杂波背景下的分布式异构雷达信号融合检测方法

专利名称：杂波背景下的分布式异构雷达信号融合检测方法

专利类型：发明专利

专利申请号：CN202210335965.0

专利申请（专利权）人：西安电子科技大学
权利人地址：陕西省西安市太白南路2号

专利发明（设计）人：周生华,卢靖,彭晓军,童昊,马晖

专利摘要：本发明公开了一种杂波背景下的分布式异构雷达信号融合检测方法，主要解决现有加权检测算法在局部权值设计中未充分考虑局部雷达站检测能力差异而导致检测性能差的问题。其实现方案是：根据分布式检测系统构建局部检验统计量；基于对全局检验统计量的卡方近似，以在给定虚警概率条件下最小化全局漏警概率为目标函数来优化求解局部权值；在融合中心根据优化得到的权值对局部检验统计量进行加权融合；将加权融合后的全局检验统计量与检测门限进行比较完成目标是否存在的判决。仿真结果表明，本发明相较于现有的加权检测方法具有更好的检测性能，可用于提升杂波背景下的分布式异构雷达系统的检测性能。

主权利要求：
1.一种杂波背景下的分布式异构雷达信号融合检测方法，其特征在于，包括如下：(1)对于包括一个信号融合中心和N个局部雷达站的分布式雷达系统，根据其第i个局部雷达站的接收信号构建局部检验统计量为qi，i＝1,2,…,N，其中N为局部雷达站总数；
(2)构造权值优化模型：
(2a)设N个局部雷达站的权值为ω＝(ω1,ω2,…ωi,…,ωN)，将全局加权检验统计量表示为 其中ωi是第i个局部雷达站权值；
(2b)在目标不存在的假设下，计算全局检验统计量t1的均值μ0、方差 偏斜度s0、卡方近似自由度参数v0；在目标存在的假设下，计算全局检验统计量t1的均值μ1、方差 偏斜度s1、卡方近似自由度参数v1；
(2c)对全局检验统计量t1进行等效变换，得到变换后的全局检验统计量：并将该全局检验统计量t近似为卡方分布随机变量；
(2d)根据t近似为卡方分布随机变量，给定全局虚警概率Pfa，得到如下全局虚警概率Pfa与检测门限γ的近似关系式以及全局漏警概率Pm与检测门限γ的近似关系式：其中， 表示自由度为v0的卡方分布的累积分布函数， 表示自由度为v1的卡方分布的累积分布函数；
(2e)根据(2d)中的两个近似表示式，为实现给定虚警概率条件下最小化全局漏警概率，构建权值优化模型：其中 为经过优化得到的局部权值， 为第i个雷达站经过优化得到的权值， 表示自由度为v0的卡方分布的累积分布函数的逆函数；
(3)采用序列二次规划算法优化求解局部权值：(3a)设置循环次数Nc，初始化循环次数标记k＝1，设置虚警概率Pfa；初始化局部权值ω0＝(ω1,0,ω2,0,…ωi,0,…,ωN，0)，其中ωi,0表示第i个雷达站的初始权值，初始化N维的存储向量T＝ω0，根据ω0以及Pfa计算初始漏警概率Pm,0；
(3b)调用Matlab中的fmincon函数，对(2e)中的优化模型进行求解，得到第k次循环优化后的权值ωk＝(ω1,k,ω2,k,…,ωi,k,…,ωN,k)以及漏警概率Pm,k,其中ωi,k表示第i个局部雷达站经过第k次循环优化后的权值，k＝1,2,…,Nc；
(3c)将第k次循环优化后的漏警概率Pm,k与第k‑1次循环优化后的漏警概率Pm,k‑1进行比较：如果Pm,k＜Pm,k‑1，则更新存储向量T＝ωk；
如果Pm,k≥Pm,k‑1，则执行(3d)；
(3d)判断当前的循环次数k：
如果k＜Nc，则循环次数标记k的值增加1，返回(3b)；
否则，根据临时存储向量T，得到最终经过优化后的局部权值(4)融合中心构建新的全局检验统计量，并作出目标是否存在的判决：(4a)融合中心根据最终经过优化后的权值计算目标不存在假设下的均值 方差偏斜度 卡方近似自由度参数
(4b)构造新的全局检验统计量
(4c)根据新的全局检验统计量 和给定的虚警概率Pfa，采用数值仿真的方式求解新的检测门限(4d)将新的全局检验统计量 与新的检测门限 进行比较，判定目标是否存在：若 大于等于检测门限 则判定目标存在；
若 小于检测门限 则判定目标不存在。
2.根据权利要求1所述的方法，其特征在于，所述(1)中构造的局部检验统计量qi，表述如下：其中，ki为第i个雷达站的参考单元数， 为第i个局部雷达站在检测单元处的接收信号， 表示复数域，li为第i个雷达站的快拍数， 为第i个局部雷达站的导向向量， 其中 为第i个局部雷达站观测环境对应的背景杂噪协方差矩阵的采样协方差矩阵的ki倍， xi,j为第i个局部雷达站的第j个参考单元的接收信号，表示xi,j的复共轭， 表示 的逆矩阵， 表示 的模。
3.根据权利要求1所述的方法，其特征在于，所述(2b)中计算在假设目标不存在条件下全局检验统计量t1的均值μ0、方差 偏斜度s0，卡方近似自由度参数v0：其中，ri＝(ki+1)/(ki‑li+1)，li为第i个雷达站的快拍数，ki为第i个雷达站的参考单元数。
4.根据权利要求1所述的方法，其特征在于，所述(2b)中计算在假设目标存在条件下全局检验统计量t1的均值μ1、方差 偏斜度s1、卡方近似自由度参数v1，实现如下：(2b1)计算ωiqi在目标存在假设下的前三阶矩e1,i、e2,i、e3,i：其中， 表示第i个局部雷达站的局部检验统计量在目标存在假设下的概率密度函数，表达式为：
其中α'＝(α′1,α′2,…,α′i,…,α′N)表示局部雷达站的信噪比，α′i表示第i个雷达站的信噪比；Φ(m+ki‑li+2,m+ki+1,‑α′i)表示输入参数为m+ki‑li+2、m+ki‑li+2、‑α′i的第一类合流超几何函数，Γ(m+ki+1)表示输入参数为m+ki+1的伽马函数；ki！、(ki+1‑li)！、m！分别表示ki、(ki+1‑li)、m的阶乘，e表示自然数；
(2b2)根据(2b1)的结果通过下式计算目标存在假设下全局检验统计量t1的均值μ1、方差 偏斜度s1、卡方近似自由度参数v1：
5.根据权利要求1所述的方法，其特征在于，所述(2c)中将全局检验统计量t近似为卡方分布随机变量，是根据不同的假设条件进行近似，即：在目标不存在假设下，将全局检验统计量近似为:在目标存在假设下，将全局检验统计量近似为：
其中 表示自由度为v0的中心卡方分布随机变量， 表示自由度为v1的中心卡方分布随机变量。
6.根据权利要求1所述的方法，其特征在于，所述(2e)中根据(2d)中的两个近似表示式，为实现给定虚警概率条件下最小化全局漏警概率，构建权值优化模型，实现如下：(2e1)根据全局虚警概率Pfa与检测门限γ的近似关系式得到检测门限的近似表达：(2e2)根据检测门限得到近似的漏警概率表达式：(2e3)构建权值优化模型：
7.根据权利要求1所述的方法，其特征在于，所述(3a)中根据ω0以及Pfa计算初始漏警概率Pm,0，实现如下：(3a1)基于ω0构造全局检验统计量
(3a2)计算t1,0在目标不存在假设下的均值μ0,0、方差 偏斜度s0,0、卡方近似自由度参数v0,0；
(3a3)计算目标存在假设下全局检验统计量t1,0的均值μ1,0、方差 偏斜度s1,0、卡方近似自由度参数v1,0；
(3a4)根据(3a2)、(3a3)的结果计算初始漏警概率Pm,0：其中 表示自由度为v1,0的卡方分布的累积分布函数， 表示自由度为v0,0的卡方分布的累积分布函数的逆函数。
8.根据权利要求1所述的方法，其特征在于，所述(4b)中根据新的全局检验统计量 和给定的虚警概率Pfa，采用数值仿真的方式求解新的检测门限 实现如下：(4b1)在目标不存在假设下采用Matlab软件生成全局检验统计量 的随机数 个，其中 表示对 向上取整；
(4b2)对生成的随机数从小到大排序，将排序后的随机数记作向量tmc，则tmc为的向量，取tmc的第 个值作为检测门限 其中 表示对向上取整。 说明书 : 杂波背景下的分布式异构雷达信号融合检测方法技术领域[0001] 本发明属于雷达技术领域，特别涉及一种分布式异构雷达信号融合检测方法，可用于提升杂波背景下的分布式异构雷达系统的检测性能。背景技术[0002] 分布式雷达系统通过分散的多个局部雷达站对监视区域进行协同扫描，可以获得空间分集增益、信噪比增益、频率分集增益等，从而实现相比单雷达站更高的探测性能。随着雷达工作环境日益复杂，分布式雷达系统融合检测方法由于其检测性能方面的优势已经成为了国内外的研究热点。[0003] 根据局部雷达站接收信号的统计分布是否相同，可以将分布式雷达融合检测分为同构雷达信号融合检测与异构雷达信号融合检测。前者假设每个局部雷达站接收观测具有相同的统计分布，而后者允许每个局部雷达站接收观测服从不同的统计分布。在实际场景中，由于各个雷达站自身的工作参数差异、背景杂波、与目标的距离差异等因素，分布式雷达系统一般工作在异构场景下，因此研究分布式异构雷达信号融合检测具有重要的应用与实际意义。[0004] 在分布式雷达信号融合检测框架下，每个局部雷达站根据自身观测形成局部检验统计量，然后将局部检验统计量传输至融合中心形成全局检验统计量。若全局检验统计量大于一个给定的检测门限，则认为目标存在，否则认为目标不存在。全局检验统计量的形式取决于融合方式，最优的融合方式为基于奈曼‑皮尔逊准则的似然比检验，但是该准则需要已知目标信噪比、背景噪声强度等信息，而这些信息往往是未知的。一种广泛使用的信号融合检测器为基于广义似然比准则的融合方法，该方法先对未知参数求取最大似然估计，然后将估计量代入到似然比检验中，从而形成全局检验统计量。但是，在局部雷达站观测独立场景下，基于广义似然比的检测器是一种局部检验统计量的均匀加权，并且该检测器已经被证明是次优的。此外，该融合方式没有充分考虑到局部雷达站的检测能力差异，而具有更高检测能力的雷达站应该被赋予更高的权值。因此，在杂波背景下，考虑到局部雷达站的目标检测能力差异，可以采取加权融合检测的方式，给检测性能强的局部雷达站赋予更高的权值。[0005] 对于加权检测，文献[S.H.ZhouandH.W.Liu,“Signalfusion‑basedtargetdetectionalgorithmforspatialdiversityradar,”IETRadar,SonarandNavigation,vol.5,no.3,pp.204–214,2011.]研究了杂波背景下的分布式MIMO雷达融合检测问题。为了方便计算检测门限，文中给出了一种修正加权检测方案，仿真结果表明修正加权检测方法不仅可以有效实现全局检测门限的求解，在某些场景下可以实现比文中所述的均匀加权检测方法更好的检测性能。[0006] 文献[J.Lu,S.Zhou,J.Wang,D.Li,T.Feng,H.Liu,andH.Ma,“Signalfusion‑baseddetectionwithanintuitiveweightingmethod,”in2020IEEERadarConference(RadarConf20),2020,pp.1–6.]中给出了杂波背景下直观的加权检测方法。在该方法中，局部权值的设计是根据局部雷达站的检测性能曲线来直观设计的，结果表明该加权检测方法可以在某些场景下得到优于均匀加权的检测性能。[0007] 上述加权检测方法中，修正加权检测方法的权值设计仅为了全局检测门限的方便求解，无法保证良好的检测性能；均匀加权检测方法未充分考虑到局部雷达站检测能力的差异，在异构场景下存在检测性能损失，并且在异构场景下无法得到虚警概率与检测门限的闭式表达式；直观的加权检测方法通过各雷达站的检测曲线设计权值，并未直接以最大化检测概率为目标，在异构场景下无法保证好的检测性能，且无法得到虚警概率与检测门限的闭式表达式。因此，有必要研究杂波背景下的分布式异构雷达加权检测方法，在提升系统检测性能的同时，使得系统检测门限容易求解，便于工程应用。发明内容[0008] 本发明的目的在于针对上述已有技术的不足，提出一种杂波背景下的分布式异构雷达加权融合检测方法，旨在保持系统虚警概率不变的基础上实现更高的检测概率，同时精确地给出检测门限的闭式求解方法。[0009] 本发明的技术方案为：首先根据分布式检测系统构建局部检验统计量，然后基于对全局加权检验统计量的卡方近似，以给定虚警概率条件下最小化全局漏警概率为目标函数来优化求解局部权值，最终在融合中心根据优化得到的权值对局部检验统计量进行加权融合并完成目标是否存在的判决。具体实现步骤包括如下：[0010] (1)对于包括一个信号融合中心和N个局部雷达站的分布式雷达系统，根据其第i个局部雷达站的接收信号构建局部检验统计量为qi，i＝1,2,…,N，其中N为局部雷达站总数；[0011] (2)构造权值优化模型：[0012] (2a)设N个局部雷达站的权值为ω＝(ω1,ω2,…ωi,…,ωN)，将全局加权检验统计量表示为 其中ωi是第i个局部雷达站权值；[0013] (2b)在目标不存在的假设下，计算全局检验统计量t1的均值μ0、方差 偏斜度s0、卡方近似自由度参数v0；在目标存在的假设下，计算全局检验统计量t1的均值μ1、方差偏斜度s1、卡方近似自由度参数v1；[0014] (2c)对全局检验统计量t1进行等效变换，得到变换后的全局检验统计量：并将该全局检验统计量t近似为卡方分布随机变量；[0015] (2d)根据t近似为卡方分布随机变量，给定全局虚警概率Pfa，得到如下全局虚警概率Pfa与检测门限γ的近似关系式以及全局漏警概率Pm与检测门限γ的近似关系式：[0016][0017][0018] 其中， 表示自由度为v0的卡方分布的累积分布函数， 表示自由度为v1的卡方分布的累积分布函数；[0019] (2e)根据(2d)中的两个近似表示式，为实现给定虚警概率条件下最小化全局漏警概率，构建权值优化模型：[0020][0021] 其中 为经过优化得到的局部权值， 为第i个雷达站经过优化得到的权值， 表示自由度为v0的卡方分布的累积分布函数的逆函数；[0022] (3)采用序列二次规划算法优化求解局部权值：[0023] (3a)设置循环次数Nc，初始化循环次数标记k＝1，设置虚警概率Pfa。初始化局部权值ω0＝(ω1,0,ω2,0,…ωi,0,…,ωN，0)，其中ωi,0表示第i个雷达站的初始权值，初始化N维的存储向量T＝ω0，根据ω0以及Pfa计算初始漏警概率Pm,0；[0024] (3b)调用Matlab中的fmincon函数，对(2e)中的优化模型进行求解，得到第k次循环优化后的权值ωk＝(ω1,k,ω2,k,…,ωi,k,…,ωN,k)以及漏警概率Pm,k,其中ωi,k表示第i个局部雷达站经过第k次循环优化后的权值，k＝1,2,…,Nc；[0025] (3c)将第k次循环优化后的漏警概率Pm,k与第k‑1次循环优化后的漏警概率Pm,k‑1进行比较：[0026] 如果Pm,k＜Pm,k‑1，则更新存储向量T＝ωk；[0027] 如果Pm,k≥Pm,k‑1，则执行(3d)；[0028] (3d)判断当前的循环次数k：[0029] 如果k＜Nc，则循环次数标记k的值增加1，返回(3b)；[0030] 否则 ，根据 临时存储 向量T，得到最终 经过 优化后的 局部权 值[0031] (4)融合中心构建新的全局检验统计量，并作出目标是否存在的判决：[0032] (4a)融合中心根据最终经过优化后的权值计算目标不存在假设下的均值 方差偏斜度 卡方近似自由度参数[0033] (4b)构造新的全局检验统计量[0034][0035] (4c)根据新的全局检验统计量 和给定的虚警概率Pfa，采用数值仿真的方式求解新的检测门限[0036] (4d)将新的全局检验统计量 与新的检测门限 进行比较，判定目标是否存在：[0037] 若 大于等于检测门限 则判定目标存在；[0038] 若 小于检测门限 则判定目标不存在。[0039] 本发明与现有技术相比，具有如下优点：[0040] 第一，本发明基于对全局检验统计量的卡方近似，构造了关于局部雷达站权值的优化模型；在给定虚警概率的条件下，对全局漏警概率进行最小化来优化求解局部权值；在给定虚警概率、局部加权值的条件下，通过本发明所述的卡方近似方法闭式求解检测门限，有利于工程上的检测门限设置。[0041] 第二，由于本加权检测方法在以给定虚警概率条件下最小化漏警概率为优化目标函数，因此相比现有的均匀加权检测方法、修正加权检测方法具有更好的检测性能。附图说明[0042] 图1是本发明的实现总流程图；[0043] 图2是本发明使用序列二次规划算法求解局部雷达站权值的子流程图；[0044] 图3是本发明在给定不同检测门限时基于卡方近似方法理论求解的虚警概率与蒙特卡洛实验得到的虚警概率图；[0045] 图4是本发明所提加权融合检测方法和现有均匀加权、修正加权方法的检测概率曲线图；[0046] 图5是本发明中在适配场景以及3个失配场景下得到的检测概率曲线图。具体实施方式[0047] 以下结合附图和具体实施例，对本发明作进一步详细描述。[0048] 参照图1，本发明的实现步骤如下：[0049] 步骤1，构造局部检验统计量。[0050] 给定一个分布式雷达系统，该系统中包括一个信号融合中心和N个局部雷达站，将局部雷达站分别记为第1至第N个雷达站。假设 为第i个局部雷达站在检测单元处的接收信号， 表示复数域，li为第i个雷达站的快拍数， 为第i个局部雷达站的导向向量， 其中 为第i个局部雷达站观测环境对应的背景杂噪协方差矩阵的采样协方差矩阵的ki倍， xi,j为第i个局部雷达站的第j个参考单元的接收信号， 表示xi,j的复共轭，则第i个局部雷达站的检验统计量为：[0051][0052] 其中， 表示 的逆矩阵， 表示 的模。[0053] 步骤2，构造权值优化模型。[0054] (2.1)设N个局部雷达站的权值为ω＝(ω1,ω2,…ωi,…,ωN)，将全局加权检验统计量表示为 其中ωi是第i个局部雷达站权值；[0055] (2.2)在目标不存在的假设下，计算全局检验统计量t1的均值μ0、方差 偏斜度s0、卡方近似自由度参数v0。计算公式为：[0056][0057] 其中，ri＝(ki+1)/(ki‑li+1)，li为第i个雷达站的快拍数，ki为第i个雷达站的参考单元数。[0058] (2.3)在目标存在的假设下，计算全局检验统计量t1的均值μ1、方差 偏斜度s1、卡方近似自由度参数v1：[0059] (2.3.1)计算ωiqi在目标存在假设下的前三阶矩e1,i、e2,i、e3,i：[0060][0061] 其中， 表示第i个局部雷达站的局部检验统计量在目标存在假设下的概率密度函数，表达式为：[0062][0063] 其中α'＝(α′1,α′2,…,α′i,…,α′N)表示局部雷达站的信噪比，α′i表示第i个雷达站的信噪比。Φ(m+ki‑li+2,m+ki+1,‑α′i)表示输入参数为m+ki‑li+2、m+ki‑li+2、‑α′i的第一类合流超几何函数，Γ(m+ki+1)表示输入参数为m+ki+1的伽马函数。ki！、(ki+1‑li)！、m！分别表示ki、(ki+1‑li)、m的阶乘，e表示自然数；[0064] (2.3.2)根据(2.3.1)的结果通过下式计算目标存在假设下全局检验统计量t1的均值μ1、方差 偏斜度s1、卡方近似自由度参数v1：[0065][0066] (2.4)为了方便后续进行卡方近似时的描述，对全局检验统计量t1进行等效变换，得到变换后的全局检验统计量： 并将该全局检验统计量t近似为卡方分布随机变量，近似过程为：[0067] 在目标不存在假设下，将全局检验统计量近似为:[0068] 在目标存在假设下，将全局检验统计量近似为： 其中表示自由度为v0的中心卡方分布随机变量， 表示自由度为v1的中心卡方分布随机变量；[0069] (2.5)根据t近似为卡方分布随机变量，给定全局虚警概率Pfa，得到如下全局虚警概率Pfa与检测门限γ的近似关系式以及全局漏警概率Pm与检测门限γ的近似关系式：[0070][0071][0072] 其中， 表示自由度为v0的卡方分布的累积分布函数， 表示自由度为v1的卡方分布的累积分布函数；[0073] (2.6)根据(2.5)中的两个近似关系式，为实现给定虚警概率条件下最小化全局漏警概率，构建权值优化模型：[0074] (2.6.1)根据全局虚警概率Pfa与检测门限γ的近似关系式得到检测门限的近似表达：[0075][0076] 其中 表示自由度为v0的卡方分布的累积分布函数的逆函数。[0077] (2.6.2)根据检测门限得到近似的漏警概率表达式：[0078][0079] (2.6.3)构建权值优化模型：[0080][0081] 其中 为经过优化得到的局部权值， 为第i个雷达站经过优化得到的权值。[0082] 步骤3，采用序列二次规划算法优化求解局部权值：[0083] 参照图2，本步骤的具体实现如下：[0084] (3.1)设置循环次数Nc，初始化循环次数标记k＝1，设置虚警概率Pfa。初始化局部权值ω0＝(ω1,0,ω2,0,…ωi,0,…,ωN，0)，其中ωi,0表示第i个雷达站的初始权值，初始化N维的存储向量T＝ω0，根据ω0以及Pfa计算初始漏警概率Pm,0：[0085] (3.1.1)基于ω0构造全局检验统计量[0086] (3.1.2)计算t1,0在目标不存在假设下的均值μ0,0、方差 偏斜度s0,0、卡方近似自由度参数v0,0，计算方法与(2.2)中的计算公式类似；[0087] (3.1.3)计算目标存在假设下全局检验统计量t1,0的均值μ1,0、方差 偏斜度s1,0、卡方近似自由度参数v1,0，计算方法与(2.3)中的计算公式类似；[0088] (3.1.4)根据(3.1.2)、(3.1.3)的结果计算初始漏警概率Pm,0：[0089][0090] 其中 表示自由度为v1,0的卡方分布的累积分布函数， 表示自由度为v0,0的卡方分布的累积分布函数的逆函数。[0091] (3.2)调用Matlab中的fmincon函数，对(2.6)中的优化模型进行求解，得到第k次循环优化后的权值ωk＝(ω1,k,ω2,k,…,ωi,k,…,ωN,k)以及漏警概率Pm,k,其中ωi,k表示第i个局部雷达站经过第k次循环优化后的权值，k＝1,2,…,Nc；[0092] (3.3)将k次循环优化后的漏警概率Pm,k与k‑1次循环优化后的漏警概率Pm,k‑1进行比较：[0093] 如果Pm,k＜Pm,k‑1，则更新存储向量T＝ωk；[0094] 如果Pm,k≥Pm,k‑1，则执行(3.4)；[0095] (3.4)判断当前的循环次数k：[0096] 如果k＜Nc，则循环次数标记k的值增加1，返回(3.2)；[0097] 否则 ，根据 临时存储 向量T，得到最终 经过 优化后的 局部权 值[0098] 步骤4，融合中心构建新的全局检验统计量，并作出目标是否存在的判决。[0099] (4.1)融合中心根据最终经过优化后的权值 计算目标不存在假设下的均值方差 偏斜度 卡方近似自由度参数 计算方法与(2.2)中的计算公式类似；[0100] (4.2)构造新的全局检验统计量：[0101][0102] (4.3)根据新的全局检验统计量 和给定的虚警概率Pfa，采用数值仿真的方式求解新的检测门限[0103] (4.3.1)在目标不存在假设下采用Matlab软件生成全局检验统计量 的随机数个，其中 表示对 向上取整；[0104] (4.3.2)对生成的随机数从小到大排序，将排序后的随机数记作向量tmc，则tmc为的向量，取tmc的第 个值作为检测门限 其中 表示对向上取整；[0105] (4.4)将新的全局检验统计量 与新的检测门限 进行比较，判定目标是否存在：[0106] 若 大于等于检测门限 则判定目标存在；[0107] 若 小于检测门限 则判定目标不存在。[0108] 结合以下仿真实验，对本发明的技术效果作进一步说明。[0109] 一.仿真条件：[0110] 设雷达站个数N＝3，全局虚警概率为Pfa＝10‑4，各个局部雷达站的参考单元数为k＝(18,21,24)，各个局部雷达站的接收信号快拍数为l＝(16,12,8)。[0111] 假设系统已知各个雷达站信噪比之和SNR，且取值范围为5至25dB，但未知各个雷达站信噪比的比例。各雷达站的真实信噪比比例设为d＝(1,2,3)，即各个局部雷达站的真实信噪比满足α1:α2:α3＝1:2:3。假设估计的各个局部雷达站的信噪比的比例为即估计的各个局部雷达站的信噪比的比例为 考虑3组估计信噪比取值，分别为 若估计的信噪比比例等于真实的局部雷达站的信噪比比例，则为适配场景，否则为失配场景。[0112] 设求解局部雷达站权值时的序列二次优化算法循环次数为Nc＝20，全局检测概率和检测门限的求解采用蒙特卡洛实验，求解检测门限时的蒙特卡洛次数为1000000，求解检测概率时的蒙特卡洛次数为100000。[0113] 硬件环境：CPU为Inter至强E5‑2667v4，主频为3.20GHz，内存为128GB，64位操作系统。[0114] 软件环境：Microsoftwindows7专业版，MATLAB2019b仿真软件。[0115] 二.仿真内容与结果[0116] 仿真1：在上述条件下仿真对本发明在给定不同检测门限时基于卡方近似方法理论求解的虚警概率与蒙特卡洛实验得到的虚警概率进行对比，结果如图3。从图3可见，本发明基于卡方近似的方法求解得到的虚警概率与蒙特卡洛实验得到的虚警概率几乎相同，表明了卡方近似的有效性，因此可通过本发明所述的卡方分布近似方法有效地计算检测门限。[0117] 仿真2：在上述条件下分别仿真对本发明所提加权融合检测方法和现有均匀加权、修正加权方法的检测概率曲线，结果如图4，其中现有均匀加权法以及修正加权法来自文献[S.H.ZhouandH.W.Liu,“Signalfusion‑basedtargetdetectionalgorithmforspatialdiversityradar,”IETRadar,SonarandNavigation,vol.5,no.3,pp.204–214,2011.]。[0118] 从图4可见，本发明得到的检测概率高于现有的均匀加权检测方法以及修正加权检测方法得到的检测概率。以60％检测概率为参考，本发明的加权融合检测方法相比现有的均匀加权检测方法所需的信噪比减小了5.38dB，相比修正加权检测方法所需的信噪比减小了0.38dB。[0119] 仿真3：在上述条件下仿真对本发明中所提加权融合检测方法在适配场景以及3个失配场景下得到的检测概率曲线进行对比，其结果如图5所示。从图5可见，本发明所提加权融合检测方法在估计的局部雷达站信噪比的比例与真实的局部雷达站信噪比的比例出现较大偏差时的检测性能损失极小。以60％检测概率为参考，信噪比估计失配所导致的信噪比损失不超过0.04dB，从而说明所提加权融合检测方法在估计的局部雷达站的信噪比比例与真实的局部雷达站的信噪比比例出现较大偏差时仍具有较好的检测性能。[0120] 综合上述，本发明在保证系统虚警概率的条件下，提高了系统的检测性能，并给出了较为精确的全局检测门限闭式求解方式。此外，本发明所提方法对于估计的局部雷达站的信噪比比例具有较好的鲁棒性。

专利地区：陕西

专利申请日期：2022-03-31

专利公开日期：2024-07-26

专利公告号：CN114755680B