基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法制造技术

公开了一种基于贝叶斯干扰控制的变异指数的BVI‑CFAR目标检测算法，所述算法首先将滑动窗口分为前后检测窗后，再次将前后检测窗口分为两份，得到四个检测窗口，然后采用变异指数对四个滑动窗口过程进行分析，判断干扰可能存在的窗口位置，然后采用贝叶斯滑动窗口干扰控制方法，对窗口干扰进行预测和补偿，推导出了贝叶斯变异指数算法的检测过程的表达式。本发明专利技术首次将贝叶斯滑动窗口干扰控制的方法运用于变异指数检测过程，具有很好的多目标检测效果，相对于传统的VI‑CFAR算法，解决了VI‑CFAR检测器在两侧都出现目标时，检测概率大大降低的问题，贝叶斯干扰控制的运用，减少了干扰对检测过程的影响，提高了雷达在复杂环境和多目标环境下的检测性能，为CFAR算法提供了新方法。

【技术实现步骤摘要】
基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法
本专利技术涉及雷达多目标检测及其抗干扰
，尤其涉及一种基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法。
技术介绍
随着社会和科技的发展，人工智能和汽车工业的快速发展,毫无疑问，驾驶员配合辅助驾驶系统是未来汽车出行的主要形态，而车载毫米波雷达作为辅助驾驶系统的重要组成，具有很高的研究价值。然而雷达在检测过程中，接收到的信号不仅仅是目标信号，还包含了一些实时变化的杂波信号，面对这种情况，雷达恒虚警率(ConstantFalseAlarmRate，CFAR)处理也就应运而生。CFAR处理技术的问世可以使雷达检测目标的虚警概率保持一定范围不变，减少了进行检测时的信杂比损失，使得目标的检测概率最大化。相对于传统的固定门限检测，CFAR可以根据雷达杂波背景分布提供的先验信息，通过特定的算法，自适应的改变检测门限，对目标有无进行判决，从而方便对目标进行下一步的处理。因此，雷达恒虚警处理技术在雷达信号处理和目标检测领域中是最为关键的环节。伴随着雷达技术的发展，许多恒虚警检测算法诞生，但其仍然存在缺陷。传统CFAR的假设只能在某种特定环境下获得较好检测性能，然而随着雷达应用场景的复杂化，实际工程中并不能满足理想的设计条件，CFAR检测性能严重下降。因此，对于多目标，其最大的挑战是复杂背景下的检测问题，如何在该背景下自适应选择检测门限，提升检测器抗干扰能力，成为雷达研究领域的重要目标。
技术实现思路
本申请专利技术了基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法，解决了VI-CFAR在双侧都存在目标时，检测概率下降严重的问题，同时提高了VI-CFAR检测器在均匀环境下的检测性能，为CFAR检测提供了一种全新的方法。与此同时。本文对于贝叶斯检测多目标情况下计算复杂的问题，提出了贝叶斯分类干扰控制方法，对背景中的多个干扰同时进行预测推理，在提高抗干扰能力的同时，降低了计算的复杂度。与现有技术相比，本专利技术的优点在于：1.首次专利技术将贝叶斯干扰控制运用于变异指数检测器(VI-CFAR)，并且优化了变异指数检测器，解决了VI-CFAR在双侧都存在目标时，检测概率下降严重的问题，同时提高了VI-CFAR检测器在均匀环境下的检测性能。2.推导了贝叶斯干扰控制运用于变异指数检测器的过程，得到了BVI-CFAR检测器的检测表达式。3.可以进一步扩展成多窗口模式的BVI-CFAR检测器，也可应用贝叶斯多窗口干扰控制，适应于更加复杂的环境，提高目标检测精度。4.提出了分类贝叶斯干扰控制方法，在提高抗干扰能力的同时，降低了计算的复杂度。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例的附图作简单地介绍。图1是基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法流程图。图2是VI-CFAR检测算法流程图。图3是BVI-CFAR检测器的算法流程图。图4是自适应门限和决策选择表。图5a是均匀环境和含有一个单侧干扰环境下的检测性能曲线。图5b是均匀环境和含有两个双侧干扰环境下的检测性能曲线。图6a是KMR阈值与检测决策变化概率曲线。图6b是KVI阈值与检测决策变化概率曲线具体实施方式图1展示了一种基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法，该方法包括以下步骤：步骤1，与传统的变异指数检测器(VI-CFAR)相比，如图2所示。本文采用更为细化的分割方式，将滑窗分为四个部分，然后对每一个部分求其二阶统计量VVI和统计和，如图3所示。步骤2，将求得得二阶统计量VVIA,VVIB,VVIC,VVID和统计量阈值KVI进行比较，将均值比MR0,MR1,MR2和均值阈值KMR进行对比。选择阈值KBVI＝5时，均匀环境下检测器超过该值的概率不到1％，故可以选择KBVI＝5为VI-CFAR检测器的二次统计量阈值，并且BVI-CFAR检测器阈值受干扰杂波影响小。选择阈值KMR＝3时，均匀环境下检测器超过该值的概率不到1％，故可以选择KMR＝3为BVI-CFAR检测器的均值统计量阈值。步骤3，VVI≤KVI时为均匀杂波，KMR-1≤VMR≤KMR为两窗口均值相同，然后根据图4所示规则进行门限选择；其中1，5，等价于CA-CFAR检测器，CN为滑动大小为N时的门限阈值因子，∑ABCD为四个滑动窗口单元的求和，2,3,4为本文所专利技术的贝叶斯干扰控制方法，其具体细节如下：假设背景杂波服从参数为λ的指数分布，干扰服从参数为μ的指数分布，贝叶斯假设检验判决方法由下式表示：则贝叶斯检测虚警率表示为：其中：当系统存在一个干扰的情况下的表达式为：其中，以此类推，Yj为第j个单元有干扰，而出现的概率为πj，N为滑动窗口总数，m为滑窗划分的个数(m<<n)，此算法选择的m＝4；最终PFA可以由下式展示：由于(6)式的τ很难反解出来，因子贝叶斯规则改为下式：化简(7)式可得：其中图4决策表中：最后通过蒙特卡洛实验验证算法的可靠性，此处滑动窗口总数N＝24,虚警率PFA＝1e-4，蒙特卡洛次数M＝1e6,二次统计量阈值KVI＝3,均值阈值KMR＝1.8。在滑动窗口第一个单元和第24个单元加上20dB干扰，将固定阈值门限设置为限制表示为Limt,对比了OPT-CFAR,CA-CFAR,VI-CFAR和BVI-CFAR算法在均匀环境(无干扰)和两个干扰情况下的性能，得到了检测性能曲线如图5所示。由图可知，在均匀环境下,CA-CFAR性能相对于其他算法较好，但是在存在干扰的情况下，性能严重下降。BVI-CFAR算法相对于传统的VI-CFAR算法，在均匀环境下较好于前者，但是VI-CFAR在前后滑窗都存在干扰的情况下，性能严重下降，BVI-CFAR运用多滑窗决策解决这个问题的同时，运用贝叶斯干扰控制技术提高了在多目标和复杂情况的检测概率，仿真结果验证了该算法相对于传统算法优势。本文中所描述的具体实施例仅仅是对本专利技术精神作举例说明。本专利技术所属
的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本专利技术的精神或者超越所附权利要求书所定义的范围。本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法，其特征在于，包括：/n步骤1、将雷达收到的数据{x

【技术特征摘要】
1.一种基于贝叶斯干扰控制的变异指数的BVI-CFAR目标检测算法，其特征在于，包括：
步骤1、将雷达收到的数据{x1,x2,...,xn/2-1,xn/2+1,...,xn}分成Y1,Y2,Y3,Y4四份，其中Yi＝x(i-1)N/4+…+xiN/4,其中i＝1,2,3,4；
步骤2、分别计算二阶统计量VVI和VMR，其中为方法的估计值，为均值的估计值，为n个单元的算术平均值，为四个窗口的均值；
步骤3、选择VVI的阈值KVI，VMR的阈值KMR,并比较统计量或者均值和阈值的大小，当VVI≤KVI时为均匀杂波，KMR-1≤VMR≤KMR为两窗口均值相同，通过对比的结果选择合适的CFAR处理器,如：满足下表所示1或5条件时，即说明四个窗口均为均匀杂波且均值比相同，则选择CA-CFAR检测器作为检测器的自适应门限，若ABCD窗口有一个或者多个为非均匀杂波，说明窗口之中含有干扰目标，即选择BVI-CFAR进行处理，具体表述为如下所示：
当检测器检测到系统背景为均匀杂波，即VVI≤KVI,同时满足时，选择CA-CFAR作为检测器，当系统检测到背景含有干扰，即VVI≤KVI,有一个不满足时，选择BVI-CFAR作为检测器；
步骤4、分析比较结果，对初步确定有干扰的窗口采用贝叶斯干扰方法进行干扰控制，得到最终的自适应门限和CFAR选择的判决方法，并输出结果，定义对于非均匀杂波和两窗口均值不同的情况，所述步骤3中，通过对比的结果选择合适的CFAR处理器基于以下条件...

【专利技术属性】
技术研发人员：巩朋成，朱鑫潮，李婕，王兆彬，邓薇，周顺，贺章擎，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北;42