[發明專利]距離擴展目標內稟模態局部奇異值有序融合檢測方法

有效

• 申請號: 201310548426.6
• 申請日: 2013-11-02
• 公開（公告）號: CN103605120A
• 公開（公告）日: 2014-02-26
• 發明（設計）人: 簡濤;蘇峰;何友;平殿發;張韞;周強;李炳榮
• 申請（專利權）人: 中國人民解放軍海軍航空工程學院
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.距離擴展目標內稟模態局部奇異值有序融合檢測方法，其特征在于包括以下步驟：

步驟1對待檢測的雷達回波一維距離像進行EMD分解

對待檢測區域的N個距離單元回波幅值(x(t)，t＝1，...，N)組成的雷達回波一維距離像x＝[x(1)，x(2)，...，x(N)]，采用EMD方法將其分解，具體包括如下分解步驟：

(1)確定原始信號x(t)所有的局部極值點，然后用三次樣條線將所有的局部極大值點連接起來形成上包絡線，再用三次樣條線將所有的局部極小值點連接起來形成下包絡線，上、下包絡線應包絡所有的數據點；

(2)上、下包絡線的平均值記為m₁(t)，求出

h₁(t)＝x(t)-m₁(t)，t＝1，...，N?????(1)

如果h₁(t)是一個IMF，則h₁(t)就是x(t)的第1個IMF分量，記c₁(t)＝h₁(t)；

(3)如果h₁(t)不滿足IMF的條件，則將h₁(t)作為原始數據，重復步驟(1)至步驟(2)，得到上、下包絡線的平均值m₁₁(t)，再判斷h₁₁(t)＝h₁(t)-m₁₁(t)是否滿足IMF的條件，如不滿足則重復循環k次，直到h_1k(t)滿足IMF條件并記c₁(t)＝h_1k(t)，其中h_1k(t)可表示為：

h_1k(t)＝h_1(k-1)(t)-m_1k(t)，t＝1，...，N?????(2)

式中，h_1(k-1)(t)為第k-1次循環中去除上、下包絡均值后獲得的數據，m_1k(t)表示第k次循環中上、下包絡線的平均值；

(4)將c₁(t)從x(t)中分離出來，得到

r₁(t)＝x(t)-c₁(t)，t＝1，...，N?????(3)

將r₁(t)作為原始數據重復步驟(1)至步驟(3)，得到x(t)的第2個滿足IMF條件的分量c₂(t)，如此重復循環M次，得到M個滿足IMF條件的分量(c_i(t)，i＝1，...，M)，且有

r2(t)=r1(t)-c2(t)···rM(t)=rM-1(t)-cM(t)---(4)]]>

當r_M(t)為一單調函數不能再從中提取滿足IMF條件的分量時，循環結束，由式(3)和式(4)可知，原始輸入信號x(t)可表示為

x(t)=Σi=1Mci(t)+rM(t)---(5)]]>

式中，r_M(t)稱為殘余函數，代表信號的平均趨勢；

步驟2利用一維距離像的內稟模態局部分量構建特征矩陣

雷達回波一維距離像x經過EMD分解后，得到一系列包含了從高到低不同頻率的IMF分量c₁(t)，c₂(t)，...，c_M(t)；其中，背景雜噪信號隨機性強，在不同距離單元間無規律起伏，存在較強的高頻分量，而目標信號在相鄰距離單元間存在一定相關性，變化相對平坦，一般體現在低頻分量部分；由于特征值的求解結果一般以特征值大小進行排序，如果用全部IMF分量構建特征矩陣，并進行特征值分解，則可能出現微弱目標的小特征值被強雜噪的大特征值所湮沒，將給后續微弱距離擴展檢測帶來極大困難；為此，利用目標影響較大的局部低頻IMF分量構建L×N維特征矩陣A：

A=cM-L+1(1),cM-L+1(2),...,cM-L+1(N)cM-L+2(1),cM-L+2(2),...,cM-L+2(N)············cM(1),cM(2),...,cM(N)---(6)]]>

其中，L表示所用低頻IMF分量的個數，可以表示為：

L＝round(βM)?????(7)

式中，round(·)表示對參數進行四舍五入取整，β表示低頻分界率，一般取0.3～0.5；

步驟3融合目標對回波一維距離像內稟模態局部奇異值的差異性信息建立檢測統計量對L×N維特征矩陣A進行奇異值分解，即

A＝UBV^H?????(8)

式中，上標“^H，”表示共軛轉置，U為L×L維酉矩陣，V為N×N維酉矩陣，由奇異值組成的L×N維對角陣B可表示為：

B＝diag(σ₁，σ₂，…，σ_r，0，…，0)?????(9)

式中，diag(·)表示以參數為對角元素的對角陣，式中的對角元素按照從大到小的順序排列，r表示非零奇異值的個數；

融合局部內稟模態特征矩陣的奇異值建立檢測統計量λ：

λ=Σi=1rσi2---(10)]]>

步驟4根據檢測需要和雜噪特征數據庫的實際情況進行初始化或補充

若雜噪特征數據庫無數據，則需進行初始化；若雜噪特征數據庫中當前檢測所需特征量數量不足，則需進行額外補充；初始化或補充采用的方法包括：通過對待檢測區域的鄰近區域進行雷達照射，獲得與待檢測區域徑向距離范圍相同且方位鄰近的回波輔助數據，即P個長度為N的回波一維距離像信號(x_j，j＝1，...，P)，按照步驟1至步驟3分別形成P個相應的檢測統計量(λ_j，j＝1，...，P)，并將特征量(λ_j，j＝1，...，P)及相應的距離方位等信息存入雜噪特征數據庫進行初始化或補充；

步驟5利用有序統計特征量自適應設定檢測閾值

為了消除雜噪背景功率起伏的影響，從雜噪特征數據庫中提取與待檢測區域徑向距離范圍相同且方位鄰近的K個雜噪特征量(λ_i，i＝1，...，K)，為提高雷達在雜噪邊緣和多目標干擾背景下的檢測性能，采用有序統計思想，形成檢測閾值T：

T＝Z₀λ_(n)?????(11)

式中，Z₀表示閾值因子，可根據預設的虛警概率設置，從而保持檢測方法的恒虛警率特性；λ_(n)表示K個雜噪特征量經過從小到大排序后的第n個排序樣本，即有：

λ₍₁₎≤λ₍₂₎≤…≤λ_(n-1)≤λ_(n)≤λ_(n+1)≤…≤λ_(K)?????(12)

為了保證雷達在雜波邊緣的檢測性能，一般需滿足n≥K/2，而為了保證雷達在干擾目標環境下的檢測性能，一般需滿足n≤3K/4，故一般情況下n的取值范圍為K/2≤n≤3K/4；

步驟6對待檢測的雷達回波一維距離像進行檢測判決

將待檢測區域對應的檢測統計量λ與門限T進行比較，若λ≥T，則判定待檢測區域存在距離擴展目標，反之若λ＜T，則判定待檢測區域不存在距離擴展目標；

步驟7根據檢測結果更新雜噪特征數據庫

若步驟6中待檢測區域被判定為不存在目標，則將特征量λ及相應的距離方位等信息加入雜噪特征數據庫進行更新。