一種目標信號檢測方法及系統與流程

2023-09-24 05:07:50 1

本發明涉及雷達和聲納信號處理技術領域，尤其涉及一種目標信號檢測方法及系統。

背景技術：

雷達信號處理的基本目的是檢測感興趣目標於雷達回波中存在與否，而雷達回波不可避免地疊加了雜波和接收機噪聲。因此，雷達信號接收機必須對回波信號進行處理，確定其是否包含感興趣的目標，進而確定目標的距離、速度等信息。早期雷達系統需要根據個人經驗設定檢測門限來判斷目標存在與否。隨著自動檢測技術的發展，雷達檢測從開始的固定或半固定門限檢測發展到恆虛警率(cfar，constantfalsealarmrate)的自動檢測。

finn，h.m.等人發表的文章《adaptivedetectionmodewiththresholdcontrolasafunctionofspatiallysampledclutter-levelestimates》(rcvreview，vol.29，no.9，pp.414-464)中提出一種單元平均(cellaveraging，簡稱ca)cfar方法(以下簡稱ca-cfar)。ca-cfar在均勻雜波背景下具有很好的檢測性能，在雜波邊緣中會引起虛警率的上升，而在多目標環境中將導致檢測性能的下降。

hansen，v.g.等人發表的文章《detectabilitylossduetothegreatest-of-selectioninacellaveragingcfar》(ieeetrans.aerosp.electron.syst.，vol.16，pp.115-118)中提出一種最大選擇(greatestof，簡稱go)cfar方法(以下簡稱go-cfar)。go-cfar在雜波邊緣環境中具有很好的虛警控制性能，但是在多目標環境中會出現「目標遮蔽」現象，其檢測性能嚴重下降。

trunk，g.v.等人發表的文章《rangeresolutionoftargetsusingautomaticdetectors』》(ieeetrans.aerosp.electron.syst.，vol.14，no.5，pp.750-755)中提出一種最小選擇(smallestof，簡稱so)cfar方法，即so-cfar。(以下簡稱so-cfar)。當幹擾目標只位於前沿滑窗或後沿滑窗時，so-cfar具有較好的多目標分辨能力，但是在雜波邊緣中它的虛警控制能力很差。

rohling，h.等人發表的文章《radarcfarthresholdinginclutterandmultipletargetsituations』》(ieeetrans.aerosp.electron.syst.，vol.19，no.4，pp.608-621)中提出一種有序統計(orderedstatistics，簡稱os)cfar方法(以下簡稱os-cfar檢測器)。os-cfar檢測器在多目標環境中具有良好的分辨能力，相比ml類方法具有明顯優勢，但是os-cfar檢測器在均勻雜波背景下檢測性能和在雜波邊緣中它的虛警控制能力比ca-cfar要差。

farrouki，a.等人發表的文章《automaticcensoringcfardetectorbasedonordereddatavariabilityfornonhomogeneousenvironments》(ieeproc-radarsonarnaving，vol.152，no.1，pp.43-51)中提出一種基於排序數據方差(ordereddatavariability，簡稱odv)的自動刪除單元平均(acca，automaticcensoredcellaveraging)檢測器(以下簡稱acca-cfar檢測器)。acca-cfar檢測器在均勻雜波背景下具有ca-cfar的檢測性能，同時在多目標環境中針對不同數量的幹擾目標，其檢測性能的魯棒性要優於os-cfar，但是其在雜波邊緣環境中的虛警控制性能比os-cfar還要差。

綜上可知，在選擇cfar檢測器時很難權衡檢測性能和抗雜波邊緣性能。通常具有較好檢測性能的檢測器在雜波邊緣環境中的性能不太理想，或者良好抗邊緣雜波的檢測器在均勻雜波背景、多目標環境中的檢測性能不太理想。

技術實現要素：

本發明的目的在於，解決現有技術中的上述問題，提供了一種目標信號檢測方法及系統，實現在不同的工作環境(均勻雜波背景、多目標環境和雜波邊緣環境)下的最優檢測。

一方面，本發明提供了一種目標信號檢測方法。該方法包括步驟：獲取信號的檢測統計量，並將檢測統計量存儲至參考單元和檢測單元，得到測試樣本；測試樣本為參考單元、或參考單元與檢測單元之和；使用支持向量機svm模塊對測試樣本進行第一計算，並根據第一計算結果輸出選擇信號；根據選擇信號確定第一檢測器的閾值，第一檢測器為恆虛警率cfar模塊中包含的多個檢測器中的一種；根據第一檢測器的閾值，判斷檢測單元是否有目標信號。

優選地，根據選擇信號確定第一檢測器的閾值，包括：cfar模塊使用多個檢測器對參考單元、或參考單元與檢測單元之和進行第二計算，第二計算結果包括多個檢測器中的每一個檢測器的閾值；選擇模塊從cfar模塊接收第二計算結果，並根據選擇信號，輸出第一檢測器的閾值。

優選地，根據選擇信號確定第一檢測器的閾值，包括：cfar模塊根據選擇信號，從多個檢測器中選擇第一檢測器對參考單元、或參考單元與檢測單元之和進行第三計算，並根據第三計算的結果輸出第一檢測器的閾值。

優選地，svm模塊包括svm模型的訓練參數，訓練參數通過以下步驟獲得：根據參考單元、或參考單元與檢測單元之和，得到每一個訓練樣本；根據cfar模塊中包含的多個檢測器，確定每一個訓練樣本的類標記，並根據每一個訓練樣本和類標記組成訓練樣本集；svm模塊根據訓練樣本集對svm模型進行訓練，以獲取svm模型的訓練參數。

優選地，svm模塊包括以下計算公式：

其中，y表示測試樣本的類標記；sign表示符號函數；n是訓練樣本集中支持向量的個數；yi代表第i個訓練樣本所對應的類標記，表示第i個訓練樣本，i＝1，…，n，；表示測試樣本；和b為訓練參數，

優選地，多個檢測器包括單元平均恆虛警率ca-cfar檢測器、最大選擇恆虛警率go-cfar檢測器、最小選擇選擇恆虛警率so-cfar檢測器、有序統計恆虛警率os-cfar檢測器和自動刪除單元平均恆虛警率acca-cfar檢測器中的至少兩種檢測器。

另一方面，本發明提供了一種目標信號檢測系統。該系統包括：獲取單元，用於獲取信號的檢測統計量，並將檢測統計量存儲至參考單元和檢測單元，得到測試樣本；測試樣本為參考單元、或參考單元與檢測單元之和。計算單元，用於使用支持向量機svm模塊對測試樣本進行第一計算，並根據第一計算結果輸出選擇信號。確定單元，用於根據選擇信號確定第一檢測器的閾值，第一檢測器為恆虛警率cfar模塊中包含的多個檢測器中的一種。判斷單元，用於根據第一檢測器的閾值，判斷檢測單元是否有目標信號。

優選地，確定單元，用於根據選擇信號確定第一檢測器的閾值，包括：cfar模塊使用多個檢測器對參考單元、或參考單元與檢測單元之和進行第二計算，第二計算結果包括多個檢測器中的每一個檢測器的閾值；選擇模塊從cfar模塊接收第二計算結果，並根據選擇信號，輸出第一檢測器的閾值。

優選地，確定單元，用於根據選擇信號確定第一檢測器的閾值，包括：cfar模塊根據選擇信號，從多個檢測器中選擇第一檢測器對參考單元、或參考單元與檢測單元之和進行第三計算，並根據第三計算的結果輸出第一檢測器的閾值。

優選地，svm模塊包括svm模型的訓練參數。系統還包括訓練單元，訓練單元用於確定訓練參數，包括：根據參考單元、或參考單元與檢測單元之和，得到每一個訓練樣本；根據cfar模塊中包含的多個檢測器，確定每一個訓練樣本的類標記，並根據每一個訓練樣本和類標記組成訓練樣本集；svm模塊根據訓練樣本集對svm模型進行訓練，以獲取svm模型的訓練參數。

由上可知，本發明實施例提供的一種目標信號檢測方法及系統系統，根據不同的工作環境(均勻雜波背景、多目標環境和雜波邊緣環境)選擇兩種或兩種以上的cfar檢測器構成新的檢測系統，並由cfar模塊計算各種cfar檢測器的閾值；利用訓練樣本集對svm模塊進行訓練，並得到訓練參數。當測試開始時，svm模塊將根據測試樣本和訓練參數確定其分類，並輸出選擇信號；選擇模塊根據svm模塊輸出的選擇信號選取相應的檢測器閾值作為最終檢測閾值，從而實現在不同的工作環境下的最優檢測。

附圖說明

圖1為本發明實施例提供的一種目標信號檢測方法的流程示意圖；

圖2為本發明實施例提供的實驗1中各種檢測器在均勻雜波背景下的檢測性能對比圖；

圖3為本發明實施例提供的實驗1中各種檢測器在有一個幹擾目標環境下的檢測性能對比圖；

圖4為本發明實施例提供的實驗1中各種檢測器在有四個幹擾目標環境下的檢測性能對比圖；

圖5為本發明實施例提供的實驗2中各種檢測器抗邊緣雜波性能對比圖；

圖6為本發明實施例提供的一種目標信號檢測系統的結構示意圖；

圖7為本發明實施例提供的另一種目標信號檢測系統的結構示意圖。

具體實施方式

下面通過附圖和實施例，對本發明的技術方案作進一步的詳細描述。

圖1為本發明實施例提供的目標信號檢測方法的一種可能的流程示意圖。如圖1所示，該方法包括步驟101-104：

步驟101，獲取信號的檢測統計量，並將檢測統計量存儲至參考單元和檢測單元，得到測試樣本。測試樣本為參考單元的一部分、或參考單元的全部、或參考單元的一部分與檢測單元之和、或參考單元的全部與檢測單元之和。

具體地，對信號進行單脈衝檢測，在某個分辨單元中得到一個觀測值v(t)，將v(t)輸入匹配濾波器進行濾波處理後，輸出得到信號的同相分量i(v)和正交分量q(v)。將i(v)和q(v)輸入平方律檢測器，輸出得到檢測統計量d(v)：

d(v)＝i2(v)+q2(v)(1)

將每一個d(v)依次輸入參考單元和檢測單元中，作為參考單元xi(i＝1，…，n，n為參考單元的長度)和檢測單元d。參考單元中的總的集合為[x1，...，xn/2，xn/2+1，...，xn}，參考單元和檢測單元的長度為n+1，即為：{x1，...，xn/2，d，xn/2+1，...，xn}。檢測單元的兩側設置的保護單元，可以用來防止目標能量洩露到參考單元中，影響檢測器雜波強度的兩個局部估計值。

步驟102，使用支持向量機(supportvectormachine，svm)模塊對測試樣本進行第一計算，並根據第一計算結果輸出選擇信號。

具體地，使用svm模塊對測試樣本進行第一計算，並根據第一計算結果輸出信號，輸出信號用於指示與輸出信號相對應類型的檢測器的閾值。需要說明的是，參與第一計算的測試樣本除了包括參考單元以外，還可以包括檢測單元，且參與第一計算的樣本可以為部分參考單元，如僅為前沿滑窗得到的參考單元或後沿滑窗得到的參考單元，本發明實施例對此不作限定。

svm模塊包括svm模型的訓練參數，下面，對訓練參數的獲取方法進行介紹，該方法包括步驟1021-1023：

步驟1021，根據參考單元的一部分、或參考單元的全部、或參考單元的一部分與檢測單元之和、或參考單元的全部與檢測單元之和，得到每一個訓練樣本。

步驟1022，根據cfar模塊中包含的多個檢測器，確定每一個訓練樣本的類標記，並根據每一個樣本和每一個樣本的類標記組成訓練樣本集。

示例性的，cfar模塊中可以包含ca-cfar檢測器、go-cfar檢測器、so-cfar檢測器、os-cfar檢測器和acca-cfar檢測器中的至少兩種檢測器。例如，cfar模塊中包含ca-cfar檢測器和os-cfar檢測器。需要說明的是，本實施例中，cfar模塊可以包含其它種類的cfar檢測器，也可以包含三種以上的檢測器，本發明對cfar檢測器的種類和數量不作限定。

訓練樣本通常是根據不同的工作環境(均勻雜波背景、多目標環境和雜波邊緣環境)隨機產生的，因此可以根據訓練樣本的工作環境和cfar模塊中包含的多個檢測器中對應的檢測器，確定訓練樣本集中每一個樣本的類標記。可以將一個訓練樣本集表示為：p表示訓練樣本集的大小。其中，表示第i個訓練樣本，d表示svm模塊中輸入信號的維度。需要說明的是，可以包括全部的參考單元，即也可以包括全部的參考單元和檢測單元，即還可以只包括參考單元的一部分，例如前沿滑窗的參考單元，即或後沿滑窗的參考單元，即本發明對此不作限定。yi表示第i個訓練樣本的類標記，在本發明中可以理解為第i個訓練樣本在cfar模塊所包含的檢測器的種類。例如，當cfar模塊所包含的檢測器種類為兩類時，yi∈{-1，1}。

步驟1023，svm模塊根據訓練樣本集，對svm模型進行訓練，以獲取svm模型的訓練參數。訓練樣本集包括多個訓練樣本和類標記。

svm實質解決的是分類問題，針對分類基本問題可以通過下式來表示：

其中，表示一組權值，b∈r是一個標量，符號t表示向量轉置。表示由rd到rq的非線性映射，即q表示非線性映射特徵空間的維度。

本發明中，svm模型可以為svm模型或最小二乘支持向量機(leastsquaressupportvectormachines，ls-svm)模型。需要說明的是，本發明還可以對其它的svm模型進行訓練，以得到svm模塊，本發明對此不作限定。

(1)svm模型

在svm模型中分類優化問題可以表示為：

其中，minimize表示目標函數最小化，subjectto表示約束條件，ξi是第i個訓練樣本的訓練誤差；c為懲罰因子，需要折衷考慮泛化能力和訓練誤差從而得到最優的分類超平面。

公式(3)是一個最優化理論中的嚴格凸二次規劃(quadraticprogramming，簡稱qp)問題。通過構造拉格朗日(lagrange)函數，可以將公式(3)中的svm分類優化問題等價表示為：

其中，αi是第i個訓練樣本的拉格朗日因子。

核函數(kernelfunction)通常被應用於svm學習算法中，可以用下式表示：

因此公式(4)可以表示為：

因此，svm針對分類基本問題可以等價表示為：

其中，sign表示符號函數，n是訓練樣本集中支持向量的個數。

常用的核函數包括徑向基函數(radiusbasisfunction，簡稱rbf)：

其中，exp表示指數函數，σ是標量參數。

svm模型的最優超平面有直觀的幾何意義，但其求解過程需要通過搜索得出qp的極值，因而計算量較大，並且不具備一個顯式的解析表達式。

(2)ls-svm

ls-svm不但具有顯式解析表達式，同時具有良好的泛化能力和較小的計算量等優點。相對於svm模型，ls-svm將約束條件中的不等式改進為等式，公式(3)變為：

同樣構造拉格朗日(lagrange)函數，ls-svm分類優化問題可以等價表示為：

對各個參數求偏導數：

以上四式可以化簡為：

其中，yi表示第i個訓練樣本的類標記。yi代表多個檢測器中的某一種檢測器，i＝1，…，p，p為訓練樣本集的大小；ωls-svm＝z·zt，表示非線性映射，xi表示訓練樣本中的採樣單元樣本；和b為訓練參數，b是標量；t為向量轉置運算符。

因此，ls-svm針對分類基本問題可以等價表示為：

由上可知，將訓練樣本輸入公式(16)中，對ls-svm模型進行訓練，求出訓練參數和b。

步驟103，根據選擇信號確定第一檢測器的閾值，第一檢測器為恆虛警率cfar模塊中包含的多個檢測器中的一種。

在一種可能的實施方式中，首先，cfar模塊使用多個檢測器對參考單元的一部分、或參考單元的全部、或參考單元的一部分與檢測單元之和、或參考單元的全部與檢測單元之和進行第二計算，第二計算結果為多個檢測器中的每一個檢測器的閾值(s1，…，sm，m為檢測器的總數)。然後，選擇模塊從cfar模塊接收第二計算結果，並根據選擇信號，輸出第一檢測器的閾值。

在另一種可能的實施方式中，cfar模塊根據選擇信號，從多個檢測器中選擇第一檢測器對參考單元的一部分、或參考單元的全部、或參考單元的一部分與檢測單元之和、或參考單元的全部與檢測單元之和進行第三計算，並根據第三計算的結果輸出第一檢測器的閾值。

步驟104，根據第一檢測器的閾值和檢測單元，判斷檢測單元是否有目標信號。

具體地，根據第一檢測器的閾值s和檢測單元d，使用比較器通過自適應判決準則判斷d是否有目標信號。其中，自適應判決準則為：

其中，z是背景雜波功率水平的估計，t是標稱化因子，h1表示有目標的假設，h0表示沒有目標的假設，d表示檢測單元中的檢測統計量d(v)。也就是說，當d＞s時，判斷結果為：d有目標信號；當d＜s時，判斷結果為：d沒有目標信號。

下面通過以下實驗進一步證明本發明提出的一種信號處理方法的能達到的有益效果。

以下對實驗的介紹中，將用於實現本發明提供的目標信號檢測方法的裝置稱為svm-cfar檢測器。svm-cfar檢測器的cfar模塊包含acca-cfar檢測器(y＝1)和go-cfar檢測器(y＝-1)。svm-cfar檢測器在均勻雜波背景和多目標環境下採用acca-cfar檢測器，而在雜波邊緣環境下採用go-cfar檢測器。

在實驗中，假設雜波包絡服從瑞利分布，參考單元的長度n＝16，每個樣本由參考單元與檢測單元共同組成，在均勻雜波背景和多目標環境下隨機生成的訓練樣本有2200個，而在雜波邊緣環境下隨機生成的訓練樣本有3200個。ls-svm的懲罰因子c＝10，核函數選取徑向基函數，核函數的標量參數σ＝0.2。

在實驗1中，將比較ca-cfar、go-cfar、os-cfar、acca-cfar和svm-cfar的檢測性能。虛警概率取10-4，此時，tca＝12.452；tgo＝10.871；tos＝11.081，並選取第12個排序樣本x(12)作為檢測器對雜波功率水平的估計；根據刪除單元的個數不同(0～4)，sk＝[0.356，0.246，0.199，0.173]，p＝12。輸入信號的信噪比範圍取0db～30db，每個信噪比條件下的測試樣本有1000個。

圖2給出的是不同信噪比條件下ca-cfar、go-cfar、os-cfar、acca-cfar和svm-cfar在均勻雜波背景下的檢測性能，橫坐標是輸入信號的信噪比變化範圍，縱坐標是檢測概率。可以看出svm-cfar與ca-cfar、acca-cfar同時具有最優的檢測性能，go-cfar的檢測性能次之，os-cfar的檢測性能最差。

圖3給出的是不同信噪比條件下ca-cfar、go-cfar、os-cfar、acca-cfar和svm-cfar在有一個幹擾目標環境下的檢測性能，可以看出svm-cfar與acca-cfar具有最優的檢測性能，優於os-cfar的檢測性能，而ca-cfar和go-cfar的檢測性能都嚴重下降。

圖4給出的是不同信噪比條件下ca-cfar、go-cfar、os-cfar、acca-cfar和svm-cfar在有多個(四個)幹擾目標環境下的檢測性能，可以看出svm-cfar與acca-cfar仍然具有最優的檢測性能，os-cfar的檢測性能有所降低，ca-cfar和go-cfar的檢測性能都嚴重下降。

在實驗2中，將比較ca-cfar、go-cfar、os-cfar、acca-cfar和svm-cfar的抗邊緣雜波性能。虛警概率取10-1，tca＝2.476；tgo＝2.102；tos＝1.981，並選取第12個排序樣本x(12)作為檢測器對雜波功率水平的估計；根據刪除單元的個數不同(0～4)，tacca＝[2.476，2.963，3.434，3.941，4.505]，sk＝[0.356，0.246，0.199，0.173]，p＝12。雜波邊緣功率10db，雜波邊緣由參考滑窗左邊向右邊滑動，參考滑窗每個單元的測試樣本有10000個。

圖5給出的在雜波邊緣環境下ca-cfar、go-cfar、os-cfar、acca-cfar和svm-cfar的虛警性能。橫坐標是被強雜波佔據的參考單元數，縱坐標是虛警概率。隨著被強雜波佔據的參考單元數的增加，虛警概率首先是下降，在雜波邊緣掃過檢測單元是，虛警概率有一個階躍，形成一個尖峰，被稱之為「虛警尖峰」，「虛警尖峰」低說明cfar檢測器的虛警控制能力強。由圖5可以看出svm-cfar與go-cfar具有最優的虛警控制能力，優於ca-cfar、os-cfar和acca-cfar。

由上可知，本發明實施例提供的一種目標信號檢測方法，根據不同的工作環境(均勻雜波背景、多目標環境和雜波邊緣環境)選擇兩種或兩種以上的cfar檢測器構成新的檢測系統，並由cfar模塊計算各種cfar檢測器的閾值；利用訓練樣本集對svm模塊進行訓練，並得到訓練參數。當測試開始時，svm模塊將根據測試樣本和訓練參數確定其分類，並輸出選擇信號；選擇模塊根據svm模塊輸出的選擇信號選取相應的檢測器閾值作為最終檢測閾值，從而實現在不同的工作環境下的最優檢測。

上述實施例中介紹了本發明提供的一種目標信號檢測方法，下面結合圖6和圖7對用於實現上述方法的系統進行介紹。

圖6為本發明實施例提供的一種目標信號檢測系統的結構示意圖。如圖6所示，該系統600包括：

獲取單元601，用於獲取信號的檢測統計量，並將檢測統計量存儲至參考單元和檢測單元，得到測試樣本；測試樣本為參考單元、或參考單元與檢測單元之和。

計算單元602，用於通過如圖7所示的支持向量機svm模塊對測試樣本進行第一計算，並根據第一計算結果輸出選擇信號。

確定單元603，用於根據選擇信號確定第一檢測器的閾值，第一檢測器為恆虛警率cfar模塊中包含的多個檢測器中的一種。

在一個可能的實施例中，確定單元用於根據選擇信號確定第一檢測器的閾值，具體包括：通過如圖7所示的cfar模塊，使用多個檢測器對參考單元、或參考單元與檢測單元之和進行第二計算，第二計算結果包括多個檢測器中的每一個檢測器的閾值。選擇模塊從cfar模塊接收第二計算結果，並根據選擇信號，輸出第一檢測器的閾值。

在一個可能的實施例中，確定單元用於根據選擇信號確定第一檢測器的閾值，具體包括：cfar模塊根據選擇信號，從多個檢測器中選擇第一檢測器對參考單元、或參考單元與檢測單元之和進行第三計算，並根據第三計算的結果輸出第一檢測器的閾值。

判斷單元604，用於根據第一檢測器的閾值，判斷檢測單元是否有目標信號。

在一個可能的實施例中，svm模塊包括svm模型的訓練參數，系統還包括訓練單元605，訓練單元605用於確定訓練參數，具體包括：根據參考單元、或參考單元與檢測單元之和，得到每一個訓練樣本。根據cfar模塊中包含的多個檢測器，確定每一個訓練樣本的類標記，並根據每一個訓練樣本和類標記組成訓練樣本集。svm模塊根據訓練樣本集對svm模型進行訓練，以獲取svm模型的訓練參數。

本發明提供的目標信號檢測系統實施例與本發明提供的上述目標信號檢測方法實施例相對應，在此不作贅述。

由上可知，本發明實施例提供的一種目標信號檢測系統，根據不同的工作環境(均勻雜波背景、多目標環境和雜波邊緣環境)選擇兩種或兩種以上的cfar檢測器構成新的檢測系統，並由cfar模塊計算各種cfar檢測器的閾值；利用訓練樣本集對svm模塊進行訓練，並得到訓練參數。當測試開始時，svm模塊將根據測試樣本和訓練參數確定其分類，並輸出選擇信號；選擇模塊根據svm模塊輸出的選擇信號選取相應的檢測器閾值作為最終檢測閾值，從而實現在不同的工作環境下的最優檢測。

以上的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上僅為本發明的具體實施方式而已，並不用於限定本發明的保護範圍，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。