论文部分内容阅读
自适应信号(目标)检测是雷达信号处理领域的主要问题之一,是目标聚焦、成像、识别和跟踪等过程的重要前提。在信号检测过程中,不可避免会受到噪声和/或干扰的影响。如何提高信噪比并降低干扰的影响一直是急需解决的问题。本文针对高斯噪声背景下的子空间信号检测问题,就有无干扰、干扰是随机的还是固定的等问题展开研究。本文的主要内容和创新点总结如下:
(a)针对训练数据不足而无法估计噪声协方差矩阵(Noise Covariance Matrix,NCM)的检测问题,引入降维检测方法,通过匹配滤波将观测数据投影到维度较小的信号子空间,降低了需要估计的NCM的维度,降低了检测问题对训练数据量的需求。当检测点目标时,基于一步和两步广义似然比(Generalized Likelihood Ratio Test,GLRT)准则设计了两个具有恒虚警率的降维检测器;当目标导向特征部分已知时,基于GLRT准则、Rao准则和Wald准则,在均匀环境下提出了相同的具有恒虚警率(Constant False Alarm Rate,CFAR)的方向检测器,在部分均匀环境下提出三种CFAR方向检测器;当测试数据中存在秩为1的随机干扰而训练数据中不存在该干扰时,推导出了降维检测器。在训练数据较少时,以上检测器检测性能优于现有检测器。
(b)针对无训练数据的检测问题,引入短时多快拍以采样到多个测试数据。“短时”保证目标特性在判决过程中不变;“多快拍”保证采样到足量测试数据以精确估计NCM。本文推导了CFAR的GLRT准则、Rao准则、Wald准则下的检测器和降维检测器,它们仅需要测试数据便可实现可靠检测。
(c)针对随机干扰和热噪声背景下的检测问题,假设随机干扰和热噪声相互独立,讨论了三种情况:信号与随机干扰完全重合、信号嵌入随机干扰以及信号和随机干扰部分重叠。针对第一种情况,基于GLRT准则设计了CFAR的检测器;针对第二和第三种情况,基于GLRT准则、Rao准则和Wald准则分别设计了三种CFAR检测器。相比于现有的不区分随机干扰和热噪声的检测器,以上检测器对训练数据量的需求更低、检测性能更优。
(d)针对信号与固定干扰线性独立的检测问题,修正Rao准则中的相关参数同时包含信号参数和干扰参数。根据该修正Rao准则提出了CFAR的修正Rao检测器。新检测器在测试数据较多、训练数据较少时,性能优于同类检测器。
(e)针对信号与固定干扰线性独立且干扰导向矢量部分已知的检测问题,假设干扰导向矢量属于已知的干扰子空间。基于一步和和两步GLRT准则提出了两种新CFAR方向检测器。新检测器处理干扰导向矢量部分的问题时比现有检测器更加有效。
(f)针对信号与固定干扰线性独立、训练数据不足以及未知参数过多的检测问题,采用降维检测手段以滤除固定干扰、减少未知参数个数并降低检测问题维度。当信号导向矩阵已知时,基于GLRT准则、Rao准则和Wald准则分别提出了三种新CFAR检测器;当信号导向矢量部分已知时,基于不同的准则得到了相同的CFAR方向检测器。新检测器可处理未知参数过多的检测问题,在训练数据量较少时比现有检测器实现更优的检测性能。
(g)针对信号和固定干扰部分相关的检测问题,通过奇异值分解将信号与固定干扰重塑为一个整体进行处理。基于一步和两步GLRT准则,在均匀环境和部分均匀环境下分别提出两种新CFAR检测器。新检测器性能优于同类检测器。当信号与固定干扰线性独立时,新检测器变为现有的基于GLRT检测器。
(a)针对训练数据不足而无法估计噪声协方差矩阵(Noise Covariance Matrix,NCM)的检测问题,引入降维检测方法,通过匹配滤波将观测数据投影到维度较小的信号子空间,降低了需要估计的NCM的维度,降低了检测问题对训练数据量的需求。当检测点目标时,基于一步和两步广义似然比(Generalized Likelihood Ratio Test,GLRT)准则设计了两个具有恒虚警率的降维检测器;当目标导向特征部分已知时,基于GLRT准则、Rao准则和Wald准则,在均匀环境下提出了相同的具有恒虚警率(Constant False Alarm Rate,CFAR)的方向检测器,在部分均匀环境下提出三种CFAR方向检测器;当测试数据中存在秩为1的随机干扰而训练数据中不存在该干扰时,推导出了降维检测器。在训练数据较少时,以上检测器检测性能优于现有检测器。
(b)针对无训练数据的检测问题,引入短时多快拍以采样到多个测试数据。“短时”保证目标特性在判决过程中不变;“多快拍”保证采样到足量测试数据以精确估计NCM。本文推导了CFAR的GLRT准则、Rao准则、Wald准则下的检测器和降维检测器,它们仅需要测试数据便可实现可靠检测。
(c)针对随机干扰和热噪声背景下的检测问题,假设随机干扰和热噪声相互独立,讨论了三种情况:信号与随机干扰完全重合、信号嵌入随机干扰以及信号和随机干扰部分重叠。针对第一种情况,基于GLRT准则设计了CFAR的检测器;针对第二和第三种情况,基于GLRT准则、Rao准则和Wald准则分别设计了三种CFAR检测器。相比于现有的不区分随机干扰和热噪声的检测器,以上检测器对训练数据量的需求更低、检测性能更优。
(d)针对信号与固定干扰线性独立的检测问题,修正Rao准则中的相关参数同时包含信号参数和干扰参数。根据该修正Rao准则提出了CFAR的修正Rao检测器。新检测器在测试数据较多、训练数据较少时,性能优于同类检测器。
(e)针对信号与固定干扰线性独立且干扰导向矢量部分已知的检测问题,假设干扰导向矢量属于已知的干扰子空间。基于一步和和两步GLRT准则提出了两种新CFAR方向检测器。新检测器处理干扰导向矢量部分的问题时比现有检测器更加有效。
(f)针对信号与固定干扰线性独立、训练数据不足以及未知参数过多的检测问题,采用降维检测手段以滤除固定干扰、减少未知参数个数并降低检测问题维度。当信号导向矩阵已知时,基于GLRT准则、Rao准则和Wald准则分别提出了三种新CFAR检测器;当信号导向矢量部分已知时,基于不同的准则得到了相同的CFAR方向检测器。新检测器可处理未知参数过多的检测问题,在训练数据量较少时比现有检测器实现更优的检测性能。
(g)针对信号和固定干扰部分相关的检测问题,通过奇异值分解将信号与固定干扰重塑为一个整体进行处理。基于一步和两步GLRT准则,在均匀环境和部分均匀环境下分别提出两种新CFAR检测器。新检测器性能优于同类检测器。当信号与固定干扰线性独立时,新检测器变为现有的基于GLRT检测器。