CN115390027A - 非均匀杂波下目标知识辅助智能融合检测方法 - Google Patents

非均匀杂波下目标知识辅助智能融合检测方法 Download PDF

Info

Publication number
CN115390027A
CN115390027A CN202210770931.4A CN202210770931A CN115390027A CN 115390027 A CN115390027 A CN 115390027A CN 202210770931 A CN202210770931 A CN 202210770931A CN 115390027 A CN115390027 A CN 115390027A
Authority
CN
China
Prior art keywords
target
clutter
under
detection
hypothesis
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
Application number
CN202210770931.4A
Other languages
English (en)
Inventor
简涛
谢梓铿
王海鹏
刘军
张磊
赵凌业
王哲昊
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.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
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 Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202210770931.4A priority Critical patent/CN115390027A/zh
Publication of CN115390027A publication Critical patent/CN115390027A/zh
Pending legal-status Critical Current

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
    • G01S7/41—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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种非均匀杂波下目标知识辅助智能融合检测方法，属于宽带雷达信号处理领域。针对小样本条件下雷达距离扩展目标检测性能较差问题，充分利用杂波协方差矩阵具有的斜对称结构先验信息，联合利用主数据和辅助数据提高了未知杂波斜对称协方差矩阵结构的估计精度，减少了对辅助数据量的需求；构建了非均匀杂波下子空间斜对称广义似然比检验检测器，其检测器具有闭合形式的表达式，在保证恒虚警率特性的同时检测性能优于现有非结构化距离扩展目标子空间检测器和斜对称距离扩展目标子空间检测器；本发明方法的检测统计量结构简单，便于工程实现，提升了小样本条件宽带雷达对弱小目标的检测性能，具有推广应用价值。

Description

非均匀杂波下目标知识辅助智能融合检测方法
一、技术领域
本发明隶属于雷达信号处理领域，具体涉及一种非均匀杂波下目标知识辅助智能融合检测方法。
二、背景技术
随着雷达带宽的不断增加，宽带雷达的距离分辨率不断提高，其在抗干扰、反侦察、近程探测、改善信噪比等方面具有明显的优势，在现代军事和民用领域引起了广泛的关注，已成为雷达技术发展的一个重要分支。常规的窄带雷达一般采用宽脉冲，距离分辨率很低，目标的散射回波信号只占据一个距离分辨单元，呈现为“点”状目标。而宽带雷达由于采用了脉冲压缩或者频率捷变技术，使得雷达发射信号具有很大的时宽带宽积，从而获得了较高的距离分辨率。宽带雷达距离分辨率可达亚米级，一般目标的回波分布在不同的径向距离单元中，呈现为“一维距离像”，形成了距离扩展目标。随着宽带雷达的广泛应用，距离扩展目标检测问题正引起了广泛的讨论和研究，成为近年来雷达信号处理领域的热点和难点问题之一。
距离扩展目标自适应检测主要借助于辅助数据来实现。辅助数据一般取自于与待检测距离单元空间邻近的参考距离单元，且假定不含目标信号，而只含有与待检测距离单元主数据杂波分量独立同分布的杂波分量，利用充分的辅助数据可实现对未知杂波协方差矩阵的准确估计。然而，对于实际雷达面临的杂波功率剧烈变化、离散杂波、杂波边缘等异常值情况，杂波背景的均匀性被破坏，满足全局均匀的辅助数据有时很难获取，从而严重影响距离扩展目标自适应检测性能。事实上，复杂杂波背景的全局均匀性虽遭破坏，但杂波的局部均匀性在一定的径向距离范围内仍有所体现，此时可用部分均匀模型对杂波建模，即待检测距离单元与参考距离单元中杂波分量拥有相同的协方差矩阵结构和不同的功率水平，此种模型能充分利用杂波局部均匀性，但其可利用的参考距离单元数受限于实际杂波非均匀程度。
另外，在常用秩一信号目标检测模型中，目标的导向矢量通常假定为一个已知固定向量，但在实际应用中，由于波束指向误差和多径现象的存在，目标的导向矢量可能存在失配情况。为了应对这一问题，可考虑用子空间模型对目标信号进行建模。在子空间模型中，信号表示为已知子空间矩阵和未知坐标矩阵的乘积。在距离扩展目标子空间模型下，利用Gradient检验、广义似然比检验(GLRT)、Rao检验和Wald检验，可分别获得基于Gradient、GLRT、Rao、Wald和两步法的子空间距离扩展目标检测器(分别简写为S-Gradient、S-GLRT、S-Rao、S-Wald和S-2SD)。在实际非均匀杂波环境下，可能出现辅助数据量受限的小样本情况。在小样本环境下，原有检测器的检测性能将会大幅降低，难以达到理想检测效果。实际环境中难以获得足够多的纯杂波辅助数据，而对于使用中心对称线性阵列或中心对称间隔脉冲串的雷达接收机，其杂波协方差矩阵存在特殊的斜对称结构。基于Rao和Wald检验准则，并考虑杂波协方差矩阵的斜对称先验信息，可获得距离扩展目标的子空间斜对称Rao和Wald检测器(分别简写为Per-Rao和Per-Wald)，相比于S-Rao和S-Wald检测器，引入斜对称信息的结构化检测器性能有一定改善，但小样本环境下的检测准则仍需进一步优化。
当前，多数距离扩展目标检测器设计主要针对辅助数据充足的情况，辅助数据量受限的小样本情况下其检测性能均有所退化。针对小样本条件下雷达距离扩展目标检测性能较差问题，如何充分利用斜对称结构信息，降低对辅助数据量的实际需求，提高未知杂波协方差矩阵估计精度，通过优选检验准则构建具有闭合形式的距离扩展目标智能检测器，在确保检测器恒虚警率(CFAR)特性的同时，降低对辅助数据量的需求，是提升非均匀小样本背景下宽带雷达目标检测能力的关键，也是也是目前急需解决的难题之一。
三、发明内容
1.要解决的技术问题
在宽带雷达探测场景下，针对非均匀小样本背景下距离扩展目标检测性能退化问题，如何充分利用斜对称结构信息，降低对辅助数据量的实际需求，提高未知杂波协方差矩阵估计精度，通过优选检验准则构建具有闭合形式的距离扩展目标智能检测器，在确保检测器恒虚警率(CFAR)特性的同时，降低对辅助数据量的需求，进一步提高宽带雷达对非均匀杂波环境的适应能力，改善部分均匀环境下的宽带雷达目标检测性能，特别是提高小样本环境下宽带雷达对弱目标的探测能力。
2.技术方案
本发明所述非均匀杂波下目标知识辅助智能融合检测方法，包括以下技术措施：
步骤1从K个待检测距离单元获取主数据Z，从与待检测距离单元临近的R个距离单元获取辅助数据ZR；有目标假设和无目标假设下，分别利用Z和ZR的联合概率密度函数对杂波斜对称协方差矩阵结构M求导并置零，获得有目标假设下未知杂波斜对称协方差矩阵结构的最大似然估计，同时获得无目标假设下未知杂波斜对称协方差矩阵结构的最大似然估计；利用有目标假设下Z和ZR的联合概率密度函数对目标变换坐标矩阵求导并置零，获得未知目标变换坐标矩阵的最大似然估计；进而构建杂波功率因子已知条件下的子空间斜对称广义似然比检验中间统计量；具体步骤包括：
对于空时联合通道数为N的相参雷达系统，假设目标可能占据连续的K个待检测距离单元，其回波信号对应的主数据可表示为N×K维复矩阵Z＝[z1,z2,…,zK]，zk表示第k个待检测距离单元对应的N×1维主数据分量。在无目标存在的假设H0下，Z仅仅包含N×K维杂波分量复矩阵C＝[c1,c2,…,cK]，其中，N×1维复向量ck(k＝1,2,...,K)表示第k个待检测距离单元中的杂波分量，其服从零均值协方差矩阵为N×N维复矩阵Mt的复圆高斯分布，且不同距离单元间的杂波向量是独立同分布的。在有目标存在的假设H1下，Z由N×K维的信号分量矩阵S和杂波分量矩阵C构成；其中，信号分量矩阵S可以表示为一个已知的N×r维的多秩子空间复矩阵U和r×K维未知复坐标矩阵B的乘积，且B＝[b1,b2,…,bK]，bk表示第k个待检测距离单元中r×1维目标子空间复坐标向量，r表示矩阵U的秩。为了估计未知的Mt，从与待检测距离单元临近的R个纯杂波参考距离单元获取R个观测数据，其回波信号对应的辅助数据ZR可表示为N×R维复矩阵ZR＝CR＝[cK+1,cK+2,…,cK+R]，cK+k表示第K+k个参考距离单元对应的辅助数据分量。其中，N×1维复向量ct(t＝K+1,K+2,…,K+R)服从零均值协方差矩阵为N×N维复矩阵M的复圆高斯分布，且不同距离单元间的辅助数据分量是独立同分布的。在部分均匀杂波环境下，有Mt＝γM，γ表示未知杂波功率因子，M称为杂波斜对称协方差矩阵结构。当雷达接收机采用中心对称线性阵列或中心对称间隔脉冲串时，杂波协方差矩阵M和信号多秩子空间矩阵U具有斜对称结构，即满足M＝JM*J，U＝JU*。其中，(·)*表示共轭，J表示斜对角线元素为1其他元素均为0的N×N维置换矩阵。斜对称结构的引入，可进一步提高未知杂波斜对称协方差矩阵结构的估计精度，进而减少对辅助数据量的需求，为实现小样本条件下距离扩展目标自适应检测提供了有利条件。
将距离扩展目标检测建模为二元假设检验问题：
Figure BDA0003727059110000031
广义似然比检验准则可表示为
Figure BDA0003727059110000032
其中T是检测阈值，f1(Z,ZR|M,B,γ)和f0(Z,ZR|M,γ)分别表示假设H1和H0下Z和ZR的联合概率密度函数。
利用杂波斜对称协方差矩阵结构M中的斜对称信息，有目标假设H1下主数据Z和辅助数据ZR的联合概率密度函数f1(Z,ZR|M,B,γ)可以表示为
Figure BDA0003727059110000033
其中，
Figure BDA0003727059110000034
其中，j是虚数单位，|·|表示方阵的行列式，tr(·)表示矩阵的迹，Re(·)和Im(·)分别表示取实部和虚部，
Figure BDA0003727059110000041
和
Figure BDA0003727059110000042
分别表示m×n维的实数矩阵集合和复数矩阵集合，(·)H表示共轭转置。
利用杂波斜对称协方差矩阵结构M中的斜对称信息，无目标假设H0下主数据Z和辅助数据ZR的联合概率密度函数f0(Z,ZR|M,γ)可以表示为
Figure BDA0003727059110000043
其中，
Figure BDA0003727059110000044
在有目标假设H1下，利用Z和ZR的联合概率密度函数对杂波斜对称协方差矩阵结构求导并置零，即令
Figure BDA0003727059110000045
得到H1假设下M的最大似然估计
Figure BDA0003727059110000046
为
Figure BDA0003727059110000047
上式联合利用主数据和辅助数据提高了未知杂波斜对称协方差矩阵结构的估计精度，减少了对辅助数据量的需求。
在无目标假设H0下，利用Z和ZR的联合概率密度函数对杂波斜对称协方差矩阵结构求导并置零，即令
Figure BDA0003727059110000048
得到在H0假设下M的最大似然估计
Figure BDA0003727059110000049
为
Figure BDA00037270591100000410
上式联合利用主数据和辅助数据提高了未知杂波斜对称协方差矩阵结构的估计精度，减少了对辅助数据量的需求。
将式(5)和式(6)代入式(2)，检测统计量λ可以等价表示为
Figure BDA00037270591100000411
利用有目标假设H1下Z和ZR的联合概率密度函数对目标变换坐标矩阵Bp求导并置零，即令
Figure BDA00037270591100000412
得到在H1假设下Bp的最大似然估计为
Figure BDA00037270591100000413
将式(9)代入式(8)，可得非均匀杂波下子空间斜对称广义似然比检验中间统计量为
Figure BDA0003727059110000051
式中，
Figure BDA0003727059110000052
I2K表示2K×2K维的单位矩阵。
步骤2通过求解有目标假设和无目标假设下特征值方程的唯一正值解，分别获得有目标假设和无目标假设下未知杂波功率因子的最大似然估计，将未知杂波功率因子的最大似然估计代入步骤1获得的子空间斜对称广义似然比检验中间统计量，在中间统计量中分别替换有目标假设和无目标假设下未知杂波功率因子，构建非均匀杂波下目标知识辅助智能融合检测器的检测统计量λ；具体步骤包括：
构建特征值方程式(11)，分别针对有目标假设H1和无目标假设H0，通过求解式(11)的唯一正值解，可获得有目标假设下未知杂波功率因子γ的最大似然估计
Figure BDA0003727059110000053
同时获得无目标假设下未知杂波功率因子γ的最大似然估计
Figure BDA0003727059110000054
在假设Hi(i＝0,1)下，γ的最大似然估计
Figure BDA0003727059110000055
是满足式(11)特征值方程的唯一正值解：
Figure BDA0003727059110000056
其中，
Figure BDA0003727059110000057
λk,0和λk,1分别表示矩阵
Figure BDA0003727059110000058
和
Figure BDA0003727059110000059
的第k个特征值。
将假设H1和假设H0下未知杂波功率因子的最大似然估计
Figure BDA00037270591100000510
和
Figure BDA00037270591100000511
代入式(10)，分别替换有目标假设和无目标假设下未知杂波功率因子，即用
Figure BDA00037270591100000512
和
Figure BDA00037270591100000513
分别替换式(10)的分母和分子中的γ，经过简化运算，可得非均匀杂波下目标知识辅助智能融合检测器的检测统计量λ表示为
Figure BDA00037270591100000514
本方明方法的检测器也称为非均匀杂波下子空间斜对称广义似然比检验检测器(简称Per-GLRT)，其具有闭合形式的表达式，无需迭代运算，且对M和γ均具有CFAR特性。
步骤3为保持检测方法的CFAR特性，根据预设的虚警概率设置检测门限T；将检测统计量λ与检测门限T进行比较，若λ≥T，则判定当前待检测距离单元存在目标，主数据不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前待检测距离单元不存在目标，主数据作为后续其他待检测距离单元的辅助数据。
3.有益效果
与背景技术相比，本发明的有益效果是：
1)充分利用杂波协方差矩阵具有的斜对称结构先验信息，联合利用主数据和辅助数据提高了未知杂波斜对称协方差矩阵结构的估计精度，减少了对辅助数据量的需求，为实现非均匀杂波环境小样本条件下距离扩展目标自适应检测提供了有利支撑；
2)构建了非均匀杂波下子空间斜对称广义似然比检验检测器，其检测器具有闭合形式的表达式，其检测性能优于现有非结构化距离扩展目标子空间检测器和斜对称距离扩展目标子空间检测器；本发明方法的检测统计量结构简单，便于工程实现；
3)构建了子空间距离扩展目标信号模型，避免了秩一信号模型难以应对目标导向矢量失配的难题，提高了宽带雷达对目标导向矢量失配情况的鲁棒性；
4)本发明方法的检测器能适用于部分均匀等非均匀环境，通过充分挖掘杂波局部均匀性，分别利用有目标和无目标两种假设下杂波功率因子的最大似然估计，提高了检测器对非均匀杂波环境的智能适应能力；
5)本发明方法适用于部分非宽带雷达探测情形，例如，使用低/中分辨率雷达检测大目标或检测以相同速度运动的空间邻近点目标群(舰艇编队、飞机编队、车辆编队等情况)，具有很好的应用前景。
四、附图说明
图1是本发明的非均匀杂波下目标知识辅助智能融合检测方法的功能模块图；
图2是本发明方法与已有非结构化距离扩展目标子空间检测器的检测性能对比图；
图3是本发明方法与已有斜对称距离扩展目标子空间检测器的检测性能对比图；
图2中N＝12,K＝15,R＝24,r＝3,虚警概率Pfa＝10-3；
图3中N＝12,K＝15,R＝12,r＝3,虚警概率Pfa＝10-3；
五、具体实施方式
下面结合附图对本发明做进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
为验证本发明所述方法的有效性，本具体实施方式给出了二个实施例，第一个实施例针对对海探测环境，第二个实施例针对对地探测环境。
实施例1：
参照说明书附图1，实施例1的具体实施方式分为以下几个步骤：
步骤A1利用对海探测雷达，对待检测海域进行雷达照射，获得K个待检测距离单元的主数据Z；对待检测海域周围的无目标范围进行雷达照射，获得R个参考距离单元只含纯海杂波的辅助数据ZR。将主数据Z以及辅助数据ZR送至去相关处理模块，在去相关处理模块中，依据式(4)获得变换主数据Zp和基于辅助数据的杂波斜对称协方差矩阵结构估计
Figure BDA0003727059110000061
一方面，将Zp和
Figure BDA0003727059110000071
送至H0假设下主数据和辅助数据联合概率密度函数模块，根据Zp和
Figure BDA0003727059110000072
获得H0假设下主数据和辅助数据联合概率密度函数式(5)；将H0假设下主数据和辅助数据联合概率密度函数送至H0假设下杂波斜对称协方差矩阵结构的最大似然估计模块，利用无目标假设下主数据和辅助数据联合概率密度函数对杂波斜对称协方差矩阵结构M求导并置零，依据式(7)得到H0假设下M的最大似然估计
Figure BDA0003727059110000073
另一方面，将Zp和
Figure BDA0003727059110000074
送至H1假设下主数据和辅助数据联合概率密度函数模块，根据Zp和
Figure BDA0003727059110000075
获得H1假设下主数据和辅助数据联合概率密度函数式(3)；将H1假设下主数据和辅助数据联合概率密度函数送至H1假设下杂波斜对称协方差矩阵结构的最大似然估计模块，利用有目标假设下主数据和辅助数据联合概率密度函数对杂波斜对称协方差矩阵结构M求导并置零，依据式(6)得到H1假设下M的最大似然估计
Figure BDA0003727059110000076
将
Figure BDA0003727059110000077
送至H1假设下坐标矩阵的最大似然估计模块，利用有目标假设下Z和ZR的联合概率密度函数对目标变换坐标矩阵求导并置零，依据式(9)获得未知目标变换坐标矩阵Bp的最大似然估计
Figure BDA0003727059110000078
值得注意的是，步骤A1中，本发明方法构建了子空间距离扩展目标信号模型，避免了秩一信号模型难以应对目标导向矢量失配的难题，提高了宽带雷达对海上目标导向矢量失配情况的鲁棒性；另外，本发明方法充分利用海杂波协方差矩阵具有的斜对称结构先验信息，联合利用主数据和辅助数据提高了未知海杂波斜对称协方差矩阵结构的估计精度，减少了对辅助数据量的需求，为实现非均匀海杂波环境小样本条件下距离扩展目标自适应检测提供了有利支撑；同时，本发明方法的检测器能适用于部分均匀等非均匀海杂波环境，通过充分挖掘海杂波局部均匀性，分别利用有目标和无目标两种假设下杂波功率因子的最大似然估计，提高了检测器对非均匀海杂波环境的智能适应能力。
步骤A2通过求解特征值方程的唯一正值解，分别获得有目标假设和无目标假设下未知杂波功率因子的最大似然估计，具体包括两个方面。一方面，将
Figure BDA0003727059110000079
送至H0假设下功率系数的最大似然估计模块，依据式(11)得到H0假设下γ的最大似然估计
Figure BDA00037270591100000710
另一方面，将
Figure BDA00037270591100000711
和
Figure BDA00037270591100000712
送至H1假设下功率系数的最大似然估计模块，依据式(11)得到H1假设下γ的最大似然估计
Figure BDA00037270591100000713
将未知杂波功率因子的最大似然估计代入步骤A1获得的子空间斜对称广义似然比检验中间统计量，在中间统计量中分别替换有目标假设和无目标假设下未知杂波功率因子，具体将
Figure BDA00037270591100000714
和
Figure BDA00037270591100000715
送至非均匀杂波下目标自适应智能检测器构建模块，根据式(12)得到非均匀杂波下目标知识辅助智能融合检测器的检测统计量λ，并将λ送至检测判决模块。
值得注意的是，本发明方法构建了非均匀杂波下子空间斜对称广义似然比检验检测器，其检测器具有闭合形式的表达式，检测统计量结构简单，便于工程实现。
步骤A3根据预设的虚警概率设置检测门限T：具体为，设定虚警概率为Pfa，根据蒙特卡洛方法，依据前期积累的100/Pfa个实测海杂波数据计算检测阈值T。考虑到海杂波获取难度大，若实际获得的纯海杂波实测数据量R少于100/Pfa，则缺少的100/Pfa-R个杂波数据可利用海杂波仿真模型进行仿真获得，其中的模型参数根据已获得的纯海杂波实测数据进行合理估计设定。进一步，检测统计量λ与检测门限T进行比较，若λ≥T，则判定当前K个待检测距离单元存在目标，主数据不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前K个待检测距离单元不存在目标，主数据作为后续其他待检测距离单元的辅助数据。
本发明方法与已有检测方法对匹配信号的检测性能对比见附图2。结果表明，相比于已有的非结构化距离扩展目标子空间检测器(S-Gradient、S-GLRT、S-Wald、S-Rao、S-2SD等)，本发明方法对非均匀海杂波下的宽带雷达弱目标具有更好的检测性能。
实施例2：
参照说明书附图1，实施例2的具体实施方式分为以下几个步骤：
步骤B1利用对地探测雷达，对待检测地域进行雷达照射，获得K个待检测距离单元的主数据Z；对待检测地域周围的无目标范围进行雷达照射，获得R个参考距离单元只含纯地杂波的辅助数据ZR。将主数据Z以及辅助数据ZR送至去相关处理模块，在去相关处理模块中，依据式(4)获得变换主数据Zp和基于辅助数据的杂波斜对称协方差矩阵结构估计
Figure BDA0003727059110000081
一方面，将Zp和
Figure BDA0003727059110000082
送至H0假设下主数据和辅助数据联合概率密度函数模块，根据Zp和
Figure BDA0003727059110000083
获得H0假设下主数据和辅助数据联合概率密度函数式(5)；将H0假设下主数据和辅助数据联合概率密度函数送至H0假设下杂波斜对称协方差矩阵结构的最大似然估计模块，利用无目标假设下主数据和辅助数据联合概率密度函数对杂波斜对称协方差矩阵结构M求导并置零，依据式(7)得到H0假设下M的最大似然估计
Figure BDA0003727059110000084
另一方面，将Zp和
Figure BDA0003727059110000085
送至H1假设下主数据和辅助数据联合概率密度函数模块，根据Zp和
Figure BDA0003727059110000086
获得H1假设下主数据和辅助数据联合概率密度函数式(3)；将H1假设下主数据和辅助数据联合概率密度函数送至H1假设下杂波斜对称协方差矩阵结构的最大似然估计模块，利用有目标假设下主数据和辅助数据联合概率密度函数对杂波斜对称协方差矩阵结构M求导并置零，依据式(6)得到H1假设下M的最大似然估计
Figure BDA0003727059110000087
将
Figure BDA0003727059110000088
送至H1假设下坐标矩阵的最大似然估计模块，利用有目标假设下Z和ZR的联合概率密度函数对目标变换坐标矩阵求导并置零，依据式(9)获得未知目标变换坐标矩阵Bp的最大似然估计
Figure BDA0003727059110000089
值得注意的是，步骤B1中，本发明方法构建了子空间距离扩展目标信号模型，避免了秩一信号模型难以应对目标导向矢量失配的难题，提高了宽带雷达对地上目标导向矢量失配情况的鲁棒性；另外，本发明方法充分利用地杂波协方差矩阵具有的斜对称结构先验信息，联合利用主数据和辅助数据提高了未知地杂波斜对称协方差矩阵结构的估计精度，减少了对辅助数据量的需求，为实现非均匀地杂波环境小样本条件下距离扩展目标自适应检测提供了有利支撑；同时，本发明方法的检测器能适用于部分均匀等非均匀地杂波环境，通过充分挖掘地杂波局部均匀性，分别利用有目标和无目标两种假设下杂波功率因子的最大似然估计，提高了检测器对非均匀地杂波环境的智能适应能力。
步骤B2通过求解特征值方程的唯一正值解，分别获得有目标假设和无目标假设下未知杂波功率因子的最大似然估计，具体包括两个方面。一方面，将
Figure BDA00037270591100000810
送至H0假设下功率系数的最大似然估计模块，依据式(11)得到H0假设下γ的最大似然估计
Figure BDA00037270591100000811
另一方面，将
Figure BDA00037270591100000812
和
Figure BDA00037270591100000813
送至H1假设下功率系数的最大似然估计模块，依据式(11)得到H1假设下γ的最大似然估计
Figure BDA00037270591100000814
将未知杂波功率因子的最大似然估计代入步骤B1获得的子空间斜对称广义似然比检验中间统计量，在中间统计量中分别替换有目标假设和无目标假设下未知杂波功率因子，具体将
Figure BDA0003727059110000091
和
Figure BDA0003727059110000092
送至非均匀杂波下目标自适应智能检测器构建模块，根据式(12)得到非均匀杂波下目标知识辅助智能融合检测器的检测统计量λ，并将λ送至检测判决模块。
值得注意的是，本发明方法构建了非均匀杂波下子空间斜对称广义似然比检验检测器，其检测器具有闭合形式的表达式，检测统计量结构简单，便于工程实现。
步骤B3根据预设的虚警概率设置检测门限T：具体为，设定虚警概率为Pfa，根据蒙特卡洛方法，依据前期积累的100/Pfa个实测地杂波数据计算检测阈值T。进一步，检测统计量λ与检测门限T进行比较，若λ≥T，则判定当前K个待检测距离单元存在目标，主数据不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前K个待检测距离单元不存在目标，主数据作为后续其他待检测距离单元的辅助数据。
本发明方法与已有斜对称距离扩展目标子空间检测器的检测性能对比见附图3。结果表明，相比于已有斜对称距离扩展目标子空间检测器(Per-Rao和Per-Wald)，本发明方法对非均匀地杂波下的宽带雷达弱目标具有更好的检测性能。

Claims (6)

1.非均匀杂波下目标知识辅助智能融合检测方法，其特征在于，包括以下步骤：
步骤1从K个待检测距离单元获取主数据Z，从与待检测距离单元临近的R个距离单元获取辅助数据ZR；有目标假设和无目标假设下，分别利用Z和ZR的联合概率密度函数对杂波斜对称协方差矩阵结构M求导并置零，获得有目标假设下未知杂波斜对称协方差矩阵结构的最大似然估计，同时获得无目标假设下未知杂波斜对称协方差矩阵结构的最大似然估计；利用有目标假设下Z和ZR的联合概率密度函数对目标变换坐标矩阵求导并置零，获得未知目标变换坐标矩阵的最大似然估计；进而构建杂波功率因子已知条件下的子空间斜对称广义似然比检验中间统计量；
步骤2通过求解有目标假设和无目标假设下特征值方程的唯一正值解，分别获得有目标假设和无目标假设下未知杂波功率因子的最大似然估计，将未知杂波功率因子的最大似然估计代入步骤1获得的子空间斜对称广义似然比检验中间统计量，在中间统计量中分别替换有目标假设和无目标假设下未知杂波功率因子，构建非均匀杂波下目标知识辅助智能融合检测器的检测统计量λ；
步骤3为保持检测方法的恒虚警率特性，根据预设的虚警概率设置检测门限T；将检测统计量λ与检测门限T进行比较，若λ≥T，则判定当前待检测距离单元存在目标，主数据不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前待检测距离单元不存在目标，主数据作为后续其他待检测距离单元的辅助数据。
2.根据权利要求1所述的非均匀杂波下目标知识辅助智能融合检测方法，其特征在于，在所述步骤1中：
有目标假设下M的最大似然估计
Figure FDA0003727059100000011
为
Figure FDA0003727059100000012
其中，
Figure FDA0003727059100000013
U表示已知的N×r维信号多秩子空间矩阵，Re(·)和Im(·)分别表示取实部和虚部；Bp＝[be1,be2,…,beK,bo1,bo2,…,boK]，bek＝Re(bk)，bok＝jIm(bk)，j是虚数单位，bk表示第k个待检测距离单元中r×1维目标子空间复坐标向量，Re(·)和Im(·)分别表示取实部和虚部；Zp＝[ze1,ze2,…,zeK,zo1,zo2,…,zoK]，
Figure FDA0003727059100000014
zk表示第k个待检测距离单元对应的N×1维主数据分量，J表示斜对角线元素为1其他元素均为0的N×N维置换矩阵；γ表示杂波功率因子，N表示空时联合通道数，r表示矩阵U的秩，(·)*和(·)H分别表示共轭和共轭转置。
3.根据权利要求1所述的非均匀杂波下目标知识辅助智能融合检测方法，其特征在于，在所述步骤1中：
无目标假设下M的最大似然估计
Figure FDA0003727059100000015
为
Figure FDA0003727059100000021
4.根据权利要求1所述的非均匀杂波下目标知识辅助智能融合检测方法，其特征在于，在所述步骤1中：
有目标假设下目标变换坐标矩阵Bp的最大似然估计为
Figure FDA0003727059100000022
5.根据权利要求1所述的非均匀杂波下目标知识辅助智能融合检测方法，其特征在于，在所述步骤2中：
在无目标假设H0和有目标假设H1下，未知杂波功率因子γ的最大似然估计
Figure FDA0003727059100000023
和
Figure FDA0003727059100000024
是如下特征值方程的唯一正值解：
Figure FDA0003727059100000025
其中，i＝0,1，
Figure FDA0003727059100000026
λk,0和λk,1分别表示矩阵
Figure FDA0003727059100000027
和
Figure FDA0003727059100000028
的第k个特征值；
Figure FDA0003727059100000029
6.根据权利要求1所述的非均匀杂波下目标知识辅助智能融合检测方法，其特征在于，在所述步骤2中：
非均匀杂波下目标知识辅助智能融合检测器的检测统计量λ表示为
Figure FDA00037270591000000210
其中，
Figure FDA00037270591000000211
和
Figure FDA00037270591000000212
分别表示无目标假设和有目标假设下杂波功率因子γ的最大似然估计，|·|表示方阵的行列式，I2K表示2K×2K维的单位矩阵。
CN202210770931.4A 2022-07-02 2022-07-02 非均匀杂波下目标知识辅助智能融合检测方法 Pending CN115390027A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210770931.4A CN115390027A (zh) 2022-07-02 2022-07-02 非均匀杂波下目标知识辅助智能融合检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210770931.4A CN115390027A (zh) 2022-07-02 2022-07-02 非均匀杂波下目标知识辅助智能融合检测方法

Publications (1)

Publication Number Publication Date
CN115390027A true CN115390027A (zh) 2022-11-25

Family

ID=84116079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210770931.4A Pending CN115390027A (zh) 2022-07-02 2022-07-02 非均匀杂波下目标知识辅助智能融合检测方法

Country Status (1)

Country Link
CN (1) CN115390027A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116299387A (zh) * 2023-01-04 2023-06-23 中国人民解放军海军航空大学 非均匀杂波下干扰正交抑制的目标智能检测方法
CN116643251A (zh) * 2023-07-27 2023-08-25 西安电子科技大学 非均匀杂波环境中的宽带雷达运动目标检测方法
CN116973876A (zh) * 2023-09-21 2023-10-31 北京无线电测量研究所 一种基于gradient检验的前向散射雷达运动目标检测方法和装置
CN116299387B (zh) * 2023-01-04 2024-05-31 中国人民解放军海军航空大学 非均匀杂波下干扰正交抑制的目标智能检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116299387A (zh) * 2023-01-04 2023-06-23 中国人民解放军海军航空大学 非均匀杂波下干扰正交抑制的目标智能检测方法
CN116299387B (zh) * 2023-01-04 2024-05-31 中国人民解放军海军航空大学 非均匀杂波下干扰正交抑制的目标智能检测方法
CN116643251A (zh) * 2023-07-27 2023-08-25 西安电子科技大学 非均匀杂波环境中的宽带雷达运动目标检测方法
CN116643251B (zh) * 2023-07-27 2023-10-20 西安电子科技大学 非均匀杂波环境中的宽带雷达运动目标检测方法
CN116973876A (zh) * 2023-09-21 2023-10-31 北京无线电测量研究所 一种基于gradient检验的前向散射雷达运动目标检测方法和装置
CN116973876B (zh) * 2023-09-21 2023-12-05 北京无线电测量研究所 一种基于gradient检验的前向散射雷达运动目标检测方法和装置

Similar Documents

Publication Publication Date Title
CN115390027A (zh) 非均匀杂波下目标知识辅助智能融合检测方法
US10222472B2 (en) System and method for detecting heading and velocity of a target object
CN101644760B (zh) 一种适用于高分辨阵列的快速鲁棒的信源个数检测方法
CN111257901A (zh) 多径传播条件下散射体位置已知的定位方法
Sun et al. Track-to-Track association based on maximum likelihood estimation for T/RR composite compact HFSWR
Xiong Denoising of bistatic ranges for elliptic positioning
CN100585429C (zh) 一种基于非直线天线阵列的无源通道校正方法
CN115508791A (zh) 未知干噪环境下目标智能融合检测方法
CN115575906A (zh) 非均匀背景下干扰智能抑制的融合检测方法
CN115508828B (zh) 子空间干扰下雷达目标智能融合检测方法
CN116106829A (zh) 部分均匀杂波加干扰下目标智能检测方法
CN115575905A (zh) 噪声背景下抑制多秩干扰的智能融合检测方法
CN1321331C (zh) 一种利用海洋回波进行阵列通道校正的方法
CN108387879A (zh) 基于自适应归一化匹配滤波的杂波图单元中值检测方法
CN114779199A (zh) 端射阵机载雷达自适应互耦补偿与杂波抑制方法
CN115575946B (zh) 雷达目标斜对称子空间智能融合检测方法
CN112986975A (zh) 一种基于距离加权的被动雷达网络中心化检测方法
CN115542265A (zh) 基于杂波结构化信息的多秩信号智能检测方法
CN116299387B (zh) 非均匀杂波下干扰正交抑制的目标智能检测方法
CN115575946A (zh) 雷达目标斜对称子空间智能融合检测方法
Xuan et al. Multi-radar Signal Level Fusion Detection Algorithm based on Fast Time Accumulation
Geng et al. Joint estimation of target state and ionosphere state for OTHR based tracking
CN116184381A (zh) 部分均匀杂波下目标子空间融合检测方法
Luo et al. An Effective Multipath Ghost Recognition Method for Sparse MIMO Radar
CN116299386A (zh) 样本缺失环境下结构化知识辅助智能检测方法

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