CN115508788A - 基于稳健噪底估计的信道化检测方法 - Google Patents
基于稳健噪底估计的信道化检测方法 Download PDFInfo
- Publication number
- CN115508788A CN115508788A CN202211217882.8A CN202211217882A CN115508788A CN 115508788 A CN115508788 A CN 115508788A CN 202211217882 A CN202211217882 A CN 202211217882A CN 115508788 A CN115508788 A CN 115508788A
- Authority
- CN
- China
- Prior art keywords
- sequence
- envelope
- value
- noise floor
- probability density
- 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
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于稳健噪底估计的信道化检测方法,属于电子侦察领域,对雷达信号进行滤波、检测、合成处理,输出检测结果。步骤如下:首先对雷达信号依次进行AD采样、多相滤波后,得到滤波数据;根据信号积累包络序列,构建包络概率密度曲线,寻找序列极值点位置,根据序列极值点位置计算序列的噪声比例,并得到每个信道的噪声积累包络序列;利用噪声积累包络序列,根据高斯分布的累积分布函数表达式,计算噪底均值估计值及噪底方差估计值;利用仿真实验确定可靠虚警概率,计算检测门限;通过将信号积累包络与检测门限作比较,得到检测VP。
Description
技术领域
本发明属于电子侦察领域,具体涉及一种基于稳健噪底估计的信道化检测方法。
背景技术
近年来,随着无线电技术的迅猛发展,电子对抗的频带越来越宽,形式越来越复杂多变,传统的电子侦察接收机已经远远不能满足要求。于是,基于软件无线电构想的大动态范围、宽瞬时接收带宽、高灵敏度、高分辨率、多信号处理能力的数字信道化接收机应运而生。数字信道化接收机作为电子对抗设备检测目标辐射源信号的重要工具,其检测器的检测门限的准确设置是接收机实现高检测灵敏度的重要基础,且对于实现后续辐射源识别、定位及跟踪等功能具有重要意义。
传统的信道化接收机中,通常将回波序列的噪声水平上抬一定倍数后作为检测门限,因此,噪声水平统计特性的准确描述对于检测门限的设置至关重要。专利202118111478.2中提出了《一种基于脉宽自适应检测方法》,该方法利用累积噪声包络序列的最小值描述回波序列的噪底水平,根据不同的累积脉宽长度设定对应的上抬倍数,得到适应于脉宽的检测门限。该方法中,对于特定的场景其噪底水平的上抬倍数固定,未考虑复杂环境下噪声方差的动态波动对检测门限造成的影响,很大概率会导致噪底门限设置不准确而出现虚警或漏检现象,严重影响信道化检测性能。因此,研究回波序列中噪底水平的准确描述方法,选取合适的检测门限值,对于适应复杂多变的实际侦收环境,实现电子对抗设备对辐射源信号的高灵敏度检测具有重要意义。
发明内容
本发明提出了一种基于稳健噪底估计的信道化检测方法,实现了复杂电磁环境下的噪底特性参数的准确估计;实现了自适应检测门限生成,提升检测概率;通过采用分位点估计方法对存在异常样本的幅度序列的参数估计具有鲁棒性,提高信号检测门限的精度,进而提高雷达信号检测的灵敏度。
实现本发明的技术解决方案为:一种基于稳健噪底估计的信道化检测方法,包括以下步骤:
步骤1、对雷达信号进行AD采样、多相滤波后,得到滤波数据,转入步骤2。
步骤2、对滤波数据进行时域能量累加,得到信号积累包络,对其进行升序处理,生成升序信号积累包络序列,转入步骤3。
步骤3、根据升序信号积累包络序列构建包络概率密度曲线,寻找序列极值点位置,根据序列极值点位置计算序列的噪声比例,得到每个信道的噪声积累包络序列,转入步骤4。
步骤4、利用高斯分布的累积分布函数表达式,计算噪声积累包络序列的噪底均值估计值及噪底方差估计值,转入步骤5。
步骤5、利用仿真实验确定可靠虚警概率,结合噪底均值估计值及噪底方差估计值,计算检测门限,转入步骤6。
步骤6、将信号积累包络与检测门限进行比较,得到检测VP。
本发明与现有技术相比,其显著优点在于:
1)本发明实现了复杂电磁环境下的复杂电磁环境下的噪底特性参数的准确估计,提升对复杂电磁环境的适应性。
2)实现不同噪声比例条件下自适应生成检测门限,实现最优化匹配滤波,提升检测概率。
3)提出了分位点估计方法,对存在异常样本的幅度序列的参数估计具有鲁棒性,提高信号检测门限的精度,进而提高雷达信号检测的灵敏度。
附图说明
图1为基于稳健噪底估计的信道化检测方法流程图。
图2为最大值保持示意图。
图3为噪底均值估计值及噪底方差估计精度示意图。
图4为检测灵敏度示意图。
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的一部分实施例,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。
结合图1,基于稳健噪底估计的信道化检测方法,步骤如下:
步骤1、对雷达信号依次进行AD采样、多相滤波后,得到滤波数据,滤波数据yk(n1M)如下:
其中,令输入时间变量n1对应滤波前采样频率为500MHz,抽取率M=32,则输出滤波后采样频率时间变量n2=500/32=15.625MHz;信道数Q=32,ωq(q=0,1,…,Q-1)是各信道的中心频率,取每个信道滤波分配的系数长度为8,则h(n1)是1024阶低通FIR滤波器,x(n1)为采样信号序列,j表示虚部。
步骤2、对滤波数据输入进行时域能量累加,并进行升序处理,生成升序信号积累包络序列。
步骤21、对每个信道的滤波数据进行求模,得到各个信道滤波后幅度序列Amp。
步骤22、根据脉宽匹配积累模块主要利用一个或若干个弱信号被噪声淹没或持平的情况下,采用与信号宽度相匹配的累加点数,噪声叠加的结果是几乎互相抵消,而弱信号部分则被保留,信号叠加的数据量越多,积累的能量越高,因此达到最大的信噪比提升。采用1000ns长度,对各个信道滤波后幅度序列Amp进行时域能量滑动累加,每个信道生成信号积累包络序列{A1,A2,…,AL},L为信号积累包络序列的长度。
步骤23、对信号积累包络序列从小到大排序,得到升序信号积累包络序列{A(1),A(2),…,A(L)}。
步骤3、根据升序信号积累包络序列,构建包络概率密度曲线,寻找序列极值点位置,根据序列极值点位置计算序列的噪声比例,并得到每个信道的噪声积累包络序列。该步骤可以有效提取信号累积包络序列中的噪底信息,为后续检测门限的准确计算提供基础。具体包括以下步骤:
步骤31、利用升序信号积累包络序列A={A(1),A(2),…,A(L)},计算包络概率密度分布序列,并构建包络概率密度曲线。
步骤31_1、计算升序信号积累包络序列的最大值Amax及最小值Amin,将升序信号积累包络序列的元素所在区间[Amin,Amax]等分为200个子区间,i表示升序信号积累包络序列的子区间序号,子区间集合Ω={ω1,ω2,…,ωi,…,ω200},其中ωi表示第i个子区间。
步骤31_2、令P={p1,p2,…,pi,…,p200}表示每个子区间累积元素个数,并初始化P=0。
步骤31_3、判断升序信号积累包络序列A={A(1),A(2),…,A(L)}的第l个元素大小所属子区间,若其所属子区间为ωi,则令pi=pi+1。
步骤31_5、利用下式计算第i个子区间的概率密度值probi:
得到包络概率密度分布序列Prob={probi,i=1,2,…,200}。
步骤31_6、计算每个子区间的中心值ceni=(i-0.5)(Amax-Amin)/200,构建包络概率密度曲线,曲线长度为200,利用第i个子区间的中心值及第i个子区间的概率密度值组成包络概率密度曲线的第i个点的坐标为(ceni,probi)。
步骤32、找到包络概率密度曲线的第一个局部极值点横坐标cenmax。
步骤32_1、利用下式将包络概率密度分布序列中每个概率密度值probi进行平滑,得到对应的平滑值prob_smoothi:
得到平滑包络概率密度分布序列Prob_smooth={prob_smoothi,i=1,2,…,200}。
步骤32_2、将平滑包络概率密度分布序列等分为20个子序列,每个子序列包含10个元素值,计算每个子序列的最大值,组成平滑包络最大值序列local_maxk,k=1,2,…,20。
步骤32_3、对平滑包络最大值序列进行差分处理,得到差分序列,寻找差分序列中值为0的所有元素,对应元素位置组成零点位置序列InvariantIndex,将平滑包络最大值序列中元素序号满足k=InvariantIndex+1的所有元素值加入小幅度正向扰动,得到更新后的平滑包络最大值序列local_max_modk,k=1,2,…,20,具体实现方式如下:
步骤32_4、计算更新后的平滑包络最大值序列的局部极值点,对应元素位置组成极值点位置序列,计算该序列的最小值MaxIndexIndex。
步骤32_5、将包络概率密度分布序列等分为20个子序列,每个子序列包含10个元素值,计算第MaxIndexIndex个子序列的最大值位置MaxIndex,得到包络概率密度曲线的第一个局部极值点横坐标cenmax满足如下表达式:
cenmax=MaxIndexIndex*10+MaxIndex。
步骤33、计算包络概率密度曲线第一个局部极值点左侧与横轴的面积为得到噪声比例ratio_noise=2*area,其中,probi表示第i个子区间的概率密度值,i表示升序信号积累包络序列的子区间序号。
步骤4、利用噪声积累包络序列,根据高斯分布的累积分布函数表达式,计算噪底均值估计值及噪底方差估计值。与传统的最小噪底计算方法相比,该方法得到的噪底均值估计值及噪底方差估计值可以更好地描述雷达信号的噪底统计特性。具体包括以下步骤:
步骤42、根据高斯分布的累积分布函数表达式,得到两个样本分位点值之间的函数关系如下:
步骤5、利用仿真实验确定可靠虚警概率,计算检测门限,具体包括以下步骤:
步骤51、仿真时间长度为2.5ms的AD数据,升序信号积累包络序列长度L=2.5e-3*500e6/32=40000。
步骤52、设定虚警概率Pfa=10-5,10-6,10-7,10-8,10-9,10-10,10-11,10-12,10-17,根据噪底均值估计值及噪底方差估计值,利用下式计算不同虚警概率条件下的门限thr:
步骤53、重复步骤51及步骤52,直到完成1000次蒙特卡洛实验,统计得到不同虚警概率下门限曲线及仿真数据对应样本分位点曲线。
步骤54、根据不同虚警概率下门限曲线及仿真数据对应样本分位点曲线,虚警概率Pfa=10-8能够实现近似无虚警的检测要求,同时检测灵敏度不会损失过多。
步骤55、若L变大,样本分位点波动变小,选择的虚警概率值可以比10-8大,门限变低;反之L变小,门限需要抬高。
步骤6、通过将信号积累包络与检测门限作比较,得到检测VP,具体包括以下步骤:
步骤61、将信号积累包络序列与步骤52得到的门限值进行过门限比较,得到兔耳检波VP。
步骤62、将门限值乘以参数检测门限调节系数,得到对应的参数门限,将参数门限对应与积累包络进行过门限比较,得到参数检波VP。
步骤63、将兔耳检波VP进行最大值扩展3us(如图2所示),对应得到扩展检波,将扩展检波对应与参数检波VP相与,得到原始检测VP。
经实验,噪底均值估计值及噪底方差估计误差随着信号积累包络序列的长度的增大而减小(如图3所示);此外,对比传统噪底检测方法及本发明提出的稳健噪底检测方法(如图4所示),后者可以提升1dB左右的检测灵敏度。
Claims (6)
1.基于稳健噪底估计的信道化检测方法,其特征在于,包括以下步骤:
步骤1、对雷达信号进行AD采样、多相滤波后,得到滤波数据,转入步骤2;
步骤2、对滤波数据进行时域能量累加,得到信号积累包络,对其进行升序处理,生成升序信号积累包络序列,转入步骤3;
步骤3、根据升序信号积累包络序列构建包络概率密度曲线,寻找序列极值点位置,根据序列极值点位置计算序列的噪声比例,得到每个信道的噪声积累包络序列,转入步骤4;
步骤4、利用高斯分布的累积分布函数表达式,计算噪声积累包络序列的噪底均值估计值及噪底方差估计值,转入步骤5;
步骤5、利用仿真实验确定可靠虚警概率,结合噪底均值估计值及噪底方差估计值,计算检测门限,转入步骤6;
步骤6、将信号积累包络与检测门限进行比较,得到检测VP。
2.根据权利要求1所述的基于稳健噪底估计的信道化检测方法,其特征在于,步骤3中根据升序信号积累包络序列构建包络概率密度曲线,寻找序列极值点位置,根据序列极值点位置计算序列的噪声比例,得到每个信道的噪声积累包络序列,具体如下:
步骤31、利用升序信号积累包络序列A={A(1),A(2),…,A(L)},计算包络概率密度分布序列,并构建包络概率密度曲线;
步骤32、找到包络概率密度曲线的第一个局部极值点横坐标cenmax;
步骤33、计算包络概率密度曲线第一个局部极值点左侧与横轴的面积为得到噪声比例ratio_noise=2*area,其中,probi表示第i个子区间的概率密度值,i表示升序信号积累包络序列的子区间序号;
3.根据权利要求2所述的基于稳健噪底估计的信道化检测方法,其特征在于,步骤31中,利用升序信号积累包络序列,计算包络概率密度分布序列,并构建包络概率密度曲线,具体包括以下步骤:
步骤31_1、计算升序信号积累包络序列的最大值Amax及最小值Amin,将升序信号积累包络序列的元素所在区间[Amin,Amax]等分为200个子区间,i表示升序信号积累包络序列的子区间序号,子区间集合Ω={ω1,ω2,…,ωi,…,ω200},其中ωi表示第i个子区间;
步骤31_2、令P={p1,p2,…,pi,…,p200}表示每个子区间累积元素个数,并初始化P=0;
步骤31_3、判断升序信号积累包络序列A={A(1),A(2),…,A(L)}的第l个元素大小所属子区间,若其所属子区间为ωi,则令pi=pi+1;
步骤31_5、利用下式计算第i个子区间的概率密度值probi:
得到包络概率密度分布序列Prob={probi,i=1,2,…,200};
步骤31_6、计算每个子区间的中心值ceni=(i-0.5)(Amax-Amin)/200,构建包络概率密度曲线,曲线长度为200,利用第i个子区间的中心值及第i个子区间的概率密度值组成包络概率密度曲线的第i个点的坐标为(ceni,probi)。
4.根据权利要求3所述的基于稳健噪底估计的信道化检测方法,其特征在于,步骤32中,找到包络概率密度曲线的第一个局部极值点横坐标cenmax,具体包括以下步骤:
步骤32_1、利用下式将包络概率密度分布序列中每个概率密度值probi进行平滑,得到对应的平滑值prob_smoothi:
得到平滑包络概率密度分布序列Prob_smooth={prob_smoothi,i=1,2,…,200};
步骤32_2、将平滑包络概率密度分布序列等分为20个子序列,每个子序列包含10个元素值,计算每个子序列的最大值,组成平滑包络最大值序列local_maxk,k=1,2,…,20;
步骤32_3、对平滑包络最大值序列进行差分处理,得到差分序列,寻找差分序列中值为0的所有元素,对应元素位置组成零点位置序列InvariantIndex,将平滑包络最大值序列中元素序号满足k=InvariantIndex+1的所有元素值加入小幅度正向扰动,得到更新后的平滑包络最大值序列local_max_modk,k=1,2,…,20,具体实现方式如下:
步骤32_4、计算更新后的平滑包络最大值序列的局部极值点,对应元素位置组成极值点位置序列,计算该序列的最小值MaxIndexIndex;
步骤32_5、将包络概率密度分布序列等分为20个子序列,每个子序列包含10个元素值,计算第MaxIndexIndex个子序列的最大值位置MaxIndex,得到包络概率密度曲线的第一个局部极值点横坐标cenmax满足如下表达式:
cenmax=MaxIndexIndex*10+MaxIndex。
6.根据权利要求5所述的基于稳健噪底估计的信道化检测方法,其特征在于,步骤5中,利用仿真实验确定可靠虚警概率,结合噪底均值估计值及噪底方差估计值,计算检测门限,具体包括以下步骤:
步骤51、仿真时间长度为2.5ms的AD数据,升序信号积累包络序列长度L=2.5e-3*500e6/32=40000;
步骤52、设定虚警概率Pfa=10-5,10-6,10-7,10-8,10-9,10-10,10-11,10-12,10-17,根据噪底均值估计值及噪底方差估计值,利用下式计算不同虚警概率条件下的门限thr:
步骤53、重复步骤51及步骤52,直到完成1000次蒙特卡洛实验,统计得到不同虚警概率下门限曲线及仿真数据对应样本分位点曲线;
步骤54、根据不同虚警概率下门限曲线及仿真数据对应样本分位点曲线,虚警概率Pfa=10-8能够实现近似无虚警的检测要求,同时检测灵敏度不会损失过多;
步骤55、若L变大,样本分位点波动变小,选择的虚警概率值可以比10-8大,门限变低;反之L变小,门限需要抬高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211217882.8A CN115508788A (zh) | 2022-09-30 | 2022-09-30 | 基于稳健噪底估计的信道化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211217882.8A CN115508788A (zh) | 2022-09-30 | 2022-09-30 | 基于稳健噪底估计的信道化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115508788A true CN115508788A (zh) | 2022-12-23 |
Family
ID=84508370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211217882.8A Pending CN115508788A (zh) | 2022-09-30 | 2022-09-30 | 基于稳健噪底估计的信道化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115508788A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116256738A (zh) * | 2023-03-22 | 2023-06-13 | 哈尔滨工程大学 | 大多普勒条件下的正弦调频信号检测方法及装置 |
-
2022
- 2022-09-30 CN CN202211217882.8A patent/CN115508788A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116256738A (zh) * | 2023-03-22 | 2023-06-13 | 哈尔滨工程大学 | 大多普勒条件下的正弦调频信号检测方法及装置 |
CN116256738B (zh) * | 2023-03-22 | 2023-11-24 | 哈尔滨工程大学 | 大多普勒条件下的正弦调频信号检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110865357B (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
EP1588188B1 (en) | Method of detecting a target | |
CN107979431B (zh) | 基于黎曼中值的频谱感知的方法、装置以及设备 | |
CN111929679B (zh) | 一种自适应加权截断统计恒虚警检测方法 | |
CN115508788A (zh) | 基于稳健噪底估计的信道化检测方法 | |
CN108923860A (zh) | 基于过门限修正的盲脉冲信号toa估计方法 | |
CN114785379A (zh) | 一种水声janus信号参数估计方法及系统 | |
CN112462343B (zh) | 一种通过频域变换处理提取雷达信号脉内特征参数的方法 | |
CN110244289B (zh) | 一种自适应粒子滤波地波雷达目标一体化探测方法 | |
CN115166650B (zh) | 一种雷达信号识别与参数估计方法和系统 | |
CN107315169B (zh) | 基于二阶统计量相似度的杂波协方差矩阵估计方法 | |
CN108718223B (zh) | 一种非合作信号的盲频谱感知方法 | |
CN108469609B (zh) | 一种用于雷达目标跟踪的检测信息滤波方法 | |
CN116819432A (zh) | 基于特征谱跟踪的单矢量水听器水下多目标高稳定测向方法及系统 | |
CN114035149B (zh) | 一种提升干涉仪测向系统灵敏度的方法 | |
CN115951317A (zh) | 宽带数字阵列雷达的通道固定时延误差估计方法 | |
US20080215267A1 (en) | Processing of a Signal Representing Radiation | |
CN115356692A (zh) | 一种基于pri区间树上时间片不重叠的雷达信号分选增批处理方法 | |
CN103441975B (zh) | 一种基于功率谱的二相编码信号参数估值方法 | |
Hu et al. | A Joint TDOA, FDOA and Doppler Rate Parameters Estimation Method and Its Performance Analysis | |
CN112731292A (zh) | 局部imf能量加权的低空飞行目标信号时延估计方法 | |
CN116599606B (zh) | 基于信道化加权互相关处理的扩谱信号接收方法及系统 | |
CN117081894B (zh) | 一种利用信道稀疏特性的水声信号检测方法及系统 | |
CN114578332B (zh) | 一种主动声呐目标径向尺度宽容性估计方法 | |
CN118011400A (zh) | 基于自适应平方根容积卡尔曼的单矢量水听器目标跟踪方法及系统 |
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 |