雷达恒虚警研究1资料.docx
- 文档编号:23446233
- 上传时间:2023-05-17
- 格式:DOCX
- 页数:18
- 大小:205KB
雷达恒虚警研究1资料.docx
《雷达恒虚警研究1资料.docx》由会员分享,可在线阅读,更多相关《雷达恒虚警研究1资料.docx(18页珍藏版)》请在冰豆网上搜索。
雷达恒虚警研究1资料
雷达恒虚警研究
摘要:
本文对雷达CFAR处理方法进行了综述,讨论了CFAR检测方法的方向:
参量和非参量的CFAR方法。
明确了空域CFAR处理的概念,并着重讨论了空域CFAR处理研究中ML类、OS类和自适应CFAR算法。
也简单介绍了时域CFAR处理和非参量CFAR处理的方法。
并且提到了分布式CFAR检测,阵列信号CFAR处理,极化CFAR处理等极具潜力的研究方向。
最后针对几种典型的恒虚警检测算法的性能、优缺点进行了讨论。
关键字:
参量和非参量CFAR空域CFAR时域CFARML-CFAROS-CFAR自适应CFAR性能分析
Title:
MethodandPrincipleofRadar signalCFAR
Abstract:
Thispaperreviewsonthe radarCFAR processingmethod,thedirectionofCFARmethodfordetection:
parametricandnon-parametricCFARmethod.Makeaclearconceptofthe spatialCFAR processing.Anddiscussesthe classML,classOS andadaptiveCFAR algorithmofthespatialCFAR.AlsosimplyintroducedthetimedomainCFAR processing methodandnon-parametericCFAR processing. And mentionedthe distributedCFARdetection,arraysignal processingofCFAR, researchdirectionof polarizationCFARprocessing potential.Finally,the performanceandadvantagesanddisadvantagesofseveraltypical CFARdetectionalgorithm arediscussed.
Keywords:
parametricandnon-parametric CFARspatialCFARtimedomainCFAR
ML-CFAROS-CFARadaptiveCFARperformanceanalysis
目次
1引言……………………………………………………………………1
2恒虚警处理方法的分类……………………………………………………2
3均值类(ML)CFAR处理…………………………………………………3
3.1单元平均(CA-CFAR)检测算法………………………………………3
3.2最大选择(GO-CFRA)检测算法………………………………………4
3.3最小选择(SO-CFAR)检测算法………………………………………5
4有序统计量(OS-CFAR)处理……………………………………………6
4.1顺序统计量检测算法…………………………………………………6
4.2删除均值(CMLD-CFAR)有序统计量算法……………………………6
4.3削减平均(TM-CFAR)有序统计量算法………………………………7
4.4其他有序统计量算法…………………………………………………7
5自适应CFRA处理…………………………………………………………8
6时域CFAR处理——杂波图CFAR检测…………………………………9
7非参量CFAR处理…………………………………………………………10
7.1符号检测器……………………………………………………………10
7.2Wilcoxon检测器……………………………………………………10
8其他CFAR处理的研究……………………………………………………11
8.1频域CFAR检测………………………………………………………11
8.2分布式CFAR检测……………………………………………………11
8.3阵列信号CFAR检测……………………………………………………11
8.4极化CFAR检测…………………………………………………………11
8.5多分层CFAR处理………………………………………………………12
9对均值类及有序统计量类算法的性能分析……………………………13
9.1均匀杂波背景下的检测性能…………………………………………13
9.2五种恒虚警方法的ADT…………………………………………………13
9.3强干扰目标下的检测性能……………………………………………14
9.4均值类(ML)的优缺点………………………………………………14
9.5有序统计量类(OS)的优缺点………………………………………15
结论…………………………………………………………………………16
致谢…………………………………………………………………………17
参考文献……………………………………………………………………18
1引言
雷达是军事和民用领域主要的目标探测工具,它的主要目的是在各种干扰存在的杂波背景下检测出有用目标。
这些干扰包括接收机内部热噪声、地物、雨雪、海浪等杂波,电子对抗措施,人工有源和无源干扰(如干扰发射机和金属箔条),以及与有用目标混杂在一起的邻近干扰目标和它的旁瓣(如采用脉冲压缩的雷达)。
一般说来,这些干扰不是单一存在的,实际的雷达工作背景都是多种干扰的混合。
如何在极为复杂的杂波背景下准确区分有用目标回波,并得到目标的一些参数,这是雷达目标信号检测的重点和难点所在。
雷达目标自动检测中若采用固定阈值检测,杂波功率的微小增加将会使得虚警率剧烈变化,从而导致雷达数据处理设备过载,雷达无法工作,这时即使信噪比很大也无法做出正确判断。
故在对回波信号进行提取时,需要检测器具有恒虚警性能。
恒虚警处理就是一种提供检测阀值的数字信号处理算法,其算法有许多。
本文将介绍恒虚警处理的几种方法及其原理,并简述其的适用范围和性能。
2恒虚警处理方法的分类
对CFAR的研究只是在近三十年才发展起来的。
但是现已成为国际雷达信号处理界的一个重要研究方向,并且形成了如下一些研究领域:
高斯和非高斯杂波背景中的CFAR检测;参量和非参量CFAR方法;时域和频域的CFAR研究;标量和向量(阵列信号处理)CFAR方法;单传感器和多传感器分布式CFAR检测;相关和不相关条件下的CFAR检测;以及在各种目标模型条件下和结合各种检测策略的CFAR处理的性能分析。
这些领域是相互交叉的。
而本文将CFAR分为参量和非参量两大类。
参量CFAR方法适用于杂波分布类型已知的情况。
按照不同的参数估计方法,参量CFAR方法又可分为空域CFAR处理和时域CFAR处理。
非参量CFAR方法适用于杂波分布未知的情况,无须关于背景噪声或杂波分布的先验信息。
为了简化对CFAR检测的性能分析,Rohling将均匀和非均匀杂波背景简化为3种典型情况,即均匀背景、多目标和杂波边缘环境。
根据这三种情况,空域CFAR处理就分为均值类(ML)CFAR处理、有序统计量类(OS)CFAR处理和自适应CFAR处理。
参量CFAR处理中的另一类是时域CFAR处理,即杂波图CFAR处理。
在均值类(ML)CFAR处理中,又有几种经典算法。
它们分别是单元平均(CA-)、最大选择(GO-)、最小选择(SO-)和杂波强度加权(WCA–CFAR)检测。
而自适应CFAR处理是现在热门研究的方向,人们已研究了许多类型的CFAR处理技术,如CCA、HCE、AC、GCMLD、ACCA等。
非参量CFAR处理中又分为基于符号的检测器和基于秩的检测器。
3均值类(ML)CFAR处理
CFAR算法的基本流程如图1所示。
输入信号包括检测单元Y和2n个参考单元。
参考单元位于检测单元两侧,前后各n个。
保护单元主要用在单目标情况下,防止目标能量泄漏到参考单元影响检测效果。
Z为总的杂波功率水平的估计,通过对2n个参考单元的CFAR处理得到。
T为标称化因子,它和Z的乘积作为参考门限电平。
当检测单元的值超过T×Z时,认为有目标,反之,认为无目标。
一般情况下,杂波同噪声相互独立,且平方律检波后都满足指数分布。
参考单元概率密度函数为
(1)式中,μ是噪声功率。
Z是一个随机变量,它的分布取决于CFAR算法的选取以及参考单元的分布。
虚警概率Pfa的表达式为
(2)
其中,H0表示没有目标,MZ(μ)称为矩母函数。
3.1单元平均(CA-CFAR)检测算法
在CA–CFAR检测器中,背景杂波功率水平Z为2n个参考单元之和。
(3)
指数分布是Γ(α,β)分布在α=1的特殊情况,Γ分布的概率密度函数为
(4)。
其中,α和β是两个参数,Γ(α)就是通常说的Γ函数,对于整数α,它等于(α-1)!
。
相应的概率分布函数用G(α,β)表示,服从Γ分布的随机变量X记做X~G(α,β)。
X的矩母函数为
(5)
根据独立同分布的假设,第i个单元服从分布xi~G(1,μ)。
由于两个独立随机变量和的矩母函数等于各随机变量的矩母函数的积,所以得到Z~G(2n,μ)(6)将式(5)、式(6)代入式
(2)得到
(7)所以,得到标称化
因子T的计算式,即
(8)。
图1 CFAR算法处理流程
3.2最大选择(GO-CFRA)检测算法
最大选择GO-CFAR是选取前面n个参考单元之和与后面n个参考单元之和中的大者作为Z。
GO、SO算法的杂波功率水平估计方法如图2所示。
图2 SO、GO-CFAR算法处理流程
对应GO算法,Z的概率密度函数为
(9)
其中,f和F分别为概率密度函数和概率分布函数。
可以推出检测算法的虚警概率为
(10)
由上述表达式难以给出T的函数表达式。
本文根据给定的虚警概率,通过迭
代求出GO-CFAR算法的T,如表1所示。
表1 不同虚警率下GO算法的标称化因子T
3.3最小选择(SO-CFAR)检测算法
最小选择SO–CFAR是选取前面n个参考单元之和与后面n个参考单元之和中的小者作为Z。
对应SO算法,Z的概率密度函数为
(11)
可以推出检测算法的虚警概率为
(12)
本文根据给定的虚警概率,通过迭代求出SO-CFAR算法的T,如表2所示。
表2 不同虚警率下SO算法的标称化因子T
4有序统计量(OS-CFAR)处理
4.1顺序统计量检测算法
顺序统计量OS-CFAR算法的原理是对参考单元由小到大作排序处理,取第k个样本作为Z。
可以推出
(13)
同样地,本文根据给定的虚警率,通过迭代求出了T,如表3所示。
表3 不同虚警率下OS算法的标称化因子T
4.2删除均值(CMLD-CFAR)有序统计量算法
由于OS处理只保留了一个有序参考采样,导致CFAR损失比ML类高。
而CMLD和TM(trimmed)通过预选删除点保留较多的有序参考采样,可以减小CFAR损失,而且又不失OS在多目标环境中的优势。
删除均值(CMLD-CFAR)将干扰目标从参考单元序列中排除出去,然后基于删除后的采样序列重新计算阀值。
假设x1,x2,…,xR是参考单元中的R个采样值,T0是对应整个参考单元的门限因子,T1是剔除高于T0对应的门限值的参考单元的门限因子。
删除单元平均的CFAR检测方法如下:
(1)求R个参考单元的和,然后将每个参考单元采样与门限1(S1=T0ZR0)进行比较,将超过这一门限的采样值从和值中除去,产生一个新的和。
(2)将剩余参考单元采样与门限2(S2=T1ZR1)进行比较。
再除去一些超过这一门限的采样值,使剩下的参考单元采样组成一个新的和。
这个过程继续下去,直到检测不到尖峰信号超过门限时为止。
这种算法总是收敛的,在若干级计算之后不出现尖峰信号就是这种方法终止的准则。
删除单元均值的CFAR检测算法能有效地抑制多干扰目标带来的检测损失,特别是在目标密集的环境中,具有更显著的检测性能。
4.3削减平均(TM-CFAR)有序统计量算法
TM-CFAR是削减掉从最小采样值起的r1个较小和从最大采样值起的r2个较大的参考单元采样值,并取其余的参考单元采样值的和作为杂波功率水平估计。
4.4其他有序统计量算法
OS处理的另一个缺点是排序处理的时间长,具有自动筛选技术的GOS类方法是一种解决方法。
此外,近年来出现的对有序统计量进行线性加权的方法,如广义有序统计量CFAR检测器,L1–CFAR检测器,LCOS(LinearlyCombinedOrderStatistics)–CFAR检测器以及基于最佳和准最佳加权的有序统计量CFAR检测器。
5自适应CFRA处理
自适应CFAR检测可以自适应地确定选择逻辑,算法和参数。
例如,估计杂波边缘位置的HCE,删除点可变的VTM(VariablyTrimmedMean),筛选采样的E(Excision)–CFAR处理和EXGO-CFAR,以及逼近单元AC(ApproachCell)–CFAR等等。
Barboy提出一种多步删除方案,逐一单元地进行检测以确定删除点,使干扰目标逐一被删除。
类似的删除方案还有Himonas等人提出的一系列基于有序统计量的自适应确定删除点的方法。
例如,GCMLD(Gener2alisedCensoredMeanLevelDetector),ACMLD(AutomaticCen2soredMeanLevelDetector),GO/SO和GTL(GeneralisedTwoLev2el)–CMLD,ACGO(AdaptiveCensoredGreatesOf)。
最近,Varshney提出一种基于数据变化性的VI–CFAR检测器(VariabilityIndex)。
它利用两个统计量检验杂波背景的均匀性,然后自适应地确定由两个局部估计形成检测阈值的方法。
6时域CFAR处理——杂波图CFAR检测
地物杂波在空间上的“均匀性宽度”很窄,但在时间上较平稳。
若采用空域CFAR处理,CFAR损失将很大。
因此需采用“时间采样”法,以天线扫描周期为周期进行采样,依靠对时间采样估计背景杂波功率水平。
此时将雷达观测空间分成很多个图单元构成杂波图。
杂波图存储每个图单元的背景杂波功率水平估值,每个值依靠迭代算法更新。
一个图单元包含M个分辨单元,M=1时被称为杂波图的点技术,M>1时被称为杂波图的面技术。
对时间单元采样的典型处理方法是对多次扫描做指数加权平均。
加权系数决定CFAR损失和等效时间常数。
在保证单个图单元中的局部均匀性的条件下,M值越高,CFAR损失越小。
M减小会使一个图单元中多目标环境出现的概率减小,但会使存储容量增加。
在多个扫描周期中存在的低速目标会使杂波图CFAR检测性能严重下降。
适当地选择M和等效时间常数可以减小“遮蔽效应”的影响。
另一种方法是对图单元中的分辨单元采样进行预处理,如L滤波。
7非参量CFAR处理
当假设背景杂波模型与实际不符时,参量CFAR检测就失去了CFAR能力。
非参量CFAR方法,通过对大量杂波采样和信号加杂波采样之间的比较统计地确定目标是否存在,使虚警概率与背景分布无关,因此也称为分布自由的CFAR检测方法。
7.1符号检测器
符号检测器是一种最简单的非参量检测器,几乎所有适用于雷达系统实现的非参量检测都属于符号检测的修正型。
符号检测需要匹配于发射信号的单脉冲匹配滤波,这意味着要求已知信号相位,这往往是不可实现的。
采用正交双通道设置,便构成修正的符号检测器来解决该问题。
其对相干脉冲的检测都是做中值偏移检验。
然而对于非相干脉冲链,每个脉冲的相位是随机的,因此不能做中值偏移检验。
两样本符号可以克服这个限制。
广义符号检测器(也称为秩和检测器,rank-sum)和秩二元积累检测器(RankQuantization)是两种两样本符号检测器。
基于符号检验的检测器的检测效率损失很大,采用条件检验可以使性能获得显著改善,并且实现的复杂性增加很小。
7.2Wilcoxon检测器
另一种变换是基于检测单元采样相对于参考单元采样的秩,如Wilcoxon检测器。
Wilcoxon检测也需要匹配于发射信号的单脉冲匹配滤波,因此采用正交双通道设置,便构成修正的Wilcoxon检测器来解决该问题。
MW(Mann-Whitheny)检测器是两样本Wilcoxon检测器,可用来克服非相干脉冲链不能做种植偏移检验这个限制。
基于秩的检测器,如Wilcoxon检测器通常也比基于符号检验的检测器的性能好。
Wilcoxon检测器的主要缺点是求秩的计算量在大采样数时很大。
基于条件检验的Wilcoxon检测器删除一些小采样,用其余的采样计算检测统计量,可以使求秩的计算量减小。
8其他CFAR处理的研究
8.1频域CFAR检测
CFAR处理可以在频域上进行。
它的背景干扰包括接收机热噪声,旁瓣杂波,主瓣杂波剩余。
对于机载PD雷达,在DFT之后可以采用频域CA-CFAR检测器,Dicke-fix检测器,秩和(RS)检测器。
从实际应用情况来看,美国F-15战斗机的APG-63雷达在高和中PRF的PD工作状态下已经在多普勒滤波器组后采用了频域CA-CFAR技术。
F-16机载PD雷达在中PRF下视工作时也采用了自适应CFAR技术。
近年来,一些学者又提出了新的频域CFAR检测方法。
例如,文献提出了一种阈值自适应于信号频谱特性的方法。
Trunk和Gordon提出了一种利用目标的多普勒相位和幅度的ML估计抑制杂波剩余来控制虚警的方法。
8.2分布式CFAR检测
多传感器分布式检测系统可以提高系统反应速度和生存能力、增加覆盖区域和监视目标数,并且提高系统在单个接收机失灵情况下的可靠性、提供更高的总的信噪比。
Ten2ney和Sandell首先将经典Bayesian检测理论扩展到了分布式系统,分析了两个传感器和二元假设检验的情况。
此后,Barkat将CFAR检测展到了多传感器分布式结构。
最近文献研究了机遇局部检测统计量的分布式CFAR检测。
8.3阵列信号CFAR检测
一些时空二维处理方法本身就具有内在的CFAR性质。
但是这种内在的CFAR性质是基于对背景杂波服从高斯分布的假设。
在非高斯杂波背景中,CFAR性质一般是不成立的。
并且考虑到很多阵列信号处理方法并不具有CFAR性质,因此阵列信号的CFAR处理有待于进一步研究。
8.4极化CFAR检测
极化雷达可以测量雷达反射目标的散射矩阵,并且处理多变量信号而不只是一个通道的信息。
不同性质反射体的散射矩阵是不同的,可以根据这种差别分辨目标和杂波。
与通常的CFAR检测器相比,极化CFAR检测器的性能在各种背景中均有明显的增强。
8.5多分层CFAR处理
多分层的CFAR处理算法是一种既能在各种干扰背景中自适应地提供贴近干扰的检测阀值,同时又便于工程实现的CFAR处理算法。
假设x1,x2,…,xR是参考单元中的R个采样值,s1,s2,…,sk是从低到高的k层门限值。
参考单元中的R个采样值分别与每层门限值进行比较,计算出高于每一层门限值的采样个数。
假设从低到高高于每一层门限值的采样个数分别为Y1,Y2,…,Yk,高于第j层门限sj的采样个数为Yj(1≤j≤k),Yj通过如下方法累计:
满足xn>sj 1≤n≤R,1≤j≤k则Yj=Yj+1;假设高于相邻两级门限的采样个数分别为Yj-1、Yj,那么Yj-1$Yj的差值小于某一参考值N时,选取sj作为检测门限S。
如果 Yj-1$Yj 图3 多分层CFAR处理算法方框图 9对均值类及有序统计量类算法的性能分析 本文只针对均值类中的CA、GO、SO三种和有序统计量类中的OS、CMLD这五种算法进行性能的分析与比较。 9.1均匀杂波背景下的检测性能 图4所示是这五种CFAR在均匀杂波背景下的检测概率曲线。 可以看出,在均匀背景下CA-CFAR的检测性能最好。 依次为GO–CFARCMLD-CFAR和OS-CFAR。 性能最差的是SO-CFAR。 在信噪比(SNR)较低或SNR大于25dB时,五种CFAR的检测性能相当。 SNR为1020dB时,CA-CFAR的检测性能明显优于SO-CFAR和OS-CFAR。 在相同的信噪比下,CA-CFAR的检测概率比SO-CFAR约高0.05,比OS-CFAR约高0.03。 而在相同的检测概率下,GO-CFAR所需的信噪比大约比CA-CFAR高0.75dB,而GO-CFAR和CMLD-CFAR的检测性能则与其相当。 图4五种CFAR在均匀杂波背景下的检测概率曲线 9.2五种恒虚警方法的ADT 在CFAR处理器性能分析中Rohling定义了ADT,即平均判决阈值。 这是一个标称化的量,也是计算检测性能损失的一种可供选择的度量,不依赖于检测概率。 其定义式为 (14) 表4列出了这五种CFAR及最优检测器在参考单元数为32虚警概率为10-6时的ADT值。 表4五种CFAR的ADT值 ADT也可以作为CFAR检测器在均匀背景中的检测性能与最优检测器之差别的一种度量。 ADT越小,表示检测性能越好,检测概率越高。 9.3强干扰目标下的检测性能 图5是这五种CFAR在有一个SwerlingⅡ型强干扰目标环境下的检测概率曲线.其中OS-CFAR的k值为26,CMLD-CFAR中的r取1。 很明显GO-CFAR和CA-CFAR的性能急剧恶化。 在较大信噪比(大于30dB)的情况下,它们的检测概率也比较低。 CMLD-CFAR在该环境中的性能最好,OS-CFAR的性能次之,但与其相差不大。 SO-CFAR的检测性能不如CMLD-CFAR和OS-CFAR,但明显优于CA-CFAR和GO-CFAR。 图5五种CFAR在有一个SwerlingⅡ型强干目标环境下的检测概率曲线 9.4均值类(ML)的优缺点 这几种均值类CFAR处理算法各有利弊。 各种雷达系统中用得最多的CFAR检测方法就是CA检测算法。 CA在均匀杂波背景中的检测性能最好,但在非均匀背景中性能严重下降;GO具有很好的抗边缘杂波能力和在均匀杂波背景中较好的检测性能,但在多目标环境中的检测性能极差;S0具有较好的抗击干
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 雷达 恒虚警 研究 资料