CN115524672A - 结构化干扰与杂波下目标鲁棒智能检测方法 - Google Patents

结构化干扰与杂波下目标鲁棒智能检测方法 Download PDF

Info

Publication number
CN115524672A
CN115524672A CN202211163221.1A CN202211163221A CN115524672A CN 115524672 A CN115524672 A CN 115524672A CN 202211163221 A CN202211163221 A CN 202211163221A CN 115524672 A CN115524672 A CN 115524672A
Authority
CN
China
Prior art keywords
clutter
target
matrix
interference
detection
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
Application number
CN202211163221.1A
Other languages
English (en)
Inventor
简涛
何佳
刘瑜
李刚
何友
高龙
张健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
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 Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202211163221.1A priority Critical patent/CN115524672A/zh
Publication of CN115524672A publication Critical patent/CN115524672A/zh
Pending legal-status Critical Current

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
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • 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
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种结构化干扰与杂波下目标鲁棒智能检测方法，属于宽带雷达信号处理领域。在存在外部干扰和均匀辅助数据量较少情况下，针对多通道宽带雷达距离扩展目标检测难以兼顾检测性能和失配鲁棒性的难题，充分挖掘杂波协方差矩阵斜对称结构信息，降低了对辅助数据量的需求，提高了未知杂波协方差矩阵估计精度，为实现干扰存在的小样本条件下目标自适应检测提供了有力支撑；构建了具有闭合形式的结构化干扰与杂波下目标鲁棒智能检测方法，在保证恒虚警率特性的同时，兼顾算法的计算复杂度、智能抗干扰、失配鲁棒性和检测性能等多方面需求，提升了复杂干扰环境下多通道宽带雷达对弱小目标和失配目标的检测性能，具有推广应用价值。

Description

结构化干扰与杂波下目标鲁棒智能检测方法
技术领域
本发明隶属于雷达信号处理领域，具体涉及一种结构化干扰与杂波下目标鲁棒智能检测方法。
背景技术
随着雷达带宽的增加，其距离分辨率进一步改善，宽带雷达广泛应用于抗干扰、反侦察、精确探测及成像、高精度跟踪、目标识别等现代军事和民用领域，围绕宽带雷达距离扩展目标的自适应检测已成为雷达界的热点问题之一。不同于窄带雷达目标回波信号通常只占据一个距离分辨单元，宽带雷达目标散射点能量可能会扩散到相邻距离单元，呈现为“一维距离像”，形成距离扩展目标。若仍采用点目标检测方法针对单个距离单元对回波信号进行目标检测，并利用邻近的距离单元采样进行背景杂波统计特性估计；一方面，距离扩展目标强散射点能量易泄漏到相邻距离单元而导致信号污染现象，并进一步对单个待检测距离单元的目标信号构成遮蔽效应，使得点目标检测方法效果不佳；另一方面，在实际应用中，雷达探测面临复杂电磁环境，可能存在电子对抗信号或各种民用电磁信号等自然或人为干扰源，另外目标所处环境复杂多变，使得背景杂波非均匀性增强，满足独立同分布的纯杂波辅助数据数量较为有限，而相比窄带雷达，这一问题在宽带雷达目标检测场景下尤为突出，导致现有距离扩展目标检测方法难以取得理想的检测效果。
此外，具有未知协方差矩阵的高斯杂波下的多通道自适应目标检测一直是研究热点问题，通常假设来自于多个待检测距离单元的观测数据(也称主数据)中的杂波分量与只含纯杂波的参考距离单元数据(也称辅助数据)具有相同的杂波协方差矩阵，并假设存在一组不含目标信号的辅助数据可用来估计未知杂波协方差矩阵。在实际应用场景中，由于波前畸变、阵列校准误差等原因，目标信号导向矢量可能会出现失配的情况。对于雷达搜索模式等应用场景，需要检测器对失配信号具备较强的鲁棒性；而对于常用的秩1信号模型，目标导向矢量是固定且完全已知的，难以应对前述失配问题。若基于距离扩展目标多个待检测距离单元的主数据构建杂波协方差矩阵已知情况下的检测器，进而利用辅助数据估计未知杂波协方差矩阵，可获得距离扩展目标的两步Rao检测器(简写为2S-Rao)，该检测器在辅助数据量充足情况下，可获得一定的检测鲁棒性，但实际应用场景中辅助数据量往往较为有限，该检测器难以有效发挥作用。考虑实际环境中难以获得足够的纯杂波辅助数据，而对于使用中心对称线性阵列或中心对称间隔脉冲串的雷达接收机，其杂波协方差矩阵存在特殊的斜对称结构。若基于广义似然比检验准则，并考虑杂波协方差矩阵的斜对称结构信息，则可获得距离扩展目标的斜对称一步广义似然比检验(P1S-GLRT)检测器；相比2S-Rao检测器，该检测器的检测性能有所提升，且能够降低对辅助数据量的需求，但对失配信号的鲁棒性欠佳，其检测统计量的计算复杂度较高，不便于工程实现。
在存在外部干扰和均匀辅助数据量较少情况下，针对多通道宽带雷达距离扩展目标检测难以兼顾检测性能和失配鲁棒性的难题，如何充分利用斜对称结构信息，降低对辅助数据量的实际需求，提高未知杂波协方差矩阵估计精度，进而构建具有闭合形式的距离扩展目标鲁棒智能检测方法，在保持恒虚警率(CFAR)特性的同时有效抑制干扰信号，并兼顾失配鲁棒性、算法计算复杂度和检测性能间的有效平衡，是提升复杂干扰环境下宽带雷达探测能力的关键，也是多通道宽带雷达距离扩展目标自适应检测面临的难题之一。
发明内容
1.要解决的技术问题
针对现有宽带雷达距离扩展目标自适应检测器难以兼顾算法计算复杂度、CFAR特性、检测性能和失配鲁棒性的难题，同时考虑到实际杂波非均匀性导致难以获得纯杂波辅助数据的问题，如何充分挖掘杂波协方差矩阵结构信息，进一步降低对辅助数据量的需求，提高未知杂波协方差矩阵估计精度，进而构建具有闭合形式的结构化干扰与杂波下目标鲁棒智能检测方法，在保证CFAR特性的同时，兼顾距离扩展目标自适应检测算法的计算复杂度、智能抗干扰、失配鲁棒性和检测性能等多方面需求，提升复杂干扰环境下多通道宽带雷达对弱小目标和失配目标的自适应检测性能。
2.技术方案
本发明所述结构化干扰与杂波下目标鲁棒智能检测方法包括以下技术措施：
步骤1从K个待检测距离单元获取主数据
Figure BDA0003727059170000021
对
Figure BDA0003727059170000022
进行斜对称酉变换获得斜对称变换主数据Z；在已知杂波斜对称协方差矩阵的条件下，利用有目标假设下Z的复高斯概率密度函数对目标参数向量求偏导，进而求解Fisher信息矩阵逆矩阵中目标参数向量所对应的子矩阵，结合无目标假设下干扰子空间未知坐标的最大似然估计，构建已知杂波斜对称协方差矩阵条件下的距离扩展目标Rao检测统计量；具体步骤包括：
对于空时联合通道数为N的相参雷达***，考虑H0和H1的二元假设检验问题，其中H0假设下目标不存在，仅存在纯杂波；H1假设下目标、杂波与干扰均存在。假设目标可能占据连续的K个待检测距离单元，在假设H1下，第t个待检测距离单元中的N×1维接收复信号表示为
Figure BDA0003727059170000023
其中N×1维目标复信号向量
Figure BDA0003727059170000024
和 N×1维干扰复向量
Figure BDA0003727059170000025
均假定为确定性的，并可以分别表示为
Figure BDA0003727059170000026
和
Figure BDA0003727059170000027
Figure BDA0003727059170000028
和
Figure BDA0003727059170000029
分别为已知的列满秩N×p维目标信号子空间复矩阵和N×q维干扰信号子空间复矩阵，p×1维复向量pt和q×1维复向量qt分别表示目标信号和干扰信号的未知复坐标向量，主数据可表示为 N×K维复矩阵
Figure BDA00037270591700000210
注意子空间
Figure BDA00037270591700000211
和
Figure BDA00037270591700000212
是线性独立的，构建列满秩增广矩阵
Figure BDA00037270591700000213
且满足p+q≤N。第t个待检测距离单元中N×1维杂波向量
Figure BDA00037270591700000214
是零均值复圆高斯向量，表示为
Figure BDA00037270591700000215
且不同距离单元间的杂波向量是独立同分布的，其中N×N维的杂波协方差矩阵
Figure BDA00037270591700000216
是未知的Hermitian正定复矩阵。
此外，当雷达接收***采用中心对称线性阵列或中心对称间隔脉冲串时，
Figure BDA00037270591700000217
Figure BDA00037270591700000218
和
Figure BDA00037270591700000219
均具有斜对称结构。基于接收数据中的斜对称结构信息，可以通过斜对称酉变换T将复矩阵
Figure BDA00037270591700000220
和
Figure BDA00037270591700000221
分别转换为实矩阵H、J和M，同时可通过斜对称酉变换对原始的主数据
Figure BDA0003727059170000031
进行变换，即
Figure BDA0003727059170000032
其中，
Figure BDA0003727059170000033
和
Figure BDA0003727059170000034
分别表示m×n维的实数矩阵集合和复数矩阵集合；斜对称酉变换矩阵T 可表示为
Figure BDA0003727059170000035
上式中Im表示m×m维单元矩阵，虚数单位
Figure BDA0003727059170000036
m×m维斜对称矩阵Dm表示为
Figure BDA0003727059170000037
在H0和H1假设下，斜对称变换主数据Z的复高斯概率密度函数(PDF)可以分别表示为
Figure BDA0003727059170000038
Figure BDA0003727059170000039
其中目标子空间未知坐标矩阵
Figure BDA00037270591700000310
干扰子空间未知坐标矩阵
Figure BDA00037270591700000311
上标(·)T和(·)H分别表示转置和共轭转置，det(·)表示方阵的行列式，tr函数表示取方阵的迹。
在杂波斜对称协方差矩阵M已知条件下，基于Rao检测准则构建结构化干扰与杂波下目标鲁棒智能检测器，其距离扩展目标Rao检测统计量可以表示为
Figure BDA00037270591700000312
其中
Figure BDA00037270591700000313
目标参数向量
Figure BDA00037270591700000314
是未知的，干扰参数向量
Figure BDA0003727059170000041
是未知的；
Figure BDA0003727059170000042
表示Θ在H0假设下的最大似然估计；vec函数实现矩阵的向量化。另外，I-1(Θ)为I(Θ)的逆矩阵，
Figure BDA0003727059170000043
表示逆矩阵I-1(Θ)中Θr分量所对应的 pK×pK维子矩阵，而Fisher信息矩阵I(Θ)可以表示为
Figure BDA0003727059170000044
其中，E{·}表示求数学期望；上标(·)*表示共轭。I(Θ)可按Θr分量和Θs分量所对应的子矩阵进行分块表示为
Figure BDA0003727059170000045
注意到
Figure BDA0003727059170000046
为零矩阵，根据矩阵求逆引理，Fisher信息矩阵逆矩阵I-1(Θ)的子矩阵
Figure BDA0003727059170000047
可表示为
Figure BDA0003727059170000048
接下来，利用式(5)的PDF对Θr和
Figure BDA0003727059170000049
分别求偏导可得
Figure BDA00037270591700000410
Figure BDA00037270591700000411
将式(10)和式(11)代入式(7)，并根据式(9)可得，Fisher信息矩阵逆矩阵的子矩阵
Figure BDA00037270591700000412
可表示为
Figure BDA00037270591700000413
其中，
Figure BDA00037270591700000414
表示Kronecker积。
将式(10)、式(11)和式(12)代入式(6)，可得到给定P和Q条件下距离扩展目标Rao检测统计量为
Figure BDA00037270591700000415
注意H0假设下目标不存在，因此P和Θr的最大似然估计均为零矩阵，则H0假设下Q的最大似然估计可表示为
Figure BDA00037270591700000416
其中，
Figure BDA00037270591700000417
M-1/2表示逆矩阵M-1的平方根矩阵。
将式(14)代入式(13)的D中，并经多次代数运算可得，当杂波斜对称协方差矩阵M已知时，结构化干扰与杂波下目标鲁棒智能检测器的Rao检测统计量为
Figure BDA0003727059170000051
其中，
Figure BDA0003727059170000052
步骤2从与待检测距离单元临近的R个参考距离单元获取辅助数据
Figure BDA0003727059170000053
对
Figure BDA0003727059170000054
进行斜对称酉变换获得斜对称变换辅助数据Y，利用Y的复高斯概率密度函数对杂波斜对称协方差矩阵求导并置零，获得基于辅助数据的杂波斜对称协方差矩阵最大似然估计，将杂波斜对称协方差矩阵最大似然估计代入步骤1获得的距离扩展目标Rao检测统计量，替换其中未知的杂波斜对称协方差矩阵，构建结构化干扰与杂波下目标鲁棒智能检测方法的检测统计量λ；具体步骤包括：
为了估计
Figure BDA0003727059170000055
从与待检测距离单元临近的R个参考距离单元获取R个观测数据
Figure BDA0003727059170000056
假定
Figure BDA0003727059170000057
仅包含纯杂波分量，则辅助数据可表示为N×R维复矩阵
Figure BDA0003727059170000058
其中第t个参考距离单元的N×1维复向量
Figure BDA0003727059170000059
满足
Figure BDA00037270591700000510
其在不同距离单元间也是独立同分布的。
通过斜对称酉变换T对原始的辅助数据
Figure BDA00037270591700000511
进行变换，可得斜对称变换辅助数据 Y
Figure BDA00037270591700000512
Y的复高斯PDF可表示为
Figure BDA00037270591700000513
基于杂波协方差矩阵的斜对称结构信息，利用式(17)对M求导并置零，即令相应导数为零，可得基于辅助数据的M的最大似然估计为
Figure BDA00037270591700000514
其中
Figure BDA00037270591700000515
表示取实部，为确保协方差矩阵估计值的非奇异性，设定
Figure BDA00037270591700000516
表示大于或等于给定参数的最小整数。注意到已有的2S-Rao等不考虑斜对称结构信息的距离扩展目标检测器要求R≥N，本发明检测方法减少了对辅助数据量的需求，为实现干扰存在的小样本条件下距离扩展目标自适应检测提供了有力支撑。
将式(18)的最大似然估计
Figure BDA00037270591700000517
代入式(15)，替换式(15)中的未知矩阵M，即可得到结构化干扰与杂波下目标鲁棒智能检测器，其检测统计量：
Figure BDA00037270591700000518
其中
Figure BDA0003727059170000061
本发明方法构建了距离扩展目标的两步Rao斜对称智能鲁棒检测器。由式(19) 可以看出，所提出的结构化干扰与杂波下目标鲁棒智能检测方法具有闭合形式的检测统计量表达式，无需迭代运算。另外值得注意的是，与距离扩展目标的P1S-GLRT检测器相比，结构化干扰与杂波下目标鲁棒智能检测方法的算法计算复杂度更低，且对导向矢量失配信号具有更强的检测鲁棒性。综合来看，本发明的结构化干扰与杂波下目标鲁棒智能检测方法在保持CFAR特性的同时，能有效兼顾算法计算复杂度、失配鲁棒性和检测性能间的合理平衡。
步骤3为保持检测方法的CFAR特性，根据预设的虚警概率设置检测门限T；将检测统计量λ与检测门限T进行比较，若λ≥T，则判定当前待检测距离单元存在目标，主数据不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前待检测距离单元不存在目标，主数据作为后续其他待检测距离单元的辅助数据。
3.有益效果
与背景技术相比，本发明的有益效果是：
1)充分利用杂波协方差矩阵斜对称信息，提高了未知杂波协方差矩阵的估计精度，减少了对辅助数据量的需求，为实现干扰存在的小样本条件下距离扩展目标自适应检测提供了有力支撑；
2)构建了距离扩展目标两步Rao斜对称智能鲁棒检测方法，其检测器具有闭合形式的表达式，且具有较低的计算复杂度，便于工程实现；
3)针对存在子空间结构化的干扰环境，本发明的距离扩展目标两步Rao斜对称智能鲁棒检测方法可对不同强度干扰信号进行有效抑制，具有较好的智能抗干扰性；
4)针对目标信号导向矢量失配情况，本发明的距离扩展目标两步Rao斜对称智能鲁棒检测方法可有效检测出失配信号，对失配信号具有较强检测鲁棒性；
5)本发明的检测方法在保持CFAR特性的同时，兼顾了算法计算复杂度、检测性能和失配鲁棒性的性能平衡，提升了复杂环境下多通道宽带雷达对弱小目标和失配目标的自适应检测性能；
6)本发明方法适用于部分非宽带雷达探测情形，例如，使用低/中分辨率雷达检测大目标或检测以相同速度运动的空间邻近点目标群(舰艇编队、飞机编队、车辆编队等情况)，具有很好的应用前景。
附图说明
图1是本发明的结构化干扰与杂波下目标鲁棒智能检测方法的功能模块图；
图2是本发明方法与已有检测方法对匹配信号的检测性能对比图；
图3是本发明方法与已有检测方法对失配信号的检测性能对比图；
图2中，N＝12,K＝15,R＝13,p＝4,q＝4,虚警概率Pfa＝10-3,干扰杂波功率比ICR＝15dB；
图3中，N＝12,K＝15,R＝13,p＝4,q＝4,Pfa＝10-3,ICR＝15dB,失配角平方值cos2φ＝0.5。
具体实施方式
下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
为验证本发明所述方法的有效性，本具体实施方式给出了二个实施例，第一个实施例针对对海探测环境，第二个实施例针对对地探测环境。
实施例1：
参照说明书附图1，实施例1的具体实施方式分为以下几个步骤：
步骤A1利用对海探测雷达，对待检测海域进行雷达照射，获得K个待检测距离单元的主数据
Figure BDA0003727059170000071
将主数据
Figure BDA0003727059170000072
送至酉变换模块；在酉变换模块中，依据式(1)获得斜对称变换主数据Z。将斜对称变换主数据Z送至H1假设下概率密度函数的求导模块、Fisher信息矩阵的子块求逆模块和H0假设下最大似然估计求解模块中；在H1假设下概率密度函数的求导模块中，依据式(10)和式(11)得到H1假设下Z的复高斯概率密度函数对Θr和
Figure BDA0003727059170000073
的求导结果；在Fisher信息矩阵的子块求逆模块中，依据式(12)得到Fisher信息矩阵逆矩阵的子矩阵
Figure BDA0003727059170000074
在H0假设下最大似然估计求解模块中，依据式(14)获得H0假设下Q的最大似然估计
Figure BDA0003727059170000075
将以上在H1假设下概率密度函数的求导模块、Fisher信息矩阵的子块求逆模块以及H0假设下最大似然估计求解模块所得出的结果送至已知协方差矩阵条件下Rao检测统计量构建模块，依据式(15)构建已知杂波斜对称协方差矩阵条件下的距离扩展目标Rao检测统计量，并将其送入结构化干扰与杂波下目标鲁棒智能检测器构建模块。
值得注意的是，步骤A1中，利用复高斯分布对海杂波分量建模，同时考虑到实际海洋环境可能存在外部干扰对距离扩展目标的自适应检测产生不利影响，因此也将外部干扰考虑在检测器设计过程中，采取子空间信号对干扰进行建模，以减少干扰信号可能存在的失配影响。针对存在子空间结构化的干扰环境，本发明的距离扩展目标两步Rao斜对称智能鲁棒检测方法可对不同强度干扰信号进行有效抑制，具有较好的智能抗干扰性。针对目标信号导向矢量失配情况，本发明的距离扩展目标两步Rao斜对称智能鲁棒检测方法可有效检测出失配信号，对失配信号具有较强检测鲁棒性。
步骤A2对待检测海域周围的无目标范围进行雷达照射，获得R个参考距离单元只含纯海杂波的辅助数据
Figure BDA0003727059170000076
将辅助数据
Figure BDA0003727059170000077
送至酉变换模块；在酉变换模块中，依据式(1)对
Figure BDA0003727059170000078
进行斜对称酉变换获得斜对称变换辅助数据Y；将斜对称变换辅助数据Y送至斜对称杂波协方差矩阵最大似然估计模块，利用Y的复高斯概率密度函数对杂波斜对称协方差矩阵求导并置零，依据式(18)获得基于辅助数据的杂波斜对称协方差矩阵最大似然估计
Figure BDA0003727059170000079
将
Figure BDA00037270591700000710
送至结构化干扰与杂波下目标鲁棒智能检测器构建模块，将
Figure BDA00037270591700000711
代入步骤A1获得的距离扩展目标Rao检测统计量，替换其中未知的杂波斜对称协方差矩阵，依据式(19)构建结构化干扰与杂波下目标鲁棒智能检测方法的检测统计量λ，并将λ送至检测判决模块。
值得注意的是，步骤A2中，杂波斜对称协方差矩阵最大似然估计利用了斜对称结构信息，提高了未知海杂波协方差矩阵的估计精度；相比现有不考虑斜对称结构信息的杂波协方差矩阵估计方法，本发明方法考虑斜对称结构信息构建的协方差矩阵最大似然估计降低了对纯海杂波辅助数据量的需求，为实现干扰存在的小样本海杂波条件下距离扩展目标自适应检测提供了有力支撑。与距离扩展目标的P1S-GLRT检测器相比，本发明方法的算法计算复杂度更低，且对导向矢量失配信号具有更强的检测鲁棒性。另外，所构建的结构化干扰与杂波下目标鲁棒智能检测方法，具有闭合形式的表达式，相比现有距离扩展目标自适应检测方法，在保持CFAR特性的同时，兼顾了算法计算复杂度、检测性能和失配鲁棒性的性能平衡，提升了复杂电磁环境下多通道宽带雷达对海面弱小目标和失配目标的自适应检测能力。
步骤A3根据预设的虚警概率设置检测门限T：具体为，设定虚警概率为Pfa，根据蒙特卡洛方法，依据前期积累的100/Pfa个实测海杂波数据计算检测阈值T。考虑到海杂波获取难度大，若实际获得的纯海杂波实测数据量R少于100/Pfa，则缺少的100/Pfa-R个杂波数据可利用海杂波仿真模型进行仿真获得，其中的模型参数根据已获得的纯海杂波实测数据进行合理估计设定。进一步，检测统计量λ与检测门限T进行比较，若λ≥T，则判定当前K个待检测距离单元存在目标，主数据不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前K个待检测距离单元不存在目标，主数据作为后续其他待检测距离单元的辅助数据。
目标导向矢量匹配环境下检测器性能对比结果见附图2。结果表明，相比于已有的距离扩展目标P1S-GLRT、2S-Rao等检测器，本发明方法的检测器在匹配环境下具备更好的检测性能。
实施例2：
参照说明书附图1，实施例2的具体实施方式分为以下几个步骤：
步骤B1利用对地探测雷达，对待检测地域进行雷达照射，获得K个待检测距离单元的主数据
Figure BDA0003727059170000081
将主数据
Figure BDA0003727059170000082
送至酉变换模块；在酉变换模块中，依据式(1)获得斜对称变换主数据Z。将斜对称变换主数据Z送至H1假设下概率密度函数的求导模块、Fisher信息矩阵的子块求逆模块和H0假设下最大似然估计求解模块中；在H1假设下概率密度函数的求导模块中，依据式(10)和式(11)得到H1假设下Z的复高斯概率密度函数对Θr和
Figure BDA0003727059170000083
的求导结果；在Fisher信息矩阵的子块求逆模块中，依据式(12)得到Fisher信息矩阵逆矩阵的子矩阵
Figure BDA0003727059170000084
在H0假设下最大似然估计求解模块中，依据式(14)获得H0假设下Q的最大似然估计
Figure BDA0003727059170000085
将以上在H1假设下概率密度函数的求导模块、Fisher信息矩阵的子块求逆模块以及H0假设下最大似然估计求解模块所得出的结果送至已知协方差矩阵条件下Rao检测统计量构建模块，依据式(15)构建已知杂波斜对称协方差矩阵条件下的距离扩展目标Rao检测统计量，并将其送入结构化干扰与杂波下目标鲁棒智能检测器构建模块。
值得注意的是，步骤B1中，利用复高斯分布对地杂波分量建模，同时考虑到实际地面环境可能存在外部干扰对距离扩展目标的自适应检测产生不利影响，因此也将外部干扰考虑在检测器设计过程中，采取子空间信号对干扰进行建模，以减少干扰信号可能存在的失配影响。针对存在子空间结构化的干扰环境，本发明的距离扩展目标两步Rao斜对称智能鲁棒检测方法可对不同强度干扰信号进行有效抑制，具有较好的智能抗干扰性。针对目标信号导向矢量失配情况，本发明的距离扩展目标两步Rao斜对称智能鲁棒检测方法可有效检测出失配信号，对失配信号具有较强检测鲁棒性。
步骤B2对待检测地域周围的无目标范围进行雷达照射，获得R个参考距离单元只含纯地杂波的辅助数据
Figure BDA0003727059170000091
将辅助数据
Figure BDA0003727059170000092
送至酉变换模块；在酉变换模块中，依据式(1)对
Figure BDA0003727059170000093
进行斜对称酉变换获得斜对称变换辅助数据Y；将斜对称变换辅助数据Y送至斜对称杂波协方差矩阵最大似然估计模块，利用Y的复高斯概率密度函数对杂波斜对称协方差矩阵求导并置零，依据式(18)获得基于辅助数据的杂波斜对称协方差矩阵最大似然估计
Figure BDA0003727059170000094
将
Figure BDA0003727059170000095
送至结构化干扰与杂波下目标鲁棒智能检测器构建模块，将
Figure BDA0003727059170000096
代入步骤A1获得的距离扩展目标Rao检测统计量，替换其中未知的杂波斜对称协方差矩阵，依据式(19)构建结构化干扰与杂波下目标鲁棒智能检测方法的检测统计量λ，并将λ送至检测判决模块。
值得注意的是，步骤B2中，杂波斜对称协方差矩阵最大似然估计利用了斜对称结构信息，提高了未知地杂波协方差矩阵的估计精度；相比现有不考虑斜对称结构信息的杂波协方差矩阵估计方法，本发明方法考虑斜对称结构信息构建的协方差矩阵最大似然估计降低了对纯地杂波辅助数据量的需求，为实现干扰存在的小样本地杂波条件下距离扩展目标自适应检测提供了有力支撑。与距离扩展目标的P1S-GLRT检测器相比，本发明方法的算法计算复杂度更低，且对导向矢量失配信号具有更强的检测鲁棒性。另外，所构建的结构化干扰与杂波下目标鲁棒智能检测方法，具有闭合形式的表达式，相比现有距离扩展目标自适应检测方法，在保持CFAR特性的同时，兼顾了算法计算复杂度、检测性能和失配鲁棒性的性能平衡，提升了复杂电磁环境下多通道宽带雷达对地面弱小目标和失配目标的自适应检测能力。
步骤B3根据预设的虚警概率设置检测门限T：具体为，设定虚警概率为Pfa，根据蒙特卡洛方法，依据前期积累的100/Pfa个实测地杂波数据计算检测阈值T。进一步，检测统计量λ与检测门限T进行比较，若λ≥T，则判定当前K个待检测距离单元存在目标，主数据不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前K个待检测距离单元不存在目标，主数据作为后续其他待检测距离单元的辅助数据。
目标导向矢量失配环境下检测器性能对比结果见附图3。结果表明，相比于已有的距离扩展目标P1S-GLRT、2S-Rao等检测器，本发明方法的检测器在失配环境下具备更好的检测鲁棒性能。

Claims (6)

1.结构化干扰与杂波下目标鲁棒智能检测方法，其特征在于，包括以下步骤：
步骤1从K个待检测距离单元获取主数据
Figure FDA0003727059160000011
对
Figure FDA0003727059160000012
进行斜对称酉变换获得斜对称变换主数据Z；在已知杂波斜对称协方差矩阵M的条件下，利用有目标假设下Z的复高斯概率密度函数对目标参数向量求偏导，进而求解Fisher信息矩阵逆矩阵中目标参数向量所对应的子矩阵，结合无目标假设下干扰子空间未知坐标的最大似然估计，构建已知杂波斜对称协方差矩阵条件下的距离扩展目标Rao检测统计量；
步骤2从与待检测距离单元临近的R个参考距离单元获取辅助数据
Figure FDA0003727059160000013
对
Figure FDA0003727059160000014
进行斜对称酉变换获得斜对称变换辅助数据Y，利用Y的复高斯概率密度函数对杂波斜对称协方差矩阵求导并置零，获得基于辅助数据的杂波斜对称协方差矩阵最大似然估计，将杂波斜对称协方差矩阵最大似然估计代入步骤1获得的距离扩展目标Rao检测统计量，替换其中未知的杂波斜对称协方差矩阵，构建结构化干扰与杂波下目标鲁棒智能检测方法的检测统计量λ；
步骤3为保持检测方法的恒虚警率特性，根据预设的虚警概率设置检测门限T；将检测统计量λ与检测门限T进行比较，若λ≥T，则判定当前待检测距离单元存在目标，主数据不作为后续其他待检测距离单元的辅助数据；反之若λ＜T，则判定当前待检测距离单元不存在目标，主数据作为后续其他待检测距离单元的辅助数据。
2.根据权利要求1所述的结构化干扰与杂波下目标鲁棒智能检测方法，其特征在于，在所述步骤1中：
有目标的H1假设下，Z的复高斯概率密度函数对目标参数向量Θr的偏导为：
Figure FDA0003727059160000015
其中，f1(Z|P,Q,M)表示H1假设下Z的复高斯概率密度函数，上标(·)T和(·)H分别表示转置和共轭转置，vec函数实现矩阵的向量化；B＝[H J]，
Figure FDA0003727059160000016
D＝[PT QT]T；P表示目标子空间未知坐标矩阵，Q表示干扰子空间未知坐标矩阵，T表示斜对称酉变换矩阵，
Figure FDA0003727059160000017
为已知的列满秩N×p维目标信号子空间复矩阵，
Figure FDA0003727059160000018
为已知的列满秩N×q维干扰信号子空间复矩阵。
3.根据权利要求1所述的结构化干扰与杂波下目标鲁棒智能检测方法，其特征在于，在所述步骤1中：
Fisher信息矩阵逆矩阵中目标参数向量Θr所对应的子矩阵
Figure FDA0003727059160000019
表示为
Figure FDA00037270591600000110
其中，Im表示m×m维单元矩阵，
Figure FDA00037270591600000111
表示Kronecker积。
4.根据权利要求1所述的结构化干扰与杂波下目标鲁棒智能检测方法，其特征在于，在所述步骤1中：
无目标假设下干扰子空间未知坐标Q的最大似然估计表示为
Figure FDA0003727059160000021
其中，
Figure 1
。
5.根据权利要求1所述的结构化干扰与杂波下目标鲁棒智能检测方法，其特征在于，在所述步骤2中：
基于辅助数据的杂波斜对称协方差矩阵M的最大似然估计表示为
Figure FDA0003727059160000023
其中，
Figure FDA0003727059160000024
表示取实部。
6.根据权利要求1所述的结构化干扰与杂波下目标鲁棒智能检测方法，其特征在于，在所述步骤2中：
结构化干扰与杂波下目标鲁棒智能检测方法的检测统计量λ表示为
Figure FDA0003727059160000025
其中，
Figure FDA0003727059160000026
Figure FDA0003727059160000027
tr函数表示取方阵的迹。
CN202211163221.1A 2022-07-02 2022-07-02 结构化干扰与杂波下目标鲁棒智能检测方法 Pending CN115524672A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211163221.1A CN115524672A (zh) 2022-07-02 2022-07-02 结构化干扰与杂波下目标鲁棒智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211163221.1A CN115524672A (zh) 2022-07-02 2022-07-02 结构化干扰与杂波下目标鲁棒智能检测方法

Publications (1)

Publication Number Publication Date
CN115524672A true CN115524672A (zh) 2022-12-27

Family

ID=84699145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211163221.1A Pending CN115524672A (zh) 2022-07-02 2022-07-02 结构化干扰与杂波下目标鲁棒智能检测方法

Country Status (1)

Country Link
CN (1) CN115524672A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116299387A (zh) * 2023-01-04 2023-06-23 中国人民解放军海军航空大学 非均匀杂波下干扰正交抑制的目标智能检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116299387A (zh) * 2023-01-04 2023-06-23 中国人民解放军海军航空大学 非均匀杂波下干扰正交抑制的目标智能检测方法
CN116299387B (zh) * 2023-01-04 2024-05-31 中国人民解放军海军航空大学 非均匀杂波下干扰正交抑制的目标智能检测方法

Similar Documents

Publication Publication Date Title
Zhaocheng et al. Sparsity-based STAP using alternating direction method with gain/phase errors
CN107015205B (zh) 一种分布式mimo雷达检测的虚假目标消除方法
CN115508828B (zh) 子空间干扰下雷达目标智能融合检测方法
CN108683619B (zh) 一种低复杂度的大规模mimo信道参数估计方法
CN104166136A (zh) 一种基于干扰子空间跟踪的高效自适应单脉冲测角方法
CN113050075B (zh) 一种基于扩散映射的水下声源匹配场定位方法
CN101644760B (zh) 一种适用于高分辨阵列的快速鲁棒的信源个数检测方法
CN111239678A (zh) 一种基于l型阵列的二维doa估计方法
CN115390027A (zh) 非均匀杂波下目标知识辅助智能融合检测方法
CN112379333B (zh) 基于空时维正交投影滤波的高频雷达海杂波抑制方法
CN115524672A (zh) 结构化干扰与杂波下目标鲁棒智能检测方法
CN108594165B (zh) 一种基于期望最大化算法的窄带信号波达方向估计方法
CN116106829B (zh) 部分均匀杂波加干扰下目标智能检测方法
CN115575906A (zh) 非均匀背景下干扰智能抑制的融合检测方法
CN115508791A (zh) 未知干噪环境下目标智能融合检测方法
CN115575905A (zh) 噪声背景下抑制多秩干扰的智能融合检测方法
Sheng et al. Angular superresolution for phased antenna array by phase weighting
CN114184999B (zh) 一种互耦小孔径阵列的生成式模型处理方法
CN114167346A (zh) 基于协方差矩阵拟合阵元扩展的doa估计方法及***
CN116299387B (zh) 非均匀杂波下干扰正交抑制的目标智能检测方法
CN112698263A (zh) 一种基于正交传播算子的单基地互质mimo阵列doa估计算法
CN115792813A (zh) 干扰背景下目标鲁棒自适应检测方法
CN105242264A (zh) 一种平面阵列多目标角度高分辨实现方法
CN116047491A (zh) 准白化与干扰智能抑制的目标自适应检测方法
CN112333629A (zh) 一种互耦未知条件下分布式阵列多目标定位方法

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