一种局部均匀海杂波背景下的分组广义似然比检测方法

摘要

本发明公开了一种局部均匀海杂波背景下的分组广义似然比检测方法，该方法是在局部均匀海杂波背景下，基于分组广义似然比的距离扩展目标检测方法。首先，将距离单元分组得到纹理分量的PDF。其次，采用具有逆伽玛分布纹理分量的复合高斯模型用于杂波数据的建模得到纹理分量在二元假设检验下的N阶PDFs；再次，采用距离分布目标的检验统计量一般模型，得到G‑GLRT检测器的数学模型。然后，用一个一步延迟相关系数直接获得杂波协方差矩阵M，用最大似然估计反映目标和信道影响的未知确定性参数αk。最后，将G‑GLRT检测器数学模型参数αk替换，得到分组G‑GLRT检测器的表达式。本方法提出的分组GLTR检测器能在实测海杂波数据实验中面对不同的目标获得更好的检测性能。

说明书

技术领域

本发明涉及一种局部均匀海杂波背景下的分组广义似然比检测方法，属于雷达目标检测技术领域。

背景技术

在海面目标检测中，采用匹配于海杂波统计及相关特性的距离分布目标检测算法是一种普遍采用的技术手段。在局部均匀杂波中采用距离分布式目标检测，以满足相邻单元格的不同统计特性。高分辨率雷达由于其根据目标距离和雷达的分辨力解决多个散射体的目标检测而得到了高度重视。目前，海杂波背景下的距离分布目标检测器设计，往往为了简化计算，而假设所处理的雷达接收回波为均匀杂波特性，又或是为了应对局部均匀海杂波，针对目标单一不具有广泛的适用性而引起了性能损失。例如，北京环境特性研究所申请的授权发明专利：海杂波抑制以及海杂波背景中目标检测的方法和系统(专利申请号：CN201310556638.9，公告号：CN103645467B)。该专利申请根据实测时空色散关系中提取出实测速度项参数确定了基于所述本征速度项参数的海杂波的本征时空色散关系，重构得到估计的海杂波一维距离像的历程图，并与实测所得历程图相减来获得抑制海杂波的一维距离像的历程图的图像数据，最终达到消除多普勒频移的目的。该专利的不足之处在于：忽略局部均匀海杂波这一客观事实，使其最终得到的抑制海杂波的图像数据引入了非均匀海杂波的干扰特性。又例如，西安电子科技大学申请的发明专利：基于组合自适应归一化匹配滤波的雷达目标检测方法(专利申请号：CN201510040954.X，公开号：CN 104569949A)，该专利申请根据雷达接收回波进行分组构造自适应匹配滤波器的方式应对局部均匀海杂波，从而实现准确的检测判决，提高了检测性能。但该专利的主要不足是：具有较高雷达分辨率的杂波在非均匀环境中相邻单元中的向量不共享相同的协方差矩阵结构，分布参数的不合理假设，将会有严重的性能损失。

发明内容

本发明目的在于解决上述现有技术的不足，提出一种局部均匀海杂波背景下的分组广义似然比检测方法，其可以在复合高斯杂波情况下面对不同的目标，提高了检测器的性能，具有更广泛的适用性。

本发明解决其技术问题所采取的技术方案为一种局部均匀海杂波背景下的分组广义似然比检测方法，能在实测海杂波数据实验中面对不同的目标获得更好的检测性能，具有更广泛的适用性。

方法流程包含以下步骤：

步骤1：将K单元分为G组，得到纹理分量的PDF(Probability Density Function，概率密度函数)；

步骤2：采用具有逆伽玛分布纹理分量的复合高斯模型用于杂波数据的建模，构建τ_k在二元假设检验下的N阶PDFs；

步骤3：采用距离分布目标的检验统计量一般模型，得到G-GLRT(Group-Generalized Likelihood Ratio Test，分组广义似然比检验)检测器的数学模型；

步骤4：以一个一步延迟相关系数直接获得杂波协方差矩阵M，以最大似然估计作为反映目标和信道影响的未知确定性参数α_k的估计算法；

步骤5，将G-GLRT检测器数学模型参数α_k替换，得到G-GLRT检测器的修正形式，即分组G-GLRT检测器的表达式。

进一步，上述步骤1中所述纹理分量的PDF为：

$f_{IG}({\tau }_k;{\beta }_g,{\eta }_g)=\frac{{{\beta }_g}^{{\eta }_g}}{\Gamma \left({\eta }_g\right)}\frac{1}{{{\tau }_k}^{{\eta }_g+1}}\exp (-\frac{{\beta }_g}{{\tau }_k}),$

g＝1,2,…,G,H_g+1≤k≤H_g+h_g,τ_k＞0

其中Γ(·)表示伽玛函数，τ_k表示纹理分量，β_g为尺度参数，η_g为形状参数，h_g表示各组距离单元个数，H_g表示g-1个分组内距离单元数之和。

进一步，上述步骤2中所述的τ_k在二元假设检验下的N阶PDFs：

$\begin{array}{c}{f}_i(z_1,...,z_K|{\tau }_k)=\underset{k=1}{\overset{K}{\Pi }}\frac{1}{{\tau }_k^N\left|M\right|}\exp (-\frac{q_{ik}}{{\tau }_k})\\ =\underset{g=1}{\overset{G}{\Pi }}\underset{k=H_g+1}{\overset{H_g+h_g}{\Pi }}\frac{1}{{\tau }_k^N\left|M\right|}\exp (-\frac{q_{ik}}{{\tau }_k}),i=0,1\end{array},$

其中i＝0和i＝1分别符合H₀和H₁二元假设检验，q_ik＝(z_k-iα_kp)^HM^-1(z_k-iα_kp)，M表示杂波协方差矩阵，G表示分组数，N表示阵元数。

进一步，上述步骤3中所述的距离分布目标的检验统计量一般模型：

$\frac{\underset{{\alpha }_k}{max}{\int }_0^{\infty }{f}_1(z_1,...,z_K|{\tau }_k)f_{IG}({\tau }_k;{\beta }_g,{\eta }_g){\mathrm{d\tau }}_k}{{\int }_0^{\infty }{f}_0(z_1,...,z_K|{\tau }_k)f_{IG}({\tau }_k;{\beta }_g,{\eta }_g){\mathrm{d\tau }}_k}$

得到G-GLRT检测器的数学模型：

$\Lambda =\underset{{\alpha }_k}{max}\underset{g=1}{\overset{G}{\Pi }}{\left[\underset{k=H_g+1}{\overset{H_g+h_g}{\Pi }}\frac{q_{1k}+{\beta }_g}{q_{0k}+{\beta }_g}\right]}^{-(N+{\eta }_g)}\underset{H_0}{\overset{H_1}{\begin{array}{c}>\\ <\end{array}}}\ln \xi$

其中α_k表示反映信道和目标影响的未知确定性参数，ξ为判决门限。

进一步，上述步骤4中所述的反映目标和信道影响的未知确定性参数α_k的最大似然估计为：

${\hat{\alpha }}_k=\frac{p^H{M}^{-1}{z}_k}{p^H{M}^{-1}p}.$

进一步，上述步骤5中所述的分组G-GLRT检测器的表达式为：

$\Lambda =\underset{g=1}{\overset{G}{\Sigma }}\underset{k=H_g+1}{\overset{H_g+h_g}{\Sigma }}-(N+{\eta }_g)\ln [1-\frac{{\left|p^H{M}^{-1}{z}_k\right|}^2}{(z_k^H{M}^{-1}{z}_k+{\beta }_g)\left(p^H{M}^{-1}p\right)}]\underset{H_0}{\overset{H_1}{\begin{array}{c}>\\ <\end{array}}}\ln \xi$

与与现有技术相比较，本发明的有益效果在于：

(1)本发明提出的分组GLTR(group GLRT,G-GLRT)检测器与其它检测器相比，能在实测海杂波数据实验中面对不同的目标获得更好的检测性能。

(2)本发明提出的G-GLRT检测器，其引入的反映信道和目标影响的未知确定性参数主要是为了削弱局部均匀海杂波对检测器性能的影响。但不失通用性，对于均匀海杂波背景下的目标检测，G-GLRT检测器仍具有与GLRT检测器相近的检测性能。符合实际的杂波环境要求。

(3)本发明提出的G-GLRT对尺度参数具有恒虚警特性。

(4)G-GLRT检测器中的反映信道和目标影响的未知确定性参数α_k采用最大似然估计法，在实际环境中具有较好的性能表现。

附图说明

图1为本发明的方法流程图。

图2为本发明提出的G-GLRT与GCC-GLRT、OS-GLRT和NSDD-GLRT在不同模型的实测杂波情况下的检测性能比较图。

具体实施方式

下面结合说明书附图对本发明创造作进一步的详细说明。

本发明在局部均匀海杂波背景下，提升了GLRT检测器性能的方法，其中的主要技术问题包括：

G-GLRT检测器数学模型的建立。

未知确定性参数α_k的估计。

G-GLRT检测器数学表达式的导出。

本发明所述的局部均匀海杂波中雷达目标的分组检测算法包括以下技术措施：本发明公开了一种局部均匀海杂波背景下的分组广义似然比检测方法，该方法是在局部均匀海杂波背景下，基于分组广义似然比的距离扩展目标检测方法。首先，将距离单元分组得到纹理分量的PDF。其次，采用具有逆伽玛分布纹理分量的复合高斯模型用于杂波数据的建模；再次，采用距离分布目标的检验统计量一般模型，得到G-GLRT检测器的数学模型。然后，用一个一步延迟相关系数直接获得杂波协方差矩阵M，用最大似然估计反映目标和信道影响的未知确定性参数α_k。最后，将G-GLRT检测器数学模型参数α_k替换，得到分组G-GLRT检测器的表达式。

如图1所示，本发明提供了一种局部均匀海杂波背景下的分组广义似然比检测方法，该方法包括：

步骤1：将K单元分为G组，得到纹理分量的PDF为：

其中Γ(·)表示伽玛函数，τ_k表示纹理分量，β_g为尺度参数，η_g为形状参数，h_g表示各组距离单元个数，H_g表示g-1个分组内距离单元数之和。

步骤2：采用具有逆伽玛分布纹理分量的复合高斯模型用于杂波数据的建模，τ_k在H₀和H₁假设条件下，z₁,…,z_K的N阶PDFs为

其中i＝0和i＝1分别符合H₀和H₁二元假设检验，q_ik＝(z_k-iα_kp)^HM^-1(z_k-iα_kp)，M表示杂波协方差矩阵，G表示分组数，N表示阵元数。

步骤3：采用距离分布目标的检验统计量一般模型：

将公式(1)和公式(2)代入公式(3)，相应的得到G-GLRT检测器的数学模型：

其中α_k表示反映信道和目标影响的未知确定性参数，ξ为判决门限。

步骤4：以一个一步延迟相关系数直接获得杂波协方差矩阵M，以最大似然估计作为反映目标和信道影响的未知确定性参数α_k的估计算法，估计形式为：

步骤5，将分组GLTR(group GLRT,G-GLRT)检测器数学模型参数α_k替换，得到分组GLTR(group>

公式(6)即为本发明提出的分组GLTR(group GLRT,G-GLRT)检测器。

本发明提出的分组GLTR(group GLRT,G-GLRT)检测器的可以通过下面的实验进一步验证。实验使用Fynmeet雷达采集的海杂波数据来分析G-GLRT的检测性能，雷达的载波频率为9GHz，距离分辨率为15m，脉冲重复频率(PRF)为2.5KHz。该数据包括VV极化中64个连续距离单元格199 946个时间序列。考虑到局部距离单元数据可能被污染，故而发明人选取使用12个距离单元格的数据用来作为主数据和剩余的48个距离单元格作为辅助数据来估计协方差矩阵。

图2是本发明提出的G-GLRT与GCC-GLRT、OS-GLRT和NSDD-GLRT在不同协方差矩阵估计下的检测性能比较。显然，在实测杂波中，面对不同的模型，G-GLRT的整体检测性能明显优于GCC-GLRT、OS-GLRT和NSDD-GLRT的检测性能。

以上所述并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。