CN115902810A - 非均匀环境中分布式无人机载雷达扩展目标检测器与系统 - Google Patents

Abstract

本发明公开了非均匀环境中分布式无人机载雷达扩展目标检测器与系统，先构造各数据矩阵及向量；然后利用训练样本构造归一化协方差矩阵的估计值；接着利用待检测数据、信号导向矢量、归一化协方差矩阵的估计值构造子检测统计量；再利用子检测统计量构造最终的检测统计量；接着利用最终的检测统计量和虚警概率确定检测门限；最后比较最终的检测统计量与检测门限之间的大小，并判决目标是否存在。本发明所设计的检测器基于协同工作的多架分布式无人机，从不同角度观测目标，降低了目标闪烁的不利影响；通过估计归一化协方差矩阵，降低了非均匀的影响；基于自适应检测技术，一体化实现了杂波抑制、信号积累和恒虚警处理，提升了目标检测性能。

Description

非均匀环境中分布式无人机载雷达扩展目标检测器与系统

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，尤其涉及非均匀环境中分布式无人机载雷达扩展目标检测器与系统。

背景技术

随着高新技术在武器装备上的广泛应用，军用无人机在几场局部战争中频频亮相，屡立战功。军用无人机有望重塑21世纪的作战模式。然而，单部无人机由于载荷有效，作战效能不佳。为此，通过多部无人机联合工作的模型，以无人机蜂群为代表的作战模式逐渐受到青睐，可大大提升无人机的作战效能。

现有资料已有针对分布式机载雷达目标检测的研究方法，例如，文献(程子扬,何子述,王智磊,等.分布式MIMO雷达目标检测性能分析[J].雷达学报,2017,6(1):81-89.)分析了分布式检测的检测性能，但在每个发射-接收站点对应的系统为标量，无法有效探测目标的空域角度信息及时域多普勒信息。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CN 110412559A，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。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。

上述文献及专利都未考虑目标的扩展特性。而在实际中，无人机载雷达的发射频率通常很高，相应的信号带宽也很宽，目标往往占据多个距离分辨单位，体现出空间分布特性。此外，由于地形的起伏，以及地物的遮挡效应，不同距离单元的雷达回波数据往往呈现出非均匀特性，进一步加剧了目标检测的困难。此时，已有方法难以对目标进行有效检测。

发明内容

为了解决上述技术难题，本发明提供非均匀环境中分布式无人机载雷达扩展目标检测器与系统，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，本发明提供非均匀环境中分布式无人机载雷达扩展目标检测器，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，利用所述训练样本构造归一化协方差矩阵的估计值；

步骤3，利用所述待检测数据、信号导向矢量、归一化协方差矩阵的估计值构造子检测统计量；

步骤4，利用所述子检测统计量构造最终的检测统计量；

步骤5，利用所述最终的检测统计量和虚警概率确定检测门限；

步骤6，比较所述最终的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；

所述步骤1中，信号导向矢量s_mn(θ_t,m,θ_r,n,f_mn)具有下式所示结构：

符号

表示Kronecker积，s_D(f_mn)、s_T(θ_t,m)和s_R(θ_r,n)分别为目标的多普勒导向矢量、第m架用于发射信号的无人机相对目标的发射导向矢量和第n架用于接收信号的无人机相对目标的接收导向矢量，且三者的表达式分别为

和

符号(·)^T表示转置，f_mn为目标相对于第m架用于发射信号的无人机及第n架用于接收信号的无人机的归一化多普勒频率，θ_t,m为第m架用于发射信号的无人机的发射信号角度，θ_r,n为第n架用于接收信号的无人机的接收信号角度；

所述步骤1中，发射信号的无人机数量为M、接收信号的无人机数量为N、每架发射信号的无人机含有的阵元天线数为M_m，m＝1,2,…,M，每架发射信号的无人机均发射K个脉冲，每架接收信号的无人机含有的阵元天线数为N_n，n＝1,2,…,N，待检测数据为X_mn，m＝1,2,...,M，n＝1,2,...,N，X_mn的维数为KM_mN_n×W，W为目标扩展维数，训练样本为y_mnl，l＝1,2,…,L_mn，L_mn为对应于第m架发射信号无人机及第n架接收信号无人机的训练样本数。

进一步地，所述步骤2中，构造的归一化协方差矩阵的估计值

通过下述方式得到：

设置初始值：

当i＝0,1,…,I时，进行下述迭代：

其中，符号(·)^H表示共轭转置，(·)-¹表示矩阵的逆，tr(·)表示矩阵的迹，标量

上标中的i+1表示第i+1次迭代，I为总的迭代次数，当满足下列两种条件之一时，迭代过程终止：

条件1：I＞10

条件2：

符号||·||为矩阵Frobenius范数；迭代终止时，记

进一步地，所述步骤3中，构造的子检测统计量为：

进一步地，所述步骤4中，所构造的最终检测统计量为：

进一步地，所述步骤5中，所述检测门限为：

η＝t(n_*)

其中，

Q为蒙特卡洛仿真次数，κ为系统的虚警概率值，

为取整操作，t(i)为序列

由大到小排列第i个最大值；其中，

s_mn表示s_mn(θ_t,m,θ_r,n,f_mn)的简写，即

X_mn(k)为仅含噪声分量的待检测数据矩阵的第k次实现，

通过下述方式得到：

设置初始值：

当i＝0,1,…,I时，进行下述迭代：

标量

和

上标中的i+1表示第i+1次迭代，I为总的迭代次数，当满足下列两种条件之一时，迭代过程终止：

条件1：I＞10

条件2：

符号||·||为矩阵Frobenius范数；迭代终止时，记

y_mnl(k)为第l个训练样本数据的第k次实现，k＝1,2,…,Q。

进一步地，所述步骤6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t大于检测门限η，则判决目标存在，反之则判决目标不存在。

另一方面，本发明提供非均匀环境中分布式无人机载雷达扩展目标检测系统，包含：

数据构造模块，用以构造待检测数据、训练样本数据和信号导向矢量；

归一化协方差矩阵估计模块，用于利用所述训练样本构造归一化协方差矩阵的估计值；

子检测统计量构造模块，用以利用所述待检测数据、归一化协方差矩阵的估计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最终的检测统计量；

检测门限确定模块，用以利用所述最终的检测统计量和虚警概率确定检测门限；

目标判决模块，用以比较最终的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)通过构建协同工作的多架分布式无人机，使无人机载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)通过构造归一化协方差矩阵的有效估计，提高了非均匀环境中协方差矩阵的估计精度，为实现强杂波中的目标检测提供了保证；

(3)通过构造子检测统计量t_mn，实现了强杂波抑制，并且使检测统计量对归一化协方差矩阵及各数据之间的功率失配均具有恒虚警特性，因而避免了后续的恒虚警处理；

(4)通过利用子检测统计量t_mn构造最终的检测统计量t，积累了所有子检测统计量的能量，实现了多部无人机的协同工作，最终达到提升检测性能的目的。

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。

具体实施方所述式

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M架无人机发射信号、N架无人机接收信号，无人机之间均分布散开，第m架发射信号的无人机含有M_m个阵元天线，m＝1,2,...,M，每个发射天线发射K个脉冲，且不同阵元天线发射的波形相互正交；第n架接收信号的无人机含有N_n个阵元天线，n＝1,2,...,N。令第m架发射信号的无人机的第i个发射阵元发射的波形为s_mi(t)，i=1,2,...,M_m，则经过匹配滤波消除波形信息后第n架接收信号的无人机接收到的第m个发射机发射的K个回波信号可表示为：

其中，a_mn为目标回波未知复值幅度向量，其维数为W×1，W表明了目标空间扩展程度，C_mn和N_mn分别为杂波和热噪声矩阵，X_mn、C_mn和N_mn的维数均为KM_mN_n×W，s_mn(θ_t,m,θ_r,n,f_mn)为目标导向矢量，表达式为

符号

表K示Kronecker积，s_D(f_mn)、s_T(θ_t,m)和s_R(θ_r,n)分别为目标的多普勒导向矢量、第m架用于发射信号的无人机的发射导向矢量和第n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

和

符号(·)^T表示转置，f_mn为目标相对于第m架用于发射信号的无人机及第n架用于接收信号的无人机的归一化多普勒频率，θ_t,m为第m架用于发射信号的无人机的发射信号角度，θ_r,n为第n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

其中，H₁表示待检测数据含有目标信号的假设检验，H₀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C_mn和热噪声N_mn各列之和的协方差矩阵为R_mn。

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R_mn的大特征值远远大于目标幅度。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R_mn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L个不含目标的训练样本，L≥KM_maxN_max，M_max为M₁,M₂,…,M_M中最大值，N_max为N₁,N₂,…,N_N中最大值。记第m架用于发射信号的无人机和第n架用于接收信号的无人机对应的第l个训练样本为

y_mnl＝c_mnl+n_mnl(7)

式中，l＝1,2,3，…,L，c_mnl和n_mnl分别为第l个训练样本y_mnl中的杂波分量和热噪声分量。令训练样本y_mnl的协方差矩阵为R_mnl。需要指出的是，由于训练样本与待检测数据对应于不同的距离回波数据，而由于地形的起伏以及高大孤立建筑物的影响，雷达回波数据往往呈现出非均匀特性，即：训练样本y_mnl与待检测数据X_mn的协方差矩阵不同，即R_mn≠R_mnl，l＝1,2,…,L，而且不同训练样本之间对应的协方差矩阵也不同，即R_mn1≠R_mn2≠…≠R_mnL。

需要指出的是，由于训练样本从待检测距离单元附近数据得到，训练样本可为估计待检测数据协方差矩阵R_mn提供一定的信息，否则训练样本将失去意义。一种广泛采用的模型是假设不同距离单元的协方差矩阵具有相同的结构，但具有不同的功率失配，且失配量未知。因此，可以假设R_mn＝τ_mn∑_mn，R_mnl＝τ_mnl∑_mnl，l＝1,2,…,L，其中τ_mn和τ_mnl为非负标量，表征各距离单元协方差矩阵的功率失配，∑_mn和∑_mnl为正定矩阵，可看作归一化协方差矩阵，表征各距离单元协方差矩阵的结构信息。

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：

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H₁和H₀下，当假设τ_mn和τ_mnl给定时，待检测数据和训练样本的联合概率密度函数分别为

和

其中，f₁(X_mn,y_mnl)表示待检测数据X_mn和训练样本y_mnl在假设检验H₁下当τ_mn和τ_mnl给定时的联合概率密度函数，f₀(X_mn,y_mnl)表示待检测数据X_mn和训练样本y_mnl在假设检验H₀下当τ_mn和τ_mnl给定时的联合概率密度函数，符号det[]表示矩阵的行列式，符号tr(·)表示矩阵的迹，符号(·)^H表示共轭转置，符号(·)^-1表示矩阵逆。在式(9)和(10)中，a_mn、_mn、τ_mn和τ_mnl未知。

为了实现非均匀环境中分布式无人机载雷达目标检测，请参阅图1所示，本发明提供了非均匀环境中分布式无人机载雷达扩展目标检测器与系统，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，利用所述训练样本构造归一化协方差矩阵的估计值；

步骤3，利用所述待检测数据、信号导向矢量、归一化协方差矩阵的估计值构造子检测统计量；

步骤4，利用所述子检测统计量构造最终的检测统计量；

步骤5，利用所述最终的检测统计量和虚警概率确定检测门限；

步骤6，比较所述最终的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；

所述步骤1中，信号导向矢量s_mn(θ_t,m,θ_r,n,f_mn)具有下式所示结构：

符号

表示Kronecker积，s_D(f_mn)、s_T(θ_t,m)和s_R(θ_r,n)分别为目标的多普勒导向矢量、第m架用于发射信号的无人机相对目标的发射导向矢量和第n架用于接收信号的无人机相对目标的接收导向矢量，且三者的表达式分别为

和

符号(·)^T表示转置，f_mn为目标相对于第m架用于发射信号的无人机及第n架用于接收信号的无人机的归一化多普勒频率，θ_t,m为第m架用于发射信号的无人机的发射信号角度，θ_r,n为第n架用于接收信号的无人机的接收信号角度；

所述步骤1中，发射信号的无人机数量为M、接收信号的无人机数量为N、每架发射信号的无人机含有的阵元天线数为M_m，m＝1,2,…,M，每架发射信号的无人机均发射K个脉冲，每架接收信号的无人机含有的阵元天线数为N_n，n＝1,2,…,N，待检测数据为X_mn，m＝1,2,…,M，n＝1,2,…,N，X_mn的维数为KM_mN_n×W，W为目标扩展维数，训练样本为y_mnl，l＝1,2,…,L_mn，L_mn为对应于第m架发射信号无人机及第n架接收信号无人机的训练样本数。

具体而言，所述步骤2中，构造的归一化协方差矩阵的估计值

通过下述方式得到：

设置初始值：

当i＝0,1,…,I时，进行下述迭代：

其中，符号(·)^H表示共轭转置，(·)^-1表示矩阵的逆，tr(·)表示矩阵的迹，标量

和

上标中的i+1表示第i+1次迭代，I为总的迭代次数，当满足下列两种条件之一时，迭代过程终止：

条件1：I＞10

条件2：

符号||·||为矩阵Frobenius范数；迭代终止时，记

具体而言，所述步骤3中，构造的子检测统计量为：

具体而言，所述步骤4中，所构造的最终检测统计量为：

具体而言，所述步骤5中，所述检测门限为：

η＝t(n_*)

其中，

Q为蒙特卡洛仿真次数，κ为系统的虚警概率值，

为取整操作，t(i)为序列

由大到小排列第i个最大值；其中，

s_mn表示s_mn(θ_t,m,θ_r,n,f_mn)的简写，即

X_mn(k)为仅含噪声分量的待检测数据矩阵的第k次实现，

通过下述方式得到：

设置初始值：

当i＝0,1,…,I时，进行下述迭代：

标量

和

上标中的i+1表示第i+1次迭代，I为总的迭代次数，当满足下列两种条件之一时，迭代过程终止：

条件1：I＞10

条件2：

符号||·||为矩阵Frobenius范数；迭代终止时，记

y_mnl(k)为第l个训练样本数据的第k次实现，k＝1,2,…,Q。

具体而言，所述步骤6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t大于检测门限η，则判决目标存在，反之则判决目标不存在。

请参阅图2所示，本发明提供了非均匀环境中分布式无人机载雷达扩展目标检测系统，包含：

数据构造模块，用以构造待检测数据、训练样本数据和信号导向矢量；

归一化协方差矩阵估计模块，用于利用所述训练样本构造归一化协方差矩阵的估计值；

子检测统计量构造模块，用以利用所述待检测数据、归一化协方差矩阵的估计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最终的检测统计量；

检测门限确定模块，用以利用所述最终的检测统计量和虚警概率确定检测门限；

目标判决模块，用以比较最终的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。τ_mn和τ_mnl被建模为形状参数和尺度参数分别为α和β的伽马随机变量，即τ_mn和τ_mnl的概率密度函数为

其中，Γ(α)为伽马函数，相应的信杂噪比定义为

为简化计算，令M₁＝M₂＝…＝M_M＝2，N₁＝N₂＝…＝N_N＝2，W＝4，K＝2，α＝0.5，β＝0.5，训练样本数均为L＝10，虚警概率被设置为0.001。

从图中可以看出，本发明所提方法相比单部无人机归一化广义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 (7)

1.非均匀环境中分布式无人机载雷达扩展目标检测器，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，利用所述训练样本构造归一化协方差矩阵的估计值；

步骤3，利用所述待检测数据、信号导向矢量、归一化协方差矩阵的估计值构造子检测统计量；

步骤4，利用所述子检测统计量构造最终的检测统计量；

步骤5，利用所述最终的检测统计量和虚警概率确定检测门限；

步骤6，比较所述最终的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；

所述步骤1中，信号导向矢量s_mn(θ_t,m,θ_r,n,f_mn)具有下式所示结构：

符号

表示Kronecker积，s_D(f_mn)、s_T(θ_t,m)和s_R(θ_r,n)分别为目标的多普勒导向矢量、第m架用于发射信号的无人机相对目标的发射导向矢量和第n架用于接收信号的无人机相对目标的接收导向矢量，且三者的表达式分别为

和

符号(·)^T表示转置，f_mn为目标相对于第m架用于发射信号的无人机及第n架用于接收信号的无人机的归一化多普勒频率，θ_t,m为第m架用于发射信号的无人机的发射信号角度，θ_r,n为第n架用于接收信号的无人机的接收信号角度；

所述步骤1中，发射信号的无人机数量为M、接收信号的无人机数量为N、每架发射信号的无人机含有的阵元天线数为M_m，m＝1,2,…,M，每架发射信号的无人机均发射K个脉冲，每架接收信号的无人机含有的阵元天线数为N_n，n＝1,2,…,N，待检测数据为X_mn，m＝1,2,…,M，n＝1,2,…,N，X_mn的维数为KM_mN_n×W，W为目标扩展维数，训练样本为y_mnl，l＝1,2,…,L_mn，L_mn为对应于第m架发射信号无人机及第n架接收信号无人机的训练样本数。

2.根据权利要求1所述的非均匀环境中分布式无人机载雷达扩展目标检测器，其特征在于，所述步骤2中，构造的归一化协方差矩阵的估计值

通过下述迭代方式得到：

设置初始值：

当i＝0,1,…,I时，进行下述迭代：

其中，符号(·)^H表示共轭转置，(·)^-1表示矩阵的逆，tr(·)表示矩阵的迹，标量

和

上标中的i+1表示第i+1次迭代，I为总的迭代次数，当满足下列两种条件之一时，迭代过程终止：

条件1：I＞10

条件2：

符号||·||为矩阵Frobenius范数；迭代终止时，记

3.根据权利要求2所述的非均匀环境中分布式无人机载雷达扩展目标检测器，其特征在于，所述步骤3中，构造的子检测统计量为：

4.根据权利要求3所述的非均匀环境中分布式无人机载雷达扩展目标检测器，其特征在于，所述步骤4中，所构造的最终检测统计量为：

5.根据权利要求4所述的非均匀环境中分布式无人机载雷达扩展目标检测器，其特征在于，所述步骤5中，所述检测门限为：

η＝t(n_*)

其中，

Q为蒙特卡洛仿真次数，κ为系统的虚警概率值，

为取整操作，t(i)为序列

由大到小排列第i个最大值；其中，

s_mn表示s_mn(θ_t,m,θ_r,n,f_mn)的简写，即s_mn＝s_mn(θ_t,m,θ_r,n,f_m)_n，X_mn(k)为仅含噪声分量的待检测数据矩阵的第k次实现，

通过下述方式得到：

设置初始值：

当i＝0,1,,I时，进行下述迭代：

标量

和

上标中的i+1表示第i+1次迭代，I为总的迭代次数，当满足下列两种条件之一时，迭代过程终止：

条件1：I＞10

条件2：

符号·为矩阵Frobenius范数；迭代终止时，记

y_mnl(k)为第l个训练样本数据的第k次实现，k＝1,2,,Q。

6.根据权利要求5所述的非均匀环境中分布式无人机载雷达扩展目标检测器，其特征在于，所述步骤6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t大于检测门限η，则判决目标存在，反之则判决目标不存在。

7.根据权利要求1-6任一权利要求所述的非均匀环境中分布式无人机载雷达扩展目标检测器的系统，其特征在于，包含：

数据构造模块，用以构造待检测数据、训练样本数据和信号导向矢量；

归一化协方差矩阵估计模块，用于利用所述训练样本构造归一化协方差矩阵的估计值；

子检测统计量构造模块，用以利用所述待检测数据、归一化协方差矩阵的估计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最终的检测统计量；

检测门限确定模块，用以利用所述最终的检测统计量和虚警概率确定检测门限；

目标判决模块，用以比较最终的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。

Images