摘要： 現(xiàn)有的矩陣恒虛警率（constant 1 alarm rate， CFAR）檢測器僅對單一極化回波進行處理，且計算復(fù)雜度較高，導(dǎo)致相關(guān)性信息使用不充分、檢測場景受限。對此，利用雙極化雷達回波計算協(xié)方差矩陣，通過提取其特征值來衡量回波間的關(guān)聯(lián)性，提出一種計算復(fù)雜度較低的基于雙極化最大特征值的檢測方法。首先，推導(dǎo)了以最大特征值作為幾何距離進行檢測的可行性。進一步，設(shè)計了可在實際場景中使用的基于雙極化最大特征值的矩陣CFAR檢測器。最后，通過實測海雜波數(shù)據(jù)驗證了所提方法的實際檢測能力。仿真結(jié)果表明，所提方法相比同樣使用最大特征值作為檢測統(tǒng)計量的最大特征值矩陣測度算法具有更好的雜波抑制效果，檢測性能也優(yōu)于非相參積累的單元平均CFAR檢測方法。

關(guān)鍵詞： 海雜波; 目標檢測; 特征值; 雙極化

中圖分類號： TN 957.51

文獻標志碼： A

DOI：10.12305/j.issn.1001-506X.2024.11.13

Dual-polarized maximum eigenvalue-based target detection in sea clutter environment

GUAN Jian， JIANG Xingyu^*， LIU Ningbo， DING Hao， HUANG Yong

（Institute of Information Fusion， Naval Aviation University， Yantai 264000， China）

Abstract： Due to the existing matrix constant 1 alarm rate （CFAR） detectors only processing single polarized echoes and their high computational complexity， the use of correlation information is insufficient and the detection scenario is limited. In this regard， a detection method based on the maximum eigenvalue of dual polarization is proposed， which utilizes the covariance matrix of dual polarization radar echoes to measure the correlation between echoes by extracting their eigenvalues and has lower computational complexity. Firstly， the feasibility of using the maximum eigenvalue as the geometric distance for detection is derived. Furthermore， a matrix CFAR detector based on dual polarization maximum eigenvalue is designed for practical use in real-world scenarios. Finally， the actual detection capability of the proposed method is verified through measured sea clutter data. Simulation results show that the proposed method has better clutter suppression performance and detection performance compared to the maximum eigenvalue matrix measurement algorithm， which also uses the maximum eigenvalue as the detection statistic. The detection performance is also better than the non coherent accumulation cell-averaging CFAR detection method.

Keywords： sea clutter; target detection; eigenvalue; dual polarization

0 引 言

海雜波背景下的目標檢測對于軍事和民用應(yīng)用都至關(guān)重要。由于海雜波對目標探測性能有嚴重的影響，其統(tǒng)計特性的研究變得非常必要且有意義。然而，在高分辨率雷達和低掠射角的應(yīng)用場景中，大量數(shù)據(jù)證明，海雜波的概率密度函數(shù)（probability density function， PDF）與K分布模型的差異性與高斯分布相比更小。另一方面，K分布模型對海雜波的長拖尾和時空相關(guān)特性擬合更好。因此，K分布是海雜波回波的充分統(tǒng)計模型，是一些文獻中流行和常用的模型^［1-2］。

針對K分布海雜波中的目標檢測問題，許多經(jīng)典檢測方法被提出。最經(jīng)典的處理器是基于多普勒功率譜密度估計的單元平均恒虛警率（cell-averaging constant 1 alarm rate， CA-CFAR）檢測器，其性能在均勻雜波環(huán)境下最優(yōu)，由快速傅里葉變換（fast Fourier transform， FFT）濾波器實現(xiàn)相干積分處理，稱為FFT-CA^［3］。然而，對于脈沖數(shù)受限的脈沖多普勒雷達，雜波譜展寬、濾波器組能量擴散等因素，會導(dǎo)致該檢測方案性能下降。

隨著信息幾何算法的進步，許多利用協(xié)方差矩陣的CFAR目標檢測方法可以有效改善上述缺點^［4-8］。其主要思路是用協(xié)方差數(shù)據(jù)矩陣代替每個檢測單元上的原始回波數(shù)據(jù)。相較FFT-CA等方法，矩陣CFAR檢測器受海雜波影響小^［9-11］，性能有進步。然而，其計算復(fù)雜度依舊較高，使得在具體場景中難以實際應(yīng)用。并且，因為僅單一使用一種極化方式的雷達回波，其沒有充分利用現(xiàn)代雷達的多極化探測能力。

綜上考量，本研究的主要內(nèi)容是，對海雜波背景中的目標設(shè)計一種計算低復(fù)雜度、多極化的檢測方案?？紤]到具有相關(guān)性的短脈沖和復(fù)雜雜波背景，最大特征值能夠方便且高效地記錄數(shù)據(jù)中最重要的部分。

目前，在陣列信號處理和多基地?zé)o源雷達等領(lǐng)域，許多基于特征值的檢測器已應(yīng)用于高斯噪聲環(huán)境^［12-15］。這些研究表明最大特征值在目標檢測中存在優(yōu)勢。受此啟發(fā)，針對海雜波背景下的目標檢測，本文利用兩種極化回波信號的互協(xié)方差矩陣的特征值來描述數(shù)據(jù)的相關(guān)性，并提出一種基于雙極化雷達回波的最大特征值的新方案，主要內(nèi)容如下。

（1） 分析了海雜波背景下，目標檢測問題在特征值域的似然比檢驗。然后，推導(dǎo)了檢驗統(tǒng)計量與最大特征值之間的關(guān)系。

（2） 為實現(xiàn)在實際場景中的目標檢測，設(shè)計了基于雙極化雷達回波最大特征值的矩陣CFAR檢測方法。由于所提方法使用最大特征值進行檢測且無需進行均值矩陣的估計，因此與現(xiàn)有的基于信息幾何的矩陣CFAR檢測方案相比，具有更低的計算復(fù)雜度。同時，其利用了HH（horizontal-horizontal）和VV（vertical-vertical）兩種極化方式的雷達回波，能夠充分挖掘目標和海雜波的區(qū)分度，提升檢測效果。

本文的其他部分組織如下。第1節(jié)介紹了由海雜波背景模型和雷達信號模型構(gòu)成的二元目標檢測模型。在第2節(jié)中，提出雙極化最大特征值檢測的新方法。第3節(jié)通過數(shù)據(jù)仿真驗證和分析了其在兩個數(shù)據(jù)通道下的檢測性能，并使用雙極化通道的實測數(shù)據(jù)，測試了所提方法在實際場景中的檢測性能。最后，在第4節(jié)中得出結(jié)論。

1 檢測模型

本節(jié)簡要介紹本文中使用海雜波進行目標檢測的二元假設(shè)檢驗?zāi)Ｐ汀?/p>

對海上目標進行檢測，在具體的一個檢測單元內(nèi)可以表達為

H₀y=c

y_l=c_l， l=1，2，…，N （1）

H₁y=s+c

y_l=c_l， l=1，2，…，N（2）

式中：y表示的是檢測單元內(nèi)的回波;y_l表示的是第l個參考單元內(nèi)的回波;N表示參考單元個數(shù)。H₀時，回波僅海雜波c;H₁時，回波除c波外，同時包含目標信號s=ap，其中a為復(fù)幅度，p為多普勒導(dǎo)向矢量。在此，假設(shè)s與c統(tǒng)計獨立。

海雜波c的K分布幅度PDF定義如下：

f（c）=2γΓ（ν）γc2^νK_ν－1（γc）（3）

式中：ν和γ分別是形狀參數(shù)和尺度參數(shù);Γ（·）是伽馬函數(shù);K_ν-1（·）是第二類修正貝塞爾函數(shù)。特別是，當ν值較小時，雜波更尖銳。海雜波c=τx，其中x為散斑分量，服從零均值復(fù)高斯分布;τ為紋理分量。相對于x， τ在時間上的變化更慢，兩個隨機變量相互獨立^［16-19］。

2 雙極化最大特征值檢測方法

矩陣CFAR檢測方法的實現(xiàn)方式如下：在各個分辨單元上，計算回波數(shù)據(jù)的協(xié)方差矩陣。建立流形，并將得到的矩陣與流形的點一一映射。建立幾何距離規(guī)則，并計算各待測單元的協(xié)方差矩陣和均值矩陣之間的幾何距離，將其作為檢測值，與統(tǒng)計門限進行判決，完成檢測任務(wù)。如圖1所示。

基于信息幾何方法的檢測性能主要受兩個因素影響。第一個是幾何測度的選擇;另一個是利用幾何測度對均值矩陣進行估計。為后續(xù)對比做準備，表1提供了不同矩陣CFAR檢測方法的幾何測度表格^［20-22］，包括LE（log-euclidean）測度、LD（log-determinant）測度、最大特征值矩陣測度（maximum eigenvalue matrix detection， MEMD）。

2.1 雙極化最大特征值檢測

對海雜波背景下的檢測單元上的二元假設(shè)檢驗?zāi)Ｐ瓦M行觀測向量的協(xié)方差矩陣計算得到：

式中：R_s和R_c分別表示信號和雜波的協(xié)方差矩陣;R_x是散斑分量x的協(xié)方差矩陣;u=E（τ），用于表示紋理分量的平均功率。

當τ已知時， H₀和H₁下的M維回波y服從的分布可表示為

p_y（y|τ，H₀）=1π^M|τ R_x|exp－1τy^HR^－1_xy（5）

p_y（y|τ，H₁）=1π^M|τ R_x|exp－1τ（y－ap）^HR^－1_x（y－ap）（6）

接收向量y的分布函數(shù)可以表示為

令f_sub（x）=∫^∞₀τ^－Mexp－1τxp_τ（τ）dτ，則似然檢測比可以表示為

Λ（y）=p_y（y|H₁）p_y（y|H₀）=f_sub（tr（（y－ap）（y－ap）^HR^－1_x））f_sub（tr（yy^HR^－1_x））gt;η（9）

由于f_sub（x）是定義域和值域都是（0，∞）的單調(diào)減函數(shù)，所以可以對式（9）取反函數(shù)得到

tr（（y-ap）（y-ap）^HR^-1_x） gt; f^-1_sub（η·f_sub（tr（yy^HR^-1_x）））（10）

對兩邊取相反數(shù)并加上相同項tr（yy^HR^－1_x），得到：

tr（yy^HR^-1_x）-tr（（y-ap）（y-ap）^HR^-1_x）=

tr（apy^HR^-1_x）+tr（ayp^HR^-1_x）-tr（a²pp^HR^-1_x）=

ay^HR^-1_xp+ap^HR^-1_xy-a²p^HR^-1_xp=

p^HR^-1_xp·a-p^HR^-1_xyp^HR^-1_xp+（p^HR^-1_xy）（p^HR^-1_xy）^Hp^HR^-1_xpgt;

tr（yy^HR^-1_x）-f^-1_sub（η·f_sub（tr（yy^HR^-1_x）））=η′（11）

由于a與τ是相互獨立的，所以可以利用最大似然估計方法進行a的估計，則

?ln（p_y（y|τ，H₁））?a=－p^HR^－1_xy+ap^HR^－1_xp=0（12）

?=p^HR^－1_xyp^HR^－1_xp（13）

同樣對向量p進行估計，其在取最大值時得到最大似然估計：

p^=argmaxpp^HR^－1_xyy^HR^－1_xpp^HR^－1_xp（14）

根據(jù)Rayleigh-Ritz定理^［23-25］，取廣義Rayleigh熵的最大值，有

maxp^HR^－1_xyy^HR^－1_xpp^HR^－1_xp=λ_max（yy^HR^－1_x）（15）

式中：λ_max（·）表示取最大特征值。

將a與p的估計值代入式（10）得到檢測式：

由正定矩陣的性質(zhì)：

λ_max（yy^HR^－1_x）≤λ_max（yy^H）·λ_max（R^－1_x）（17）

又因為特征值的有界性，存在一個正數(shù)φ，使得

λ_max（yy^HR^－1_x）=φ·λ_max（yy^H）·λ_max（R^－1_x）（18）

進一步，有基于回波數(shù)據(jù)的最大特征值檢測方法：

式中：η″為依賴于回波數(shù)據(jù)的門限。

使用兩種極化回波數(shù)據(jù)做互協(xié)方差矩陣計算，得到雙極化最大特征值檢測方法。

式中：y_H和y_V是一組雷達雙極化回波矢量;η_DP為依賴于雙極化雷達回波數(shù)據(jù)的門限。

2.2 基于雙極化最大特征值的矩陣CFAR檢測器

物理含義層面，特征值可以很好地捕獲相關(guān)矩陣的全局信息，最大特征值在特征值之和中占比最大，是對所提取的全局信息的總結(jié)^［24-28］。最大特征值作為檢測統(tǒng)計量，根據(jù)文獻［14］的證明，采用最大特征值作為檢測統(tǒng)計量時，可以保證算法的CFAR性質(zhì)。第2.1節(jié)的檢測方法，在使用時需要對散斑分量的協(xié)方差矩陣進行估計，而散斑分量是隨場景而不斷變化的。因此，在實際的雷達對海上目標檢測場景中，判決準則無法直接應(yīng)用。因此，本節(jié)根據(jù)矩陣恒虛警檢測器理論，對第2.1節(jié)的檢測統(tǒng)計量進行修正，結(jié)合單元平均恒虛警檢測的算法思想，提出一種基于雙極化最大特征值的檢測器（dual-polarized maximum eigenvalue-based detector， DMED）。本算法僅利用雙極化雷達接收回波的數(shù)據(jù)，既充分利用了接收數(shù)據(jù)的信息，又降低了計算復(fù)雜度，具有很好的檢測性能。

DMED算法流程如圖2所示，其詳細計算步驟如算法1所示。

2.3 復(fù)雜度的對比

從表1可以看出，基于幾何測度的檢測方案，一般都存在極高的復(fù)雜度，例如LD需要多次求矩陣的逆運算。這種高計算復(fù)雜度是由矩陣CFAR檢測方法需要對均值矩陣R^進行計算和幾何測度本身的復(fù)雜性帶來的。

根據(jù)表1提供的均值矩陣與幾何距離公式，計算MEMD、LD、LE等常見的基于幾何測度的矩陣CFAR檢測方法的復(fù)雜度，并與本文算法進行對比。對比結(jié)果如表2所示。本文以算法的加運算、乘運算的次數(shù)作為基本計算單位，以兩類運算的次數(shù)總計作為基本運算單位。按照算法設(shè)計中的一般標準，將進行一次特征值分解的運算記為M³的復(fù)雜度，其中M表示要處理的脈沖長度，n為所需迭代的次數(shù)。結(jié)果表明，本文所提的DMED算法與文獻［14］提出的MEMD算法，由于采用了最大特征值作為檢測統(tǒng)計量，減少了上述影響因素帶來的高復(fù)雜度。這些對比表明，所提方法在計算復(fù)雜度方面優(yōu)于常見的矩陣CFAR檢測方法。

3 測試與討論

3.1 雙極化通道數(shù)據(jù)試驗

3.1.1 仿真雙通道數(shù)據(jù)下的算法測試

海雜波背景下對仿真數(shù)據(jù)的檢測門限計算可以通過兩種方式進行。一種是由檢測統(tǒng)計量的PDF進行虛警概率的計算，進而得到相應(yīng)概率條件下的檢測門限值。另一種是通過蒙特卡羅仿真理論，進行獨立同分布實驗，得到相應(yīng)的檢測門限。

由于本文算法使用雙極化最大特征值作為檢測統(tǒng)計量，其PDF過于復(fù)雜，推導(dǎo)過程的繁瑣程度難以滿足仿真數(shù)據(jù)下測試的要求，所以本文使用蒙特卡羅仿真實驗獲得門限值。在本節(jié)中，模擬了兩個數(shù)據(jù)通道的數(shù)據(jù)，這里的數(shù)據(jù)不是針對兩種極化的，僅用作驗證雙通道數(shù)據(jù)對檢測性能提高的影響。

具體實驗仿真環(huán)境及測試參數(shù)如下：蒙特卡羅仿真實驗所進行的獨立同分布實驗次數(shù)為10⁶次，使用虛警概率P_fa=10^－4進行門限計算。實驗中，假設(shè)海雜波服從K分布，且使用球不變隨機過程法產(chǎn)生，無多普勒頻移，設(shè)置尺度參數(shù)γ=1。同時，脈沖重頻設(shè)為1 kHz，信雜比的范圍為-20～10 dB。

如圖3所示，將本文提出的檢測算法，與3種基于不同測度及均值矩陣估計的矩陣CFAR檢測算法進行檢測性能上的對比。圖3中，MEMD、LE、LD這3種矩陣CFAR檢測算法的幾何測度和均值矩陣的估計公式如表1所示。首先，假設(shè)脈沖序列長度為8，得到檢測概率與信雜比的關(guān)系變化圖如圖3（a）所示?？梢钥吹?，本文所提的DMED檢測方法，對比其他3種測度的矩陣CFAR檢測方法，取得了較為明顯的性能改進，能在更低的信雜比條件下，達到同等的檢測概率。較為顯著的，比如在-5～0 dB的信雜比區(qū)間內(nèi)，要達到相同的檢測概率，DMED算法要比MEMD算法檢測性能高2 dB左右。再例如，DMED檢測算法在-1 dB時達到0.9的檢測概率，而LD算法要在8 dB左右時才能達到相同的檢測概率。綜合來看，在脈沖序列長度為8的條件下，脈沖數(shù)較小，使得特征值的擴展較大，從而能更好地捕捉目標與雜波之間的差異，尤其是采用雙數(shù)據(jù)通道的回波數(shù)據(jù)，更有利于提升檢測性能。緊接著，對比在脈沖數(shù)較多的條件下性能差異。假設(shè)脈沖序列長度為16，幾種算法的性能效果如圖3（b）所示?？梢钥闯?，在該條件下，所提的DMED檢測性能更優(yōu)。例如，在信雜比為-1 dB的條件下，DMED的檢測概率比MEMD高0.25，比LE高0.8。造成這種性能提升的原因之一是，隨著雷達脈沖序列的變長，目標回波的信號時間相關(guān)性提升，而海雜波的相關(guān)性相對無提升與降低，所以使用雙數(shù)據(jù)通道的最大特征值檢測方法可以更好地區(qū)分目標與信號。

最后，測試海雜波形狀參數(shù)對檢測方法的性能影響。通過調(diào)整v來模擬不同海況下的拖尾程度。本節(jié)在不同形狀參數(shù)的海雜波條件下，對所提算法進行檢測性能的計算。為使展現(xiàn)效果更簡潔，本測試采用性能較好的LD測度算法作為對照，形狀參數(shù)v分別取0.2，0.6，1和3進行性能曲線的繪制。測試結(jié)果如圖4所示。可以看到，在v=3時，檢測條件屬于低海況，此時海雜波概率密度函數(shù)的拖尾情況不明顯，兩種算法的檢測能力近乎相同。隨著v取值的減小，可以看出，兩種算法的性能逐漸下降，但二者的區(qū)分度逐漸增加，DMED算法檢測性能明顯優(yōu)于LD測度算法。這是由于隨著形狀參數(shù)趨于0.1，海雜波出現(xiàn)明顯拖尾，海況提升，海尖峰影響增大。綜合各曲線可以看出，在不同形狀參數(shù)的條件下，DMED算法性能均優(yōu)于LD測度算法，且v越小時差別越大。

3.1.2 實測雙極化通道數(shù)據(jù)試驗

本節(jié)中，使用HH和VV兩種極化通道的實測海雜波和目標數(shù)據(jù)來計算互協(xié)方差矩陣，與單極化通道數(shù)據(jù)的協(xié)方差矩陣進行對比。所使用的實測數(shù)據(jù)來自“海上探測雷達數(shù)據(jù)共享計劃”^［29-31］。

互協(xié)方差矩陣常表示為

式中：M為脈沖長度。

考慮到實際條件中樣本點數(shù)過少，且僅利用其相關(guān)性關(guān)系，采用時間平均代替統(tǒng)計平均。并取共軛，得到：

式中：

計算海雜波單元、目標單元在單極化、雙極化數(shù)據(jù)通道中的協(xié)方差矩陣、互協(xié)方差矩陣，用矩陣元素的模來表征其能量，如圖5和圖6所示。分別計算各個矩陣的特征值，并從大到小進行排序，得到海雜波和目標特征值的下降趨勢如圖7所示。

對比可以看出，無論是單極化數(shù)據(jù)還是雙極化數(shù)據(jù)，目標矩陣的總能量及其對應(yīng)的特征值都強于海雜波矩陣。因此，在使用單數(shù)據(jù)通道數(shù)據(jù)的檢測方法時，如MEMD，在低海況下也可以完成目標檢測。

然而，通過對比使用單、雙極化通道數(shù)據(jù)時協(xié)方差矩陣中的能量分布，可以看出，目標單元在使用雙極化通道數(shù)據(jù)時，能量分布相比單極化數(shù)據(jù)通道更廣，同時整體能量不降低，而海雜波單元能量變得分散。同時，與單極化數(shù)據(jù)通道相比，使用雙極化數(shù)據(jù)后，海雜波的特征值減小，目標的特征值增大，這可以增加目標和海雜波之間的區(qū)分度，從而實現(xiàn)更好的檢測。

比較圖7中海雜波和目標的特征值大小的趨勢。無論是否使用雙極化信道數(shù)據(jù)，目標的特征值都會急劇下降，其最大特征值約占特征值總和95%以上。相反，海雜波的特征值下降得慢。這證明了使用最大特征值而不是特征值之和的優(yōu)勢，即能夠最大限度地提取目標和海雜波之間的差異。

3.2 基于實測海雜波數(shù)據(jù)及真實預(yù)設(shè)目標的測試

本節(jié)使用實測海雜波和真實預(yù)設(shè)目標數(shù)據(jù)測試所提方法的檢測能力^{［24，30-31］}。極化方式分別為HH極化和VV極化，距離分辨率為6 m，發(fā)射峰值功率為100 W。

目標設(shè)定為兩個燈光浮標，分別距離雷達2.97 nmiles、3.19 nmiles，錨定漂浮，如圖8所示。

試驗獲取的氣象水文數(shù)據(jù)，來自于海洋預(yù)報APP，數(shù)值每3 h更新一次，其海浪與海風(fēng)要素的數(shù)據(jù)源為美國全球預(yù)報系統(tǒng)。數(shù)據(jù)長度為2¹⁷點，1 000個距離采樣點。試驗數(shù)據(jù)包括海況等級2～5級，受篇幅限制，分別選取4種海況下各一組采集數(shù)據(jù)進行詳細信息的展示，如圖9所示。

對數(shù)據(jù)集^［30］中采集到的71組實測數(shù)據(jù)，先采用滑窗進行分段，分段長度為1 024點，相鄰數(shù)據(jù)段之間重疊64點，再進行本文所提算法的目標檢測試驗，并采用非相參積累的CA-CFAR檢測方法、MEMD檢測方法進行檢測性能的對比。統(tǒng)計在不同虛警概率條件下，各海況共計144 343組實測海雜波及目標數(shù)據(jù)的檢測結(jié)果，計算檢測概率并繪制各海況接收操作特征（receiver operating characteristics， ROC）曲線圖如圖10所示，各方法對比曲線圖如圖11所示。

通過圖10可以看出，在虛警概率為10^-4的條件下，所提DMED方法對中低海況下的海上目標仍具有很好的檢測效果。在高海況條件下，檢測概率受虛警概率設(shè)置影響較大，但通過后文在各海況具體分析和對比中可以看出，相比非相參積累的CA-CFAR檢測方法和MEMD檢測方法，仍具有一定優(yōu)勢。

通過對比圖11的全體數(shù)據(jù)檢測概率統(tǒng)計圖可以發(fā)現(xiàn)，使用兩個通道數(shù)據(jù)的DMED算法，相比非相參積累的CA-CFAR檢測方法和MEMD檢測方法，檢測性能都有所上升。在虛警概率為10^-4時，檢測概率分別提升15%、10%;在虛警概率為10^-2時，檢測概率分別提升10%、5%左右。

對所得結(jié)果，分別選取4種海況下各一組數(shù)據(jù)進行展示，如圖12～圖15所示。其中，虛警概率為10^-4。由于檢測值和門限值數(shù)量級過大，無法反映其相對大小關(guān)系，所以門限對比圖以dB圖的形式展示。

如圖12所示，在2級海況條件下，位于第508距離單元處的浮漂目標1的信雜比為25.43 dB，目標回波強度較高，通過3種算法均可做到有效檢測。但第677距離單元處的漂浮目標2，回波強度較弱，僅DMED和MEMD成功檢測，非相參積累的CA-CFAR檢測方法未通過檢測門限。說明在弱目標檢測上，基于最大特征值的兩種算法有較好的檢測能力。

當海況條件上升至3級時，如圖13所示，雖然兩個目標在所在距離單元處的信雜比變化不大，但海雜波整體能量隨著浪高等因素有所增強，對檢測產(chǎn)生了較大影響。相比本文所提的DMED算法，MEMD算法在海雜波所在單元上的檢測值已經(jīng)逼近檢測門限。

進一步地，當4級海況時，如圖14所示，海況變得惡劣，兩個目標的檢測都受海雜波較強的影響。浮漂目標1依舊可以通過3種檢測方法成功檢測。MEMD雖然可以檢測到浮漂目標2，但是其出現(xiàn)了多處虛警情況。這一方面是由于許多距離單元處的海雜波強度較高，另一方面是由于單一極化通道的信號回波僅能判斷此極化下的信號相關(guān)性。作為對比，同條件下，DMED由于參考了兩種極化通道間的信號相關(guān)性，雖然也受海況較強影響，但依舊完成了兩個目標的檢測，沒有造成虛警。

最后，當海況達到5級時，環(huán)境影響已經(jīng)非常惡劣，如圖15所示。浮漂目標1的信雜比已經(jīng)很低，浮漂目標2已經(jīng)完全淹沒在海雜波中。此條件下，非相參積累的CA-CFAR檢測方法無法檢測到目標。MEMD算法可以檢測到目標1，但其虛警已經(jīng)非常頻繁，喪失了檢測判決的可靠性。DMED算法可以檢測到目標1，且虛警次數(shù)相對而言較少，體現(xiàn)了其較好的檢測性能。

4 結(jié) 論

本文針對海雜波背景下的目標探測問題，將基于幾何測度的矩陣CFAR方法與CA-CFAR算法相結(jié)合，推導(dǎo)并設(shè)計了DMED。相較現(xiàn)有幾何檢測器，本檢測方法方案具有無需估計均值矩陣、計算復(fù)雜度較低的優(yōu)勢，同時由于利用了雙極化數(shù)據(jù)，對海雜波具有更好的抑制效果。之后，利用仿真和實測的海雜波數(shù)據(jù)對所提方法的檢測效果進行了測試，結(jié)果證明其相比同樣使用最大特征值作為檢測統(tǒng)計量的MEMD算法具有更好的雜波抑制效果，檢測性能也優(yōu)于非相參積累的單元平均恒虛警檢測方法。綜上所述，本文所提出的DMED算法是一種性能優(yōu)良的目標檢測方法。

參考文獻

［1］丁昊， 董云龍， 劉寧波， 等. 海雜波特性認知研究進展與展望［J］. 雷達學(xué)報， 2016， 5（5）： 499-516.

DING H， DONG Y L， LIU N B， et al. Research progress and prospect of sea clutter characteristic cognition［J］. Journal of Radars， 2016， 5（5）： 499-516.

［2］丁昊， 劉寧波， 董云龍， 等. 雷達海雜波測量試驗回顧與展望［J］. 雷達學(xué)報， 2019， 8（3）： 281-302.

DING H， LIU N B， DONG Y L， et al. Overview and prospects of radar sea clutter measurement experiments［J］. Journal of Radars， 2019， 8（3）： 281-302.

［3］ARMSTRONG B C， GRIFFITHS H D. CFAR detection of fluctuating targets in spatially correlated K-distributed clutter［J］. IEE Proceedings. Part F （Radar and Signal Processing）， 1991， 138（2）： 139-152.

［4］SEPULCHRE R， ABSIL P A， MAHONY R. Optimization algorithms on matrix manifolds［M］. Princeton： Princeton University Press， 2008.

［5］BARBARESCO F. Innovative tools for radar signal processing based on Cartan’s geometry of SPD matrices amp; information geometry［C］∥Proc.of the IEEE Radar Conference， 2008： 1370-1375.

［6］BARBARESCO F. New foundation of radar Doppler signal processing based on advanced differential geometry of symmetric spaces： Doppler matrix CFAR and radar application［C］∥Proc.of the International Radar Conference， 2009： 110-116.

［7］ARNAUDON M， BARBARESCO F， YANG L. Riemannian medians and means with applications to radar signal processing［J］. IEEE Journal of Selected Topics in Signal Processing， 2013， 7（4）： 595-604.

［8］DECURNINGE A， BARBARESCO F. Robust Burg estimation of radar scatter matrix for autoregressive structured SIRV based on Fréchet medians［J］. IET Radar， Sonar amp; Navigation， 2017， 11（1）： 78-89.

［9］華小強. 基于矩陣信息幾何的雷達目標檢測方法研究［D］. 長沙： 國防科學(xué)技術(shù)大學(xué)， 2018.

HUA X Q. Research on radar target detection method based on matrix information geometry［D］. Changsha： National University of Defense Technology， 2018.

［10］CHENG Y Q， HUA X Q， WANG H Q， et al. The geometry of signal detection with applications to radar signal processing［J］. Entropy， 2016， 18（11）： 381-398.

［11］ZHAO X G， WANG S Y. An improved matrix CFAR detection method base on KL divergence［J］. Jouranal of Eletronics amp; Information Technology， 2016， 38（4）： 934-940.

［12］BESSON O， SCHARF L， VINCENT F. Matched direction detectors and estimators for array processing with subspace steering vector uncertainties［J］. IEEE Trans.on Signal Processing， 2005， 52（12）： 4453-4463.

［13］BESSON O， KRAUT S， SCHARF L. Detection of an unknown rank-one component in white noise［J］. IEEE Trans.on Signal Processing， 2006， 54（7）： 2835-2839.

［14］ZHAO W J， CHANG L. Maximum eigenvalue-based target detection for the K-distributed clutter environment［J］. IET Radar， Sonar amp; Navigation， 2018， 12（11）： 1294-1306.

［15］孫國皓. 基于協(xié)方差矩陣結(jié)構(gòu)特征的機載雷達空時處理［D］. 成都： 電子科技大學(xué)， 2005.

SUN G H. Airborne radar space-time processing based on structural characteristics of covariance matrix［D］. Chengdu： University of Electronic Science and Technology of China， 2019.

［16］WATTS S. Modeling and simulation of coherent sea clutter［J］. IEEE Trans.on Aerospace and Electronic Systems， 2012， 48（4）： 3303-3317.

［17］GINI F， FARINA A. Vector subspace detection in compound Gaussian clutter. Part I： survey and new results［J］. IEEE Trans.on Aerospace and Elctronic System， 2002， 38（4）： 1295-1311.

［18］GINI F， FARINA A， MONTANARIM M. Vector subspace detection in compound Gaussian clutter. Part II： performance analysis［J］. IEEE Trans.on Aerospace and Elctronic System， 2002， 38（4）： 1312-1323.

［19］TULINO A M， VERDU S. Random matrix theory and wireless communications［J］. Foundations and Trends in Communications and Information Theory， 2004， 1（1）： 1-182.

［20］HUA X Q， CHENG Y Q， WANG H Q， et al. Geometric means and medians with applications to target detection［J］. IET Signal Processing， 2017， 11（6）： 711-720.

［21］HUA X Q， CHENG Y Q， LI Y B， et al. Target detection in sea clutter via weighted averaging filter on the Riemanian［J］. Aerospace Science and Technology， 2017， 70： 47-54.

［22］HUA X Q， CHENG Y Q， WANG H Q， et al. Matrix CFAR detectors based on symmetrized Kullback-Leibler and total Kullback-Leibler divergences［J］. Digital Signal Processing， 2017， 69： 106-116.

［23］DE-MAIO A， ORLANDO D， SOLOVEYCHIK I. Invariance theory for adaption detection in interference with group symmetric covariance matrix［J］. IEEE Trans.on Signal Processing， 2016， 64（23）： 6299-6312.

［24］RATNARAJAH T， VAILLANCOURT R， ALVO M. Eigenvalues and condition numbers of complex random matrices［J］. SIAM Journal on Matrix Analysis and Applications， 2004， 26（2）： 441-456.

［25］張賢達. 矩陣分析與應(yīng)用［M］. 2版. 北京： 清華大學(xué)出版社， 2013： 285-323.

ZHANG X D. Matrix analysis and applications［M］. 2nd ed. Beijing： Press of Tsinghua University， 2013： 285-323.

［26］ZHAO W J， JIN M L. Maximum eigenvalue matrix CFAR detection using pre-processing in sea clutter［J］. IEEE Access， 2019， 7： 91414-91426.

［27］趙文靜， 劉文龍， 金明錄. 海雜波環(huán)境下改進的中值矩陣檢測方法［J］. 系統(tǒng)工程與電子技術(shù)， 2018， 40（10）： 2173-2179.

ZHAO W J， LIU W L， JIN M L. Modified median matrix detection method for sea clutter environment［J］. Systems Engineering and Electronics， 2018， 40（10）： 2173-2179.

［28］ZHAO W J， CHANG L， LIU W L. Spectral norm based mean matrix estimation and its application to radar target CFAR detection［J］. IEEE Trans.on Signal Processing， 2019， 67（22）： 5746-5760.

［29］劉寧波， 董云龍， 王國慶， 等. X波段雷達對海探測試驗與數(shù)據(jù)獲?。跩］. 雷達學(xué)報， 2019， 8（5）： 656-667.

LIU N B， DONG Y L， WANG G Q， et al. Sea-detecting X-band radar and data acquisition program［J］. Journal of Radars， 2019， 8（5）： 656-667.

［30］劉寧波， 董云龍， 王國慶， 等. X波段雷達對海探測試驗與數(shù)據(jù)獲取年度進展［J］. 雷達學(xué)報， 2021， 10（1）： 173-182.

LIU N B， DONG Y L， WANG G Q， et al. Annual progress of the sea-detecting X-band radar and data acquisition program［J］. Journal of Radars， 2021， 10（1）： 173-182.

［31］關(guān)鍵， 劉寧波， 王國慶， 等. 雷達對海探測試驗與目標特性數(shù)據(jù)獲取——海上目標雙極化多海況散射特性數(shù)據(jù)集［J］. 雷達學(xué)報， 2023， 12（2）： 456-469.

GUAN J， LIU N B， WANG G Q， et al. Sea-detecting radar experiment and target feature data acquisition for dual polarization multistate scattering dataset of marine targets［J］. Journal of Radars， 2023， 12（2）： 456-469.

作者簡介

關(guān) 鍵（1968—），男，教授，博士研究生導(dǎo)師，博士，主要研究方向為海上目標探測、雷達海雜波特性、弱目標檢測。

姜星宇（1997—），男，博士研究生，主要研究方向為雷達目標檢測、海雜波抑制、特征表征。

劉寧波（1983—），男，副教授，碩士研究生導(dǎo)師，博士，主要研究方向為雷達海雜波認知抑制、目標特征檢測識別。

丁 昊（1987—），男，講師，博士，主要研究方向為海雜波特性認知、雷達目標檢測。

黃 勇（1979—），男，副教授，碩士研究生導(dǎo)師，博士，主要研究方向為雷達目標檢測、MIMO雷達信號處理。