基于线性融合的被动多基站雷达目标检测方法
阅读说明：本技术 基于线性融合的被动多基站雷达目标检测方法 (Passive multi-base-station radar target detection method based on linear fusion ) 是由 赵红燕 雷旭鹏 李灯熬 李朋伟 李付江 李窦哲 程俊兵 于 2021-07-14 设计创作，主要内容包括：本发明属于被动雷达目标检测技术领域,具体为一种基于线性融合的被动多基站雷达目标检测方法；具体步骤为：建模参考通道和监测通道信号的表达式；通过对两个通道的接收信号做互相关处理得到被动雷达各接收基站的局部检验统计量；建立关于参考通道的信噪比,监测通道的信噪比、干燥比的线性表达式表征各个基站的检测性能,并使用熵权法确定基站上述三个参数的系数值；根据上一步得到的基站检测性能指标,确定各个基站局部检验统计量线性融合时的权系数向量,进而确定全局检验统计量,将上述全局统计量与门限相比做出目标检测判定；本方法可以有效利用基站提供的信息,获得较高的目标检测概率。(The invention belongs to the technical field of passive radar target detection, in particular to a passive multi-base-station radar target detection method based on linear fusion; the method comprises the following specific steps: modeling expressions of reference channel and monitoring channel signals; performing cross-correlation processing on the received signals of the two channels to obtain local test statistics of each receiving base station of the passive radar; establishing a signal-to-noise ratio of a reference channel, monitoring the linear expressions of the signal-to-noise ratio and the drying ratio of the channel to represent the detection performance of each base station, and determining the coefficient values of the three parameters of the base station by using an entropy weight method; according to the base station detection performance index obtained in the last step, determining weight coefficient vectors when local test statistics of each base station are linearly fused, further determining global test statistics, and comparing the global statistics with a threshold to make target detection judgment; the method can effectively utilize the information provided by the base station to obtain higher target detection probability.)
技术领域
本发明属于雷达技术领域，涉及被动雷达目标检测技术，特别是一种基于线性融合的被动多基站雷达目标检测方法，在直达波残留的情况下，将各基站的局部检验统计量加权融合以提高检测性能。
背景技术
被动雷达是指本身不配置发射机，主要通过截获已经存在的电磁信号进而实现目标探测的雷达系统。被动雷达具有抗干扰、反隐身、抗低空袭击、抗反辐射导弹、系统体积小成本低等优势，表现出了突出的作战战略意义和作战战术价值以及实际应用前景，吸引了研究人员的大量关注。
根据选用机会源的数目和接收基站的数目，被动雷达可以分为单源单接收基站被动雷达、单源多接收基站被动雷达、多源多接收基站被动雷达。雷达的首要任务就是在噪声背景中检测出感兴趣的目标，只有具备了这样的功能，雷达才能给操作人员提供有效的目标方位、距离和运动轨迹等信息。
目前被动雷达目标检测算法大致可以分为三大类，(1)基于能量的检测算法，该类检测算法由来已久，易于实现；(2)基于相关性的检测算法，该类检测算法旨在利用各基站采集到的数据间的相关性来判断目标回波是否存在；(3)基于广义似然比(GeneralizedLikelihood Ratio Test,GLRT)的检测算法；该类检测算法的本质是在未知的参数区间中搜寻似然比的最大化，即用未知参量的极大似然估计来代替未知参量，进而获得GLRT检验统计量，将问题转化为确知信号的统计检验。
随着被动雷达的不断改进，目标检测这一基本问题变得日益复杂，多样的信号种类以及接收基站的不同配置都对检测算法提出了更高的要求。
多基站被动雷达作为一种分布式系统，其中一类信号处理结构是将各基站接收到的原始观测数据直接上传到融合中心进行处理，这就需要大带宽的数据链路来传输各基站的原始信号。为避免信号上传所需传输带宽的限制，一个可行的办法就是在各个接收基站分别配备一个参考通道，其中参考通道主要接收来自外辐射源的辐射信号，每个基站分别对两个通道的观测数据进行处理得到对应的局部检验统计量，随后各基站将处理得到的局部检验统计量上传到融合中心，由中心给出全局判决。
直观上讲，检测性能较好的接收基站应该分配一个较大的权值，来增加其对全局判决的贡献。然而，由于系统检测性能和权系数之间的关系通常不能用一个明确的数学表达式来表示，就使得权系数的分配变得复杂。
发明内容
本发明克服了现有技术的不足，提供了基于线性融合的被动多基站雷达目标检测方法，本方法计算复杂度低，实时性强，相比于各基站权系数相等的传统的目标检测方法，本发明提供的目标检测方法的检测性能有明显提升。
为了达到上述目的，本发明是通过如下技术方案实现的：
基于线性融合的被动多基站雷达目标检测方法，包括以下步骤：
S1：确定监测通道和参考通道的接收信号模型，将第k个基站参考通道接收到的信号表示成：
其中bk表示从外辐射源到参考通道的衰落系数，s(n)为外辐射源的发射波形，为参考通道中的均值为0方差为的循环对称复高斯噪声；在所述信号模型的基础上建立雷达目标检测的二元假设检验模型。
S2：对每个基站的参考通道和监测通道信号进行互相关运算，得到每个基站的局部统计量
其中，*表示对信号取共轭，N为接收基站的信号采样点数；之后，将全部的局部统计量tk送至融合中心对数据进行融合，最终得到雷达目标检测的全局统计量如下：
其中w＝[w1，w2，w3，....wK]T，表示分配给各基站的权系数向量，T＝[t1，t2，t3，...tK]T，表示各基站的局部检验统计量构成的向量。
S3：确定基站的检测性能，通过SNR-R，SNR-S，INR-S三个参数来衡量基站性能；建立关于SNR-R，SNR-S，INR-S三个参数的线性组合表达式，用所述的线性组合表达式来表征基站的性能指标q。
S4：根据下式确定接收基站的权系数向量由此计算出全局统计量的值，将全局统计量与门限值进行比较完成目标的检测。
进一步的，对于步骤S1，当考虑直达波在监测通道中的残余，第k个监测通道接收到的信号表示成：
其中ak表示目标对信号的反射强度，ck表示直达波干扰信号的强度，τk为目标回波信号的时延，Ωk为由于目标的运动特性而产生的多普勒频移，为监测通道中的均值为0方差为的循环对称复高斯噪声。
进一步的，对于步骤S1，在所述信号模型的基础上建立雷达目标检测的二元假设检验模型，具体的，假设H0表示监测通道中不含目标回波；而假设H1表示监测通道中含有目标回波；构建雷达目标检测的假设检验模型如下所示：
进一步的，对于步骤S3，所述的线性组合表达式为：
q＝αSNR-R+βSNR-S+γINR-S
通过熵权法来确定各个参数的系数α，β，γ并由此计算各基站的性能指标qi＝αSNR-Ri+βSNR-Si+γINR-Si。
本发明相对于现有技术所产生的有益效果为：
与传统的被动雷达目标检测方法相比，本发明雷达检测方法对各基站处理过后的局部统计量进行上传，降低了信号传输所需的带宽；同时通过熵权法对各个基站的权系数进行优化分配，来增加性能较好的接收基站对全局判决的贡献，在计算复杂度未大幅提高的情况下获得了检测算法性能上的较大提升。
附图说明
图1是本发明所述多基站被动雷达的结构示意图。
图2是本发明所述多基站被动雷达目标检测方法的流程图。
图3是实施例在第一组基站参数设置下检测概率随虚警概率变化的计算机仿真结果示意图。
图4是实施例在第二组基站参数设置下检测概率随虚警概率变化的计算机仿真结果示意图。其中，图3和图4中，实线表示传统目标检测方法的检测概率平均值；虚线表示本发明提出的目标检测方法的检测概率平均值。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，结合实施例和附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。下面结合实施例及附图详细说明本发明的技术方案，但保护范围不被此限制。
多基站被动雷达的系统结构图如图1所示，系统由K个接收基站和一个非合作机会辐射源组成，各接收基站均配备有参考通道和监测通道，分别用来接收机会源辐射的直达波和目标回波。
这里使用流程图将检测判决过程做一个简要概括，如图2所示，下面是检测算法的详细介绍。
实施例：
步骤1，确定两个通道的接收信号模型。参考通道采集由机会源辐射的直达波信号，第k个接收基站的参考通道接收到的信号可以表示成：
其中bk表示从机会源到参考通道的通道系数，s(n)为机会源辐射的波形，为均值为0方差为的循环对称复高斯噪声。
考虑直达波在监测通道中的残留，第k个接收基站的监测通道接收到的信号可以表示成：
其中ak表示目标对信号的反射强度，ck表示残留直达波干扰信号的强度，s(n)为源自机会源辐射的直达波残留，τk为目标回波信号的时延，Ωk为由于目标的运动而产生的多普勒频移，为均值为0方差为的循环分布复高斯噪声。
综合上述，雷达目标检测问题可以表示为下式所示的的二元假设检验，其中H0假设表示监测通道中不含目标回波，即不存在目标；假设H1表示检测通道中含有目标回波，即存在目标。
步骤2：对每个基站的参考通道和监测通道信号进行互相关运算，得到每个基站的局部统计量：
其中，*表示对信号取共轭，N为接收基站的信号采样点数。之后，我们将全部的局部统计量tk送至融合中心对数据进行融合，得到全局检验统计量如下：
其中w＝[w1，w2，w3，....wK]T，表示分配给各基站的权系数向量，T＝[t1，t2，t3，...tK]T，表示各接收基站的局部检验统计量构成的向量，可以看出全局检验统计量是各接收基站局部统计量的线性组合。由于各个基站的检测性能有所差异，因此可以给性能较好的接收基站分配一个较大的权值，来提高该接收基站对全局检测的贡献。
步骤3：确定各接收基站的权系数。基站的检测性能与许多参数有关，在考虑直达波残留的情况下，我们考虑以下三个主要的因素：参考通道信噪比，监测通道信噪比，监测通道干噪比，分别用SNR-R，SNR-S，INR-S表示。建立SNR-R，SNR-S，INR-S三个变量的线性组合表达式，用该指标来表征基站的性能，即：
q＝αSNR-R+βSNR-S+γINR-S
下面使用熵权法来确定各个参数的系数α，β，γ，下面是熵权法确定系数的具体步骤：
(1)对各个指标进行标准化：
假定第k个基站的SNR-R，SNR-S，INR-S记为[SNR-Rk,SNR-Sk,INR-Sk]，全部基站的SNR-R，SNR-S，INR-S构成的向量分别记为：
y1＝[SNR-R1,SNR-R2,...SNR-Rk,...SNR-RK]T
y2＝[SNR-S1,SNR-S2,...SNR-Sk,...SNR-SK]T
y3＝[INR-S1,INR-S2,...INR-Sk,...INR-SK]T
将上面的指标向量拼接成一个矩阵Y＝[y1,y2,y3]
对基站的SNR-R，SNR-S两个指标向量按照下式进行标准正向化：
对INR-S指标向量按照下式进行标准逆向化：
(2)计算概率：
(3)计算得到各个指标的信息熵(若pkj＝0pij＝0，则定义)
(4)计算各指标的差异系数：dj＝1-ej
(5)计算各指标的系数：
(6)得到各参数的系数向量[α,β,γ]＝[v1,v2,v3]
(7)计算各基站的性能指标qk＝α·SNR-Rk+β·SNR-Sk+γ·INR-Sk。
步骤4：按照上面得到的各个基站的性能指标，根据下式确定接收基站的权系数向量w
即w＝[w1,w2,...,wK]T，由此确定全局统计量T。
(8)确定全局统计量后，使用蒙特卡洛方法确定门限，并将该统计量与门限进行比较，完成目标存在与否的判决。其中，蒙特卡洛方法为本领域技术人员所熟知的技术手段，具体可参《统计信号处理基础》——估计与检测理论(Steven M.Kay著)，本发明实施例对此不作介绍。至此，本发明实施例的基于线性融合的被动多基站雷达目标检测方法结束。
验证例：
以下通过MATLAB仿真实验对本专利发明成果进行验证与说明。计算机仿真图如图3，4所示。
1、仿真参数设置：
仿真中假定基站数K＝3，采样点数N＝200。参考通道的噪声方差监测通道的噪声方差发射信号s服从均值u＝0，方差σ2＝1的复高斯分布。各接收基站的多普勒频移Ω＝[0.20π，0.06π，0.08π]，时延为τ＝[10，15，20]，图3中各基站的参数分别为SNR-R＝[1，-0.5，0.5]，SNR-S＝[-12，-25，-20],INR-S＝[0，1，-1]；图4中各基站的参数分别为SNR-R＝[1，0.5，-0.5]，SNR-S＝[-12，-25，-20],INR-S＝[-1，0，1]。
2、仿真内容
实验一：
各基站的参数分别设为SNR-R＝[1，-0.5，0.5]，SNR-S＝[-12，25，-20],INR-S＝[0，1，-1]。分别采用传统检测算法(各接收基站权值相等)和本发明中的检测算法进行100000次蒙特卡洛实验，统计不同虚警概率下的检测概率，并绘制检测概率随虚警概率变化的曲线图。
实验结果如图3所示，横坐标为虚警率(PFA)，其变化范围设置为10-4-10-1，纵坐标为检测概率(PD)，图例中“New”表示本发明提出的权值优化分配的目标检测算法,“Average”表示权值平均分配的传统检测器算法。
实验二：
各基站的参数分别设为SNR-R＝[1，0.5，-0.5]，SNR-S＝[-12，-25，-20],INR-S＝[-1，0，1]。分别采用传统检测算法(各接收基站权值相等)和本发明中的检测算法进行100000次蒙特卡洛实验，统计不同虚警概率下的检测概率，并绘制检测概率随虚警概率变化的曲线图。
实验结果如图4所示，横坐标为虚警率(PFA)，其变化范围设置为10-4-10-1，纵坐标为检测概率(PD)，图例中“New”表示本发明提出的权值优化分配的目标检测算法,“Average”表示权值平均分配的传统检测器算法。
3、仿真结果分析
从图3可以看出，本发明提出的目标检测算法的检测概率比传统目标检测算法的检测概率要高。图4中，本发明提出的目标检测算法的检测概率同样高于传统目标检测算法的检测概率。以上结论都可以充分说明本专利提出的方法具有一定的有效性和实用性。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种毫米波雷达非直视多目标定位方法