论文部分内容阅读
自动检测系统是雷达接收系统的重要组成部分,其实现方式与工作性能制约着雷达信号与数据处理的总体效果。随着军事技术的迅猛发展,雷达所担负的工作任务日益繁重,所深入的工作环境愈加复杂多变。此时,传统检测模型已经不足以描述背景干扰所呈现的新特性。而实测数据分析对于复合高斯杂波模型的认可,使得该模型背景中的自适应目标检测成为国内外学者研究的热点问题。
当前,天线阵列及其相应处理的应用在雷达系统中得以普及。其间,空时自适应处理(STAP)与恒虚警率(CFAR)检测之间的天然联系,促进了STAP技术与自动目标检测理论的结合,并针对多通道自适应信号检测问题诞生了一系列经典的基于STAP的目标检测算法。但是,随着处理问题维度的扩大,常规STAP检测器因涉及过高的运算量以及过分的训练需求而不再适用,亟需对于具有低运算复杂度和小训练样本支持的新型目标检测方法展开探索与研究。
本论文将自动目标检测理论与参数化建模(即自回归AR模型)思想相结合,围绕有色高斯/复合高斯杂波环境中的距离扩展目标以及空时目标检测问题展开研究。论文的主要贡献体现在以下几个方面:
1.研究了两类有色背景杂波,即距离维完全非均匀的高斯杂波以及复合高斯杂波环境中的距离扩展目标检测问题。将AR模型与Rao以及Wald检验准则相结合,提出一系列无需辅助数据支持的自适应距离扩展目标检测算法,并依据广义似然比检验(GLRT)准则推导了ARGLR类参数化距离扩展目标检测器。在不同检测场景中,通过对运用三种不同检验准则推导得出的三类参数化距离扩展目标检验统计量进行渐进性能分析,指出它们具有相同的渐进分布,并对于杂波功率水平以及协方差矩阵都表现出渐进CFAR特性。在三类检测方法中,所提出的Rao检验类参数化检测器具有最为简便的算法结构,而自适应ARWald检测器在复合高斯杂波环境中表现出最佳的检测性能:
2.研究了复合高斯有色背景杂波中的空时目标自适应检测问题。依据两步GLRT设计方法提出不需要杂波纹理分布信息的次优参数化空时目标检测器——CG-PGLRT,该算法适合于所有可用复合高斯模型表示的非高斯背景杂波中的检测需求。在检测问题中,使用多通道AR(MAR)过程建模背景干扰,表征干扰的空时相关特性,以此将干扰空时协方差矩阵的估计问题进行转化,从整体上减少了检测过程中待定参量的数量。然后,将随机的复合高斯杂波纹理分量看作待定的确定性参数,在假设MAR杂波模型系数矩阵确知的前提下,利用GLRT准则提出了相应的检验统计量;
3.研究了复合高斯MAR杂波模型系数矩阵辨识算法。常规非参数化STAP检测器使用估计的全维空时协方差矩阵进行空时数据预白化处理,而自适应CG-PGLRT算法将预白化处理分作时域预白化和空域预白化两步完成,并且,这两步分别由估计的MAR模型系数矩阵AH和Q执行。参量AH和Q估计量的求取过程依据最大似然(ML)准则,并结合复合高斯分布的特点,借用了三种复合高斯散斑分量协方差矩阵估计策略的思想,包括样本协方差矩阵(SCM)、归一化样本协方差矩阵(NSCM)以及迭代渐进ML(AML)协方差矩阵估计算法,提出了三种MAR模型系数矩阵估计方法。将三组不同AH和Q估计量回代入次优CG-PGLRT检测器中,进而提出了三类自适应CG-PGLRT检测器。最后,评价了所提出三种检测算法的复杂度、CFAR性质和检测性能,并与适用于复合高斯杂波环境的非参数化自适应检测算法进行了比较;
4.研究了未知MAR模型建模阶数P情形下的递推参数化空时目标检测算法。检测问题背景依然采用复合高斯有色杂波模型描述。利用多通道列文森(Levinson)算法递推地求解多通道尤拉-沃克(Yule-Walker)方程可在一定阶数范围内解出对应所有阶数的建模系数矩阵AH和Q。在方程递推求解过程中,使用广义阿凯克信息准则(GAIC)进行建模阶数判定。确定出可能适合的阶数后,相应方程解即为适合的MAR模型建模参量AH和Q。将所有方程解回代入次优CG-PGLRT检测器中,提出了递推形式的CG-PGLRT检测算法;
5.讨论了复合高斯杂波背景中有偏自相关函数(ACF)估计量的计算方法。多通道Yule-Walker方程中的理想ACF应该替换为其估计量。同样考虑复合高斯分布的特点,提出了三种有偏ACF估计算法,分别可称为样本有偏ACF(SACF)、归一化样本有偏ACF(NACF)以及迭代最大似然有偏ACF(ReACF)估计器。基于这三种估计器可以得到三组不同的多通道Yule-Walker方程解P、AH和Q,进而提出了三种自适应的递推CG-PGLRT检验统计量;
6.研究了基于贝叶斯框架直接融入环境先验知识的自适应参数化空时目标检测算法。将复高斯MAR杂波模型的空域驱动噪声协方差矩阵Q建模为随机矩阵,并认为其服从可反映环境先验信息的复逆Wishart分布,矩阵分布自由度控制先验信息的融入程度。在此背景下,运用GLRT检验准则提出了两种基于先验知识(KA)的参数化STAP检测器。基于贝叶斯方法的KA检测技术不仅可以利用当前观测数据所提供的环境信息,还可以充分结合环境历史信息即先验知识,从而进一步降低了参数化检测方法对于辅助样本的需求量。新的KA参数化STAP检测器均可认为通过色加载先验协方差矩阵-Q的方式对于各自对应的非贝叶斯参数化STAP检测结构进行了修正。
另外,对于本论文所提出的自适应目标检测算法,都逐一分析了它们的实现步骤、分步以及总计算复杂度,并经过仿真验证。