李 翔,賈 杰

(南昌航空大學信息工程學院, 南昌 330000)

0 引言

在雷達信息提取之前,需要進行目標檢測。由于實際雜波環(huán)境中存在干擾目標,影響檢測過程,導致檢測器性能發(fā)生惡化。雷達利用回波信號來探測目標,而目標周圍常常存在各種干擾[1],雷達恒虛警檢測就是根據(jù)背景環(huán)境特性和要求選擇某種最優(yōu)檢測算法實現(xiàn)目標回波檢測。目前為止,研究人員已提出多種恒虛警技術(shù)。單元平均檢測算法(CA-CFAR)[2]在均勻環(huán)境下,檢測性能達到最優(yōu),在非均勻環(huán)境下,由于該算法無法有效剔除干擾單元,檢測性能發(fā)生嚴重惡化。為了改善非均勻環(huán)境下的檢測性能,Trunk和Hansen分別提出最小檢測算法(SO-CFAR)[3]和最大檢測算法(GO-CFAR)[4]。SO-CFAR能夠有效解決多目標干擾引起的目標掩蔽問題,當前后窗同時存在干擾時,檢測性能明顯下降,且在均勻環(huán)境下存在一定的CFAR損失。GO-CFAR主要針對邊緣環(huán)境下的目標檢測,當參考單元中存在干擾目標時,容易引起更大的損失。隨后研究人員相繼提出有序統(tǒng)計(OS-CFAR)[5],刪除平均(CMDL-CFAR)[6]和剔除平均(TM-CFAR)[7]等算法,在多目標環(huán)境下,能夠有效抑制干擾目標對檢測門限估計的影響,但在均勻環(huán)境下,存在較大CFAR損失,同時背景噪聲功率的估計賴于背景先驗信息。

文獻[8]提出基于支持向量機的CFAR檢測。利用參考單元先驗數(shù)據(jù)訓練SVM模塊,由當前參考單元的變異指數(shù)(VI)值產(chǎn)生決策函數(shù),CFAR模塊根據(jù)該函數(shù)產(chǎn)生適合當前環(huán)境的門限值。該算法運用機器學習的方法,自適應判斷環(huán)境特征,給出相應的門限值,但是訓練過程需要大量數(shù)據(jù)且計算成本較高。文獻[9]提出刪除單元平均CFAR算法。該算法利用當前參考單元的臨近單元計算該參考單元塊的門限值,判斷并剔除干擾單元,并及時更新參考單元以及相應的門限值。通過不斷遍歷更新,能夠準確剔除干擾單元,且CFAR損失較小,由于算法需要多次重復遍歷所有參考單元,計算量較大。文獻[10]提出一種改進的均勻雜波提取方法(AD-CFAR)。該方法通過K樣本Anderson-Darline檢驗的方法實現(xiàn)對參考單元塊的分類,剔除存在干擾的單元塊中的最大值,并與均勻雜波類合并求出門限值。該算法對雜波單元進行分塊處理,計算效率高,均勻環(huán)境下CFAR損失小。當某一參考單元塊中存在多目標時,檢測性能出現(xiàn)惡化。文獻[11]提出一種基于有序差分的自適應刪除單元平均CFAR檢測器。針對有序參考單元一階差分后的數(shù)據(jù),利用假設(shè)檢驗的方法剔除干擾單元,并用剩余檢測單元估計出背景噪聲功率。該方法計算簡單具有較好的魯棒性,但是無法剔除小功率干擾,影響檢測結(jié)果。文獻[12]提出一種基于KL散度和大津法聯(lián)合的方法對檢測背景進行分類。運用KL散度計算出檢測單元之間的分布距離,基于最大類間方差方法得到的分割閾值對分布距離進行分類,據(jù)此,檢測背景被分為均勻區(qū)域和非均勻區(qū)域。由于該算法依據(jù)數(shù)據(jù)先驗分布信息分別計算各個參考單元之間的KL散度,并且傳統(tǒng)最大類間方差方法(OTSU)對分布距離集合中的邊緣值存在錯分的情況,導致檢測性能難以達到理想狀態(tài)。

針對上述傳統(tǒng)最大類間方差方法的缺點,同時,為了充分利用均勻雜波單元信息估計背景噪聲功率,進一步提高多目標環(huán)境下CFAR檢測器的檢測性能,文中基于傳統(tǒng)最大類間方差方法,引入一階差分(FOD)和均方差思想,提出基于改進的最大類間方差恒虛警檢測算法(FOTSU-CFAR)。同時推導FOTSU-CFAR算法門限因子求解表達式。實驗對比表明:均勻環(huán)境下FOTSU-CFAR具有更小的CFAR損失;多目標環(huán)境下,具有更強的抗干擾能力;雜波邊緣環(huán)境下虛警控制能力更強。

1 檢測模型描述

假設(shè)只考慮單脈沖平方律檢測,檢測包絡服從瑞利分布,目標模型為SwerlingⅡ型[10],輸入到CFAR處理器中樣本單元統(tǒng)計獨立,且服從指數(shù)分布。檢測單元的二元假設(shè),H1表示有目標存在,H0表示僅存在雜波。二元假設(shè)檢驗的概率密度函數(shù)(PDF)為:

(1)

式中:μ是雜波與噪聲的總功率;λ是目標的信噪比;x表示參考單元隨機變量。

均勻雜波環(huán)境下,參考單元服從獨立同分布,概率分布函數(shù)(CDF)為:

(2)

2 FOTSU-CFAR原理

2.1 最大類間方差算法改進

針對小功率干擾,傳統(tǒng)的最大類間方差方法會將其錯分為均勻雜波單元,影響背景噪聲功率的估計,導致檢測性能降低。利用均方差值與有序差分的方法對傳統(tǒng)最大類間算法改進,能夠有效找出最佳閾值,改善小功率干擾錯分的情況,提高CFAR檢測性能。

取參考窗長度為N,參考單元分別為X={xi|i=1,…,N},設(shè)定閥值T取值范圍為整個參考單元功率值,在取定每個T值下,將X中元素分別與T比較,小于T的參考單元組成新樣本S0,大于T的組成新樣本S1:

(3)

給定上述兩新樣本的均方差分別為σ0、σ1:

(4)

(5)

在類間方差表達式中,以樣本均方差替換均值差的平方,則樣本S0、S1改進的類間方差表示為:

(6)

式中:w0、w1分別表示樣本S0、S1中元素個數(shù)占總樣本X的比例;μ表示總樣本X功率均值。

將閾值T遍歷參考單元功率值,根據(jù)上式得到相應閾值下的類間方差g,并按升序排序:

(7)

對排序后的類間方差做一階差分處理:

(8)

2.2 估計背景功率

(9)

(10)

3 門限因子的確定

當K個干擾目標位于不同的參考單元時,利用文中算法將干擾目標剔除后,整個滑窗被劃分成(K+1)個不連續(xù)子滑窗,對這些子滑窗不改變各自位置前提下依次進行前后銜接,形成新的均勻參考單元。每個子滑窗中包含的參考單元服從統(tǒng)計獨立且同分布,背景噪聲估計表示為:

(11)

根據(jù)矩母函數(shù)的性質(zhì),Z矩母函數(shù)(MGF)為:

(12)

由于每個部分內(nèi)部參考單元是均勻的,故OTSU-CFAR檢測器的虛警概率表示為:

(13)

式中:Aj表示第j個子滑窗估計的背景功率;φAj表示Aj的矩母函數(shù);Nj表示第j個子滑窗內(nèi)參考單元數(shù)目。門限因子α可由上式求得。

4 性能仿真分析

在MATLAB環(huán)境下,利用Monte-Cartlo多次實驗的方法,對提出的FOTSU-CFAR算法在均勻環(huán)境、多目標干擾環(huán)境和雜波邊緣環(huán)境下的檢測性能進行仿真分析。本次實驗設(shè)定目標類型為SwerlingⅡ型;仿真次數(shù)M=105;參考窗長N=36;在均勻環(huán)境和多目標干擾環(huán)境下的虛警率Pfa=10-6。

4.1 均勻環(huán)境下檢測性能仿真分析

圖1為均勻環(huán)境下FOTSU-CFAR與CA、SO、CMLD、OS、AD檢測性能比較的結(jié)果。OS序值k=24。由圖1可以得出:該背景下,CA-CFAR檢測性能最優(yōu);在信噪比RSN<27 dB時,FOTSU-CFAR檢測概率高于其他類比算法,CFAR損失更小,檢測性能接近CA-CFAR。

圖1 均勻環(huán)境下FOTSU-CFAR與其他檢測器性能比較

4.2 多目標干擾環(huán)境下檢測性能仿真分析

由于干擾目標可能存在于單側(cè)窗或雙側(cè)窗,考慮到干擾僅在單窗下,前沿干擾與后沿干擾情況類似,因此本實驗選定分析前沿窗干擾與雙窗干擾的情況。假定待檢測單元與干擾單元的功率相等。

圖2為前沿窗僅存在一個干擾的情況下,各個檢測算法的性能比較。CA-CFAR由于無法排除干擾的影響,檢測性能明顯惡化;在RSN<25 dB時,FOTSU-CFAR具有更高的檢測概率,這是因為相比于CMLD-CFAR、AD-CFAR刪除雜波塊的思想,FOTSU-CFAR算法更為有效的剔除雜波干擾單元,且充分利用剩余雜波單元信息估計背景噪聲功率。

圖2 前窗存在一個干擾下FOTSU-CFAR與其他檢測器性能比較

圖3為前后窗各存在一個干擾目標時,檢測算法的性能比較。由圖3可得出:FOTSU-CFAR檢測性能最好,略優(yōu)于AD-CFAR; SO-CFAR、CA-CFAR性能明顯惡化。這是由于前后窗均存在干擾,導致SO-CFAR和CA-CFAR估計出的雜波背景功率偏高,檢測概率明顯下降;CDML-CFAR將排序后末尾功率較大的參考單元刪除,能夠很好解決干擾目標對背景功率估計的影響;AD-CFAR采用Anderson-Darling檢驗的方法識別并剔除干擾雜波,由于檢測包絡服從瑞利分布,對剩余參考單元利用CA-CFAR方法估計背景功率,因此能夠較為充分的利用參考單元信息;FOTSU-CFAR運用改進的最大內(nèi)間方差的方法,能夠自適應識別并剔除干擾目標單元,最大程度上保留無干擾單元,檢測性能最優(yōu)。

圖3 前后窗均存在一個干擾下FOTSU-CFAR與其他檢測器性能比較

4.3 雜波邊緣環(huán)境下檢測性能仿真分析

圖4為RSN=5 dB時各個檢測器虛警控制性能?？梢钥闯?由于FOTSU-CFAR算法通過利用改進的最大內(nèi)間方差作為判決準則,有效剔除干擾單元,在Nc=16時,FOTSU-CFAR虛警尖峰最低,控制能力稍強于其他類比算法。

圖4 雜波邊緣下FOTSU-CFAR與其他檢測器性能比較

5 結(jié)論

針對傳統(tǒng)檢測算法對參考單元中存在小功率干擾目標剔除不完全,同時未能充分利用均勻雜波單元信息估計背景噪聲功率的問題,提出一種基于改進的最大類間方差方法的恒虛警算法。根據(jù)設(shè)定的閾值,計算改進的最大類間方差值,并對其進行一階差分處理找出最佳閾值,由該閾值將參考窗劃分出均勻雜波單元與干擾雜波單元,進而估計出背景噪聲功率,得到檢測門限。該算法克服了因干擾單元剔除的不完全而影響噪聲功率估計偏大,導致檢測性能嚴重下降的問題。在均勻環(huán)境下,文中提出的檢測算法相比于CA-CFAR仍存在一定的CFAR損失,但優(yōu)于其他對比的檢測算法;在多目標干擾環(huán)境下,檢測性能對比最優(yōu),具有更強的抗干擾能力。