复杂场景下多通道阵列自适应目标检测算法研究

摘要

雷达自适应目标检测是通过自适应方法从噪声或杂波背景中检测出目标，包括杂波抑制及检测算法设计。研究雷达自适应目标检测具有重要的理论意义，在军事和民用领域中都具有重要的地位和巨大的经济价值，包括对陆海领域的监视，防空预警，导航和武器制导等军事用途及交通检测、天气预测、地震探测和监控海面走私等民用用途。
　　典型的多通道阵列自适应检测通常基于均匀高斯噪声背景，且需要满足存在大量独立同分布的训练数据，目标导向矢量精确已知，目标视为点目标等条件。大量研究表明，实际中，由于距离、地理环境的空间变化、高大物体及其遮蔽、人造的强散射点杂波、阵列的特殊构型、雷达分辨率提高、干扰目标存在等因素，目标检测的背景条件变得非常复杂，杂波的统计特性呈现出非均匀非高斯特征、可用的训练数据有限、高分辨雷达系统下目标扩展到多个距离单元从而点目标模型不再适用、目标的导向矢量存在失配等。复杂背景严重影响了常规自适应检测器的性能。因此，研究复杂场景下稳健有效的检测算法对于实际应用至关重要。
　　本文针对复杂场景下多通道阵列自适应检测面临的训练样本数不足、噪声背景非高斯、导向矢量失配、子空间干扰等问题，充分利用协方差矩阵的结构特征、先验知识辅助等信息，考虑了部分均匀、复合高斯过程等多种非高斯背景，对复杂场景下自适应目标检测进行了系统研究，内容涵盖非高斯非均匀目标检测算法、距离扩展目标检测算法、稳健的波束形成、知识辅助的空时处理方法、参数化检测方法等方面，概括如下：
　　1、针对小样本导致检测性能急剧下降的问题，提出了反对称结构自适应检测算法。对于部分均匀环境，即待测单元的噪声数据与训练数据共享相同的协方差矩阵而差异一个标量乘积因子，提出了反对称部分均匀检测器，给出反对称结构下的数据模型，推导出检测统计量，并得出反对称结构下损失因子的统计分布，进而推导出其检测概率与虚警概率的解析表达式，从而更直观地分析了影响检测性能的因素。对于均匀环境，针对已有的反对称自适应匹配滤波器的检测概率未知的问题，推导出其检测概率的解析表达式。蒙特卡洛实验与理论结论的实验的一致性验证了所提方法的准确性与有效性，并且对样本数较小时的仿真结果证实了利用反对称结构可有效改善非均匀环境下样本稀缺时的检测器性能。
　　2、复合高斯过程是描述杂波非高斯性的统计分布中的一类重要代表。针对随机纹理复合高斯杂波背景中的自适应检测问题，提出了随机纹理复合高斯广义似然比检测算法。首先，将复合高斯过程中的纹理分量建模为一未知随机变量，该随机变量服从伽马、逆伽马或逆高斯分布。再根据广义似然比原理，推导出纹理随机的复合高斯杂波中的检测器，分析它的恒虚警特性。所提算法与传统方法的实验结果证实了所提方法在随机纹理复合高斯杂波背景下的有效性。
　　3、针对小样本条件下的自适应检测问题，提出了知识辅助的点目标自适应检测算法和距离扩展目标自适应检测算法。对于点目标，首先，建模协方差矩阵的共轭先验分布为复值逆维沙特分布，再根据复合高斯噪声纹理满足伽马分布，推导出复合高斯噪声中协方差矩阵的最大后验估计，最后基于最大后验协方差矩阵设计了 Rao检测器。随着高分辨雷达的发展，目标距离向尺寸大于距离分辨率时，目标跨越多个距离门因而称为距离扩展目标或分布式目标。对于距离扩展目标，首先，建模协方差矩阵的共轭先验分布为复值逆维沙特分布，再根据复合高斯噪声纹理满足逆伽马分布，给出复合高斯噪声中协方差矩阵的最大后验估计，推导出距离扩展目标的Rao检测及Wald检测器。仿真实验结果表明，复合高斯噪声背景下，当训练样本数较小时所提出的检测器性能优于传统的检测算法。
　　4、针对导向矢量失配和小样本导致的杂波抑制性能显著下降的问题，提出了知识辅助的一维波束形成及二维空时处理方法，包括以下三个方面：（1）提出了一种在小样本情况下具有稳健性的知识辅助的自适应波束形成方法。首先，根据最小均方误差准则估计组合协方差矩阵，然后利用最差性能最优约束建立波束形成问题，并通过二阶锥规划进行最优化求解。仿真结果证明，所提波束形成算法不仅对导向矢量失配稳健，而且对快拍数量较少导致的性能下降具有较好的改善。（2）提出了稳健的结构化波束形成算法。该方法分三步进行，首先对原始的训练数据进行滑窗预处理；然后对处理后的数据利用拓普利兹结构和中心厄米特结构构建新的协方差矩阵；最后根据导向矢量失配的角度域约束估计导向矢量。仿真结果表明，该方法对于导向矢量失配具有稳健性。此外，由小样本引起的性能恶化得到明显改善。（3）提出了一种知识辅助的二维空时自适应处理方法，该方法主要解决了色加载因子的求解问题，从而在独立同分布样本数较少时可以获得较好的杂波抑制性能。首先，给出了知识辅助的线性约束最小方差模型，再对该模型中的权矢量进行求解，得出含两个未知色加载因子的最优权矢量的表达式，然后给出了色加载因子的求解方法，并得出色加载因子与约束常数之间的关系。仿真结果表明输出信干噪比损失的性能得到较好改善，验证了该方法的正确性和有效性。
　　5、针对训练数据较少造成的检测性能急剧下降问题，提出了部分均匀环境中参数化检测算法。该算法针对部分均匀环境，采用多通道自回归过程建模噪声数据以建立参数化模型，给出了自回归过程下的噪声模型，并将子孔径平滑的概念引入到训练数据里（子孔径平滑技术提供了孔径损失与样本支持间的一个较好折中）。此外，还利用协方差矩阵的反对称结构特性来进一步降低对训练样本的要求。并基于前面的处理数据，推导了参数化协方差估计器，设计了部分均匀环境里参数化自适应一致估计检测器。最后，将所提算法的检测性能与其它检测算法进行比较，结果表明小样本情况下，其性能优于其它算法，能有效缓解小样本对检测性能的影响。
　　6、针对高分辨雷达下距离扩展目标的检测问题，提出了均匀和非均匀背景中存在子空间干扰的距离扩展目标检测算法。在贝叶斯框架下，给出了子空间数据模型，根据协方差矩阵的先验概率密度，基于广义似然比原理，推导出一步法的均匀噪声加子空间干扰的自适应检测算法和两步法的均匀噪声加子空间干扰的自适应检测算法。此外，还推导了非均匀背景子空间干扰存在的自适应检测算法。仿真实验证明，所提出贝叶斯检测算法在小样本条件下获得比现有方法更优的检测性能。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1研究背景与意义

1.2多通道阵列目标检测的发展历史

1.3复杂背景下自适应检测的研究背景

1.4本文的主要工作与组织结构

第二章 反对称结构自适应检测算法

2.1引言

2.2信号模型与问题提出

2.3反对称结构自适应检测算法

2.4实验与性能分析

2.5本章小结

第三章 随机纹理复合高斯杂波中自适应检测算法

3.1引言

3.2信号模型与问题描述

3.3自适应GLRT检测算法

3.4 CFAR性能分析

3.5实验与性能分析

3.6本章小节

第四章 复合高斯噪声中知识辅助的目标检测算法

4.1引言

4.2信号模型与问题描述

4.3知识辅助的目标检测算法

4.4实验与性能分析

4.5本章小节

第五章 知识辅助的阵列信号处理方法

5.1引言

5.2信号模型与问题提出

5.3知识辅助的阵列信号处理方法

5.4实验与性能分析

5.5本章小节

第六章 参数化多通道信号检测方法

6.1引言

6.2信号模型与问题提出

6.3参数化自适应信号检测方法

6.4计算复杂度分析

6.5实验与性能分析

6.6本章小节

第七章 子空间干扰的贝叶斯分布目标检测算法

7.1引言

7.2信号模型与问题提出

7.3贝叶斯分布目标检测算法

7.4实验与性能分析

7.5本章小节

第八章 总结与展望

8.1研究工作总结

8.2研究展望

附录A Per-ACE的统计分布

附录B β的统计分布

附录C H1下的统计分布

参考文献

致谢

作者简介