CN115508791A - 未知干噪环境下目标智能融合检测方法 - Google Patents
未知干噪环境下目标智能融合检测方法 Download PDFInfo
- Publication number
- CN115508791A CN115508791A CN202211287022.1A CN202211287022A CN115508791A CN 115508791 A CN115508791 A CN 115508791A CN 202211287022 A CN202211287022 A CN 202211287022A CN 115508791 A CN115508791 A CN 115508791A
- Authority
- CN
- China
- Prior art keywords
- target
- unknown
- under
- complex
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 108
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims description 58
- 238000007476 Maximum Likelihood Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 21
- 238000009795 derivation Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000013461 design Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000012938 design process Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000003657 Likelihood-ratio test Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于宽带雷达信号处理技术领域，具体涉及一种未知干噪环境下目标智能融合检测方法。针对现有宽带雷达距离扩展目标自适应检测器难以兼顾算法计算复杂度、CFAR特性和检测性能和失配鲁棒性的难题，同时考虑到未知功率的接收机内部噪声以及外部结构化干扰等组成的复杂检测环境，如何设计合理的距离扩展目标自适应检测器形式，在保证CFAR特性的同时，兼顾距离扩展目标自适应检测算法的计算复杂度、智能抗干扰、失配鲁棒性和检测性能等多方面需求，提升复杂环境下多通道宽带雷达对弱小目标的自适应检测性能。
Description
技术领域
本发明属于宽带雷达信号处理技术领域，具体涉及一种未知干噪环境下目标智能融合检测方法。
背景技术
随着雷达带宽的增加，宽带雷达逐渐涵盖抗干扰、反侦察、精确探测及成像、高精度跟踪、目标识别等现代军事和民用领域，围绕距离扩展目标的自适应检测已成为雷达界的热点问题。不同于窄带雷达目标回波信号通常只占据一个距离分辨单元，宽带雷达目标能量可能会扩散到相邻距离单元，呈现为“一维距离像”，形成距离扩展目标。在远距离探测等场景中国，接收机内部热噪声对雷达目标检测可能存在较大的影响；为了扰乱和降低雷达系统对有用信号的接收，使其难以有效探测、跟踪、定位及识别目标，电子干扰措施在现代战争中正得到日益广泛的重视和应用；同时，频谱资源的过度开发与利用，也给雷达系统带来了许多潜在的无意电磁干扰。当目标回波被干扰污染时，那些没有考虑干扰存在的检测器必然会有性能损失，导致现有距离扩展目标检测方法难以取得理想的检测效果。
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。若基于多个待检测距离单元的接收数据构成的数据集，对目标信号采取子空间建模，并且不考虑外部结构化干扰因素，在噪声功率未知的环境下利用广义似然比检验(GLRT)构建检测统计量，称为未知干噪环境下的匹配子空间滤波器(MSD)。该检测器被证明在噪声背景下具备较好的检测性能；然而当外部结构化干扰信号存在时，由于检测器设计过程中并未考虑干扰因素，因此不可避免地会产生一定的性能损失。
针对多通道宽带雷达距离扩展目标自适应检测面临的未知功率的接收机内部噪声以及外部结构化干扰等组成的复杂检测环境，如何合理设计距离扩展目标自适应检测器形式，在保持恒虚警率(CFAR)特性的同时有效抑制干扰信号，并兼顾失配鲁棒性、算法计算复杂度和检测性能间的有效平衡，是提升复杂干扰环境下宽带雷达探测能力的关键，也是多通道宽带雷达距离扩展目标自适应检测面临的难题之一。
发明内容
为了克服现有技术中的问题，本发明提出一种未知干噪环境下目标智能融合检测方法。
本发明解决上述技术问题的技术方案如下：
一种未知干噪环境下目标智能融合检测方法，包括以下步骤：
步骤1.从K个待检测距离单元获取接收数据Z；在接收机内部噪声功率已知的条件下，利用有目标假设下接收数据Z的复高斯概率密度函数的自然对数对目标参数向量Θr求偏导，结合无目标假设下干扰子空间未知坐标矩阵Q的最大似然估计和有目标假设下目标参数向量Θr的最大似然估计，构建未知噪声功率条件下目标智能融合检测器的中间统计量；
步骤2.在无目标假设下，利用接收数据Z的复高斯概率密度函数对噪声功率求导并置零，获得噪声功率在无目标假设下的最大似然估计，将噪声功率最大似然估计带入步骤1获得的噪声功率已知条件下目标智能融合检测器的中间统计量，替换其中未知的噪声功率，构建未知干噪环境下目标智能融合检测方法的检测统计量λ；
步骤3.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K个待检测距离单元存在距离扩展目标；反之若λ<T，则判定当前K个待检测距离单元不存在距离扩展目标。
进一步地，所述步骤1包括：
通过无目标假设下接收数据Z的复高斯概率密度函数对Q求偏导，并将求导结果置于零，得到无目标假设下Q的最大似然估计为：
其中，接收数据Z＝[z1,z2,...,zK]表示为N×K维复矩阵，zt＝st+jt+nt(t＝1,2,...,K)表示为第t个待检测距离单元中的N×1维接收复信号，其中N×1维目标复信号向量st和N×1维干扰复向量jt均假定为确定性的，并分别表示为st＝Ηpt和jt＝Jqt，Η和J分别为已知的列满秩N×p维目标信号子空间复矩阵和N×q维干扰信号子空间复矩阵，p×1维复向量pt和q×1维复向量qt分别表示目标信号和干扰信号的未知复坐标向量，且子空间Η和J是线性独立的，第t个待检测距离单元中N×1维噪声向量nt是零均值复圆高斯向量，表示为
且不同距离单元间的噪声向量是独立同分布的，其中IN代表N×N维单位矩阵，
表示未知的噪声功率；(·)H表示共轭转置。
进一步地，所述步骤1还包括：
在有目标假设下对目标子空间未知坐标矩阵P求偏导，得到目标参数向量Θr的最大似然估计：
其中，vec函数实现矩阵的向量化，
进一步地，所述步骤1还包括：
未知噪声功率条件下目标智能融合检测器的中间统计量为：
其中，tr函数表示取方阵的迹，
进一步地，所述步骤2包括：
未知干噪环境下目标智能融合检测方法的检测统计量λ为：
其中，
与现有技术相比，本发明具有如下技术效果：
1)构建了未知干噪环境下目标智能融合检测器，其检测器具有闭合形式的表达式，无需迭代运算；
2)在接收数据样本较大的情况下未知噪声功率的最大似然估计值会趋近于真实值，即利用最大似然估计方法对未知噪声功率进行估计能取得较好的效果。
3)针对存在子空间结构化的干扰环境，本发明的子空间干扰下雷达目标智能融合检测方法可对不同强度干扰信号进行有效抑制，具有较好的智能抗干扰性；
4)针对目标信号导向矢量失配情况，本发明的未知干噪环境下目标智能融合检测方法可有效检测出失配信号，对失配信号具有较强检测鲁棒性；
5)本发明的检测方法在保持CFAR特性的同时，兼顾了算法计算复杂度、检测性能和失配鲁棒性的性能平衡，提升了复杂环境下多通道宽带雷达对弱小目标和失配目标的自适应检测性能；
6)本发明方法适用于未知干噪环境下且接收机内部热噪声影响较大的远距离探测场景以及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。
附图说明
图1是本发明的未知干噪环境下目标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检测方法对匹配信号的检测性能对比图；
图3是本发明方法与已有检测方法对失配信号的检测性能对比图；
图2中，N＝8，K＝15，p＝2，q＝2，虚警概率Pfa＝10-3，干扰噪声功率比INR＝515dB；
图3中，N＝8，K＝15，p＝2，q＝2，Pfa＝10-3，INR＝515dB，失配角平方值cos2φ＝0.5。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
针对现有宽带雷达距离扩展目标自适应检测器难以兼顾算法计算复杂度、CFAR特性和检测性能和失配鲁棒性的难题，同时考虑到未知功率的接收机内部噪声以及外部结构化干扰等组成的复杂检测环境，如何设计合理的距离扩展目标自适应检测器形式，在保证CFAR特性的同时，兼顾距离扩展目标自适应检测算法的计算复杂度、智能抗干扰、失配鲁棒性和检测性能等多方面需求，提升复杂环境下多通道宽带雷达对弱小目标的自适应检测性能。
本发明所述未知干噪环境下目标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接收数据Z；在接收机内部噪声功率已知的条件下，利用有目标假设下接收数据Z的复高斯概率密度函数的自然对数对目标参数向量Θr求偏导，结合无目标假设下干扰子空间未知坐标矩阵Q的最大似然估计和有目标假设下目标参数向量Θr的最大似然估计，构建未知噪声功率条件下目标智能融合检测器的中间统计量；
具体步骤包括：
对于空时联合通道数为N的相参雷达系统，考虑H0和H1的二元假设检验问题，其中H0假设下目标不存在，仅存在噪声与干扰；H1假设下目标、噪声与干扰均存在。假设目标可能占据连续的K个待检测距离单元，在假设H1下，第t个待检测距离单元中的N×1维接收复信号表示为zt＝st+jt+nt(t＝1,2,...,K)，其中N×1维目标复信号向量st和N×1维干扰复向量jt均假定为确定性的，并可以分别表示为st＝Ηpt和jt＝Jqt，Η和J分别为已知的列满秩N×p维目标信号子空间复矩阵和N×q维干扰信号子空间复矩阵，p×1维复向量pt和q×1维复向量qt分别表示目标信号和干扰信号的未知复坐标向量，接收数据可表示为N×K维复矩阵Z＝[z1,z2,...,zK]。注意子空间Η和J是线性独立的。第t个待检测距离单元中N×1维噪声向量nt是零均值复圆高斯向量，表示为
且不同距离单元间的噪声向量是独立同分布的，其中Im表示m×m维单位矩阵，
表示未知的噪声功率。
接收数据Z在H0和H1假设下的复高斯概率密度函数(PDF)可以分别表示为
其中
目标子空间未知坐标矩阵
干扰子空间未知坐标矩阵
上标(·)H表示共轭转置，tr函数表示取方阵的迹。
基于Gradient检测准则构建未知干噪环境下目标智能融合检测器，其距离扩展目标Gradient检测统计量可以表示为：
其中，
目标参数向量
是未知的，干扰参数向量
是未知的；
表示Θ在H0假设下的最大似然估计；Θr0表示Θr在H0假设下的值，
表示Θr在H1假设下的最大似然估计；vec函数实现矩阵的向量化。
通过无目标假设下接收数据Z的复高斯概率密度函数对Q求偏导，即式(1)对Q求偏导，并将求导结果置于零，可以得到H0假设下Q的最大似然估计为：
通过有目标假设下接收数据Z的复高斯概率密度函数对Q求偏导，即式(2)对Q求偏导，并将求导结果置于零，可以得到H1假设下Q的最大似然估计为：
将式(5)代入式(2)中，令替换后的结果对目标子空间未知坐标矩阵P求偏导，并将求导结果置于零，可以得到：
其中，
于是可以得到Θr在H1假设下的最大似然估计为：
令有目标假设下接收数据Z的复高斯概率密度函数的自然对数对目标参数向量Θr求偏导，并将式(5)获得的干扰子空间未知坐标矩阵Q在H0假设下的最大似然估计代入到求导结果中，可以得到：
由于H0假设下目标信号不存在，因此有Θr0＝0；将式(7)和式(8)代入到式(3)中，可以得到噪声功率已知条件下目标智能融合检测器的中间统计量为：
其中，
步骤2.在无目标假设下，利用接收数据Z的复高斯概率密度函数对噪声功率求导并置零，获得噪声功率在无目标假设下的最大似然估计，将噪声功率最大似然估计带入步骤1获得的噪声功率已知条件下目标智能融合检测器的中间统计量，替换其中未知的噪声功率，构建未知干噪环境下目标智能融合检测方法的检测统计量λ；
具体步骤包括：
通过无目标假设下接收数据Z的复高斯概率密度函数对噪声功率
求偏导，即式(1)对
求偏导，并将求导结果置于零，可以得到H0假设下给定Q时噪声功率
的最大似然估计为：
将式(4)代入式(10)中，得到噪声功率
的最大似然估计为：
最后将式(11)得到的噪声功率的最大似然估计
替换步骤1中得到的噪声功率已知条件下目标智能融合检测器的中间统计量中的噪声功率，可以得到未知干噪环境下目标智能融合检测方法的检测统计量为：
本发明方法构建了未知干噪环境下目标智能融合检测器。由式(12)可以看出，所提出的未知干噪环境下目标智能融合检测器具有闭合形式的检测统计量表达式，无需迭代运算。另外值得注意的是，与噪声功率未知时距离扩展目标的匹配子空间检测器(MSD)相比，所提出的未知干噪环境下目标智能融合检测器可对不同强度干扰信号进行有效抑制，具有较好的智能抗干扰性。综合来看，本发明的未知干噪环境下目标智能融合检测器在保持CFAR特性的同时，能有效兼顾算法计算复杂度、失配鲁棒性和检测性能间的合理平衡。
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K个待检测距离单元存在距离扩展目标；反之若λ<T，则判定当前K个待检测距离单元不存在距离扩展目标。
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接收数据Z。将接收数据Z送至H0假设下未知参数Q和
的最大似然估计求解模块、H1假设下概率密度函数对目标参数向量Θr的求导模块和H1假设下目标参数向量Θr的最大似然估计求解模块；在H0假设下未知参数Q和
的最大似然估计求解模块中，分别依据式(4)和式(11)获得H0假设下干扰子空间未知坐标矩阵Q和噪声功率
的最大似然估计
和
在H1假设下概率密度函数对目标参数向量Θr的求导模块中，依据式(8)获得H1假设下接收数据Z的复高斯概率密度函数对目标参数向量Θr的求导结果；在H1假设下目标参数向量Θr的最大似然估计求解模块中，依据式(7)获得H1假设下Θr的最大似然估计
值得注意的是，步骤A1中，本发明方法构建的子空间距离扩展目标信号模型能有效应对秩一信号模型难以处理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；利用最大似然估计方法对未知噪声功率进行估计在接收数据样本较大的情况下能取得较好的估计效果；同时考虑到实际海洋环境可能存在外部干扰对距离扩展目标的自适应检测产生不利影响，因此也将外部干扰考虑在检测器设计过程中，并采取子空间信号对干扰进行建模，以减少干扰信号可能存在的失配影响。针对存在子空间结构化的干扰环境，本发明的未知干噪环境下目标智能融合检测方法可对不同强度干扰信号进行有效抑制，具有较好的智能抗干扰性。
步骤A2.将以上在H0假设下未知参数Q和
的最大似然估计求解模块、H1假设下概率密度函数对目标参数向量Θr的求导模块和H1假设下目标参数向量Θr的最大似然估计求解模块所得出的结果送至未知干噪环境下目标智能融合检测方法的检测统计量构建模块，依据式(12)构建未知干噪环境下目标智能融合检测方法的检测统计量λ，并将λ送至检测判决模块。
值得注意的是，步骤A2中，所构建的未知干噪环境下目标智能融合检测方法，具有闭合形式的表达式，相比现有距离扩展目标自适应检测方法，在保持CFAR特性的同时，兼顾了算法计算复杂度、检测性能和失配鲁棒性的性能平衡，提升了复杂电磁环境下多通道宽带雷达对海面弱小目标和失配目标的自适应检测能力。
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距离扩展目标；反之若λ<T，则判定当前K个待检测距离单元不存在距离扩展目标。
目标导向矢量匹配环境下检测器性能对比结果见附图2。结果表明，相比于已有的距离扩展目标MSD等检测器，本发明方法的检测器在匹配环境下具备更好的检测性能。
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接收数据Z。将接收数据Z送至H0假设下未知参数Q和
的最大似然估计求解模块、H1假设下概率密度函数对目标参数向量Θr的求导模块和H1假设下目标参数向量Θr的最大似然估计求解模块；在H0假设下未知参数Q和
的最大似然估计求解模块中，分别依据式(4)和式(11)获得H0假设下干扰子空间未知坐标矩阵Q和噪声功率
的最大似然估计
和
在H1假设下概率密度函数对目标参数向量Θr的求导模块中，依据式(8)获得H1假设下接收数据Z的复高斯概率密度函数对目标参数向量Θr的求导结果；在H1假设下目标参数向量Θr的最大似然估计求解模块中，依据式(7)获得H1假设下Θr的最大似然估计
值得注意的是，步骤B1中，本发明方法构建的子空间距离扩展目标信号模型能有效应对秩一信号模型难以处理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；利用最大似然估计方法对未知噪声功率进行估计在接收数据样本较大的情况下能取得较好的估计效果；同时考虑到实际地面环境可能存在外部干扰对距离扩展目标的自适应检测产生不利影响，因此也将外部干扰考虑在检测器设计过程中，并采取子空间信号对干扰进行建模，以减少干扰信号可能存在的失配影响。针对存在子空间结构化的干扰环境，本发明的未知干噪环境下目标智能融合检测方法可对不同强度干扰信号进行有效抑制，具有较好的智能抗干扰性。
步骤B2.将以上在H0假设下未知参数Q和
的最大似然估计求解模块、H1假设下概率密度函数对目标参数向量Θr的求导模块和H1假设下目标参数向量Θr的最大似然估计求解模块所得出的结果送至未知干噪环境下目标智能融合检测方法的检测统计量构建模块，依据式(12)构建未知干噪环境下目标智能融合检测方法的检测统计量λ，并将λ送至检测判决模块。
值得注意的是，步骤B2中，所构建的未知干噪环境下目标智能融合检测方法，具有闭合形式的表达式，相比现有距离扩展目标自适应检测方法，在保持CFAR特性的同时，兼顾了算法计算复杂度、检测性能和失配鲁棒性的性能平衡，提升了复杂电磁环境下多通道宽带雷达对海面弱小目标和失配目标的自适应检测能力。
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距离扩展目标；反之若λ<T，则判定当前K个待检测距离单元不存在距离扩展目标。
目标导向矢量失配环境下检测器性能对比结果见附图3。结果表明，相比于已有的距离扩展目标MSD等检测器，本发明方法的检测器在失配环境下具备更好的检测鲁棒性能。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种未知干噪环境下目标智能融合检测方法，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接收数据Z；在接收机内部噪声功率已知的条件下，利用有目标假设下接收数据Z的复高斯概率密度函数的自然对数对目标参数向量Θr求偏导，结合无目标假设下干扰子空间未知坐标矩阵Q的最大似然估计和有目标假设下目标参数向量Θr的最大似然估计，构建未知噪声功率条件下目标智能融合检测器的中间统计量；
步骤2.在无目标假设下，利用接收数据Z的复高斯概率密度函数对噪声功率求导并置零，获得噪声功率在无目标假设下的最大似然估计，将噪声功率最大似然估计带入步骤1获得的噪声功率已知条件下目标智能融合检测器的中间统计量，替换其中未知的噪声功率，构建未知干噪环境下目标智能融合检测方法的检测统计量λ；
步骤3.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K个待检测距离单元存在距离扩展目标；反之若λ<T，则判定当前K个待检测距离单元不存在距离扩展目标。
2.根据权利要求1所述的一种未知干噪环境下目标智能融合检测方法，其特征在于，所述步骤1包括：
通过无目标假设下接收数据Z的复高斯概率密度函数对Q求偏导，并将求导结果置于零，得到无目标假设下Q的最大似然估计为：
其中，接收数据Z＝[z1,z2,...,zK]表示为N×K维复矩阵，zt＝st+jt+nt(t＝1,2,...,K)表示为第t个待检测距离单元中的N×1维接收复信号，式中N×1维目标复信号向量st和N×1维干扰复向量jt均假定为确定性的，并分别表示为st＝Ηpt和jt＝Jqt，Η和J分别为已知的列满秩N×p维目标信号子空间复矩阵和N×q维干扰信号子空间复矩阵，p×1维复向量pt和q×1维复向量qt分别表示目标信号和干扰信号的未知复坐标向量，且子空间Η和J是线性独立的，第t个待检测距离单元中N×1维噪声向量nt是零均值复圆高斯向量，表示为
t＝1,2,...,K，且不同距离单元间的噪声向量是独立同分布的，式中IN代表N×N维单位矩阵，
表示未知的噪声功率；(·)H表示共轭转置。
3.根据权利要求2所述的一种未知干噪环境下目标智能融合检测方法，其特征在于，所述步骤1还包括：
在有目标假设下对目标子空间未知坐标矩阵P求偏导，得到目标参数向量Θr的最大似然估计：
其中，vec函数实现矩阵的向量化，
4.根据权利要求2所述的一种未知干噪环境下目标智能融合检测方法，其特征在于，所述步骤1还包括：
未知噪声功率条件下目标智能融合检测器的中间统计量为：
其中，tr函数表示取方阵的迹，
5.根据权利要求3所述的一种未知干噪环境下目标智能融合检测方法，其特征在于，所述步骤2包括：
未知干噪环境下目标智能融合检测方法的检测统计量λ为：
其中，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211287022.1A CN115508791A (zh) | 2022-10-20 | 2022-10-20 | 未知干噪环境下目标智能融合检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211287022.1A CN115508791A (zh) | 2022-10-20 | 2022-10-20 | 未知干噪环境下目标智能融合检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115508791A true CN115508791A (zh) | 2022-12-23 |
Family
ID=84511349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211287022.1A Pending CN115508791A (zh) | 2022-10-20 | 2022-10-20 | 未知干噪环境下目标智能融合检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115508791A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2022
- 2022-10-20 CN CN202211287022.1A patent/CN115508791A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
|---|---|---|
| CN106526530B (zh) | 基于传播算子的2-l型阵列二维doa估计算法 | |
| CN107015205B (zh) | 一种分布式mimo雷达检测的虚假目标消除方法 | |
| WO2006099800A1 (fr) | Procede de reglage de canal passif base sur un reseau d’antennes | |
| CN106501785B (zh) | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统 | |
| CN115508828B (zh) | 子空间干扰下雷达目标智能融合检测方法 | |
| CN104977585B (zh) | 一种鲁棒的运动声纳目标检测方法 | |
| CN115390027A (zh) | 非均匀杂波下目标知识辅助智能融合检测方法 | |
| CN112379333B (zh) | 基于空时维正交投影滤波的高频雷达海杂波抑制方法 | |
| CN115508799B (zh) | 一种基于矩空间的分布式被动雷达目标检测方法 | |
| CN113253251A (zh) | 目标速度未知时的fda-mimo雷达检测方法与系统 | |
| CN115508791A (zh) | 未知干噪环境下目标智能融合检测方法 | |
| CN115575905A (zh) | 噪声背景下抑制多秩干扰的智能融合检测方法 | |
| CN116106829B (zh) | 部分均匀杂波加干扰下目标智能检测方法 | |
| CN116299387B (zh) | 非均匀杂波下干扰正交抑制的目标智能检测方法 | |
| CN115575906A (zh) | 非均匀背景下干扰智能抑制的融合检测方法 | |
| CN113358931A (zh) | 一种基于互功率谱的时差计算方法及系统 | |
| CN117915259A (zh) | 基于通信信号的动态目标定位及测速方法和装置 | |
| CN115524672A (zh) | 结构化干扰与杂波下目标鲁棒智能检测方法 | |
| CN108594165A (zh) | 一种基于期望最大化算法的窄带信号波达方向估计方法 | |
| CN112363106B (zh) | 基于量子粒子群的信号子空间波达方向检测方法及系统 | |
| 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 | |
| CN115792813A (zh) | 干扰背景下目标鲁棒自适应检测方法 | |
| CN115685081B (zh) | 基于glrt的干扰加噪声背景下距离扩展目标检测方法 | |
| Yin et al. | Range-angle two-dimensional anti jamming against dense false targets |
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 |