匹配于等效形状参数的近最优雷达目标检测方法与流程

本发明属于雷达目标检测技术领域，具体涉及一种雷达目标检测方法，可用于海杂波背景下的目标检测。

背景技术：

海杂波背景下的目标检测是雷达的一个重要应用领域。

匹配滤波器MF和自适应匹配滤波器AMF是高斯杂波背景下的最优检测器。随着雷达分辨率的提高，高斯模型不再适用，这两个检测器因模型失配不再适用。

复合高斯模型是目前学者广泛认可的海杂波模型，它是纹理分量和散斑分量的乘积。纹理分量是一个慢变的正随机变量，散斑分量是一个快变的复高斯随机向量。当海杂波的纹理分量服从伽马分布时，它的幅度服从K分布。纹理分量的形状参数反映海杂波的非高斯特性，形状参数越大，海杂波非高斯特性越强，形状参数越小，海杂波非高斯特性越弱。忽略系统噪声和外部噪声，雷达接收到的回波数据可用K分布模型描述。最优K分布检测器OKD因表达式中存在贝塞尔函数，目前难以实现。文献P-L.Shui,M.Liu,and S-W.Xu,"Shape-parameter-dependent coherent radar target detection in K-distributed clutter,"IEEE Trans.Aerospace Electron.Systems 52(1):451-465,2016.提出了K分布杂波背景下近似最优且计算可实现的依赖于形状参数的检测器α-MF和依赖于形状参数的自适应检测器α-AMF。然而，当系统噪声和外部噪声存在于雷达中且不可忽略时，这两个检测器因模型失配不再完全适用。

已有研究表明，K分布杂波加高斯白噪声模型更适合描述雷达接收到的实际回波数据。但是该模型下的最优检测器最优K分布加高斯白噪声检测器OKGD的表达式过于复杂，实际中没有得到应用。目前使用的依赖于形状参数的检测器α-MF和依赖于形状参数的自适应检测器α-AMF虽然在K分布模型下是近似最优的，但是在K分布杂波加高斯白噪声模型下会因为模型失配导致检测性能过低而不再完全适用。

技术实现要素：

本发明的目的在于提出一种匹配于等效形状参数的近最优雷达目标检测方法，以提高在K分布杂波加高斯白噪声背景下的目标检测性能。

为实现上述技术目的，本发明的技术方案包括如下：

(1)雷达发射机发射连续的脉冲信号，雷达接收机接收Q×M维的回波数据矩阵X，其中，Q表示回波数据的积累脉冲数，M表示回波数据的距离单元数；

(2)将回波数据矩阵X沿着脉冲维等分为B个回波数据块：X₁,X₂…,X_b,…,X_B，其中，X_b表示第b个回波数据块，每个回波数据块为N×M维的矩阵，N表示第b个回波数据块X_b的脉冲数；

(3)选取第b个回波数据块X_b的第k个距离单元为X_b的待检测距离单元z_k，利用样本协方差矩阵估计方法计算待检测距离单元z_k的协方差矩阵估计

(4)利用待检测距离单元z_k的协方差矩阵估计计算回波数据的杂噪比CNR；

(5)利用回波数据的杂噪比CNR，计算等效形状参数ν_e：

$v_e=v{(1+\frac{1}{CNR})}^{\mathrm{\γ}}$

其中，ν表示纹理分量的形状参数，上标γ表示指数因子，γ为大于0的任意实数，取值为γ＝1；

(6)利用等效形状参数ν_e和待检测距离单元z_k的协方差矩阵估计计算待检测距离单元z_k的检验统计量ξ_k：

${\mathrm{\ξ}}_k=\frac{|p^H{{\hat{R}}_k}^{-1}{z}_k{|}^2}{\left(p^H{{\hat{R}}_k}^{-1}p\right){\left({z_k}^H{{\hat{R}}_k}^{-1}{z}_k\right)}^{\frac{N}{N+v_e}}},$

其中，p表示目标的多普勒导向矢量，上标H表示取共轭转置，上标-1表示取逆，|·|表示取模值；

(7)根据系统给定的虚警概率f，通过蒙特卡罗实验计算得到检测门限T_ξ；

(8)通过比较检验统计量ξ_k和检测门限T_ξ的大小判断目标是否存在：如果ξ_k≥T_ξ，则表明第b个回波数据块X_b的待检测距离单元有目标，如果ξ_k<T_ξ，则表明第b个回波数据块X_b的待检测距离单元没有目标。

本发明与现有技术相比具有以下优点：

1)本发明由于所采用的K分布杂波加高斯白噪声模型与实际环境中雷达接收到的回波数据特性更为匹配，相比现有技术所采用的数据模型，提高了雷达目标的检测性能。

2)本发明由于使用等效形状参数替换现有技术中使用的纹理分量的形状参数，将现有技术的使用范围扩展到K分布杂波加高斯白噪声背景，相比在该背景下直接使用现有技术，提高了雷达目标的检测性能。

3)由于本发明中等效形状参数的计算利用了杂噪比信息，结合高斯背景下匹配滤波器MF的最优性和K分布杂波背景下依赖于形状参数的检测器α-MF的近似最优性，提高了海杂波背景下目标的检测性能。

附图说明

图1为本发明的实现流程图；

图2为用本发明和现有方法在白的K分布杂波加高斯白噪声背景下进行目标检测的结果示意图；

图3为用本发明和现有方法在有色K分布杂波加高斯白噪声背景下进行目标检测的结果示意图。

具体实施方式

下面结合附图对本发明作进一步说明：

参照图1，本发明的实现步骤如下：

步骤1，获取回波数据矩阵X。

雷达发射机发射连续的脉冲信号，脉冲信号照射到物体表面产生回波，雷达接收机接收回波数据矩阵X，回波数据矩阵X是大小为Q×M维的矩阵，其中，Q表示回波数据的积累脉冲数，M表示回波数据的距离单元数。

步骤2，对回波数据矩阵分块处理。

将回波数据矩阵X沿着脉冲维等分为B个N×M维的回波数据块，其中，N表示每个回波数据块的脉冲数，B个回波数据块分别表示为X₁,X₂…,X_b,…,X_B，X_b表示第b个回波数据块，b＝1,2,…,B，B的取值为大于1的自然数且满足B×N≤Q，本发明实例中取B＝10⁴。

步骤3，根据回波数据块选取待检测距离单元，计算待检测距离单元的协方差矩阵估计

(3.1)选取第b个回波数据块X_b的第k个距离单元作为该回波数据块的待检测距离单元z_k，k＝1,2,…,M；

(3.2)去掉待检测距离单元z_k及其相邻的两个距离单元，用回波数据块X_b剩下的共L个距离单元作为待检测距离单元z_k的参考距离单元，其中L为大于1的自然数；

(3.3)计算待检测距离单元z_k的协方差矩阵估计

计算待检测距离单元z_k的协方差矩阵估计主要有三种方法：

第一种是样本协方差矩阵估计方法，其计算公式为：

${\hat{R}}_k=\frac{1}{L}\underset{q=1}{\overset{L}{\&Sigma;}}{z}_q{z}_q^H$

其中，z_q表示第q个参考距离单元，上标H表示取共轭转置，L表示参考距离单元数；

第二种是归一化样本协方差矩阵估计方法，其计算公式为：

${\hat{R}}_k=\frac{1}{L}\underset{q=1}{\overset{L}{\&Sigma;}}\frac{z_q{z}_q^H}{\frac{1}{N}{z}_q{z}_q^H}$

第三种是功率中值归一化协方差矩阵估计方法，其计算公式为：

${\hat{R}}_k=meadia\left\{z_q{z}_q^H\right\}\frac{1}{L}\underset{q=1}{\overset{L}{\&Sigma;}}{z}_q{z}_q^H$

其中，meadia{}表示取中值。

本实例使用但不限于使用第一种方法计算待检测距离单元z_k的协方差矩阵估计

步骤4，利用待检测距离单元z_k的协方差矩阵估计计算回波数据的杂噪比CNR；

(4.1)利用给定的目标的多普勒频率f_d，计算目标的多普勒导向矢量p：

$p={\&lsqb;1,e^{j2{\mathrm{\&pi;f}}_{d}t},e^{j4{\mathrm{\&pi;f}}_{d}t},\mathrm{...},e^{j2\mathrm{\&pi;}(N-1)f_{d}t}\&rsqb;}^T,$

其中，t表示雷达脉冲发射周期，上标T表示取转置；

(4.2)利用目标的多普勒导向矢量p和待检测距离单元z_k的协方差矩阵估计计算回波数据的杂噪比CNR：

$CNR=\frac{\mathrm{\&mu;}v}{{\mathrm{\&sigma;}}^2}\&times;\frac{p^H{\hat{R}}_{k}p}{p^{H}p}$

其中，μ表示纹理分量的尺度参数，ν表示纹理分量的形状参数，σ²表示高斯白噪声功率，表示回波数据中K分布杂波与高斯白噪声的功率之比。

步骤5，利用回波数据的杂噪比CNR，计算等效形状参数ν_e：

$v_e=v{(1+\frac{1}{CNR})}^{\mathrm{\&gamma;}}$

其中，上标γ表示指数因子，γ为大于0的任意实数，本实例取值为γ＝1；

步骤6，利用等效形状参数ν_e和待检测距离单元z_k的协方差矩阵估计计算待检测距离单元z_k的检验统计量ξ_k：

${\mathrm{\&xi;}}_k=\frac{|p^H{{\hat{R}}_k}^{-1}{z}_k{|}^2}{\left(p^H{{\hat{R}}_k}^{-1}p\right){\left({z_k}^H{{\hat{R}}_k}^{-1}{z}_k\right)}^{\frac{N}{N+v_e}}}$

其中，上标-1表示取逆，|·|表示取模值。

步骤7，根据系统给定的虚警概率f，通过蒙特卡罗实验计算检测门限T_ξ。

(7.1)令C为设定的大于100/f的自然数，取值为C＝10⁶，仿真不含目标的C个距离单元，计算每一个距离单元的检验统计量：

${\mathrm{\&xi;}}_w=\frac{|p^H{{\hat{R}}_k}^{-1}{z}_w{|}^2}{\left(p^H{{\hat{R}}_k}^{-1}p\right){\left({z_w}^H{{\hat{R}}_k}^{-1}{z}_w\right)}^{\frac{N}{N+v_e}}}$

其中，z_w表示第w个距离单元，ξ_w表示第w个距离单元的检验统计量；

(7.2)将得到的C个检验统计量按降序排列，取排列后的第[Cf]个检验统计量作为检测门限T_ξ，其中[Cf]表示不超过实数Cf的最大整数。

步骤8，通过比较检验统计量ξ_k和检测门限T_ξ的大小判断目标是否存在。

如果ξ_b,k≥T_ξ，则表明回波数据块X_b的待检测距离单元有目标，如果ξ_b,k<T_ξ，则表明回波数据块X_b的待检测距离单元没有目标。

下面结合仿真实验对本发明的效果做进一步说明。

1.仿真参数

仿真实验中采用的回波数据是由Matlab软件产生的K分布杂波加高斯白噪声数据。

参数1，利用Matlab软件仿真产生白的K分布杂波加高斯白噪声数据，仿真数据的参数设置为：脉冲数N＝8,纹理分量的形状参数ν＝1，纹理分量的尺度参数μ＝1，多普勒频率f_d是一个0到500间的随机数，虚警概率f＝10^-4，改变高斯白噪声功率σ²使杂噪比CNR从-20dB至20dB，信杂噪比SCNR＝3dB。

参数2，利用Matlab软件仿真产生有色K分布杂波加高斯白噪声数据，仿真数据的参数设置为：脉冲数N＝8,纹理分量的形状参数ν＝1，纹理分量的尺度参数μ＝1，高斯白噪声功率σ²＝2，散斑协方差矩阵R＝[m_ij]_1≤i,j≤N,m_ij＝ρ^i-j,0<ρ<1，其中|·|表示取模值，m_ij表示散斑协方差矩阵R第i行第j列的元素，ρ表示相关系数，ρ＝0.6，信杂噪比SCNR＝7dB，虚警概率f＝10^-4，多普勒频率值从0至500。

2.仿真实验内容

仿真实验通过比较同一背景下不同方法的检测概率分析检测性能，检测概率越大表明检测器检测性能越好。

仿真实验1

给定多普勒频率，散斑协方差矩阵R＝I，当杂噪比CNR从-20dB至20dB变化时，利用匹配滤波器MF，依赖于形状参数检测器α-MF与本发明，在参数1下进行目标检测，检测结果如图2所示，图2中的横轴表示杂噪比CNR变化，纵轴表示检测概率，图2中的实线表示依赖于形状参数的检测器α-MF的检测概率曲线，虚线表示匹配滤波器MF的检测概率曲线，框画线表示本发明的检测概率曲线。

由图2可见，在K分布杂波加噪声背景下，本发明提出的方法性能优于匹配滤波器MF和依赖于形状参数的检测器α-MF。

仿真实验2

当多普勒频率值从0至500变化时，依赖于多普勒频率的杂噪比随着多普勒频率值发生变化，利用自适应匹配滤波器AMF，依赖于形状参数的自适应检测器α-AMF与本发明，在参数2下进行目标检测，检测结果如图3所示，图3中的横轴表示多普勒频率变化，纵轴表示检测概率，图3中的实线表示依赖于形状参数的检测器α-AMF的检测概率曲线，虚线表示自适应匹配滤波器AMF的检测概率曲线，框画线表示本发明的检测概率曲线。

图3表明，当多普勒频率值较小即目标在杂波占优区时，本发明性能比依赖于形状参数的自适应检测器α-AMF和自适应匹配滤波器AMF好得多。当多普勒频率值较大即目标在杂波噪声混合区时，本发明性能接近近似最优的自适应匹配滤波器AMF，且好于依赖于形状参数的自适应检测器α-AMF。当多普勒频率值很大即目标在噪声区时，由于天花板效应，本发明和已有方法的检测概率均接近于1。总的来看，本发明的检测性能优于已有方法。