CN114660554B - 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 PDFInfo
- Publication number
- CN114660554B CN114660554B CN202210572248.XA CN202210572248A CN114660554B CN 114660554 B CN114660554 B CN 114660554B CN 202210572248 A CN202210572248 A CN 202210572248A CN 114660554 B CN114660554 B CN 114660554B
- Authority
- CN
- China
- Prior art keywords
- interference
- target
- matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 133
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000010276 construction Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
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)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Remote Sensing (AREA)
- Computational Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (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
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x、训练样本矩阵Y和信号矩阵H;
构造采样协方差矩阵S和干扰矩阵J;
根据所述待检测数据x、信号矩阵H、采样协方差矩阵S和干扰矩阵J构造三类子检测器,所述子检测器为目标检测器t10、干扰检测器t20和目标与干扰分类器t12;
确定目标检测器门限η10与干扰检测器门限η20;
比较所述目标检测器t10与所述目标检测器门限η10的大小、比较所述干扰检测器t20与所述干扰检测器门限η20的大小、比较所述目标与干扰分类器t12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S的表达式为:S=YYH,其中,(·)H表示共轭转置。
可选的,所述干扰矩阵J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J的表达式为:J=U2,U2为N×N维酉矩阵U的后(N-p)列,记:q=N-p,U为H的奇异值分解的左酉矩阵,H的奇异值分解为H=UΣVH,Σ为N×p维对角矩阵,V为p×p维酉矩阵。
可选的,所述目标检测器t10的表达式为:
所述干扰检测器t20的表达式为:
所述目标与干扰分类器t11的表达式为:
其中,(·)-1表示矩阵的逆。
可选的,所述目标检测器门限η10与所述干扰检测器门限η20的确定方式为:
η10=t10(n*);
η20=t20(n*);
t20(i)为序列
x(k)为仅含杂波和噪声分量的待检测数据矩阵的第k次蒙特卡洛实现,k=1,2,…,M,S(k)=Y(k)YH(k),Y(k)为训练样本矩阵的第k次蒙特卡洛实现,k=1,2,…,M。
可选的,所述输出结果的记录方式为:
当t10>η10时,记a10=1,反之则记a10=0;
当t20>η20时,记a20=1,反之则记a20=0;
当t12>1时,记a12=1,反之则记a12=0。
可选的,若a10=0、a20=0且a12=0,则判决:待检测数据既无目标也无干扰;
若a10=0、a20=0且a12=1,则判决:待检测数据既无目标也无干扰;
若a10=0、a20=1且a12=0,则判决:待检测数据存在干扰;
若a10=0、a20=1且a12=1,则判决:待检测数据存在目标;
若a10=1、a20=0且a12=0,则判决:待检测数据存在干扰;
若a10=1、a20=0且a12=1,则判决:待检测数据存在目标;
若a10=1、a20=1且a12=0,则判决:待检测数据存在干扰;
若a10=1、a20=1且a12=1,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x、训练样本矩阵Y、信号矩阵H和干扰矩阵J,为有效构造目标检测器t10、干扰检测器t20和目标与干扰分类器t11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x、训练样本矩阵Y和信号矩阵H,其中,x、Y和H的维数分别为N×1、N×L和N×p,其中,N为雷达系统维数;
S2、构造采样协方差矩阵S和干扰矩阵J,其中,S和J的维数分别为N×N和N×q;
S3、根据待检测数据x、信号矩阵H、采样协方差矩阵S和干扰矩阵J构造三类子检测器,子检测器为目标检测器t10、干扰检测器t20和目标与干扰分类器t12;
S4、确定目标检测器门限η10与干扰检测器门限η20;
S5、比较目标检测器t10与目标检测器门限η10的大小、比较干扰检测器t20与干扰检测器门限η20的大小、比较目标与干扰分类器t12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N,因此,待检测数据可以用N×1维列向量x表示。实际环境中,待检测数据x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N×p维已知列满秩矩阵H张成的子空间内,则信号可表示为s=Hθ,其中,θ为p×1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j,假设j位于维数为q的子空间中,则干扰可表示为j=Jφ,其中,N×q维矩阵J张成干扰所在的子空间,q×1维列向量φ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J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J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H的奇异值分解得到,具体地,令H的奇异值分解为H=UΣVH,Σ为N×p维对角矩阵,U和V分别为N×N和p×p维酉矩阵,则可选择干扰矩阵为J=U2,其中,U2为酉矩阵的后(N-p)列,即q=N-p。综上所述,检测问题可用三元假设检验表示为:
其中,H0表示待检测数据仅含有杂波及热噪声,H1表示待检测数据含有杂波、热噪声和目标信号,H2表示待检测数据含有杂波、热噪声和干扰,n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,n的协方差矩阵R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L个训练样本,记作y1,y2,…,yL,L>N。为叙述方便,令Y=[y1,y2,…,yL]为训练样本矩阵。则式可修正为:
其中,W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:
和
针对二元假设检验问题,相应的广义似然比检测器分别为:
和
其中,S=YYH,符号(·)-1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η10和η20,二者利用蒙特卡洛仿真得到,具体实施如下:
η10=t10(n*)
η20=t20(n*)
由大到小排列第i个最大值,t20(i)为序列
由大到小排列第i个最大值,x(k)为仅含杂波和噪声分量的待检测数据矩阵的第k次蒙特卡洛实现,k=1,2,…,M,S(k)=Y(k)YH(k),Y(k)为训练样本矩阵的第次蒙特卡洛实现,k=1,2,…,M。
得到检测门限后η10和η20后,分别比较目标检测器t10、干扰检测器t20、目标与干扰分类器t11和目标检测器门限η10、干扰检测器门限η20、1的大小,并输出结果,记录方式为:
当t10>η10时,记a10=1,反之则记a10=0;
当t20>η20时,记a20=1,反之则记a20=0;
当t12>1时,记a12=1,反之则记a12=0。
根据a10、a20、和a12的大小,输出最终的判决结果,具体按下述方式进行:
若a10=0、a20=0且a12=0,则判决:待检测数据既无目标也无干扰;
若a10=0、a20=0且a12=1,则判决:待检测数据既无目标也无干扰;
若a10=0、a20=1且a12=0,则判决:待检测数据存在干扰;
若a10=0、a20=1且a12=1,则判决:待检测数据存在目标;
若a10=1、a20=0且a12=0,则判决:待检测数据存在干扰;
若a10=1、a20=0且a12=1,则判决:待检测数据存在目标;
若a10=1、a20=1且a12=0,则判决:待检测数据存在干扰;
若a10=1、a20=1且a12=1,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N=8,令虚警概率为0.001,协方差矩阵R的第(k1,k2)个元素被设置为k1=1,2,…,N,k2=1,2,…,N,|k1-k2|表示k1-k2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R。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N=8,信号矩阵的具有结构H=[1,e-j2πβ,…,e-j2π(N-1)β]T,其中,j表示复数单位,即:β为目标归一化空域频率,在仿真中令β=0.2,令虚警概率为0.001,协方差矩阵R的第(k1,k2)个元素被设置为k1=1,2,…,N,k2=1,2,…,N,|k1-k2|表示k1-k2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R。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SNR=θHHHR-1Hθ,θ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12.5dB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14.3dB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N=8,干扰矩阵的具有结构J=[1,e-j2πα,…,e-j2π(N-1)α]T,其中,j表示复数单位,即:α为干扰归一化空域频率,在仿真中令α=0.4。令虚警概率为0.001,协方差矩阵R的第(k1,k2)个元素设置为k1=1,2,…,N,k2=1,2,…,N,|k1-k2|表示k1-k2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R。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12.2dB时,所提检测方法对干扰的检测概率高于50%,当干噪比高于14.3dB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 (7)
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x、训练样本矩阵Y和信号矩阵H;
构造采样协方差矩阵S和干扰矩阵J;
根据所述待检测数据x、信号矩阵H、采样协方差矩阵S和干扰矩阵J构造子检测器,所述子检测器为目标检测器t10、干扰检测器t20和目标与干扰分类器t12;
确定目标检测器门限η10与干扰检测器门限η20;
比较所述目标检测器t10与所述目标检测器门限η10的大小、比较所述干扰检测器t20与所述干扰检测器门限η20的大小、比较所述目标与干扰分类器t12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;
所述目标检测器门限η10与所述干扰检测器门限η20的确定方式为:
η10=t10(n*);
η20=t20(n*);
x(k)为仅含杂波和噪声分量的待检测数据矩阵的第k次蒙特卡洛实现,k=1,2,…,M,S(k)=Y(k)YH(k),Y(k)为训练样本矩阵的第k次蒙特卡洛实现,k=1,2,…,M。
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S的表达式为:S=YYH,其中,(·)H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J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J的表达式为:J=U2,U2为N×N维酉矩阵U的后(N-p)列,记:q=N-p,U为H的奇异值分解的左酉矩阵,H的奇异值分解为H=UΣVH,Σ为N×p维对角矩阵,V为p×p维酉矩阵。
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,所述输出结果的记录方式为:
当t10>η10时,记a10=1,反之则记a10=0;
当t20>η20时,记a20=1,反之则记a20=0;
当t12>1时,记a12=1,反之则记a12=0。
6.根据权利要求5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a10=0、a20=0且a12=0,则判决:待检测数据既无目标也无干扰;
若a10=0、a20=0且a12=1,则判决:待检测数据既无目标也无干扰;
若a10=0、a20=1且a12=0,则判决:待检测数据存在干扰;
若a10=0、a20=1且a12=1,则判决:待检测数据存在目标;
若a10=1、a20=0且a12=0,则判决:待检测数据存在干扰;
若a10=1、a20=0且a12=1,则判决:待检测数据存在目标;
若a10=1、a20=1且a12=0,则判决:待检测数据存在干扰;
若a10=1、a20=1且a12=1,则判决:待检测数据存在目标。
7.一种雷达目标和干扰的检测分类系统,其特征在于,用于实现权利要求1-6任一所述的一种雷达目标和干扰的检测分类方法,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。
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 CN114660554A (zh) | 2022-06-24 |
CN114660554B true 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 (8)
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-05-25 CN CN202210572248.XA patent/CN114660554B/zh active Active
Patent Citations (8)
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 |
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 (4)
Title |
---|
一种多目标环境下的SAR图像自适应CFAR检测方法;袁湛等;《中国图象图形学报》;20110416(第04期);第674-679页 * |
干扰目标环境下机载雷达非均匀STAP检测器性能分析;熊元燚 等;《空军预警学院学报》;20200815(第04期);第266-270页 * |
干扰背景下机载雷达广义似然比检测方法;刘维建 等;《雷达科学与技术》;20140630(第3期);第268-673页 * |
训练样本不足时的子空间信号检测方法;杨星 等;《电讯技术》;20170930;第57卷(第9期);第1047-1051页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114660554A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444869B (zh) | 一种用于信号失配的雷达扩展目标参数可调检测器 | |
Ramezanpour et al. | Deep‐learning‐based beamforming for rejecting interferences | |
CN111948634A (zh) | 干扰条件下基于协方差矩阵重构的目标检测方法与装置 | |
Janatian et al. | CFAR detectors for MIMO radars | |
CN114089325A (zh) | 一种干扰信息不确定时的扩展目标检测方法与系统 | |
CN113030932A (zh) | 一种扩展目标稳健自适应检测方法与系统 | |
Yan et al. | A sparse learning approach to the detection of multiple noise-like jammers | |
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 | |
Rogers et al. | Robust estimation of the number of coherent radar signal sources using deep learning | |
Wan et al. | Automatic LPI radar signal sensing method using visibility graphs | |
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 | |
CN109525339B (zh) | 认知无线电的频谱感知方法、装置、设备以及存储介质 | |
Shang et al. | GLRT detector based on knowledge aided covariance estimation in compound Gaussian environment | |
CN114660554B (zh) | 一种雷达目标和干扰的检测分类方法及系统 | |
CN113791389A (zh) | 一种未知雷达辐射源个体识别方法及系统 | |
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 | |
Addabbo et al. | Radar environment classificator with clustering capabilities | |
Liu et al. | Source enumeration via GBIC with a statistic for sphericity test in white Gaussian and non‐Gaussian noise | |
CN115575919B (zh) | 一种极低样本数时的空时自适应检测方法与系统 | |
Hao et al. | Adaptive radar detection in the presence of Gaussian clutter with symmetric spectrum | |
CN115656998B (zh) | 一种低样本数下阵列信号自适应检测方法与系统 | |
CN116819480B (zh) | 一种机载雷达强杂波中的自适应目标检测方法及系统 | |
Shuping et al. | Robust Centralized CFAR Detection for Multistatic Sonar Systems | |
CN115453489B (zh) | 一种毫米波雷达室内多径判别方法 | |
Jarabo-Amores et al. | MLP and RBFN for detecting white gaussian signals in white gaussian interference |
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 |