CN115902881A - 一种分布式无人机载雷达扩展目标检测方法与系统 - Google Patents

Abstract

本发明公开了一种分布式无人机载雷达扩展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、信号导向矢量和训练样本；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；利用子检测统计量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。本发明所设计方法利用分布式联合探测思想，降低了目标闪烁带来的不利影响，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，提升了对扩展目标的检测性能。

Description

一种分布式无人机载雷达扩展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扩展目标检测方法与系统。

背景技术

无人作战装备在近几场局部战争中大放异彩，无人作战力量正深刻影响和改变战争面貌。相较于有人装备，无人作战装备拥有无可比拟的优势，如极大减少人员伤亡、作战效费比高、隐蔽性能好等。

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。搭载雷达及光电探测设备的分布式机载雷达具有诸多探测优势。已有一些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 110412559 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。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。

此外，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，本发明提供一种分布式无人机载雷达扩展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扩展目标检测方法，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，利用所述子检测统计量构造最终的检测统计量；

步骤4，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5，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。

进一步地，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，所构造的子检测统计量为：

其中，符号(·)^H表示共轭转置，(.)^-1表示矩阵的逆，I_W为W×W维单位矩阵，

进一步地，所述步骤3中，所构造的最终检测统计量为：

进一步地，所述步骤4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_mn)，X_mn(k)为仅含噪声分量的待检测数据矩阵的第k次实现，I_W为W×W维单位矩阵，

y_mnl(k)为第l个训练样本数据的第k次实现，其中k＝1,2,…,Q。

进一步地，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，本发明提供一种分布式无人机载雷达扩展目标检测方法的系统，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；

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。

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t_mn，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，并利用连乘结构进一步积累了各子检测器的能量，最终达到提升检测性能的目的；

(4)通过对扩展目标的建模，避免了将扩展目标所占据的部分距离分辨单元选为训练样本所带来的目标相消，最终达到了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。为了体现对协方差矩阵估计的稳健特性，假设训练样本y_mnl的协方差矩阵也为R_mn。

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，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，Y_mn＝[y_mn1,y_mn2,…,y_mnL]为训练样本数据矩阵，f₁(X_mn,Y_mn)表示待检测数据X_mn和训练样本Y_mn在假设检验H₁下的联合概率密度函数，f₀(X_mn,Y_mn)表示待检测数据X_mn和训练样本Y_mn在假设检验H₀下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和R_mn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扩展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，利用所述子检测统计量构造最终的检测统计量；

步骤4，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5，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。

具体而言，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，所构造的子检测统计量为：

其中，符号(·)^H表示共轭转置，(·)^-1表示矩阵的逆，I_W为W×W维单位矩阵，

具体而言，所述步骤3中，所构造的最终检测统计量为：

具体而言，所述步骤4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_mn)，X_mn(k)为仅含噪声分量的待检测数据矩阵的第k次实现，

y_mnl(k)为第l个训练样本数据的第k次实现，其中k＝1,2,…,Q。

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，本发明提供了一种分布式无人机载雷达扩展目标检测方法的系统，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；

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。

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M₁＝M₂＝…＝M_M＝2，N₁＝N₂＝…＝N_N＝2，W＝5，K＝3，训练样本数均为L＝14，虚警概率被设置为0.001，信杂噪比定义为

从图中可以看出，本发明所提方法相比单基地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)

1.一种分布式无人机载雷达扩展目标检测方法，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，利用所述子检测统计量构造最终的检测统计量；

步骤4，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5，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。

2.根据权利要求1所述的一种分布式无人机载雷达扩展目标检测方法，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。

3.根据权利要求2所述的一种分布式无人机载雷达扩展目标检测方法，其特征在于，所述步骤2中，所构造的子检测统计量为：

其中，符号(·)^H表示共轭转置，(·)^-1表示矩阵的逆，I_W为W×W维单位矩阵，

为采样协方差矩阵。

4.根据权利要求3所述的一种分布式无人机载雷达扩展目标检测方法，其特征在于，所述步骤3中，所构造的最终检测统计量为：

5.根据权利要求4所述的一种分布式无人机载雷达扩展目标检测方法，其特征在于，所述步骤4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_mn)，X_mn(k)为仅含噪声分量的待检测数据矩阵的第k次实现，

y_mnl(k)为第l个训练样本数据的第k次实现，其中k＝1,2,…,Q。

6.根据权利要求5所述的一种分布式无人机载雷达扩展目标检测方法，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一种分布式无人机载雷达扩展目标检测方法的系统，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；

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