基于分形可变步长LMS算法的海杂波中微弱目标检测

该文主要研究了基于Hurst指数与可变步长LMS算法相结合的分析方法在海杂波微弱目标检测中的应用。一直以来,分形理论与统计理论是分别应用到目标检测中的,该文将分形可变步长LMS算法引入到海杂波微弱目标检测中,并在此基础上提出一个海杂波中的微弱目标检测模型,初步实现了基于LMS算法的检测方法与基于单一分形特征的检测方法的结合。最后,采用X波段雷达实测海杂波数据进行验证,结果表明该检测模型具有良好的检测海杂波中微弱目标的能力。     

基于广义似然比检验-动态规划的检测前跟踪算法

检测前跟踪(TBD)技术通过时间换取能量,可以有效提高微弱目标的检测和航迹处理性能.提出了一种距离多普勒域基于广义似然比检验-动态规划(GLRT-DP)的TBD算法.给出了目标回波信号模型,在此基础上,推导了基于二元复合假设检验的GLRT的TBD算法表达式,在把由表达式所得数据矩阵转换到离散距离多普勒域后,利用DP方法进行搜索寻优,实现所提算法的同时降低了运算量.利用虚警概率和检测概率对所提算法的性能进行了分析.通过仿真实验对所提算法进行了验证,实验结果表明:该算法对雷达微弱目标的检测性能优于传统TBD方法,可以有效实现低信噪比背景下微弱目标的检测和航迹处理.     

基于稀疏表示的杂波建模和微弱运动目标探测

雷达回波中,微弱运动目标会被强杂波掩盖,造成目标探测困难。文中提出基于匹配追踪稀疏表示方法的雷达微弱运动目标探测算法,采用训练的过完备字典线性组合对杂波进行建模并解决稀疏表示问题,提高了杂波建模的准确性,利用杂波模型抑制杂波,可以从杂波背景中有效地探测微弱目标。仿真结果表明:文中提出的算法优于传统的目标探测方 法,可以提高杂波抑制和微弱运动目标探测性能。     

一种高脉冲重复频率雷达微弱目标检测跟踪方法

针对高脉冲重复频率(PRF)雷达对微弱目标的检测跟踪问题,该文提出一种雷达测距模糊条件下基于检测前跟踪(TBD)的微弱目标跟踪方法.该算法借用TBD的思想精髓,对于每一时刻的量测,既不进行目标有无的检测也不解距离模糊,而是将目标检测和解距离模糊统一在目标真实航迹的获取中.首先通过批处理把目标的模糊量测在所有模糊区间进行多假设扩展,从而提取量测的时空相关信息;然后基于目标真实航迹在时空上的连续性和不同PRF量测之间的相关性,通过TBD方法得到目标航迹,同时实现解距离模糊.与同类研究相比,该方法将微弱目标解距离模糊问题统一到目标航迹的检测确认过程中,避免了低信噪比(SNR)造成的航迹漏检,为实现高脉冲重复频率雷达微弱目标的检测跟踪提供了一种新的思路.最后,通过仿真验证了该算法的有效性.     

海杂波背景下的低空小目标检测

海面上低空小目标通常具有RCS（雷达散射截面）小、速度快的特点,并且容易湮没在海杂波背景中,很难被雷达系统检测到。文中首先分析了海杂波数据的统计特性;然后在此基础上,利用海杂波和目标在相关特性上的差异,提出了一种熵加权非相参积累方法,该方法能够抑制海杂波,并且积累目标能量;为了进一步降低检测门限,采用了TBD（检测前跟踪）技术。某S波段雷达搜索模式下低分辨实测数据的处理结果表明,熵加权非相参积累和TBD方法能够有效降低海杂波背景下低空小目标信号的最小可检测信杂比。     

距离多普勒域多雷达信号融合

传统的单雷达目标检测算法在低信杂噪比(SCNR)场景下,其检测性能较差,对低空微弱目标检测时,由于杂波信号很强,目标回波信号可能在单个雷达的回波中被杂波淹没,导致不能检测到目标。所以,文中提出一种多雷达信号融合算法检测动目标,在距离多普勒域对多个雷达回波信号进行融合,增强目标信杂噪比。最后,通过仿真来验证提出的算法的有效性。     

基于TBD技术的高频雷达舰船目标检测

针对强海杂波背景下高频雷达的舰船目标检测问题,提出了基于检测前跟踪(TBD, track before detect)技术的检测方法.该方法先在多普勒域对回波数据进行杂波抑制和低门限CFAR(constant false alarm rate)预处理以降低虚警率和计算复杂度,再采用动态规划TBD算法进行检测和跟踪以提高检测性能.蒙特卡洛仿真结果和回波数据验证表明该方法可提高对一阶海杂波附近舰船目标的检测能力,工程实用性强.     

基于多普勒谱特征的海杂波背景下小目标检测

海杂波中的小目标检测是雷达信号处理中较为复杂的问题之一。该文在分析海杂波多普勒谱特性的基础上,提出了基于联合瑞利分布的海杂波多普勒谱统计模型和描述多普勒谱扩展程度的波形熵特征,并给出了海杂波背景下的小目标检测算法。基于加拿大IPIX雷达实测数据的检测结果,证实了文中算法的有效性。     

基于固有模态奇异值熵的微弱目标检测算法

为检测海杂波中的微弱目标,文中首先提出采用固有模态函数构建海杂波的特征矩阵,解决采用延时嵌入法构建时间序列的特征矩阵时嵌入维数和延迟时间难以确定的困难,然后经奇异值分解获得海杂波的固有模态奇异值,并分析海杂波固有模态奇异值的特点以及目标的影响。分析发现,当目标出现时,海杂波的后6个固有模态奇异值明显增大,而固有模态奇异值熵可以描述目标对海杂波固有模态奇异值的这种影响。在此基础上,文中提出了采用固有模态奇异值熵检测微弱目标的方法。仿真结果表明,与基于盒维数的微弱目标检测算法和多脉冲单元平均恒虚警检测算法相比,该文所提算法的检测性能较好。     

基于混沌预测的雷达微弱目标检测研究综述

传统的雷达目标检测是将海杂波建模为随机过程,而最新的研究成果表明海杂波具有混沌特性,从而可将海杂波建模为非线性混沌模型。基于混沌预测检测微弱雷达目标信号是根据杂波信号和目标信号的动力学差异。通过海杂波训练预测器,假如待测信号当中含有雷达目标信号,则预测误差会突然增大,从而检测出目标信号。文章主要介绍了基于混沌预测检测雷达微弱目标在检测原理、国内外的研究现状以及未来的发展趋势。     

海杂波AR谱多重分形特性及微弱目标检测方法

该文研究了海杂波功率谱的多重分形特性。为了克服频谱傅里叶分析的缺点,用现代谱估计的方法来计算海杂波的功率谱。AR模型是一个线性预测模型,它通过序列的自相关函数矩阵来估计功率谱,并且具有更精确的频谱分辨率。该文主要分析基于AR谱估计的海杂波功率谱的多重分形特性,以及在微弱目标检测中的应用。首先,以分数布朗运动(FBM)模型为例,证明其功率谱具有多重分形特性。其次,根据X波段雷达的实测海杂波数据,通过多重去趋势分析法(MF-DFA)验证了海杂波AR谱的多重分形特性。最后,分析了海杂波AR谱的广义Hurst指数以及影响参数,并提出一种基于局部AR谱广义Hurst指数的目标检测方法。实验结果表明,该种检测方法具有海杂波背景下微弱目标检测的能力。与现有的分形检测方法和传统的CFAR检测方法对比,该算法在低信杂比情况下具有较好的检测性能。     

基于粒子滤波理论的雷达多目标TBD检测

粒子滤波理论适用于在非线性和非高斯环境下的目标跟踪与检测。文中基于序列重要性采样定理,提出了模型环境和多雷达目标检测的递归贝叶斯TBD算法。此算法在基本粒子滤波算法SIR的基础上,采用多模型粒子滤波器实现了多雷达目标的检测。仿真结果表明,算法能够有效地进行目标跟踪与检测。     

目标数未知时基于粒子滤波的多目标TBD方法

针对现有粒子滤波微弱多目标检测前跟踪（TBD）算法要求目标数目或者目标最大数目已知,且无法对邻近微弱目标有效检测的不足,提出了一种基于粒子滤波和目标相继消除（PF-STC）的多目标TBD算法。该算法通过将多目标状态的联合搜索过程简化为多个独立的单目标检测过程,实现数目未知的多目标跟踪和检测。与现有粒子滤波多目标TBD算法相比,新算法克服了现有方法在较弱目标接近较强目标时出现的检测困难,并降低了算法复杂度,能对数目未知的微弱多目标进行有效检测。      

基于低频IMF能量比的微弱目标检测算法

为检测海杂波中的微弱目标,该文分析了海杂波的低频固有模态函数（IMF）特点以及目标的影响,发现无目标时,海杂波的能量主要集中于前3个高频IMF中,而当目标出现时,海杂波的能量将向后面的低频IMF扩散,导致低频IMF能量在整个信号能量中所占的比例明显增大,在此基础上提出了采用低频IMF能量比检测微弱目标的算法。仿真结果表明,与基于盒维数的微弱目标检测算法和多脉冲CA-CFAR(100个脉冲)检测算法相比,该算法的检测性能较好,对海杂波中的慢起伏目标具备较强的检测能力。      

基于固有模态能量熵的微弱目标检测算法

该文分析了海杂波能量在各固有模态函数(IMF)间的分布特点,研究了目标对海杂波能量在各IMF间分布的影响。研究发现,无目标时,海杂波的能量主要集中于先分解出的3个IMF中,而当目标出现时,海杂波的能量将向后分解出的6个IMF扩散,且固有模态能量熵恰能描述目标出现引起的海杂波能量分布的这种变化,因此该文提出了采用固有模态能量熵检测微弱目标的算法。仿真结果表明,与基于盒维数的微弱目标检测算法、频域CFAR检测方法和多脉冲CA-CFAR(100个脉冲)检测算法相比,该算法的检测性能较好,有效增强了雷达对海杂波中微弱目标的检测能力。     

基于四极化通道融合的海面漂浮微弱目标特征检测

海杂波背景下的微弱漂浮目标检测是雷达目标检测的热点和难点问题。由于海杂波背景下的微弱漂浮目标的回波能量低和多普勒频率通常位于主杂波区,传统的自适应类相参积累检测方法无法有效检测该类目标。基于特征类的目标检测方法是解决海面漂浮目标检测问题的有效途径。本文首先分别提取四个极化通道的三种时域和频域特征（相对平均振幅、相对多普勒峰高和向量熵）,然后在极化通道维度上进行融合,获得四极化通道融合特征。最后,在三维特征空间中使用快速凸包学习算法来确定海杂波的判决区域,从而完成检测。实测海杂波数据实验验证了新方法的有效性,并表明其具有优良的检测性能。      

MIMO雷达弱目标检测前跟踪算法

相比相控阵雷达,多输入多输出(MIMO)雷达发射功率密度低,在低信噪比条件下空间分集特性优势不明显,检测概率降低。针对此问题,提出了基于逐目标消除-动态规划的多目标检测前跟踪(TBD)算法。该算法先利用统计量筛选航迹点,对信号进行积累,在降低TBD运算量的同时,减小了噪声的积累;再采用逐目标消除的思想,克服了动态规划的航迹分叉和仅能处理单目标的缺陷,实现了多目标的有效检测。文中还推导了目标检测的虚警概率和检测概率,给出了检测门限与虚警概率的关系。复杂度分析和仿真表明,相比传统TBD算法,所提算法的运算量明显降低;相比传统MIMO雷达检测方法,在相同虚警概率和检测概率条件下,所提算法要求的信噪比降低了5 dB,有效提升了检测性能。     

线性调频航管雷达风电场杂波背景下目标检测

传统动目标检测(Moving Target Detector, MTD)技术无法抑制具有频谱展宽特性的风电场杂波,可能导致目标检测概率下降和虚警率上升等问题。针对此问题,提出了一种线性调频航管雷达风电场杂波背景下的目标检测方法。该方法先进行风电场杂波抑制,再对杂波抑制后的数据基于MTD进行飞机目标检测。文中给出的风电场杂波抑制方法中,首先将传统谱中心补偿的风电场杂波抑制方法应用到线性调频体制雷达,针对此时存在的旁瓣抑制后的主瓣展宽问题,利用雷达参数信息优化恒虚警率(Constant False-Alarm Rate, CFAR)检测方法,再根据目标与杂波相对位置不同采用不同的方法抑制杂波。对于目标与杂波扩展主瓣在不同距离单元时,基于谱中心补偿及基于雷达参数的CFAR检测方法来检测并抑制风电场杂波;对于目标与杂波扩展主瓣在相同距离单元的情况,基于匹配追踪（Matching Pursuit,MP）算法抑制风电场杂波。仿真数据与实测数据实验结果表明该方法在保证有效检测目标的前提下能降低风电场杂波引起的虚警率。      

基于局部Hilbert边际谱隶属度的微弱目标检测算法

文章采用Hilbert-Huang变换处理海杂波数据,获得海杂波的Hilbert边际谱,并分析了海杂波的Hilbert边际谱特点及其目标的影响。分析发现:无目标时,海杂波信号的Hilbert边际谱的谱宽较宽,低频成份较弱;而当目标出现时,其谱宽明显变窄,低频成份明显增强。为了描述目标对海杂波Hilbert边际谱的这种影响,将隶属度引入Hilbert边际谱,并采用目标出现频率处的海杂波局部Hilbert边际谱计算隶属度,通过分析发现,目标出现时,该隶属度明显减小,在此基础上,提出了基于局部Hilbert边际谱隶的微弱目标检测算法。仿真结果表明,对于实测和仿真目标数据,该算法都具备较好的检测性能,其检测性能明显优于基于盒维数的微弱目标检测算法、频域检测方法和多脉冲CA-CFAR检测算法的检测性能,对海杂波中的慢起伏目标具备较强的检测能力。      

基于EMD和盒维数的固定微弱目标检测

为了对强海杂波中的固定微弱目标进行检测,论文提出了基于EMD和盒维数的目标检测算法。该算法首先采用EMD方法在时域内提取海杂波的低频分量,并计算低频分量的盒维数,然后利用盒维数对固定微弱目标进行检测。与仅基于盒维数的微弱目标检测算法相比,该算法扩大了固定目标对海杂波盒维数的影响,明显提高了对固定微弱目标的检测概率。