復雜場景下多通道陣列自適應目標檢測算法研究.pdf

1、雷達自適應目標檢測是通過自適應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計。研究雷達自適應目標檢測具有重要的理論意義，在軍事和民用領域中都具有重要的地位和巨大的經(jīng)濟價值，包括對陸海領域的監(jiān)視，防空預警，導航和武器制導等軍事用途及交通檢測、天氣預測、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練數(shù)據(jù)，目標導向矢量精確已知，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、目標的導向矢量存在失配等。復雜背景嚴重影響了常規(guī)自適應檢測器的性能。因此，研究復雜場景下穩(wěn)健有效的檢測算法對于實際應用至關重要。
　　

3、本文針對復雜場景下多通道陣列自適應檢測面臨的訓練樣本數(shù)不足、噪聲背景非高斯、導向矢量失配、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、復合高斯過程等多種非高斯背景，對復雜場景下自適應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匹配濾波器的檢測概率未知的問題，推導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。針對隨機紋理復合高斯雜波背景中的自適應檢測問題，提出了隨機紋理復合高斯廣義似然比檢測算法。首先，將復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，推導出紋理隨機的復合高斯雜波中的檢

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檢測問題，提出了知識輔助的點目標自適應檢測算法和距離擴展目標自適應檢測算法。對于點目標，首先，建模協(xié)方差矩陣的共軛先驗分布為復值逆維沙特分布，再根據(jù)復合高斯噪聲紋理滿足伽馬分布，推導出復合高斯噪聲中協(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值逆維沙特分布，再根據(jù)復合高斯噪聲紋理滿足逆伽馬分布，給出復合高斯噪聲中協(xié)方差矩陣的最大后驗估計，推導出距離擴展目標的Rao檢測及Wald檢測器。仿真實驗結(jié)果表明，復合高斯噪聲背景下，當訓練樣本數(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、針對導向矢量失配和小樣本導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向矢量失配穩(wěn)健，而且對快拍數(shù)量較少導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、的訓練數(shù)據(jù)進行滑窗預處理；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)導向矢量失配的角度域約束估計導向矢量。仿真結(jié)果表明，該方法對于導向矢量失配具有穩(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練數(shù)據(jù)里

11、（子孔徑平滑技術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練樣本的要求。并基于前面的處理數(shù)據(jù)，推導了參數(shù)化協(xié)方差估計器，設計了部分均勻環(huán)境里參數(shù)化自適應一致估計檢測器。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