一种MTD与BP网络相结合的小目标检测方法

资源类型:pdf 资源大小:308.00KB 文档分类:工业技术 上传者:杨虹

相关文档

批量下载下列文档

文档信息

【作者】 黄晓斌 

【关键词】MTD BP网络 小目标检测 

【出版日期】2005-04-30

【摘要】   提出了一种MTD与BP(神经)网络相结合的小目标检测方法,利用某型雷达的实测海杂波数据,对比分析了其与传统MTD方法的检测性能。仿真结果表明,在小目标(低信杂比)的情况下,该检测方法比MTD检测更有效。

【刊名】航天电子对抗

全文阅读

1 引言在雷达的实际工作中,对回波的零中频信号进行MTD[1]杂波抑制、然后通过CFAR进行检测是一种典型的雷达信号处理模式。然而在海杂波背景下,这种处理模式有很大的局限性。与通常的杂波环境(如地杂波)相比,海杂波呈现出非平稳、时变和非高斯等一系列特性,这些性质都限制了 MTD CFAR处理模式的性能。考虑到海杂波的独特性,本文提出了一种MTD与BP(神经)网络相结合的小目标检测方法,该检测方法避开了传统检测方法中恒虚警模型与实际环境不符合所带来的失配问题,同时还具有 BP 网络固有的学习性,因此它能较好地适用于海杂波环境下的小目标检测。2 实测海杂波数据分析2.1 海杂波数据的时域分析本文所使用的海杂波数据是某型雷达在位于方位90°左右连续采集的 3098 个重复周期,每个周期在距离向进行3300点采样,每 10 点对应于一个雷达分辨单元,每个周期的前 80 个数据是机内测试信号,它不对应回波数据。每个周期的数据由 I、Q双通道组成。预先已知每个周期的 1010~1200 点为海杂波信号。第1个周期的回波数据如图 1。海杂波峰值最大点为1131点,对该点进行统计分析,概率密度曲线如图2。从多个重复周期的信号模值来看,海杂波最大超图1 第1个周期的回波信号模值(3300点采样)图2 海杂波信号第1131点幅度概率密度过噪声6dB,最小甚至被噪声完全淹没,可见海杂波起伏较大。由图2可以看出,海杂波幅度近似为瑞利分布,经计算可得它与参数μ=0.019462412的瑞利分布最为接近。2.2 海杂波数据的频域分析以第1131点的3098个重复周期的数据来分析海杂波的频域特性,即做 1131 点的 FFT。为了减小频谱在旁瓣中的泄露,对海杂波进行海明窗[2]加权,加权函数为图3 I分量频谱曲线(第1131点)图4 Q分量频谱曲线(第1131点)图5 信号频谱曲线(第1131点)由重复周期 Tr,结合信号频谱曲线分析可得海杂波的多谱勒频移fd=60.39Hz,谱宽δc=3Hz。 MTD与BP网络相结合的检测方法对于某型雷达,每个距离分辨单元能扫掠到32个重复周期,实际处理是将某个距离单元的32点数据分4组,每组进行如图6所示的 MTD检测,最后再进3/4的二分层检测。图6 某型雷达信号检测框图舍弃0通道和7 通道的目的是抑制固定杂波,单元平均选大 CFAR 是基于瑞利杂波模型提出的。MTD是一个窄带线性系统,在热噪声环境下,由于噪声在窄带线性系统输出端产生的包络的概率密度函数也服从瑞利分布,故判决门限的设定可以按噪声CFAR来设定。BP网络可以有效地对信号进行分类[4],MTD与BP网络相结合的检测方法如图 7。该方法首先将某单元的 32 点回波数据进行 4 次 MTD,每次由 8 点FFT完成。4 次的结果组成一个 4 维的向量,该向量输入到训练好的 BP网络中进行判决。BP 网络采用四层全连接网络,网络参数的具体设定如表1。图7 MTD与BP网络相结合的检测方法表1 BP网络参数设定表输入层第一隐含层第二隐含层输出层神经元个数 32×n 15 5 1神经元激活函数无 tansig tansig logsig(注:‘tansig’函数的表达形式为 2/(1+e-2x)-1,‘logsig’函数的表达形式为1/(1+e-x))4 仿真实验4.1 数据集的构造(1)MTD检测数据集的构造从每个周期的第 1131 点数据中抽取 3072 点数据,将这3072点数据分为 96 组,每组为 32 点。将 96组分为2类各48个样本,前48个样本加入点频信号,信号的频率为0.5倍的归一化Fr 频率,幅度由指定信杂比决定。后48个样本为纯海杂波。(2)MTD与BP网络相结合检测数据集的构造从每个周期的第 1131 点数据中抽取 3072 点数据,构成 96 个样本,同时加入与 MTD检测相同的信号构成另外96个样本 ,将这192个样本先进行 MTD处理,处理的结果为192个4维的向量。前96个样本(带信号)的期望输出为1,后 96 个样本(不带信号)的期望输出为0。用这个数据集对BP网络进行训练。4.2 MTD检测与MTD与BP网络相结合检测的对比(1)MTD检测性能经统计,杂波的功率为 0.0044,按某个指定的SCR(信杂比)加入点频信号。设系统输出虚警率 Pf=10-4,则按公式Pf=Ck-1m-1pkfqm-k+1f (m=4,k=3)[3],可计算出单次检测所需的恒虚警率pfs=0.0729,按公式pf =∫∞u0f0(u)du =exp(- u20/2) [3]可计算出检测门限为u0=2.2884。MTD的ROC性能曲线如图8。图8 MTD检测概率曲线(Pf=10-4)(2)MTD与BP网络相结合检测的性能网络在 SCR= - 10dB 下进行学习。在训练 BP网络的数据集中加入SCR=-10dB的信号,训练情况如图9。对于不同SCR值的测试集,检测概率的变化如图10,虚警概率在SCR变化区间内恒为0.0875。图10 检测性能曲线(SCR=-10dB下学习)通过对两种检测方法的对比,我们发现 MTD 与BP网络相结合的检测在SCR=-10dB学习后的检测性能明显优于 MTD检测,并且在低 SCR下对 BP网络进行训练学习有望进一步提高它在低 SCR下的检测性能。5 结束语本文就实际海杂波数据,结合雷达的实际操作,对比分析了传统 MTD 检测与本文提出的 MTD 与 BP网络相结合的检测方法的性能。仿真结果表明,后者在低信杂比的情况下优于前者。下一步的工作将研究如何在极低信杂比下进一步提高检测概率。■一种MTD与BP网络相结合的小目标检测方法@黄晓斌$国防科技大学电子科学与工程学院!长沙410073MTD;;BP网络;;小目标检测   提出了一种MTD与BP(神经)网络相结合的小目标检测方法,利用某型雷达的实测海杂波数据,对比分析了其与传统MTD方法的检测性能。仿真结果表明,在小目标(低信杂比)的情况下,该检测方法比MTD检测更有效。1 马晓岩,向家彬等.雷达信号处理[M].湖南:湖南科学技术出版社,1999. 2 胡广书.数字信号处理———理论、算法与实现[M].北京:清华大学出版社,1997. 3 赵树杰.统计信号处理———检测理论、估计和滤波理论及其应用[M].西北电讯工程学院出版社,1986. 4 郑君里,杨行峻.人工神经网络[M].北京:高等教育出版社,1992.

1

引证文献

问答

我要提问