【技术实现步骤摘要】
样本缺失环境下结构化知识辅助智能检测方法
[0001]本专利技术属于雷达信号处理
,具体涉及一种样本缺失环境下结构化知识辅助智能检测方法。
技术介绍
[0002]与传统窄带雷达的“点目标”模型不同,高距离分辨率雷达目标的回波信号可能扩展到不同的径向距离单元中,形成“距离扩展目标”。此时若仍采用基于邻近参考单元估计未知杂波统计特性的传统“点目标”检测器,则目标的强散射点能量会泄漏到邻近距离单元中形成“信号污染”现象,将极大影响检测性能,甚至出现检测器完全失效的情况。随着高距离分辨率雷达在信号处理研究中的广泛应用,距离扩展目标的检测问题正引起了广泛的讨论和研究,成为近年来雷达信号处理领域的热点和难点问题之一。
[0003]目前,自适应雷达目标检测方法均需要借助于训练样本,以实现对未知杂波协方差矩阵(或杂波谱属性)的准确估计。训练样本一般取自于与待检测单元空间邻近的距离单元,且假定不含目标信号,而只含有与待检测单元独立同分布的杂波分量。此外,目前雷达距离扩展目标检测器多以秩一信号模型为基础,即目标在不同距离扩展单元的回波信号可描述为一个固定的导向矢量与相应幅度标量的乘积。然而,不同距离扩展单元下的目标导向矢量易出现失配,且大多数检测器在面对导向矢量失配时会出现一定程度的性能退化。为应对该问题,可考虑将目标信号建模为多秩子空间信号,即目标在不同距离扩展单元的回波信号可描述为一个多秩子空间矩阵与其相应坐标向量的乘积。在距离扩展目标子空间模型下,利用广义似然比检验(GLRT)、Gradient检验、Rao检验,可分 ...
【技术保护点】
【技术特征摘要】
1.一种样本缺失环境下结构化知识辅助智能检测方法,其特征在于,包括以下步骤:步骤1.从K个待检测距离单元获取主数据Z,从与待检测距离单元临近的R个距离单元获取辅助数据Z
R
;在无目标假设下,利用主数据Z和辅助数据Z
R
的联合概率密度函数的对数对杂波协方差矩阵M求导并置零,获得无目标假设下未知杂波斜对称协方差矩阵结构的最大似然估计;在有目标假设下,利用主数据Z和辅助数据Z
R
的联合概率密度函数的对数对目标在子空间下的坐标矩阵分量Θ
r
求偏导;步骤2.在有目标假设下,利用主数据Z和辅助数据Z
R
的联合概率密度函数的对数对杂波协方差矩阵M求导并置零,获得有目标假设下未知杂波斜对称协方差矩阵结构的最大似然估计;在有目标假设下,利用主数据Z和辅助数据Z
R
的联合概率密度函数的对数对目标在子空间下的坐标矩阵分量求偏导并将导数置零,可得在有目标下坐标矩阵分量的最大似然估计,构建样本缺失环境下结构化知识辅助智能检测统计量T
PS
‑
Gradient
‑
HE
;步骤3.根据预设的虚警概率设置检测门限T
PS
‑
Gradient
‑
HE
;将检测统计量t
PS
‑
Gradient
‑
HE
与检测门限T
PS
‑
Gradient
‑
HE
进行比较,若t
PS
‑
Gradient
‑
HE
≥T
PS
‑
Gradient
‑
HE
,则判定当前待检测距离单元存在目标,主数据不作为后续其他待检测距离单元的辅助数据;反之若t
PS
‑
Gradient
‑
HE
<T
PS
‑
Gradient
‑
HE
,则判定当前待检测距离单元不存在目标,主数据作为后续其他待检测距离单元的辅助数据。2.根据权利要求1所述的一种样本缺失环境下结构化知识辅助智能检测方法,其特征在于,所述步骤1中,在无目标假设下,利用主数据Z和辅助数据Z...
【专利技术属性】
技术研发人员:简涛,谢梓铿,刘克,张财生,王海鹏,刘军,郭晨,
申请(专利权)人:中国人民解放军海军航空大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。