CN115575906A - 非均匀背景下干扰智能抑制的融合检测方法 - Google Patents
非均匀背景下干扰智能抑制的融合检测方法 Download PDFInfo
- Publication number
- CN115575906A CN115575906A CN202211287038.2A CN202211287038A CN115575906A CN 115575906 A CN115575906 A CN 115575906A CN 202211287038 A CN202211287038 A CN 202211287038A CN 115575906 A CN115575906 A CN 115575906A
- Authority
- CN
- China
- Prior art keywords
- target
- interference
- under
- matrix
- complex
- 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 106
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 230000001629 suppression Effects 0.000 title claims description 25
- 239000011159 matrix material Substances 0.000 claims description 64
- 238000007476 Maximum Likelihood Methods 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 48
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 19
- 238000009795 derivation Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 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 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling 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，具体涉及一种非均匀背景下干扰智能抑制的融合检测方法。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，同时考虑到实际杂波非均匀性导致难以获得纯杂波辅助数据的问题，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，具体涉及一种非均匀背景下干扰智能抑制的融合检测方法。
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。若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，容易产生由于距离扩展目标强散射点能量泄漏导致的临近单元信号污染现象，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，使得目标检测效果不佳；另一方面，在实际应用中，目标自然环境复杂多变，同时可能存在电子对抗或民用广播系统等自然或人为干扰源，使得杂波非均匀性增强，进一步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。
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。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，则可获得部分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(S-GLRT-PHE)。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，则可获得部分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-PHE)。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非均匀杂波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，本发明提出了一种非均匀背景下干扰智能抑制的融合检测方法。
本发明解决上述技术问题的技术方案如下：
一种非均匀背景下干扰智能抑制的融合检测方法，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；利用无目标假设下主数据Z的复高斯概率密度函数对杂波协方差矩阵M和干扰子空间未知坐标矩阵Q求偏导，求解杂波协方差矩阵M与干扰子空间未知坐标矩阵Q在无目标假设下的最大似然估计；在有目标假设下，求解目标参数向量的最大似然估计；
步骤2.通过求解无目标假设下特征值方程的唯一正值解，从而获取无目标假设下未知杂波功率因子的最大似然估计，构建非均匀背景下干扰智能抑制的融合检测器的检测统计量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中具体包括：
利用无目标假设下主数据Z的复高斯概率密度函数对杂波协方差矩阵M求偏导，求解杂波协方差矩阵M在无目标假设下的最大似然估计：
其中，(·)H表示共轭转置；样本协方差矩阵S＝YYH，辅助数据表示为N×R维复矩阵Y＝[y1,y2,...,yR]，式中第t个参考距离单元的N×1维复向量yt(t＝1,2,...,R)满足
其在不同距离单元间也是独立同分布的；γ是主数据和辅助数据之间未知杂波功率的比例因子；主数据表示为N×K维复矩阵Z＝[z1,z2,...,zK]，zt＝st+jt+ct(t＝1,2,...,K)，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，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＝[HJ]，且满足p+q≤N；第t个待检测距离单元中N×1维杂波向量ct是零均值复圆高斯向量，表示为
进一步地，所述步骤1中具体还包括：
利用无目标假设下主数据Z的复高斯概率密度函数对干扰子空间未知坐标矩阵Q，求解干扰子空间未知坐标矩阵Q在无目标假设下的最大似然估计：
其中，
表示m×n维的复数矩阵集合。
进一步地，所述步骤1中具体还包括：
有目标假设下目标参数向量的最大似然估计：
其中，
IN表示N×N维的单位矩阵，vec函数实现矩阵的向量化。
进一步地，所述步骤2中具体包括：
非均匀背景下干扰智能抑制的融合检测器的检测统计量λ：
其中，
tr函数表示取方阵的迹，IK表示K×K维的单位矩阵，
表示γ的最大似然估计。
与现有技术相比，本发明具有如下技术效果：
1)构建了非均匀背景下干扰智能抑制的融合检测器，其检测器具有闭合形式的表达式，无需迭代运算；
2)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，本发明的非均匀背景下干扰智能抑制的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，利用无目标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；
6)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为本发明的非均匀背景下干扰智能抑制的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Pfa＝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，Pfa＝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特性和检测性能和失配鲁棒性的难题，同时考虑到实际杂波非均匀性导致难以获得纯杂波辅助数据的问题，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。
本发明所述非均匀背景下干扰智能抑制的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；利用无目标假设下主数据Z的复高斯概率密度函数对杂波协方差矩阵M和干扰子空间未知坐标矩阵Q求偏导，求解杂波协方差矩阵M和干扰子空间未知坐标矩阵Q在无目标假设下的最大似然估计；结合有目标假设下目标子空间未知坐标矩阵P的最大似然估计，构建杂波功率因子已知条件下的非均匀杂波加结构化干扰下子空间Gradient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，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，仅存在杂波与干扰；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zt＝st+jt+ct(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，主数据可表示为N×K维复矩阵Z＝[z1,z2,...,zK]。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ct是零均值复圆高斯向量，表示为
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，γ是主数据和辅助数据之间未知杂波功率的比例因子。
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yt(t＝1,2,...,R)，假定yt(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,...,yR]，其中第t个参考距离单元的N×1维复向量yt(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：
其中，样本协方差矩阵S＝YYH，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。
基于Gradient检测准则构建非均匀背景下干扰智能抑制的融合检测器，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。
通过无目标假设下主数据Z和辅助数据Y的复高斯联合概率密度函数对M求偏导，即式(1)对M求偏导，并将求导结果置于零，可以得到H0假设下给定Q时M的最大似然估计为：
然后将式(4)代入式(1)中，可以得到：
其中，Im代表m×m维单位矩阵。利用(5)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：
其中，
然后，通过有目标假设下主数据Z和辅助数据Y的复高斯联合概率密度函数对M求偏导，即式(2)对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M的最大似然估计为：
然后将式(7)代入式(2)中，可以得到：
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，
另外，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Θr0＝0。将式(10)与式(13)代入式(3)，并经多次代数运算，可以得到非均匀杂波加结构化干扰下子空间Gradient检验中间统计量：
其中，
步骤2.通过求解无目标假设下特征值方程的唯一正值解，从而获取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替换步骤1获得的子空间Gradient检验中间统计量的未知杂波功率因子，构建非均匀背景下干扰智能抑制的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(15)，通过求解式(15)的唯一正值解，可获得无目标假设下未知杂波功率因子γ的最大似然估计
在假设H0下，γ的最大似然估计
是满足式(15)特征值方程的唯一正值解：
其中，υ表示未知参数，λk,0表示矩阵
的第k个非零特征值。
将假设H0下未知杂波功率因子的最大似然估计
代入式(14)，替换无目标假设下未知杂波功率因子，即用
替换式(14)中的γ，经过简化运算，可得非均匀背景下干扰智能抑制的融合检测器的检测统计量λ表示为：
本发明方法构建了非均匀背景下干扰智能抑制的融合检测器。由式(16)可以看出，所提出的非均匀背景下干扰智能抑制的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，与距离扩展目标的S-GLRT-PHE检测器相比，所提出的非均匀背景下干扰智能抑制的融合检测器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，本发明的非均匀背景下干扰智能抑制的融合检测器在保持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)、式(6)和式(15)分别获得H0假设下M、Q和γ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Θr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；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；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，利用无目标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.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)构建非均匀背景下干扰智能抑制的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S-GLRT-PHE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，所构建的非均匀背景下干扰智能抑制的融合检测方法，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S-GLRT-PHE、S-Rao-PHE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)、式(6)和式(15)分别获得H0假设下M、Q和γ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Θr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；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，本发明的非均匀背景下干扰智能抑制的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；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，利用无目标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.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)构建非均匀背景下干扰智能抑制的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S-GLRT-PHE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，所构建的非均匀背景下干扰智能抑制的融合检测方法，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地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S-GLRT-PHE、S-Rao-PHE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)
1.一种非均匀背景下干扰智能抑制的融合检测方法，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；利用无目标假设下主数据Z的复高斯概率密度函数对杂波协方差矩阵M和干扰子空间未知坐标矩阵Q求偏导，求解杂波协方差矩阵M与干扰子空间未知坐标矩阵Q在无目标假设下的最大似然估计；在有目标假设下，求解目标参数向量的最大似然估计；
步骤2.通过求解无目标假设下特征值方程的唯一正值解，从而获取无目标假设下未知杂波功率因子的最大似然估计，构建非均匀背景下干扰智能抑制的融合检测器的检测统计量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所述的一种非均匀背景下干扰智能抑制的融合检测方法，其特征在于，所述步骤1中具体包括：
利用无目标假设下主数据Z的复高斯概率密度函数对杂波协方差矩阵M求偏导，求解杂波协方差矩阵M在无目标假设下的最大似然估计：
其中，(·)H表示共轭转置；样本协方差矩阵S＝YYH，辅助数据表示为N×R维复矩阵Y＝[y1,y2,...,yR]，式中第t个参考距离单元的N×1维复向量yt(t＝1,2,...,R)满足
其在不同距离单元间也是独立同分布的；γ是主数据和辅助数据之间未知杂波功率的比例因子；主数据表示为N×K维复矩阵Z＝[z1,z2,...,zK]，zt＝st+jt+ct(t＝1,2,...,K)，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，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＝[HJ]，且满足p+q≤N；第t个待检测距离单元中N×1维杂波向量ct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所述的一种非均匀背景下干扰智能抑制的融合检测方法，其特征在于，所述步骤1中具体还包括：
利用无目标假设下主数据Z的复高斯概率密度函数对干扰子空间未知坐标矩阵Q，求解干扰子空间未知坐标矩阵Q在无目标假设下的最大似然估计：
其中，
表示m×n维的复数矩阵集合。
4.根据权利要求3所述的一种非均匀背景下干扰智能抑制的融合检测方法，其特征在于，所述步骤1中具体还包括：
有目标假设下目标参数向量的最大似然估计：
其中，
IN表示N×N维的单位矩阵，vec函数实现矩阵的向量化。
5.根据权利要求4所述的一种非均匀背景下干扰智能抑制的融合检测方法，其特征在于，所述步骤2中具体包括：
非均匀背景下干扰智能抑制的融合检测器的检测统计量λ：
其中，
tr函数表示取方阵的迹，IK表示K×K维的单位矩阵，
表示γ的最大似然估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211287038.2A CN115575906A (zh) | 2022-10-20 | 2022-10-20 | 非均匀背景下干扰智能抑制的融合检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211287038.2A CN115575906A (zh) | 2022-10-20 | 2022-10-20 | 非均匀背景下干扰智能抑制的融合检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115575906A true CN115575906A (zh) | 2023-01-06 |
Family
ID=84586773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211287038.2A Pending CN115575906A (zh) | 2022-10-20 | 2022-10-20 | 非均匀背景下干扰智能抑制的融合检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115575906A (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 CN202211287038.2A patent/CN115575906A/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 |
|---|---|---|
| Zhaocheng et al. | Sparsity-based STAP using alternating direction method with gain/phase errors | |
| Yang et al. | Knowledge‐aided STAP with sparse‐recovery by exploiting spatio‐temporal sparsity | |
| 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 | |
| CN107064892A (zh) | 基于张量子空间和旋转不变的mimo雷达角度估计算法 | |
| CN115508828B (zh) | 子空间干扰下雷达目标智能融合检测方法 | |
| CN106610483A (zh) | 基于张量子空间和谱峰搜索的mimo雷达角度估计算法 | |
| CN106054153A (zh) | 一种基于分数阶变换的海杂波区目标检测与自适应杂波抑制方法 | |
| CN113030843B (zh) | 基于改进iaa波束形成的低空目标测向方法 | |
| Tao et al. | A knowledge aided SPICE space time adaptive processing method for airborne radar with conformal array | |
| CN115390027A (zh) | 非均匀杂波下目标知识辅助智能融合检测方法 | |
| CN112379333A (zh) | 基于空时维正交投影滤波的高频雷达海杂波抑制方法 | |
| CN115575906A (zh) | 非均匀背景下干扰智能抑制的融合检测方法 | |
| CN116299387B (zh) | 非均匀杂波下干扰正交抑制的目标智能检测方法 | |
| CN116106829B (zh) | 部分均匀杂波加干扰下目标智能检测方法 | |
| CN111474527A (zh) | 机载stap雷达快速去互耦的杂波协方差矩阵估计方法 | |
| CN115575946B (zh) | 雷达目标斜对称子空间智能融合检测方法 | |
| CN115524672A (zh) | 结构化干扰与杂波下目标鲁棒智能检测方法 | |
| 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 | |
| Cui et al. | A tunable adaptive detector for distributed targets when signal mismatch occurs | |
| CN114152918B (zh) | 基于压缩感知的抗间歇式主瓣干扰方法 | |
| Pandey et al. | Space Time Adaptive Processing for High Signal to Clutter Ratio Target's Detection Radar System | |
| Tao et al. | Adaptive detection of range-spread targets in homogeneous and partially homogeneous clutter plus subspace interference | |
| Jabbari et al. | An Asymptotically Efficient Hyperbolic Localization of a Moving Target by a Distributed Radar Network With Sensors Uncertainties | |
| CN115792813A (zh) | 干扰背景下目标鲁棒自适应检测方法 |
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 |