復(fù)雜場景下多通道陣列自適應(yīng)目標檢測算法研究.pdf

1、雷達自適應(yīng)目標檢測是通過自適應(yīng)方法從噪聲或雜波背景中檢測出目標，包括雜波抑制及檢測算法設(shè)計。研究雷達自適應(yīng)目標檢測具有重要的理論意義，在軍事和民用領(lǐng)域中都具有重要的地位和巨大的經(jīng)濟價值，包括對陸海領(lǐng)域的監(jiān)視，防空預(yù)警，導(dǎo)航和武器制導(dǎo)等軍事用途及交通檢測、天氣預(yù)測、地震探測和監(jiān)控海面走私等民用用途。
　　典型的多通道陣列自適應(yīng)檢測通?；诰鶆蚋咚乖肼暠尘?，且需要滿足存在大量獨立同分布的訓(xùn)練數(shù)據(jù)，目標導(dǎo)向矢量精確已知，目標視為點目標等

2、條件。大量研究表明，實際中，由于距離、地理環(huán)境的空間變化、高大物體及其遮蔽、人造的強散射點雜波、陣列的特殊構(gòu)型、雷達分辨率提高、干擾目標存在等因素，目標檢測的背景條件變得非常復(fù)雜，雜波的統(tǒng)計特性呈現(xiàn)出非均勻非高斯特征、可用的訓(xùn)練數(shù)據(jù)有限、高分辨雷達系統(tǒng)下目標擴展到多個距離單元從而點目標模型不再適用、目標的導(dǎo)向矢量存在失配等。復(fù)雜背景嚴重影響了常規(guī)自適應(yīng)檢測器的性能。因此，研究復(fù)雜場景下穩(wěn)健有效的檢測算法對于實際應(yīng)用至關(guān)重要。
　　

3、本文針對復(fù)雜場景下多通道陣列自適應(yīng)檢測面臨的訓(xùn)練樣本數(shù)不足、噪聲背景非高斯、導(dǎo)向矢量失配、子空間干擾等問題，充分利用協(xié)方差矩陣的結(jié)構(gòu)特征、先驗知識輔助等信息，考慮了部分均勻、復(fù)合高斯過程等多種非高斯背景，對復(fù)雜場景下自適應(yīng)目標檢測進行了系統(tǒng)研究，內(nèi)容涵蓋非高斯非均勻目標檢測算法、距離擴展目標檢測算法、穩(wěn)健的波束形成、知識輔助的空時處理方法、參數(shù)化檢測方法等方面，概括如下：
　　1、針對小樣本導(dǎo)致檢測性能急劇下降的問題，提出了反對稱

4、結(jié)構(gòu)自適應(yīng)檢測算法。對于部分均勻環(huán)境，即待測單元的噪聲數(shù)據(jù)與訓(xùn)練數(shù)據(jù)共享相同的協(xié)方差矩陣而差異一個標量乘積因子，提出了反對稱部分均勻檢測器，給出反對稱結(jié)構(gòu)下的數(shù)據(jù)模型，推導(dǎo)出檢測統(tǒng)計量，并得出反對稱結(jié)構(gòu)下?lián)p失因子的統(tǒng)計分布，進而推導(dǎo)出其檢測概率與虛警概率的解析表達式，從而更直觀地分析了影響檢測性能的因素。對于均勻環(huán)境，針對已有的反對稱自適應(yīng)匹配濾波器的檢測概率未知的問題，推導(dǎo)出其檢測概率的解析表達式。蒙特卡洛實驗與理論結(jié)論的實驗的一致性

5、驗證了所提方法的準確性與有效性，并且對樣本數(shù)較小時的仿真結(jié)果證實了利用反對稱結(jié)構(gòu)可有效改善非均勻環(huán)境下樣本稀缺時的檢測器性能。
　　2、復(fù)合高斯過程是描述雜波非高斯性的統(tǒng)計分布中的一類重要代表。針對隨機紋理復(fù)合高斯雜波背景中的自適應(yīng)檢測問題，提出了隨機紋理復(fù)合高斯廣義似然比檢測算法。首先，將復(fù)合高斯過程中的紋理分量建模為一未知隨機變量，該隨機變量服從伽馬、逆伽馬或逆高斯分布。再根據(jù)廣義似然比原理，推導(dǎo)出紋理隨機的復(fù)合高斯雜波中的檢

6、測器，分析它的恒虛警特性。所提算法與傳統(tǒng)方法的實驗結(jié)果證實了所提方法在隨機紋理復(fù)合高斯雜波背景下的有效性。
　　3、針對小樣本條件下的自適應(yīng)檢測問題，提出了知識輔助的點目標自適應(yīng)檢測算法和距離擴展目標自適應(yīng)檢測算法。對于點目標，首先，建模協(xié)方差矩陣的共軛先驗分布為復(fù)值逆維沙特分布，再根據(jù)復(fù)合高斯噪聲紋理滿足伽馬分布，推導(dǎo)出復(fù)合高斯噪聲中協(xié)方差矩陣的最大后驗估計，最后基于最大后驗協(xié)方差矩陣設(shè)計了 Rao檢測器。隨著高分辨雷達的發(fā)展，

7、目標距離向尺寸大于距離分辨率時，目標跨越多個距離門因而稱為距離擴展目標或分布式目標。對于距離擴展目標，首先，建模協(xié)方差矩陣的共軛先驗分布為復(fù)值逆維沙特分布，再根據(jù)復(fù)合高斯噪聲紋理滿足逆伽馬分布，給出復(fù)合高斯噪聲中協(xié)方差矩陣的最大后驗估計，推導(dǎo)出距離擴展目標的Rao檢測及Wald檢測器。仿真實驗結(jié)果表明，復(fù)合高斯噪聲背景下，當(dāng)訓(xùn)練樣本數(shù)較小時所提出的檢測器性能優(yōu)于傳統(tǒng)的檢測算法。
　　4、針對導(dǎo)向矢量失配和小樣本導(dǎo)致的雜波抑制性能顯

8、著下降的問題，提出了知識輔助的一維波束形成及二維空時處理方法，包括以下三個方面：（1）提出了一種在小樣本情況下具有穩(wěn)健性的知識輔助的自適應(yīng)波束形成方法。首先，根據(jù)最小均方誤差準則估計組合協(xié)方差矩陣，然后利用最差性能最優(yōu)約束建立波束形成問題，并通過二階錐規(guī)劃進行最優(yōu)化求解。仿真結(jié)果證明，所提波束形成算法不僅對導(dǎo)向矢量失配穩(wěn)健，而且對快拍數(shù)量較少導(dǎo)致的性能下降具有較好的改善。（2）提出了穩(wěn)健的結(jié)構(gòu)化波束形成算法。該方法分三步進行，首先對原始

9、的訓(xùn)練數(shù)據(jù)進行滑窗預(yù)處理；然后對處理后的數(shù)據(jù)利用拓普利茲結(jié)構(gòu)和中心厄米特結(jié)構(gòu)構(gòu)建新的協(xié)方差矩陣；最后根據(jù)導(dǎo)向矢量失配的角度域約束估計導(dǎo)向矢量。仿真結(jié)果表明，該方法對于導(dǎo)向矢量失配具有穩(wěn)健性。此外，由小樣本引起的性能惡化得到明顯改善。（3）提出了一種知識輔助的二維空時自適應(yīng)處理方法，該方法主要解決了色加載因子的求解問題，從而在獨立同分布樣本數(shù)較少時可以獲得較好的雜波抑制性能。首先，給出了知識輔助的線性約束最小方差模型，再對該模型中的權(quán)矢量

10、進行求解，得出含兩個未知色加載因子的最優(yōu)權(quán)矢量的表達式，然后給出了色加載因子的求解方法，并得出色加載因子與約束常數(shù)之間的關(guān)系。仿真結(jié)果表明輸出信干噪比損失的性能得到較好改善，驗證了該方法的正確性和有效性。
　　5、針對訓(xùn)練數(shù)據(jù)較少造成的檢測性能急劇下降問題，提出了部分均勻環(huán)境中參數(shù)化檢測算法。該算法針對部分均勻環(huán)境，采用多通道自回歸過程建模噪聲數(shù)據(jù)以建立參數(shù)化模型，給出了自回歸過程下的噪聲模型，并將子孔徑平滑的概念引入到訓(xùn)練數(shù)據(jù)里

11、（子孔徑平滑技術(shù)提供了孔徑損失與樣本支持間的一個較好折中）。此外，還利用協(xié)方差矩陣的反對稱結(jié)構(gòu)特性來進一步降低對訓(xùn)練樣本的要求。并基于前面的處理數(shù)據(jù)，推導(dǎo)了參數(shù)化協(xié)方差估計器，設(shè)計了部分均勻環(huán)境里參數(shù)化自適應(yīng)一致估計檢測器。最后，將所提算法的檢測性能與其它檢測算法進行比較，結(jié)果表明小樣本情況下，其性能優(yōu)于其它算法，能有效緩解小樣本對檢測性能的影響。
　　6、針對高分辨雷達下距離擴展目標的檢測問題，提出了均勻和非均勻背景中存在子空間