论文部分内容阅读
信号检测是雷达系统中的一个重要组成部分,恒虚警检测(Constant False Alarm Rate,CFAR)在信号检测中占据不可或缺的地位。CFAR检测理论虽然已经取得了长足的发展,但是现有的经典CFAR检测器都只能在特定的杂波环境中取得较优的检测性能。例如:单元平均恒虚警(Cell Average CFAR,CA-CFAR)检测器在均匀杂波背景下能够有很好的检测性能,但是在多目标、杂波边缘中的检测性能急剧下降等。本文在分析了传统CFAR检测器的基础上,提出了两种基于神经网络的信号检测器,主要的工作如下:(1)讨论了传统CFAR检测器的基本原理,并在其基础上,通过仿真建立实际的杂波环境,比较分析了几种CFAR检测器在均匀杂波、多目标、杂波边缘的性能。(2)提出了一种神经网络与传统恒虚警方法相结合(Neural Network and Constant False Alarm,NN-CFAR)的信号检测方法。该检测方法的主要思想是利用多层感知机识别杂波背景(包括均匀杂波、多目标和杂波边缘三种杂波背景),然后选择合适的检测方法(包括单层神经网络、有序恒虚警(Ordered Statistics CFAR,OS-CFAR)和两侧单元平均选最大(Greatest Of CFAR,GOCFAR)检测器实现目标的识别检测。首先经过多次训练确定神经网络的最优结构参数以及训练样本量,然后验证NN-CFAR信号检测器在不同杂波背景下的性能。最终仿真结果表明相比于传统CFAR检测器,NN-CFAR信号检测器具有较强的环境适应能力,并且性能相对有所提升。(3)在NN-CFAR信号检测器的基础上,提出了一种基于多层感知机(Baseed on MultiLayered Perception,BMLP)实现最优门限预测(Threshold Prediction,TP)的BMLP-TP信号检测器。该型检测器主要利用多层感知机的非线性特性,实现对不同杂波背景(包括均匀杂波、多目标和杂波边缘三种杂波背景)下传统CFAR最优门限(包括CA-CFAR、OS-CFAR和GO-CFAR门限)预测。首先经过多次训练确定了多层感知机的最优结构参数以及训练样本量,然后验证BMLPTP信号检测器在不同杂波背景下的性能,最终仿真结果表明其能够适用于多种杂波背景并且性能介于传统CFAR和NN-CFAR信号检测器之间。(4)针对上面提出的两种神经网络信号检测器,以实际采集到的多组均匀杂波环境的数据为基础,验证了其在实际环境中的有效性。