CN112147584A - 一种基于非均匀杂波的mimo雷达扩展目标检测方法 - Google Patents
一种基于非均匀杂波的mimo雷达扩展目标检测方法 Download PDFInfo
- Publication number
- CN112147584A CN112147584A CN202010984913.7A CN202010984913A CN112147584A CN 112147584 A CN112147584 A CN 112147584A CN 202010984913 A CN202010984913 A CN 202010984913A CN 112147584 A CN112147584 A CN 112147584A
- Authority
- CN
- China
- Prior art keywords
- detector
- antenna
- clutter
- radar
- mimo radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000001427 coherent effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000012549 training Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000000342 Monte Carlo simulation Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
- G01S7/2927—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods by deriving and controlling a threshold value
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于非均匀杂波的MIMO雷达扩展目标检测方法,将MIMO雷达扩展目标检测建模为二元假设检验问题,并将不同发送‑接收对(Tx‑Rx)所对应的干扰杂波协方差矩阵建模为随机矩阵。同时指定它们的先验分布为逆复Wishart分布。通过设置不同的功率水平来模拟不同的发射‑接收天线对(Tx‑Rx)之间的非均匀杂波功率。根据Rao和Wald检测器的检测标准结合贝叶斯框架在非均匀杂波干扰下设计了两个新的检测器。达到了提高MIMO雷达扩展目标检测概率和降低计算复杂度的目的。
Description
技术领域
本发明涉及非均匀杂波干扰情况下MIMO雷达结合贝叶斯框架根据杂波先验信息分布设计Rao和Wald检测器等技术。适用于在非均匀杂波干扰下,高分辨率MIMO雷达对距离扩展目标检测的雷达***,具体为一种基于非均匀杂波的MIMO雷达扩展目标检测方法。
背景技术
目前,MIMO雷达是雷达领域的研究热点。MIMO雷达由多个不同的发射阵元天线和接收阵元天线组成。经过前辈们的数学分析和实验***明,MIMO雷达有很多潜在的优势。例如提升检测性能、提高雷达自由度和估计精度等。MIMO雷达根据其天线布阵形式主要可以分为两大类。第一类是集中式MIMO雷达。发射天线阵列和接收天线阵列之间紧凑分布。集中式MIMO雷达在发射端发射相互独立或正交的波形以获得波形分集特性,提升了***的自由度。接收端通过波束成形技术来提高相干处理增益。第二类是分布式MIMO雷达。发射阵元和接收阵元之间相隔很远。分布式MIMO雷达由于阵元之间的位置分布较广,可以从多个不同的方向接收目标的后向散射回波,减轻目标的雷达横截面积(Radar Cross Sections,RCSs)闪烁,提升检测性能和估计精度。
目标检测是雷达的一个重要功能。在干扰杂波相关性未知的情况下,分布式MIMO雷达的目标检测问题被广泛研究。为了估计未知的协方差矩阵,一种常用的标准假设是有充足的训练数据,在满足上述假设的前提下,在高斯杂波环境中利用抽样协方差矩阵方法设计了一个新的检测器用于雷达目标检测。还例如将高斯杂波拓展为复合高斯分布,提出了一种更鲁棒性的采样协方差矩阵检测器。实际雷达场景中,由于杂波频谱的快变性,很难得到充足的训练数据。在现有的技术中提到利用杂波协方差矩阵的斜对称结构减少对训练数据的依赖。上述算法都假设分布式MIMO雷达处于均匀性杂波环境中,即所有的发射-接收对的协方差矩阵都是相同的。现有的文献证明了杂波特性与阵元所处位置具有强相关性。即发射-接受天线对的相对位置不同时,他们之间的杂波属性可能也具有差异。在文献中,Yongchan Gao等人在此基础上将杂波协方差矩阵建模为未知的随机矩阵,并模拟非均匀杂波环境,推导了基于知识辅助的GLRT检测器。由于以上算法仍然需要充足或者少量的训练数据,所以由于杂波快变性导致的训练数据不足的问题没有被完全解决。
此外,随着雷达分辨率的提升,当雷达距离分辨率小于目标尺寸时,目标回波可能占有多个距离单元。这将严重影响雷达的检测概率。因此,距离扩展目标检测已成为高分辨率雷达研究的重要课题。在高分辨率雷达中,杂波不在服从高斯分布。所以低分辨率下的点源模型不再适用。针对高斯白噪声中的距离扩展目标检测问题,提出了一种考虑目标散射体密度的广义似然比(GLRT)检测器。Maio等人将距离扩展目标检测问题转化为多秩子空间目标信号检测问题。Yongchan Gao(Yongchan Gao,Hongbin Li,and BraharmHimed.Knowledge-Aided Ranged-spread Target Detection for Distributed MIMORadar in Nonhomogeneous Environments[J].IEEE Trans,Signal process,2017,65(3))等人提出了一种基于知识辅助的两步GLRT检测器,但是其计算耗时仍然很高。虽然距离目标检测的文献很多,但是利用贝叶斯方法的检测器研究文献目前没有。而且现存的距离扩展目标检测器计算耗时较久,算法复杂度较高。
又例如申请号为201610139148.2,名称为一种MIMO雷达扩展目标的检测方法,提到通过利用MIMO雷达的多通道处理优势,使得复合高斯杂波中的扩展目标能够被更好地检测。根据MIMO雷达接收到的目标回波,进行目标运动参数和杂波参数的估计,然后利用GLRT基本原理,获得检验统计量,并最终完成检测。由于目标多普勒失配、复合高斯杂波形状参数等都会对GLRT的检测性能产生影响,首先采用最大似然估计(MLE)的方法,得到目标的多普勒及杂波形状参数的估计值,然后进行目标检测。最后,利用MIMO雷达多通道处理的优势,实现目标回波能量的累积,从而大大提高GLRT检测器的性能,性能的提高与MIMO雷达收发天线的数目有关,但是在预处理和参数估计的计算过程中太过于复杂,检测时间长。
发明内容
针对上述问题,本发明的目的在于提供一种基于非均匀杂波的MIMO雷达扩展目标检测方法,本发明综合考虑杂波的先验分布需要同时满足能较好的模拟雷达杂波环境的特点和计算较为简单的特点,选用逆复Wishart分布作为雷达杂波的先验分布。在非均匀杂波的背景下利用贝叶斯框架结合Rao和Wald检测的判决准则,设计了两个新的B-Rao和B-Wald检测器。新设计的检测器相较于传统的SCM和RSCM检测器具备更高的检测概率,在计算效率上明显优于现存的KA-GLRT检测器。
为实现上述目的,本发明提供如下技术方案:一种基于非均匀杂波的MIMO雷达扩展目标检测方法,包括以下步骤:
步骤S1:选用逆复Wishart分布作为雷达杂波的先验分布;
步骤S2:将距离扩展目标的检测问题建模为二元假设检验问题;
步骤S3:设计B-Rao检测器和B-Wald检测器。
优选的,所述步骤S1中:假设MIMO雷达的发射天线数和接收天线数分别为M和N,每个发射天线在一个相干处理间隔内发射L个脉冲,且发射天线之间发射的波形相互正交;在接收端,每个接收天线配备了M个匹配滤波器。
优选的,所述步骤S1中:逆复Wishart分布为:
Rmn~cw-1(μ,λmn(μ-L)R0)
其中μ为自由度,R0是N×N维信号的协方差矩阵,λmn为第m个发射天线到第n个接收天线上的噪声功率。
优选的,所述步骤S2中建模为二元假设检验问题如下:
H0:Xmn=Nmn
其中H0表示待检测距离单元没有目标,H1表示存在目标,Xmn为表示雷达在第m个发射天线到第n个接收天线上接收到的回波信号;Nmn表示雷达在第m个发射天线到第n个接收天线上接收到的杂波信号;amn是第m个发射天线到第n个接收天线上未知的信号幅度值,与目标散射系数和传播损耗有关;Sm为第m个发射天线上发送的波形信号;为第m个发射天线到第n个接收天线的发送导向矢量的共轭转置;pr,mn为第m个发射天线到第n个接收天线的发送导向矢量;表示是pt,mn的共轭转置。
优选的,所述步骤S3具体包括:假设协方差矩阵R0和λmn已知的情况下根据Rao和Wald检测器的判决准则,计算Fisher信息矩阵推导出Rao与Wald检测器的表达式。
协方差矩阵R0和λmn已知的情况下推导出的B-Rao检测器的判决准则为:
其中,Xmn为在第m个发射天线到第n个接收天线上雷达接收到的回波信号,pr,mn为第m个发射天线到第n个接收天线的发送导向矢量;pt,mn为第m个发射天线到第n个接收天线的发送导向矢量;R0是N×N维信号的协方差矩阵;η1为判决门限。Πmnpmn表示对pmn逐个元素进行累乘。
协方差矩阵R0和λmn已知的情况下推导出的B-Wald检测器的判决准则为:
其中ε1为判决门限;ψ为正交投影矩阵,定义为:
其中Ymn=ψXmn表示Xmn在ψ方向的投影。
使用选定上述的先验信息分布,分别估计在假设条件H0和假设条件H1下的协方差矩阵R0和λmn的估计量;
其中H表示检测器统计扩展距离单元数目。
与现有技术相比,本发明的有益效果如下:
1、本发明综合考虑杂波的先验分布需要同时满足能较好的模拟雷达杂波环境的特点和计算较为简单的特点,选用逆复Wishart分布作为雷达杂波的先验分布。在非均匀杂波的背景下利用贝叶斯框架结合Rao和Wald检测的判决准则,设计了两个新的B-Rao和B-Wald检测器。新设计的检测器相较于传统的SCM和RSCM检测器具备更高的检测概率,在计算效率上明显优于现存的KA-GLRT检测器。
2、本发明设计了新的B-Rao与B-Wald检测器算法。该算法通过利用杂波的先验信息分布解决了均匀性训练数据不足的问题,提升了距离扩展目标的检测概率,计算复杂度低。
附图说明
图1是本发明实施例中提到的分布式MIMO雷达配置图;
图2、图3、图4分别对应着距离扩展单元H=4,H=6,H=8三种情况下目标检测概率和信噪比SNR之间的关系曲线图;
图5a、图5b、图5c分别表示在相同检测环境,不同的距离扩展单元下,B-Wald和B-Rao检测器与现存的KA-GLRT检测器的蒙特卡洛仿真实验耗时比较柱状图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明提出一种基于非均匀杂波的MIMO雷达扩展目标检测方法。该方法采用将MIMO雷达扩展目标检测建模为二元假设检验问题,并将不同发送-接收对(Tx-Rx)所对应的干扰杂波协方差矩阵建模为随机矩阵。同时指定它们的先验分布为逆复Wishart分布。通过设置不同的功率水平来模拟不同的发射-接收天线对(Tx-Rx)之间的非均匀杂波功率。根据Rao和Wald检测器的检测标准结合贝叶斯框架在非均匀杂波干扰下设计了两个新的检测器。达到了提高MIMO雷达扩展目标检测概率和降低计算复杂度的目的,本发明综合考虑杂波的先验分布需要同时满足能较好的模拟雷达杂波环境的特点和计算较为简单的特点,选用逆复Wishart分布作为雷达杂波的先验分布。在非均匀杂波的背景下利用贝叶斯框架结合Rao和Wald检测的判决准则,设计了两个新的B-Rao和B-Wald检测器。新设计的检测器相较于传统的SCM和RSCM检测器具备更高的检测概率,在计算效率上明显优于现存的KA-GLRT检测器;解决了非均匀雷达杂波下,均匀性训练数据不足和现存的算法计算效率低下的问题。
具体方案如下:
通过两步法进行设计。包括步骤:
假设MIMO雷达的发射天线数和接收天线数分别为M和N。每个发射天线在一个相干处理间隔内发射L个脉冲,且发射天线之间发射的波形相互正交。在接收端,每个接收天线配备了M个匹配滤波器,由于雷达的高分辨率,我们需要考虑距离扩展问题。假设一个目标可以扩展到H≥1个距离单元,且杂波信息未知。
步骤1:针对杂波未知和均匀性训练数据不足的问题,拟采用选择合适的分布作为雷达杂波的先验分布来解决。然而在缺乏可靠先验信息的情况下,先验分布的选择是相当微妙的。即需要较为准确的反映出干扰杂波信息,又需要便于推导和计算。在传统的低分辨率雷达中,根据中心极限定理,杂波幅度服从瑞利分布。但是在高分辨率雷达或者海情/地表比较复杂时,杂波回波不再服从高斯分布。综合考量,指定杂波的先验信息分布为逆复Wishart分布。
Rmn~cw-1(μ,λmn(μ-L)R0)
其中μ为自由度,R0是N×N维信号的协方差矩阵,λmn为第m个发射天线到第n个接收天线上的噪声功率。
步骤2:将距离扩展目标的检测问题建模为二元假设检验问题。
H0:Xmn=Nmn
其中H0表示待检测距离单元没有目标,H1表示存在目标,Xmn为表示雷达在第m个发射天线到第n个接收天线上接收到的回波信号;Nmn表示雷达在第m个发射天线到第n个接收天线上接收到的杂波信号;amn是第m个发射天线到第n个接收天线上未知的信号幅度值,与目标散射系数和传播损耗有关;Sm为第m个发射天线上发送的波形信号;为第m个发射天线到第n个接收天线的发送导向矢量的共轭转置;pr,mn为第m个发射天线到第n个接收天线的发送导向矢量;表示是pt,mn的共轭转置。
步骤3:通过两步法设计检测器。第一步假设协方差矩阵R0和λmn已知的情况下根据Rao和Wald检测器的判决准则,计算Fisher信息矩阵推导出Rao与Wald检测器的表达式
协方差矩阵R0和λmn已知的情况下推导出的B-Rao检测器的判决准则为:
其中,Xmn为在第m个发射天线到第n个接收天线上雷达接收到的回波信号,pr,mn为第m个发射天线到第n个接收天线的发送导向矢量;pt,mn为第m个发射天线到第n个接收天线的发送导向矢量;R0是N×N维信号的协方差矩阵;η1为判决门限。Πmnpmn表示对pmn逐个元素进行累乘。
协方差矩阵R0和λmn已知的情况下推导出的B-Wald检测器的判决准则为:
其中ψ为正交投影矩阵,定义为:
其中,Ymn=ψXmn表示Xmn在ψ方向的投影。ε1为判决门限。
步骤4:第二步使用步骤1中选定的先验信息分布,分别估计在假设条件H0和假设条件H1下的协方差矩阵R0和λmn的估计量。
H表示检测器统计扩展距离单元数目。
步骤5:将步骤4得到的估计量带入步骤3得到的判决式,对R0和λmn进行替换,得到最终的B-Rao和B-Wald判决式。
设计的B-Rao检测器:
设计的B-Wald检测器:
本发明在MIMO雷达距离扩展目标检测中,利用两步法在贝叶斯框架下结合Rao和Wald检测器的判决规则,设计了新的B-Rao与B-Wald检测器算法。该算法通过利用杂波的先验信息分布解决了均匀性训练数据不足的问题,提升了距离扩展目标的检测概率,计算复杂度低。
以下提供本发明一具体的实施例
实施例1
本发明中,B-Wald检测器与B-Rao检测器的设计思路,因为推导出B-Wald检测器与B-Rao检测器的检测概率(Probability of Detection,PD)和虚警概率(Probability ofFalse Alarm,PFA)的闭集表达式过于困难。拟采用蒙特卡洛仿真实验求解检测概率PD。在蒙特卡洛仿真实验中,虚警概率PFA设为10-2,检测门限和检测概率通过100/PFA独立仿真实验求得。为了在相同的仿真环境下,比较KA-GLRT、SCM、RSCM检测器和本文推导的B-Rao、B-Wald检测器的检测性能,拟采用与文献(Yongchan Gao,Hongbin Li,and BraharmHimed.Knowledge-Aided Ranged-spread Target Detection for Distributed MIMORadar in Nonhomogeneous Environments[J].IEEE Trans,Signal process,2017,65(3))相同的仿真参数配置。
如图1所示,分布式MIMO雷达配置,发射天线阵元数和接收天线阵元数都为2。其中相对于目标0°和65°有两个发射天线,相对于-30°和40°有两个接收天线。天线配置与上述文献一致。为了模拟真实的雷达场景,假设发射脉冲重复频率为500HZ,载波频率设为1GHz,假设被测目标运动速度为108km/h,由以上参数可得目标的归一化多普勒频率为0.2。假设发射脉冲数L=20,假设逆复Wishart分布的自由度μ=24以及天线上噪声功率:λ11=1,λ12=2,λ21=3,λ22=4。为了简化运算,amn,h表示在距离h下第m个发射天线到第n个接收天线上未知的信号幅度值,假设amn,h在不同的距离单元内是相同的。R0采用指数相关的协方差矩阵,即第(m,n)个元素是
R0(m,n)=ρ|m-n|
ρ=0.9表示1阶迟滞相关系数,信噪比(Signal-to-noise ratio,SNR)定义为
其中,L表示每个发射天线在一个相干处理间隔内累积了L个脉冲。为了进行对比,现提供文献中提出的KA-GLRT检测器为
传统SCM(sample-covariance-matrix)检测器如下:
其中,T表示接收时间;pr,mn为第m个发射天线到第n个接收天线的发送导向矢量;pt,mn为第m个发射天线到第n个接收天线的发送导向矢量;表示是pt,mn的共轭转置。表示在第m个发射天线到第n个接收天线上雷达在t时刻接收到的回波信号;Xmn,h在第m个发射天线到第n个接收天线上雷达接收到在距离h上的回波信号。
RSCM(robust-SCM)检测器如下:
参照图2,图3,图4所示分别对应着距离扩展单元H=4,H=6,H=8三种情况下目标检测概率和信噪比SNR之间的关系曲线图。从图2可以看出,(1)在相同信噪比下,设计的B-Wald和B-Rao检测器的检测概率PD远高于现存的抽样协方差(SCM)检测器和鲁棒抽样协方差矩阵(RSCM)检测器。这是因为B-Rao和B-Wald检测器在决策准则中包含了杂波的先验信息,并以此实现了性能增益。(2)在相同信噪比下,B-Wald和B-Rao检测器的检测概率与基于知识辅助的广义似然比(KA-GLRT)检测器的检测概率相差不大。(3)图2中所有检测器的检测概率都随着SNR的增加而升高,且上升趋势相同;
从图2,图3,图4可以看出,随着距离扩展单元H的增大,各个检测器的检测性能都得到了一定的提升。相较于传统的点源模型,目标回波扩展到多个距离单元。接收天线能收集到更多的回波信号,可以获得更多的目标信息,这在一定程度上提升了目标的检测概率。也从侧面印证了H越大,代表着雷达的距离分辨率越高,对目标的检测概率也相应更高。
在本实施例中本次蒙特卡洛仿真实验中设置M=N=2,发射阵元天线数和接收阵元天线数都比较小。但是在实际场景中,分布式MIMO雷达的发射阵元天线数和接收阵元天线数大于等于2甚至远远大于2。而且M个发射阵元天线和N个接收阵元天线可以组成MN个观测通道。此时接收端需要处理的数据以乘法增加。那么在M或者N比较大的雷达***中,降低检测器的计算复杂度就显得尤为重要;具体如下所示:
参照图5a、图5b、图5c所示分别表示在相同检测环境,不同的距离扩展单元下,B-Wald和B-Rao检测器与现存的KA-GLRT检测器的蒙特卡洛仿真实验耗时比较柱状图,其中图5a距离扩展单元H=4,图5b距离扩展单元H=6,图5c距离扩展单元H=8。由图5a、图5b、图5c三图可知,三种检测器的蒙特卡洛仿真耗时随着距离扩展单元H的增加而增大。这主要是因为距离扩展单元增大后,接收天线能收集到更多的回波信号,接收端需要处理的数据量更多,也就是说随着距离扩展单元增大后,接收端需要处理的数据量更多,在相同距离单元H与相同接收阵元数N下,KA-GLRT检测器所花费的时间更长。在相同距离单元H与相同接收阵元数N下,B-Wald和B-Rao检测器所花费的时间平均仅约为KA-GLRT检测器的68%,主要是由于本发明将MIMO雷达扩展目标检测建模为二元假设检验问题,并将不同发送-接收对(Tx-Rx)所对应的干扰杂波协方差矩阵建模为随机矩阵,同时指定它们的先验分布为逆复Wishart分布,通过设置不同的功率水平来模拟不同的发射-接收天线对(Tx-Rx)之间的非均匀杂波功率,然后根据Rao和Wald检测器的检测标准结合贝叶斯框架在非均匀杂波干扰下设计了两个新的检测器,从而达到了提高MIMO雷达扩展目标检测概率和降低计算复杂度的目的,而且本发明综合考虑杂波的先验分布需要同时满足能较好的模拟雷达杂波环境的特点和计算较为简单的特点,选用逆复Wishart分布作为雷达杂波的先验分布。在非均匀杂波的背景下利用贝叶斯框架结合Rao和Wald检测的判决准则,设计了两个新的B-Rao和B-Wald检测器。新设计的检测器相较于传统的SCM和RSCM检测器具备更高的检测概率,在计算效率上明显优于现存的KA-GLRT检测器;从而这说明B-Rao和B-Wald检测器的计算复杂度低于KA-GLRT检测器。为了模拟大型分布式MIMO雷达***,本发明拟采用设置不同的N值仿真实现。N越大,代表雷达***的阵元数越大。由图5a可知,B-Rao、B-Wald、KA-GLRT检测器的计算耗时随着接收阵元数N的增加而增大,但是B-Rao与B-Wald检测器的耗时增量小于KA-GLRT检测器的耗时增量。当N=10时(类比大型分布式MIMO雷达***),B-Rao和B-Wald检测器的蒙特卡洛仿真耗时远远小于KA-GLRT检测器。这说明在大型的分布式MIMO雷达***(很多阵元天线)中,B-Rao和B-Wald检测器能更快的计算出结果。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (5)
1.一种基于非均匀杂波的MIMO雷达扩展目标检测方法,其特征在于:包括以下步骤:
步骤S1:选用逆复Wishart分布作为雷达杂波的先验分布;
步骤S2:将距离扩展目标的检测问题建模为二元假设检验问题;
步骤S3:设计B-Rao检测器和B-Wald检测器。
2.根据权利要求1所述的一种基于非均匀杂波的MIMO雷达扩展目标检测方法,其特征在于,所述步骤S1中:假设MIMO雷达的发射天线数和接收天线数分别为M和N,每个发射天线在一个相干处理间隔内发射L个脉冲,且发射天线之间发射的波形相互正交;在接收端,每个接收天线配备了M个匹配滤波器。
3.根据权利要求2所述的一种基于非均匀杂波的MIMO雷达扩展目标检测方法,其特征在于,所述步骤S1中:逆复Wishart分布为Rmn~cw-1(μ,λmn(μ-L)R0);其中μ为自由度,R0是N×N维信号的协方差矩阵,λmn为第m个发射天线到第n个接收天线上的噪声功率。
4.根据权利要求3所述的一种基于非均匀杂波的MIMO雷达扩展目标检测方法,其特征在于:所述步骤S2中建模为二元假设检验问题如下:
H0:Xmn=Nmn
5.根据权利要求4所述的一种基于非均匀杂波的MIMO雷达扩展目标检测方法,其特征在于:所述步骤S3具体包括:假设协方差矩阵R0和λmn的情况下根据Rao和Wald检测器的判决准则,计算Fisher信息矩阵推导出Rao与Wald检测器的表达式;
已知协方差矩阵R0和λmn的情况下推导出的B-Rao检测器的判决准则为:
其中,Xmn为在第m个发射天线到第n个接收天线上雷达接收到的回波信号,pr,mn为第m个发射天线到第n个接收天线的发送导向矢量;pt,mn为第m个发射天线到第n个接收天线的发送导向矢量;R0是N×N维信号的协方差矩阵;η1为判决门限;Πmnpmn表示对pmn逐个元素进行累乘。
协方差矩阵R0和λmn已知的情况下推导出的B-Wald检测器的判决准则为:
其中ψ为正交投影矩阵,定义为:
其中,Ymn=ψXmn表示Xmn在ψ方向的投影;ε1为判决门限;
使用选定上述的先验信息分布,分别估计在假设条件H0和假设条件H1下的协方差矩阵R0和λmn的估计量;
其中,H表示检测器统计扩展距离单元数目;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984913.7A CN112147584A (zh) | 2020-09-18 | 2020-09-18 | 一种基于非均匀杂波的mimo雷达扩展目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984913.7A CN112147584A (zh) | 2020-09-18 | 2020-09-18 | 一种基于非均匀杂波的mimo雷达扩展目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112147584A true CN112147584A (zh) | 2020-12-29 |
Family
ID=73893375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010984913.7A Pending CN112147584A (zh) | 2020-09-18 | 2020-09-18 | 一种基于非均匀杂波的mimo雷达扩展目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147584A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723253A (zh) * | 2021-08-23 | 2021-11-30 | 西安电子科技大学 | 基于杂波预分类的运动目标检测方法 |
CN115902810A (zh) * | 2022-12-29 | 2023-04-04 | 中国人民解放军空军预警学院 | 非均匀环境中分布式无人机载雷达扩展目标检测器与*** |
CN116643251A (zh) * | 2023-07-27 | 2023-08-25 | 西安电子科技大学 | 非均匀杂波环境中的宽带雷达运动目标检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018721A (zh) * | 2012-12-11 | 2013-04-03 | 电子科技大学 | 一种mimo-oth雷达波形的生成方法 |
CN104301005A (zh) * | 2013-07-17 | 2015-01-21 | 美国博通公司 | 联合检测方法及装置 |
CN105425230A (zh) * | 2015-11-11 | 2016-03-23 | 西安电子科技大学 | 逆高斯纹理复合高斯杂波下距离扩展目标自适应检测方法 |
CN106383344A (zh) * | 2016-09-30 | 2017-02-08 | 长沙太电子科技有限公司 | 基于融合准则的多站雷达运动目标检测方法 |
-
2020
- 2020-09-18 CN CN202010984913.7A patent/CN112147584A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018721A (zh) * | 2012-12-11 | 2013-04-03 | 电子科技大学 | 一种mimo-oth雷达波形的生成方法 |
CN104301005A (zh) * | 2013-07-17 | 2015-01-21 | 美国博通公司 | 联合检测方法及装置 |
CN105425230A (zh) * | 2015-11-11 | 2016-03-23 | 西安电子科技大学 | 逆高斯纹理复合高斯杂波下距离扩展目标自适应检测方法 |
CN106383344A (zh) * | 2016-09-30 | 2017-02-08 | 长沙太电子科技有限公司 | 基于融合准则的多站雷达运动目标检测方法 |
Non-Patent Citations (2)
Title |
---|
YONGCHAN GAO ET AL.: "Knowledge-Aided Range-Spread Target Detection for Distributed MIMO Radar in Nonhomogeneous Environments", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
韩金旺: "MIMO雷达自适应目标检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723253A (zh) * | 2021-08-23 | 2021-11-30 | 西安电子科技大学 | 基于杂波预分类的运动目标检测方法 |
CN115902810A (zh) * | 2022-12-29 | 2023-04-04 | 中国人民解放军空军预警学院 | 非均匀环境中分布式无人机载雷达扩展目标检测器与*** |
CN115902810B (zh) * | 2022-12-29 | 2024-04-19 | 中国人民解放军空军预警学院 | 非均匀环境中分布式无人机载雷达扩展目标检测器与*** |
CN116643251A (zh) * | 2023-07-27 | 2023-08-25 | 西安电子科技大学 | 非均匀杂波环境中的宽带雷达运动目标检测方法 |
CN116643251B (zh) * | 2023-07-27 | 2023-10-20 | 西安电子科技大学 | 非均匀杂波环境中的宽带雷达运动目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105807267B (zh) | 一种mimo雷达扩展目标的检测方法 | |
CN112147584A (zh) | 一种基于非均匀杂波的mimo雷达扩展目标检测方法 | |
CN107861107B (zh) | 一种适用于连续波雷达的双门限cfar与点迹凝聚方法 | |
CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
Akcakaya et al. | Adaptive MIMO radar design and detection in compound-Gaussian clutter | |
CN106569193B (zh) | 基于前-后向收益参考粒子滤波的海面小目标检测方法 | |
CN105093196B (zh) | 基于逆伽马纹理复合高斯模型下的相干检测方法 | |
CN107942324B (zh) | 基于多普勒引导的多帧联合小目标双重检测方法 | |
CN103364769B (zh) | 空间非均匀海杂波协方差矩阵的自适应估计方法 | |
CN107015214B (zh) | 一种基于稀疏贝叶斯学习的空时自适应处理方法 | |
CN111239727A (zh) | 一种乘客计数方法及通信设备 | |
CN109765529A (zh) | 一种基于数字波束形成的毫米波雷达抗干扰方法及*** | |
CN111007487B (zh) | 一种基于时间反演的多基地雷达目标检测方法 | |
Ram et al. | Optimization of radar parameters for maximum detection probability under generalized discrete clutter conditions using stochastic geometry | |
CN113933808A (zh) | 机载雷达动目标检测方法、装置、设备及存储介质 | |
CN107229040B (zh) | 基于稀疏恢复空时谱估计的高频雷达目标检测方法 | |
Xue et al. | Knowledge-based target detection in compound Gaussian clutter with inverse Gaussian texture | |
CN107132532B (zh) | 基于海尖峰抑制和多帧联合的小目标检测方法 | |
CN110940977B (zh) | 一种适配海况变化的恒虚警检测器及恒虚警检测方法 | |
CN106019250B (zh) | 基于角闪烁转发式假目标鉴别方法 | |
CN108983227B (zh) | 一种基于白化滤波的极化mimo雷达检测方法 | |
CN110850421A (zh) | 基于混响对称谱的空时自适应处理的水下目标检测方法 | |
CN113093174B (zh) | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 | |
Zhao et al. | A modified matrix CFAR detector based on maximum eigenvalue for target detection in the sea clutter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |
|
RJ01 | Rejection of invention patent application after publication |