基于知識輔助的檢測前跟蹤算法研究.pdf

1、環(huán)境和目標的日益復雜化使得現(xiàn)代雷達對微弱（低信噪/雜比）目標的檢測面臨嚴峻挑戰(zhàn)。相比傳統(tǒng)檢測后跟蹤（DBT）技術，檢測前跟蹤（TBD）技術通過聯(lián)合處理多幀雷達回波數(shù)據(jù)，可以有效提高雷達系統(tǒng)對微弱目標的檢測能力。動態(tài)規(guī)劃（DP）算法作為TBD技術的一種有效實現(xiàn)手段，由于實現(xiàn)簡單、性能優(yōu)異，得到國際雷達界的廣泛專注。在檢測均勻高斯雜波中的非起伏點目標時，DP-TBD算法可以獲得良好的檢測性能。然而，在非均勻雜波、非高斯雜波、擴展目標等場景下

2、，由于 DP-TBD算法依賴測量值幅度的大小，而測量值幅度的大小不能很好的體現(xiàn)目標與雜波在信號上的差異，算法性能嚴重下降。為了解決這一問題，可以采用知識輔助技術，利用環(huán)境和目標的信息更好的體現(xiàn)目標與雜波在信號上的差異，改善多幀聯(lián)合處理效果，進而提高微弱目標檢測性能。
　　本研究主要內(nèi)容包括：⑴針對非均勻雜波場景，提出了固定門限雜波分區(qū)知識輔助DP-TBD算法和自適應門限雜波分區(qū)知識輔助DP-TBD算法，有效改善了高功率區(qū)雜波測量產(chǎn)

3、生虛警、低功率區(qū)運動的微弱目標發(fā)生漏檢等問題。⑵針對雷達系統(tǒng)中常見的兩種非高斯雜波模型（K和G0）和三種目標起伏模型（Swerling0、1和3），提出了幅度知識輔助DP-TBD算法，利用幅度信息修正DP積累，降低了非高斯雜波長“拖尾”（即大幅度的雜波測量值）引起的性能損失。⑶針對高斯雜波中三種起伏（Swerling0、1和3）擴展目標的檢測問題，提出了基于實測量值的擴展目標特征知識輔助 DP-TBD算法，利用擴展目標特征信息修正DP積

4、累，提高了擴展目標的檢測性能；提出了基于復測量值的擴展目標特征知識輔助 DP-TBD算法，在保留測量值相位信息的基礎上，利用擴展目標特征信息修正DP積累，增強了背景雜波抑制能力，改善了信雜比。⑷針對復合高斯雜波中擴展目標的檢測問題，提出了基于非相干積累的擴展目標特征知識輔助 DP-TBD算法，利用擴展目標特征信息在幀內(nèi)對擴展目標能量進行非相干積累，有效提高了擴展目標能量利用率；提出了基于廣義似然比（GLRT）的擴展目標特征知識輔助DP-