中的杂波与噪声分量之和。
下面详细说明本申请针对式（2）所示的三元假设检验的解决思路。把式（2）所示的三元假设检验分解为3个二元假设检验问题，即：
Figure 468738DEST_PATH_IMAGE169
（3）
Figure 25621DEST_PATH_IMAGE170
（4）
和
Figure 761496DEST_PATH_IMAGE171
（5）
针对二元假设检验问题，相应的广义似然比检测器分别为：
Figure 429238DEST_PATH_IMAGE172
（6）
Figure 770220DEST_PATH_IMAGE173
（7）
和
Figure 232426DEST_PATH_IMAGE174
（8）
其中，
Figure 455597DEST_PATH_IMAGE175
，符号
Figure 192609DEST_PATH_IMAGE176
表示矩阵的逆。
为了从式（2）中挑选出最合理的假设检验，需要综合式（6）、（7）和（8）中所示检测器与门限的比较结果，其中，式（6）和（7）对应的检测门限根据虚警概率得到，分别记为
Figure 388098DEST_PATH_IMAGE177
和
Figure 21204DEST_PATH_IMAGE178
，二者利用蒙特卡洛仿真得到，具体实施如下：
Figure 731671DEST_PATH_IMAGE179
Figure 741216DEST_PATH_IMAGE180
式中，
Figure 853528DEST_PATH_IMAGE181
，
Figure 923115DEST_PATH_IMAGE182
为蒙特卡洛仿真次数，
Figure 855299DEST_PATH_IMAGE183
为系统设定的虚警概率值，
Figure 668535DEST_PATH_IMAGE184
为取整操作，
Figure 573037DEST_PATH_IMAGE185
为序列
Figure 813525DEST_PATH_IMAGE186
由大到小排列第
Figure 498584DEST_PATH_IMAGE187
个最大值，
Figure 849931DEST_PATH_IMAGE188
为序列
Figure 671257DEST_PATH_IMAGE189
由大到小排列第
Figure DEST_PATH_IMAGE190
个最大值，
Figure 754750DEST_PATH_IMAGE191
为仅含杂波和噪声分量的待检测数据矩阵的第
Figure 661527DEST_PATH_IMAGE192
次蒙特卡洛实现，
Figure 816564DEST_PATH_IMAGE193
，
Figure 757976DEST_PATH_IMAGE194
，
Figure 520091DEST_PATH_IMAGE195
为训练样本矩阵的第次蒙特卡洛实现，
Figure 914164DEST_PATH_IMAGE196
。
得到检测门限后
Figure 607313DEST_PATH_IMAGE197
和
Figure 668810DEST_PATH_IMAGE198
后，分别比较目标检测器
Figure 156423DEST_PATH_IMAGE199
、干扰检测器
Figure 37792DEST_PATH_IMAGE200
、目标与干扰分类器
Figure 737894DEST_PATH_IMAGE201
和目标检测器门限
Figure 388318DEST_PATH_IMAGE202
、干扰检测器门限
Figure 312412DEST_PATH_IMAGE203
、1的大小，并输出结果，记录方式为：
当
Figure 681077DEST_PATH_IMAGE204
时，记
Figure 716029DEST_PATH_IMAGE205
，反之则记
Figure 689801DEST_PATH_IMAGE206
；
当
Figure 784796DEST_PATH_IMAGE064
时，记
Figure 375177DEST_PATH_IMAGE065
，反之则记
Figure 479399DEST_PATH_IMAGE066
；
当
Figure 104416DEST_PATH_IMAGE067
时，记
Figure 370312DEST_PATH_IMAGE068
，反之则记
Figure 651252DEST_PATH_IMAGE069
。
根据
Figure 293586DEST_PATH_IMAGE207
、
Figure 773109DEST_PATH_IMAGE208
、和
Figure 209906DEST_PATH_IMAGE209
的大小，输出最终的判决结果，具体按下述方式进行：
若
Figure 978142DEST_PATH_IMAGE073
、
Figure 158588DEST_PATH_IMAGE074
且
Figure 492617DEST_PATH_IMAGE075
，则判决：待检测数据既无目标也无干扰；
若
Figure 365895DEST_PATH_IMAGE076
、
Figure 418165DEST_PATH_IMAGE077
且
Figure 605564DEST_PATH_IMAGE078
，则判决：待检测数据存在干扰；
若
Figure 59679DEST_PATH_IMAGE079
、
Figure 838279DEST_PATH_IMAGE080
且
Figure 581107DEST_PATH_IMAGE081
，则判决：待检测数据存在目标；
若
Figure 103355DEST_PATH_IMAGE082
、
Figure 411977DEST_PATH_IMAGE083
且
Figure 361478DEST_PATH_IMAGE084
，则判决：待检测数据存在干扰；
若
Figure 653919DEST_PATH_IMAGE085
、
Figure 714279DEST_PATH_IMAGE086
且
Figure 80670DEST_PATH_IMAGE087
，则判决：待检测数据存在目标；
若
Figure 732231DEST_PATH_IMAGE088
、
Figure 980810DEST_PATH_IMAGE089
且
Figure 844860DEST_PATH_IMAGE090
，则判决：待检测数据存在干扰；
若
Figure 331336DEST_PATH_IMAGE091
、
Figure 622640DEST_PATH_IMAGE092
且
Figure 358515DEST_PATH_IMAGE093
，则判决：待检测数据存在目标。
下面结合仿真实验对本发明的效果做进一步说明。
仿真实验1
假设待检测数据中既无目标也无干扰。令雷达系统通道数为
Figure 291836DEST_PATH_IMAGE210
，令虚警概率为0.001，协方差矩阵
Figure DEST_PATH_IMAGE211
的第
Figure 101660DEST_PATH_IMAGE212
个元素被设置为
Figure DEST_PATH_IMAGE213
，
Figure 32707DEST_PATH_IMAGE214
，
Figure 521457DEST_PATH_IMAGE215
，
Figure 727311DEST_PATH_IMAGE216
表示
Figure 922800DEST_PATH_IMAGE217
的绝对值。为了估计杂波加噪声协方差矩阵，假设存在16个训练样本，训练样本只含杂波和噪声分量，且协方差矩阵也为
Figure 821486DEST_PATH_IMAGE211
。图3给出了本发明所提方法在待检测数据中既无目标也无干扰时对三元假设检验的判决概率。从图中可以看出，判决结果正确率接近100%。
仿真实验2
假设待检测数据中含有目标信号。令雷达系统通道数为
Figure 531953DEST_PATH_IMAGE210
，信号矩阵的具有结构
Figure 541497DEST_PATH_IMAGE218
，其中，
Figure 857072DEST_PATH_IMAGE219
表示复数单位，即：
Figure 661080DEST_PATH_IMAGE220
，
Figure 858843DEST_PATH_IMAGE221
为目标归一化空域频率，在仿真中令
Figure DEST_PATH_IMAGE222
，令虚警概率为0.001，协方差矩阵
Figure 140920DEST_PATH_IMAGE211
的第
Figure 107739DEST_PATH_IMAGE223
个元素被设置为
Figure DEST_PATH_IMAGE224
，
Figure 20331DEST_PATH_IMAGE225
，
Figure DEST_PATH_IMAGE226
，
Figure 174232DEST_PATH_IMAGE227
表示
Figure DEST_PATH_IMAGE228
的绝对值。为了估计杂波加噪声协方差矩阵，假设存在16个训练样本，训练样本只含杂波和噪声分量，且协方差矩阵也为
Figure 994421DEST_PATH_IMAGE211
。图4给出了本发明所提方法在待检测数据中含有目标时对三元假设检验的判决概率，其中信杂噪比被定义为
Figure 815746DEST_PATH_IMAGE229
，
Figure DEST_PATH_IMAGE230
为满足特定信噪比下所选择的目标幅度向量。从图中可以看出，当信噪比高于12.5 dB时，所提检测方法对目标的检测概率高于50%，当信杂噪比高于14.3 dB时，所提检测方法对目标的检测概率高于80%。
仿真实验3
假设待检测数据中含有干扰，不含目标。令雷达系统通道数为
Figure 899240DEST_PATH_IMAGE231
，干扰矩阵的具有结构
Figure 806016DEST_PATH_IMAGE232
，其中，
Figure 961054DEST_PATH_IMAGE219
表示复数单位，即：
Figure 902465DEST_PATH_IMAGE220
，
Figure 688018DEST_PATH_IMAGE233
为干扰归一化空域频率，在仿真中令
Figure 82090DEST_PATH_IMAGE234
。令虚警概率为0.001，协方差矩阵
Figure 40819DEST_PATH_IMAGE211
的第
Figure 571158DEST_PATH_IMAGE223
个元素设置为
Figure 527612DEST_PATH_IMAGE235
，
Figure 408981DEST_PATH_IMAGE236
，
Figure 905821DEST_PATH_IMAGE237
，
Figure DEST_PATH_IMAGE238
表示
Figure 290666DEST_PATH_IMAGE239
的绝对值。为了估计杂波加噪声协方差矩阵，假设存在16个训练样本，训练样本只含杂波和噪声分量，且协方差矩阵也为
Figure 152443DEST_PATH_IMAGE211
。图5给出了本发明所提方法在待检测数据中含有干扰时对三元假设检验的判决概率，其中干噪比被定义为
Figure 521107DEST_PATH_IMAGE240
，为满足特干噪比下所选择的干扰幅度向量。从图中可以看出，当干噪比高于12.2 dB时，所提检测方法对干扰的检测概率高于50%，当干噪比高于14.3 dB时，所提检测方法对干扰的检测概率高于80%。
本发明实施例2提供一种雷达目标和干扰的检测分类系统，如图2所示，包括接收数据矩阵和信号矩阵构造模块、采样协方差矩阵和干扰矩阵构造模块、子检测器构造模块、门限确定模块、检测器与门限比较模块、判决结果输出模块；其中，
接收数据矩阵和信号矩阵构造模块，用于构造待检测数据向量、训练样本矩阵和信号矩阵；
采样协方差矩阵和干扰矩阵构造模块，用于利用训练样本矩阵构造采样协方差矩阵，在干扰信息已知时，根据干扰信息构造干扰矩阵，否则根据信号矩阵构造干扰矩阵；
子检测器构造模块，用于根据待检测数据、信号矩阵、采样协方差矩阵和干扰矩阵构造子检测器，所述子检测器包括目标检测器、干扰检测器和目标与干扰分类器；
门限确定模块，用于确定目标检测器门限和干扰检测器门限；
检测器与门限比较模块，用于分别比较目标检测器、干扰检测器、目标与干扰分类器和目标检测器门限、干扰检测器门限、1的大小，并记录结果；
判决结果输出模块，用于根据输出结果，确定待检测数据含有目标、干扰还是二者均不含有。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种雷达目标和干扰的检测分类方法，其特征在于，具体步骤包括如下：
构造待检测数据
Figure 588906DEST_PATH_IMAGE001
、训练样本矩阵
Figure 401004DEST_PATH_IMAGE002
和信号矩阵
Figure 715442DEST_PATH_IMAGE003
；
构造采样协方差矩阵
Figure 991702DEST_PATH_IMAGE004
和干扰矩阵
Figure 366183DEST_PATH_IMAGE005
；
根据所述待检测数据
Figure 665577DEST_PATH_IMAGE001
、信号矩阵
Figure 908340DEST_PATH_IMAGE003
、采样协方差矩阵
Figure 445631DEST_PATH_IMAGE004
和干扰矩阵
Figure 850068DEST_PATH_IMAGE005
构造子检测器，所述子检测器为目标检测器
Figure 574441DEST_PATH_IMAGE006
、干扰检测器
Figure 292999DEST_PATH_IMAGE007
和目标与干扰分类器
Figure 809431DEST_PATH_IMAGE008
；
确定目标检测器门限
Figure 260135DEST_PATH_IMAGE009
与干扰检测器门限
Figure 596438DEST_PATH_IMAGE010
；
比较所述目标检测器
Figure 853107DEST_PATH_IMAGE011
与所述目标检测器门限
Figure 99412DEST_PATH_IMAGE012
的大小、比较所述干扰检测器
Figure 111230DEST_PATH_IMAGE013
与所述干扰检测器门限
Figure 75775DEST_PATH_IMAGE014
的大小、比较所述目标与干扰分类器
Figure 198452DEST_PATH_IMAGE015
与1的大小，并记录输出结果；
根据所述输出结果，确定所述待检测数据含有目标、干扰还是二者均不含有。
2.根据权利要求1所述的一种雷达目标和干扰的检测分类方法，其特征在于，所述采样协方差矩阵
Figure 299263DEST_PATH_IMAGE004
的表达式为：
Figure 481983DEST_PATH_IMAGE016
，其中，
Figure 441545DEST_PATH_IMAGE017
表示共轭转置。
3.根据权利要求1所述的一种雷达目标和干扰的检测分类方法，其特征在于，所述干扰矩阵
Figure 243279DEST_PATH_IMAGE018
的构造方法为：
若干扰信息已知，根据所述干扰信息构造干扰矩阵；
若干扰信息未知，所述干扰矩阵
Figure 588809DEST_PATH_IMAGE018
的表达式为：
Figure 817797DEST_PATH_IMAGE019
，
Figure 615988DEST_PATH_IMAGE020
为
Figure 955834DEST_PATH_IMAGE021
维酉矩阵
Figure 155871DEST_PATH_IMAGE022
的后
Figure 555760DEST_PATH_IMAGE023
列，记：
Figure 841247DEST_PATH_IMAGE024
，
Figure 47101DEST_PATH_IMAGE025
为
Figure 977011DEST_PATH_IMAGE026
的奇异值分解的左酉矩阵，
Figure 406855DEST_PATH_IMAGE027
的奇异值分解为
Figure 55005DEST_PATH_IMAGE028
，
Figure 126866DEST_PATH_IMAGE029
为
Figure 911283DEST_PATH_IMAGE030
维对角矩阵，
Figure 43187DEST_PATH_IMAGE031
为
Figure 709791DEST_PATH_IMAGE032
维酉矩阵。
4.根据权利要求1所述的一种雷达目标和干扰的检测分类方法，其特征在于，所述目标检测器
Figure 460710DEST_PATH_IMAGE033
的表达式为：
Figure 224266DEST_PATH_IMAGE034
；
所述干扰检测器
Figure 136859DEST_PATH_IMAGE035
的表达式为：
Figure 290760DEST_PATH_IMAGE036
；
所述目标与干扰分类器
Figure 704423DEST_PATH_IMAGE037
的表达式为：
Figure 197853DEST_PATH_IMAGE038
；
其中，
Figure 671559DEST_PATH_IMAGE039
表示矩阵的逆。
5.根据权利要求1所述的一种雷达目标和干扰的检测分类方法，其特征在于，所述目标检测器门限
Figure 516019DEST_PATH_IMAGE040
与所述干扰检测器门限
Figure 405477DEST_PATH_IMAGE041
的确定方式为：
Figure 143626DEST_PATH_IMAGE042
；
Figure 398021DEST_PATH_IMAGE043
；
其中，
Figure 854410DEST_PATH_IMAGE044
，
Figure 281981DEST_PATH_IMAGE045
为蒙特卡洛仿真次数，
Figure 15581DEST_PATH_IMAGE046
为系统设定的虚警概率值，
Figure 565511DEST_PATH_IMAGE047
为取整操作，
Figure 118984DEST_PATH_IMAGE048
为序列
Figure 678141DEST_PATH_IMAGE049
由大到小排列第
Figure 266248DEST_PATH_IMAGE050
个最大值；
Figure 924763DEST_PATH_IMAGE051
为序列
Figure 90165DEST_PATH_IMAGE052
由大到小排列第
Figure 797221DEST_PATH_IMAGE053
个最大值；
Figure 630048DEST_PATH_IMAGE054
为仅含杂波和噪声分量的待检测数据矩阵的第
Figure 662726DEST_PATH_IMAGE055
次蒙特卡洛实现，
Figure 987528DEST_PATH_IMAGE056
，
Figure 888488DEST_PATH_IMAGE057
，
Figure 451187DEST_PATH_IMAGE058
为训练样本矩阵的第
Figure 513821DEST_PATH_IMAGE059
次蒙特卡洛实现，
Figure 529182DEST_PATH_IMAGE060
。
6.根据权利要求1所述的一种雷达目标和干扰的检测分类方法，其特征在于，所述输出结果的记录方式为：
当
Figure 640357DEST_PATH_IMAGE061
时，记
Figure 182197DEST_PATH_IMAGE062
，反之则记
Figure 556677DEST_PATH_IMAGE063
；
当
Figure 183968DEST_PATH_IMAGE064
时，记
Figure 36517DEST_PATH_IMAGE065
，反之则记
Figure 432864DEST_PATH_IMAGE066
；
当
Figure 978246DEST_PATH_IMAGE067
时，记
Figure 92832DEST_PATH_IMAGE068
，反之则记
Figure 811389DEST_PATH_IMAGE069
。
7.根据权利要求6所述的一种雷达目标和干扰的检测分类方法，其特征在于，若
Figure 672029DEST_PATH_IMAGE070
、
Figure 512946DEST_PATH_IMAGE071
且
Figure 990195DEST_PATH_IMAGE072
，则判决：待检测数据既无目标也无干扰；
若
Figure 246864DEST_PATH_IMAGE073
、
Figure 617803DEST_PATH_IMAGE074
且
Figure 504987DEST_PATH_IMAGE075
，则判决：待检测数据既无目标也无干扰；
若
Figure 328587DEST_PATH_IMAGE076
、
Figure 326630DEST_PATH_IMAGE077
且
Figure 552075DEST_PATH_IMAGE078
，则判决：待检测数据存在干扰；
若
Figure 672477DEST_PATH_IMAGE079
、
Figure 858739DEST_PATH_IMAGE080
且
Figure 785107DEST_PATH_IMAGE081
，则判决：待检测数据存在目标；
若
Figure 740425DEST_PATH_IMAGE082
、
Figure 94046DEST_PATH_IMAGE083
且
Figure 767603DEST_PATH_IMAGE084
，则判决：待检测数据存在干扰；
若
Figure 169766DEST_PATH_IMAGE085
、
Figure 369803DEST_PATH_IMAGE086
且
Figure 769692DEST_PATH_IMAGE087
，则判决：待检测数据存在目标；
若
Figure 55179DEST_PATH_IMAGE088
、
Figure 933137DEST_PATH_IMAGE089
且
Figure 987680DEST_PATH_IMAGE090
，则判决：待检测数据存在干扰；
若
Figure 620787DEST_PATH_IMAGE091
、
Figure 268937DEST_PATH_IMAGE092
且
Figure 75219DEST_PATH_IMAGE093
，则判决：待检测数据存在目标。
8.一种雷达目标和干扰的检测分类系统，其特征在于，包括接收数据矩阵和信号矩阵构造模块、采样协方差矩阵和干扰矩阵构造模块、子检测器构造模块、门限确定模块、检测器与门限比较模块、判决结果输出模块；其中，
所述接收数据矩阵和信号矩阵构造模块，用于构造待检测数据向量、训练样本矩阵和信号矩阵；
所述采样协方差矩阵和干扰矩阵构造模块，用于利用训练样本矩阵构造采样协方差矩阵，在干扰信息已知时，根据所述干扰信息构造干扰矩阵，否则根据所述信号矩阵构造干扰矩阵；
所述子检测器构造模块，用于根据待检测数据、信号矩阵、采样协方差矩阵和干扰矩阵构造子检测器，所述子检测器包括目标检测器、干扰检测器和目标与干扰分类器；
所述门限确定模块，用于确定目标检测器门限和干扰检测器门限；
所述检测器与门限比较模块，用于分别比较目标检测器、干扰检测器、目标与干扰分类器和目标检测器门限、干扰检测器门限、1的大小，并记录结果；
所述判决结果输出模块，用于根据输出结果，确定所述待检测数据含有目标、干扰还是二者均不含有。
CN202210572248.XA 2022-05-25 2022-05-25 一种雷达目标和干扰的检测分类方法及系统 Active CN114660554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210572248.XA CN114660554B (zh) 2022-05-25 2022-05-25 一种雷达目标和干扰的检测分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210572248.XA CN114660554B (zh) 2022-05-25 2022-05-25 一种雷达目标和干扰的检测分类方法及系统

Publications (2)

Publication Number Publication Date
CN114660554A true CN114660554A (zh) 2022-06-24
CN114660554B CN114660554B (zh) 2022-09-23

Family

ID=82038172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210572248.XA Active CN114660554B (zh) 2022-05-25 2022-05-25 一种雷达目标和干扰的检测分类方法及系统

Country Status (1)

Country Link
CN (1) CN114660554B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014048193A1 (zh) * 2012-09-28 2014-04-03 北京理工大学 一种用于舰艇编队情况下同型雷达同频干扰抑制方法
CN105137396A (zh) * 2015-08-24 2015-12-09 电子科技大学 一种smsp干扰和c&i干扰的检测方法
CN110221280A (zh) * 2019-06-14 2019-09-10 中国科学院声学研究所 一种抗压制类水声干扰多通道自适应检测方法及系统
US20200116851A1 (en) * 2018-10-10 2020-04-16 Government Of The United States, As Represented By The Secretary Of The Air Force Robust Constant False Alarm Rate (CFAR) Detector for Interference-Plus-Noise Covariance Matrix Mismatch
CN111693961A (zh) * 2020-06-15 2020-09-22 哈尔滨工业大学 一种基于kl散度单元筛选的cfar检测器
CN113189560A (zh) * 2021-05-18 2021-07-30 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
CN113902773A (zh) * 2021-09-24 2022-01-07 南京信息工程大学 一种使用双检测器的长期目标跟踪方法
CN114035193A (zh) * 2021-10-15 2022-02-11 中国科学院声学研究所 一种两阶可调谐空时自适应检测方法
CN114089307A (zh) * 2022-01-18 2022-02-25 中国人民解放军空军预警学院 一种目标及干扰条件下的雷达检测和分类方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014048193A1 (zh) * 2012-09-28 2014-04-03 北京理工大学 一种用于舰艇编队情况下同型雷达同频干扰抑制方法
CN105137396A (zh) * 2015-08-24 2015-12-09 电子科技大学 一种smsp干扰和c&i干扰的检测方法
US20200116851A1 (en) * 2018-10-10 2020-04-16 Government Of The United States, As Represented By The Secretary Of The Air Force Robust Constant False Alarm Rate (CFAR) Detector for Interference-Plus-Noise Covariance Matrix Mismatch
CN110221280A (zh) * 2019-06-14 2019-09-10 中国科学院声学研究所 一种抗压制类水声干扰多通道自适应检测方法及系统
CN111693961A (zh) * 2020-06-15 2020-09-22 哈尔滨工业大学 一种基于kl散度单元筛选的cfar检测器
CN113189560A (zh) * 2021-05-18 2021-07-30 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
CN113902773A (zh) * 2021-09-24 2022-01-07 南京信息工程大学 一种使用双检测器的长期目标跟踪方法
CN114035193A (zh) * 2021-10-15 2022-02-11 中国科学院声学研究所 一种两阶可调谐空时自适应检测方法
CN114089307A (zh) * 2022-01-18 2022-02-25 中国人民解放军空军预警学院 一种目标及干扰条件下的雷达检测和分类方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
AHMED FAWZY HATAHET 等: "Performance Analysis of Radar CFAR Detectors in Presence of Noise and Smart Denial Jamming Techniques", 《2021 INTERNATIONAL TELECOMMUNICATIONS CONFERENCE (ITC-EGYPT)》 *
刘维建 等: "干扰背景下机载雷达广义似然比检测方法", 《雷达科学与技术》 *
周红平 等: "雷达有源干扰识别算法综述", 《数据采集与处理》 *
杨星 等: "训练样本不足时的子空间信号检测方法", 《电讯技术》 *
熊元燚 等: "干扰目标环境下机载雷达非均匀STAP检测器性能分析", 《空军预警学院学报》 *
袁湛等: "一种多目标环境下的SAR图像自适应CFAR检测方法", 《中国图象图形学报》 *

Also Published As

Publication number Publication date
CN114660554B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
Pastor et al. Robust estimation of noise standard deviation in presence of signals with unknown distributions and occurrences
CN111965632B (zh) 一种基于黎曼流形降维的雷达目标检测方法
Besson et al. Adaptive detection of a signal known only to lie on a line in a known subspace, when primary and secondary data are partially homogeneous
Hua et al. LDA-MIG detectors for maritime targets in nonhomogeneous sea clutter
Janatian et al. CFAR detectors for MIMO radars
Yeo et al. Reduced‐dimension DOD and DOA estimation through projection filtering in bistatic MIMO radar with jammer discrimination
Wan et al. Automatic LPI radar signal sensing method using visibility graphs
Molaei et al. Two‐dimensional DOA estimation for multi‐path environments by accurate separation of signals using k‐medoids clustering
Ghasemi et al. Joint scattering center enumeration and parameter estimation in GTD model
Wu et al. Geodesic normal coordinate-based manifold filtering for target detection
Behar et al. Adaptive CFAR PI processor for radar target detection in pulse jamming
Rogers et al. Robust estimation of the number of coherent radar signal sources using deep learning
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
CN113791389B (zh) 一种未知雷达辐射源个体识别方法及系统
CN112799042B (zh) 一种干扰下基于斜投影的扩展目标自适应检测方法与系统
CN114089307B (zh) 一种目标及干扰条件下的雷达检测和分类方法及系统
Eom Time-varying autoregressive modeling of HRR radar signatures
CN114660554A (zh) 一种雷达目标和干扰的检测分类方法及系统
Yang et al. Manifold Projection Based Subband Matrix Information Geometry Detection for Radar Targets in Sea Clutter
Hao et al. Symmetric spectrum detection in the presence of partially homogeneous environment
Gu et al. Rare signal component extraction based on kernel methods for anomaly detection in hyperspectral imagery
Yan et al. Floating small target detection in sea clutter based on the singular value decomposition of low rank perturbed random matrices
Barbary et al. Joint detection and tracking of non‐ellipsoidal extended targets based on cubature Kalman‐CBMeMBer sub‐random matrices filter
CN112666528A (zh) 一种基于卷积神经网络的多站雷达系统干扰鉴别方法
Hao et al. Adaptive radar detection in the presence of Gaussian clutter with symmetric spectrum

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