WO2021117078A1 - レーダ装置及び目標検出方法 - Google Patents

レーダ装置及び目標検出方法 Download PDF

Info

Publication number
WO2021117078A1
WO2021117078A1 PCT/JP2019/048003 JP2019048003W WO2021117078A1 WO 2021117078 A1 WO2021117078 A1 WO 2021117078A1 JP 2019048003 W JP2019048003 W JP 2019048003W WO 2021117078 A1 WO2021117078 A1 WO 2021117078A1
Authority
WO
WIPO (PCT)
Prior art keywords
unit
parameter
threshold
calculation unit
coefficient
Prior art date
Application number
PCT/JP2019/048003
Other languages
English (en)
French (fr)
Inventor
冬樹 福島
龍平 高橋
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2019/048003 priority Critical patent/WO2021117078A1/ja
Priority to JP2021562777A priority patent/JP7034396B2/ja
Publication of WO2021117078A1 publication Critical patent/WO2021117078A1/ja

Links

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
    • 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
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/32—Shaping echo pulse signals; Deriving non-pulse signals from echo pulse signals

Definitions

  • a radar device that determines the presence or absence of a target
  • the radar device determines, for example, the amplitude value of the cell of interest, which is the range bin of the target detection target, and the threshold value based on the false alarm probability of erroneously determining the target among the amplitude values of the plurality of range bins indicated by the range bin signal.
  • the comparison is performed, and the presence or absence of a target in the cell of interest is determined based on the result of comparison between the amplitude value of the cell of interest and the threshold value.
  • the threshold coefficient is calculated by performing Monte Carlo simulation using a plurality of pseudo-random numbers included in the pseudo-random number sequence of the K distribution, a small error is made.
  • a large number of pseudo-random numbers are required to generate a threshold based on the alarm probability. For example, in order to generate a threshold value based on a false alarm probability smaller than 0.0001, it is necessary to calculate a threshold coefficient at which a false alarm occurs once every 10,000 times or more. Therefore, a pseudo-random number used for Monte Carlo simulation. As a result, a pseudo-random number of 10,000 or more is required. Therefore, there is a problem that the threshold value based on the false alarm probability may not be generated unless a large number of pseudo-random numbers are prepared as a sample for generating the threshold value based on the false alarm probability.
  • FIG. 1 is a configuration diagram showing a radar device according to the first embodiment.
  • FIG. 2 is a hardware configuration diagram showing a part of the hardware of the radar device according to the first embodiment.
  • the transmitter 1 generates radio waves and outputs the generated radio waves to a transmission antenna 2 described later.
  • the transmitting antenna 2 radiates the radio wave output from the transmitter 1 into space toward the target.
  • Each of the receiving antennas 3-1 to 3-L receives the radio waves that are radiated from the transmitting antenna 2 and then reflected by either the target or the clutter and returned.
  • L is an integer of 2 or more.
  • the clutter corresponds to the sea surface, the ground, rain, etc.
  • the radio wave reception process includes band limiting processing of the radio wave received by the receiving antenna 3-l, phase detection processing of the radio wave, and the like.
  • the received signal of the radio wave is a complex signal and includes an in-phase component (hereinafter, referred to as “I component”) and an orthogonal component (hereinafter, referred to as “Q component”).
  • I component in-phase component
  • Q component orthogonal component
  • the A / D converter 6-l analogizes the I component and the Q component output from the receiver 5-l for each range bin whose unit is the distance resolution determined from the receiver bandwidth of the receiver 5-l.
  • the range bin signal generation unit 8 is realized by, for example, the amplitude detection circuit 42 shown in FIG.
  • the range bin signal generation unit 8 generates a range bin signal indicating the amplitude value of each of the plurality of range bins from the received beam formed by the beam forming unit 4.
  • the range bin signal generation unit 8 outputs the range bin signal to the clutter estimation unit 10 described later via the switch 9 described later, and outputs the range bin signal to the target detection unit 11 described later.
  • the opening and closing of the switch 9 is controlled by a manual operation by the user or a control signal (not shown).
  • the clutter estimation unit 10 is realized by, for example, the clutter estimation circuit 43 shown in FIG. When the switch 9 is closed, the clutter estimation unit 10 estimates a parameter indicating the characteristics of the clutter by using the range bin signal output from the range bin signal generation unit 8.
  • the parameters indicating the characteristics of the clutter include the shape parameter of the clutter and the scale parameter of the clutter, respectively.
  • the clutter estimation unit 10 outputs an estimated value of a parameter indicating the characteristics of the clutter to the target detection unit 11.
  • the target detection unit 11 is realized by, for example, the target detection circuit 44 shown in FIG.
  • the target detection unit 11 includes a threshold value calculation unit 12 shown in FIG. 3 and a target determination unit 18 shown in FIG.
  • FIG. 3 is a configuration diagram showing each of the threshold value calculation unit 12 and the target determination unit 18.
  • the threshold value calculation unit 12 includes a coefficient calculation unit 13, a coefficient selection unit 14, a total sum calculation unit 16, and a threshold value generation unit 17.
  • the target determination unit 18 includes a cell selection unit 19 and an amplitude comparison unit 20.
  • the threshold value calculation unit 12 acquires parameters indicating the characteristics of each of the plurality of assumed clutters.
  • the parameters indicating the characteristics of the clutter include the shape parameter of the clutter and the scale parameter of the clutter, respectively.
  • the threshold value calculation unit 12 estimates the parameters of the clutter's probability distribution model using the parameters indicating the characteristics of the assumed clutter, and uses the parameters of the probability distribution model to erroneously determine the clutter as the target. Calculate the threshold based on.
  • the coefficient calculation unit 13 is the sum of the parameters indicating the characteristics of the plurality of clutters, the amplitude values of the cells of interest output from the cell selection unit 19, and the amplitude values of the plurality of reference cells calculated by the sum total calculation unit 16. And are used to estimate the parameters of each probability distribution model in multiple clutters.
  • the plurality of reference cells are a plurality of range bins other than the target detection target range bin among the plurality of range bins included in the range bin signal.
  • the coefficient calculation unit 13 calculates the threshold coefficient by using the parameters of each probability distribution model.
  • the coefficient calculation unit 13 outputs each threshold coefficient and a parameter indicating the characteristics of the clutter used for calculating each threshold coefficient to the coefficient selection unit 14.
  • the total sum calculation unit 16 calculates the total sum of the amplitude values of the plurality of reference cells among the amplitude values of the plurality of range bins indicated by the range bin signals.
  • the total sum calculation unit 16 outputs the total sum of the amplitude values of the plurality of reference cells to the coefficient calculation unit 13 and the threshold value generation unit 17, respectively.
  • the threshold generation unit 17 generates a threshold by multiplying the sum of the amplitude values calculated by the sum calculation unit 16 by the threshold coefficient selected by the coefficient selection unit 14, and sets the threshold as the amplitude comparison unit of the target determination unit 18. Output to 20.
  • the target determination unit 18 calculates the amplitude value of the cell of interest, which is the range bin of the target detection target, and the threshold value calculation unit 12 among the amplitude values of the plurality of range bins indicated by the range bin signals generated by the range bin signal generation unit 8. Compare with the threshold given.
  • the target determination unit 18 determines the presence or absence of a target in the cell of interest based on the result of comparison between the amplitude value of the cell of interest and the threshold value. If the target cell has a target, the target determination unit 18 outputs a target signal indicating that the target exists to the outside.
  • the cell selection unit 19 outputs the amplitude value of the cell of interest to each of the coefficient calculation unit 13 and the amplitude comparison unit 20 among the amplitude values of the plurality of range bins indicated by the range bin signal generated by the range bin signal generation unit 8. ..
  • the cell selection unit 19 outputs the respective amplitude values of the plurality of reference cells to the total sum calculation unit 16.
  • the model parameter estimation unit 24 includes an estimation coefficient calculation unit 25 and a parameter estimation processing unit 26.
  • the model parameter estimation unit 24 estimates the parameters of each probability distribution model in the plurality of clutters by using a plurality of pseudo-random numbers included in each pseudo-random number sequence generated by the pseudo-random number generation unit 23.
  • the estimation coefficient calculation unit 25 uses a plurality of pseudo-random numbers included in each pseudo-random number sequence generated by the pseudo-random number generation unit 23 to obtain false alarm probabilities for parameter estimation that can be calculated by Monte Carlo simulation. Set.
  • the estimation coefficient calculation unit 25 calculates the threshold coefficient for parameter estimation by using the set false alarm probabilities for parameter estimation.
  • the threshold coefficient calculation unit 27 calculates the threshold coefficient by using the parameters of the respective probability distribution models estimated by the parameter estimation unit 22.
  • the threshold coefficient calculation unit 27 outputs each of the calculated threshold coefficients and a parameter indicating the characteristics of the clutter used for calculating each threshold coefficient to the coefficient selection unit 14.
  • the threshold coefficient calculation unit 27 calculates one threshold coefficient
  • the threshold coefficient calculation unit 27 outputs a signal indicating that one threshold coefficient has been calculated to the parameter setting unit 21.
  • each of the beam forming unit 7, the range bin signal generation unit 8, the clutter estimation unit 10, and the target detection unit 11, which are a part of the radar device, is realized by dedicated hardware as shown in FIG. Is assumed. That is, it is assumed that a part of the radar device is realized by the beam forming circuit 41, the amplitude detection circuit 42, the clutter estimation circuit 43, and the target detection circuit 44.
  • Each of the beam forming circuit 41, the amplitude detection circuit 42, the clutter estimation circuit 43, and the target detection circuit 44 is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, or an ASIC (Application Special Integrated Circuit). , FPGA (Field-Programmable Gate Array), or a combination thereof.
  • Each of the I component and the Q component is converted from an analog signal to a digital signal for each range bin whose unit is distance resolution.
  • the A / D converter 6-l outputs a digital signal to the beam former 7.
  • the beam former 7 When the beam former 7 receives the digital signals output from the A / D converters 6-1 to 6-L, the beam former 7 forms a received beam in a desired direction from the digital signals (step ST1 in FIG. 6). Since the process itself of forming the received beam from the digital signal is a known technique, detailed description thereof will be omitted.
  • the range bin signal generation unit 8 When the beam forming unit 4 forms the receiving beam, the range bin signal generation unit 8 generates a range bin signal indicating each amplitude value in a plurality of range bins by, for example, Fourier transforming the received beam (step ST2 in FIG. 6). ). The range bin signal generation unit 8 outputs the generated range bin signal to the clutter estimation unit 10 via the switch 9, and outputs the generated range bin signal to the cell selection unit 19 of the target detection unit 11.
  • the clutter estimation unit 10 uses the range bin signal output from the range bin signal generation unit 8 to use the clutter shape parameter ⁇ and the clutter scale parameter b as parameters indicating the characteristics of the clutter. Is estimated (step ST3 in FIG. 6).
  • the clutter estimation unit 10 outputs each of the shape parameter estimated value ⁇ tilde and the scale parameter estimated value b tilde to the coefficient selection unit 14 of the target detection unit 11.
  • the symbol " ⁇ " cannot be added above the characters, so they are written as ⁇ tilde and b tilde. Since the process of estimating each of the clutter shape parameter ⁇ and the clutter scale parameter b is a known technique, detailed description thereof will be omitted.
  • each of the shape parameter ⁇ and the scale parameter b is, for example, maximum likelihood estimation. It can be estimated using a method (see Non-Patent Document 1).
  • the threshold value calculation unit 12 of the target detection unit 11 acquires the shape parameter ⁇ of each clutter and the scale parameter b of each clutter as parameters indicating the characteristics of each of the assumed plurality of clutters.
  • the threshold value calculation unit 12 estimates the parameters of the probability distribution model of each clutter using the shape parameter ⁇ of each clutter and the scale parameter b of each clutter (step ST4 in FIG. 6).
  • the threshold value calculation unit 12 calculates a threshold value based on the false alarm probability pfa that erroneously determines the clutter as a target by using the parameters of each probability distribution model (step ST5 in FIG. 6).
  • the parameter setting unit 21 of the coefficient calculation unit 13 generates a pseudo-random number of the shape parameter ⁇ and the scale parameter b of one clutter as the parameters indicating the characteristics of one clutter among the parameters indicating the characteristics of each of the plurality of clutters. Output to each of the unit 23 and the parameter estimation processing unit 26. Further, the parameter setting unit 21 outputs the correlation coefficient k stored in the internal memory to the pseudo-random number generation unit 23.
  • the pseudo-random number generation unit 23 acquires each of the shape parameter ⁇ and the scale parameter b as parameters indicating the characteristics of one clutter from the parameter setting unit 21, and acquires the correlation coefficient k from the parameter setting unit 21. Each time the pseudo-random number generator 23 acquires the shape parameter ⁇ , the scale parameter b, and the correlation coefficient k, the pseudo-random number generator 23 uses the shape parameter ⁇ , the scale parameter b, and the correlation coefficient k to generate a K distribution. Generate a pseudo-random number sequence. The pseudo-random number generation unit 23 outputs the pseudo-random number sequence to the estimation coefficient calculation unit 25 each time a pseudo-random number sequence of K distribution is generated.
  • the pseudo-random number sequence of the K distribution can be generated by using, for example, the MNLT (Memoriless NonLinear Transfer) method.
  • MNLT Memoryless NonLinear Transfer
  • Non-Patent Document 2 describes that a pseudo-random number sequence of K distribution is generated by the MNLT method from the shape parameter ⁇ , the scale parameter b, and the correlation coefficient k.
  • Non-Patent Document 2 Keith D. Ward, Robert JA Tough and Simon Watts, Sea Clutter: Scattering, the K Distribution and Radar Performance
  • the estimation coefficient calculation unit 25 receives a pseudo-random number sequence of K distribution from the pseudo-random number generation unit 23, the parameter estimation that can be calculated by Monte Carlo simulation using a plurality of pseudo-random numbers included in the pseudo-random number sequence.
  • the false alarm probability Pfa0 for parameter estimation is, for example, a false alarm probability larger than 0.0001 when the number of pseudo-random numbers used in the Monte Carlo simulation is 10,000. Since the false alarm probability Pfa0 may be, for example, a false alarm probability larger than 0.0001, it is not necessary to prepare a pseudo-random number of 10,000 or more as a pseudo-random number used in the Monte Carlo simulation.
  • the estimation coefficient calculation unit 25 calculates the threshold coefficient Th0 for parameter estimation using the set false alarm probability Pfa0 for parameter estimation.
  • the estimation coefficient calculation unit 25 outputs the threshold coefficient Th0 for parameter estimation to the parameter estimation processing unit 26.
  • the estimation coefficient calculation unit 25 sets the false alarm probability Pfa0 for parameter estimation that can be calculated by Monte Carlo simulation according to the number of a plurality of pseudo-random numbers included in the pseudo-random number sequence. For example, if the number of pseudo-random numbers used in the Monte Carlo simulation is 10,000, a false alarm probability Pfa0 larger than 0.0001 is set.
  • the estimation coefficient calculation unit 25 sets any one pseudo-random number among the plurality of pseudo-random numbers included in the pseudo-random number sequence as the amplitude value of the cell of interest, and H (H) of the remaining pseudo-random numbers.
  • the parameter estimation processing unit 26 estimates the parameters of the probability distribution model.
  • the probability distribution model is expressed by the following equation (1).
  • z t is the amplitude value of the cell of interest output from the cell selection unit 19
  • z r is the total amplitude value of the plurality of reference cells output from the total sum calculation unit 16.
  • G (z t , z r ) is a simultaneous probability density function of the amplitude value z t of the cell of interest and the sum sum z r of the amplitude values of the plurality of reference cells, and corresponds to a probability distribution model.
  • bt is a scale parameter in the amplitude value of the cell of interest, and is a scale parameter output from the parameter setting unit 21.
  • b r is a scale parameter in the sum of the amplitude values of a plurality of reference cells, corresponding to the scale parameter b r tilde estimated by the following equation (2).
  • ⁇ is the shape parameter output from the parameter setting unit 21
  • k is the correlation coefficient of the expression component in two range bins adjacent to each other, and corresponds to the correlation coefficient k tilde estimated by the equation (2).
  • ⁇ is a shape correction parameter and corresponds to the shape correction parameter ⁇ tilde estimated by the equation (2).
  • alpha tilde the estimated value of the shape correction parameter, b r tilde, the estimated value of the scale parameter in the sum of the amplitude values of a plurality of reference cells, k tilde is an estimate of the correlation coefficient .. ⁇ is a minute value for determining the convergence of the equation (2), and is a value sufficiently smaller than 1.
  • Parameter estimation processing unit 26 as a parameter of a probability distribution model, by using formula (2), to estimate the respective ⁇ tilde, b r tilde and k tilde.
  • Parameter estimation processor 26 alpha tilde, each b r tilde and k tilde, so that the optimum value, for example, using an optimization method, repeated alpha tilde, each b r tilde and k tilde by updating estimates the respective ⁇ tilde, b r tilde and k tilde.
  • ⁇ ini, b ini, k ini) is the initial value alpha ini shape correction parameter alpha, scale parameter b r initial value b ini and correlation coefficient k of Corresponds to the simultaneous probability density function G (z t , z r ) when the initial value mini of is substituted into the equation (1).
  • Parameter estimation processing unit 26 as a parameter of the probability distribution model of the one of the clutter, the estimated value ⁇ tilde shape correction parameter, estimate b r tilde and correlation coefficient of the scale parameter in the sum of the amplitude values of a plurality of reference cells
  • Each of the estimated values k parameters is output to the threshold coefficient calculation unit 27.
  • Threshold coefficient calculation unit 27 the estimated value ⁇ tilde shape correction parameter output from the parameter estimation processing unit 26, the estimated value b r tilde scale parameter, and the estimated value k tilde of the correlation coefficient, false alarm probability Pfa
  • the false alarm probability Pfa may be stored in the internal memory of the threshold coefficient calculation unit 27, or may be given from the outside of the threshold coefficient calculation unit 27.
  • the false alarm probability Pfa is, for example, a false alarm probability smaller than 0.0001 when the number of samples of pseudo-random numbers is 10,000.
  • False alarm probability Pfa ⁇ false alarm probability Pfa0 The amplitude value z t of the cell of interest is obtained from the cell selection unit 19 of the target determination unit 18, and the total sum z r of the amplitude values of the plurality of reference cells is obtained from the total sum calculation unit 16.
  • the threshold coefficient calculation unit 27 When the threshold coefficient calculation unit 27 calculates the threshold coefficient Th, the threshold coefficient calculation unit 27 outputs the threshold coefficient Th to the coefficient selection unit 14. Further, the threshold coefficient calculation unit 27 outputs each of the shape parameter ⁇ and the scale parameter b to the coefficient selection unit 14 as parameters used for calculating the threshold coefficient Th. When the threshold coefficient calculation unit 27 calculates one threshold coefficient Th, the threshold coefficient calculation unit 27 outputs a signal indicating that one threshold coefficient Th has been calculated to the parameter setting unit 21.
  • the data table 15 of the coefficient selection unit 14 stores N sets of the threshold coefficient Th, the shape parameter ⁇ , and the scale parameter b as N sets of data output from the threshold coefficient calculation unit 27.
  • the coefficient selection unit 14 acquires the estimated value output from the clutter estimation unit 10.
  • the estimated values output from the clutter estimation unit 10 are the estimated value of the shape parameter ⁇ and the estimated value of the scale parameter b.
  • the coefficient selection unit 14 performs, for example, a known process of determining the degree of similarity between the parameters included in the N sets of data and the estimated values output from the clutter estimation unit 10, thereby performing N sets of data. From among, the data including the parameter closest to the estimated value output from the clutter estimation unit 10 is selected.
  • the coefficient selection unit 14 outputs the threshold coefficient Th included in the selected data to the threshold generation unit 17.
  • the cell selection unit 19 of the target determination unit 18 receives the range bin signal from the range bin signal generation unit 8, as shown in FIG. 7, among the amplitude values of the plurality of range bins indicated by the range bin signal, the amplitude value of the cell of interest. Is output to each of the parameter estimation processing unit 26, the threshold coefficient calculation unit 27, and the amplitude comparison unit 20. Further, as shown in FIG. 7, the cell selection unit 19 outputs the amplitude value of each of the plurality of reference cells among the amplitude values of the plurality of range bins indicated by the range bin signal to the total calculation unit 16.
  • FIG. 7 is an explanatory diagram showing the processing contents of the cell selection unit 19, the total calculation unit 16, and the threshold value generation unit 17.
  • the radio waves received by the receiving antennas 3-1 to 3-L are used.
  • the features of the clutter are shown by the beam forming unit 4 that forms the receiving beam, the range bin signal generating unit 8 that generates the range bin signal indicating the amplitude value of each of the plurality of range bins from the received beam formed by the beam forming unit 4.
  • the threshold value calculation unit 12 that estimates the parameters of the clutter's probability distribution model using the parameters and calculates the threshold value based on the false alarm probability that the clutter is erroneously determined as the target using the parameters of the probability distribution model, and the range bin signal.
  • the amplitude value of the cell of interest is compared with the threshold value calculated by the threshold value calculation unit 12.
  • the radar device is configured to include a target determination unit 18 for determining the presence or absence of a target in the cell of interest based on the result of comparison between the amplitude value of the cell of interest and the threshold value. Therefore, the radar device performs a Monte Carlo simulation using a plurality of pseudo-random numbers to calculate the threshold coefficient, and rather than generating a threshold value based on the false alarm probability, the radar device is a sample for generating a threshold value based on the false alarm probability. The number can be suppressed.
  • the sample used to generate the threshold value is a pseudo-random number generated by the pseudo-random number generator 23.
  • the threshold coefficient calculation unit 27 outputs the threshold coefficient Th to the coefficient selection unit 14, and selects each of the shape parameter ⁇ and the scale parameter b as the parameters used for calculating the threshold coefficient Th. It is output to unit 14. Then, the data table 15 of the coefficient selection unit 14 stores N sets of the threshold coefficient Th, the shape parameter ⁇ , and the scale parameter b as N sets of data output from the threshold coefficient calculation unit 27. However, this is only an example, and the threshold coefficient calculation unit 27 outputs the threshold coefficient Th to the coefficient selection unit 14, and as the parameters used for calculating the threshold coefficient Th, each of the shape parameter ⁇ and the scale parameter b is a coefficient.
  • the correlation coefficient k used for calculating the threshold coefficient Th may be output to the coefficient selection unit 14.
  • the data table 15 of the coefficient selection unit 14 stores N sets of the threshold coefficient Th, the shape parameter ⁇ , the scale parameter b, and the correlation coefficient k as N sets of data output from the threshold coefficient calculation unit 27.
  • the clutter estimation unit 10 estimates the correlation coefficient k of the texture component in two range bins adjacent to each other among the plurality of range bins indicated by the range bin signals, and selects the estimated value k tilde of the correlation coefficient. Output to 14.
  • Non-Patent Document 3 T. Bucciarelli, P. Lombardo, S. Tamburrini, “Optimum CFAR detection against compound Gaussian clutter with partially correlated texture,” IEE Proc., Radar Sonar Navig. Volume 143, issue 2, P95 1996.
  • the coefficient selection unit 14 acquires the estimated value output from the clutter estimation unit 10.
  • the estimated values output from the clutter estimation unit 10 are an estimated value of the shape parameter ⁇ , an estimated value of the scale parameter b, and an estimated value of the correlation coefficient k.
  • the coefficient selection unit 14 performs, for example, a known process of determining the degree of similarity between the parameters included in the N sets of data and the estimated values output from the clutter estimation unit 10, thereby performing N sets of data. From among, the data including the parameter closest to the estimated value output from the clutter estimation unit 10 is selected. The coefficient selection unit 14 outputs the threshold coefficient Th included in the selected data to the threshold generation unit 17.
  • the threshold value calculation unit 12 includes a coefficient calculation unit 13, a coefficient selection unit 14, a total sum calculation unit 16, and a threshold value generation unit 17.
  • the threshold value calculation unit 30 includes a coefficient calculation unit 31, a total sum calculation unit 16, and a threshold value generation unit 17 will be described.
  • the configuration diagram showing the radar device according to the second embodiment is the same as the configuration diagram showing the radar device according to the first embodiment.
  • the target detection unit 11 includes a threshold value calculation unit 30 and a target determination unit 18.
  • FIG. 8 is a configuration diagram showing each of the threshold value calculation unit 30 and the target determination unit 18 in the radar device according to the second embodiment.
  • the threshold value calculation unit 30 includes a coefficient calculation unit 31, a total sum calculation unit 16, and a threshold value generation unit 17.
  • the threshold calculation unit 30 acquires each of the shape parameter estimated value ⁇ tilde, the scale parameter estimated value b tilde, and the correlation coefficient estimated value k tilde output from the clutter estimation unit 10.
  • the threshold calculation unit 30 estimates the parameters of the clutter probability distribution model using each of the shape parameter estimated value ⁇ tilde, the scale parameter estimated value b tilde, and the correlation coefficient estimated value k tilde.
  • the threshold value calculation unit 30 calculates a threshold value based on the false alarm probability Pfa that erroneously determines the clutter as a target by using the parameters of the probability distribution model.
  • FIG. 9 is a configuration diagram showing the coefficient calculation unit 31.
  • the coefficient calculation unit 31 includes a parameter estimation unit 32 and a threshold coefficient calculation unit 37.
  • the parameter estimation unit 32 includes a pseudo-random number generation unit 33 and a model parameter estimation unit 34.
  • the parameter estimation unit 32 uses each of the shape parameter estimated value ⁇ chiller, the scale parameter estimated value b chiller, and the correlation coefficient estimated value k chiller output from the clutter estimation unit 10 to generate a probability distribution model for the clutter. Estimate the parameters of.
  • the pseudo-random number generator 33 uses each of the shape parameter estimated value ⁇ tilde, the scale parameter estimated value b tilde, and the correlation coefficient estimated value k tilde output from the clutter estimation unit 10 to generate a pseudo-random number of K distribution. Generate a column.
  • the model parameter estimation unit 34 includes an estimation coefficient calculation unit 35 and a parameter estimation processing unit 36.
  • the model parameter estimation unit 34 estimates the parameters of the clutter's probability distribution model using a plurality of pseudo-random numbers included in the pseudo-random number sequence generated by the pseudo-random number generation unit 33.
  • the estimation coefficient calculation unit 35 sets a false alarm probability Pfa0 for parameter estimation that can be calculated by Monte Carlo simulation using a plurality of pseudo-random numbers included in the pseudo-random numbers generated by the pseudo-random number generation unit 33.
  • the estimation coefficient calculation unit 35 calculates the threshold coefficient Th0 for parameter estimation using the set false alarm probability Pfa0 for parameter estimation.
  • Parameter estimation processor 36 a threshold coefficient Th0 for parameter estimation calculated by the estimated coefficient calculating section 35, and the amplitude value z t of the target cell outputted from the cell selection unit 19, is calculated by the sum calculating unit 16 It was by using the sum z r of the amplitude values of a plurality of reference cells, to estimate parameters of the probability distribution model of the clutter.
  • the parameter estimation processing unit 36 outputs the parameters of the clutter probability distribution model to the threshold coefficient calculation unit 37.
  • the threshold coefficient calculation unit 37 calculates the threshold coefficient Th using the parameters of the probability distribution model estimated by the parameter estimation unit 32.
  • the threshold coefficient calculation unit 37 outputs the calculated threshold coefficient Th to the threshold value generation unit 17.
  • the clutter estimation unit 10 uses the range bin signal output from the range bin signal generation unit 8 as a parameter indicating the characteristics of the clutter, as in the radar device according to the first embodiment.
  • Each of the shape parameter ⁇ of the above and the scale parameter b of the clutter is estimated.
  • the clutter estimation unit 10 outputs each of the shape parameter estimated value ⁇ tilde and the scale parameter estimated value b tilde to the coefficient calculation unit 31 of the target detection unit 11.
  • the clutter estimation unit 10 also estimates the correlation coefficient of the texture component in two range bins adjacent to each other among the plurality of range bins indicated by the range bin signal. Since the process itself for estimating the correlation coefficient is a known technique, detailed description thereof will be omitted.
  • the clutter estimation unit 10 outputs the estimated value k tilde of the correlation coefficient to the coefficient calculation unit 31.
  • the pseudo-random number generation unit 33 of the coefficient calculation unit 31 acquires each of the shape parameter estimated value ⁇ tilde, the scale parameter estimated value b tilde, and the correlation coefficient estimated value k tilde output from the clutter estimation unit 10.
  • the pseudo-random number generator 33 generates a pseudo-random number sequence of K distribution by using each of the estimated value ⁇ tilde of the shape parameter, the estimated value b tilde of the scale parameter, and the estimated value k tilde of the correlation coefficient.
  • the pseudo-random number generation unit 33 outputs a pseudo-random number sequence of K distribution to the estimation coefficient calculation unit 35.
  • the pseudo-random number sequence of the K distribution can be generated by using, for example, the MNLT method.
  • the estimation coefficient calculation unit 35 When the estimation coefficient calculation unit 35 receives a pseudo-random number sequence of K distribution from the pseudo-random number generation unit 33, the estimation coefficient calculation unit 35 is for parameter estimation that can be calculated by Monte Carlo simulation using a plurality of pseudo-random numbers included in the pseudo-random number sequence. Set the false alarm probability Pfa0.
  • the false alarm probability Pfa0 for parameter estimation is, for example, a false alarm probability larger than 0.0001 when the number of pseudo-random numbers used in the Monte Carlo simulation is 10,000.
  • the estimation coefficient calculation unit 35 calculates the threshold coefficient Th0 for parameter estimation using the set false alarm probability Pfa0 for parameter estimation.
  • the estimation coefficient calculation unit 35 outputs the threshold coefficient Th0 for parameter estimation to the parameter estimation processing unit 36. Since the process itself of calculating the threshold coefficient Th0 for parameter estimation using the false alarm probability Pfa0 for parameter estimation is a known technique, detailed description thereof will be omitted.
  • Parameter estimation processor 36 a threshold coefficient Th0 for parameter estimation calculated by the estimated coefficient calculating section 35, and the amplitude value z t of the target cell outputted from the cell selection unit 19, is calculated by the sum calculating unit 16 obtains the sum z r of the amplitude values of a plurality of reference cells has.
  • Parameter estimation processor 36 similar to the parameter estimation processing unit 26 shown in FIG. 4, the threshold coefficient Th0 for parameter estimation, the amplitude value z t of the target cell, the sum z r of the amplitude values of a plurality of reference cells To estimate the parameters of the clutter's probability distribution model.
  • Parameters of the probability distribution model of the clutter is estimated using equation (2), shape correction parameter alpha, respectively scale parameter b r and the correlation coefficient k in the sum of the amplitude values of a plurality of reference cells.
  • Parameter estimation processor 36, the shape estimate ⁇ tilde correction parameters, threshold coefficient calculator respective estimated values k tilde estimate b r tilde and correlation coefficient of the scale parameter in the sum of the amplitude values of a plurality of reference cells Output to 37.
  • Threshold coefficient calculation unit 37 the estimated value ⁇ tilde shape correction parameter output from the parameter estimation processing unit 36, the estimated value b r tilde scale parameter, and the estimated value k tilde of the correlation coefficient, false alarm probability Pfa
  • the false alarm probability Pfa may be stored in the internal memory of the threshold coefficient calculation unit 37, or may be given from the outside of the threshold coefficient calculation unit 37.
  • the false alarm probability Pfa is, for example, a false alarm probability smaller than 0.0001 when the number of pseudo-random numbers used in the Monte Carlo simulation is 10,000. False alarm probability Pfa ⁇ false alarm probability Pfa0.
  • the amplitude value z t of the cell of interest is obtained from the cell selection unit 19 of the target determination unit 18, and the total sum z r of the amplitude values of the plurality of reference cells is obtained from the total sum calculation unit 16.
  • the threshold coefficient calculation unit 37 outputs the threshold coefficient Th to the threshold value generation unit 17.
  • the clutter estimation unit 10 for estimating the parameters indicating the characteristics of the clutter is provided by using the range bin signal generated by the range bin signal generation unit 8, and the threshold value calculation unit 30 is provided by the clutter estimation unit 10.
  • the coefficient calculation unit 31 that estimates the parameters of the clutter's probability distribution model using the estimated parameters and calculates the threshold coefficient using the parameters of the probability distribution model, and the respective amplitudes of the plurality of range bins indicated by the range bin signals.
  • the total sum calculation unit 16 that calculates the total sum of the amplitude values of the plurality of reference cells and the total sum of the amplitude values calculated by the total sum calculation unit 16 are multiplied by the threshold coefficient calculated by the coefficient calculation unit 31.
  • the radar device is configured to include a threshold value generation unit 17 that generates a threshold value in the above. Therefore, the radar device according to the second embodiment sets a threshold value based on the false alarm probability by performing a Monte Carlo simulation using a plurality of pseudo-random numbers and calculating the threshold coefficient, similarly to the radar device according to the first embodiment. It is possible to reduce the number of samples for generating a threshold value based on the false alarm probability rather than generating it. Further, since the radar device according to the second embodiment does not require the coefficient selection unit 14 having the data table 15, the hardware can be deleted as compared with the radar device according to the first embodiment.
  • the threshold value calculation unit 60 estimates the parameters of the clutter's probability distribution model using the range bin signal generated by the range bin signal generation unit 8, and uses the parameters of the probability distribution model to estimate the threshold coefficient Th.
  • a radar device including the coefficient calculation unit 61 for calculating the above will be described.
  • the configuration diagram showing the radar device according to the third embodiment is the same FIG. 1 as the configuration diagram showing the radar device according to the first embodiment.
  • the target detection unit 11 includes a threshold value calculation unit 60 and a target determination unit 18.
  • FIG. 10 is a configuration diagram showing each of the threshold value calculation unit 60 and the target determination unit 18 in the radar device according to the third embodiment.
  • the same reference numerals as those in FIGS. 3 and 8 indicate the same or corresponding parts, and thus the description thereof will be omitted.
  • the threshold value calculation unit 60 includes a coefficient calculation unit 61, a total sum calculation unit 16, and a threshold value generation unit 17.
  • the threshold value calculation unit 60 estimates the parameters of the clutter probability distribution model using the range bin signal generated by the range bin signal generation unit 8. The threshold value calculation unit 60 calculates a threshold value based on the false alarm probability Pfa that erroneously determines the clutter as a target by using the parameters of the probability distribution model.
  • FIG. 11 is a configuration diagram showing a coefficient calculation unit 61.
  • the coefficient calculation unit 61 includes an estimation coefficient calculation unit 62, a parameter estimation processing unit 36, and a threshold coefficient calculation unit 37.
  • the estimation coefficient calculation unit 62 sets a false alarm probability Pfa0 for parameter estimation that can be calculated by Monte Carlo simulation using the range bin signal generated by the range bin signal generation unit 8.
  • the estimation coefficient calculation unit 62 calculates the threshold coefficient Th0 for parameter estimation using the set false alarm probability Pfa0 for parameter estimation.
  • the estimation coefficient calculation unit 62 outputs the threshold coefficient Th0 for parameter estimation to the parameter estimation processing unit 36.
  • the estimation coefficient calculation unit 25 shown in FIG. 4 generates range bin data using a plurality of pseudo-random numbers included in the pseudo-random number sequence. Since the range bin signal output from the range bin signal generation unit 8 includes the amplitude value of the cell of interest and the amplitude values of the plurality of reference cells, the estimation coefficient calculation unit 62 sequentially outputs the amplitude value from the range bin signal generation unit 8. The G range bin signals obtained are used as G range bin data. The estimation coefficient calculation unit 62 calculates the threshold coefficient Th0 for parameter estimation from G range bin data, and the processing itself is the same as that of the estimation coefficient calculation unit 25 shown in FIG.
  • the clutter estimation unit 10 for estimating the parameters indicating the characteristics of the clutter is provided by using the range bin signal generated by the range bin signal generation unit 8, and the threshold calculation unit 60 uses the range bin signal.
  • the coefficient calculation unit 61 that estimates the parameters of the clutter's probability distribution model and calculates the threshold coefficient using the parameters of the probability distribution model, and a plurality of references among the respective amplitude values in the plurality of range bins indicated by the range bin signals.
  • Threshold generation that generates a threshold by multiplying the sum of the amplitude values calculated by the sum calculation unit 16 and the sum calculation unit 16 that calculates the sum of the amplitude values of the cells by the threshold coefficient calculated by the coefficient calculation unit 61.
  • the radar device was configured to be provided with the unit 17.
  • the radar device is based on the false alarm probability by calculating the threshold coefficient by performing a Monte Carlo simulation using a plurality of pseudo-random numbers, similarly to the radar device according to the first and second embodiments. Rather than generating a threshold, the number of samples for generating a threshold based on the false alarm probability can be reduced. Further, in the radar device according to the third embodiment, the threshold value calculation unit 60 calculates the threshold coefficient by using the range bin signal which is the actual data instead of the parameter indicating the characteristics of the assumed clutter. Therefore, the radar device according to the third embodiment can improve the accuracy of the threshold value generated by the threshold value generation unit 17 as compared with the radar device according to the first embodiment.
  • Embodiment 4 In the radar device according to the first embodiment, the initial value alpha ini shape correction parameter alpha, as an initial value k ini initial value b ini and correlation coefficient k of the scale parameter b r, the parameter estimation processing unit 26, the formula ( A value is used so that the right side of 3) approximates the false alarm probability Pfa0 for parameter estimation. Further, a simultaneous probability density function G tilde (z t , z r
  • the parameter estimation processing unit 73 an initial value alpha ini shape correction parameter alpha, as an initial value k ini initial value b ini and correlation coefficient k of the scale parameter b r, likelihood of their initial value
  • L ⁇ ini tilda, b ini tilda, k ini tilda
  • the threshold value calculation unit 70 acquires parameters indicating the characteristics of each of the plurality of assumed clutters. Similar to the threshold value calculation unit 12 shown in FIG. 3, the threshold value calculation unit 70 estimates the parameters of the clutter's probability distribution model using the parameters indicating the assumed characteristics of the clutter, and uses the parameters of the probability distribution model. , Calculates a threshold value based on the false alarm probability Pfa that erroneously determines the clutter as a target.
  • the threshold value calculation unit 70 when estimating the parameters of the respective probability distribution model of the plurality of clutter, the initial values of the parameters of the probability distribution model, i.e., an initial value alpha ini shape correction parameter alpha, the scale parameter b r the initial value k ini initial value b ini and correlation coefficient k, is set based on the likelihood value of the initial value.
  • FIG. 13 is a configuration diagram showing a coefficient calculation unit 71.
  • the coefficient calculation unit 71 includes a parameter setting unit 21, a parameter estimation unit 72, and a threshold coefficient calculation unit 27.
  • the parameter estimation unit 72 includes a pseudo-random number generation unit 23, an estimation coefficient calculation unit 25, and a parameter estimation processing unit 73. Similar to the parameter estimation processing unit 26 shown in FIG. 4, the parameter estimation processing unit 73 has the threshold coefficient Pfa0 for each parameter estimation calculated by the estimation coefficient calculation unit 25 and the attention output from the cell selection unit 19.
  • Parameter estimation processor 73 is different from the parameter estimation processing unit 26 shown in FIG. 4, the initial value alpha ini shape correction parameter alpha, as an initial value k ini initial value b ini and correlation coefficient k of the scale parameter b r, The value that maximizes the likelihood value L ( ⁇ ini tilda, b ini tilda, k ini tilda) of each initial value is used.
  • Parameter estimation processor 73 the initial value alpha ini shape correction parameter alpha, as an initial value k ini initial value b ini and correlation coefficient k of the scale parameter b r, as shown in the following equation (6), respectively Set the value that maximizes the likelihood value L ( ⁇ ini tilda, b ini tilda, k ini tilda) of the initial value of.
  • the threshold generation unit 91 generates a threshold value by multiplying the total amplitude value calculated by the total sum calculation unit 16 by the average value of the threshold coefficient Th selected by the coefficient selection unit 89, and sets the threshold value by the target determination unit 18. Is output to the amplitude comparison unit 20 of.
  • Parameters of the probability distribution model of the clutter is estimated using equation (2), shape correction parameter alpha, respectively scale parameter b r and the correlation coefficient k in the sum of the amplitude values of a plurality of reference cells.
  • the threshold coefficient calculation unit 106 uses the average value of the parameters calculated by the parameter estimation processing unit 105 every time the parameter estimation unit 103 receives a parameter or the like indicating the characteristics of one clutter from the parameter setting unit 102. Calculate the coefficient Th.
  • the threshold coefficient calculation unit 106 outputs the threshold coefficient Th and the parameter indicating the characteristics of the clutter used for calculating the threshold coefficient Th to the coefficient selection unit 14.
  • the threshold coefficient calculation unit 106 calculates the threshold coefficient Th
  • the threshold coefficient calculation unit 106 outputs a signal indicating that the threshold coefficient Th has been calculated to the parameter setting unit 102.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

目標又はクラッタのいずれかに反射された電波が受信アンテナ（３－１）～（３－Ｌ）によって受信されると、受信アンテナ（３－１）～（３－Ｌ）により受信された電波から受信ビームを形成するビーム形成部（４）と、ビーム形成部（４）により形成された受信ビームから、複数のレンジビンにおけるそれぞれの振幅値を示すレンジビン信号を生成するレンジビン信号生成部（８）と、クラッタの特徴を示すパラメータを用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、クラッタを目標と誤って判定する誤警報確率に基づく閾値を算出する閾値算出部（１２）と、レンジビン信号生成部（８）により生成されたレンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、目標検出対象のレンジビンである注目セルの振幅値と、閾値算出部（１２）により算出された閾値とを比較し、注目セルの振幅値と閾値との比較結果に基づいて、注目セルにおける目標の有無を判定する目標判定部（１８）とを備えるように、レーダ装置を構成した。

Description

レーダ装置及び目標検出方法
　この発明は、目標の有無を判定するレーダ装置及び目標検出方法に関するものである。
　目標の有無を判定するレーダ装置として、複数の受信アンテナにより受信された電波から、複数のレンジビンにおけるそれぞれの振幅値を示すレンジビン信号を生成するものがある。当該レーダ装置は、例えば、レンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、目標検出対象のレンジビンである注目セルの振幅値と、目標と誤って判定する誤警報確率に基づく閾値とを比較し、注目セルの振幅値と閾値との比較結果に基づいて、注目セルにおける目標の有無を判定する。
　例えば、以下の非特許文献１には、誤警報確率に基づく閾値の生成方法が開示されている。
　非特許文献１に開示されている生成方法では、係数算出部が、クラッタの形状等を示すパラメータを用いて、Ｋ分布の擬似乱数列を生成し、Ｋ分布の擬似乱数列に含まれている複数の擬似乱数を用いるモンテカルロシミュレーションを行うことで、スレッショルド係数を算出している。そして、振幅加算部が、複数のレンジビンにおけるそれぞれの振幅値のうち、目標検出対象のレンジビン以外の複数のレンジビンである複数のリファレンスセルの振幅値の総和を算出し、係数乗算部が、振幅値の総和に、スレッショルド係数を乗算することで閾値を生成している。
N. Nouar and A.Farrouki,"CFAR detection of spatially distributed targets embedded in K-distributed clutter with correlated texture and unknown parameters," 22nd European Signal Processing Conference (EUSIPCO), pp.1731-1735, 2014
　非特許文献１に開示されている閾値の生成方法では、Ｋ分布の擬似乱数列に含まれている複数の擬似乱数を用いるモンテカルロシミュレーションを行うことで、スレッショルド係数を算出しているため、小さい誤警報確率に基づく閾値を生成するには、数多くの擬似乱数が必要である。例えば、０．０００１よりも小さい誤警報確率に基づく閾値を生成するには、１００００回以上に１回の頻度で誤警報が発生するスレッショルド係数を算出する必要があるため、モンテカルロシミュレーションに用いる擬似乱数として、１００００以上の擬似乱数が必要である。したがって、誤警報確率に基づく閾値を生成するためのサンプルとして、数多くの擬似乱数を用意できなければ、誤警報確率に基づく閾値を生成できないことがあるという課題があった。
　この発明は上記のような課題を解決するためになされたもので、複数の擬似乱数を用いるモンテカルロシミュレーションを行ってスレッショルド係数を算出することにより、誤警報確率に基づく閾値を生成するよりも、誤警報確率に基づく閾値を生成するためのサンプルの数を抑えることができるレーダ装置及び目標検出方法を得ることを目的とする。
　この発明に係るレーダ装置は、目標又はクラッタのいずれかに反射された電波が複数の受信アンテナによって受信されると、複数の受信アンテナにより受信された電波から受信ビームを形成するビーム形成部と、ビーム形成部により形成された受信ビームから、複数のレンジビンにおけるそれぞれの振幅値を示すレンジビン信号を生成するレンジビン信号生成部と、クラッタの特徴を示すパラメータ、又は、レンジビン信号を用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、クラッタを目標と誤って判定する誤警報確率に基づく閾値を算出する閾値算出部と、レンジビン信号生成部により生成されたレンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、目標検出対象のレンジビンである注目セルの振幅値と、閾値算出部により算出された閾値とを比較し、注目セルの振幅値と閾値との比較結果に基づいて、注目セルにおける目標の有無を判定する目標判定部とを備えるようにしたものである。
　この発明によれば、クラッタの特徴を示すパラメータ、又は、レンジビン信号を用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、閾値を算出する閾値算出部を備えるように、レーダ装置を構成した。したがって、この発明に係るレーダ装置は、複数の擬似乱数を用いるモンテカルロシミュレーションを行ってスレッショルド係数を算出することにより、誤警報確率に基づく閾値を生成するよりも、誤警報確率に基づく閾値を生成するためのサンプルの数を抑えることができる。
実施の形態１に係るレーダ装置を示す構成図である。 実施の形態１に係るレーダ装置の一部のハードウェアを示すハードウェア構成図である。 閾値算出部１２及び目標判定部１８のそれぞれを示す構成図である。 係数算出部１３を示す構成図である。 レーダ装置の一部が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。 レーダ装置の一部の処理手順を示すフローチャートである。 セル選択部１９、総和算出部１６及び閾値生成部１７の処理内容を示す説明図である。 実施の形態２に係るレーダ装置における閾値算出部３０及び目標判定部１８のそれぞれを示す構成図である。 係数算出部３１を示す構成図である。 実施の形態３に係るレーダ装置における閾値算出部６０及び目標判定部１８のそれぞれを示す構成図である。 係数算出部６１を示す構成図である。 実施の形態４に係るレーダ装置における閾値算出部７０及び目標判定部１８のそれぞれを示す構成図である。 係数算出部７１を示す構成図である。 実施の形態５に係るレーダ装置における閾値算出部８０及び目標判定部１８のそれぞれを示す構成図である。 係数算出部８１を示す構成図である。 実施の形態６に係るレーダ装置における閾値算出部１００及び目標判定部１８のそれぞれを示す構成図である。 係数算出部１０１を示す構成図である。 実施の形態７に係るレーダ装置における閾値算出部１１０及び目標判定部１８のそれぞれを示す構成図である。 係数算出部１１１を示す構成図である。 実施の形態８に係るレーダ装置を示す構成図である。
　以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
　図１は、実施の形態１に係るレーダ装置を示す構成図である。
　図２は、実施の形態１に係るレーダ装置の一部のハードウェアを示すハードウェア構成図である。
　図１において、送信機１は、電波を生成し、生成した電波を後述する送信アンテナ２に出力する。
　送信アンテナ２は、送信機１から出力された電波を、目標に向けて空間に放射する。
　受信アンテナ３－１～３－Ｌのそれぞれは、送信アンテナ２から放射されたのち、目標又はクラッタのいずれかに反射されて戻ってきた電波を受信する。Ｌは、２以上の整数である。クラッタとしては、海面、地面又は雨等が該当する。
　ビーム形成部４は、受信機５－１～５－Ｌ、アナログデジタル変換器（以下、「Ａ／Ｄ変換器」と称する）６－１～６－Ｌ及びビーム形成器７を備えている。
　ビーム形成部４は、目標又はクラッタのいずれかに反射された電波が受信アンテナ３－１～３－Ｌによって受信されると、受信アンテナ３－１～３－Ｌにより受信された電波から受信ビームを形成する。
　受信機５－ｌ（ｌ＝１，・・・，Ｌ）は、受信アンテナ３－ｌにより受信された電波の受信処理を実施し、電波の受信信号をＡ／Ｄ変換器６－ｌに出力する。電波の受信処理としては、受信アンテナ３－ｌにより受信された電波の帯域制限処理のほか、当該電波の位相検波処理等が該当する。電波の受信信号は、複素信号であり、同相成分（以下、「Ｉ成分」と称する）及び直交成分（以下、「Ｑ成分」と称する）を含んでいる。
　Ａ／Ｄ変換器６－ｌは、受信機５－ｌの受信機帯域幅から定まる距離分解能を単位とするレンジビン毎に、受信機５－ｌから出力されたＩ成分及びＱ成分のそれぞれをアナログ信号からディジタル信号に変換し、ディジタル信号をビーム形成器７に出力する。
　ビーム形成器７は、例えば、図２に示すビーム形成回路４１によって実現される。
　ビーム形成器７は、Ａ／Ｄ変換器６－１～６－Ｌより出力されたディジタル信号から、所望の方向に受信ビームを形成する。
　レンジビン信号生成部８は、例えば、図２に示す振幅検波回路４２によって実現される。
　レンジビン信号生成部８は、ビーム形成部４により形成された受信ビームから、複数のレンジビンにおけるそれぞれの振幅値を示すレンジビン信号を生成する。
　レンジビン信号生成部８は、レンジビン信号を、後述するスイッチ９を介して、後述するクラッタ推定部１０に出力し、また、レンジビン信号を、後述する目標検出部１１に出力する。
　スイッチ９は、ユーザによる手動の操作、又は、図示せぬ制御信号によって、開閉が制御される。
　クラッタ推定部１０は、例えば、図２に示すクラッタ推定回路４３によって実現される。
　クラッタ推定部１０は、スイッチ９が閉じているとき、レンジビン信号生成部８から出力されたレンジビン信号を用いて、クラッタの特徴を示すパラメータを推定する。クラッタの特徴を示すパラメータは、クラッタの形状パラメータ及びクラッタの尺度パラメータのそれぞれを含んでいる。
　クラッタ推定部１０は、クラッタの特徴を示すパラメータの推定値を目標検出部１１に出力する。
　目標検出部１１は、例えば、図２に示す目標検出回路４４によって実現される。
　目標検出部１１は、図３に示す閾値算出部１２及び図３に示す目標判定部１８を備えている。
　図３は、閾値算出部１２及び目標判定部１８のそれぞれを示す構成図である。
　閾値算出部１２は、係数算出部１３、係数選択部１４、総和算出部１６及び閾値生成部１７を備えている。
　目標判定部１８は、セル選択部１９及び振幅比較部２０を備えている。
　閾値算出部１２は、想定される複数のクラッタのそれぞれの特徴を示すパラメータを取得する。クラッタの特徴を示すパラメータは、クラッタの形状パラメータ及びクラッタの尺度パラメータのそれぞれを含んでいる。
　閾値算出部１２は、想定されるクラッタの特徴を示すパラメータを用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、クラッタを目標と誤って判定する誤警報確率に基づく閾値を算出する。
　係数算出部１３は、複数のクラッタにおけるそれぞれの特徴を示すパラメータと、セル選択部１９から出力された注目セルの振幅値と、総和算出部１６により算出された複数のリファレンスセルの振幅値の総和とを用いて、複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定する。複数のリファレンスセルは、レンジビン信号に含まれている複数のレンジビンのうち、目標検出対象のレンジビン以外の複数のレンジビンである。
　係数算出部１３は、それぞれの確率分布モデルのパラメータを用いて、スレッショルド係数をそれぞれ算出する。
　係数算出部１３は、それぞれのスレッショルド係数と、それぞれのスレッショルド係数の算出に用いたクラッタの特徴を示すパラメータとを係数選択部１４に出力する。
　係数選択部１４は、データテーブル１５を備えている。
　データテーブル１５は、係数算出部１３から出力されたそれぞれのスレッショルド係数と、それぞれのスレッショルド係数の算出に用いたクラッタの特徴を示すパラメータとの組を記憶する記憶媒体である。
　係数選択部１４は、データテーブル１５に記憶されている複数のパラメータの中から、クラッタ推定部１０から出力されたパラメータの推定値と対応関係があるパラメータを選択する。
　係数選択部１４は、データテーブル１５に記憶されている複数のスレッショルド係数の中から、選択したパラメータを用いて算出されたスレッショルド係数を選択し、選択したスレッショルド係数を閾値生成部１７に出力する。
　総和算出部１６は、レンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、複数のリファレンスセルの振幅値の総和を算出する。
　総和算出部１６は、複数のリファレンスセルの振幅値の総和を係数算出部１３及び閾値生成部１７のそれぞれに出力する。
　閾値生成部１７は、総和算出部１６により算出された振幅値の総和に、係数選択部１４により選択されたスレッショルド係数を乗算することで閾値を生成し、閾値を目標判定部１８の振幅比較部２０に出力する。
　目標判定部１８は、レンジビン信号生成部８により生成されたレンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、目標検出対象のレンジビンである注目セルの振幅値と、閾値算出部１２により算出された閾値とを比較する。
　目標判定部１８は、注目セルの振幅値と閾値との比較結果に基づいて、注目セルにおける目標の有無を判定する。
　目標判定部１８は、注目セルに目標があれば、目標が存在している旨を示す目標信号を外部に出力する。
　セル選択部１９は、レンジビン信号生成部８により生成されたレンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、注目セルの振幅値を係数算出部１３及び振幅比較部２０のそれぞれに出力する。
　セル選択部１９は、複数のリファレンスセルにおけるそれぞれの振幅値を総和算出部１６に出力する。
　振幅比較部２０は、セル選択部１９から出力された注目セルの振幅値と、閾値算出部１２により算出された閾値とを比較する。
　振幅比較部２０は、注目セルの振幅値と閾値との比較結果に基づいて、注目セルにおける目標の有無を判定する。
　振幅比較部２０は、注目セルに目標があれば、目標が存在している旨を示す目標信号を外部に出力する。
　図４は、係数算出部１３を示す構成図である。
　係数算出部１３は、パラメータ設定部２１、パラメータ推定部２２及びスレッショルド係数算出部２７を備えている。
　パラメータ設定部２１の内部メモリは、レンジビン信号が示す複数のレンジビンのうち、互いに隣り合っている２つのレンジビンにおけるｔｅｘｔｕｒｅ成分の相関係数を格納している。
　パラメータ設定部２１は、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、１つのクラッタの特徴を示すパラメータ及び相関係数のそれぞれをパラメータ推定部２２に出力する。
　パラメータ設定部２１は、スレッショルド係数算出部２７からスレッショルド係数を算出した旨を示す信号を受けると、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、未だ出力していない１つのクラッタの特徴を示すパラメータ及び相関係数のそれぞれをパラメータ推定部２２に出力する。
　パラメータ推定部２２は、擬似乱数生成部２３及びモデルパラメータ推定部２４を備えている。
　パラメータ推定部２２は、パラメータ設定部２１から１つのクラッタの特徴を示すパラメータ及び相関係数のそれぞれを受ける毎に、当該パラメータと当該相関係数とを用いて、当該クラッタの確率分布モデルのパラメータを推定する。
　擬似乱数生成部２３は、パラメータ設定部２１から１つのクラッタの特徴を示すパラメータ及び相関係数のそれぞれを受ける毎に、当該パラメータと当該相関係数とを用いて、Ｋ分布の擬似乱数列を生成する。
　モデルパラメータ推定部２４は、推定用係数算出部２５及びパラメータ推定処理部２６を備えている。
　モデルパラメータ推定部２４は、擬似乱数生成部２３により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、複数のクラッタにおけるそれぞれの確率分布モデルのパラメータをそれぞれ推定する。
　推定用係数算出部２５は、擬似乱数生成部２３により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率をそれぞれ設定する。
　推定用係数算出部２５は、設定したそれぞれのパラメータ推定用の誤警報確率を用いて、パラメータ推定用のスレッショルド係数をそれぞれ算出する。
　パラメータ推定処理部２６は、推定用係数算出部２５により算出されたそれぞれのパラメータ推定用のスレッショルド係数と、セル選択部１９から出力された注目セルの振幅値と、総和算出部１６により算出された複数のリファレンスセルの振幅値の総和とを用いて、複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定する。
　具体的には、パラメータ推定処理部２６は、推定用係数算出部２５により算出されたそれぞれのパラメータ推定用のスレッショルド係数に基づいて、複数のクラッタにおけるそれぞれの確率分布モデルのパラメータの初期値を設定する。パラメータ推定処理部２６は、当該パラメータの更新処理を繰り返すことによって、複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定する。
　スレッショルド係数算出部２７は、パラメータ推定部２２により推定されたそれぞれの確率分布モデルのパラメータを用いて、スレッショルド係数をそれぞれ算出する。
　スレッショルド係数算出部２７は、算出したそれぞれのスレッショルド係数と、それぞれのスレッショルド係数の算出に用いたクラッタの特徴を示すパラメータとを係数選択部１４に出力する。
　スレッショルド係数算出部２７は、１つのスレッショルド係数を算出すると、１つのスレッショルド係数を算出した旨を示す信号をパラメータ設定部２１に出力する。
　図１では、レーダ装置の一部であるビーム形成器７、レンジビン信号生成部８、クラッタ推定部１０及び目標検出部１１のそれぞれが、図２に示すような専用のハードウェアによって実現されるものを想定している。即ち、レーダ装置の一部が、ビーム形成回路４１、振幅検波回路４２、クラッタ推定回路４３及び目標検出回路４４によって実現されるものを想定している。
　ビーム形成回路４１、振幅検波回路４２、クラッタ推定回路４３及び目標検出回路４４のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、又は、これらを組み合わせたものが該当する。
　レーダ装置の一部は、専用のハードウェアによって実現されるものに限るものではなく、レーダ装置の一部が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）が該当する。
　図５は、レーダ装置の一部が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
　レーダ装置の一部が、ソフトウェア又はファームウェア等によって実現される場合、ビーム形成器７、レンジビン信号生成部８、クラッタ推定部１０及び目標検出部１１の処理手順をコンピュータに実行させるためのプログラムがメモリ５１に格納される。そして、コンピュータのプロセッサ５２がメモリ５１に格納されているプログラムを実行する。
　図６は、レーダ装置の一部の処理手順を示すフローチャートである。
　次に、図１に示すレーダ装置の動作について説明する。
　まず、送信機１は、電波を生成し、生成した電波を送信アンテナ２に出力する。
　送信アンテナ２は、送信機１から出力された電波を、目標に向けて空間に放射する。
　送信アンテナ２から放射された電波は、目標に反射されるほか、海面等のクラッタに反射される。
　受信アンテナ３－１～３－Ｌのそれぞれは、送信アンテナ２から放射されたのち、目標又はクラッタのいずれかに反射されて戻ってきた電波を受信する。
　受信機５－ｌ（ｌ＝１，・・・，Ｌ）は、受信アンテナ３－ｌにより受信された電波の受信処理を実施し、電波の受信信号に含まれているＩ成分及びＱ成分のそれぞれをＡ／Ｄ変換器６－ｌに出力する。
　Ａ／Ｄ変換器６－ｌ（ｌ＝１，・・・，Ｌ）は、受信機５－ｌからＩ成分及びＱ成分のそれぞれを受けると、受信機５－ｌの受信機帯域幅から定まる距離分解能を単位とするレンジビン毎に、Ｉ成分及びＱ成分のそれぞれをアナログ信号からディジタル信号に変換する。Ａ／Ｄ変換器６－ｌは、ディジタル信号をビーム形成器７に出力する。
　ビーム形成器７は、Ａ／Ｄ変換器６－１～６－Ｌから出力されたディジタル信号を受けると、ディジタル信号から、所望の方向に受信ビームを形成する（図６のステップＳＴ１）。
　ディジタル信号から受信ビームを形成する処理自体は、公知の技術であるため詳細な説明を省略する。
　レンジビン信号生成部８は、ビーム形成部４が受信ビームを形成すると、例えば、受信ビームをフーリエ変換することによって、複数のレンジビンにおけるそれぞれの振幅値を示すレンジビン信号を生成する（図６のステップＳＴ２）。
　レンジビン信号生成部８は、生成したレンジビン信号を、スイッチ９を介して、クラッタ推定部１０に出力し、また、生成したレンジビン信号を、目標検出部１１のセル選択部１９に出力する。
　クラッタ推定部１０は、スイッチ９が閉じているとき、レンジビン信号生成部８から出力されたレンジビン信号を用いて、クラッタの特徴を示すパラメータとして、クラッタの形状パラメータν及びクラッタの尺度パラメータｂのそれぞれを推定する（図６のステップＳＴ３）。
　クラッタ推定部１０は、形状パラメータの推定値νチルダ及び尺度パラメータの推定値ｂチルダのそれぞれを目標検出部１１の係数選択部１４に出力する。明細書の文章中では、文字の上に“～”の記号を付することができないので、νチルダ及びｂチルダのように表記している。
　クラッタの形状パラメータν及びクラッタの尺度パラメータｂのそれぞれを推定する処理自体は、公知の技術であるため詳細な説明を省略するが、形状パラメータν及び尺度パラメータｂのそれぞれは、例えば、最尤推定法を用いて推定することが可能である（非特許文献１を参照）。
　目標検出部１１の閾値算出部１２は、想定される複数のクラッタのそれぞれの特徴を示すパラメータとして、それぞれのクラッタの形状パラメータνと、それぞれのクラッタの尺度パラメータｂとを取得する。
　閾値算出部１２は、それぞれのクラッタの形状パラメータνと、それぞれのクラッタの尺度パラメータｂとを用いて、それぞれのクラッタの確率分布モデルのパラメータを推定する（図６のステップＳＴ４）。
　閾値算出部１２は、それぞれの確率分布モデルのパラメータを用いて、クラッタを目標と誤って判定する誤警報確率ｐｆａに基づく閾値を算出する（図６のステップＳＴ５）。
　以下、閾値算出部１２による閾値の算出処理を具体的に説明する。
　係数算出部１３のパラメータ設定部２１は、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、１つのクラッタの特徴を示すパラメータとして、１つのクラッタの形状パラメータνと尺度パラメータｂとを擬似乱数生成部２３及びパラメータ推定処理部２６のそれぞれに出力する。
　また、パラメータ設定部２１は、内部メモリに格納されている相関係数ｋを擬似乱数生成部２３に出力する。
　パラメータ設定部２１は、スレッショルド係数算出部２７からスレッショルド係数Ｔｈを算出した旨を示す信号を受ける毎に、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、未だ出力していない１つのクラッタの特徴を示すパラメータとして、１つのクラッタの形状パラメータνと尺度パラメータｂとを擬似乱数生成部２３及びパラメータ推定処理部２６のそれぞれに出力する。
　したがって、Ｎ（Ｎは１以上の整数）個のクラッタにおけるそれぞれの特徴を示すパラメータとして、形状パラメータν及び尺度パラメータｂの組がＮ組あれば、パラメータ設定部２１は、形状パラメータν及び尺度パラメータｂの組を順番にＮ回出力する。
　擬似乱数生成部２３は、パラメータ設定部２１から、１つのクラッタの特徴を示すパラメータとして、形状パラメータν及び尺度パラメータｂのそれぞれを取得し、パラメータ設定部２１から、相関係数ｋを取得する。
　擬似乱数生成部２３は、形状パラメータνと、尺度パラメータｂと、相関係数ｋとを取得する毎に、形状パラメータνと、尺度パラメータｂと、相関係数ｋとを用いて、Ｋ分布の擬似乱数列を生成する。
　擬似乱数生成部２３は、Ｋ分布の擬似乱数列を生成する毎に、擬似乱数列を推定用係数算出部２５に出力する。
　なお、Ｋ分布の擬似乱数列は、例えば、ＭＮＬＴ（Ｍｅｍｏｒｙｌｅｓｓ　ＮｏｎＬｉｎｅａｒ　Ｔｒａｎｓｆｏｒｍ）法を用いることで、生成することができる。以下の非特許文献２には、形状パラメータνと、尺度パラメータｂと、相関係数ｋとから、ＭＮＬＴ法によってＫ分布の擬似乱数列が生成されていることが記載されている。
［非特許文献２］
Keith D.Ward, Robert J.A. Tough and Simon Watts, Sea Clutter: Scattering, the K Distribution and Radar Performance
　推定用係数算出部２５は、擬似乱数生成部２３からＫ分布の擬似乱数列を受ける毎に、当該擬似乱数列に含まれている複数の擬似乱数を用いて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率Ｐｆａ０を設定する。
　パラメータ推定用の誤警報確率Ｐｆａ０は、例えば、モンテカルロシミュレーションに用いる擬似乱数の数が１００００であるとき、０．０００１よりも大きい誤警報確率である。誤警報確率Ｐｆａ０は、例えば、０．０００１よりも大きい誤警報確率であってもよいため、モンテカルロシミュレーションに用いる擬似乱数として、１００００以上の擬似乱数を用意する必要がない。
　推定用係数算出部２５は、設定したパラメータ推定用の誤警報確率Ｐｆａ０を用いて、パラメータ推定用のスレッショルド係数Ｔｈ０を算出する。
　推定用係数算出部２５は、パラメータ推定用のスレッショルド係数Ｔｈ０をパラメータ推定処理部２６に出力する。
　以下、推定用係数算出部２５によるパラメータ推定用のスレッショルド係数Ｔｈ０の算出処理を具体的に説明する。
　推定用係数算出部２５は、擬似乱数列に含まれている複数の擬似乱数の数に応じて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率Ｐｆａ０を設定する。例えば、モンテカルロシミュレーションに用いる擬似乱数の数が１００００であれば、０．０００１よりも大きい誤警報確率Ｐｆａ０を設定する。
　推定用係数算出部２５は、擬似乱数列に含まれている複数の擬似乱数のうち、任意の１つの擬似乱数を注目セルの振幅値に設定し、残りの擬似乱数のうち、Ｈ個（Ｈは、２以上の整数）の擬似乱数のそれぞれをリファレンスセルの振幅値に設定するとによって、１つのレンジビンデータを生成する。
　また、推定用係数算出部２５は、１つのレンジビンデータに含まれている注目セルの振幅値における擬似乱数を変え、また、１つのレンジビンデータに含まれているリファレンスセルの振幅値におけるそれぞれの擬似乱数を変えることによって、全部でＧ（Ｇは、２以上の整数）個のレンジビンデータを生成する。
　推定用係数算出部２５は、Ｇ個のレンジビンデータのそれぞれに対して、ＣＦＡＲ（Ｃｏｎｓｔａｎｔ　Ｆａｌｓｅ　Ａｌａｒｍ　Ｒａｔｅ）処理を実施し、Ｇ個のレンジビンデータのうち、注目セルの振幅値が、任意のスレッショルド係数よりも大きくなるレンジビンデータの数を特定する。
　推定用係数算出部２５は、特定した数をＧで除算し、除算値が、パラメータ推定用の誤警報確率Ｐｆａ０と一致するように、任意のスレッショルド係数を調整する。
　推定用係数算出部２５は、調整後のスレッショルド係数を、パラメータ推定用のスレッショルド係数Ｔｈ０としてパラメータ推定処理部２６に出力する。
　パラメータ推定処理部２６は、推定用係数算出部２５からパラメータ推定用のスレッショルド係数Ｔｈ０を受けると、確率分布モデルのパラメータを推定する。確率分布モデルは、以下の式（１）のように表される。
　以下、パラメータ推定処理部２６によるパラメータの推定処理を具体的に説明する。

Figure JPOXMLDOC01-appb-I000001
　式（１）において、ｚｔは、セル選択部１９から出力された注目セルの振幅値、ｚｒは、総和算出部１６から出力された複数のリファレンスセルの振幅値の総和である。
　Ｇ（ｚｔ，ｚｒ）は、注目セルの振幅値ｚｔと複数のリファレンスセルの振幅値の総和ｚｒとの同時確率密度関数であり、確率分布モデルに相当する。
　ｂｔは、注目セルの振幅値における尺度パラメータであって、パラメータ設定部２１から出力された尺度パラメータである。ｂｒは、複数のリファレンスセルの振幅値の総和における尺度パラメータであって、以下の式（２）によって推定される尺度パラメータｂｒチルダに相当する。
　νは、パラメータ設定部２１から出力された形状パラメータ、ｋは、互いに隣り合っている２つのレンジビンにおけるｔｅｘｔｕｒｅ成分の相関係数であり、式（２）によって推定される相関係数ｋチルダに相当する。
　αは、形状補正パラメータであって、式（２）によって推定される形状補正パラメータαチルダに相当する。ｍは、変数であり、ｍ＝０，１，・・・，∞である。

Figure JPOXMLDOC01-appb-I000002
　式（２）において、αチルダは、形状補正パラメータの推定値、ｂｒチルダは、複数のリファレンスセルの振幅値の総和における尺度パラメータの推定値、ｋチルダは、相関係数の推定値である。
　εは、式（２）の収束を判定するための微小値であって、１よりも十分に小さい値である。
　パラメータ推定処理部２６は、確率分布モデルのパラメータとして、式（２）を用いて、αチルダ、ｂｒチルダ及びｋチルダのそれぞれを推定する。
　パラメータ推定処理部２６は、αチルダ、ｂｒチルダ及びｋチルダのそれぞれが、最適値となるように、例えば、最適化法等を用いて、αチルダ、ｂｒチルダ及びｋチルダのそれぞれを繰り返し更新することによって、αチルダ、ｂｒチルダ及びｋチルダのそれぞれを推定する。
　形状補正パラメータαの初期値αｉｎｉ、尺度パラメータｂｒの初期値ｂｉｎｉ及び相関係数ｋの初期値ｋｉｎｉのそれぞれは、以下の式（３）の右辺がパラメータ推定用の誤警報確率Ｐｆａ０と近似するような値である。

Figure JPOXMLDOC01-appb-I000003
　式（３）において、Ｇチルダ（ｚｔ，ｚｒ｜αｉｎｉ，ｂｉｎｉ，ｋｉｎｉ）は、形状補正パラメータαの初期値αｉｎｉ、尺度パラメータｂｒの初期値ｂｉｎｉ及び相関係数ｋの初期値ｋｉｎｉが、式（１）に代入されたときの同時確率密度関数Ｇ（ｚｔ，ｚｒ）に相当する。
　図１に示すレーダ装置では、式（１）に示す同時確率密度関数Ｇ（ｚｔ，ｚｒ）から求める確率密度関数ｐ（ｚｒ）の形状が、以下の式（４）に示すように、擬似乱数生成部２３により生成される擬似乱数のヒストグラムと類似するように、同時確率密度関数Ｇチルダ（ｚｔ，ｚｒ｜αｉｎｉ，ｂｉｎｉ，ｋｉｎｉ）が設定されている。擬似乱数のヒストグラムは、擬似乱数の総和が１となるように正規化されたものである。

Figure JPOXMLDOC01-appb-I000004
　パラメータ推定処理部２６は、１つのクラッタの確率分布モデルのパラメータとして、形状補正パラメータの推定値αチルダ、複数のリファレンスセルの振幅値の総和における尺度パラメータの推定値ｂｒチルダ及び相関係数の推定値ｋチルダのそれぞれをスレッショルド係数算出部２７に出力する。
　スレッショルド係数算出部２７は、パラメータ推定処理部２６から出力された形状補正パラメータの推定値αチルダと、尺度パラメータの推定値ｂｒチルダと、相関係数の推定値ｋチルダと、誤警報確率Ｐｆａと、注目セルの振幅値ｚｔと、複数のリファレンスセルの振幅値の総和ｚｒとを、以下の式（５）に代入することで、スレッショルド係数Ｔｈを算出する。

Figure JPOXMLDOC01-appb-I000005
　誤警報確率Ｐｆａは、スレッショルド係数算出部２７の内部メモリに格納されていてもよいし、スレッショルド係数算出部２７の外部から与えられるものであってもよい。
　誤警報確率Ｐｆａは、例えば、擬似乱数のサンプル数が１００００であるとき、０．０００１よりも小さい誤警報確率である。誤警報確率Ｐｆａ＜誤警報確率Ｐｆａ０である。
　なお、注目セルの振幅値ｚｔは、目標判定部１８のセル選択部１９から得ており、複数のリファレンスセルの振幅値の総和ｚｒは、総和算出部１６から得ている。
　スレッショルド係数算出部２７は、スレッショルド係数Ｔｈを算出すると、スレッショルド係数Ｔｈを係数選択部１４に出力する。
　また、スレッショルド係数算出部２７は、スレッショルド係数Ｔｈの算出に用いたパラメータとして、形状パラメータν及び尺度パラメータｂのそれぞれを係数選択部１４に出力する。
　スレッショルド係数算出部２７は、１つのスレッショルド係数Ｔｈを算出すると、１つのスレッショルド係数Ｔｈを算出した旨を示す信号をパラメータ設定部２１に出力する。
　係数選択部１４のデータテーブル１５は、スレッショルド係数算出部２７から出力されたＮ組のデータとして、スレッショルド係数Ｔｈ、形状パラメータν及び尺度パラメータｂの組をＮ個保存する。
　係数選択部１４は、クラッタ推定部１０から出力された推定値を取得する。クラッタ推定部１０から出力された推定値は、形状パラメータνの推定値と、尺度パラメータｂの推定値とである。
　係数選択部１４は、例えば、Ｎ組のデータに含まれているパラメータと、クラッタ推定部１０から出力された推定値との類似度を判定する公知の処理を実施することによって、Ｎ組のデータの中から、クラッタ推定部１０から出力された推定値と最も近いパラメータを含んでいるデータを選択する。
　係数選択部１４は、選択したデータに含まれているスレッショルド係数Ｔｈを閾値生成部１７に出力する。
　目標判定部１８のセル選択部１９は、レンジビン信号生成部８からレンジビン信号を受けると、図７に示すように、レンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、注目セルの振幅値を、パラメータ推定処理部２６、スレッショルド係数算出部２７及び振幅比較部２０のそれぞれに出力する。
　また、セル選択部１９は、図７に示すように、レンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、複数のリファレンスセルにおけるそれぞれの振幅値を総和算出部１６に出力する。
　図７は、セル選択部１９、総和算出部１６及び閾値生成部１７の処理内容を示す説明図である。
　総和算出部１６は、セル選択部１９から複数のリファレンスセルにおけるそれぞれの振幅値を受けると、図７に示すように、複数のリファレンスセルの振幅値の総和ｚｒを算出する。
　総和算出部１６は、複数のリファレンスセルの振幅値の総和ｚｒを、パラメータ推定処理部２６、スレッショルド係数算出部２７及び閾値生成部１７のそれぞれに出力する。
　閾値生成部１７は、総和算出部１６から振幅値の総和ｚｒを受けると、振幅値の総和ｚｒに、係数選択部１４により選択されたスレッショルド係数Ｔｈを乗算することで閾値を生成する。
　閾値生成部１７は、生成した閾値を目標判定部１８の振幅比較部２０に出力する。
　目標判定部１８は、セル選択部１９から出力された注目セルの振幅値と、閾値生成部１７から出力された閾値とを比較する。
　目標判定部１８は、注目セルの振幅値が閾値よりも大きければ（図６のステップＳＴ６：ＹＥＳの場合）、注目セルに目標が存在していると判定し、目標が存在している旨を示す目標信号を外部に出力する（図６のステップＳＴ７）。
　目標判定部１８は、注目セルの振幅値が閾値以下であれば（図６のステップＳＴ６：ＮＯの場合）、注目セルに目標が存在していないと判定し、目標が存在している旨を示す目標信号を外部に出力しない（図６のステップＳＴ８）。
　以上の実施の形態１では、目標又はクラッタのいずれかに反射された電波が受信アンテナ３－１～３－Ｌによって受信されると、受信アンテナ３－１～３－Ｌにより受信された電波から受信ビームを形成するビーム形成部４と、ビーム形成部４により形成された受信ビームから、複数のレンジビンにおけるそれぞれの振幅値を示すレンジビン信号を生成するレンジビン信号生成部８と、クラッタの特徴を示すパラメータを用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、クラッタを目標と誤って判定する誤警報確率に基づく閾値を算出する閾値算出部１２と、レンジビン信号生成部８により生成されたレンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、目標検出対象のレンジビンである注目セルの振幅値と、閾値算出部１２により算出された閾値とを比較し、注目セルの振幅値と閾値との比較結果に基づいて、注目セルにおける目標の有無を判定する目標判定部１８とを備えるように、レーダ装置を構成した。したがって、レーダ装置は、複数の擬似乱数を用いるモンテカルロシミュレーションを行ってスレッショルド係数を算出することにより、誤警報確率に基づく閾値を生成するよりも、誤警報確率に基づく閾値を生成するためのサンプルの数を抑えることができる。閾値を生成するために用いるサンプルは、擬似乱数生成部２３により生成される擬似乱数である。
　図１に示すレーダ装置では、スレッショルド係数算出部２７が、スレッショルド係数Ｔｈを係数選択部１４に出力し、スレッショルド係数Ｔｈの算出に用いたパラメータとして、形状パラメータν及び尺度パラメータｂのそれぞれを係数選択部１４に出力している。
　そして、係数選択部１４のデータテーブル１５が、スレッショルド係数算出部２７から出力されたＮ組のデータとして、スレッショルド係数Ｔｈ、形状パラメータν及び尺度パラメータｂの組をＮ個保存している。
　しかし、これは一例に過ぎず、スレッショルド係数算出部２７が、スレッショルド係数Ｔｈを係数選択部１４に出力し、スレッショルド係数Ｔｈの算出に用いたパラメータとして、形状パラメータν及び尺度パラメータｂのそれぞれを係数選択部１４に出力し、さらに、スレッショルド係数Ｔｈの算出に用いた相関係数ｋを係数選択部１４に出力するようにしてもよい。
　この場合、係数選択部１４のデータテーブル１５は、スレッショルド係数算出部２７から出力されたＮ組のデータとして、スレッショルド係数Ｔｈ、形状パラメータν、尺度パラメータｂ及び相関係数ｋの組をＮ個保存する。
　また、クラッタ推定部１０は、レンジビン信号が示す複数のレンジビンのうち、互いに隣り合っている２つのレンジビンにおけるｔｅｘｔｕｒｅ成分の相関係数ｋを推定し、相関係数の推定値ｋチルダを係数選択部１４に出力する。
　相関係数を推定する処理自体は、公知の技術であるため詳細な説明を省略するが、相関係数の推定値ｋチルダは、例えば、レンジ方向に直交するアジマス方向の観測データと相関が高いため、アジマス方向の観測データを用いて推定することが可能である（非特許文献３を参照）。
［非特許文献３］
T. Bucciarelli, P. Lombardo, S. Tamburrini　, “Optimum ＣＦＡＲ detection against compound Gaussian clutter with partially correlated texture,” IEE Proc., Radar Sonar Navig. volume 143, issue 2, P95 1996.
　係数選択部１４は、クラッタ推定部１０から出力された推定値を取得する。クラッタ推定部１０から出力された推定値は、形状パラメータνの推定値と、尺度パラメータｂの推定値と、相関係数ｋの推定値とである。
　係数選択部１４は、例えば、Ｎ組のデータに含まれているパラメータと、クラッタ推定部１０から出力された推定値との類似度を判定する公知の処理を実施することによって、Ｎ組のデータの中から、クラッタ推定部１０から出力された推定値と最も近いパラメータを含んでいるデータを選択する。
　係数選択部１４は、選択したデータに含まれているスレッショルド係数Ｔｈを閾値生成部１７に出力する。
実施の形態２．
　実施の形態１に係るレーダ装置では、閾値算出部１２が、係数算出部１３、係数選択部１４、総和算出部１６及び閾値生成部１７を備えている。
　実施の形態２では、閾値算出部３０が、係数算出部３１、総和算出部１６及び閾値生成部１７を備えているレーダ装置について説明する。
　実施の形態２に係るレーダ装置を示す構成図は、実施の形態１に係るレーダ装置を示す構成図と同じ図１である。
　ただし、実施の形態２に係るレーダ装置は、目標検出部１１が、閾値算出部３０及び目標判定部１８を備えている。
　図８は、実施の形態２に係るレーダ装置における閾値算出部３０及び目標判定部１８のそれぞれを示す構成図である。図８において、図３と同一符号は同一又は相当部分を示すので説明を省略する。
　閾値算出部３０は、係数算出部３１、総和算出部１６及び閾値生成部１７を備えている。
　閾値算出部３０は、クラッタ推定部１０から出力された形状パラメータの推定値νチルダ、尺度パラメータの推定値ｂチルダ及び相関係数の推定値ｋチルダのそれぞれを取得する。
　閾値算出部３０は、形状パラメータの推定値νチルダ、尺度パラメータの推定値ｂチルダ及び相関係数の推定値ｋチルダのそれぞれを用いて、クラッタの確率分布モデルのパラメータを推定する。
　閾値算出部３０は、確率分布モデルのパラメータを用いて、クラッタを目標と誤って判定する誤警報確率Ｐｆａに基づく閾値を算出する。
　図９は、係数算出部３１を示す構成図である。
　係数算出部３１は、パラメータ推定部３２及びスレッショルド係数算出部３７を備えている。
　パラメータ推定部３２は、擬似乱数生成部３３及びモデルパラメータ推定部３４を備えている。
　パラメータ推定部３２は、クラッタ推定部１０から出力された形状パラメータの推定値νチルダ、尺度パラメータの推定値ｂチルダ及び相関係数の推定値ｋチルダのそれぞれを用いて、当該クラッタの確率分布モデルのパラメータを推定する。
　擬似乱数生成部３３は、クラッタ推定部１０から出力された形状パラメータの推定値νチルダ、尺度パラメータの推定値ｂチルダ及び相関係数の推定値ｋチルダのそれぞれを用いて、Ｋ分布の擬似乱数列を生成する。
　モデルパラメータ推定部３４は、推定用係数算出部３５及びパラメータ推定処理部３６を備えている。
　モデルパラメータ推定部３４は、擬似乱数生成部３３により生成された擬似乱数列に含まれている複数の擬似乱数を用いて、クラッタの確率分布モデルのパラメータを推定する。
　推定用係数算出部３５は、擬似乱数生成部３３により生成された擬似乱数に含まれている複数の擬似乱数を用いて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率Ｐｆａ０を設定する。
　推定用係数算出部３５は、設定したパラメータ推定用の誤警報確率Ｐｆａ０を用いて、パラメータ推定用のスレッショルド係数Ｔｈ０を算出する。
　パラメータ推定処理部３６は、推定用係数算出部３５により算出されたパラメータ推定用のスレッショルド係数Ｔｈ０と、セル選択部１９から出力された注目セルの振幅値ｚｔと、総和算出部１６により算出された複数のリファレンスセルの振幅値の総和ｚｒとを用いて、クラッタの確率分布モデルのパラメータを推定する。
　パラメータ推定処理部３６は、クラッタの確率分布モデルのパラメータをスレッショルド係数算出部３７に出力する。
　スレッショルド係数算出部３７は、パラメータ推定部３２により推定された確率分布モデルのパラメータを用いて、スレッショルド係数Ｔｈを算出する。
　スレッショルド係数算出部３７は、算出したスレッショルド係数Ｔｈを閾値生成部１７に出力する。
　次に、実施の形態２に係るレーダ装置の動作について説明する。ここでは、実施の形態１に係るレーダ装置と相違する部分の動作について説明する。
　クラッタ推定部１０は、スイッチ９が閉じているとき、実施の形態１に係るレーダ装置と同様に、レンジビン信号生成部８から出力されたレンジビン信号を用いて、クラッタの特徴を示すパラメータとして、クラッタの形状パラメータν及びクラッタの尺度パラメータｂのそれぞれを推定する。
　クラッタ推定部１０は、形状パラメータの推定値νチルダ及び尺度パラメータの推定値ｂチルダのそれぞれを目標検出部１１の係数算出部３１に出力する。
　実施の形態２に係るレーダ装置では、クラッタ推定部１０は、レンジビン信号が示す複数のレンジビンのうち、互いに隣り合っている２つのレンジビンにおけるｔｅｘｔｕｒｅ成分の相関係数についても推定する。相関係数を推定する処理自体は、公知の技術であるため詳細な説明を省略する。
　クラッタ推定部１０は、相関係数の推定値ｋチルダを係数算出部３１に出力する。
　係数算出部３１の擬似乱数生成部３３は、クラッタ推定部１０から出力された形状パラメータの推定値νチルダ、尺度パラメータの推定値ｂチルダ及び相関係数の推定値ｋチルダのそれぞれを取得する。
　擬似乱数生成部３３は、形状パラメータの推定値νチルダ、尺度パラメータの推定値ｂチルダ及び相関係数の推定値ｋチルダのそれぞれを用いて、Ｋ分布の擬似乱数列を生成する。
　擬似乱数生成部３３は、Ｋ分布の擬似乱数列を推定用係数算出部３５に出力する。Ｋ分布の擬似乱数列は、例えば、ＭＮＬＴ法を用いることで生成することができる。
　推定用係数算出部３５は、擬似乱数生成部３３からＫ分布の擬似乱数列を受けると、擬似乱数列に含まれている複数の擬似乱数を用いて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率Ｐｆａ０を設定する。
　パラメータ推定用の誤警報確率Ｐｆａ０は、例えば、モンテカルロシミュレーションに用いる擬似乱数の数が１００００であるとき、０．０００１よりも大きい誤警報確率である。
　推定用係数算出部３５は、設定したパラメータ推定用の誤警報確率Ｐｆａ０を用いて、パラメータ推定用のスレッショルド係数Ｔｈ０を算出する。
　推定用係数算出部３５は、パラメータ推定用のスレッショルド係数Ｔｈ０をパラメータ推定処理部３６に出力する。
　パラメータ推定用の誤警報確率Ｐｆａ０を用いて、パラメータ推定用のスレッショルド係数Ｔｈ０を算出する処理自体は、公知の技術であるため詳細な説明を省略する。
　パラメータ推定処理部３６は、推定用係数算出部３５により算出されたパラメータ推定用のスレッショルド係数Ｔｈ０と、セル選択部１９から出力された注目セルの振幅値ｚｔと、総和算出部１６により算出された複数のリファレンスセルの振幅値の総和ｚｒとを取得する。
　パラメータ推定処理部３６は、図４に示すパラメータ推定処理部２６と同様に、パラメータ推定用のスレッショルド係数Ｔｈ０と、注目セルの振幅値ｚｔと、複数のリファレンスセルの振幅値の総和ｚｒとを用いて、クラッタの確率分布モデルのパラメータを推定する。
　クラッタの確率分布モデルのパラメータは、式（２）を用いて推定される、形状補正パラメータα、複数のリファレンスセルの振幅値の総和における尺度パラメータｂｒ及び相関係数ｋのそれぞれである。
　パラメータ推定処理部３６は、形状補正パラメータの推定値αチルダ、複数のリファレンスセルの振幅値の総和における尺度パラメータの推定値ｂｒチルダ及び相関係数の推定値ｋチルダのそれぞれをスレッショルド係数算出部３７に出力する。
　スレッショルド係数算出部３７は、パラメータ推定処理部３６から出力された形状補正パラメータの推定値αチルダと、尺度パラメータの推定値ｂｒチルダと、相関係数の推定値ｋチルダと、誤警報確率Ｐｆａと、注目セルの振幅値ｚｔと、複数のリファレンスセルの振幅値の総和ｚｒとを、式（５）に代入することで、スレッショルド係数Ｔｈを算出する。
　誤警報確率Ｐｆａは、スレッショルド係数算出部３７の内部メモリに格納されていてもよいし、スレッショルド係数算出部３７の外部から与えられるものであってもよい。
　誤警報確率Ｐｆａは、例えば、モンテカルロシミュレーションに用いる擬似乱数の数が１００００であるとき、０．０００１よりも小さい誤警報確率である。誤警報確率Ｐｆａ＜誤警報確率Ｐｆａ０である。
　なお、注目セルの振幅値ｚｔは、目標判定部１８のセル選択部１９から得ており、複数のリファレンスセルの振幅値の総和ｚｒは、総和算出部１６から得ている。
　スレッショルド係数算出部３７は、スレッショルド係数Ｔｈを閾値生成部１７に出力する。
　以上の実施の形態２では、レンジビン信号生成部８により生成されたレンジビン信号を用いて、クラッタの特徴を示すパラメータを推定するクラッタ推定部１０を備え、閾値算出部３０が、クラッタ推定部１０により推定されたパラメータを用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、スレッショルド係数を算出する係数算出部３１と、レンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、複数のリファレンスセルの振幅値の総和を算出する総和算出部１６と、総和算出部１６により算出された振幅値の総和に、係数算出部３１により算出されたスレッショルド係数を乗算することで閾値を生成する閾値生成部１７とを備えるように、レーダ装置を構成した。したがって、実施の形態２に係るレーダ装置は、実施の形態１に係るレーダ装置と同様に、複数の擬似乱数を用いるモンテカルロシミュレーションを行ってスレッショルド係数を算出することにより、誤警報確率に基づく閾値を生成するよりも、誤警報確率に基づく閾値を生成するためのサンプルの数を抑えることができる。また、実施の形態２に係るレーダ装置は、データテーブル１５を有する係数選択部１４が不要であるため、実施の形態１に係るレーダ装置よりも、ハードウェアを削除することができる。
実施の形態３．
　実施の形態３では、閾値算出部６０が、レンジビン信号生成部８により生成されたレンジビン信号を用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、スレッショルド係数Ｔｈを算出する係数算出部６１を備えるレーダ装置について説明する。
　実施の形態３に係るレーダ装置を示す構成図は、実施の形態１に係るレーダ装置を示す構成図と同じ図１である。
　ただし、実施の形態３に係るレーダ装置は、目標検出部１１が、閾値算出部６０及び目標判定部１８を備えている。
　図１０は、実施の形態３に係るレーダ装置における閾値算出部６０及び目標判定部１８のそれぞれを示す構成図である。図１０において、図３及び図８と同一符号は同一又は相当部分を示すので説明を省略する。
　閾値算出部６０は、係数算出部６１、総和算出部１６及び閾値生成部１７を備えている。
　閾値算出部６０は、レンジビン信号生成部８により生成されたレンジビン信号を用いて、クラッタの確率分布モデルのパラメータを推定する。
　閾値算出部６０は、確率分布モデルのパラメータを用いて、クラッタを目標と誤って判定する誤警報確率Ｐｆａに基づく閾値を算出する。
　図１１は、係数算出部６１を示す構成図である。図１１において、図９と同一符号は同一又は相当部分を示すので説明を省略する。
　係数算出部６１は、推定用係数算出部６２、パラメータ推定処理部３６及びスレッショルド係数算出部３７を備えている。
　推定用係数算出部６２は、レンジビン信号生成部８により生成されたレンジビン信号を用いて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率Ｐｆａ０を設定する。
　推定用係数算出部６２は、設定したパラメータ推定用の誤警報確率Ｐｆａ０を用いて、パラメータ推定用のスレッショルド係数Ｔｈ０を算出する。
　推定用係数算出部６２は、パラメータ推定用のスレッショルド係数Ｔｈ０をパラメータ推定処理部３６に出力する。
　次に、実施の形態３に係るレーダ装置の動作について説明する。ここでは、実施の形態１，２に係るレーダ装置と相違する部分の動作について説明する。
　推定用係数算出部６２は、レンジビン信号生成部８からレンジビン信号を受けると、レンジビン信号を用いて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率Ｐｆａ０を設定する。
　パラメータ推定用の誤警報確率Ｐｆａ０は、例えば、０．０００１よりも大きい誤警報確率である。
　推定用係数算出部６２は、図４に示す推定用係数算出部２５と同様に、設定したパラメータ推定用の誤警報確率Ｐｆａ０を用いて、パラメータ推定用のスレッショルド係数Ｔｈ０を算出する。
　推定用係数算出部６２は、算出したパラメータ推定用のスレッショルド係数Ｔｈ０をパラメータ推定処理部３６に出力する。
　図４に示す推定用係数算出部２５は、擬似乱数列に含まれている複数の擬似乱数を用いて、レンジビンデータを生成している。
　レンジビン信号生成部８から出力されたレンジビン信号は、注目セルの振幅値と、複数のリファレンスセルの振幅値とを含んでいるので、推定用係数算出部６２は、レンジビン信号生成部８から順次出力されたＧ個のレンジビン信号を、Ｇ個のレンジビンデータとしている。
　推定用係数算出部６２が、Ｇ個のレンジビンデータからパラメータ推定用のスレッショルド係数Ｔｈ０を算出処理自体は、図４に示す推定用係数算出部２５と同様である。
　以上の実施の形態３では、レンジビン信号生成部８により生成されたレンジビン信号を用いて、クラッタの特徴を示すパラメータを推定するクラッタ推定部１０を備え、閾値算出部６０が、レンジビン信号を用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、スレッショルド係数を算出する係数算出部６１と、レンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、複数のリファレンスセルの振幅値の総和を算出する総和算出部１６と、総和算出部１６により算出された振幅値の総和に、係数算出部６１により算出されたスレッショルド係数を乗算することで閾値を生成する閾値生成部１７と備えるように、レーダ装置を構成した。したがって、実施の形態３に係るレーダ装置は、実施の形態１，２に係るレーダ装置と同様に、複数の擬似乱数を用いるモンテカルロシミュレーションを行ってスレッショルド係数を算出することにより、誤警報確率に基づく閾値を生成するよりも、誤警報確率に基づく閾値を生成するためのサンプルの数を抑えることができる。また、実施の形態３に係るレーダ装置では、閾値算出部６０が、想定されるクラッタの特徴を示すパラメータではなく、実データであるレンジビン信号を用いて、スレッショルド係数を算出している。このため、実施の形態３に係るレーダ装置は、実施の形態１に係るレーダ装置よりも、閾値生成部１７により生成される閾値の精度を高めることができる。
実施の形態４．
　実施の形態１に係るレーダ装置では、形状補正パラメータαの初期値αｉｎｉ、尺度パラメータｂｒの初期値ｂｉｎｉ及び相関係数ｋの初期値ｋｉｎｉとして、パラメータ推定処理部２６が、式（３）の右辺がパラメータ推定用の誤警報確率Ｐｆａ０と近似するような値を用いている。また、擬似乱数のヒストグラムと類似するように、同時確率密度関数Ｇチルダ（ｚｔ，ｚｒ｜αｉｎｉ，ｂｉｎｉ，ｋｉｎｉ）が設定されている。
　実施の形態４では、パラメータ推定処理部７３が、形状補正パラメータαの初期値αｉｎｉ、尺度パラメータｂｒの初期値ｂｉｎｉ及び相関係数ｋの初期値ｋｉｎｉとして、それぞれの初期値の尤度値Ｌ（αｉｎｉチルダ，ｂｉｎｉチルダ，ｋｉｎｉチルダ）が最も大きくなる値を用いるレーダ装置について説明する。
　実施の形態４に係るレーダ装置を示す構成図は、実施の形態１に係るレーダ装置を示す構成図と同じ図１である。
　ただし、実施の形態４に係るレーダ装置は、目標検出部１１が、閾値算出部７０及び目標判定部１８を備えている。
　図１２は、実施の形態４に係るレーダ装置における閾値算出部７０及び目標判定部１８のそれぞれを示す構成図である。図１２において、図３と同一符号は同一又は相当部分を示すので説明を省略する。
　閾値算出部７０は、係数算出部７１、係数選択部１４、総和算出部１６及び閾値生成部１７を備えている。
　閾値算出部７０は、図３に示す閾値算出部１２と同様に、想定される複数のクラッタのそれぞれの特徴を示すパラメータを取得する。
　閾値算出部７０は、図３に示す閾値算出部１２と同様に、想定されるクラッタの特徴を示すパラメータを用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、クラッタを目標と誤って判定する誤警報確率Ｐｆａに基づく閾値を算出する。
　ただし、閾値算出部７０は、複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定する際、確率分布モデルのパラメータの初期値、即ち、形状補正パラメータαの初期値αｉｎｉ、尺度パラメータｂｒの初期値ｂｉｎｉ及び相関係数ｋの初期値ｋｉｎｉを、初期値の尤度値に基づいて設定する。
　図１３は、係数算出部７１を示す構成図である。図１３において、図４と同一符号は同一又は相当部分を示すので説明を省略する。
　係数算出部７１は、パラメータ設定部２１、パラメータ推定部７２及びスレッショルド係数算出部２７を備えている。
　パラメータ推定部７２は、擬似乱数生成部２３、推定用係数算出部２５及びパラメータ推定処理部７３を備えている。
　パラメータ推定処理部７３は、図４に示すパラメータ推定処理部２６と同様に、推定用係数算出部２５により算出されたそれぞれのパラメータ推定用のスレッショルド係数Ｐｆａ０と、セル選択部１９から出力された注目セルの振幅値ｚｔと、総和算出部１６により算出された複数のリファレンスセルの振幅値の総和ｚｒとを用いて、複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定する。
　パラメータ推定処理部７３は、図４に示すパラメータ推定処理部２６と異なり、形状補正パラメータαの初期値αｉｎｉ、尺度パラメータｂｒの初期値ｂｉｎｉ及び相関係数ｋの初期値ｋｉｎｉとして、それぞれの初期値の尤度値Ｌ（αｉｎｉチルダ，ｂｉｎｉチルダ，ｋｉｎｉチルダ）が最も大きくなる値を用いる。
　次に、実施の形態４に係るレーダ装置の動作について説明する。ここでは、実施の形態１に係るレーダ装置と相違する部分の動作について説明する。
　パラメータ推定処理部７３は、形状補正パラメータαの初期値αｉｎｉ、尺度パラメータｂｒの初期値ｂｉｎｉ及び相関係数ｋの初期値ｋｉｎｉとして、以下の式（６）に示すように、それぞれの初期値の尤度値Ｌ（αｉｎｉチルダ，ｂｉｎｉチルダ，ｋｉｎｉチルダ）が最も大きくなる値を設定する。

Figure JPOXMLDOC01-appb-I000006
　式（７）において、Ｌ（αｉｎｉチルダ，ｂｉｎｉチルダ，ｋｉｎｉチルダ）は、尤度関数である。
　式（７）の右辺は、関数Ｇチルダ（ｚｔ，ｚｒ｜αｉｎｉチルダ，ｂｉｎｉチルダ，ｋｉｎｉチルダ）を、注目セルの振幅値ｚｔ及びリファレンスセルの振幅値ｚｒのそれぞれによって積分していることを示している。式（７）の左辺は、積分の結果が、それぞれの初期値の尤度値Ｌ（αｉｎｉチルダ，ｂｉｎｉチルダ，ｋｉｎｉチルダ）であることを示している。尤度値Ｌ（αｉｎｉチルダ，ｂｉｎｉチルダ，ｋｉｎｉチルダ）に含まれているαｉｎｉチルダ、ｂｉｎｉチルダ及びｋｉｎｉチルダのそれぞれは、初期値の候補値である。
　式（６）は、それぞれの尤度値が最も大きくなるときの候補値が、それぞれの初期値になることを示している。
　以上の実施の形態４では、パラメータ推定処理部７３が、複数のクラッタにおけるそれぞれの確率分布モデルのパラメータの初期値を、初期値の尤度値に基づいて設定するように、レーダ装置を構成した。したがって、実施の形態４に係るレーダ装置は、実施の形態１に係るレーダ装置と同様に、複数の擬似乱数を用いるモンテカルロシミュレーションを行ってスレッショルド係数を算出することにより、誤警報確率に基づく閾値を生成するよりも、誤警報確率に基づく閾値を生成するためのサンプルの数を抑えることができる。また、実施の形態４に係るレーダ装置は、実施の形態１に係るレーダ装置よりも、確率分布モデルのパラメータの推定精度を高めることができる。
実施の形態５．
　実施の形態５では、閾値算出部８０が、係数算出部８１、係数選択部８９、総和算出部１６及び閾値生成部９１を備えているレーダ装置について説明する。
　実施の形態５に係るレーダ装置を示す構成図は、実施の形態１に係るレーダ装置を示す構成図と同じ図１である。
　ただし、実施の形態５に係るレーダ装置は、目標検出部１１が、閾値算出部８０及び目標判定部１８を備えている。
　図１４は、実施の形態５に係るレーダ装置における閾値算出部８０及び目標判定部１８のそれぞれを示す構成図である。図１４において、図３と同一符号は同一又は相当部分を示すので説明を省略する。
　閾値算出部８０は、係数算出部８１、係数選択部８９、総和算出部１６及び閾値生成部９１を備えている。
　閾値算出部８０は、図３に示す閾値算出部１２と同様に、想定される複数のクラッタのそれぞれの特徴を示すパラメータを取得する。
　閾値算出部８０は、想定されるクラッタの特徴を示すパラメータを用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、クラッタを目標と誤って判定する誤警報確率Ｐｆａに基づく閾値を算出する。
　図１５は、係数算出部８１を示す構成図である。
　係数算出部８１は、パラメータ設定部８２、パラメータ推定部８３及びスレッショルド係数算出部８８を備えている。
　パラメータ設定部８２の内部メモリは、レンジビン信号が示す複数のレンジビンのうち、互いに隣り合っている２つのレンジビンにおけるｔｅｘｔｕｒｅ成分の相関係数を格納している。
　パラメータ設定部８２は、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、１つのクラッタの特徴を示すパラメータ及び相関係数のそれぞれをパラメータ推定部８３に出力する。
　パラメータ設定部８２は、スレッショルド係数算出部８８からスレッショルド係数の平均値を算出した旨を示す信号を受けると、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、未だ出力していない１つのクラッタの特徴を示すパラメータ及び相関係数のそれぞれをパラメータ推定部８３に出力する。
　パラメータ設定部８２は、複数のクラッタにおけるそれぞれの特徴を示すパラメータの出力が完了すると、平均値の算出を指示する信号をスレッショルド係数算出部８８に出力する。
　パラメータ推定部８３は、擬似乱数生成部８４及びモデルパラメータ推定部８５を備えている。
　擬似乱数生成部８４は、パラメータ設定部８２から１つのクラッタの特徴を示すパラメータ及び相関係数のそれぞれを受ける毎に、当該パラメータと当該相関係数とを用いて、互いに異なる複数のＫ分布の擬似乱数列をそれぞれ生成する。
　擬似乱数生成部８４は、複数の擬似乱数列のそれぞれをモデルパラメータ推定部８５に出力する。
　モデルパラメータ推定部８５は、推定用係数算出部８６及びパラメータ推定処理部８７を備えている。
　モデルパラメータ推定部８５は、パラメータ推定部８３が、パラメータ設定部８２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、擬似乱数生成部８４により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定する。
　推定用係数算出部８６は、パラメータ推定部８３が、パラメータ設定部８２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、擬似乱数生成部８４により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率Ｐｆａ０をそれぞれ設定する。
　推定用係数算出部８６は、設定したそれぞれのパラメータ推定用の誤警報確率Ｐｆａ０を用いて、パラメータ推定用のスレッショルド係数Ｔｈ０をそれぞれ算出する。
　パラメータ推定処理部８７は、パラメータ推定部８３が、パラメータ設定部８２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、推定用係数算出部８６により算出されたそれぞれのパラメータ推定用のスレッショルド係数Ｔｈ０等を用いて、クラッタの確率分布モデルのパラメータをそれぞれ推定する。
　パラメータ推定処理部８７は、それぞれの確率分布モデルのパラメータの推定値をスレッショルド係数算出部８８に出力する。
　スレッショルド係数算出部８８は、パラメータ推定部８３が、パラメータ設定部８２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、パラメータ推定処理部８７により推定されたそれぞれの確率分布モデルのパラメータを用いて、スレッショルド係数Ｔｈをそれぞれ算出する。
　スレッショルド係数算出部８８は、パラメータ推定部８３が、パラメータ設定部８２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、パラメータ設定部８２から平均値の算出を指示する信号を受けると、算出した複数のスレッショルド係数Ｔｈの平均値を算出する。
　スレッショルド係数算出部８８は、スレッショルド係数Ｔｈの平均値と、スレッショルド係数Ｔｈの算出に用いたクラッタの特徴を示すパラメータとを係数選択部８９に出力する。
　スレッショルド係数算出部８８は、スレッショルド係数Ｔｈの平均値を算出すると、スレッショルド係数Ｔｈの平均値を算出した旨を示す信号をパラメータ設定部８２に出力する。
　係数選択部８９は、データテーブル９０を備えている。
　データテーブル９０は、係数算出部８１から出力されたそれぞれのスレッショルド係数Ｔｈの平均値と、それぞれのスレッショルド係数の算出に用いたクラッタの特徴を示すパラメータとの組を記憶する記憶媒体である。
　係数選択部８９は、データテーブル９０に記憶されている複数のパラメータの中から、クラッタ推定部１０から出力されたパラメータの推定値と対応関係があるパラメータを選択する。
　係数選択部８９は、データテーブル１５に記憶されている複数のスレッショルド係数Ｔｈの平均値の中から、選択したパラメータを用いて算出されたスレッショルド係数Ｔｈの平均値を選択し、選択したスレッショルド係数Ｔｈの平均値を閾値生成部９１に出力する。
　閾値生成部９１は、総和算出部１６により算出された振幅値の総和に、係数選択部８９により選択されたスレッショルド係数Ｔｈの平均値を乗算することで閾値を生成し、閾値を目標判定部１８の振幅比較部２０に出力する。
　次に、実施の形態５に係るレーダ装置の動作について説明する。ここでは、実施の形態１に係るレーダ装置と相違する部分の動作について説明する。
　係数算出部８１は、複数のクラッタの特徴を示すパラメータのそれぞれについて、Ｊ個のスレッショルド係数Ｔｈを算出する。したがって、係数算出部８１は、例えば、Ｎ個のクラッタの特徴を示すパラメータがあれば、全部でＮ×Ｊ個のスレッショルド係数Ｔｈを算出し、Ｎ個のスレッショルド係数Ｔｈの平均値をＪ個算出する。Ｎ及びＪのそれぞれは、１以上の整数である。
　以下、係数算出部８１による閾値の算出処理を具体的に説明する。
　パラメータ設定部８２は、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、１つのクラッタの特徴を示すパラメータとして、１つのクラッタの形状パラメータνと尺度パラメータｂとを擬似乱数生成部８４及びパラメータ推定処理部８７のそれぞれに出力する。
　また、パラメータ設定部８２は、内部メモリに格納されている相関係数ｋを擬似乱数生成部８４に出力する。
　したがって、Ｎ個のクラッタにおけるそれぞれの特徴を示すパラメータとして、形状パラメータν及び尺度パラメータｂの組がＮ組あれば、パラメータ設定部８２は、形状パラメータν及び尺度パラメータｂの組を順番にＮ回出力する。
　擬似乱数生成部８４は、パラメータ設定部８２から、１つのクラッタの特徴を示すパラメータとして、形状パラメータν及び尺度パラメータｂのそれぞれを取得し、パラメータ設定部８２から、相関係数ｋを取得する。
　擬似乱数生成部８４は、形状パラメータνと、尺度パラメータｂと、相関係数ｋとを取得する毎に、図４に示す擬似乱数生成部２３と同様に、形状パラメータνと、尺度パラメータｂと、相関係数ｋとを用いて、Ｋ分布の擬似乱数列を生成する。
　ただし、擬似乱数生成部８４は、図４に示す擬似乱数生成部２３と異なり、互いに異なる複数の擬似乱数列を生成する。ここでは、説明の便宜上、擬似乱数生成部８４がＪ個の擬似乱数列を生成しているものとする。
　擬似乱数生成部８４は、１つのクラッタの特徴を示すパラメータ等を受ける毎に、Ｊ個の擬似乱数列のそれぞれを推定用係数算出部８６に出力する。
　推定用係数算出部８６は、パラメータ推定部８３が、パラメータ設定部８２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、擬似乱数生成部８４により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率Ｐｆａ０をそれぞれ設定する。
　推定用係数算出部８６は、設定した一つの誤警報確率Ｐｆａ０に関して、Ｊ個の擬似乱数のそれぞれについて、パラメータ推定用のスレッショルド係数Ｔｈ０を算出する。
　推定用係数算出部８６は、Ｊ個のパラメータ推定用のスレッショルド係数Ｔｈ０のそれぞれをパラメータ推定処理部８７に出力する。
　パラメータ推定処理部８７は、推定用係数算出部８６により算出されたＪ個のパラメータ推定用のスレッショルド係数Ｔｈ０と、セル選択部１９から出力された注目セルの振幅値ｚｔと、総和算出部１６により算出された複数のリファレンスセルの振幅値の総和ｚｒとを取得する。
　パラメータ推定処理部８７は、Ｊ個のパラメータ推定用のスレッショルド係数Ｔｈ０のうち、いずれか１つのスレッショルド係数Ｔｈ０と、注目セルの振幅値ｚｔと、複数のリファレンスセルの振幅値の総和ｚｒとを用いて、クラッタの確率分布モデルのパラメータを推定する。
　パラメータ推定処理部８７は、Ｊ個のスレッショルド係数Ｔｈ０のそれぞれを用いて、Ｊ個の確率分布モデルのパラメータをそれぞれ推定する。
　クラッタの確率分布モデルのパラメータは、式（２）を用いて推定される、形状補正パラメータα、複数のリファレンスセルの振幅値の総和における尺度パラメータｂｒ及び相関係数ｋのそれぞれである。
　パラメータ推定処理部８７は、形状補正パラメータの推定値αチルダ、複数のリファレンスセルの振幅値の総和における尺度パラメータの推定値ｂｒチルダ及び相関係数の推定値ｋチルダの組として、Ｊ個の組をスレッショルド係数算出部８８にそれぞれ出力する。
　スレッショルド係数算出部８８は、パラメータ推定処理部８７から出力されたＪ個の組のうち、いずれか１つの組に含まれている形状補正パラメータの推定値αチルダと、尺度パラメータの推定値ｂｒチルダと、相関係数の推定値ｋチルダとを式（５）に代入することで、スレッショルド係数Ｔｈを算出する。なお、式（５）には、誤警報確率Ｐｆａ、セル選択部１９から出力された注目セルの振幅値ｚｔ及び総和算出部１６から出力された振幅値の総和ｚｒのそれぞれも代入する。
　スレッショルド係数算出部８８は、パラメータ推定処理部８７からＪ個の組が出力されているため、それぞれの組に含まれている推定値を用いて、Ｊ個のスレッショルド係数Ｔｈを算出する。
　スレッショルド係数算出部８８は、パラメータ設定部８２から平均値の算出を指示する信号を受けると、Ｊ個のスレッショルド係数Ｔｈの平均値を算出する。
　スレッショルド係数算出部８８は、スレッショルド係数Ｔｈの平均値を係数選択部８９に出力する。
　また、スレッショルド係数算出部８８は、スレッショルド係数Ｔｈの算出に用いたパラメータとして、形状パラメータν及び尺度パラメータｂのそれぞれを係数選択部８９に出力する。
　スレッショルド係数算出部８８は、スレッショルド係数Ｔｈの平均値を１つ算出すると、スレッショルド係数Ｔｈの平均値を算出した旨を示す信号をパラメータ設定部８２に出力する。
　係数選択部８９のデータテーブル９０は、スレッショルド係数算出部８８から出力されたＮ組のデータとして、スレッショルド係数Ｔｈの平均値、形状パラメータν及び尺度パラメータｂの組をＮ個保存する。
　係数選択部８９は、クラッタ推定部１０から出力された推定値を取得する。クラッタ推定部１０から出力された推定値は、形状パラメータνの推定値と、尺度パラメータｂの推定値とである。
　係数選択部８９は、例えば、Ｎ組のデータに含まれているパラメータと、クラッタ推定部１０から出力された推定値との類似度を判定する公知の処理を実施することによって、Ｎ組のデータの中から、クラッタ推定部１０から出力された推定値と最も近いパラメータを含んでいるデータを選択する。
　係数選択部８９は、選択したデータに含まれているスレッショルド係数Ｔｈの平均値を閾値生成部９１に出力する。
　閾値生成部９１は、総和算出部１６から振幅値の総和ｚｒを受けると、振幅値の総和ｚｒに、係数選択部８９により選択されたスレッショルド係数Ｔｈの平均値を乗算することで閾値を生成する。
　閾値生成部９１は、生成した閾値を目標判定部１８の振幅比較部２０に出力する。
　以上の実施の形態５では、擬似乱数生成部８４が、複数のクラッタにおけるそれぞれの特徴を示すパラメータを用いて、互いに異なる複数の擬似乱数をそれぞれ生成し、モデルパラメータ推定部８５が、複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、擬似乱数生成部８４により生成された複数の擬似乱数のそれぞれを用いて、複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定し、スレッショルド係数算出部８８が、複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、モデルパラメータ推定部８５により推定されたそれぞれの確率分布モデルのパラメータを用いて、スレッショルド係数をそれぞれ算出して、算出した複数のスレッショルド係数の平均値を算出する。そして、係数選択部８９が、複数のクラッタにおけるそれぞれの特徴を示すパラメータの中から、クラッタ推定部１０により推定されたパラメータと対応関係があるパラメータを選択し、スレッショルド係数算出部８８により算出された複数の平均値の中から、選択したパラメータを用いて算出された平均値を選択し、閾値生成部９１が、総和算出部１６により算出された振幅値の総和に、係数選択部８９により選択された平均値を乗算することで閾値を生成するように、レーダ装置を構成した。したがって、実施の形態５に係るレーダ装置は、実施の形態１に係るレーダ装置と同様に、複数の擬似乱数を用いるモンテカルロシミュレーションを行ってスレッショルド係数を算出することにより、誤警報確率に基づく閾値を生成するよりも、誤警報確率に基づく閾値を生成するためのサンプルの数を抑えることができる。また、実施の形態５に係るレーダ装置は、実施の形態１に係るレーダ装置よりも、閾値の算出精度を高めることができる。
実施の形態６．
　実施の形態６では、閾値算出部１００が、係数算出部１０１、係数選択部１４、総和算出部１６及び閾値生成部１７を備えているレーダ装置について説明する。
　実施の形態６に係るレーダ装置を示す構成図は、実施の形態１に係るレーダ装置を示す構成図と同じ図１である。
　ただし、実施の形態６に係るレーダ装置は、目標検出部１１が、閾値算出部１００及び目標判定部１８を備えている。
　図１６は、実施の形態６に係るレーダ装置における閾値算出部１００及び目標判定部１８のそれぞれを示す構成図である。図１６において、図３と同一符号は同一又は相当部分を示すので説明を省略する。
　閾値算出部１００は、係数算出部１０１、係数選択部１４、総和算出部１６及び閾値生成部１７を備えている。
　閾値算出部１００は、図３に示す閾値算出部１２と同様に、想定される複数のクラッタのそれぞれの特徴を示すパラメータを取得する。
　閾値算出部１００は、想定されるクラッタの特徴を示すパラメータを用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、クラッタを目標と誤って判定する誤警報確率Ｐｆａに基づく閾値を算出する。
　図１７は、係数算出部１０１を示す構成図である。図１７において、図４及び図１５と同一符号は同一又は相当部分を示すので説明を省略する。
　係数算出部１０１は、パラメータ設定部１０２、パラメータ推定部１０３及びスレッショルド係数算出部１０６を備えている。
　パラメータ設定部１０２の内部メモリは、レンジビン信号が示す複数のレンジビンのうち、互いに隣り合っている２つのレンジビンにおけるｔｅｘｔｕｒｅ成分の相関係数を格納している。
　パラメータ設定部１０２は、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、１つのクラッタの特徴を示すパラメータ及び相関係数のそれぞれをパラメータ推定部１０３に出力する。
　パラメータ設定部１０２は、スレッショルド係数算出部１０６からスレッショルド係数を算出した旨を示す信号を受けると、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、未だ出力していない１つのクラッタの特徴を示すパラメータ及び相関係数のそれぞれをパラメータ推定部１０３に出力する。
　パラメータ設定部１０２は、複数のクラッタにおけるそれぞれの特徴を示すパラメータの出力が完了すると、平均値の算出を指示する信号をパラメータ推定処理部１０５に出力する。
　パラメータ推定部１０３は、擬似乱数生成部８４及びモデルパラメータ推定部１０４を備えている。
　モデルパラメータ推定部１０４は、推定用係数算出部８６及びパラメータ推定処理部１０５を備えている。
　モデルパラメータ推定部１０４は、パラメータ推定部１０３が、パラメータ設定部１０２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、擬似乱数生成部８４により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、当該クラッタにおけるそれぞれの確率分布モデルのパラメータを推定して、推定した複数の確率分布モデルのパラメータの平均値を算出する。
　パラメータ推定処理部１０５は、パラメータ推定部１０３が、パラメータ設定部１０２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、推定用係数算出部８６により算出されたそれぞれのパラメータ推定用のスレッショルド係数Ｔｈ０等を用いて、クラッタの確率分布モデルのパラメータをそれぞれ推定する。
　パラメータ推定処理部１０５は、パラメータ設定部１０２から平均値の算出を指示する信号を受けると、推定した複数のパラメータの平均値を算出する。
　モデルパラメータ推定部１０４は、算出したパラメータの平均値をスレッショルド係数算出部１０６に出力する。
　スレッショルド係数算出部１０６は、パラメータ推定部１０３が、パラメータ設定部１０２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、パラメータ推定処理部１０５により算出されたパラメータの平均値を用いて、スレッショルド係数Ｔｈを算出する。
　スレッショルド係数算出部１０６は、スレッショルド係数Ｔｈと、スレッショルド係数Ｔｈの算出に用いたクラッタの特徴を示すパラメータとを係数選択部１４に出力する。
　スレッショルド係数算出部１０６は、スレッショルド係数Ｔｈを算出すると、スレッショルド係数Ｔｈを算出した旨を示す信号をパラメータ設定部１０２に出力する。
　次に、実施の形態６に係るレーダ装置の動作について説明する。ここでは、実施の形態５に係るレーダ装置と相違する部分の動作について説明する。
　パラメータ設定部１０２は、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、１つのクラッタの特徴を示すパラメータとして、１つのクラッタの形状パラメータνと尺度パラメータｂとを擬似乱数生成部８４及びパラメータ推定処理部１０５のそれぞれに出力する。
　また、パラメータ設定部１０２は、内部メモリに格納されている相関係数ｋを擬似乱数生成部８４に出力する。
　したがって、Ｎ個のクラッタにおけるそれぞれの特徴を示すパラメータとして、形状パラメータν及び尺度パラメータｂの組がＮ組あれば、パラメータ設定部１０２は、形状パラメータν及び尺度パラメータｂの組を順番にＮ回出力する。
　推定用係数算出部８６は、実施の形態５に係るレーダ装置と同様に、パラメータ推定部１０３が、パラメータ設定部１０２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、Ｊ個のパラメータ推定用のスレッショルド係数Ｔｈ０をそれぞれ算出し、Ｊ個のパラメータ推定用のスレッショルド係数Ｔｈ０のそれぞれをパラメータ推定処理部１０５に出力する。
　パラメータ推定処理部１０５は、推定用係数算出部８６により算出されたＪ個のパラメータ推定用のスレッショルド係数Ｔｈ０と、セル選択部１９から出力された注目セルの振幅値ｚｔと、総和算出部１６により算出された複数のリファレンスセルの振幅値の総和ｚｒとを取得する。
　パラメータ推定処理部１０５は、Ｊ個のパラメータ推定用のスレッショルド係数Ｔｈ０のうち、いずれか１つのスレッショルド係数Ｔｈ０と、注目セルの振幅値ｚｔと、複数のリファレンスセルの振幅値の総和ｚｒとを用いて、クラッタの確率分布モデルのパラメータを推定する。
　パラメータ推定処理部１０５は、Ｊ個のスレッショルド係数Ｔｈ０のそれぞれを用いて、Ｊ個の確率分布モデルのパラメータをそれぞれ推定する。
　クラッタの確率分布モデルのパラメータは、式（２）を用いて推定される、形状補正パラメータα、複数のリファレンスセルの振幅値の総和における尺度パラメータｂｒ及び相関係数ｋのそれぞれである。
　パラメータ推定処理部１０５は、パラメータ設定部１０２から平均値の算出を指示する信号を受けると、Ｊ個の確率分布モデルのパラメータの平均値を算出する。
　パラメータ推定処理部１０５は、形状補正パラメータの推定値αチルダの平均値と、尺度パラメータの推定値ｂｒチルダの平均値と、相関係数の推定値ｋチルダの平均値とをスレッショルド係数算出部１０６に出力する。
　スレッショルド係数算出部１０６は、形状補正パラメータの推定値αチルダと、尺度パラメータの推定値ｂｒチルダと、相関係数の推定値ｋチルダとを式（５）に代入することで、スレッショルド係数Ｔｈを算出する。式（５）には、誤警報確率Ｐｆａ、セル選択部１９から出力された注目セルの振幅値ｚｔ及び総和算出部１６から出力された振幅値の総和ｚｒのそれぞれも代入する。
　ただし、スレッショルド係数算出部１０６が、式（５）に代入する形状補正パラメータの推定値αチルダは、パラメータ推定処理部１０５から出力された形状補正パラメータの推定値αチルダの平均値である。また、スレッショルド係数算出部１０６が、式（５）に代入する尺度パラメータの推定値ｂｒチルダは、パラメータ推定処理部１０５から出力された尺度パラメータの推定値ｂｒチルダの平均値である。さらに、スレッショルド係数算出部１０６が、式（５）に代入する相関係数の推定値ｋチルダは、パラメータ推定処理部１０５から出力された相関係数の推定値ｋチルダの平均値である。
　スレッショルド係数算出部１０６は、スレッショルド係数Ｔｈを係数選択部１４に出力する。
　また、スレッショルド係数算出部１０６は、スレッショルド係数Ｔｈの算出に用いたパラメータとして、形状パラメータν及び尺度パラメータｂの組を係数選択部１４に出力する。
　スレッショルド係数算出部１０６は、スレッショルド係数Ｔｈを１つ算出すると、スレッショルド係数Ｔｈを算出した旨を示す信号をパラメータ設定部１０２に出力する。
　以上の実施の形態６では、擬似乱数生成部８４が、複数のクラッタにおけるそれぞれの特徴を示すパラメータを用いて、互いに異なる複数の擬似乱数列をそれぞれ生成し、モデルパラメータ推定部１０４が、複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、擬似乱数生成部８４により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、当該クラッタにおけるそれぞれの確率分布モデルのパラメータを推定して、推定した複数の確率分布モデルのパラメータの平均値を算出し、スレッショルド係数算出部１０６が、複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、モデルパラメータ推定部１０４により推定された平均値を用いて、スレッショルド係数を算出するように、レーダ装置を構成した。したがって、実施の形態６に係るレーダ装置は、実施の形態１に係るレーダ装置と同様に、複数の擬似乱数を用いるモンテカルロシミュレーションを行ってスレッショルド係数を算出することにより、誤警報確率に基づく閾値を生成するよりも、誤警報確率に基づく閾値を生成するためのサンプルの数を抑えることができる。また、実施の形態６に係るレーダ装置は、実施の形態１に係るレーダ装置よりも、閾値の算出精度を高めることができる。
実施の形態７．
　実施の形態７では、閾値算出部１１０が、係数算出部１１１、係数選択部１４、総和算出部１６及び閾値生成部１７を備えているレーダ装置について説明する。
　実施の形態７に係るレーダ装置を示す構成図は、実施の形態１に係るレーダ装置を示す構成図と同じ図１である。
　ただし、実施の形態７に係るレーダ装置は、目標検出部１１が、閾値算出部１１０及び目標判定部１８を備えている。
　図１８は、実施の形態７に係るレーダ装置における閾値算出部１１０及び目標判定部１８のそれぞれを示す構成図である。図１８において、図３及び図１４と同一符号は同一又は相当部分を示すので説明を省略する。
　閾値算出部１１０は、係数算出部１１１、係数選択部１４、総和算出部１６及び閾値生成部１７を備えている。
　閾値算出部１１０は、図３に示す閾値算出部１２と同様に、想定される複数のクラッタのそれぞれの特徴を示すパラメータを取得する。
　閾値算出部１１０は、想定されるクラッタの特徴を示すパラメータを用いて、クラッタの確率分布モデルのパラメータを推定し、確率分布モデルのパラメータを用いて、クラッタを目標と誤って判定する誤警報確率Ｐｆａに基づく閾値を算出する。
　図１９は、係数算出部１１１を示す構成図である。図１９において、図４、図１５及び図１７と同一符号は同一又は相当部分を示すので説明を省略する。
　係数算出部１１１は、パラメータ設定部１１２、パラメータ推定部１１３及びスレッショルド係数算出部２７を備えている。
　パラメータ設定部１１２の内部メモリは、レンジビン信号が示す複数のレンジビンのうち、互いに隣り合っている２つのレンジビンにおけるｔｅｘｔｕｒｅ成分の相関係数を格納している。
　パラメータ設定部１１２は、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、１つのクラッタの特徴を示すパラメータ及び相関係数のそれぞれをパラメータ推定部１１３に出力する。
　パラメータ設定部１１２は、スレッショルド係数算出部２７からスレッショルド係数を算出した旨を示す信号を受けると、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、未だ出力していない１つのクラッタの特徴を示すパラメータ及び相関係数のそれぞれをパラメータ推定部１１３に出力する。
　パラメータ設定部１１２は、特徴を示すパラメータの出力が完了すると、平均値の算出を指示する信号を推定用係数算出部１１５に出力する。
　パラメータ推定部１１３は、擬似乱数生成部８４及びモデルパラメータ推定部１１４を備えている。
　モデルパラメータ推定部１１４は、推定用係数算出部１１５及びパラメータ推定処理部１１６を備えている。
　推定用係数算出部１１５は、パラメータ推定部１１３が、パラメータ設定部１０２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、擬似乱数生成部８４により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数から、パラメータ推定用の誤警報確率Ｐｆａ０をそれぞれ設定する。
　推定用係数算出部１１５は、それぞれのパラメータ推定用の誤警報確率Ｐｆａ０を用いて、パラメータ推定用のスレッショルド係数Ｔｈ０をそれぞれ算出する。
　推定用係数算出部１１５は、パラメータ設定部１１２から平均値の算出を指示する信号を受けると、算出した複数のパラメータ推定用のスレッショルド係数Ｔｈ０の平均値を算出し、スレッショルド係数Ｔｈ０の平均値をパラメータ推定処理部１１６に出力する。
　パラメータ推定処理部１１６は、パラメータ推定部１１３が、パラメータ設定部１１２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、推定用係数算出部１１５により算出されたスレッショルド係数Ｔｈ０の平均値等を用いて、クラッタの確率分布モデルのパラメータを推定する。
　モデルパラメータ推定部１１４は、確率分布モデルのパラメータの推定値をスレッショルド係数算出部２７に出力する。
　次に、実施の形態７に係るレーダ装置の動作について説明する。ここでは、実施の形態５に係るレーダ装置と相違する部分の動作について説明する。
　パラメータ設定部１１２は、複数のクラッタにおけるそれぞれの特徴を示すパラメータのうち、１つのクラッタの特徴を示すパラメータとして、１つのクラッタの形状パラメータνと尺度パラメータｂとを擬似乱数生成部８４及びパラメータ推定処理部１１６のそれぞれに出力する。
　また、パラメータ設定部１１２は、内部メモリに格納されている相関係数ｋを擬似乱数生成部８４に出力する。
　したがって、Ｎ個のクラッタにおけるそれぞれの特徴を示すパラメータとして、形状パラメータν及び尺度パラメータｂの組がＮ組あれば、パラメータ設定部１１２は、形状パラメータν及び尺度パラメータｂの組を順番にＮ回出力する。
　推定用係数算出部１１５は、パラメータ推定部１１３が、パラメータ設定部１１２から１つのクラッタの特徴を示すパラメータ等を受ける毎に、擬似乱数生成部８４により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率Ｐｆａ０をそれぞれ設定する。
　ここでは、擬似乱数生成部８４により生成された擬似乱数列の個数がＪ個であり、推定用係数算出部１１５は、一つの誤警報確率Ｐｆａ０を設定する。
　推定用係数算出部１１５は、設定した一つの誤警報確率Ｐｆａ０に関して、Ｊ個の擬似乱数のそれぞれについて、パラメータ推定用のスレッショルド係数Ｔｈ０を算出する。
　推定用係数算出部１１５は、パラメータ設定部１１２から平均値の算出を指示する信号を受けると、算出したＪ個のパラメータ推定用のスレッショルド係数Ｔｈ０の平均値を算出する。
　推定用係数算出部１１５は、スレッショルド係数Ｔｈ０の平均値をパラメータ推定処理部１１６に出力する。
　パラメータ推定処理部１１６は、推定用係数算出部１１５により算出されたスレッショルド係数Ｔｈ０の平均値と、セル選択部１９から出力された注目セルの振幅値ｚｔと、総和算出部１６により算出された複数のリファレンスセルの振幅値の総和ｚｒとを取得する。
　パラメータ推定処理部１１６は、スレッショルド係数Ｔｈ０の平均値と、注目セルの振幅値ｚｔと、複数のリファレンスセルの振幅値の総和ｚｒとを用いて、クラッタの確率分布モデルのパラメータを推定する。
　クラッタの確率分布モデルのパラメータは、式（２）を用いて推定される、形状補正パラメータα、複数のリファレンスセルの振幅値の総和における尺度パラメータｂｒ及び相関係数ｋのそれぞれである。なお、式（２）に代入されるスレッショルド係数Ｔｈ０は、推定用係数算出部１１５により算出されたスレッショルド係数Ｔｈ０の平均値である。
　パラメータ推定処理部１１６は、形状補正パラメータの推定値αチルダと、複数のリファレンスセルの振幅値の総和における尺度パラメータの推定値ｂｒチルダとをスレッショルド係数算出部２７に出力する。
　以上の実施の形態７では、擬似乱数生成部８４が、複数のクラッタにおけるそれぞれの特徴を示すパラメータを用いて、互いに異なる複数の擬似乱数列をそれぞれ生成し、推定用係数算出部１１５が、複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、擬似乱数生成部８４により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数から、パラメータ推定用の誤警報確率をそれぞれ設定し、それぞれのパラメータ推定用の誤警報確率を用いて、パラメータ推定用のスレッショルド係数をそれぞれ算出して、算出した複数のパラメータ推定用のスレッショルド係数の平均値を算出し、パラメータ推定処理部１１６が、複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、推定用係数算出部１１５により算出された平均値を用いて、クラッタの確率分布モデルのパラメータを推定するように、レーダ装置を構成した。したがって、実施の形態７に係るレーダ装置は、実施の形態１に係るレーダ装置と同様に、複数の擬似乱数を用いるモンテカルロシミュレーションを行ってスレッショルド係数を算出することにより、誤警報確率に基づく閾値を生成するよりも、誤警報確率に基づく閾値を生成するためのサンプルの数を抑えることができる。また、実施の形態７に係るレーダ装置は、実施の形態１に係るレーダ装置よりも、閾値の算出精度を高めることができる。
実施の形態８．
　実施の形態８では、クラッタの特徴を示すパラメータを推定し、推定したパラメータの変動が変動許容値よりも大きいとき、推定したパラメータを目標検出部１１に出力するクラッタ推定部１２０を備えるレーダ装置について説明する。
　図２０は、実施の形態８に係るレーダ装置を示す構成図である。図２０において、図１と同一符号は同一又は相当部分を示すので説明を省略する。
　クラッタ推定部１２０は、例えば、図２に示すクラッタ推定回路４３によって実現される。
　クラッタ推定部１２０は、図１に示すクラッタ推定部１０と異なり、レンジビン信号生成部８から出力されたレンジビン信号を用いて、クラッタの特徴を示すパラメータを常時推定する。クラッタの特徴を示すパラメータは、クラッタの形状パラメータν及びクラッタの尺度パラメータｂのそれぞれを含んでいる。
　クラッタ推定部１２０は、推定したパラメータの変動が変動許容値よりも大きいとき、クラッタの特徴を示すパラメータの推定値を目標検出部１１の閾値算出部１２等に出力する。
　変動許容値は、クラッタ推定部１２０の内部メモリに格納されていてもよいし、クラッタ推定部１２０の外部から与えられるものであってもよい。
　なお、クラッタ推定部１２０は、実施の形態１～７に係る全てのレーダ装置に適用することが可能である。
　次に、実施の形態８に係るレーダ装置の動作について説明する。ここでは、実施の形態１に係るレーダ装置と相違する部分の動作について説明する。
　実施の形態８に係るレーダ装置では、クラッタ推定部１２０が、レンジビン信号生成部８から出力されたレンジビン信号を用いて、クラッタの特徴を示すパラメータを常時推定する。
　クラッタ推定部１２０は、クラッタの形状パラメータνの推定値と、例えば、内部メモリに格納されている形状パラメータνの変動許容値とを比較する。
　また、クラッタ推定部１２０は、クラッタの尺度パラメータｂの推定値と、例えば、内部メモリに格納されている尺度パラメータｂの変動許容値とを比較する。
　クラッタ推定部１２０は、形状パラメータνの推定値が、形状パラメータνの変動許容値よりも大きい場合、あるいは、尺度パラメータｂの推定値が、尺度パラメータｂの変動許容値よりも大きい場合、形状パラメータνの推定値及び尺度パラメータｂの推定値のそれぞれを目標検出部１１の閾値算出部１２等に出力する。
　クラッタ推定部１２０は、形状パラメータνの推定値が、形状パラメータνの変動許容値以下であり、かつ、尺度パラメータｂの推定値が、尺度パラメータｂの変動許容値以下であれば、形状パラメータνの推定値及び尺度パラメータｂの推定値のそれぞれを目標検出部１１に出力しない。
　以上の実施の形態８では、クラッタ推定部１２０が、クラッタの特徴を示すパラメータを推定し、推定したパラメータの変動が変動許容値よりも大きいとき、推定したパラメータを閾値算出部１２等に出力するように、レーダ装置を構成した。したがって、実施の形態８に係るレーダ装置は、実施の形態１に係るレーダ装置と同様に、複数の擬似乱数を用いるモンテカルロシミュレーションを行ってスレッショルド係数を算出することにより、誤警報確率に基づく閾値を生成するよりも、誤警報確率に基づく閾値を生成するためのサンプルの数を抑えることができる。また、ユーザ等が、スイッチ９の開閉を操作する手間を省くことができる。
　なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　この発明は、目標の有無を判定するレーダ装置及び目標検出方法に適している。
　１　送信機、２　送信アンテナ、３－１～３－Ｌ　受信アンテナ、４　ビーム形成部、５－１～５－Ｌ　受信機、６－１～６－Ｌ　Ａ／Ｄ変換器、７　ビーム形成器、８　レンジビン信号生成部、９　スイッチ、１０　クラッタ推定部、１１　目標検出部、１２　閾値算出部、１３　係数算出部、１４　係数選択部、１５　データテーブル、１６　総和算出部、１７　閾値生成部、１８　目標判定部、１９　セル選択部、２０　振幅比較部、２１　パラメータ設定部、２２　パラメータ推定部、２３　擬似乱数生成部、２４　モデルパラメータ推定部、２５　推定用係数算出部、２６　パラメータ推定処理部、２７　スレッショルド係数算出部、３０　閾値算出部、３１　係数算出部、３２　パラメータ推定部、３３　擬似乱数生成部、３４　モデルパラメータ推定部、３５　推定用係数算出部、３６　パラメータ推定処理部、３７　スレッショルド係数算出部、４１　ビーム形成回路、４２　振幅検波回路、４３　クラッタ推定回路、４４　目標検出回路、５１　メモリ、５２　プロセッサ、６０　閾値算出部、６１　係数算出部、６２　推定用係数算出部、７０　閾値算出部、７１　係数算出部、７２　パラメータ推定部、７３　パラメータ推定処理部、８０　閾値算出部、８１　係数算出部、８２　パラメータ設定部、８３　パラメータ推定部、８４　擬似乱数生成部、８５　モデルパラメータ推定部、８６　推定用係数算出部、８７　パラメータ推定処理部、８８　スレッショルド係数算出部、８９　係数選択部、９０　データテーブル、９１　閾値生成部、１００　閾値算出部、１０１　係数算出部、１０２　パラメータ設定部、１０３　パラメータ推定部、１０４　モデルパラメータ推定部、１０５　パラメータ推定処理部、１０６　スレッショルド係数算出部、１１０　閾値算出部、１１１　係数算出部、１１２　パラメータ設定部、１１３　パラメータ推定部、１１４　モデルパラメータ推定部、１１５　推定用係数算出部、１１６　パラメータ推定処理部、１２０　クラッタ推定部。

Claims (17)

  1. 　目標又はクラッタのいずれかに反射された電波が複数の受信アンテナによって受信されると、前記複数の受信アンテナにより受信された電波から受信ビームを形成するビーム形成部と、
    　前記ビーム形成部により形成された受信ビームから、複数のレンジビンにおけるそれぞれの振幅値を示すレンジビン信号を生成するレンジビン信号生成部と、
    　前記クラッタの特徴を示すパラメータ、又は、前記レンジビン信号を用いて、前記クラッタの確率分布モデルのパラメータを推定し、前記確率分布モデルのパラメータを用いて、前記クラッタを前記目標と誤って判定する誤警報確率に基づく閾値を算出する閾値算出部と、
    　前記レンジビン信号生成部により生成されたレンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、目標検出対象のレンジビンである注目セルの振幅値と、前記閾値算出部により算出された閾値とを比較し、前記注目セルの振幅値と前記閾値との比較結果に基づいて、前記注目セルにおける前記目標の有無を判定する目標判定部と
    　を備えたレーダ装置。
  2. 　前記レンジビン信号を用いて、前記クラッタの特徴を示すパラメータを推定するクラッタ推定部を備え、
    　前記閾値算出部は、
    　複数のクラッタにおけるそれぞれの特徴を示すパラメータを用いて、前記複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定し、それぞれの確率分布モデルのパラメータを用いて、スレッショルド係数をそれぞれ算出する係数算出部と、
    　前記複数のクラッタにおけるそれぞれの特徴を示すパラメータの中から、前記クラッタ推定部により推定されたパラメータと対応関係があるパラメータを選択し、前記係数算出部により算出された複数のスレッショルド係数の中から、選択したパラメータを用いて算出されたスレッショルド係数を選択する係数選択部と、
    　前記レンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、前記目標検出対象のレンジビン以外の複数のレンジビンである複数のリファレンスセルの振幅値の総和を算出する総和算出部と、
    　前記総和算出部により算出された振幅値の総和に、前記係数選択部により選択されたスレッショルド係数を乗算することで前記閾値を生成する閾値生成部と
    　を備えていることを特徴とする請求項１記載のレーダ装置。
  3. 　前記係数算出部は、
    　前記複数のクラッタにおけるそれぞれの特徴を示すパラメータを用いて、前記複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定するパラメータ推定部と、
    　前記パラメータ推定部により推定されたそれぞれの確率分布モデルのパラメータを用いて、スレッショルド係数をそれぞれ算出するスレッショルド係数算出部と
    　を備えていることを特徴とする請求項２記載のレーダ装置。
  4. 　前記パラメータ推定部は、
    　前記複数のクラッタにおけるそれぞれの特徴を示すパラメータを用いて、Ｋ分布の擬似乱数列をそれぞれ生成する擬似乱数生成部と、
    　前記擬似乱数生成部により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、前記複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定するモデルパラメータ推定部と
    　を備えていることを特徴とする請求項３記載のレーダ装置。
  5. 　前記モデルパラメータ推定部は、
    　前記擬似乱数生成部により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率をそれぞれ設定し、それぞれのパラメータ推定用の誤警報確率を用いて、パラメータ推定用のスレッショルド係数をそれぞれ算出する推定用係数算出部と、
    　前記推定用係数算出部により算出されたそれぞれのパラメータ推定用のスレッショルド係数を用いて、前記複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定するパラメータ推定処理部と
    　を備えていることを特徴とする請求項４記載のレーダ装置。
  6. 　前記パラメータ推定処理部は、前記推定用係数算出部により算出されたそれぞれのパラメータ推定用のスレッショルド係数に基づいて、前記複数のクラッタにおけるそれぞれの確率分布モデルのパラメータの初期値を設定し、当該パラメータの更新処理を繰り返すことによって、前記複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定することを特徴とする請求項５記載のレーダ装置。
  7. 　前記レンジビン信号を用いて、前記クラッタの特徴を示すパラメータを推定するクラッタ推定部を備え、
    　前記閾値算出部は、
    　前記クラッタ推定部により推定されたパラメータを用いて、前記クラッタの確率分布モデルのパラメータを推定し、前記確率分布モデルのパラメータを用いて、スレッショルド係数を算出する係数算出部と、
    　前記レンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、前記目標検出対象のレンジビン以外の複数のレンジビンである複数のリファレンスセルの振幅値の総和を算出する総和算出部と、
    　前記総和算出部により算出された振幅値の総和に、前記係数算出部により算出されたスレッショルド係数を乗算することで前記閾値を生成する閾値生成部と
    　を備えていることを特徴とする請求項１記載のレーダ装置。
  8. 　前記係数算出部は、
    　前記クラッタ推定部により推定されたパラメータを用いて、前記クラッタの確率分布モデルのパラメータを推定するパラメータ推定部と、
    　前記パラメータ推定部により推定された確率分布モデルのパラメータを用いて、スレッショルド係数を算出するスレッショルド係数算出部と
    　を備えていることを特徴とする請求項７記載のレーダ装置。
  9. 　前記パラメータ推定部は、
    　前記クラッタ推定部により推定されたパラメータを用いて、Ｋ分布の擬似乱数列を生成する擬似乱数生成部と、
    　前記擬似乱数生成部により生成された擬似乱数列に含まれている複数の擬似乱数を用いて、前記クラッタの確率分布モデルのパラメータを推定するモデルパラメータ推定部と
    　を備えていることを特徴とする請求項８記載のレーダ装置。
  10. 　前記モデルパラメータ推定部は、
    　前記擬似乱数生成部により生成された擬似乱数列に含まれている複数の擬似乱数を用いて、モンテカルロシミュレーションによって算出可能なパラメータ推定用の誤警報確率を設定し、前記パラメータ推定用の誤警報確率を用いて、パラメータ推定用のスレッショルド係数を算出する推定用係数算出部と、
    　前記推定用係数算出部により算出されたパラメータ推定用のスレッショルド係数を用いて、前記クラッタの確率分布モデルのパラメータを推定するパラメータ推定処理部と
    　を備えていることを特徴とする請求項９記載のレーダ装置。
  11. 　前記レンジビン信号を用いて、前記クラッタの特徴を示すパラメータを推定するクラッタ推定部を備え、
    　前記閾値算出部は、
    　前記レンジビン信号を用いて、前記クラッタの確率分布モデルのパラメータを推定し、前記確率分布モデルのパラメータを用いて、スレッショルド係数を算出する係数算出部と、
    　前記レンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、前記目標検出対象のレンジビン以外の複数のレンジビンである複数のリファレンスセルの振幅値の総和を算出する総和算出部と、
    　前記総和算出部により算出された振幅値の総和に、前記係数算出部により算出されたスレッショルド係数を乗算することで前記閾値を生成する閾値生成部と
    　を備えていることを特徴とする請求項１記載のレーダ装置。
  12. 　前記パラメータ推定処理部は、前記複数のクラッタにおけるそれぞれの確率分布モデルのパラメータの初期値を、前記初期値の尤度値に基づいて設定することを特徴とする請求項６記載のレーダ装置。
  13. 　前記擬似乱数生成部は、前記複数のクラッタにおけるそれぞれの特徴を示すパラメータを用いて、互いに異なる複数の擬似乱数列をそれぞれ生成し、
    　前記モデルパラメータ推定部は、前記複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、前記擬似乱数生成部により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、前記複数のクラッタにおけるそれぞれの確率分布モデルのパラメータを推定し、
    　前記スレッショルド係数算出部は、前記複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、前記モデルパラメータ推定部により推定されたそれぞれの確率分布モデルのパラメータを用いて、スレッショルド係数をそれぞれ算出して、算出した複数のスレッショルド係数の平均値を算出し、
    　前記係数選択部は、前記複数のクラッタにおけるそれぞれの特徴を示すパラメータの中から、前記クラッタ推定部により推定されたパラメータと対応関係があるパラメータを選択し、前記スレッショルド係数算出部により算出された複数の平均値の中から、選択したパラメータを用いて算出された平均値を選択し、
    　前記閾値生成部は、前記総和算出部により算出された振幅値の総和に、前記係数選択部により選択された平均値を乗算することで前記閾値を生成することを特徴とする請求項４記載のレーダ装置。
  14. 　前記擬似乱数生成部は、前記複数のクラッタにおけるそれぞれの特徴を示すパラメータを用いて、互いに異なる複数の擬似乱数列をそれぞれ生成し、
    　前記モデルパラメータ推定部は、前記複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、前記擬似乱数生成部により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数を用いて、当該クラッタの確率分布モデルのパラメータをそれぞれ推定して、推定した複数の確率分布モデルのパラメータの平均値を算出し、
    　前記スレッショルド係数算出部は、前記複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、前記モデルパラメータ推定部により算出された平均値を用いて、スレッショルド係数を算出することを特徴とする請求項４記載のレーダ装置。
  15. 　前記擬似乱数生成部は、前記複数のクラッタにおけるそれぞれの特徴を示すパラメータを用いて、互いに異なる複数の擬似乱数をそれぞれ生成し、
    　前記推定用係数算出部は、前記複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、前記擬似乱数生成部により生成されたそれぞれの擬似乱数列に含まれている複数の擬似乱数から、前記パラメータ推定用の誤警報確率をそれぞれ設定し、それぞれのパラメータ推定用の誤警報確率を用いて、パラメータ推定用のスレッショルド係数をそれぞれ算出して、算出した複数のパラメータ推定用のスレッショルド係数の平均値を算出し、
    　前記パラメータ推定処理部は、前記複数のクラッタにおけるそれぞれの特徴を示すパラメータ毎に、前記推定用係数算出部により算出された平均値を用いて、当該クラッタの確率分布モデルのパラメータを推定することを特徴とする請求項５記載のレーダ装置。
  16. 　前記クラッタ推定部は、前記クラッタの特徴を示すパラメータを推定し、推定したパラメータの変動が変動許容値よりも大きいとき、推定したパラメータを前記閾値算出部に出力することを特徴とする請求項２、請求項７又は請求項１１記載のレーダ装置。
  17. 　目標又はクラッタのいずれかに反射された電波が複数の受信アンテナによって受信されると、
    　ビーム形成部が、前記複数の受信アンテナにより受信された電波から受信ビームを形成し、
    　レンジビン信号生成部が、前記ビーム形成部により形成された受信ビームから、複数のレンジビンにおけるそれぞれの振幅値を示すレンジビン信号を生成し、
    　閾値算出部が、前記クラッタの特徴を示すパラメータ、又は、前記レンジビン信号を用いて、前記クラッタの確率分布モデルのパラメータを推定し、前記確率分布モデルのパラメータを用いて、前記クラッタを前記目標と誤って判定する誤警報確率に基づく閾値を算出し、
    　目標判定部が、前記レンジビン信号生成部により生成されたレンジビン信号が示す複数のレンジビンにおけるそれぞれの振幅値のうち、目標検出対象のレンジビンである注目セルの振幅値と、前記閾値算出部により算出された閾値とを比較し、前記注目セルの振幅値と前記閾値との比較結果に基づいて、前記注目セルにおける前記目標の有無を判定する
    　目標検出方法。
PCT/JP2019/048003 2019-12-09 2019-12-09 レーダ装置及び目標検出方法 WO2021117078A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2019/048003 WO2021117078A1 (ja) 2019-12-09 2019-12-09 レーダ装置及び目標検出方法
JP2021562777A JP7034396B2 (ja) 2019-12-09 2019-12-09 レーダ装置及び目標検出方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/048003 WO2021117078A1 (ja) 2019-12-09 2019-12-09 レーダ装置及び目標検出方法

Publications (1)

Publication Number Publication Date
WO2021117078A1 true WO2021117078A1 (ja) 2021-06-17

Family

ID=76329884

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/048003 WO2021117078A1 (ja) 2019-12-09 2019-12-09 レーダ装置及び目標検出方法

Country Status (2)

Country Link
JP (1) JP7034396B2 (ja)
WO (1) WO2021117078A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504523A (zh) * 2021-07-20 2021-10-15 成都航空职业技术学院 基于目标特性的自适应恒虚警方法、设备及其存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07260924A (ja) * 1993-05-27 1995-10-13 Japan Radio Co Ltd シークラッタ抑圧方法
JPH09145829A (ja) * 1995-11-28 1997-06-06 Mitsubishi Electric Corp レーダ信号処理装置
US20110241927A1 (en) * 2010-04-02 2011-10-06 Porikli Fatih M Method for Detecting Small Targets in Radar Images Using Needle Based Hypotheses Verification
JP2011203214A (ja) * 2010-03-26 2011-10-13 Toshiba Corp 目標検出装置及び目標検出方法
JP2016114468A (ja) * 2014-12-15 2016-06-23 三菱電機株式会社 目標検出装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07260924A (ja) * 1993-05-27 1995-10-13 Japan Radio Co Ltd シークラッタ抑圧方法
JPH09145829A (ja) * 1995-11-28 1997-06-06 Mitsubishi Electric Corp レーダ信号処理装置
JP2011203214A (ja) * 2010-03-26 2011-10-13 Toshiba Corp 目標検出装置及び目標検出方法
US20110241927A1 (en) * 2010-04-02 2011-10-06 Porikli Fatih M Method for Detecting Small Targets in Radar Images Using Needle Based Hypotheses Verification
JP2016114468A (ja) * 2014-12-15 2016-06-23 三菱電機株式会社 目標検出装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NOUAR N; FARROUKI A: "CFAR DETECTION OF SPATIALLY DISTRIBUTED TARGETS IN K-DISTRIBUTED CLUTTER WITH UNKNOWN PARAMETERS", 2014 22ND EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO, 1 September 2014 (2014-09-01), pages 1731 - 1735, XP032681769, ISBN: 978-0-9928-6261-9 *
SAYAMA, SHUJI ET AL.: "Estimation of Amplitude Probability Density Function and Constant False Alarm Rate of Sea Clutter Observed by Millimeter Wave Radar", IEEJ TRANSACTIONS ON ELECTRONICS, INFORMATION AND SYSTEMS, vol. 121 -C, no. 2, 1 February 2001 (2001-02-01), pages 454 - 460, ISSN: 0385- 4221 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504523A (zh) * 2021-07-20 2021-10-15 成都航空职业技术学院 基于目标特性的自适应恒虚警方法、设备及其存储介质
CN113504523B (zh) * 2021-07-20 2023-08-01 成都航空职业技术学院 基于目标特性的自适应恒虚警方法、设备及其存储介质

Also Published As

Publication number Publication date
JPWO2021117078A1 (ja) 2021-06-17
JP7034396B2 (ja) 2022-03-11

Similar Documents

Publication Publication Date Title
US5392050A (en) Method of recognizing a radar target object type and apparatus therefor
JP5247068B2 (ja) レーダ装置
JP6951276B2 (ja) 無線受信機、無線受信方法及び無線システム
JP6489589B2 (ja) レーダ信号処理装置
JP6355546B2 (ja) 目標検出装置
CN107271955B (zh) 一种宽带线性调频信号的时差和尺度差估计方法
JP5491924B2 (ja) 目標検出装置及び目標検出方法
JP7034396B2 (ja) レーダ装置及び目標検出方法
Cao et al. DNN-based peak sequence classification CFAR detection algorithm for high-resolution FMCW radar
CN106154241B (zh) 脉冲噪声环境下的韧性平行因子分析算法
US6861974B1 (en) Clutter normalization by adaptation of transmit waveform
JP2015125118A (ja) 目標検出装置
CN107976663A (zh) 一种基于子空间投影的外辐射源雷达对目标压缩检测方法
KR20190040637A (ko) 레이다 DoA 추정 시스템 및 방법
JP5574907B2 (ja) レーダ装置
JP6164936B2 (ja) レーダ装置
KR20190134893A (ko) 안테나 어레이 외삽을 이용한 레이더 수신신호의 도착방향 추정 방법 및 장치
US20210278517A1 (en) Beam formation device, radar device, and beam formation method
CN113376635A (zh) 一种基于谱分解的距离模糊抑制方法、装置及存储介质
CN115932743A (zh) 一种基于波形自适应选择的认知雷达方法与装置
Testar et al. New super-resolution ranging technique for FMCW radar systems
Zou et al. A high precision GTD parameter estimation method
Guidoum et al. Modeling of high-resolution radar sea clutter using two approximations of the Weibull plus thermal noise distribution
Pedenko THE CHOICE OF ROOT†MUSIC PARAMETERS FOR RADAR MEASUREMENTS OF TARGET ELEVATION NEAR SEA SURFACE
RU2581898C1 (ru) Способ измерения угловых координат цели

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19955464

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021562777

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19955464

Country of ref document: EP

Kind code of ref document: A1