CN114167375A - 一种绝对中位差结合最小描述长度的cfar检测方法 - Google Patents
一种绝对中位差结合最小描述长度的cfar检测方法 Download PDFInfo
- Publication number
- CN114167375A CN114167375A CN202111212467.9A CN202111212467A CN114167375A CN 114167375 A CN114167375 A CN 114167375A CN 202111212467 A CN202111212467 A CN 202111212467A CN 114167375 A CN114167375 A CN 114167375A
- Authority
- CN
- China
- Prior art keywords
- clutter
- data
- sample data
- cfar
- description length
- 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
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
- G01S7/41—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
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
Description
技术领域
本发明属于雷达目标检测技术领域,具体为一种绝对中位差结合最小描述长度的CFAR检测方法。
背景技术
随着无线电技术的发展,雷达探测的环境越来越复杂,除了一些地物杂波的影响,可能还会受到敌方有源干扰的影响,目标检测的难度随之增大。因此如何提高算法的环境适应性依然是目前很多学者的研究重点,是恒虚警目标检测算法的重点研究目标,对提高地面侦察雷达的检测性能有重要意义。
对于不同的目标检测问题,发展出许多恒虚警检测算法的研究方向,大致可以将其分为三类:均值(Mean Level,ML)类、有序统计(Ordered Statistics,OS)类、自适应类检测算法。在自适应类检测算法中,自适应加权截断统计恒虚警(Adaptive Weighted TS-CFAR,AWTS-CFAR)检测方法是在截断统计量恒虚警检测算法(Truncated StatisticsCFAR,TS-CFAR)上进行改进的。TS-CFAR可以很好地解决多目标干扰问题,但在截断过程中,参考单元中超过截断深度t的数据被剔除,导致参考单元的数据没有得到充分利用,在杂波边缘环境下检测性能较差。若截断系数选取较小,TS-CFAR在均匀环境中的恒虚警损失偏大,但截断系数选取较大时,又会因无法剔除所有干扰而导致多目标环境中检测性能下降。通过改进截断过程,将截断的较大值与参考单元中的较小值进行自适应加权处理,得到AWTS-CFAR算法,AWTS-CFAR算法虽然降低了均匀环境中TS-CFAR的恒虚警损失,但同时在多目标环境检测情况下性能出现恶化。
发明内容
本发明的目的在于提出一种绝对中位差结合最小描述长度的CFAR检测方法。
实现本发明目的的技术方案为:一种绝对中位差结合最小描述长度的CFAR检测方法,包括以下步骤:
步骤1、通过最小描述长度法进行杂波边缘位置的判定;
步骤2、根据杂波边缘位置选定不同区间内的数据作为样本数据;
步骤3、采用绝对中位差检验对样本集合进行干扰的剔除;
步骤4、利用剔除干扰后的样本求平均得到背景杂波功率估计值。
其中,2N为参考单元个数,ξ取2ln(2N);x={x1,x2,...,xN,xN+1,...x2N},代表无杂波边缘时,将整个参考单元作为样本数据;当杂波位置在m处时,y=[x1,...,xm]为前m个参考单元数据,z=[xm+1,...,x2N]为后2N-m个参考单元数据,为经过采样进入到参考窗口数据,如果则说明该参考单元中没有杂波边缘。
优选地,步骤2根据杂波边缘位置选定不同区间内的样本数据的具体方法为:如果选取整个参考单元的样本数据作为背景杂波功率估计值,即w=x;若选取z=[xm+1,...,x2N]作为背景杂波功率估计值,即w=z;其他情况下,选取y=[x1,...xm]作为背景杂波功率估计值,w=y,其中w为用来进行背景杂波功率估计的样本集合。
优选地,步骤3采用绝对中位差检验剔除样本集合中的干扰的具体步骤为:
步骤3-1、将样本数据从小到大排列;
步骤3-2、判断当前情况下样本数据长度L为奇数还是偶数,按以下公式计算样本数据的中位数和绝对中位差:
其中
步骤4-3、从样本中的第一个数据开始,逐个计算的值,并将计算出的值与阈值作比较,如果大于阈值,则剔除数据,如果小于阈值则保留,直至整个样本数据全部判断完毕,得到剩余的样本数据即为背景杂波功率估计的样本数据。
本发明与现有技术相比,其显著优点为:1)本发明在多目标环境中具有良好检测性能;2)本发明在杂波边缘环境中能够有效的抑制“杂波边缘效应”;3)本发明适用于多种环境。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为EMDL-CFAR算法结构框图。
图2为绝对中位差假设检验剔除强干扰流程图。
图3为两干扰目标环境中EMDL-CFAR检测概率对比图。
图4为六干扰目标环境中EMDL-CFAR检测概率对比图。
图5为杂波边缘环境EMDL-CFAR检测概率对比图。
图6为杂波边缘环境EMDL-CFAR虚警概率对比图。
具体实施方式
一种绝对中位差结合最小描述长度的CFAR(EMDL-CFAR)检测算法,先通过最小描述长度法来进行杂波边缘位置的判定,然后选定区间内的样本数据作为背景杂波功率估计值,样本数据选取后,采用绝对中位差检验对样本集合进行干扰的剔除,最后利用筛选后的样本求平均得到背景杂波功率估计值,有效地减小参考单元中干扰的影响,使得背景杂波估计更准确,算法环境适应性强。
其中f(m)为
然后将选定的样本从小到大排序结果作为初始集合{x′1≤x'2≤···≤x'L},则参考窗口中样本数据的中位数可以表示为
其中
中位数是集中趋势的可靠度量,并且对强干扰的存在不敏感。不敏感度的一个指标是击穿值,击穿值是估算器在给出不正确结果之前可以处理不正确样本的最大比例,中位数的击穿值为50%,估算器的击穿值越高,其对干扰值的鲁棒性就越大;不敏感度的另一个指标是影响函数,它是一种导数,表示数据中的干扰如何影响估计量,中位数的影响函数是有界的,这意味着强干扰对中位数的影响是有限的。
绝对中位差是在中位数估算值的基础上开发的,其击穿值也为50%,且影响函数是有界的,定义如下
其中b为一个常数,通常b=1.4826。从以上表达式可以看出,样本中位数和绝对中位差都简单易计算,它们的鲁棒性使其成为一种高效地筛选数据以发现强干扰的理想选择。其中,绝对中位差假设检验为
其中B为筛选阈值,通常情况下B=2.5为合理的选择;Hh表示判定为均匀样本,Hnh表示判定为强干扰。对于每个样本xi∈{x′1≤x'2≤···≤x'L},将集合中大于阈值B的样本视作强干扰。
利用最小描述长度来判定杂波边缘位置、选定样本数据,通过绝对中位差假设检验对其进行干扰剔除,最后将筛选后的样本求平均得到背景杂波功率估计值,使得背景杂波估计值更为精确。
图1是EMDL-CFAR算法结构框图,通过最小描述长度来进行杂波边缘位置的判定。
假设杂波服从韦布尔分布,参考窗口的长度为2N,经过采样进入到参考窗口数据为x={x1,x2,...,xN,xN+1,...,x2N}。假设与杂波统计数据的变化率相比,参考窗口的大小足够小,因此在一个窗口中具有多个杂波边缘的概率非常小,即在左、右参考窗口中最多只有一个杂波边缘。HM假设表示在第M个参考单元和第M+1个参考单元之间存在杂波边缘,其中1≤M≤2N-1;HM0假设表示参考单元中没有杂波边缘。杂波边缘将参考单元中的数据分为yM∈xM和zM∈x2N-M两个部分,其中yM只包含x中前M个样本,zM包含x中后2N-M个样本。假设yM和zM里的数据满足独立且同分布,于是yM和zM的概率密度分布函数可表示为
其中ay和az为样本分布的未知参数,yk和zk分别为yM和zM中的第k个样本,因此可以得到x的联合概率密度函数为
通过最大似然估计对未知参数ay、az和M进行估计可得
由于杂波服从Weibull分布,对其求对数可以得到Gumbel分布,其概率密度分布函数为
其中α=1/p,β=lnq,a=[α,β]。
可以得到对数最大似然函数为
为了计算未知参数的最大似然估计,必须针对各种M值迭代求解非线性方程组。可得简单的非迭代解
使用Gumbel分布的参数矩估计得到近似值
其中γ=0.57721,std(·)和E(·)分别为集合的标准差和期望,化简公式可得
同理得到
所以求解出
为了提高HM的准确度,根据最小描述长度方法再添加一个限制条件可得
其中ξ的大小取决于未知参数的数量,通常取ξ=λln(2N),2N为参考单元的个数,λ=2是一个合适的选择。因此,对于长度为2N的参考单元,参考单元的数据为x=[x1,x2,...,x2N],要找到杂波边缘的位置,需要计算出
其中f(m)为
在通过杂波边缘检测找到杂波边缘的位置后,如果时,选取整个参考单元的样本数据作为背景杂波功率估计值,即w=x;若选取z=[xm+1,...,x2N]作为背景杂波功率估计值,即w=z;其他情况下,选取y=[x1,...xm]作为背景杂波功率估计值,w=y。其中w为用来进行背景杂波功率估计的样本集合。采用绝对中位差假设检验对样本集合w进行干扰的剔除
其中筛选阈值选取B=2.5。
图2为绝对中位差假设检验剔除强干扰的流程图,最后利用保留下的样本求平均得到背景杂波功率估计值。
图3和图4为在多目标环境中各个算法检测概率对比图,可以看出,在多目标环境中,EMDL-CFAR算法检测性能优良。
图5为在杂波边缘环境中检测概率对比图,在相同背景下检测同一目标时,EMDL-CFAR算法表现出了较好的检测性能。
从图6可以看出,杂波边缘环境中,EMDL-CFAR的虚警概率在弱杂波区域下降幅度较小,在强杂波区域,EMDL-CFAR的虚警概率上升幅度小,说明其维持虚警概率的性能较好,出现的“杂波边缘效应”相对较弱,
本发明方法在多目标环境、杂波边缘环境下都具有良好的检测性能和较好的恒虚警能力。
Claims (4)
1.一种绝对中位差结合最小描述长度的CFAR检测方法,其特征在于,包括以下步骤:
步骤1、通过最小描述长度法进行杂波边缘位置的判定;
步骤2、根据杂波边缘位置选定不同区间内的数据作为样本数据;
步骤3、采用绝对中位差检验对样本集合进行干扰的剔除;
步骤4、利用剔除干扰后的样本求平均得到背景杂波功率估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111212467.9A CN114167375A (zh) | 2021-10-19 | 2021-10-19 | 一种绝对中位差结合最小描述长度的cfar检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111212467.9A CN114167375A (zh) | 2021-10-19 | 2021-10-19 | 一种绝对中位差结合最小描述长度的cfar检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114167375A true CN114167375A (zh) | 2022-03-11 |
Family
ID=80476997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111212467.9A Pending CN114167375A (zh) | 2021-10-19 | 2021-10-19 | 一种绝对中位差结合最小描述长度的cfar检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167375A (zh) |
-
2021
- 2021-10-19 CN CN202111212467.9A patent/CN114167375A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109541577B (zh) | 一种部分均匀环境中未知干扰下的自适应子空间检测器 | |
CN110287537B (zh) | 用于频标输出跳变检测的抗野值自适应卡尔曼滤波方法 | |
CN111929679B (zh) | 一种自适应加权截断统计恒虚警检测方法 | |
CN111126318A (zh) | 一种信号失配下的参数可调双子空间信号检测方法 | |
CN107271973B (zh) | 韦布尔杂波环境下基于偏斜度和均值比的恒虚警检测方法 | |
CN108627819B (zh) | 基于雷达观测的距离扩展目标检测方法和*** | |
CN115032606B (zh) | 一种基于局部最小选定单元平均的恒虚警检测器 | |
CN107024680B (zh) | 一种基于双删除门限的目标检测方法 | |
CN111353131B (zh) | 一种码载偏离度阈值计算的方法 | |
CN109709526B (zh) | 一种知识辅助分组广义似然比检测方法 | |
CN106526545B (zh) | 一种鲁棒cfar检测器的检测方法 | |
CN108469609B (zh) | 一种用于雷达目标跟踪的检测信息滤波方法 | |
CN105866748B (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
CN109525339B (zh) | 认知无线电的频谱感知方法、装置、设备以及存储介质 | |
JP6148229B2 (ja) | 遷移信号の動的クラスタリング | |
CN111090089A (zh) | 一种基于两类辅助数据的空时自适应检测方法 | |
CN114167375A (zh) | 一种绝对中位差结合最小描述长度的cfar检测方法 | |
CN110837088B (zh) | 一种星载激光测高仪数据去噪方法 | |
CN117054998A (zh) | 一种基于信息熵背景平稳度的集群目标检测方法和*** | |
CN108718223B (zh) | 一种非合作信号的盲频谱感知方法 | |
CN115856819A (zh) | 一种基于平稳高斯过程的雷达目标恒虚警检测方法 | |
CN109696662B (zh) | 一种基于k统计分布模型背景的目标检测方法 | |
CN107315169B (zh) | 基于二阶统计量相似度的杂波协方差矩阵估计方法 | |
CN113504521B (zh) | 一种用于多目标环境下的基于混合模型的恒虚警检测方法 | |
CN113702937B (zh) | 基于自适应mti滤波器的双通道非相干检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |