发布信息

基于反演滤波的微弱目标检测方法

作者:admin      2022-11-19 09:17:06     415



测量装置的制造及其应用技术1.本发明属于雷达技术领域,更进一步涉及雷达目标检测技术领域中的一种基于反演滤波的弱目标检测方法。本发明应用于从脉压回波数据中有效提取出受强目标遮掩难以检测的微弱目标。背景技术:2.随着现代隐身飞机和无人机技术的发展,此类目标由于具有雷达反射截面积(radar cross section,rcs)较小,检测信噪比较低的特点,实际雷达处理过程当中常常难以检测出弱目标。因而为了实现有效检测弱目标的目的,需要提升雷达检测信噪比和抑制强目标对弱目标的遮掩。传统的cfar(constant false alarm rate,cfar)恒虚警检测方法通过采用加窗脉压系数对回波数据进行处理,能够有效抑制强目标距离副瓣对微弱目标的影响,但是,加窗处理存在目标信噪比损失的问题。而不加窗处理的脉压输出副瓣很容易与弱目标峰值混叠,造成强目标对弱目标的遮掩,从而无法检测出微弱目标。3.南京航空航天大学在其所申请的专利文献“基于检测前估计的雷达目标检测方法”(专利申请号:202010736841.4,申请公布号:cn 111965615 a)提出了一种检测前估计的雷达微弱目标检测方法。该方法的具体步骤如下,首先通过不加窗脉冲压缩,获取感兴趣的目标的先验信息,然后利用先验信息,对目标的距离参数进行预估计,随后,通过获取的预估计信息,建立接收信号的降维观测模型;通过稀疏恢复算法进行重构;并利用重构结果,通过广义似然比检测器进行目标检测。该方法能够有效的提升微弱目标检测性能。但是,该方法仍然存在的不足之处是,稀疏恢复算法需要预估稀疏度,在目标个数未知的情况下,稀疏度的估计会存在一定的偏差,因而该算法会产生随机伪峰。在实际工程应用过程中,会影响到弱目标检测的性能,从而检测出虚假目标。4.中国人民解放军空军工程大学在其所申请的专利文献“基于聚类外推的慢速弱目标检测方法”(专利申请号:202110298948.x,申请公布号:cn 113093180 a)公开了一种采用聚类外推方法的雷达微弱目标检测方法。该方法的具体步骤如下,首先通过对回波进行mti、mtd处理,然后,利用多帧mtd峰值检测结果对噪声和杂波进行剔除,接着利用外推聚类方法实现目标检测。该方法能够在较低信噪比情况下实现慢速目标的有效检测,但是,该方法仍然存在的不足之处是,由于该方法只考虑噪声和杂波对弱目标的影响,对于强目标附近的弱小目标,该方法没有抑制强目标的影响,因而检测阶段存在漏检,导致雷达系统无法检测出目标。技术实现要素:5.本发明的目的在于针对上述已有技术的不足,提出一种基于反演滤波的微弱目标检测方法,以解决现有的聚类外推方法在恒虚警检测时存在漏检,以及采用稀疏恢复算法存在伪峰和稳健性不足的问题。6.实现本发明目的的技术方案是,本发明通过对脉压回波数据提取强目标信息,利用所得强目标信息和细分时间矩阵构建强目标的反演数据,利用反演数据构建反演滤波器,对处理后的数据进行滤波处理,有效的抑制强目标的副瓣影响,提升了弱目标检测的稳健性,由此避免产生现有的聚类外推方法在恒虚警检测时存在漏检的问题。由于本发明对雷达回波数据进行的滤波处理,由此避免产生稀疏恢复算法存在的伪峰问题。最后,对滤波后数据经过恒虚警检测,能够检测出微弱目标。7.本发明的实现步骤如下:8.步骤1,对雷达回波数据进行脉冲压缩:9.采用不加窗脉压系数对雷达接收回波数据进行脉冲压缩处理,得到雷达脉压后的回波数据;10.步骤2,对雷达脉压后的回波数据进行恒虚警检测:11.采用单元平均恒虚警检测方法,将一个高于其检测门限的距离单元的幅值作为一个强目标,记录每个强目标所在的距离单元,将记录的距离单元组成强目标集合;12.步骤3,构造每个强目标的反演数据矩阵:13.步骤3.1,计算细分时间矩阵中的每一列中每一个元素值,将所有列组成细分时间矩阵;14.步骤3.2,计算细分时间矩阵中的每个元素的反演值,用该元素的反演值更新细分时间矩阵中对应的元素值;15.步骤3.3,从检测目标集合中选取一个强目标,构建一个m×n的反演数据矩阵,矩阵的每一个元素初始为0,以所选强目标在脉压后回波数据的位置为起点,将更新后的细分时间矩阵的每一列放入到该矩阵当中,得到所选强目标的反演数据矩阵,其中,m的取值等于回波数据的长度,n的取值等于为细分时间矩阵的列数;16.步骤3.4,判断是否选完强目标集合中所有的强目标,若是,得到所有强目标的反演数据矩阵后执行步骤4,否则,执行步骤3.1;17.步骤4,利用构建的反演滤波器的权向量对雷达回波数据进行滤波处理:18.步骤4.1,任意选取一个未选过的强目标;19.步骤4.2,在强目标所在距离单元两侧l个距离单元中任意选取一个未选过的距离单元,其中,l的值由雷达系统参数决定;20.步骤4.3,以所选距离单元在脉压后回波数据中的位置为起点,以雷达一个脉冲时间发射的离散序列的长度为截取长度,对所选强目标对应的反演数据矩阵中的每一列进行截取,将截取长度中的所有元素作为反演矩阵的每一列;21.步骤4.4,计算反演矩阵的协方差矩阵;22.步骤4.5,计算所选距离单元对应的反演滤波器的权向量;23.步骤4.6,以所选距离单元对应脉压前回波数据的位置为起始位置,在脉压前回波数据中截取一段与反演滤波器权向量的长度相等的数据作为待滤波数据;24.步骤4.7,将选距离单元对应的反演滤波器的权向量与待滤波数据进行相乘,得到雷达回波数据所选距离单元的滤波后的数据;25.步骤4.8,判断是否选完当前所选强目标两侧l个距离单元,若是,执行步骤4.9,否则,执行步骤4.2;26.步骤4.9,判断是否选完雷达脉压前回波数据中的所有强目标,若是,执行步骤5,否则,执行步骤4.1;27.步骤5,对滤波后数据进行恒虚警检测:28.采用与步骤2中单元平均恒虚警检测相同的方法,对每个距离单元滤波后数据进行检测,得到该距离单元的检测门限,将大于或等于其检测门限的距离单元的幅值作为微弱目标,记录所有微弱目标所在的距离单元。29.本发明与现有技术相比具有如下的优点:30.第一,由于本发明在雷达回波数据中存在强目标掩盖微弱目标时,通过利用强目标的距离信息构建反演数据矩阵,利用反演数据矩阵构建的反演滤波器,抑制了强目标副瓣的影响,克服了现有技术聚类外推方法产生漏检的缺点,使得本发明能够有效的检测出受强目标遮掩的弱目标,提升了微弱目标检测的准确率。31.第二,由于本发明在检测被强目标所遮掩的微弱目标时,通过对雷达回波数据进行滤波处理,克服了现有技术采用稀疏恢复算法产生伪峰的缺陷,使得本发明能够准确的检测出微弱目标,降低微弱目标检测的误判概率。32.第三,由于本发明在检测弱目标时,构建的细分时间矩阵对回波数据的时间间隔进行了细分,从而更好的对应实际工程当中强目标位置与距离单元非精准对应的情况,克服了现有技术采用稀疏恢复算法稳健性不高的缺陷,使得本发明能够准确的检测出微弱目标,提升了微弱目标检测的稳健性。附图说明33.图1是本发明的实现流程图;34.图2是本发明的仿真图。具体实施方式35.下面结合附图和实施例,对本发明做进一步的详细描述。36.参照图1和实施例,对本发明的实现步骤做进一步的详细描述。37.步骤1,对雷达回波信号进行脉冲压缩处理。38.采用不加窗脉压系数对雷达接收回波数据进行脉冲压缩处理,得到雷达脉压后的回波数据,得到脉冲压缩的信噪比增益。其详细步骤如下:39.步骤1.1,根据雷达发射信号,构建雷达发射信号的不加窗脉压系数:[0040][0041]其中,h表示雷达发射信号的不加窗脉压系数,表示s的第i个元素,i=1,2,...,i,i表示雷达一个脉冲时间发射的离散序列的总长度,元素,i=1,2,...,i,i表示雷达一个脉冲时间发射的离散序列的总长度,表示取整操作,s=[s1,s2,...,si]表示雷达一个脉冲时间发射的离散序列,s(t)表示雷达的发射波形函数,δt=1/fs表示雷达的采样时间间隔,fs表示雷达的采样率,tp表示雷达的脉冲宽度,(·)*表示共轭操作。[0042]步骤1.2,通过对雷达回波数据与不加窗脉压系数进行卷积,从而得到脉压后的雷达回波数据:[0043][0044]其中,y表示脉压后的雷达回波数据,表示卷积操作,r表示雷达接收的回波数据。[0045]步骤2,采用单元平均恒虚警检测算法,利用雷达脉压后的回波数据进行恒虚警检测。[0046]步骤2.1,任意选取雷达脉压后回波数据中一个未选过的距离单元,将所选的距离单元两侧长度为u的距离单元作保护单元,参考窗长取2f,取参考单元为保护单元外长度为f-u的距离单元;[0047]步骤2.2,计算所选的距离单元中所有参考单元的噪声的平均值,将其作为所选距离单元的噪声估计值。[0048]步骤2.3,按照下式,计算所选的距离单元的恒虚警检测的门限因子:[0049][0050]其中,α表示所选距离单元的恒虚警检测的门限因子,in表示以自然常数e为底数的对数操作,pf表示所选距离单元在高斯白噪声下的虚警概率。[0051]步骤2.4,用所选距离单元的恒虚警检测的门限因子与噪声估计值进行相乘即可得到所选距离单元的检测门限。[0052]步骤2.5,判断所选距离单元下幅值的绝对值是否大于或等于检测门限,若是,则判定所选距离单元下存在目标并记录所选距离单元的位置后执行步骤2.6,否则,认为所选距离单元下不存在目标,执行步骤2.1。[0053]步骤2.6,判断是否选完雷达脉压后回波数据中的所有距离单元,若是,则执行步骤,否则,执行步骤2.1。[0054]步骤3,构造每个强目标的反演数据矩阵。[0055]步骤3.1,按照下式,计算细分时间矩阵中的每一列中每一个元素值,将所有列组成细分时间矩阵:[0056][0057]其中,dk表示细分时间矩阵中的第k列中每个元素的值,k=1,2,...,k,k表示雷达采样间隔细分的总数,细分时间矩阵行的总数等于雷达一个脉冲时间发射的离散序列的总长度。[0058]本发明的实施例中,雷达脉冲宽度tp=40μs,雷达接收回波数据的采样率为fs=1mhz,k=5,δt=1/fs=1μs,细分时间矩阵的每一个元素的单位是微秒,细分时间矩阵如下所示:[0059][0060]实际工程当中雷达回波数据中强目标实际的位置与采样位置并非严格对准,起始时间向前平移半个采样单元,对雷达采样间隔进行了细分,构建细分时间矩阵,保证反演数据与真实强目标回波数据一致,提升了微弱目标检测的稳健性。[0061]步骤3.2,按照下式,计算细分时间矩阵中的每个元素的反演值,用该元素的反演值更新细分时间矩阵中对应的元素值。反演值的计算公式如下:[0062]omn=s(dmn)[0063]其中,omn表示更新后细分时间矩阵中第m行第n列的反演值,dmn表示细分时间矩阵的第m行第n列的元素值。[0064]步骤3.3,从检测目标集合中选取一个强目标,构建一个m×n的反演数据矩阵,矩阵的每一个元素初始为0,以所选强目标在脉压后回波数据的位置为起点,将更新后的细分时间矩阵的每一列放入到该矩阵当中,得到所选强目标的反演数据矩阵,其中m的取值为回波数据长度,n的取值为细分时间矩阵的列数。[0065]本发明的实施例中,随机选取强目标集合中的一个强目标,d表示所选强目标在脉压后回波数据的位置,在反演数据矩阵第一列中,在第d行后的数据依次放入更新后的细分时间矩阵的第一列的每个元素,以此类推,反演数据矩阵第k列中,在第d行后的数据依次放入更新后的细分时间矩阵的第k列的每个元素。[0066]步骤3.4,判断是否选完强目标集合中所有的强目标,若是,即得到了所有强目标的反演数据矩阵,执行步骤4操作,否则,执行步骤3.1。[0067]步骤4,利用构建的反演滤波器的权向量对雷达回波数据进行滤波处理。[0068]步骤4.1,任意选取一个未选过的强目标;[0069]步骤4.2,在强目标所在距离单元两侧l个距离单元中任意选取一个未选过的距离单元,其中l的值是由雷达系统参数决定,本发明的实施例中l=20。[0070]步骤4.3,以所选距离单元在脉压后回波数据中的位置为起点,以雷达一个脉冲时间发射的离散序列的长度为截取长度,对所选强目标对应的反演数据矩阵中的每一列进行截取,将截取长度中的所有元素作为反演矩阵的每一列。[0071]本发明的实施例中,选取的强目标所在距离单元为20,选取雷达脉压回波数据中的第30个距离单元,雷达一个脉冲时间发射的离散序列的长度为40。在所选强目标对应的反演数据矩阵中,截取第一列第30行到第69行的数据,将截取长度中的所有元素作为反演矩阵的第一列,以此类推,对该矩阵的第k列,截取该反演数据矩阵的第30行到第69行的数据,将截取长度中的所有元素作为反演矩阵的第k列。[0072]步骤4.4,按照下式,求解反演矩阵的协方差矩阵:[0073]r=wwh/k+δei[0074]其中,r表示反演矩阵的协方差矩阵,w表示反演矩阵,(·)h表示共轭转置操作,δ表示添加的高斯白噪声功率,ei表示维度为i×i的单位矩阵。[0075]δ的取值远小于雷达发射信号功率,保证反演矩阵的协方差矩阵的非奇异,雷达发射信号功率[0076]步骤4.5,按照下式,计算所选距离单元对应的反演滤波器权向量:[0077]g=r-1ht[0078]其中,g表示反演滤波器权向量,(·)-1表示矩阵求逆操作,(·)t表示转置操作。[0079]步骤4.6,以所选距离单元对应脉压前回波数据的位置为起始位置,在脉压前回波数据中截取一段与反演滤波器权向量的长度相等的数据作为待滤波数据。[0080]步骤4.7,将选距离单元对应的反演滤波器的权向量与待滤波数据进行相乘,得到雷达回波数据所选距离单元的滤波后的数据。[0081]步骤4.8,判断是否选完当前所选强目标两侧l个距离单元,若是,执行步骤4.9,否则,执行步骤4.2。[0082]步骤4.9,判断是否选完雷达脉压前回波数据中的所有强目标,若是,执行步骤5,否则,执行步骤4.1。[0083]步骤5,对滤波后数据进行恒虚警检测。[0084]采用与步骤2中单元平均恒虚警检测方法相同的方法,对滤波后的数据中每个距离单元进行恒虚警检测,将数据中大于或等于其检测门限的距离单元作为微弱目标,记录每个微弱目标所在的距离单元。[0085]下面结合仿真实验对本发明的效果作进一步说明:[0086]1.仿真实验的条件。[0087]本发明的仿真实验的硬件平台为:处理器为intel i7 5930k cpu,主频为3.5ghz,内存16gb。[0088]本发明仿真的实验环境为:windows7操作系统和matlab r2016b。[0089]本发明仿真实验数据为:雷达发射的lfm信号的时宽tp=140×10-6s,带宽b=2×106hz,采样频率fs=4×106hz,所述雷达回波数据包含强目标信号和弱目标信号以及高斯白噪声信号。强目标的检测信噪比为snr1=53db,弱目标的检测信噪比snr2=13db,强目标位于距离单元20,弱目标位于距离单元30。[0090]2.仿真内容及其结果分析:[0091]本发明的仿真实验是在上述仿真实验的条件下,采用现有不加窗脉压处理方法和本发明的方法,分别对本发明仿真实验数据中的雷达回波数据进行处理,结果如图2。图2的横坐标表示距离单元,纵坐标表示幅度值,曲线代表距离维上目标分布的一维距离像。[0092]图2(a)是现有技术的不加窗脉压处理方法对仿真实验数据中的雷达回波数据进行处理的结果图,图2(b)是本发明方法对仿真实验数据中的雷达回波数据进行处理的结果图。[0093]从图2(a)中可以看出不加窗脉压处理方法对本发明仿真实验数据中的雷达回波数据进行处理后,处理结果只在强目标位置处出现了一个峰值,而在弱目标位置处无法看到明显的峰值,若对该处理结果采用单元平均恒虚警检测方法进行检测,只能检测出强目标,无法检测出强目标附近的微弱目标。[0094]从图2(b)中可以看出本发明方法对本发明仿真实验数据中的雷达回波数据进行处理后,处理结果在强目标处的峰值被抑制掉,弱目标所在距离单元处出现了明显的峰值,若对该处理结果采用单元平均恒虚警检测方法进行检测,能够检测出弱目标。[0095]上述仿真结果表明,采用现有的不加窗脉压处理方法对回波数据处理后,单元平均恒虚警检测方法难以检测出强目标附近的微弱目标,而本发明所采用基于反演滤波的方法对接收回波数据进行处理后,可以在单元平均恒虚警检测阶段有效的检测到强目标附近的微弱目标。









图片声明:本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明:本文中引用的各种信息及资料(包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主体(包括但不限于公司、媒体、协会等机构)的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理!本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明:我们致力于保护作者版权,注重分享,被刊用文章因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理,本文部分文字与图片资源来自于网络,部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益,请立即通知我们,情况属实,我们会第一时间予以删除,并同时向您表示歉意,谢谢!

相关内容 查看全部