翻译：相关雷达自适应极化目标检测
相关雷达自适应极化目标检测
部分二：在非高斯噪声背景下的检测
本论文介绍了在非高斯噪声背景下，极化自适应检测目标方案的推导过程。本文的推倒，使得第一部分中在高斯噪声背景的研究更加完善。通过利用雷达回波极化性质，我们推导出来了与参数无关的广义似然比检测器（TF-GLRT ）用来提高检测性能。我们提到的这种检测器在未知参数的复合高斯杂波背景下，显示出来具有恒虚警概率的特性。这种检测器的性能在理论分析和仿真中都得以充分的展现。另外，在实际应用中雷达的数据再次证明此检测器可以提高雷达检测性能。
I. 简单介绍
众所周知，底仰角高分辨率雷达在四个线性通道（HH ，HV ，VH 和VV ）的杂波
回波拥有不同的统计特性：不同的平均功率，不同的峰值和不同的频谱特性。对于这种底仰角高分辨率雷达接收到的杂波，复合高斯分布是一种非常合适的模型。实际上，这种模型可以很精确的描述不同通道的回波性质，用来解释不同的平均功率，不同的峰值和可能不同的频谱表征。当对于海杂波建模的时候这种方式就显得尤其重要，因为海面膨胀在两个极化方向上不同的影响，导致在每一个通道有不同的功率谱密度和不同的峰值。实际上，我们都知道，底仰角的情况下第一部分我们用的高斯模型不在适用，而且海杂波在HH 和VV 通道尾部的分布显示出相对不同的表征。
所以，把近年来发展的相干雷达在复合高斯噪声背景中最佳检测方案的理论，
拓展到多通道极化雷达领域就变得很有意义。特别的，假设杂波回波为复合高斯概率模型，则我们在这里介绍一中自适应极化检测器进行相干雷达目标检测。我们提到的检测器利用目标和杂波回波不同的统计特性以达到最佳分辨概率。另外，这种检测器中，使杂波偏离高斯分布的参数不会对其有任何影响，所以它在非高斯背景中具有恒虚惊概率的性质。我们对这种检测器的检测性能也进行了充分的研究，我们还把它和单通道（HH 或者VV ）雷达的性能，在理论上，仿真上和实际应用数据中进行对比，以研究它性能的提高。
本论文结构如下。部分II 中，L 个极化通道复合高斯回波的联合概率密度的数学
模型在这里进行介绍。第Ⅲ部分中，我们假设已知杂波协方差矩阵，TF-GLRT 检测器的检测算法在这部分中进行推导。在第Ⅳ部分，在非高斯背景中，确保恒虚惊概率的前提下，提到的检测方案显示出来，在相干检测中通过利用极化信息，我们达到了最佳检测效果。完全自适应检测方案在第Ⅴ部分中推导出来。这种新的完全自适应检测器具有恒虚警概率的特性，它的性能在仿真中被全部记录。这种检测器在实际应用中记录的数据在第Ⅵ部分中呈现，把它实际的表现和仿真结果进行比较。这样，我们就可以估计在非高斯背景中，利用极化信息可以使性能产生多大的提高。最后，一些结论在第Ⅶ部分中提出，并且和Part Ⅰ中提出的高斯噪声中的GLRT 检测器进行对比。分析细节在附录里面记载。
II. 极化回波模型
一串M 个雷达脉冲信号交替在两个线性极化天线上发送和接收。测试单元在L
个通道上接收的回波，排列为L 个1M 复矢量，
。在假设0H （只有杂波）下，，其中i g 是服从高斯零均值分布的矢量而i τ是局部杂波能量。
在假设1H （杂波加目标信号）下，，其中，是未知的复目标幅
度，是导向矢量，，是目标多普勒频率。L 个复矢量进一步排列到维的数据矢量
，它是服从高斯分布的，在假设0H 下是零均值的，在假设1H 下均值为矢量。信号矢量，包含相同的L 个导向矢量和L 个目标系数，对应不同的极化通道。定义幅度矢量
和导向矢量（符号代表Kronecker 积），我们有。在两种假设下，我们有相同的杂波协方矩阵，其中，
，，归一化矩阵
其中包含了极化和时域的相关系数，。当给定时，的概率密度函数（pdf ），
其中和 分别在假设0H 和1H 下。当我们假设在L 个极化通道的杂波变量，是随机变量（通常称为参数变量）时，复合高斯模型因此而获得。这些随机变量服从广义伽马分布的概率密度，当，；
其中，是在第i 个通道上的平均杂波能量，是相应的方向参数。而多余的参数，可以解释为接收到的杂波能量存在一个非零的最小值，相对于传统伽马分布的概率密度函数，能更好的适应实际数据。在非高斯背景下回波的完全概率密度表达式，可以通过用式（3）来去掉式（2）中的条件。这种方法通常很难靠分析得到表达式。所以，我们主要对条件概率密度函数（2）进行处理。我们知道，
意味杂波为高斯分布。另一方面，随着减小，回波统计数据越偏离高斯分布。考虑到参数相关系数，联合分布可以很容易的在[12,13]中得到。为了简化表达式
（2），我们定义矩阵，矢量和
矩阵
使用两个等式：
式（2）可以被写成
式（7）的优势在于，未知参数和在等式中的影响被减弱，因此使得简单
推出极化TF-GLRT检测器成为可能。
III.极化TF-GLRT检测器
为了区分假设和，GLRT方法用，两种假设下对未知参量最大可能的似然
比函数和检测门限进行比对而进行检测。既然这样，我们认为在不同极化通道的不同分辨单元中，局部能量的随机值为位置量。所以，我们利用条件复合高斯分布，而非完全非高斯分布的概率密度函数。对于已知的矩阵，我们得到检测方程
如附录A中所示，A对a求得的最大值为
用式（9）带入（8），剩下的就是似然函数对求最大值，也等价于求得最小值
其中，是一个维，赫尔
密特矩阵对应于不同的假设。考虑到参数，我们让为零，L个未知
参数L个方程组成的非线性系统随之构成。通常情况下，总是有数值解。然而，很
有意思的是，当L=2时，我们可以得到封闭的解，然后我们就能得到和在两种假设下的估计。
其中，是对应于假设的赫尔密特矩阵。（具体推导见附录A）因此，考虑到广义似然比函数，L=2时极化TF-GLRT检测器表达式是：
因为对两个通道参数和的估计是用在似然比函数内，用来代替它们实际的值。
在没有目标信号的时候，检测器是和参数变量无关的，所以我们把这种检测器命名
为TF-GLRT。这是在条件高斯分布概率密度函数下，而非在完全非高斯概率密度函
数下，非常有用的结果。这种方法进一步的优势在于，此检测器不仅对于很特殊的
非高斯分布最优，而是对于全部复合高斯分布都是最优的。我们提到的检测器，利
用两个通道上的极化信息，例如，HH和HV或者HH和VV或者VV和VH，使得杂
波和目标信号都产生相消。我们用这种检测器和【8和9】中提到的类似的，GLRT
单通道检测器，进行对比。HH-HV和HH-VV的例子用于性能分析和实际应用数据。
但是，我们必须提到式（12）和相应的性能分析同样的适用于任何两个极化通道的
组合。
IV.在极化非高斯杂波中的性能
H下，检测器（12）与两个通道的局部杂波能量参数，和独立；
在假设
因此，假设实际的归一化协方差矩阵已知，检测器对于复合高斯杂波（也就是说，
对于任何概率密度的），具有我们需要的CFAR特性。对于提到的检测器，虚
警概率的封闭形式可以得到（推导见附录B）。
很明显虚警概率只和脉冲数M和检测门限有关。解析式（13）可以很容易的根据需
要的虚惊概率选择检测门限。检测概率封闭解析式的推导远远要复杂很多；则，我们仅仅讨论SwerlingⅠ目标模型下，两个通道幅度相互独立，方差分别为和的
情况。此外，当在两个通道的杂波回波相互独立，检测概率（），在已知和时，可以得到，如下（见附录B）：
其中，和，和是两个通道的白化滤波器。为了得
到非条件的检测概率函数（14），我们必须要对联合分布求平均。当两个极化通道的杂波回波或者Swerling I目标幅度相关时，我们采取，次独立蒙特卡罗试验，进行仿真，来得到检测概率。
首先，我们分析提到的检测器，在高斯分布杂波下的性能表现。图1和图2展示了极化TF-GLRT检测器性能和单通道检测器信杂比函数，，
在，和时的对比。假设高斯型归一化时域协方差矩阵C
对两个通道都适用，C只有单一的相关系数。另外，假设两个通道的互相关系数为。
第二个通道杂波能量我们假设是第一个通道的α倍，即。图1 和图2中都有α=1。两幅图中可以很容易的看出，检测性能强烈依赖于两个极化通道的杂波相关系数；实际上，随着此相关系数增加，提到的检测器可以对两个通道的杂波进行相消，因此提高检测概率。检测性能的提高同样也依赖于，两个通道目标幅度相关系数。目标相关特性可以通过定义目标协方差矩阵进行研究。
其中，和是目标幅度a1和a2的相关系数（也就是，两个通道目标
回波的相关系数）。注意到，在Swerling I目标模型下，a1和a2是零均值高斯分布的复变量，所以，他们的联合统计用式（16）中进行完全描述。图1显示了，在两
个通道目标回波相互独立和时，检测概率P d随着的增加而逐渐增加。
图2显示了在时的性能曲线，其中两个通道的目标回波相消伴随着杂波回
波相消。在这种情况下，直到极化杂波相关性达到很高值时，检测概率才有了一些提高。
在高度非高斯杂波的环境下，检测性能曲线在图3和图4中画出。在不同的值
的情况下，且和时（即，和），极化TF-GLRT 检测器和单通道检测器的性能进行了对比，在图3和图4中体现。所有的数据都用
了同样的条件，虚惊概率，M=8和。在两个通道中参数变量
，的统计假设如下：和，对应的是一个非常尖锐的K分布。图3中很明显的可以看出，当杂波回波在两个极化通道上是不相关的时候（），极化TF-GLRT检测器的检测性能对于的变化已经不是很敏感了。极达检测器相对于单通道检测器性能的增益，随着的增加而略有减少(比如，对于时，极化检测器（）性能比单通道检测器增加了6dB，而检测器（）性能比单通道只增加了4dB)。这种现象本质上可以解释为，对于较小的，检测器对于在两个独立通道上目标波动有平均效应，然而这个现象在较大的上就不存在了。另一方面，当在两个通道上的杂波回波是相关的
时候（），极化检测器的性能对于目标相关性质特别敏感，在图4中很容易看到。对于检测概率时，极化检测器相对于单通道检测器的增益，在
时为11dB，而在时，仅为3dB。当检测概率时，两个通道的极化相消就成为了主要的现象。对于较小的值（如，），以下的两方面影响对于检测性能的提高起到了主要原因：两个通道相关杂波回波的相消和不相关目标回波的平均作用。而对于较大的，因为目标回波在两个极化方向上高度相关，在杂波相消的同时，目标回波部分也进行了相消作用而不是进行平均作用，所以仅仅第一方面对于检测性能的提高起到了贡献作用。
在K分布和高斯分布杂波背景下，对于两个通道不相关的目标和杂波回波（和
），可实现的检测性能的对比在图5中呈现出来，其中和。无论是
对于单通道还是双通道极化TF-GLRT检测，检测性能都随着参数v从无穷大（高斯分布杂波）减少至很小的值，例如0.5（很尖的K分布），而增加。因为对于伽马分布参数检测性能的平均观察到的性能改善在较低的处更高。这个结果是我们提到的TF检测器的特性，是因为对于Swerling Ⅰ型目标浮动在非高斯背景下的平均作用而导致的。这个结果同样的我以在单通道的情况中发现【8】。对于取定的值，第二个通道比第一个通道信杂比高出10dB，所以双通道检测器对于在第一个通道工作的单通道检测器性能提高是不言而喻的。很显然对于仅仅是第二个通道性能的提高就小了很多。这个例子对于工作在HH和HV通道（VV和VH 通道也同样）的TF-GLRT检测器是非常有意思的。要想使在HV通道上的杂波能量比在HH 通道上的杂波能量低20dB，然而在HV通道的目标能量衰减的比HH通道杂波少（如，
）。这个例子可以用一些有对角后向散射模型的人造的目标来证实（典型的例子如：塔），这些目标交叉极化回波比杂波强。在这个例子里，HV通道（第二通道）有比HH通道（第一通道）更大行杂比，所以对目标检测性能有很大的贡献。然而，建立一个单通道雷达系统仅仅使用HV通道并不明智，因为它将只适用于检测如同上面提到的特殊形式的目标，而对于更大范围的目标，尤其是共极化回波强度远大于交叉极化强度的目标，作用就失效了。很显然，在这个例子中，运用提到的极化TF-GLRT检测器成为了可能，这种检测器可以利用我们提到的特殊类别目标的极化特性，而不至于在通常的检测器中变的失效。
图6-8显示了在高度非高斯杂波中，随着回波相对能量变化时，检测性能的情况。参数假设服从伽马分布，其中和相关系数。此外，在两个极化通道上的目标复振幅和假设相互独立。图6显示了在恒定，不同的值时的检测性能。对于，第一通道的SCR高于第二通道，所以和利用第一通道的单通道检测器比较，利用极化信息可以提高的性能必须要被估计了。显然，随着α
从0.1变化到0.01，极化检测在检测概率处，增加到了6dB。这要归功于第二通道增加的SCR和利用极化特性。另一方面，当，第二通道要被看成是参照。在
这个例子中，随着α从减小到很小的一个值（例如0.002），和单通道检测器对比，增加的性能减少了3dB；实际上，增加第二通道的SCR比利用极化信息有更大的效果。很显然，从以上的考虑来看，如果第一通道是HH，第二通道是HV，相对于单通道（HH），考虑双通道极化检测器TF-GLRT性能的增加也是非常有意义的事情。在这个例子中，甚至更大的提高（大约10dB）可以被观察到。
图7和图8显示了在恒定的参数时的检测性能。是在不同的两通道目标能量比值下测得的。因为第二通道杂波能量比第一通道杂波能量低20dB，在
时，第二通道比第一通道有更大的信杂比，而且它必须要被用作为单通道参
照。恰恰相反，当时，第一个通道有更高的SCR，则它作为参照（见曲线L=1，
）。对于的情况（见图7），当，第二通道的SCR比第一通道高20dB，
则极化检测器的检测概率和在第二通道工作的单通道检测相似。随着减小趋近于
0.01，在时，联合双通道的增益SCR比仅仅第二通道高6dB。很显然，相对于只用第一通道，增益变高了。进一步的减小，使得曲线朝着仅仅用第一通道的曲线靠近。对
于（图8），性能主要决定于两个通道的杂波相消，其中相消使得检测概率为0.9时，
增益在和时分别为7dB和10dB。
很有意思的，我们观察到，之前我们在图6和图7中讨论的双通道检测器性能不仅适用于两个共极化通道（HH-VV）同时也适用于两个交叉极化通道（HH-HV或者VV-VH），而图8中我们讨论的情况，因为主要考虑到两个通道的相关杂波回波，所以只适用于共极化组合。依靠考虑到的，无论是第一通道还是第二通道，特殊的目标，我们能得到最高的SCR。针对双通道TF-GLRT检测器和单通道雷达系统，随着参数α和变化，参考通道不能再第一和第二通道之间变化。所以，最佳的SCR性能讨论只能通过双通道系统来实现。但是，即使用了如此不公平的对比，很显然的我们可以通过对比看出TF-GLRT总是可以利用极化信息而相对于单通道，在不同的和下提供最高的增益。
V.完全自适应极化TF-GLRT检测器
因为在实际中，归一化的杂波协方差矩阵是未知的，极化检测器必须要完全自适应。为了实现完全自适应，我们需要用K个认为与目标独立的，与其临近的距离单
元检测到的杂波信号，，（通常也叫做辅助数
据），来对进行估计，用的估计代替。因为采样的数据还决定于K个距离单
元的局部能量参数，所采样的数据并不是对于协方差矩阵最好的的估计，虚惊概率
还决定于他们的统计（特别是方向参数v），【15】。所以，为了得到归一化协方差矩阵的估计，并且要与各个极化通道的局部能量参数独立，即与和独立。
我们设2Mx1维归一化辅助数据矢量
和
很显然，归一化形式去掉了任意距离单元和任意极化通道，参数总体对于M个回波
的影响。如同文献【15】中，归一化采样数据协方差矩阵是与在两个极化通道上杂波局部能量相独立的：
这个归一化估计杂波协方差的方法同时也拓展到了提到的单通道极化领域。【16和17】。利用（19）中的归一化估计协方差，自适应极化检测器的虚惊概率独立于主数据和辅助数据局部能量，即它又我们需要的恒虚警概率的特性。在高度非高斯杂波，
对于一串M=8，的脉冲，在不同的下，为了达到恒虚惊概率，
利用K=48的辅助数据进行估计，结果在图9中记录。对于两个通道参数变量和，同样的参数在图3和图4中被假设。注意到在不同的值下，完全自适应检测曲线和已知协方差矩阵的例子曲线很相似，只有大约2.5dB到3dB之间的衰减。
VI.实测数据的应用
由McMaster大学的雷达IPIX，收集于1993年11月6号的数据文档“starea4”，用于获得在真实环境中检测器的性能【18，19】。当参数服从广义伽马分布密度函数
（3），且
和（见部分Ⅰ），HH，HV和VV通道最符合。HH 和HV通道，参数变量之间的相关系数测得为，而HH和HV通道测得为
。HH，VV和HV通道幅度的直方图显示出很符合广义K分布，如同式（2），（3）中得到的。在部分Ⅰ中的图9显示出来。
图10显示了HH通道，在Swerling Ⅰ目标模型下，HH和HV通道幅度相互独
立且，虚惊概率为时，检测概率作为信杂比SCR的函数曲线。我
们把假想的目标放到真是的杂波环境数据中，用提到的检测器检测，得到了这个检
测概率曲线。在检测概率为时，和单通道HH和HV性能做比较，可以显示出信杂比SCR产生7dB左右的增益。同样的在图10中，统一参数仿真的杂波背景
（利用适合的广义K分布模型）检测性能也描绘了出来用于比较。在仿真环境下的
性能和实时数据性能的对比支持了对提到的检测器的实际应用，并且证实了性能分
析。在图11中，描绘了和图10在同样的情况下，在HH-VV通道实时数据的检测性能。很明显，即使是在实际数据的情况下，利用极化TF-GLRT检测器可以使检测性
能相对于单通道检测器有很大的提高。特别的，当检测概率时，用HH-VV
通道可以获得5dB的增益，用HH-HV通道可以获得9dB的性能提高。这就证实了提到的极化检测器在实际环境中同样是有效的。
VII.结论以及最后的对比
上面我们引出了在非高斯背景下的恒虚警概率检测器TF-GLRT检测器。此检测器是完全自适应的，并且有两极化通道简单应用的例子。它的检测性通过理论上的
和仿真上的分析能被完全记录，显示出它对比于单通道检测器可以提供很高的性能
增益。除了在复合高斯杂波分布背景下有恒虚警概率的特性外，这个新的检测器对比于第一部分在高斯背景假设下推出的GLRT检测器，同样也有很好的性能。特别的，图12显示出了新的自适应检测器和在高斯假设下的极化GLRT检测器(当工作在高斯杂波背景中，有K=48个辅助数据)，有大约3dB的信杂比损失。但是，当工作在非高斯杂波背景重的时候，图13显示出新的检测器有大约3dB左右的增益。另外，在
这些条件下，高斯假设下推出的检测器没有一个恒定的虚惊概率，它的检测门限
适当的被扫描以满足一个合适的值。实际的雷达数据应用显示出，实际中性能的提高是利用了极化信息。特别的，我们发现，利用HV和HH通道的组合可以提供一个敏锐的性能提升，相对于单通道HH而言。这个特性对于一些目标交叉极化回波比杂波回波更高的人造的目标而言尤其适用。类似的考虑同样适用于在HH和VV通道目标拥有不用的后向散射的情况。当目标相对于杂波有较低的交叉极化回波时，只能实现很低的的性能提高，但是这时没有自适应损失，而且恒虚惊概率特性（CFAR）总是保持。
附录A.极化TF-GLRT检测器的推导
让我们先关于矢量a求最大估计。关于矢量a，假设H1的联合概率密度函数的对数的最大值如下：
使（20）式等号右边取得最小值的a的值，考虑到a1,…,aL，通过如下式子给出：
推出如下：
这个式子可以重新再写为如下紧凑的形式的：
左乘T然后用式（5）——（6），推出，所以
从式（2）中，我们观察到，概率密度函数是一个关于矢量a的二阶单调递减函数：
。因为二次式假设是一个正定的矩阵，二次式在斜率为零时有绝对的最小值。则式（24）使得式（2）概率密度函数取得最大值。用（24）式代替式（20），我们得到
剩下的，我们就需要对求最大值，推出表达式（10）。对于当L=2时的特殊例子，我们有
其中是一个2x2赫尔密特转至矩阵
对应于假设。当对于参数和
，使得推导式为零，我们得到
我们写成紧凑形式
通过使两个等式更加清晰，写成用参数矩阵的形式，我们得到
我们回顾矩阵和是实际的量，两个量的实部有，通
过减去两个等式，然后再适当的替换，我们得到
这个十字记录在式（11）中，我们注意到，回顾的定义，对于一般的数α和β，
推出如下：
因为它在矩阵中是一个二次型，它是半正定的。特别的，对于和的情况，我们推出，然后对于
和的情况，我们推出。在我们期待的和的两种结果下，式（31）中的特殊例子证实，只有当和杂波矢量和对准期待的目标调制矢量要求单独极限分析，才有平等的应用，为了简单起见我们进行了省略。为了完成证明（假设为了证明严格不等式很简单），我们观察到第二个矩阵引出了式（26）中的函数，式（30）中证明的
它的行列式通过式给出。从式（31）中考虑到，很
显然有H的行列式。另外，因为矩阵H主对角线上的元素都是正的，式（30）的结果是式（26）的一个最小值。
附录B 极化雷达的检测性能
B.1.虚惊概率的评价
虚警概率是在假设H0下，监测数据值超过了检测门限时的统计概率。在只有杂波的假设下，仅仅在两个极化通道下收集的回波数据可以写成如下形式，
，其中
是一个（2Mx2）的矩阵，其中g1和g2（Mx1）是服从零均值高斯分布的复单位变量。通过替换到（12）式中，可以看出，在假设H0下，检测与参数值和
相互独立，在它们的统计中：在复合高斯杂波的背景中，检测器有恒虚警概率CFAR 的特性并且与分布参数独立。
雷达的目标识别技术
雷达的目标识别技术 摘要： 对雷达自动目标识别技术和雷达目标识别过程进行了简要回顾，研究了相控阵雷达系统中多目标跟踪识别的重复检测问题提出了角度相关区算法，分析了实现中的若干问题，通过在相控阵雷达地址系统中进行的地址实验和结果分析表明:采用角度相关区算法对重复检测的回波数据进行处理时将使识别的目标信息更精确从而能更早地形成稳定的航迹达到对目标的准确识别。 一．引言 随着科学技术的发展，雷达目标识别技术越来越引起人们的广泛关注，在国防及未来战争中扮演着重要角色。地面雷达目标识别技术目前主要有-Se方式，分别是一维距离成象技术、极化成象技术和目标振动声音频谱识别技术。 1．一维距离成象技术 一维距离成象技术是将合成孔径雷达中的距离成象技术应用于地面雷达。信号带宽与时间分辨率成反比。例如一尖脉冲信号经过一窄带滤波器后宽度变宽、时间模糊变大。其基本原理如图1所示。 2．极化成象技术 电磁波是由电场和磁场组成的。若电场方向是固定的，例如为水
平方向或垂直方向，则叫做线性极化电磁波。线性极化电磁波的反射与目标的形状密切相关。当目标长尺寸的方向与电场的方向一致时，反射系数增大，反之减小。根据这一特征，向目标发射不同极化方向的线性极化电磁波，分别接收它们反射(散射)的回波。通过计算目标散射矩阵便可以识别目标的形状。该方法对复杂形状的目标识别很困难。 3．目标振动声音频谱识别技术 根据多普勒原理，目标的振动、旋转翼旋转将引起发射电磁波的频率移动。通过解调反射电磁波的频率调制，复现目标振动频谱。根据目标振动频谱进行目标识别。 传统上我国地面雷达主要通过两个方面进行目标识别：回波宽度和波色图。点状目标的回波宽度等于入射波宽度。一定尺寸的目标将展宽回波宽度，其回波宽度变化量正比于目标尺寸。通过目标回波宽度的变化可估计目标的大小。目标往往有不同的强反射点，如飞机的机尾、机头、机翼以及机群内各飞机等，往往会在回波上形成不同形状的子峰，如图2所示。 这类波型图叫作波色图。根据波色图内子峰的形状，可获得一些目标信息。熟练的操作员根据回波宽度变化和波色图内子峰形状，进行目标识别。
雷达运动目标检测大作业
非均匀空时自适应处理 摘要 本文首先依次介绍了在非均匀环境下的STAP处理法，包括降维、降秩以及LSMI方法，接着重点分析了直接数据域（DDD）方法的原理及实现过程，最后针对直接数据域方法进行了仿真实验。 引言 机载雷达对运动目标检测时, 面临的主要问题是如何抑制强大的地面杂波和各种类型的干扰，空时自适应处理（STAP）是解决该问题的关键技术。STAP 技术通过对杂波或干扰训练样本分布特性的实时学习来来形成空域—时域二维自适应权值，实现对机载雷达杂波和干扰的有效抑制。 STAP技术在形成自适应权值时，需要计算杂波协方差矩阵R。实际系统的协方差矩阵是估计得到的，即先在待检测距离单元的临近单元测得K个二维数 据矢量样本V i（i=1，2…K），再计算R的估计值?=Σ i=1K V i V i H∕K，然后可得自 适应权值W=μR^-1S，其中μ为常数，S为空时导向矢量。临近训练样本的选择必须满足独立同分布（IID）条件。同时，为了使由杂波协方差矩阵估计引起的性能损失控制在3dB内，要求均匀训练样本数K至少要2倍于其系统自由度（DOF）。如果所选样本非均匀，则形成的权值无法有效对消待检测单元中所含有的杂波和干扰，从而大大降低对运动目标的检测性能。 在实际应用中, 机载雷达面临的杂波环境往往是非均匀的, 这对经典的S T A P 技术带来了极大的挑战。针对这一难题, 许多新的适用于非均匀杂波环境的S T A P 方法不断被提出。 1、解决非均匀样本的方法 1.1、降维方法 降维方法的最初目的是为了减少空时自适应处理时所需的巨大运算量, 但后来发现该类方法同时大大减少了对均匀训练样本数的需求, 对非均匀情况下杂波抑制起到了积极的作用。降维方法将每次自适应处理所需要抑制的杂波范围限制在某一个较小杂波子空间内, 根据RMB准则和Brennan定理, 自适应处理时所需要的均匀训练样本数由2 倍于整体系统自由度减至降维后2 倍于子空间系统自由度。降维程度越高, 对均匀训练样本的需求就越少。降维方法属固定结构方法, 无法充分利用杂波的统计特性。当辅助波束与杂波谱匹配很好时, 处理性能往往很好。反之, 则性能下降。 1.2、降秩方法 与固定结构降维方法相反, 降秩方法充分利用回波中杂波的分布特性, 每次处理选取完备杂波空间来形成自适应权值对消杂波分量, 可看作依赖回波数据的自适应降维方法。该类方法在形成权值过程中利用的信息中不含噪声分量, 所以避免了小样本情况下噪声发散带来的性能下降问题, 故减少了对均匀训练样本数的需求。同样, 该类方法在满足信杂噪比损失不超过 3 d B 条件时所需的训练样本数约为 2 倍的杂波子空间的维数。从处理器结构上来看, 降秩方法可
基于卡尔曼滤波器的雷达目标跟踪(完整资料).doc
此文档下载后即可编辑 随机数字信号处理期末大作业（报告） 基于卡尔曼滤波器的雷达目标跟踪 Radar target tracking based on Kalman filter 学院（系）：创新实验学院 专业：信息与通信工程 学生姓名：李润顺 学号：21424011 任课教师：殷福亮 完成日期：2015年7月14日
大连理工大学Dalian University of Technology
摘要 雷达目标跟踪环节的性能直接决定雷达系统的安全效能。由于卡尔曼滤波器在状态估计与预测方面具有强大的性能，因此在目标跟踪领域有广泛应用，同时也是是现阶段雷达中最常用的跟踪算法。本文先介绍了雷达目标跟踪的应用背景以及研究现状，然后在介绍卡尔曼滤波算法和分析卡尔曼滤波器性能的基础上，将其应用于雷达目标跟踪，雷达在搜索到目标并记录目标的位置数据，对测量到的目标位置数据（称为点迹）进行处理，自动形成航迹，并对目标在下一时刻的位置进行预测。最后对在一个假设的情境给出基于卡尔曼滤波的雷达目标跟踪算法对单个目标航迹进行预测的MATLAB仿真，对实验的效果进行评估，分析预测误差。 关键词：卡尔曼滤波器；雷达目标跟踪；航迹预测；预测误差；MATLAB 仿真 - 1 -
1 引言 1.1 研究背景及意义 雷达目标跟踪是整个雷达系统中一个非常关键的环节。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态所作的估计和预测，评估船舶航行的安全态势和机动试操船的安全效果。因此，雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能[1]。 鉴于目标跟踪在增进雷达效能中的重要作用，各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展，尤其是在跟踪算法的研究上，理论更是日趋成熟。在跟踪算法中，主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、β α-滤波和卡尔曼滤波，其中卡尔曼滤波算法在目标跟踪理论中占据了主导地位。
目标识别技术
目标识别技术 摘要： 针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。 引言： 雷达目标识别技术回顾及发展现状 雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标识别理论和技术。 随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反映一个国家的军事实力和作战能力。 雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可以区别目标。 所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别提出了越来越高的要求。 目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高
雷达微弱目标检测的有效方法[1]
49642009,30(21)计算机工程与设计Computer Engineering and Design 0引言 复杂背景下低信噪比运动目标的检测和跟踪是雷达信号处理系统的关键技术之一。在微弱运动目标检测和跟踪的应用中，雷达接收的远距离目标回波强度非常弱，信噪比很低，目标易被噪声淹没，单个脉冲回波的信噪比甚至是负的，若仅对单帧图像处理，不能可靠地检测目标。在预警雷达应用中，由于运动目标距离雷达较远，又处在强杂波环境中，对微弱运动目标的检测与跟踪是雷达信号处理的一个重要课题。早期算法主要有Kalman滤波等方法，主要采用检测后跟踪(detect before track，DBT)方法，这类方法在信噪比较高时可以取得很好的效果，否则不能检测出目标。要想对微弱目标进行有效的检测及跟踪，除了抑制杂波和降低系统噪声等方法外，一种有效的方法是检测前跟踪(track before detect，TBD)方法，即对单次观测信号先不进行判断，而是结合雷达图像特点，对目标进行多次观测，计算出目标在各帧图像之间的移动规律，预测目标在下一帧图像的可能位置，同时在帧与帧之间将多次扫描得到的数据沿着预测轨迹进行几乎没有信息损失的相关处理，从而改善目标的信噪比，提高检测性能，在得到检测结果的同时获得目标航迹。 目前，用于微弱目标检测的TBD方法主要有极大似然法、粒子滤波法、动态规划(dynamic programming，DP)法、Hough变换法，等[1-2]。其中，Hough变换法对检测沿径向做匀速直线运动的目标具有较好的检测性能，目标在直线轨迹上的能量集中在Hough变换后的单点上，目标轨迹的能量远大于其它点的能量，但计算量和存储量都较大[3]，难以实现。动态规划算法对目标信噪比要求较低，可以探测各种运动形式的目标[4-5]。 动态规划算法是美国Y.Barniv于1985年提出的，利用动态规划的分段优化思想，将目标轨迹搜索问题分解为分级优化的问题[6]。将其应用到雷达微弱目标检测中，可将雷达回波信号在多普勒频率和距离二维方向的幅度排列成图像，在多帧相继的图像序列中，运动目标轨迹可看作是一条连续变化的曲线，利用动态规划算法，检测是否存在着这样一条曲线，从而判断目标是否存在。 基于动态规划的检测前跟踪的关键在于沿目标运动航迹积累能量[7-8]，可以看出，搜索目标航迹的计算量非常大，在实际应用中存在不足。在预警雷达中，来袭目标比远离雷达的目标更具有威胁性，更需早期发现和预防，所以单独针对来袭目标进行探测，可以大大减少动态规划法搜索的运算量，提高预警雷达的探测能力。本文针对动态规划算法计算量大的缺 收稿日期：2009-02-26；修订日期：2009-06-10。
雷达目标检测性能分析
雷达目标检测实例 雷达对Swerling起伏目标检测性能分析 1.雷达截面积(RCS)的涵义 2.目标RCS起伏模型 3.雷达检测概率、虚警概率推导 4.仿真结果与分析
雷达通过发射和接收电磁波来探测目标。雷达发射的电磁波打在目标上，目标会将入射电磁波向不同方向散射。其中有一部分向雷达方向散射。雷达截面积就是衡量目标反射电磁波能力的参数。
雷达截面积(Radar Cross Section, RCS)定义:22o 2 4π 4π4π4π()4πo i i P P R m P P R σ=== 返回雷达接收机单位立体角内的回波功率 入射功率密度 在远场条件下，目标处每单位入射功率密度在雷达接收机处每单位立体角内产生的反射功率乘以4π。 R 表示目标与雷达之间的距离，P o 、P i 分别为目标反射回 的总功率和雷达发射总功率
?目标RCS和目标的几何横截面是两个不同的概念?复杂目标在不同照射方向上的RCS不同 ?动目标同一方向不同时刻的RCS不同 飞机舰船 目标RCS是起伏变化的，目标RCS大小直接影响着雷达检测性能。为此，需用统计方法来描述目标RCS。基于此，分析雷达目标检测性能。
Swerling 模型是最常用的目标RCS 模型，它包括Swerling 0、I 、II 、III 、IV 五种模型。其中，Swerling 0型目标的RCS 是一个常数，金属圆球就是这类目标。Swerling Ⅰ/Ⅱ型： 1 ()exp()p σ σσσ =- 指数分布 Swerling Ⅰ：目标RCS 在一次天线波束扫描期间是完 全相关的，但本次和下一次扫描不相关（慢起伏），典型目标如前向观察的小型喷气飞机。 Swerling Ⅱ：目标RCS 在任意一次扫描中脉冲间不相关（快起伏），典型目标如大型民用客机。
【CN110133630A】一种雷达目标检测方法及应用其的雷达【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910344449.2 (22)申请日 2019.04.26 (71)申请人 惠州市德赛西威智能交通技术研究 院有限公司 地址 516006 广东省惠州市仲恺高新区和 畅五路西8号投资控股大厦 (72)发明人 孙靖虎 曾迪 黄力 温和鑫 盘敏容 蒋留兵 (74)专利代理机构 惠州创联专利代理事务所 (普通合伙) 44382 代理人 韩淑英 (51)Int.Cl. G01S 13/02(2006.01) G01S 13/08(2006.01) G01S 13/58(2006.01) G01S 7/41(2006.01) (54)发明名称 一种雷达目标检测方法及应用其的雷达 (57)摘要 本发明涉及一种雷达目标检测方法。本发明 提供了一种运行速度快、探测精度高的雷达目标 检测方法，本发明中，雷达的一帧检测中第二发 射波的发射次数可与第一发射波不同，可通过设 置较少的第二发射波的发射次数来缩短雷达的 检测帧周期；本发明中第二发射波只需要进行一 次一维FFT而无需进行二维FFT，降低了计算复杂 度， 提高了数据处理速度。权利要求书2页 说明书7页 附图4页CN 110133630 A 2019.08.16 C N 110133630 A
1.一种雷达目标检测方法，其特征在于，包括以下步骤： 步骤一、发射K1次周期为T1、的第一发射波，所述第一发射波被目标反射后被天线接收得到第一回波； 步骤二、对每个周期的第一回波进行N点采样一维FFT变换得到第一回波一维FFT结果； 步骤三、对所述第一回波一维FFT结果进行二维FFT变换得到坐标对应第一距离单元号、第一模糊速度号的距离多普勒谱，其中第一距离单元号为对单个周期的第一回波进行一维FFT采样的序号，第一模糊速度号为所述第一发射波的发射周期的序号；根据第一回波的目标检测距离、目标检测模糊速度与所述距离多普勒谱的峰值的对应关系求第一回波的目标检测距离及目标检测模糊速度； 步骤四、发射K2次与所述第一发射波频率互质的周期为T2的第二发射波，所述第二发射波被目标发射后被所述天线接收得到第二回波，对每个周期的第二回波进行N点采样一维FFT变换得到对应不同第二距离单元号、第二模糊速度号的第二回波一维FFT结果，其中第二距离单元号为对单个周期的第二回波进行一维FFT采样的序号，第二模糊速度号为所述第二发射波的发射周期的序号； 步骤五、根据步骤三得到的第一回波的目标检测模糊速度与目标真实速度可能值之间的关系求目标真实速度可能值的速度旋转因子，并将该速度旋转因子与步骤四得到的第二回波一维FFT结果形成关联，然后对该关联结果进行解模糊，再根据解模糊的结果对步骤2求得的第一回波的目标检测距离、目标检测模糊速度进行修正从而求得目标真实速度及目标真实距离；以及 步骤六、输出步骤四获得的目标真实速度及目标真实距离。 2.根据权利要求1所述的一种雷达目标检测方法，其特征在于，步骤三中求第一回波的目标检测距离及目标检测模糊速度方法为： 在所述距离多普勒中寻找峰值，该峰值对应的距离单元号、模糊速度号即为目标所处 的第一距离单元号 第一模糊速度号 再根据目标所处的第一距离单元号电磁波的传播速度C、第一发射波的射频带宽B1计算第一回波的目标检测距离以及 根据目标所处的第一模糊速度号所述天线中心频率对应的波长λ、步骤1中所述第一发射波的发射次数K1及周期T1计算第一回波的目标检测模糊速度 3.根据权利要求2所述的一种雷达目标检测方法，其特征在于，所述步骤五具体包括： 定义目标真实速度可能值的速度旋转因子V DFT ： 式中V r为目标真实速度可能值；z为所述第二模糊速度号； 将第一回波的目标检测模糊速 度与目标真实速度可能值V r之间的关 系代入步骤4.1中目标真实速度可能值的速度旋转因子V DFT的定义公式中， 式中m为取值范围为[-d，d]的模糊数单元号，其中d为正整数，从而求得目标真实速度可能值的速度旋转因子； 权 利 要 求 书1/2页 2 CN 110133630 A
扩展卡尔曼滤波雷达目标在线跟踪轨迹算法
基于扩展卡尔曼滤波的雷达目标在线跟踪轨迹的算法摘要：目标跟踪是指根据传感器（如雷达等）所获得的对目标的测量信息，连续地对目标的运动状态进行估计，进而获取目标的运动态势及意图。目标跟踪理论在军、民用领域都有重要的应用价值。在军用领域，目标跟踪是情报搜集、战场监视、火力控制、态势估计和威胁评估的基础；在民用领域，目标跟踪被广泛应用于空中交通管制，目标导航以及机器人的道路规划等行业。本文利用差分方程模型计算目标点的速度与加速度，基于卡尔曼滤波算法建立扩展型卡尔曼滤波算法的目标跟踪模型。 0 引言 目前，对机动目标的跟踪滤波与预测算法主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、与滤波、简化的卡尔曼滤波和卡尔曼滤波。线性自回归滤波完全忽视了状态噪声对估值的影响；两点外推滤波利用最后一个数据点和最后两个数据点分别确定目标位置与目标速度，因此，之前所测的数据点并不能起到预测作用；维纳滤波不适合机动目标的瞬间变化过程，从而在一定程度上限制了它的应用范围；与滤波是两种简单并且易于工程实现的常增益滤波方法，最大优点在于其增益矩阵可以离线计算，而且在每次滤波循环中可节约大约70%的计算量；卡尔曼滤波与预测执行的是均方根误差最小准则，并且通过协方差矩阵可以很方便的对估计精度进行度量，目前应用较多而且误差相对较小的目标跟踪算法是卡尔曼滤波算法。但基本的卡尔曼滤波算法在跟踪机动目标时存在不足：当系
统达到稳态时，其预测协方差很小，使得滤波器的增益也趋于极小值，此时若目标发生机动，系统残差增大，预测的协方差和滤波器的增益不能随残差随时改变，系统将不能保证对突变状态的跟踪能力。 1用扩展卡尔曼滤波算法预测机动目标轨迹 首先由目标初始准确的状态对下一状态进行预测，得到下一状态的预测值，同时由计算所得的对应于初始状态的协方差得到下一状态的协方差预测值；接着由雷达观测误差、状态向量及所得协方差预测值可以得到卡尔曼增益值，进而最终得到下一状态的最优估算值，同时更新对应的协方差。至此，第一轮目标轨迹预测已完成，同理，进行下一轮的目标轨迹预测。模型的具体方程如下：本时刻系统的状态向量由上一时刻系统的最优预测状态向量求得，初始状态需要知道目标的状态向量。这里通过差分方程数学模型计算出目标在三个坐标上速度变化情况： 其中、、表示所测数据第i时刻速度沿着方向三个的速度分量值。 然后使用卡尔曼滤波预测目标的运动轨迹，假定离散时间控制系统状态方程和观测方程为： 式中是k时刻的非线性实值状态向量，是k时刻的系统量测向量，表示系统状态噪声，表示系统测量噪声，A和B为状态向量，H为非线性函数。 由公式4和公式5构成的系统状态方程和测量方程均为线性方程，其过程噪声都为高斯白噪声，可用标准卡尔曼滤波算法进行滤波。
雷达目标识别
目标识别技术 2009-11-27 20:56:41| 分类：我的学习笔记| 标签：|字号大中小订阅 摘要： 针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络 模式识别方法。最后分析了问题的可能解决思路。 引言： 雷达目标识别技术回顾及发展现状 雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标 识别理论和技术。 随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反 映一个国家的军事实力和作战能力。 雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减 速，落在真弹头的后面，从而可以区别目标。 所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别 提出了越来越高的要求。 目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高我国的军事实力，适应未来反导弹、反卫、空间攻防、国土防空与对海军事斗争的需要，急需加大雷达目标识别技术研究的力度雷达目标识别策略主要基于中段、再入段过程中弹道导弹目标群的不同特性。从结构特性看，飞行中段
基于卡尔曼滤波器的雷达目标跟踪
随机数字信号处理期末大作业（报告） 基于卡尔曼滤波器的雷达目标跟踪 Radar target tracking based on Kalman filter 学院（系）：创新实验学院 专业：信息与通信工程 学生姓名：李润顺 学号：21424011 任课教师：殷福亮 完成日期：2015年7月14日 大连理工大学 Dalian University of Technology
摘要 雷达目标跟踪环节的性能直接决定雷达系统的安全效能。由于卡尔曼滤波器在状态估计与预测方面具有强大的性能，因此在目标跟踪领域有广泛应用，同时也是是现阶段雷达中最常用的跟踪算法。本文先介绍了雷达目标跟踪的应用背景以及研究现状，然后在介绍卡尔曼滤波算法和分析卡尔曼滤波器性能的基础上，将其应用于雷达目标跟踪，雷达在搜索到目标并记录目标的位置数据，对测量到的目标位置数据（称为点迹）进行处理，自动形成航迹，并对目标在下一时刻的位置进行预测。最后对在一个假设的情境给出基于卡尔曼滤波的雷达目标跟踪算法对单个目标航迹进行预测的MATLAB仿真，对实验的效果进行评估，分析预测误差。 关键词：卡尔曼滤波器；雷达目标跟踪；航迹预测；预测误差；MATLAB仿真
1 引言 1.1 研究背景及意义 雷达目标跟踪是整个雷达系统中一个非常关键的环节。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态所作的估计和预测，评估船舶航行的安全态势和机动试操船的安全效果。因此，雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能[1]。 鉴于目标跟踪在增进雷达效能中的重要作用，各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展，尤其是在跟踪算法的研究上，理论更是日趋成熟。在跟踪算法中，主要有线性自回归滤波、两点外推滤波、维纳 α-滤波和卡尔曼滤波，其中卡尔曼滤波算法在目标跟踪滤波、加权最小二乘滤波、β 理论中占据了主导地位。 雷达跟踪需要处理的信息种类多种多样。除了目标的位置信息外，一般还要对目标运动速度进行估计，个别领域中的雷达还要对目标运动姿态进行跟踪。雷达跟踪的收敛速度、滤波精度和跟踪稳定度等是评估雷达跟踪性能的重要参数。因此提高雷达跟踪的精度、收敛速度和稳定度也就一直是改善雷达跟踪性能的重点。随着科技的发展，各类目标的运动性能和材质特征有了大幅度的改善和改变，这就要求雷达跟踪能力要适应目标特性的这种变化。在不断提高雷达跟踪性能的前提下，降低雷达跟踪系统的成本也是现代雷达必须考虑的问题。特别是在民用领域中由于雷达造价不能过高，对目标跟踪进行快收敛性、高精度和高稳定性的改良在硬件上是受到一些制约的，因此雷达跟踪算法的研究就越来越引起学者们的关注。通过跟踪算法的改进来提高雷达的跟踪性能还有相当大的挖掘潜力。考虑到雷达设备的造价，民用雷达的跟踪系统首要的方法就是对于雷达的跟踪算法进行开发。
雷达目标识别发展趋势
雷达目标识别发展趋势 雷达具备目标识别功能是智能化的表现，不妨参照人的认知过程，预测雷达目标识别技术的发展趋势： (1)综合目标识别 用于目标识别的雷达必将具备测量多种目标特征的手段，综合多种特征进行目标识别。我们人类认知某一事物时，可以通过观察、触摸、听、闻、尝，甚至做实验的方法认知，手段可谓丰富，确保了认知的正确性。 目标特征测量的每种手段会越来越精确，就如同弱视的人看东西，肯定没有正常人看得清楚，也就不能认知目标。 识别结果反馈给目标特征测量，使目标特征测量成为具有先验信息的测量，特征测量精度会有所提高，识别的准确程度也会相应提高。 雷达具备同时识别目标和背景的功能。人类在观察事物的时候，不仅看到了事物的本身，也看到了事物所处的环境。现有的雷达大多通过杂波抑制、干扰抑制等方法剔除了干扰和杂波，未来的雷达系统需要具备识别目标所处背景的能力，这些背景信息在战时也是有用的信息。 雷达具备自适应多层次综合目标识别能力。用于目标识别的雷达虽然需要具备测量多种目标特征的手段，但识别目标时不一定需要综合所有的特征，这一方面是因为雷达系统资源不允许，另一方面也是因为没有必要精确识别所有的目标。比如司机在开车时，视野中有很多目标，首先要评价哪几个目标有威胁，再粗分类一下，是行人还是汽车，最后再重点关注一下靠得太近、速度太快的是行人中的小孩子还是汽车中的大卡车。 (2)自学习功能 雷达在设计、实现、装备的过程中，即具备了设计师的基因，但除了优秀的基因之外，雷达还需要具有学习功能，才能在实战应用中逐渐成熟。 首先，要具有正确的学习方法，这是设计师赋予的。对于实际环境，雷达目标识别系统应该知道如何更新目标特征库、如何调整目标识别算法、如何发挥更好的识别性能。 其次，要人工辅助雷达目标识别系统进行学习，这就如同老师和学生的关系。在目标识别系统学习时，雷达观测已知类型的合作目标，雷达操作员为目标识别系统指出目标的类型，目标识别系统进行学习。同时还可以人为的创造复杂的电磁环境，使目标识别系统能更好地适应环境。 (3)多传感器融合识别 多传感器的融合识别必定会提高识别性能，这是毋容置疑的。这就好比大家坐下来一起讨论问题，总能讨论出一个好的结果，至少比一个人说的话更可信。但又不能是通过投票的方式，专家的话肯定比门外汉更有说服力。多传感器融合识别需要具备双向作用的能力。 并不是给出融合识别的结果就结束了，而是要利用融合识别的结果反过来提高各个传感器的识别性能，这才是融合识别的根本目的所在。反向作用在一定程度上降低了人工辅助来训练目标识别系统的必要性，也减少了分别进行目标识别试验的总成本。
基于测速雷达的多目标检测算法
基于测速雷达的多目标检测算法 （合肥工业大学计算机与信息学院，安徽合肥20009） 摘要：近些年了来随着科技的进步、人们生活水平的提高，为满足生产和生活的需求各种交通工具应用而生。车型和车速的不断提高给道路交通管制带来了许多的不便和麻烦，因此基于交通测速雷达的多目标分辨领域的研究至关重要，能更好的对道路交通进行管理，在跟踪目标，对超速车辆的查找以及统计各类型车辆数量、缓解交通压力等方面有很大的用途。 本文在多普勒雷达的基础上研究发展而来的基于测速雷达的多目标分辨算法。首先介绍了雷达测速的研究背景及意义，多普勒雷达的测速原理，目前的发展状况以及传统雷达的不足之处。接着介绍了多目标分辨的理论依据，也就是本论文主要讲解的超速雷达的多目标分辨。 关键词:多普勒雷达、多目标分辨、频谱分析、幅度比较 一、研究背景 21世纪以来，人类生产力大解放。科技的蓬勃发展，工业革命的不断推进，无论是生产还是生活人类发生了翻天覆地的变化。其中最明显的便是交通运输工具的变化。随着道路基础设施建设水平的提高，人们生活质量的提高促使家庭小汽车的不断增加，同时为满足生产力发展的需求，各种交通工具应用而生。公路交通运输业是推动国民经济发展，促进经济社会繁荣的主动力。为实现对道路交通的有效管制以及行车速度测量及对超速车辆的实时监测控制对道路上的多目标进行分辨至关重要。 从雷达早期出现用于对空中金属物体的探测，到二战以来出现的雷达对空对地的火力控制等，雷达主要应用于军事领域。随着科技的进步，雷达技术的不断发展，雷达不再是一种单纯的军事雷达，其应用领域不断增加，功能不断增强出现了各种各样的雷达，比如气象雷达，道路交通测速雷达等。雷达测速是利用多普勒效应，通过多普勒频移计算目标的速度。雷达测速因其准确性高，速度快，稳定性好，探测距离远，可移动测速，能更好的抑制地无干扰等优点，得到广泛应用，但是由于雷达波束较宽，在多车并行行驶时，无法分辨出超速车辆，给监测控制带来了困难。国内现有超速测量抓拍系统在多车并行时，由于仅能检测出有车辆超速，无法分辨超速车辆，为避免误判只能放弃抓拍，无形中增加了交通事故隐患，严重影响了现代交通的严格法制化管理进程。因此多目标分辨雷达的研究和制造有着非常重要的作用。同时不仅可应用于超速雷达的探测，在对车型检测，缓解交通压力等方面都发挥很大的作用。 二、交通测速雷达发展状况 目前，美国联邦电讯委员会规定警用测速频道为Xband，Kband，Kaband三种，它们对应的微波频率分别为10.525GHZ，24.150GHZ,33.40-36.00GZH。Xband雷达形状为圆型，无法在车阵中锁定超速车辆只能在车阵中检测第一辆车的速度。K band测速雷达为手持式的雷达，国内警方绝大多数使用这种雷达。Ka band雷达与K band雷达相似，由于其微波频率更高，测速范围更加集中，所以不容易被干扰，目前国内基本局限于一般性测量且测量结果较粗糙，在先进技术方面还有很大差距，因此对多目标分辨的研究至关重要，对提高国内雷达水平，方便道路超速车辆管理有重要的作用。 三、多普勒雷达的作用原理 多普勒雷达，又名脉冲多普勒雷达，是一种利用多普勒效应来探测运动目标的位置和相对运动速度的雷达。1842年,奥地利物理学家J·C·多普勒发现,当波源和观测者有相对运动时,观测者接受到的波的频率和波源发来的频率不同,这种现象被称为多普勒效应。波是由频率和振幅所构成，而无线电波是随着物体而移动的，当无线电波在行进的过程中，碰到物体
雷达动态探测目标的仿真建模
雷达动态探测目标的仿真建模 谢卫，陈怀新 （中国电子科技集团公司第十研究所,成都 610036) 摘要：通过对雷达动态探测目标过程分析，提出了雷达探测目标仿真模型的方法，实现了雷达目标检测、多目标滤波跟踪、资源调度管理等数字模型。实际表明这些模型满足数据融合中雷达探测目标数据的需求，并且建模方法对数据融合传感器模型建立具有实际指导意义。关键词：雷达；建模；仿真；数据融合 Radar detection of targets dynamic simulation modeling XIE Wei，CHEN Huai-xin (CETC No.10th Research Institute, Chengdu, China; ) Abstract:With the analysis of the process of radar dynamic detecting targets, a method of the simulation model based on of radar detect targets is presented, some mathematic models (such as target indication by radar, variable number of targets tracking, resource management based on Scheduling algorithm) are realized. An actual experiment that the simulation data provided by radar detecting model can supply for the study of data fusion was made, simultaneity modeling method has a certain actual instructing meaning at the aspect of sensor detecting model of data fusion. Key words: radar; modeling; simulation; data fusion 1 引言 现代战场上各种目标的出现，要求利用多种传感器组网来采集信息并加以融合，充分利用不同目标各个方向、不同频段的反射特性，最大限度地提取信息，满足战场需要。对于数据融合来说真实的战场目标和传感器探测数据，是检验其有效性的最好条件。然而这样的真实数据很少，而且成本也较高，在融合算法的前期研究和实验阶段，就需要我们较真实的模拟多中传感器的探测数据。雷达是战争中至关重要的侦察手段，本文以雷达为列，分析其数据处理流程，并进行仿真建模。 2 雷达探测仿真建模 雷达探测功能仿真是通过仿真目标回波、接收机噪声、干扰、杂波等信号的幅度信息来复现雷达的检测过程。一般采用基于Monte Carlo的方法来实现，其流程如下图所示：
雷达目标识别技术
雷达目标识别技术述评 孙文峰 （空军雷达学院重点实验室，湖北武汉430010） 摘要：首先对雷达目标识别研究领域已经取得的成果和存在的问题进行简单的回顾，然后结合对空警戒雷达，阐明低分辨雷达目标识别研究的具体思路。 关键词：雷达目标识别；低分辨雷达 Review on Radar Target Recognition SUN Wen-feng （Key laboratory, Wuhan Radar Academy, Wuhan 430010, China）Abstract: The acquired productions and existent problems of radar target recognition are reviewed simply, then the specific considerations of target recognition with low resolution radar are illustrated connect integrating with air defense warning radar in active service. Key words: radar target recognition; low resolution radar 1．引言 雷达目标识别（RTR—Radar Target Recognition）是指利用雷达对单个目标或目标群进行探测，对所获取的信息进行分析，从而确定目标的种类、型号等属性的技术。1958年，D.K.Barton（美国）通过精密跟踪雷达回波信号分析出前苏联人造卫星的外形和简单结构，如果将它作为RTR研究的起点，RTR至今已走过了四十多年的历程。目前，经过国内外同行的不懈努力，应该说RTR已经在目标特征信号的分析和测量、雷达目标成像与特征抽取、特征空间变换、目标模式分类、目标识别算法的实现技术等众多领域都取得了不同程度的突破，这些成果的取得使人们有理由相信RTR是未来新体制雷达的一项必备功能。目前，RTR技术已成功应用于星载或机载合成孔径雷达（SAR—Synthetic Aperture Radar）地面侦察、毫米波雷达精确制导等方面。但是，RTR还远未形成完整的理论体系，现有的R TR 系统在功能上都存在一定的局限性，其主要原因是由于目标类型和雷达体制的多样化以及所处环境的极端复杂性。本文首先对RTR研究领域已经取得的成果和存在的问题进行简单的回顾，最后结合对空警戒雷达，阐明了低分辨雷达目标识别研究的具体思路。 2．雷达目标识别技术的回顾与展望 雷达目标识别研究的主体有三个，即雷达、目标及其所处的电磁环境。其中任何一个主体发生改变都会影响RTR系统的性能，甚至可能使系统完全失效，即RTR研究实际上是要找到一种无穷维空间与有限类目标属性之间的映射。一个成功的RTR系统必定是考虑到了目标、雷达及其所处电磁环境的主要可变因素。就目标而言主要有目标的物理结构、目标相对于雷达的姿态及运动参数、目标内部的运动（如螺旋桨等）、目标的编队形式、战术使用特点等等；就雷达而言主要有工作频率、带宽、脉冲重复频率（PRF）、天线方向图、天线的扫描周期等等；环境因素主要有各种噪声（如内部噪声和环境噪声）、杂波（如地杂波、海杂波和气象杂波）和人为干扰等。在研制RTR系统时必须综合考虑这些因素，抽取与目标属性有关的特征，努力消除与目标属性无关的各种不确定因素的影响。
雷达机动目标跟踪技术研究精编
雷达机动目标跟踪技术 研究精编 Document number：WTT-LKK-GBB-08921-EIGG-22986
1 绪论 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面，目标跟踪问题可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后，许多科学家和工程师一直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展，机动目标在空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究，已成为当今电子战的研
究热点之一。今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且还广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分，机动目标的精确跟踪在过去和现在都是一个难题，最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标，其运动方式在不断地发生变化，从一种形式变化为另一种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式并不会从一而终。通俗地说，就是“目标速度的大小和方向发生变化”。 一般情况下，机动目标跟踪方法概括来讲可以分为以下两类：具有机动检测的跟踪算法和无需机动检测的自适应跟踪算法。机动目标的跟踪需要综合运用统计决策、滤波算法以及其它的数学方法，将传感器所接受到的信号数据进行处理，得到目标的位置、速度、加速度等估计信息。图给出了机动目标跟踪的基本原理图。
雷达跟踪算法论文目标跟踪算法论文
雷达跟踪算法论文目标跟踪算法论文 雷达多目标跟踪算法 摘要:文章简述了雷达多目标跟踪系统中状态估计和航迹数据关联两大问题的研究现状并对主流算法进行分析对比。状态估计问题主要分析了线性滤波及非线性滤波的主流算法。数据关联问题主要分贝叶斯类和最大似然概率类进了行讨论分析。 关键词:雷达；目标跟踪；卡尔曼滤波；数据关联 1引言 将数学算法引入到雷达系统，已经有百年历史，雷达数据处理方法始于高斯将最小二乘算法应用于神谷星的轨道预测，随后R.A.Fisher的极大似然估计法、N.Wiener的维纳滤波法都曾给雷达数据处理带来巨大变革，而由Kalman滤波逐步完善而来的卡尔曼滤波估计理论已经在雷达数据处理中占有非常重要的地位。雷达目标跟踪算法主要有状态估计、航迹点迹处理两个部分。 2状态估计 状态估计是对目标过去的运动状态进行平滑、对目标现在运动状态进行滤波以及对目标未来的运动状态进行预测的方法。 2.1线性滤波算法 在所有的线性形式的滤波器中，线性均方估计滤波器是最优的。线性均方误差准则下的滤波器包括：维纳滤波器和卡尔曼滤波器，稳态条件下两者是一致的，但卡尔曼滤波器适用于有限观测间隔的非平稳问题，它是适合于计算机计算的递推算法。[1]表1列出详细对比。
2.2 非线性滤波 无源探测系统不能测距，欲获得目标状态良好估计需用到非线性滤波方法，包括扩展卡尔曼滤波（EKF）、不敏卡尔曼滤波（UKF）及粒子滤波（PF）[2]。表二列出了详细对比分析。 由以上对比可知，速度上，EKF具有明显优势，但当系统的非线性强度增大导致线性化误差增大时，EKF的估计精度下降，甚至发散；精度上UKF和PF性能相似，但就计算量而言PF远远超过UKF[3]。综上，在一般的非线性高斯环境中宜采用UKF，在更复杂的非高斯环境中，PF将具有更广泛的应用前景。 3 多目标跟踪 多目标跟踪的基本方法，可以分为极大似然类数据关联算法和贝叶斯类数据互联算法。极大似然类数据关联算法包括人工标图法、航迹分叉法、联合极大似然算法、0-1整数规划法、广义相关法等。贝叶斯类互联算法包括最近邻域法、概率数据互联算法、联合数据互联算法、最优贝叶斯算法、多假设方法等[4]。 3.1 极大似然类多目标数据关联算法 在极大似然类数据关联算法中，目前主要应用的是航迹分叉法、两盒极大似然算法、0-1整数规划法和广义相关法这四种算法。表三就这几种线性关联算法进行对比分析。 通过实验，在测量杂波环境相同的条件下，航迹分叉法的计算耗时最长，计算量最大，这是由于它无区别地分配有效测量，不处理同