样本缺失环境下结构化知识辅助智能检测方法技术

本发明专利技术属于雷达信号处理技术领域，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。考虑到波束指向误差和多径等因素对信号可能造成失配影响，利用用多秩子空间模型对目标信号进行建模，较好的补偿了失配损失；当使用中心对称线性阵列或中心对称间隔脉冲串的雷达接收机接收回波信号，可适应样本缺失环境下的目标检测；基于一步法检测器设计程序，采用Gradient检验准则，构建了均匀杂波下斜对称子空间检测器，且其性能均优于相同环境下的现有检测器；本发明专利技术方法的检测统计量结构简单，计算复杂度较低。计算复杂度较低。计算复杂度较低。

【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，可分别获得基于GLRT、Gradient、Rao和两步法的子空间距离扩展目标检测器(分别简写为S
‑
GLRT、S
‑
Gradient、S
‑
Rao和S
‑
2SD)。然而，实际雷达工作时往往处于复杂环境中，大的离散杂波、杂波边缘等不同类型异常值均会对训练样本产生“污染”，导致满足条件的训练样本有时很难获取，常常会出现小样本的情况。小样本情况导致的距离扩展目标检测性能退化问题将愈发突出，极大增加了后续目标成像与识别难度。在面临小样本情况导致的检测性能退化问题时，一种常用的解决办法是利用杂波的先验信息。现有研究表明，对于使用中心对称线性阵列或中心对称间隔脉冲串的雷达接收机，其杂波协方差矩阵存在特殊的斜对称结构。相比于S
‑
GLRT、S
‑
Gradient、S
‑
Rao和S
‑
2SD检测器，斜对称杂波结构化先验信息的引入对检测器的检测性能有一定改善。
[0004]当前，杂波结构化信息还未被广泛运用到大部分距离扩展目标检测器的设计过程中，从而可能造成距离扩展目标在小样本情况下的检测性能退化。针对距离扩展目标在小样本情况下的检测性能退化问题，如何提高未知杂波协方差矩阵估计精度，通过合理设计距离扩展目标自适应检测器形式，在确保检测器恒虚警率(CFAR)特性的同时，降低对训练样本量的需求，是提升样本缺失环境下结构化知识辅助智能检测方法的关键，也是目前雷达自适应距离扩展目标检测急需解决的难题之一。

技术实现思路

[0005]为了克服现有技术中的问题，本专利技术提出一种样本缺失环境下结构化知识辅助智能检测方法。
[0006]本专利技术解决上述技术问题的技术方案如下：
[0007]一种样本缺失环境下结构化知识辅助智能检测方法，包括以下步骤：
[0008]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；
[0009]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
；
[0010]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。
[0011]进一步地，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
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：
[0012][0013]其中，
[0014][0015]式中，辅助数据Z
R
表示为N
×
R维复矩阵Z
R
＝C
R
＝[c
K+1
,c
K+2
,
…
,c
K+R
]，c
K+k
表示第K+k个参考距离单元对应的辅助数据分量；其中，N
×
1维复向量c
t
(t＝K+1,K+2,
…
,K+R)服从零均值协方差矩阵为N
×
N维复矩阵M的复圆高斯分布，且不同距离单元间的辅助数据分量是独立同分布的；z
k
表示第k个待检测距离单元对应的N
×
1维主数据分量，b
k
表示第k个待检测
距离单元中r
×
1维目标子空间复坐标向量；j是虚数单位，|
·
|表示方阵的行列本文档来自技高网...

【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：