CN117761633A - 一种基于加权平滑矩阵cfar的海面弱目标检测方法及装置 - Google Patents
一种基于加权平滑矩阵cfar的海面弱目标检测方法及装置 Download PDFInfo
- Publication number
- CN117761633A CN117761633A CN202311775438.2A CN202311775438A CN117761633A CN 117761633 A CN117761633 A CN 117761633A CN 202311775438 A CN202311775438 A CN 202311775438A CN 117761633 A CN117761633 A CN 117761633A
- Authority
- CN
- China
- Prior art keywords
- unit
- matrix
- detected
- correlation matrix
- distance
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 135
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000009499 grossing Methods 0.000 title claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000004260 weight control Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 23
- 238000004088 simulation Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于加权平滑矩阵CFAR的海面弱目标检测方法及装置，方法包括：获取包括若干距离单元的雷达回波数据；利用雷达回波数据计算每个距离单元的相关矩阵，得到若干相关矩阵；将相关矩阵的最大特征值代入预设高斯核函数中计算每个距离单元的权系数，并对所有权系数进行归一化，得到若干归一化的权系数；利用若干归一化的权系数对每个距离单元的相关矩阵进行加权，得到若干加权后的相关矩阵；利用每个加权后的相关矩阵的最大特征值计算待检测单元相对于若干参考单元的检验统计量；比较检验统计量与判决门限的大小关系，得到检测结果。该方法对于信杂比较低的弱目标也有着较好的检测性能，而且可以很好的减弱非均匀杂波或异常干扰的影响。
Description
技术领域
本发明属于雷达检测技术领域，具体涉及一种基于加权平滑矩阵CFAR的海面弱目标检测方法及装置。
背景技术
在雷达检测问题，特别是对海面目标检测的研究中，如何在短脉冲序列以及强海杂波干扰下对海面弱目标的检测是一个关键问题，此外随着雷达的检测分辨力不断提升，海杂波通常呈现出非平稳、非均匀与非高斯特性，并且传统自适应检测技术并未充分使用回波的相关性，以及利用短脉冲序列估计杂波协方差矩阵估计不准确的问题会导致其检测性能严重下降。如何提高雷达在低信杂比杂波背景下和存在干扰背景下的检测性能有着重要的研究意义。
近些年来，针对上述目标检测问题，常用的方法是以信息几何的统计流形为基础，利用流形的几何结构另辟蹊径的解决雷达目标检测问题，通过判断流形上点的相似性来进行最终的检验判决。但这类检测方法大多数情况需要估计流形的均值矩阵，具有较高的算法复杂度，不能满足实际应用的需要，为解决该问题，相关学者提出了基于最大特征值的矩阵CFAR检测方法，取得了较为不错的检测性能。
传统基于最大特征值的矩阵CFAR方法，直接对原始数据进行求取相关矩阵，进而求得最大特征值，在较低信杂比时检测性能会显著下降，此外由于原方法的门限值与参考单元最大特征值的算数平均值有关，此种方式非常容易受非均匀杂波或异常干扰的影响。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于加权平滑矩阵CFAR的海面弱目标检测方法及装置。本发明要解决的技术问题通过以下技术方案实现：
本发明实施例提供了一种基于加权平滑矩阵CFAR的海面弱目标检测方法，包括步骤：
获取包括若干距离单元的雷达回波数据，其中，所述若干距离单元由待检测单元和所述待检测单元两侧的若干参考单元形成；
利用所述雷达回波数据计算每个所述距离单元的相关矩阵，得到若干相关矩阵；
将所述相关矩阵的最大特征值代入预设高斯核函数中计算每个所述距离单元的权系数，并对所有所述权系数进行归一化，得到若干归一化的权系数；
利用所述若干归一化的权系数对每个所述距离单元的相关矩阵进行加权，得到若干加权后的相关矩阵；
利用每个所述加权后的相关矩阵的最大特征值计算所述待检测单元相对于所述若干参考单元的检验统计量；
比较所述检验统计量与判决门限的大小关系，并根据比较结果判断所述待检测单元是否存在目标，得到检测结果。
在本发明的一个实施例中，所述雷达回波数据表示为：
X＝[X1，X2，...Xm，...，XK-1，XK]
其中，Xm为具有N维数据的待检测单元，X1，X2，...，Xm-1，Xm+1...，XK为具有由杂波构成N维数据的K个参考单元，X1，X2，...Xm-1的数量为K/2个，Xm+1，...，XK-1，XK的数量为K/2个，N为一个相干处理间隔内的脉冲数。
在本发明的一个实施例中，每个所述距离单元的相关矩阵的计算公式为：
其中，Cl为第l个距离单元Xl的相关矩阵，l＝1，...，m，...K，为r的复共轭，r为第l个距离单元的相关系数；
第l个距离单元的相关系数r的计算公式为：
其中，i＝0，…，N-1，为x的复共轭，x为第l个距离单元的N×1维数据。
在本发明的一个实施例中，将所述相关矩阵的最大特征值代入预设高斯核函数中计算每个所述距离单元的权系数，并对所有所述权系数进行归一化，得到若干归一化的权系数，包括：
对所述若干相关矩阵分别进行特征分解，由特征分解的对角矩阵确定每个所述距离单元的最大特征值，其中，特征分解公式为：
其中，Ul为由特征向量组成的特征矩阵，Λl为由特征值组成的对角矩阵；
对基于最大特征的矩阵CFAR检测算法的原始高斯核函数进行改进，得到所述预设高斯核函数；
将所述最大特征值代入所述预设高斯核函数中，计算得到所有距离单元的权系数；
对所有所述距离单元的权系数进行归一化，得到若干归一化的权系数，其中，归一化的计算公式为：
其中，wl＝w1…wK，wm，l＝1，...，m，...K，wm为待检测单元的权系数，w1…wk为K个参考单元的权系数。
在本发明的一个实施例中，所述预设高斯核函数为：
其中，w(Ck，Cm)为第k个参考单元的权系数，λm为待检单元相关矩阵的最大特征值，λk为第k个参考单元相关矩阵的最大特征值，h为权值控制系数；
所述待检测单元的权系数为：wm＝w(Cm，Cm)＝1。
在本发明的一个实施例中，加权后的相关矩阵为：
其中，w′K+1为待检测单元归一化的权系数，w′j为第j个参考单元的权系数，Cj为第j个参考单元的相关矩阵，Cl为第l个距离单元的相关矩阵，l＝1，...，m，...K。
在本发明的一个实施例中，利用每个所述加权后的相关矩阵的最大特征值计算所述待检测单元相对于所述若干参考单元的检验统计量，包括：
对每个所述加权后的相关矩阵进行特征分解，由特征分解的对角矩阵确定每个所述加权后的相关矩阵的最大特征值；
利用每个所述加权后的相关矩阵的最大特征值计算所述待检测单元相对于所述若干参考单元的检验统计量：
其中，λmw为待检测单元的最大特征值，λjw为参考单元的最大特征值。
在本发明的一个实施例中，比较所述检验统计量与判决门限的大小关系，并根据比较结果判断所述待检测单元是否存在目标，得到检测结果，包括：
比较所述检验统计量与判决门限的大小关系：
其中，ξ为检验统计量，γ为判决门限，H1为待检测单元存在目标，H0为待检测单元不存在目标；
当所述比较结果为所述检验统计量大于所述判决门限时，则所述检测结果为所述待检测单元中存在目标，当所述比较结果为所述检验统计量小于所述判决门限时，则所述检测结果为所述待检测单元中不存在目标。
在本发明的一个实施例中，所述判决门限由100/Pfa次独立的蒙特卡洛试验确定，其中，Pfa为恒虚警率。
本发明的另一实施例提供了一种基于加权平滑矩阵CFAR的海面弱目标检测装置，包括：
回波数据获取单元，用于获取包括若干距离单元的雷达回波数据，其中，所述若干距离单元由待检测单元和所述待检测单元两侧的若干参考单元形成；
相关矩阵计算单元，用于利用所述雷达回波数据计算每个所述距离单元的相关矩阵，得到若干相关矩阵；
权系数计算单元，用于将所述相关矩阵的最大特征值代入预设高斯核函数中计算每个所述距离单元的权系数，并对所有所述权系数进行归一化，得到若干归一化的权系数；
相关矩阵加权单元，用于利用所述若干归一化的权系数对每个所述距离单元的相关矩阵进行加权，得到若干加权后的相关矩阵；
检验统计量计算单元，用于利用每个所述加权后的相关矩阵的最大特征值计算所述待检测单元相对于所述若干参考单元的检验统计量；
检测结果判断单元，用于比较所述检验统计量与判决门限的大小关系，并根据比较结果判断所述待检测单元是否存在目标，得到检测结果。
与现有技术相比，本发明的有益效果：
本发明的检测方法在计算加权后的相关矩阵的最大特征值之前，利用预设高斯核函数和相关矩阵的最大特征值来计算权系数并进行归一化处理，并利用归一化的权系数对每个距离单元的相关矩阵进行加权处理，在一定程度上可以抑制杂波，对于信杂比较低的弱目标也有着较好的检测性能，而且可以很好的减弱非均匀杂波或异常干扰的影响，鲁棒性更强，在干扰条件下有着更好的检测性能，更贴合于实际海面目标检测的情况，更有利于实际应用。
附图说明
图1为本发明实施例提供的一种基于加权平滑矩阵CFAR的海面弱目标检测方法的流程示意图；
图2为本发明实施例提供的另一种基于加权平滑矩阵CFAR的海面弱目标检测方法的流程示意图；
图3为原始高斯核函数K的函数图像；
图4为本发明实施例提供的仿真1中脉冲数在仿真数据下对检测性能的影响示意图；
图5为本发明实施例提供的仿真2中脉冲数在仿真数据下对检测性能的影响示意图；
图6为本发明实施例提供的仿真3中干扰在仿真数据下对检测性能的影响示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1和图2，图1为本发明实施例提供的一种基于加权平滑矩阵CFAR的海面弱目标检测方法的流程示意图，图2为本发明实施例提供的另一种基于加权平滑矩阵CFAR的海面弱目标检测方法的流程示意图。该基于加权平滑矩阵CFAR的海面弱目标检测方法解决了传统基于最大特征值的矩阵CFAR检测技术对海面弱目标检测性能差，以及在干扰环境中检测性能退化严重的问题，包括步骤：
S1、获取包括若干距离单元的雷达回波数据，其中，若干距离单元由待检测单元和待检测单元两侧的若干参考单元形成。
具体的，雷达回波数据表示为：
X＝[X1，X2，...Xm，...，XK-1，XK]
其中，Xm为具有N维数据的待检测单元，X1，X2，...，Xm-1，Xm+1...，XK为具有由杂波构成N维数据的K个参考单元，X1，X2，...Xm-1的数量为K/2个，Xm+1，…，XK-1，XK的数量为K/2个，N为一个相干处理间隔内的脉冲数。
S2、利用雷达回波数据计算每个距离单元的相关矩阵，得到若干相关矩阵。
具体的，利用雷达回波数据分别求得每一个距离单元所对应的相关矩阵。设Cl为第l个距离单元Xl的相关矩阵，则Cl计算公式为：
其中，Cl为第l个距离单元Xl的相关矩阵，l＝1，...，m，...K，为r的复共轭，r为第l个距离单元的相关系数。
其中，i＝0，...，N-1，为x的复共轭，x为第l个距离单元的N×1维数据。
S3、将相关矩阵的最大特征值代入预设高斯核函数中计算每个距离单元的权系数，并对所有权系数进行归一化，得到若干归一化的权系数。具体包括步骤：
S31、对若干相关矩阵分别进行特征分解，由特征分解的对角矩阵确定每个距离单元的最大特征值。
具体的，对第l个距离单元的相关矩阵进行特征分解的公式为：
其中，Ul为由特征向量组成的特征矩阵，Λl为由特征值组成的对角矩阵，Λl中值最大的特征值即为第l个距离单元的最大特征值。
可以理解，对每个距离单元的相关矩阵进行特征分解得到每个距离单元的最大特征值。假定待检测单元为第m个距离单元对应的相关矩阵为Cm，Cm左右两侧各具有个参考单元，共K个参考单元，K个参考单元对应的相关矩阵分别为C1…CK。对待检测单元的相关矩阵为Cm和K个参考单元的相关矩阵分别为C1…CK进行特征分解，得到待检测单元和K个参考单元的最大特征值为{λm，λ1，…，λK}。
S32、对基于最大特征的矩阵CFAR检测算法的原始高斯核函数进行改进，得到预设高斯核函数。
具体的，对于基于最大特征的矩阵CFAR检测算法，由于其检验统计量是一种比值的定义形式，原始高斯核函数为：
其中，||x-x′||为向量x和向量x′的欧氏距离。
请参见图3，图3为原始高斯核函数K的函数图像。图3中，因为原始核函数对数据变化感知非常敏感，而有无目标，最大特征值往往存在量级差异，所以即使两个距离单元都为纯杂波，它们往往最大特征值所属同一量级，但是数值有些许差异，而这些差异极易引起权系数的剧烈变化，即仅依靠数值差异难以很好的确定合理的权系数，因此，原始高斯核函数不再适用于基于最大特征值的检测器。
本实施例针对基于最大特征的矩阵CFAR检测算法，设计了改进后的预设高斯核函数如下：
其中，w(Ck，Cm)为第k个参考单元的权系数，λm为待检单元相关矩阵的最大特征值，λk为第k个参考单元相关矩阵的最大特征值，h为权值控制系数，h越小则参考单元对于待检单元的影响越小，权系数越小。
进一步，本实施例对上述预设高斯核函数的合理性进行如下说明。
假设λm≥λk并令t＝λm/λk，λm为待检测单元的最大特征值，λk为第k个参考单元的最大特征值。
将t＝λm/λk代入预设高斯核函数中可得：
其中，Ck为第k个参考单元的相关矩阵。
接着对t求偏导可得：
所以W(Ck,Cm)是关于t的单调减函数，又因为t≥1，所以权系数Ck在t＝1即λm＝λk取得最大值1，表示两个矩阵相似性相同，且权系数的计算还应满足交换律，即对于任意两个矩阵A,B：
W(A,B)＝W(B,A)
上式表示矩阵A对于矩阵B的加权的权系数，应该与矩阵B对于矩阵A的加权的权系数相同，显然本实施例提出的预设高斯核函数满足这一关系。综上，所提出的权系数计算公式是合理的。
S33、将最大特征值代入预设高斯核函数中，计算得到所有距离单元的权系数。
具体的，利用预设高斯核函数求得K个参考单元的权系数分别为{w1…wK}，待检测单元的权系数wm＝w(Cm，Cm)＝1，共得到K+1个权系数。
S44、对所有距离单元的权系数进行归一化，得到若干归一化的权系数。
具体的，对K+1个权系数进行归一化：
其中，wl＝w1…wK，wm，l＝1，...，m，...K，wm为待检测单元的权系数，w1…wK为K个参考单元的权系数。
S4、利用若干归一化的权系数对每个距离单元的相关矩阵进行加权，得到若干加权后的相关矩阵。
具体的，由步骤S3计算得到各个参考单元相对于待检单元的权值，则利用这些权值对每个距离单元的相关矩阵进行加权，得到若干加权后的相关矩阵，加权后的相关矩阵包括待检测单元加权后的相关矩阵和若干参考单元加权后的相关矩阵，公式表示为：
其中，w′K+1为待检测单元归一化的权系数，w′j为第j个参考单元的权系数，Cj为第j个参考单元的相关矩阵，Cl为第l个距离单元的相关矩阵(包括待检测单元的相关矩阵和若干参考单元的)，l＝1，...，m，...K。
可以理解，利用步骤S2-S4对回波数据每个距离单元进行预处理，对每个距离单元的数据可以用周围K个单元进行预处理，得到平滑后的数据即若干加权后的相关矩阵。若干加权后的相关矩阵为：
{C1w，…，CKw，Cmw}
其中Cmw为待检单元加权后的相关矩阵，C1w，…，CKw为K个参考单元加权后的相关矩阵。
本实施例中，若舍弃待检测单元仅用参考单元进行加权会导致待检单元信息的缺失，因此为了充分利用回波信息，将当前待检测单元和参考单元一起纳入到对于待检测单元进行加权。
S5、利用每个加权后的相关矩阵的最大特征值计算待检测单元相对于若干参考单元的检验统计量。
首先，对待检单元加权后的相关矩阵进行特征分解其中。Umw是待检单元加权后相关矩阵的特征矩阵，该特征矩阵由特征向量组成，Λmw是由特征值组成的对角矩阵，λmw为待检测单元的最大特征值。并重复上述步骤得到各个参考单元加权后的相关矩阵的最大特征值{λ1w，…，λKw}。
然后，利用待检测单元的最大特征值和各个参考单元的最大特征值计算待检测单元相对于若干参考单元的检验统计量：
其中，λmw为待检测单元的最大特征值，λjw为参考单元的最大特征值。
S6、比较检验统计量与判决门限的大小关系，并根据比较结果判断待检测单元是否存在目标，得到检测结果。
具体的，计算出检验统计量后，比较其与决判门限值的大小关系：
其中，ξ为检验统计量，γ为判决门限，H1为待检测单元存在目标，H0为待检测单元不存在目标。在一个具体实施例中，判决门限由100/Pfa次独立的蒙特卡洛试验确定，其中，Pfa为恒虚警率。
当比较结果为检验统计量ξ大于判决门限γ时，则H1假设成立，检测结果为待检测单元中存在目标，当比较结果为检验统计量小于判决门限时，则H0假设成立，检测结果为待检测单元中不存在目标。
进一步，本实施例对上述基于加权平滑矩阵CFAR的海面弱目标检测方法进行仿真验证。
仿真1，采用复合高斯模型的仿真数据来验证算法的正确性和有效性，其中，使用复合高斯模型的海杂波仿真数据在调节因子h＝2。
请参见图4，图4为本发明实施例提供的仿真1中脉冲数在仿真数据下对检测性能的影响示意图。图4以Pfa＝10-3的虚警概率分别对比了不同脉冲数下传统方法和本发明方法之间检测性能的优劣，对比可以发现，随着脉冲数的增多两种方法的检测性能都有所提升，提升约为1db左右，但本发明方法都优于传统方法；并且通过图4可以看出，在8脉冲条件下本发明方法的检测性能要优于传统方法32脉冲的检测性能，约提升4db，说明本发明方法在数据量较小时，仍有着较为不错的检测性能。
仿真2，使用南非CSIR的X波段Fynmeet雷达观测的编号为TFA17_014的实测数据在调节因子h＝2的条件下对检测器性能进行评价对比。
请参见图5，图5为本发明实施例提供的仿真2中脉冲数在仿真数据下对检测性能的影响示意图。图5同样以Pfa＝10-3的虚警概率对比了不同脉冲数下传统方法和本发明方法之间检测性能的优劣，与仿真数据类似，即使在实测数据的场景下，本发明方法仍然在较小数据量的条件下，有着较好的检测性能，无论是实用性还是有效性都优于传统方法。
仿真3，在脉冲数为N＝8，引入3db的干扰信号条件下，在南非CSIR的X波段Fynmeet雷达观测的编号为TFA17_014的实测数据下对检测器性能进行评价对比。
请参见图6，图6为本发明实施例提供的仿真3中干扰在仿真数据下对检测性能的影响示意图。图6以Pfa＝10-3的虚警概率，在实测数据下充分考虑外界可能存在的干扰，引入了3db的干扰信号，可以看到传统方法由于干扰信号的影响检测性能下降约2db，但是本发明方法由于利用相邻单元进行加权减弱了异常信号带来的影响，检测性能非但没有下降，还略有0.5db左右的提升，这对于该算法实际应用于雷达对海探测是非常关键的。
本发明的检测方法在计算加权后的相关矩阵的最大特征值之前，利用预设高斯核函数和相关矩阵的最大特征值来计算权系数并进行归一化处理，并利用归一化的权系数对每个距离单元的相关矩阵进行加权处理，在一定程度上可以抑制杂波，对于信杂比较低的弱目标也有着较好的检测性能，而且可以很好的减弱非均匀杂波或异常干扰的影响，鲁棒性更强，在干扰条件下有着更好的检测性能，更贴合于实际海面目标检测的情况，更有利于实际应用。
实施例二
本实施例提供了一种基于加权平滑矩阵CFAR的海面弱目标检测装置。该装置包括：
回波数据获取单元，用于获取包括若干距离单元的雷达回波数据，其中，若干距离单元由待检测单元和待检测单元两侧的若干参考单元形成。
相关矩阵计算单元，用于利用雷达回波数据计算每个距离单元的相关矩阵，得到若干相关矩阵。
权系数计算单元，用于将相关矩阵的最大特征值代入预设高斯核函数中计算每个距离单元的权系数，并对所有权系数进行归一化，得到若干归一化的权系数。
相关矩阵加权单元，用于利用若干归一化的权系数对每个距离单元的相关矩阵进行加权，得到若干加权后的相关矩阵。
检验统计量计算单元，用于利用每个加权后的相关矩阵的最大特征值计算待检测单元相对于若干参考单元的检验统计量。
检测结果判断单元，用于比较检验统计量与判决门限的大小关系，并根据比较结果判断待检测单元是否存在目标，得到检测结果。
本实施例装置的具体实现方式及可达到的有益效果请参见实施例一，本实施例不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于加权平滑矩阵CFAR的海面弱目标检测方法，其特征在于，包括步骤：
获取包括若干距离单元的雷达回波数据，其中，所述若干距离单元由待检测单元和所述待检测单元两侧的若干参考单元形成；
利用所述雷达回波数据计算每个所述距离单元的相关矩阵，得到若干相关矩阵；
将所述相关矩阵的最大特征值代入预设高斯核函数中计算每个所述距离单元的权系数，并对所有所述权系数进行归一化，得到若干归一化的权系数；
利用所述若干归一化的权系数对每个所述距离单元的相关矩阵进行加权，得到若干加权后的相关矩阵；
利用每个所述加权后的相关矩阵的最大特征值计算所述待检测单元相对于所述若干参考单元的检验统计量；
比较所述检验统计量与判决门限的大小关系，并根据比较结果判断所述待检测单元是否存在目标，得到检测结果。
2.根据权利要求1所述的基于加权平滑矩阵CFAR的海面弱目标检测方法，其特征在于，所述雷达回波数据表示为：
X＝[X1，X2，...Xm，...，XK-1，XK]
其中，Xm为具有N维数据的待检测单元，X1，X2，...，Xm-1，Xm+1...，XK为具有由杂波构成N维数据的K个参考单元，X1，X2，...Xm-1的数量为K/2个，Xm+1，…，XK-1，XK的数量为K/2个，N为一个相干处理间隔内的脉冲数。
3.根据权利要求1所述的基于加权平滑矩阵CFAR的海面弱目标检测方法，其特征在于，每个所述距离单元的相关矩阵的计算公式为：
其中，Cl为第l个距离单元Xl的相关矩阵，l＝1，…，m，...K，为r的复共轭，r为第l个距离单元的相关系数；
第l个距离单元的相关系数r的计算公式为：
其中，i＝0，...，N-1，为x的复共轭，x为第l个距离单元的N×1维数据。
4.根据权利要求1所述的基于加权平滑矩阵CFAR的海面弱目标检测方法，其特征在于，将所述相关矩阵的最大特征值代入预设高斯核函数中计算每个所述距离单元的权系数，并对所有所述权系数进行归一化，得到若干归一化的权系数，包括：
对所述若干相关矩阵分别进行特征分解，由特征分解的对角矩阵确定每个所述距离单元的最大特征值，其中，特征分解公式为：
其中，Ul为由特征向量组成的特征矩阵，Λl为由特征值组成的对角矩阵；
对基于最大特征的矩阵CFAR检测算法的原始高斯核函数进行改进，得到所述预设高斯核函数；
将所述最大特征值代入所述预设高斯核函数中，计算得到所有距离单元的权系数；
对所有所述距离单元的权系数进行归一化，得到若干归一化的权系数，其中，归一化的计算公式为：
其中，wl＝w1…wK，wm，l＝1，...，m，...K，wm为待检测单元的权系数，w1…wK为K个参考单元的权系数。
5.根据权利要求1或4所述的基于加权平滑矩阵CFAR的海面弱目标检测方法，其特征在于，所述预设高斯核函数为：
其中，w(Ck，Cm)为第k个参考单元的权系数，λm为待检单元相关矩阵的最大特征值，λk为第k个参考单元相关矩阵的最大特征值，h为权值控制系数；
所述待检测单元的权系数为：wm＝w(Cm，Cm)＝1。
6.根据权利要求1所述的基于加权平滑矩阵CFAR的海面弱目标检测方法，其特征在于，加权后的相关矩阵为：
其中，w′K+1为待检测单元归一化的权系数，w′j为第j个参考单元的权系数，Cj为第j个参考单元的相关矩阵，Cl为第l个距离单元的相关矩阵，l＝1，...，m，...K。
7.根据权利要求1所述的基于加权平滑矩阵CFAR的海面弱目标检测方法，其特征在于，利用每个所述加权后的相关矩阵的最大特征值计算所述待检测单元相对于所述若干参考单元的检验统计量，包括：
对每个所述加权后的相关矩阵进行特征分解，由特征分解的对角矩阵确定每个所述加权后的相关矩阵的最大特征值；
利用每个所述加权后的相关矩阵的最大特征值计算所述待检测单元相对于所述若干参考单元的检验统计量：
其中，λmw为待检测单元的最大特征值，λjw为参考单元的最大特征值。
8.根据权利要求1所述的基于加权平滑矩阵CFAR的海面弱目标检测方法，其特征在于，比较所述检验统计量与判决门限的大小关系，并根据比较结果判断所述待检测单元是否存在目标，得到检测结果，包括：
比较所述检验统计量与判决门限的大小关系：
其中，ξ为检验统计量，γ为判决门限，H1为待检测单元存在目标，H0为待检测单元不存在目标；
当所述比较结果为所述检验统计量大于所述判决门限时，则所述检测结果为所述待检测单元中存在目标，当所述比较结果为所述检验统计量小于所述判决门限时，则所述检测结果为所述待检测单元中不存在目标。
9.根据权利要求1所述的基于加权平滑矩阵CFAR的海面弱目标检测方法，其特征在于，所述判决门限由100/Pfa次独立的蒙特卡洛试验确定，其中，Pfa为恒虚警率。
10.一种基于加权平滑矩阵CFAR的海面弱目标检测装置，其特征在于，包括：
回波数据获取单元，用于获取包括若干距离单元的雷达回波数据，其中，所述若干距离单元由待检测单元和所述待检测单元两侧的若干参考单元形成；
相关矩阵计算单元，用于利用所述雷达回波数据计算每个所述距离单元的相关矩阵，得到若干相关矩阵；
权系数计算单元，用于将所述相关矩阵的最大特征值代入预设高斯核函数中计算每个所述距离单元的权系数，并对所有所述权系数进行归一化，得到若干归一化的权系数；
相关矩阵加权单元，用于利用所述若干归一化的权系数对每个所述距离单元的相关矩阵进行加权，得到若干加权后的相关矩阵；
检验统计量计算单元，用于利用每个所述加权后的相关矩阵的最大特征值计算所述待检测单元相对于所述若干参考单元的检验统计量；
检测结果判断单元，用于比较所述检验统计量与判决门限的大小关系，并根据比较结果判断所述待检测单元是否存在目标，得到检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311775438.2A CN117761633A (zh) | 2023-12-21 | 2023-12-21 | 一种基于加权平滑矩阵cfar的海面弱目标检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311775438.2A CN117761633A (zh) | 2023-12-21 | 2023-12-21 | 一种基于加权平滑矩阵cfar的海面弱目标检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117761633A true CN117761633A (zh) | 2024-03-26 |
Family
ID=90311827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311775438.2A Pending CN117761633A (zh) | 2023-12-21 | 2023-12-21 | 一种基于加权平滑矩阵cfar的海面弱目标检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117761633A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118330600A (zh) * | 2024-06-14 | 2024-07-12 | 南京隼眼电子科技有限公司 | 一种雷达恒虚警检测方法、装置、雷达、介质及产品 |
-
2023
- 2023-12-21 CN CN202311775438.2A patent/CN117761633A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118330600A (zh) * | 2024-06-14 | 2024-07-12 | 南京隼眼电子科技有限公司 | 一种雷达恒虚警检测方法、装置、雷达、介质及产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
| CN109143195B (zh) | 一种基于全kl散度的雷达目标检测方法 | |
| CN117761633A (zh) | 一种基于加权平滑矩阵cfar的海面弱目标检测方法及装置 | |
| CN109031277B (zh) | 一种穿墙雷达多目标图像域稳健跟踪方法 | |
| CN108919224B (zh) | 基于斜对称结构的宽带雷达目标自适应融合检测方法 | |
| CN106019256B (zh) | 基于自回归模型的雷达信号自适应检测方法 | |
| CN110632571B (zh) | 一种基于矩阵流形的稳健stap协方差矩阵估计方法 | |
| CN111157953B (zh) | 一种强地杂波下两级门限恒虚警检测算法 | |
| CN106872958A (zh) | 基于线性融合的雷达目标自适应检测方法 | |
| CN107942324B (zh) | 基于多普勒引导的多帧联合小目标双重检测方法 | |
| CN115032623B (zh) | 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 | |
| CN107942308A (zh) | 复合高斯环境下基于伽玛纹理的自适应Rao检测方法 | |
| CN105445710A (zh) | 隐形雷达低截获概率性能评估方法 | |
| CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
| CN112965040A (zh) | 一种基于背景预筛选的自适应cfar目标检测方法 | |
| CN113484866B (zh) | 一种基于被动声呐方位历程图的多目标检测跟踪方法 | |
| CN102621535B (zh) | 一种高效的协方差矩阵结构估计方法 | |
| CN113093135B (zh) | 基于f范数归一化距离的目标检测方法及装置 | |
| CN110161479B (zh) | 基于信噪比信息的多站雷达信号级融合目标检测方法 | |
| CN110133641B (zh) | 一种尺度自适应的穿墙成像雷达目标跟踪方法 | |
| CN114859304B (zh) | 一种抗智能拖引干扰的数据互联方法 | |
| CN115856819A (zh) | 一种基于平稳高斯过程的雷达目标恒虚警检测方法 | |
| CN106019250A (zh) | 基于角闪烁转发式假目标鉴别方法 | |
| CN116203522A (zh) | 一种复杂电磁环境下四通道雷达单脉冲测角方法与系统 | |
| CN105738882B (zh) | 对实测杂波协方差矩阵估计性能的白化度评价方法 |
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 |