雷达距离扩展目标自适应智能融合检测方法

摘要

本发明公开了一种高距离分辨率雷达距离扩展目标自适应智能融合检测方法，属于雷达信号处理领域。在杂波背景未知情况下，为了克服现有距离扩展目标统计检测方法对杂波和目标环境适应能力差等不足，本发明提出一种距离扩展目标自适应智能融合检测方法；该方法对雷达回波一维距离像进行归一化处理，利用杂波一维距离像的数据域描述特征进行融合优化，建立单类支持向量机恒虚警率检测方法，通过调整核函数参数保证检测方法的恒虚警率特性，并依据检测结果更新杂波数据库；无需对杂波背景进行统计建模，适用于正负样本数量严重不对称的雷达目标检测环境，具有很强的虚警控制能力，运算量小便于工程实现，具有推广应用价值。

说明书

一、技术领域

本发明隶属于雷达信号处理领域，具体涉及一种距离扩展目标自适应智能融合检测方法。

二、背景技术

与常规低分辨率雷达相比，高距离分辨率雷达在抗干扰、反侦察、精确探测及成像、高 精度跟踪、目标识别等方面具有明显的优势，在现代军事和民用领域获得了广泛的重视和应 用，已经成为现代雷达发展的一个重要方向。与常规窄带雷达的“点目标”不同，高距离分 辨率雷达目标回波分布在不同的径向距离单元中，呈现为“一维距离像”，形成了“距离扩展目 标”。距离扩展目标信号具有很强的非平稳性和非线性特性，大多数现有的距离扩展目标检测 方法基于经典统计检验理论，检测方法的背景针对性过强，缺少对实际杂波环境变化和不同 目标信号的自适应能力，开展具有较强适应性的智能检测研究具有重要意义。

目前，智能信号处理在雷达目标识别等分类问题中得到了广泛应用，在雷达点目标检测 方面仍处于探索阶段，且往往忽略了虚警概率的控制问题。事实上，恒虚警率(CFAR)特性是 雷达目标自动检测过程中主要的技术指标之一，采用CFAR处理可使计算机不致因干扰太强 而过载，从而保证雷达信号处理系统的正常运行。

距离扩展目标CFAR检测问题可以等效为目标加杂波和纯杂波的二元分类问题。在众多 智能方法中，支持向量机本质上是一个二元分类器，其对二元分类问题具有独特的优势；相 对于神经网络等其他智能分类方法，它克服了大样本要求、维数灾难及局部极小等问题，以 结构化风险最小化为准则，具有很强的泛化能力，适合解决具有非平稳特性的距离扩展目标 非线性检测问题。

对于雷达距离扩展目标检测来说，一方面，目标出现的几率相对较小，可获得的纯杂波 样本数远远大于可获得的目标样本数，导致正负样本数量严重不对称，此时传统支持向量机 方法会出现很高的误判率；另一方面，不同雷达目标一维距离像千差万别，甚至同一目标在 不同姿态角下的一维距离像也存在很大差异，因此，很难将各种不同雷达目标归为一类。两 方面的因素均导致传统支持向量机方法难以满足雷达距离扩展目标检测的要求。在雷达杂波 背景未知情况下，通过多距离单元信息的合理融合，设计简单有效的距离扩展目标自适应智 能融合检测方法具有重要的现实意义。

三、发明内容

1.要解决的技术问题

在雷达杂波背景未知情况下，为了克服基于统计检验的目标检测方法与实际环境失配时 导致性能急剧下降、传统支持向量机方法误判率过高且无法克服正负样本数量严重不对称等 不足，本发明采用单类支持向量机(OCSVM)，提出一种简单有效的距离扩展目标自适应智能 融合检测方法。

2.技术方案

本发明所述距离扩展目标自适应智能融合检测方法包括以下技术措施：

步骤1从杂波数据库中提取训练样本

通过对待检测区域周围的无目标范围进行雷达照射，获得与待检测单元邻近的不包含目 标的杂波辅助数据，建立初始杂波数据库；从数据库中提取待检测区域周围的N个雷达杂波 一维距离像数据(x_i，i=1，...，N)作为训练样本，其中，由M个距离单元回波幅值组成的一维 距离像x_i可以表示为：

$x_i=[x_i\left(1\right),···,x_i\left(m\right)···,x_i\left(M\right)]---\left(1\right)$

式中，x_i(m)表示第i个训练样本x_i中第m个距离单元对应的幅值分量；

步骤2对训练样本进行归一化处理

对训练样本中的距离像x_i的每个元素分别进行能量归一化，得到归一化一维距离像 ${\stackrel{-}{x}}_i=[{\stackrel{-}{x}}_i\left(1\right),···{,\stackrel{-}{x}}_i\left(m\right)···,{\stackrel{-}{x}}_i\left(M\right)],$其中，

${\stackrel{-}{x}}_i\left(m\right)=\frac{x_i\left(m\right)}{\sqrt{{\Sigma }_{m=1}^M{\left|x_i\left(m\right)\right|}^2}},m=1,···,M---\left(2\right)$

步骤3利用训练样本对OCSVM进行训练，计算优化参数和虚警概率

首先，利用N个归一化的训练样本对OCSVM进行训练，对训练样本进 行融合提取，获得最优参数，即求解式(3)中L的极小值所对应的优化参数(α_i，i=1，...，N)：

$L=\underset{j=1}{\overset{N}{\Sigma }}\underset{i=1}{\overset{N}{\Sigma }}{\alpha }_i{\alpha }_{j}k({\stackrel{-}{x}}_i,{\stackrel{-}{x}}_j,\sigma )-\underset{i=1}{\overset{N}{\Sigma }}{\alpha }_{i}k({\stackrel{-}{x}}_i,{\stackrel{-}{x}}_i,\sigma )---\left(3\right)$

且需满足0≤α_i≤C和其中，C为惩罚因子，满足1/N≤C≤1，一般C取0.2～0.4， 为避免混淆，式中α_j与α_i含义相同，只是所用下标不同；表示参数为σ的核函数， 一般采用高斯核函数：

$k({\stackrel{-}{x}}_i,{\stackrel{-}{x}}_j,\sigma )=\exp \left(\frac{-{\left|\right|{\stackrel{-}{x}}_i-{\stackrel{-}{x}}_j\left|\right|}^2}{{\sigma }^2}\right)---\left(4\right)$

其次，在获得OCSVM的优化参数α_i后，可根据式(5)计算杂波被误判为雷达目标的概率 P_fa，即虚警概率：

$P_{\mathrm{fa}}=\frac{N_s}{N}---\left(5\right)$

其中，N_S表示N个训练样本中支持向量的个数，即满足α_i>0的优化参数的个数；

步骤4根据预设的虚警概率调整参数

为了达到预设的虚警概率P_FA，可将式(5)计算得到的虚警概率P_fa与预设值P_Fa进行比较， 若小于预设误差限q₀，则将当前优化参数记为最终的优化参数反之，若不小于预设误差限q₀，则做如下调整：若P_fa<P_FA，则根据二者的差 值大小适当减小核参数σ，若P_fa>P_FA，则根据二者的差值大小适当增大核参数σ；利用调 整后的核参数σ重复步骤3的操作，获得新的优化参数(α_i，i=1，...，N)，并根据式(5)计算相 应的虚警概率P_fa；

步骤5计算检测判决门限

根据P_fa与预设值P_FA的大小关系，重复步骤4的操作，直至小于预设误差 限q₀为止，并将此时的优化参数记为最终的优化参数利用某个满足 的参数计算雷达目标检测的判决门限T：

$T=k({\stackrel{-}{x}}_i-\underset{j=1}{\overset{N}{\Sigma }}{\tilde{\alpha }}_j{\stackrel{-}{x}}_j,{\stackrel{-}{x}}_i-\underset{j=1}{\overset{N}{\Sigma }}{\tilde{\alpha }}_j{\stackrel{-}{x}}_j,\sigma )---\left(6\right)$

步骤6对待检测的雷达回波一维距离像进行归一化处理和检测判决

对待检测区域的M个距离单元回波幅值(x(m)，m=1….，M)组成的雷达回波一维距离像 $x=[x\left(1\right),···,x\left(m\right)···,x\left(M\right)]$进行目标检测：

首先，对x进行归一化处理，得到归一化一维距离像其中，

$\stackrel{-}{x}\left(m\right)=\frac{x\left(m\right)}{\sqrt{{\Sigma }_{m=1}^M{\left|x\left(m\right)\right|}^2}},m=1,···,M---\left(7\right)$

然后，利用训练后的OCSVM对进行检测判决，若不等式(8)成立：

$k(\stackrel{-}{x},\stackrel{-}{x},\sigma )-2\underset{i=1}{\overset{N}{\Sigma }}{\tilde{\alpha }}_{i}k(\stackrel{-}{x},{\stackrel{-}{x}}_i,\sigma )+\underset{j=1}{\overset{N}{\Sigma }}\underset{i=1}{\overset{N}{\Sigma }}{\tilde{\alpha }}_i{\tilde{\alpha }}_{j}k({\stackrel{-}{x}}_i,{\stackrel{-}{x}}_j,\sigma )\ge T---\left(8\right)$

则判定待检测区域存在目标；否则，判定目标不存在；

步骤7根据检测结果更新杂波数据库

若步骤6中待检测区域被判定为不存在目标，则将一维距离像x加入杂波数据库进行更 新。

3.有益效果

与背景技术相比，本发明的有益效果是：

(1)在雷达杂波背景未知情况下，与基于统计检验的距离扩展目标检测方法相比，本发 明方法无需对杂波背景进行统计建模，避免了与杂波环境的失配，检测环境适应性强；

(2)与传统支持向量机方法相比，本发明方法能适用于正负样本数量严重不对称的雷达 目标检测环境，且运算量更小；

(3)本发明方法在保持CFAR特性的同时能适应不同目标环境，具有很强的泛化能力。

四、附图说明

图中，1.杂波数据库模块，2.归一化处理模块，3.OCSVM训练模块，4.参数计算与比 较模块，5.参数调整模块，6.检测门限计算模块，7.归一化处理模块，8.检测判决模块。

五、具体实施方式

下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本 发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变， 都落入本发明的保护范围。

参照说明书附图，本发明的具体实施方式分为以下几个步骤：

步骤1从杂波数据库中提取训练样本

通过对待检测区域周围的无目标范围进行雷达照射，获得与待检测单元邻近的不包含目 标的杂波辅助数据，建立初始杂波数据库；从杂波数据库模块(1)中提取待检测区域周围的N 个雷达杂波一维距离像数据(x_i，i=1，...，N)作为训练样本；

步骤2对训练样本进行归一化处理

将训练样本中的距离像x_i送入归一化处理模块(2)，按照式(2)进行归一化，得到归一化一 维距离像

步骤3利用训练样本对OCSVM进行训练，计算优化参数和虚警概率

将N个归一化的训练样本送入OCSVM训练模块(3)，设定惩罚因子 C=0.3、核参数初始值σ=1，并进行OCSVM训练，将获得的优化参数(α_i，i=1，...，N)送入 参数计算与比较模块(4)中根据式(5)计算虚警概率P_fa；

步骤4根据预设的虚警概率调整参数

在参数计算与比较模块(4)中将虚警概率P_fa与预设值P_FA进行比较，若小于 预设误差限q₀，则将当前优化参数记为最终的优化参数并将结果送入检测 门限计算模块(6)；反之，若不小于预设误差限q₀，则将虚警概率P_fa送入参数调 整模块(5)做如下调整：若P_fa<P_FA，则根据二者的差值大小适当减小核参数σ，若P_fa>P_FA， 则根据二者的差值大小适当增大核参数σ；将调整后的核参数σ送入OCSVM训练模块(3)， 重复步骤3的操作，获得新的优化参数(α_i，i=1...，N)，并由参数计算与比较模块(4)计算相 应的虚警概率P_fa；

步骤5计算检测判决门限

参数计算与比较模块(4)根据P_fa与预设值P_FA的大小关系，重复步骤4的操作，直至 小于预设误差限q₀为止，并将最终的优化参数送入检测门限计 算模块(6)；检测门限计算模块(6)利用某个满足的参数根据式(6)计算雷达目标检 测的判决门限T，并将门限T送入检测判决模块(8)；

步骤6对待检测的雷达回波一维距离像进行归一化处理和检测判决

将待检测区域中M个距离单元回波幅值组成的待检测数据x送入归一化处理模块(7)，根 据式(7)获得归一化一维距离像并将送入检测判决模块(8)；在检测判决模块(8)中，将带入不等式(8)与门限Ｔ进行比较：若不等式(8)成立，则判定待检测区域存在目标；否则，判 定目标不存在；

步骤7根据检测结果更新杂波数据库

若步骤6中待检测区域被判定为不存在目标，则将一维距离像x加入杂波数据库进行更 新。