CN115508828A - 子空间干扰下雷达目标智能融合检测方法 - Google Patents

Abstract

本发明属于宽带雷达信号处理技术领域，具体涉及一种子空间干扰下雷达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特性和检测性能的难题，基于Gradient检测准则构建具有闭合形式的子空间干扰下雷达目标智能融合检测方法，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，提升复杂干扰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。

Description

子空间干扰下雷达目标智能融合检测方法

技术领域

本发明属于宽带雷达信号处理技术领域，具体涉及一种子空间干扰下雷达目标智能融合检测方法。

背景技术

随着雷达带宽的增加，其距离分辨率进一步改善，宽带雷达广泛应用于抗干扰、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，围绕宽带雷达距离扩展目标的自适应检测已成为雷达界的热点问题之一。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，宽带雷达目标散射点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。若仍采用点目标检测方法针对单个距离单元对回波信号进行目标检测，并利用邻近的距离单元采样进行背景杂波统计特性估计；一方面，距离扩展目标强散射点能量易泄漏到相邻距离单元而导致信号污染现象，并进一步对单个待检测距离单元的目标信号构成遮蔽效应，使得点目标检测方法效果不佳；另一方面，在实际应用中，雷达探测面临复杂电磁环境，可能存在电子对抗信号或各种民用电磁信号等自然或人为干扰源，另外目标所处环境复杂多变，使得背景杂波非均匀性增强，满足独立同分布的纯杂波辅助数据数量较为有限，而相比窄带雷达，这一问题在宽带雷达目标检测场景下尤为突出，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。

此外，具有未知协方差矩阵的高斯杂波下的多通道自适应目标检测一直是研究热点问题，通常假设来自于多个待检测距离单元的观测数据(也称主数据)中的杂波分量与只含纯杂波的参考距离单元数据(也称辅助数据)具有相同的杂波协方差矩阵，并假设存在一组不含目标信号的辅助数据可用来估计未知杂波协方差矩阵。在实际应用场景中，由于波前畸变、阵列校准误差等原因，目标信号导向矢量可能会出现失配的情况。对于雷达搜索模式等应用场景，需要检测器对失配信号具备较强的鲁棒性；而对于常用的秩1信号模型，目标导向矢量是固定且完全已知的，难以应对前述失配问题。若基于多个待检测距离单元的主数据和辅助数据构成的整体数据集，对目标和干扰信号采取子空间建模，并利用GLRT准则构建检测统计量，则可获得均匀杂波加结构化干扰下距离扩展目标的子空间GLRT检测器(简写为S-GLRT)。该检测器可获得较好的检测性能，但计算过程较为复杂，不便于求解。若采用Rao检测准则，则可获得均匀杂波加结构化干扰下距离扩展目标的子空间Rao检测器(S-Rao)。相比GLRT检测器，该检测器的检测性能在部分设定环境下有所提升，但对失配信号的鲁棒性欠佳，其检测统计量的计算复杂度较高，不便于工程实现。

针对多通道宽带雷达距离扩展目标自适应检测面临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，如何充分利用接收数据信息，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，兼顾算法计算复杂度和检测性能间的有效平衡，是提升复杂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，本发明提出了一种子空间干扰下雷达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：

一种子空间干扰下雷达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主数据Z，从与待检测距离单元临近的R个参考距离单元获取R个辅助数据；假定杂波协方差矩阵M、目标坐标矩阵P和干扰坐标矩阵Q均未知；在无目标假设情况下，求解杂波协方差矩阵M和干扰坐标矩阵Q的最大似然估计；在有目标假设情况下，求解目标参数向量的最大似然估计；

步骤2.在有目标假设下，利用主数据Z和辅助数据Y的复高斯联合概率密度函数对目标参数向量求偏导，并将步骤1中得到的无目标假设下的杂波协方差矩阵M和干扰坐标矩阵Q的最大似然估计代入到求导结果；然后将该求导结果与有目标假设下目标参数向量的最大似然估计代入到距离扩展目标Gradient检测统计量，构建子空间干扰下雷达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，则判定当前待检测距离单元存在距离扩展目标，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距离扩展目标，主数据作为后续其他待检测距离单元的辅助数据。

进一步地，所述步骤1中具体包括：

通过无目标假设下主数据Z和辅助数据Y的复高斯联合概偏率密度函数对杂波协方差矩阵M求导，并将求导结果置于零，得到无目标假设下给定干扰坐标矩阵Q时杂波协方差矩阵M的最大似然估计为：

其中，(·)^H表示共轭转置，S＝YY^H表示样本协方差矩阵，辅助数据Y表示为N×R维复矩阵Y＝[y₁,y₂,...,y_R]，第t个参考距离单元的N×1维复向量y_t(t＝1,2,...,R)满足

主数据Z表示为N×K维复矩阵Z＝[z₁,z₂,...,z_K]，第t个待检测距离单元中的N×1维接收复信号表示为z_t＝s_t+j_t+c_t(t＝1,2,...,K)，其中N×1维目标复信号向量s_t和N×1维干扰复向量j_t均假定为确定性的，分别表示为s_t＝Ηp_t和j_t＝Jq_t，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p_t和q×1维复向量q_t分别表示目标信号和干扰信号的未知复坐标向量，第t个待检测距离单元中N×1维杂波向量c_t是零均值复圆高斯向量，表示为

t＝1,2,...,K。

进一步地，所述步骤1中具体还包括：

在无目标假设下干扰坐标矩阵Q的最大似然估计为：

其中，

分别表示m×n维复数矩阵集合。

进一步地，所述步骤1中具体还包括：

在有目标假设H₁下目标参数向量的最大似然估计

为：

其中，vec函数实现矩阵的向量化,

I_N表示N×N维单位矩阵。

进一步地，所述步骤2中具体包括：

所述构建的子空间干扰下雷达目标智能融合检测方法的检测统计量为：

其中，

tr函数表示取方阵的迹，I_K代表K×K维单位矩阵。

与现有技术相比，本发明具有如下技术效果：

1)构建了子空间干扰下雷达目标智能融合检测方法，其检测器具有闭合形式的表达式，且具有较低的计算复杂度，便于工程实现；

2)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；

3)针对目标信号导向矢量失配情况，本发明的子空间干扰下雷达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；

4)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；

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。

附图说明

图1为本发明的子空间干扰下雷达目标智能融合检测方法的功能模块图；

图2为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；

其中，图2中，N＝12，K＝15，R＝12，p＝2,q＝2，虚警概率P_fa＝10^-3，干扰杂波功率比ICR＝15dB；

图3为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；

其中，图3中，N＝12，K＝15，R＝12，p＝2，q＝2，P_fa＝10^-3，ICR＝15dB，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特性和检测性能的难题，基于Gradient检测准则构建具有闭合形式的子空间干扰下雷达目标智能融合检测方法，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，提升复杂干扰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。

为此，本发明提供了一种子空间干扰下雷达目标智能融合检测方法，具体包括以下步骤：

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个参考距离单元获取R个辅助数据；假定杂波协方差矩阵M、目标坐标矩阵P和干扰坐标矩阵Q均未知；在无目标假设情况下，求解杂波协方差矩阵M和干扰坐标矩阵Q的最大似然估计；在有目标假设情况下，求解目标参数向量的最大似然估计；

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，仅存在纯杂波；H₁假设下目标、杂波与干扰均存在。

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z_t＝s_t+j_t+c_t(t＝1,2,...,K)，其中，N×1维目标复信号向量s_t和N×1维干扰复向量j_t均假定为确定性的，并可以分别表示为s_t＝Ηp_t和j_t＝Jq_t，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p_t和q×1维复向量q_t分别表示目标信号和干扰信号的未知复坐标向量，主数据可表示为N×K维复矩阵Z＝[z₁,z₂,...,z_K]。且子空间Η和J是线性独立的，构建N×(p+q)维列满秩增广矩阵B＝[H J]，且满足p+q≤N。第t个待检测距离单元中N×1维杂波向量c_t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杂波向量是独立同分布的，其中，N×N维的杂波协方差矩阵M是未知的Hermitian正定复矩阵。

另外，从与待检测距离单元临近的R个参考距离单元获取R个观测数据y_t(t＝1,2,...,R)，假定y_t(t＝1,2,...,R)仅包含纯杂波分量，则辅助数据可表示为N×R维复矩阵Y＝[y₁,y₂,...,y_R]，其中第t个参考距离单元的N×1维复向量y_t(t＝1,2,...,R)满足

其在不同距离单元间也是独立同分布的。

在H₀和H₁假设下，主数据Z和辅助数据Y的复高斯联合概率密度函数(PDF)可以分别表示为：

f₀(Z,Y)＝{π^N(K+R)|M|^K+R}^-1×exp{-tr(M^-1S)-tr[M^-1(Z-JQ)(Z-JQ)^H]} (1)

f₁(Z,Y)＝{π^N(K+R)|M|^K+R}^-1×exp{-tr(M^-1S)-tr[M^-1(Z-BD)(Z-BD)^H]} (2)

其中，样本协方差矩阵S＝YY^H，目标子空间未知坐标矩阵

干扰子空间未知坐标矩阵

上标(·)^T和(·)^H分别表示转置和共轭转置，|·|表示方阵的行列式，tr函数表示取方阵的迹。

在杂波协方差矩阵M、目标坐标矩阵P和干扰坐标矩阵Q均未知的情况下，基于Gradient检测准则构建子空间干扰下雷达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；Θ_r0表示Θ_r在H₀假设下的值，

表示Θ_r在H₁假设下的最大似然估计；vec函数实现矩阵的向量化。

通过无目标假设下主数据Z和辅助数据Y的复高斯联合概偏率密度函数对杂波协方差矩阵M求导，即式(1)对杂波协方差矩阵M求偏导，并将求导结果置于零，可以得到H₀假设下给定干扰坐标矩阵Q时杂波协方差矩阵M的最大似然估计为：

然后将式(4)代入式(1)中，可以得到：

f₀(Z,Y)＝[(K+R)/(eπ)]^N(K+R)|S|^-(K+R)[|I_K+(Z-JQ)^HS^-1(Z-JQ)|^K+R]^-1 (5)

其中，I_m代表m×m维单位矩阵。

利用(5)对干扰坐标矩阵Q求偏导，并将求导结果置于零，可以得到H₀假设下干扰坐标矩阵Q的最大似然估计为：

其中，

然后，通过有目标假设下主数据Z和辅助数据Y的复高斯联合概偏率密度函数对杂波协方差矩阵M求导，即式(2)对杂波协方差矩阵M求偏导，并将求导结果置于零，可以得到H₁假设下给定D的杂波协方差矩阵M的最大似然估计为：

然后将式(7)代入式(2)中，可以得到：

f₁(Z,Y)＝[(K+R)/(eπ)]^N(K+R)|S|^-(K+R)[|I_K+(Z-BD)^HS^-1(Z-BD)|^K+R]^-1 (8)

利用(8)对D求偏导，并将求导结果置于零，可以得到H₁假设下D的最大似然估计为

其中，

注意到H₁假设下目标坐标矩阵P的最大似然估计(记为

)是

的前p列，于是可以得到目标参数向量在H₁假设下的最大似然估计

为：

其中，

步骤2.在有目标假设下，利用主数据Z和辅助数据Y的复高斯联合概率密度函数对目标参数向量求偏导，并将步骤1中得到的无目标假设下的杂波协方差矩阵M和干扰坐标矩阵Q的最大似然估计代入到求导结果；然后将该求导结果与有目标假设下目标参数向量的最大似然估计代入到距离扩展目标Gradient检测统计量，构建子空间干扰下雷达目标智能融合检测方法的检测统计量λ；

具体步骤包括：

利用有目标假设下主数据Z和辅助数据Y的复高斯联合概率密度函数对目标参数向量求偏导，可以得到：

其中，

和

分别表示杂波协方差矩阵M、目标坐标矩阵P和干扰坐标矩阵Q在无目标假设下的最大似然估计；显然有

根据式(4)，并利用矩阵求逆引理可以得到：

将式(6)与式(12)代入式(11)，可以得到

注意H₀假设下目标不存在，因此Θ_r0＝0。将式(10)与式(13)代入式(3)，并经多次代数运算，即可得到子空间干扰下雷达目标智能融合检测器，其检测统计量：

其中，

本发明方法构建了距离扩展目标的Gradient智能融合检测器。由式(14)可以看出，所提出的子空间干扰下雷达目标智能融合检测方法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，与距离扩展目标的S-GLRT-HE检测器相比，子空间干扰下雷达目标智能融合检测方法的算法计算复杂度更低，且对导向矢量失配信号具有更强的检测鲁棒性。综合来看，本发明的子空间干扰下雷达目标智能融合检测方法在保持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，则判定当前待检测距离单元存在距离扩展目标，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距离扩展目标，主数据作为后续其他待检测距离单元的辅助数据。

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Y。

将主数据Z和辅助数据Y送至H₀假设下最大似然估计求解模块、H₁假设下概率密度函数的求导模块和H₁假设下最大似然估计求解模块；在H₀假设下最大似然估计求解模块中，依据式(4)和式(6)分别获得H₀假设下M和Q的最大似然估计

和

在H₁假设下概率密度函数的求导模块中，依据式(11)获得H₁假设下主数据Z和辅助数据Y的复高斯联合概率密度函数对目标参数向量Θ_r的求导结果；在H₁假设下最大似然估计求解模块中，依据式(10)获得H₁假设下Θ_r的最大似然估计

值得注意的是，步骤A1中，利用复高斯分布对海杂波分量建模，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，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，本发明的距离扩展目标Gradient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。针对目标信号导向矢量失配情况，本发明的距离扩展目标Gradient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。

步骤A2.将以上在H₀假设下最大似然估计求解模块、H₁假设下概率密度函数的求导模块和H₁假设下最大似然估计求解模块所得出的结果送至距离扩展目标Gradient检测统计量构建模块，依据式(14)构建子空间干扰下雷达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，与距离扩展目标的1S-GLRT检测器相比，本发明方法的算法计算复杂度更低，且对导向矢量失配信号具有更强的检测鲁棒性。另外，所构建的结构化干扰与杂波下目标鲁棒智能检测方法，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P_fa，根据蒙特卡洛方法，依据前期积累的100/P_fa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/P_fa，则缺少的100/P_fa-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距离扩展目标，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距离扩展目标，主数据作为后续其他待检测距离单元的辅助数据。

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1S-GLRT、1S-Rao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Y。将主数据Z和辅助数据Y送至H₀假设下最大似然估计求解模块、H₁假设下概率密度函数的求导模块和H₁假设下最大似然估计求解模块；在H₀假设下最大似然估计求解模块中，依据式(4)和式(6)分别获得H₀假设下M和Q的最大似然估计

和

在H₁假设下概率密度函数的求导模块中，依据式(11)获得H₁假设下主数据Z和辅助数据Y的复高斯联合概率密度函数对目标参数向量Θ_r的求导结果；在H₁假设下最大似然估计求解模块中，依据式(10)获得H₁假设下Θ_r的最大似然估计

值得注意的是，步骤B1中，利用复高斯分布对地杂波分量建模，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，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，本发明的距离扩展目标Gradient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。针对目标信号导向矢量失配情况，本发明的距离扩展目标Gradient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。

步骤B2.将以上在H₀假设下最大似然估计求解模块、H₁假设下概率密度函数的求导模块和H₁假设下最大似然估计求解模块所得出的结果送至距离扩展目标Gradient检测统计量构建模块，依据式(14)构建子空间干扰下雷达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，与距离扩展目标的1S-GLRT检测器相比，本发明方法的算法计算复杂度更低，且对导向矢量失配信号具有更强的检测鲁棒性。另外，所构建的结构化干扰与杂波下目标鲁棒智能检测方法，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P_fa，根据蒙特卡洛方法，依据前期积累的100/P_fa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距离扩展目标，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距离扩展目标，主数据作为后续其他待检测距离单元的辅助数据。

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1S-GLRT、1S-Rao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)

1.一种子空间干扰下雷达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主数据Z，从与待检测距离单元临近的R个参考距离单元获取R个辅助数据；假定杂波协方差矩阵M、目标坐标矩阵P和干扰坐标矩阵Q均未知；在无目标假设情况下，求解杂波协方差矩阵M和干扰坐标矩阵Q的最大似然估计；在有目标假设情况下，求解目标参数向量的最大似然估计；

步骤2.在有目标假设下，利用主数据Z和辅助数据Y的复高斯联合概率密度函数对目标参数向量求偏导，并将步骤1中得到的无目标假设下的杂波协方差矩阵M和干扰坐标矩阵Q的最大似然估计代入到求导结果；然后将该求导结果与有目标假设下目标参数向量的最大似然估计代入到距离扩展目标Gradient检测统计量，构建子空间干扰下雷达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，则判定当前待检测距离单元存在距离扩展目标，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距离扩展目标，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所述的一种子空间干扰下雷达目标智能融合检测方法，其特征在于，所述步骤1中具体包括：

通过无目标假设下主数据Z和辅助数据Y的复高斯联合概偏率密度函数对杂波协方差矩阵M求导，并将求导结果置于零，得到无目标假设下给定干扰坐标矩阵Q时杂波协方差矩阵M的最大似然估计为：

其中，(·)^H表示共轭转置，S＝YY^H表示样本协方差矩阵，辅助数据Y表示为N×R维复矩阵Y＝[y₁,y₂,...,y_R]，第t个参考距离单元的N×1维复向量y_t(t＝1,2,...,R)满足

主数据Z表示为N×K维复矩阵Z＝[z₁,z₂,...,z_K]，第t个待检测距离单元中的N×1维接收复信号表示为z_t＝s_t+j_t+c_t(t＝1,2,...,K)，其中N×1维目标复信号向量s_t和N×1维干扰复向量j_t均假定为确定性的，分别表示为s_t＝Ηp_t和j_t＝Jq_t，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p_t和q×1维复向量q_t分别表示目标信号和干扰信号的未知复坐标向量，第t个待检测距离单元中N×1维杂波向量c_t是零均值复圆高斯向量，表示为

t＝1,2,...,K。

3.根据权利要求2所述的一种子空间干扰下雷达目标智能融合检测方法，其特征在于，所述步骤1中具体还包括：

在无目标假设下干扰坐标矩阵Q的最大似然估计为：

其中，

分别表示m×n维复数矩阵集合。

4.根据权利要求2所述的一种子空间干扰下雷达目标智能融合检测方法，其特征在于，所述步骤1中具体还包括：

在有目标假设H₁下目标参数向量的最大似然估计

为：

其中，vec函数实现矩阵的向量化,

I_N表示N×N维单位矩阵。

5.根据权利要求4所述的一种子空间干扰下雷达目标智能融合检测方法，其特征在于，所述步骤2中具体包括：

所述构建的子空间干扰下雷达目标智能融合检测方法的检测统计量为：

其中，

tr函数表示取方阵的迹，I_K代表K×K维单位矩阵。

Images