CN115754970A - 一种分布式无人机载雷达空时自适应目标检测方法与系统 - Google Patents

一种分布式无人机载雷达空时自适应目标检测方法与系统 Download PDF

Info

Publication number
CN115754970A
CN115754970A CN202211653299.1A CN202211653299A CN115754970A CN 115754970 A CN115754970 A CN 115754970A CN 202211653299 A CN202211653299 A CN 202211653299A CN 115754970 A CN115754970 A CN 115754970A
Authority
CN
China
Prior art keywords
unmanned aerial
detection
aerial vehicle
target
signal
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
CN202211653299.1A
Other languages
English (en)
Inventor
刘维建
李�浩
孙和敏
李槟槟
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.)
Air Force Early Warning Academy
Original Assignee
Air Force Early Warning Academy
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 Air Force Early Warning Academy filed Critical Air Force Early Warning Academy
Priority to CN202211653299.1A priority Critical patent/CN115754970A/zh
Publication of CN115754970A publication Critical patent/CN115754970A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种分布式无人机载雷达空时自适应目标检测方法与系统，根据发射信号的无人机数量、接收信号的无人机数量、每架无人机具备的阵元数、发射脉冲数、待检测目标方位，构造待检测数据、信号导向矢量、训练样本；利用待检测数据、信号导向矢量、训练样本构造子检测统计量；将子检测统计量相加求和构造最终的检测统计量；利用检测统计量和虚警概率确定检测门限；比较检测统计量与检测门限之间的大小，并判决目标是否存在。通过分布式探测并联合利用空时特性，既降低了单架无人机的压力，又能兼顾在强杂波环境中探测运动目标的功能，并且可从多个角度对目标探测，降低了目标闪烁带来的不利影响，从而提升了目标检测性能。

Description

一种分布式无人机载雷达空时自适应目标检测方法与系统
技术领域
本发明涉及分布式无人机载雷达目标检测方法与系统，尤其涉及一种分布式无人机载雷达空时自适应目标检测方法与系统。
背景技术
无人机作为新兴的空中作战力量，可提供持久的情报、监视和侦察能力，以及精确和及时的火力支持，具有零人员伤亡、使用限制少、隐蔽性好、可远程作战、效费比高等特点。然而，单部无人机由于载荷有效，作战效能不佳。而由多部无人机组成的无人机集群可以分布式模型展开探测及火力攻击，作战效能大为提高。雷达是最主要的战场信息获取传感器之一，现有无人机分布式雷达目标检测方法较少。
专利（分布式无人机MIMO雷达的非相参融合目标检测方法，申请公布号CN110412559 A，申请号201910681853.9）提出了一种针对分布式无人机的MIMO雷达非相参融合目标检测方法，利用分布式无人机对目标进行融合检测。由于无人机克服了地形地物的遮挡，可从高空探测目标，从而增加了预警时间。此外，由于无人机集群以分布式方式对目标进行探测，降低了目标闪烁特性带来的不利影响。然而，上述专利所提方法假设待检测距离单元的杂波加噪声协方差矩阵已知，这一要求往往在实际中无法满足。
发明内容
为了解决上述技术难题，本发明提供一种分布式无人机载雷达空时自适应目标检测方法与系统，用以克服现有技术中分布式无人机载雷达目标检测困难的问题。
为实现上述目的，本发明提供一种分布式无人机载雷达空时自适应目标检测方法，包括：
步骤1，根据发射信号的无人机数量、接收信号的无人机数量、每架无人机具备的阵元数、发射脉冲数、待检测目标方位，构造待检测数据、信号导向矢量、训练样本；
步骤2，利用所述待检测数据、信号导向矢量、训练样本构造子检测统计量；
步骤3，将所述子检测统计量相加求和构造最终的检测统计量；
步骤4，利用所述检测统计量和虚警概率确定检测门限；
步骤5，比较所述检测统计量与所述检测门限之间的大小，并判决目标是否存在。
进一步，所述步骤1中，发射信号的无人机数量为
Figure 638667DEST_PATH_IMAGE001
、接收信号的无人机数量为
Figure 95057DEST_PATH_IMAGE002
、每架发射信号的无人机含有的阵元天线数为
Figure 381681DEST_PATH_IMAGE003
，
Figure 239916DEST_PATH_IMAGE004
，每架发射信号的无人机均发射
Figure 789846DEST_PATH_IMAGE005
个脉冲，每架接收信号的无人机含有的阵元天线数为
Figure 733531DEST_PATH_IMAGE006
，
Figure 794153DEST_PATH_IMAGE007
，待检测数据为
Figure 506895DEST_PATH_IMAGE008
，
Figure 696567DEST_PATH_IMAGE009
，
Figure 861970DEST_PATH_IMAGE010
，
Figure 959239DEST_PATH_IMAGE011
的维数为
Figure 57645DEST_PATH_IMAGE012
，信号导向矢量为
Figure 214956DEST_PATH_IMAGE013
，维数为
Figure 867655DEST_PATH_IMAGE014
，训练样本为
Figure 768615DEST_PATH_IMAGE015
，
Figure 948624DEST_PATH_IMAGE016
，
Figure 276837DEST_PATH_IMAGE017
为训练样本数。
进一步，所述步骤1中，信号导向矢量
Figure 620093DEST_PATH_IMAGE018
具有下式所示结构：
Figure 59165DEST_PATH_IMAGE019
符号
Figure 601005DEST_PATH_IMAGE020
表示Kronecker积，
Figure 100119DEST_PATH_IMAGE021
、
Figure 727410DEST_PATH_IMAGE022
和
Figure 970172DEST_PATH_IMAGE023
分别为目标的多普勒导向矢量、第
Figure 366518DEST_PATH_IMAGE024
架用于发射信号的无人机相对目标的发射导向矢量和第
Figure 537999DEST_PATH_IMAGE025
架用于接收信号的无人机相对目标的接收导向矢量，且表达式分别为：
Figure 652586DEST_PATH_IMAGE026
Figure 699039DEST_PATH_IMAGE027
和
Figure 949892DEST_PATH_IMAGE028
符号
Figure 56388DEST_PATH_IMAGE029
表示转置，
Figure 658271DEST_PATH_IMAGE030
为目标相对于第
Figure 242836DEST_PATH_IMAGE031
架用于发射信号的无人机及第
Figure 613774DEST_PATH_IMAGE032
架用于接收信号的无人机的归一化多普勒频率，
Figure 124128DEST_PATH_IMAGE033
为第
Figure 213306DEST_PATH_IMAGE034
架用于发射信号的无人机的发射信号角度，
Figure 539246DEST_PATH_IMAGE035
为第
Figure 764691DEST_PATH_IMAGE032
架用于接收信号的无人机的接收信号角度。
进一步，所述步骤2中，所构造的子检测统计量为：
Figure 212989DEST_PATH_IMAGE036
其中，符号
Figure 523885DEST_PATH_IMAGE037
表示绝对值，
Figure 450253DEST_PATH_IMAGE038
表示共轭转置；
Figure 795783DEST_PATH_IMAGE039
表示矩阵的逆，
Figure 149404DEST_PATH_IMAGE040
。
进一步，所述步骤3中，所构造的最终检测统计量为：
Figure 449061DEST_PATH_IMAGE041
。
进一步，所述步骤4中，所述检测门限为：
Figure 179120DEST_PATH_IMAGE042
其中，
Figure 379157DEST_PATH_IMAGE043
，
Figure 903679DEST_PATH_IMAGE044
为蒙特卡洛仿真次数，
Figure 189167DEST_PATH_IMAGE045
为系统的虚警概率值，
Figure 457337DEST_PATH_IMAGE046
为取整操作，
Figure 308618DEST_PATH_IMAGE047
为序列
Figure 774016DEST_PATH_IMAGE048
由大到小排列第
Figure 546800DEST_PATH_IMAGE049
个最大值；其中，
Figure 353082DEST_PATH_IMAGE050
，
Figure 730973DEST_PATH_IMAGE051
为仅含噪声分量的待检测数据矩阵的第
Figure 597298DEST_PATH_IMAGE052
次实现，
Figure 857378DEST_PATH_IMAGE053
，
Figure 467351DEST_PATH_IMAGE054
为第
Figure 762066DEST_PATH_IMAGE055
个训练样本数据的第
Figure 64872DEST_PATH_IMAGE056
次实现，其中
Figure 48133DEST_PATH_IMAGE057
。
进一步，所述步骤5中，判决目标是否存在根据下述结果进行：若所述检测统计量
Figure 461797DEST_PATH_IMAGE058
大于检测门限
Figure 548702DEST_PATH_IMAGE059
，则判决目标存在，反之则判决目标不存在。
另一方面，本发明提供一种分布式无人机载雷达空时自适应目标检测方法的系统，包含：
待检测数据和训练样本数据构造模块，用以构造待检测数据和训练样本数据；
信号导向矢量构造模块，用以构造信号导向矢量；
子检测统计量构造模块，用以利用所述待检测数据、训练样本和信号导向矢量构造子检测统计量；
总检测统计量构造模块，用以利用子检测统计量构造检测统计量；
检测门限确定模块，用以利用所述检测统计量和虚警概率确定检测门限；
目标判决模块，用以比较所述检测统计量与所述检测门限之间的大小，并判决目标是否存在。
与现有技术相比，本发明的有益效果在于：
（1）通过布局发射信号无人机、接收信号无人机，使雷达从不同角度观测目标，降低了目标闪烁对雷达探测性能的影响；
（2）通过构造子检测统计量
Figure 22409DEST_PATH_IMAGE060
，实现了强杂波抑制，并且子检测统计量具有恒虚警特性，因而避免了后续的恒虚警处理；
（3）通过利用子检测统计量
Figure 991502DEST_PATH_IMAGE060
构造最终的检测统计量
Figure 943277DEST_PATH_IMAGE061
，积累了所有子检测统计量的能量，提升了检测性能。
附图说明
图1为本发明所述方法原理示意图；
图2为利用本发明所述方法构建的系统流程图；
图3为本发明所述方法与现有方法在不同信杂噪比下的检测概率比较图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方所述式。本领域技术人员应当理解的是，这些实施方所述式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
首先，实施例中用到的专业术语进行解释，
蒙特卡洛（Monte Carlo）仿真：是一种器件参数变化分析，使用随机抽样估计来估算数学函数的计算的方法。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
假设有
Figure 212584DEST_PATH_IMAGE062
架无人机发射信号、
Figure 857192DEST_PATH_IMAGE063
架无人机接收信号，无人机之间均分布散开，第
Figure 516844DEST_PATH_IMAGE064
架发射信号的无人机含有
Figure 272310DEST_PATH_IMAGE065
个阵元天线，
Figure 363501DEST_PATH_IMAGE066
，每个发射天线发射
Figure 179010DEST_PATH_IMAGE067
个脉冲，且不同阵元天线发射的波形相互正交；第
Figure 388274DEST_PATH_IMAGE068
架接收信号的无人机含有
Figure 947432DEST_PATH_IMAGE069
个阵元天线，
Figure 660173DEST_PATH_IMAGE070
。令第
Figure 381004DEST_PATH_IMAGE071
架发射信号的无人机的第
Figure 811986DEST_PATH_IMAGE072
个发射阵元发射的波形为
Figure 909255DEST_PATH_IMAGE073
，
Figure 243546DEST_PATH_IMAGE074
，则经过匹配滤波消除波形信息后第
Figure 338541DEST_PATH_IMAGE075
架接收信号的无人机接收到的第
Figure 53556DEST_PATH_IMAGE076
个发射机发射的
Figure 954516DEST_PATH_IMAGE077
个回波信号可表示为：
Figure 376270DEST_PATH_IMAGE078
（1）其中，
Figure 907746DEST_PATH_IMAGE079
为目标回波未知复值幅度，
Figure 47740DEST_PATH_IMAGE080
和
Figure 752391DEST_PATH_IMAGE081
分别为杂波和热噪声，
Figure 559810DEST_PATH_IMAGE082
为目标导向矢量，表达式为
Figure 309458DEST_PATH_IMAGE083
（2）符号
Figure 202328DEST_PATH_IMAGE084
表示Kronecker积，
Figure 445091DEST_PATH_IMAGE085
、
Figure 841437DEST_PATH_IMAGE086
和
Figure 511453DEST_PATH_IMAGE087
分别为目标的多普勒导向矢量、第
Figure 829301DEST_PATH_IMAGE088
架用于发射信号的无人机的发射导向矢量和第
Figure 406913DEST_PATH_IMAGE089
架用于接收信号的无人机的接收导向矢量，且三者的表达式分别为
Figure 126608DEST_PATH_IMAGE090
（3）
Figure 967525DEST_PATH_IMAGE091
（4）
和
Figure 70872DEST_PATH_IMAGE092
（5）符号
Figure 921016DEST_PATH_IMAGE093
表示转置，
Figure 291955DEST_PATH_IMAGE094
为目标相对于第
Figure 303773DEST_PATH_IMAGE095
架用于发射信号的无人机及第
Figure 127373DEST_PATH_IMAGE096
架用于接收信号的无人机的归一化多普勒频率，
Figure 250050DEST_PATH_IMAGE097
为第
Figure 380554DEST_PATH_IMAGE098
架用于发射信号的无人机的发射信号角度，
Figure 360012DEST_PATH_IMAGE099
为第
Figure 202066DEST_PATH_IMAGE100
架用于接收信号的无人机的接收信号角度。
则检测问题可用下式所示的二元假设检验表示为
Figure 632828DEST_PATH_IMAGE101
(6)
其中，
Figure 978359DEST_PATH_IMAGE102
表示待检测数据含有目标信号的假设检验，
Figure 597559DEST_PATH_IMAGE103
表示待检测数据不含有目标信号的假设检。为了叙述方便，令杂波
Figure 599013DEST_PATH_IMAGE104
和热噪声
Figure 329072DEST_PATH_IMAGE105
之和的协方差矩阵为
Figure 263529DEST_PATH_IMAGE106
。
需要指出的是，无人机处于运动状态时，原本固定的地杂波返回无人机载雷达的回波具有非零的多普勒频率，并且多普勒频率覆盖范围广、强度大，远远高于目标回波的强度，即协方差矩阵
Figure 53631DEST_PATH_IMAGE107
的大特征值远远大于目标幅度
Figure 339119DEST_PATH_IMAGE108
。为了消除杂波的影响，必须要对杂波进行有效抑制才能检测到目标。然而，协方差矩阵
Figure 607289DEST_PATH_IMAGE109
在实际环境中通常是未知的。为了对协方差矩阵进行估计，需要用到一定数量的训练样本，设定存在
Figure 163298DEST_PATH_IMAGE110
个不含目标的训练样本，
Figure 389880DEST_PATH_IMAGE111
，
Figure 897084DEST_PATH_IMAGE112
为
Figure 968946DEST_PATH_IMAGE113
中最大值，
Figure 346837DEST_PATH_IMAGE114
为
Figure 213162DEST_PATH_IMAGE115
中最大值。记第
Figure 473242DEST_PATH_IMAGE116
架用于发射信号的无人机和第
Figure 348794DEST_PATH_IMAGE117
架用于接收信号的无人机对应的第
Figure 377930DEST_PATH_IMAGE118
个训练样本为
Figure 618419DEST_PATH_IMAGE119
(7)
式中，
Figure 864330DEST_PATH_IMAGE120
，
Figure 277994DEST_PATH_IMAGE121
和
Figure 427215DEST_PATH_IMAGE122
分别为第
Figure 900922DEST_PATH_IMAGE123
个训练样本
Figure 870015DEST_PATH_IMAGE124
中的杂波分量和热噪声分量。为了体现对协方差矩阵估计的稳健特性，假设训练样本
Figure 821790DEST_PATH_IMAGE124
的协方差矩阵也为
Figure 389300DEST_PATH_IMAGE125
。
综述所述，式(6)中的检测问题可修正为下式所示的二元假设检验：
Figure 971591DEST_PATH_IMAGE126
(8)
为了解决上述问题，可先给出待检测数据与训练样本数据的联合概率密度函数，然后采用相应的检测器设计准则设计有效检测器。在假设检验
Figure 427980DEST_PATH_IMAGE127
和
Figure 183447DEST_PATH_IMAGE128
下，待检测数据和训练样本的联合概率密度函数分别为
Figure 41681DEST_PATH_IMAGE129
(9)
和
Figure 857191DEST_PATH_IMAGE130
(10)
其中，
Figure 800876DEST_PATH_IMAGE131
为训练样本数据矩阵，
Figure 360033DEST_PATH_IMAGE132
表示待检测数据
Figure 72774DEST_PATH_IMAGE133
和训练样本
Figure 551861DEST_PATH_IMAGE134
在假设检验
Figure 982842DEST_PATH_IMAGE135
下的联合概率密度函数，
Figure 80111DEST_PATH_IMAGE136
表示待检测数据
Figure 850621DEST_PATH_IMAGE137
和训练样本
Figure 7933DEST_PATH_IMAGE138
在假设检验
Figure 926210DEST_PATH_IMAGE139
下的联合概率密度函数，符号
Figure 561591DEST_PATH_IMAGE140
表示矩阵的行列式，符号
Figure 248924DEST_PATH_IMAGE141
表示矩阵的迹，符号
Figure 577137DEST_PATH_IMAGE142
表示共轭转置，符号
Figure 484176DEST_PATH_IMAGE143
表示矩阵逆。在式(9)和(10)中，
Figure 188827DEST_PATH_IMAGE144
和
Figure 730666DEST_PATH_IMAGE145
未知。
为了实现分布式无人机载雷达目标检测，请参阅图1所示，本发明提供了一种分布式无人机载雷达空时自适应目标检测方法与系统，包括：
步骤1，根据发射信号的无人机数量、接收信号的无人机数量、每架无人机具备的阵元数、发射脉冲数、待检测目标方位，构造待检测数据、信号导向矢量、训练样本；
步骤2，利用所述待检测数据、信号导向矢量、训练样本构造子检测统计量；
步骤3，将所述子检测统计量相加求和构造最终的检测统计量；
步骤4，利用所述检测统计量和虚警概率确定检测门限；
步骤5，比较所述检测统计量与所述检测门限之间的大小，并判决目标是否存在。
具体而言，所述步骤1中，发射信号的无人机数量为
Figure 229781DEST_PATH_IMAGE146
、接收信号的无人机数量为
Figure 60334DEST_PATH_IMAGE147
、每架发射信号的无人机含有的阵元天线数为
Figure 37517DEST_PATH_IMAGE148
，
Figure 965022DEST_PATH_IMAGE149
，每架发射信号的无人机均发射
Figure 635037DEST_PATH_IMAGE150
个脉冲，每架接收信号的无人机含有的阵元天线数为
Figure 749624DEST_PATH_IMAGE151
，
Figure 763454DEST_PATH_IMAGE152
，待检测数据为
Figure 545465DEST_PATH_IMAGE153
，
Figure 386382DEST_PATH_IMAGE154
，
Figure 988265DEST_PATH_IMAGE155
，
Figure 776092DEST_PATH_IMAGE156
的维数为
Figure 147031DEST_PATH_IMAGE157
，信号导向矢量为
Figure 158849DEST_PATH_IMAGE158
，维数为
Figure 982449DEST_PATH_IMAGE159
，训练样本为
Figure 370705DEST_PATH_IMAGE160
，
Figure 97614DEST_PATH_IMAGE161
，
Figure 280334DEST_PATH_IMAGE162
为训练样本数。
具体而言，所述步骤1中，信号导向矢量
Figure 856809DEST_PATH_IMAGE163
具有下式所示结构：
Figure 111073DEST_PATH_IMAGE164
符号
Figure 394287DEST_PATH_IMAGE165
表示Kronecker积，
Figure 810224DEST_PATH_IMAGE166
、
Figure 847231DEST_PATH_IMAGE167
和
Figure 311711DEST_PATH_IMAGE168
分别为目标的多普勒导向矢量、第
Figure 511748DEST_PATH_IMAGE169
架用于发射信号的无人机相对目标的发射导向矢量和第
Figure 301849DEST_PATH_IMAGE170
架用于接收信号的无人机相对目标的接收导向矢量，且表达式分别为：
Figure 321758DEST_PATH_IMAGE171
Figure 855508DEST_PATH_IMAGE172
和
Figure 910051DEST_PATH_IMAGE173
符号
Figure 871054DEST_PATH_IMAGE174
表示转置，
Figure 145303DEST_PATH_IMAGE175
为目标相对于第
Figure 420426DEST_PATH_IMAGE176
架用于发射信号的无人机及第
Figure 329477DEST_PATH_IMAGE177
架用于接收信号的无人机的归一化多普勒频率，
Figure 726960DEST_PATH_IMAGE178
为第
Figure 455881DEST_PATH_IMAGE179
架用于发射信号的无人机的发射信号角度，
Figure 597013DEST_PATH_IMAGE180
为第
Figure 626149DEST_PATH_IMAGE181
架用于接收信号的无人机的接收信号角度。
具体而言，所述步骤2中，所构造的子检测统计量为：
Figure 663375DEST_PATH_IMAGE182
其中，符号
Figure 614013DEST_PATH_IMAGE183
表示绝对值，
Figure 27677DEST_PATH_IMAGE184
表示共轭转置，
Figure 409855DEST_PATH_IMAGE185
表示矩阵的逆，
Figure 617982DEST_PATH_IMAGE186
。
具体而言，所述步骤3中，所构造的最终检测统计量为：
Figure 852654DEST_PATH_IMAGE187
。
具体而言，所述步骤4中，所述检测门限为：
Figure 70009DEST_PATH_IMAGE188
其中，
Figure 808158DEST_PATH_IMAGE189
，
Figure 656028DEST_PATH_IMAGE190
为蒙特卡洛仿真次数，
Figure 112417DEST_PATH_IMAGE191
为系统的虚警概率值，
Figure 867884DEST_PATH_IMAGE192
为取整操作，
Figure 991697DEST_PATH_IMAGE193
为序列
Figure 10469DEST_PATH_IMAGE194
由大到小排列第
Figure 190040DEST_PATH_IMAGE195
个最大值；
其中，
Figure 14776DEST_PATH_IMAGE196
，
Figure 727518DEST_PATH_IMAGE197
为仅含噪声分量的待检测数据矩阵的第
Figure 917190DEST_PATH_IMAGE198
次实现，
Figure 348172DEST_PATH_IMAGE199
，
Figure 711020DEST_PATH_IMAGE200
为第
Figure 278268DEST_PATH_IMAGE201
个训练样本数据的第
Figure 638842DEST_PATH_IMAGE202
次实现，其中
Figure 291540DEST_PATH_IMAGE203
。
具体而言，所述步骤5中，判决目标是否存在根据下述结果进行：若所述检测统计量
Figure 458079DEST_PATH_IMAGE204
大于检测门限
Figure 348675DEST_PATH_IMAGE205
，则判决目标存在，反之则判决目标不存在。
请参阅图2所示，本发明提供了一种分布式无人机载雷达空时自适应目标检测方法的系统，其特征在于，包含：
待检测数据和训练样本数据构造模块，用以构造待检测数据和训练样本数据；
信号导向矢量构造模块，用以构造信号导向矢量；
子检测统计量构造模块，用以利用所述待检测数据、训练样本和信号导向矢量构造子检测统计量；
总检测统计量构造模块，用以利用子检测统计量构造检测统计量；
检测门限确定模块，用以利用所述检测统计量和虚警概率确定检测门限；
目标判决模块，用以比较所述检测统计量与所述检测门限之间的大小，并判决目标是否存在。
请参阅图3所示，其为本发明所述方法与现有方法在不同信杂噪比下的检测概率比较图；为简化计算，令
Figure 193001DEST_PATH_IMAGE206
，
Figure 598575DEST_PATH_IMAGE207
，
Figure 37646DEST_PATH_IMAGE208
，
Figure 782748DEST_PATH_IMAGE209
，虚警概率被设置为0.01，信杂噪比定义为
Figure 281863DEST_PATH_IMAGE210
，其中，
Figure 174733DEST_PATH_IMAGE211
表示绝对值。
从图中可以看出，本发明所提方法相比单基地自适应匹配滤波检测器，检测性能有明显提升，并且检测概率随着无人机架次的增加而提升。
至此，已经结合附图所示的优选实施方所述式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方所述式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。 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 (8)

1.一种分布式无人机载雷达空时自适应目标检测方法，其特征在于，包括：
步骤1，根据发射信号的无人机数量、接收信号的无人机数量、每架无人机具备的阵元数、发射脉冲数、待检测目标方位，构造待检测数据、信号导向矢量、训练样本；
步骤2，利用所述待检测数据、信号导向矢量、训练样本构造子检测统计量；
步骤3，将所述子检测统计量相加求和构造最终的检测统计量；
步骤4，利用所述检测统计量和虚警概率确定检测门限；
步骤5，比较所述检测统计量与所述检测门限之间的大小，并判决目标是否存在。
2.根据权利要求1所述的一种分布式无人机载雷达空时自适应目标检测方法，其特征在于，所述步骤1中，发射信号的无人机数量为
Figure 950121DEST_PATH_IMAGE001
、接收信号的无人机数量为
Figure 861183DEST_PATH_IMAGE002
、每架发射信号的无人机含有的阵元天线数为
Figure 685919DEST_PATH_IMAGE003
，
Figure 398660DEST_PATH_IMAGE004
，每架发射信号的无人机均发射
Figure 588333DEST_PATH_IMAGE005
个脉冲，每架接收信号的无人机含有的阵元天线数为
Figure 284894DEST_PATH_IMAGE006
，
Figure 382163DEST_PATH_IMAGE007
，待检测数据为
Figure 152672DEST_PATH_IMAGE008
，
Figure 309984DEST_PATH_IMAGE009
，
Figure 228262DEST_PATH_IMAGE010
，
Figure 129222DEST_PATH_IMAGE011
的维数为
Figure 19817DEST_PATH_IMAGE012
，信号导向矢量为
Figure 849495DEST_PATH_IMAGE013
，维数为
Figure 255069DEST_PATH_IMAGE014
，训练样本为
Figure 694140DEST_PATH_IMAGE015
，
Figure 439243DEST_PATH_IMAGE016
，
Figure 938357DEST_PATH_IMAGE017
为训练样本数。
3.根据权利要求2所述的一种分布式无人机载雷达空时自适应目标检测方法，其特征在于，所述步骤1中，信号导向矢量
Figure 831227DEST_PATH_IMAGE018
具有下式所示结构：
Figure 277251DEST_PATH_IMAGE019
符号
Figure 939177DEST_PATH_IMAGE020
表示Kronecker积，
Figure 874772DEST_PATH_IMAGE021
、
Figure 723779DEST_PATH_IMAGE022
和
Figure 973495DEST_PATH_IMAGE023
分别为目标的多普勒导向矢量、第
Figure 6040DEST_PATH_IMAGE024
架用于发射信号的无人机相对目标的发射导向矢量和第
Figure 846957DEST_PATH_IMAGE025
架用于接收信号的无人机相对目标的接收导向矢量，且表达式分别为：
Figure 448840DEST_PATH_IMAGE026
Figure 33405DEST_PATH_IMAGE027
和
Figure 607606DEST_PATH_IMAGE028
符号
Figure 619424DEST_PATH_IMAGE029
表示转置，
Figure 974182DEST_PATH_IMAGE030
为目标相对于第
Figure 96859DEST_PATH_IMAGE031
架用于发射信号的无人机及第
Figure 587883DEST_PATH_IMAGE032
架用于接收信号的无人机的归一化多普勒频率，
Figure 973865DEST_PATH_IMAGE033
为第
Figure 786226DEST_PATH_IMAGE034
架用于发射信号的无人机的发射信号角度，
Figure 978173DEST_PATH_IMAGE035
为第
Figure 526966DEST_PATH_IMAGE036
架用于接收信号的无人机的接收信号角度。
4.根据权利要求3所述的一种分布式无人机载雷达空时自适应目标检测方法，其特征在于，所述步骤2中，所构造的子检测统计量为：
Figure 880587DEST_PATH_IMAGE037
其中，符号
Figure 678778DEST_PATH_IMAGE038
表示绝对值，
Figure 674416DEST_PATH_IMAGE039
表示共轭转置，
Figure 77716DEST_PATH_IMAGE040
表示矩阵的逆，
Figure 602238DEST_PATH_IMAGE041
。
5.根据权利要求4所述的一种分布式无人机载雷达空时自适应目标检测方法，其特征在于，所述步骤3中，所构造的最终检测统计量为：
Figure 153305DEST_PATH_IMAGE042
。
6.根据权利要求5所述的一种分布式无人机载雷达空时自适应目标检测方法，其特征在于，所述步骤4中，所述检测门限为：
Figure 687054DEST_PATH_IMAGE043
其中，
Figure 944860DEST_PATH_IMAGE044
，
Figure 138819DEST_PATH_IMAGE045
为蒙特卡洛仿真次数，
Figure 911603DEST_PATH_IMAGE046
为系统的虚警概率值，
Figure 249043DEST_PATH_IMAGE047
为取整操作，
Figure 158094DEST_PATH_IMAGE048
为序列
Figure 493260DEST_PATH_IMAGE049
由大到小排列第
Figure 487761DEST_PATH_IMAGE050
个最大值；
其中，
Figure 628892DEST_PATH_IMAGE051
，
Figure 392449DEST_PATH_IMAGE052
为仅含噪声分量的待检测数据矩阵的第
Figure 695254DEST_PATH_IMAGE053
次实现，
Figure 380313DEST_PATH_IMAGE054
，
Figure 295442DEST_PATH_IMAGE055
为第
Figure 444664DEST_PATH_IMAGE056
个训练样本数据的第
Figure 918370DEST_PATH_IMAGE057
次实现，其中
Figure 90726DEST_PATH_IMAGE058
。
7.根据权利要求6所述的一种分布式无人机载雷达空时自适应目标检测方法，其特征在于，所述步骤5中，判决目标是否存在根据下述结果进行：若所述检测统计量
Figure 308080DEST_PATH_IMAGE059
大于检测门限
Figure 311809DEST_PATH_IMAGE060
，则判决目标存在，反之则判决目标不存在。
8.根据权利要求1-7任一所述的一种分布式无人机载雷达空时自适应目标检测方法的系统，其特征在于，包含：
待检测数据和训练样本数据构造模块，用以构造待检测数据和训练样本数据；
信号导向矢量构造模块，用以构造信号导向矢量；
子检测统计量构造模块，用以利用所述待检测数据、训练样本和信号导向矢量构造子检测统计量；
总检测统计量构造模块，用以利用子检测统计量构造检测统计量；
检测门限确定模块，用以利用所述检测统计量和虚警概率确定检测门限；
目标判决模块，用以比较所述检测统计量与所述检测门限之间的大小，并判决目标是否存在。
CN202211653299.1A 2022-12-22 2022-12-22 一种分布式无人机载雷达空时自适应目标检测方法与系统 Pending CN115754970A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211653299.1A CN115754970A (zh) 2022-12-22 2022-12-22 一种分布式无人机载雷达空时自适应目标检测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211653299.1A CN115754970A (zh) 2022-12-22 2022-12-22 一种分布式无人机载雷达空时自适应目标检测方法与系统

Publications (1)

Publication Number Publication Date
CN115754970A true CN115754970A (zh) 2023-03-07

Family

ID=85347146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211653299.1A Pending CN115754970A (zh) 2022-12-22 2022-12-22 一种分布式无人机载雷达空时自适应目标检测方法与系统

Country Status (1)

Country Link
CN (1) CN115754970A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887119A (zh) * 2010-06-18 2010-11-17 西安电子科技大学 基于子带anmf海杂波中动目标检测方法
CN106054165A (zh) * 2016-06-08 2016-10-26 中国人民解放军海军航空工程学院 一种实现分布式无源雷达目标检测的方法
CN106483515A (zh) * 2016-09-23 2017-03-08 西安电子科技大学 均匀k分布杂波下的最优自适应检测方法
CN114114192A (zh) * 2021-12-02 2022-03-01 电子科技大学 集群目标检测方法
CN114660567A (zh) * 2022-05-25 2022-06-24 中国人民解放军空军预警学院 部分均匀环境中存在野值时的雷达目标检测方法与系统
CN114994632A (zh) * 2022-08-03 2022-09-02 中国人民解放军空军预警学院 一种基于对称功率谱密度的雷达目标检测方法与系统
CN115032623A (zh) * 2022-08-10 2022-09-09 中国人民解放军空军预警学院 子空间信号失配时双参数加权的扩展目标检测方法与系统
CN115079119A (zh) * 2022-06-16 2022-09-20 电子科技大学 非理想正交波形的dmimo雷达多目标检测与定位方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887119A (zh) * 2010-06-18 2010-11-17 西安电子科技大学 基于子带anmf海杂波中动目标检测方法
CN106054165A (zh) * 2016-06-08 2016-10-26 中国人民解放军海军航空工程学院 一种实现分布式无源雷达目标检测的方法
CN106483515A (zh) * 2016-09-23 2017-03-08 西安电子科技大学 均匀k分布杂波下的最优自适应检测方法
CN114114192A (zh) * 2021-12-02 2022-03-01 电子科技大学 集群目标检测方法
CN114660567A (zh) * 2022-05-25 2022-06-24 中国人民解放军空军预警学院 部分均匀环境中存在野值时的雷达目标检测方法与系统
CN115079119A (zh) * 2022-06-16 2022-09-20 电子科技大学 非理想正交波形的dmimo雷达多目标检测与定位方法
CN114994632A (zh) * 2022-08-03 2022-09-02 中国人民解放军空军预警学院 一种基于对称功率谱密度的雷达目标检测方法与系统
CN115032623A (zh) * 2022-08-10 2022-09-09 中国人民解放军空军预警学院 子空间信号失配时双参数加权的扩展目标检测方法与系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GHOBADZADEH: "Separating function estimation test for binary distributed radar detection with unknown parameters", IEEE TRANSACTION ON AEROSPACE AND ELECTRONIC SYSTEMS, 14 September 2018 (2018-09-14) *
YANG SHIXING: "Multitarget detection strategy for distributed MIMO radar with widely separated antennas", IEEE TRANSACTION ON GEOSCIENCE AND REMOTE SENSING, 13 May 2022 (2022-05-13) *
周涛: "分布式多站雷达直接定位技术研究", 中国博士学位论文全文数据库 (信息科技辑), 15 March 2022 (2022-03-15) *
庞晓宇: "分布式MIMO雷达的自适应检测研究", 中国优秀硕士学位论文全文数据库 (信息科技辑), 15 February 2015 (2015-02-15) *

Similar Documents

Publication Publication Date Title
CN110412559B (zh) 分布式无人机mimo雷达的非相参融合目标检测方法
CN107037410B (zh) 一种对雷达进行干扰的方法、装置及频控阵干扰机
CN109946665B (zh) 基于阵列雷达的获取真实目标的方法
CN104914415B (zh) 基于目标距离像模板匹配的单脉冲雷达相干干扰方法
JP2019090824A (ja) レーダーにおける角度分解能
CN109444820B (zh) 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法
CN106338723A (zh) 一种基于互质脉冲重复间隔的空时自适应处理方法及装置
CN109765529B (zh) 一种基于数字波束形成的毫米波雷达抗干扰方法及系统
KR102275960B1 (ko) 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법
CN110865362A (zh) 一种基于fda-mimo雷达的低慢小目标检测方法
CN116359857B (zh) 机载预警雷达空时频自适应抗主瓣欺骗干扰方法与装置
CN110632569B (zh) 一种利用双极化特征的雷达固定翼无人机与杂波识别方法
CN105487054B (zh) 提高基于mimo-ofdm雷达stap最差检测性能的稳健波形设计方法
CN111896928B (zh) 基于有源欺骗式干扰消除的多站雷达目标检测方法
Yu et al. MIMO adaptive beamforming for nonseparable multipath clutter mitigation
CN114609623B (zh) 单脉冲雷达的目标检测方法、装置和计算机设备
CN109283497A (zh) 双基地fda-mimo雷达距离欺骗干扰识别方法
CN112147584A (zh) 一种基于非均匀杂波的mimo雷达扩展目标检测方法
CN115291207A (zh) 基于mimo雷达的小型旋翼无人机多目标检测方法
Yu et al. Polarimetric multiple-radar architectures with distributed antennas for discriminating between radar targets and deception jamming
CN110346802B (zh) 基于计算水声信道参数的水下目标探测方法
CN115754970A (zh) 一种分布式无人机载雷达空时自适应目标检测方法与系统
CN114325599B (zh) 一种针对不同环境的自动门限检测方法
CN115902881B (zh) 一种分布式无人机载雷达扩展目标检测方法与系统
CN113267759B (zh) 一种fda-mimo雷达运动目标检测方法与系统

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
CB03 Change of inventor or designer information

Inventor after: Liu Weijian

Inventor after: Li Hao

Inventor after: Sun Hemin

Inventor after: Li Binbin

Inventor before: Liu Weijian

Inventor before: Li Hao

Inventor before: Sun Hemin

Inventor before: Li Binbin