[发明专利]非均匀背景下基于聚类处理的恒虚警检测方法

说明书

技术领域

本发明属于雷达弱目标检测技术的领域，特别涉及了聚类分析和低信噪比下恒虚警(CFAR)检测技术领域。

背景技术

随着科技的发展，雷达分辨率的提高，雷达探测环境往往具有典型的非均匀性，特别对于海滨、城市以及其他复杂地形的陆地，这些区域往往具有地形快速起伏、多种不同地形交替变化等特点，这些特点导致CFAR参考窗内的数据不再满足独立同分布的条件，不能够准确的估计出干扰背景的功率，最终导致传统检测器虚警概率升高和目标的漏检。如果能够实现对雷达监测场景地形的有效正确分类，我们就可以利用分类的结果选取均匀参考单元，准确估计干扰背景功率，改善非均匀环境下雷达目标的检测性能，提升雷达的探测威力。因此，提高复杂环境下雷达对目标的检测能力具有重要的理论价值和实际意义。

恒虚警检测是在雷达自动检测系统中给检测策略提供检测阈值并且使杂波干扰对系统的虚警概率影响最小的一种自适应信号处理算法。针对非均匀背景，国内外的学者已经做了许多工作，2003年，美国雪城大学的Biao chen针对瑞利杂波背景提出了利用期望最大方法估计杂波边缘的位置，从而筛选均匀参考单元；2006年，意大利的De Maio提出利用地理信息系统来挑选均匀参考单元，改善检测性能。2007年，土耳其的ASELSAN公司的Do_yuran提出利用Anderson-Darling拟合优度检验来检测参考单元中杂波的均匀性，并估计杂波距离变化的位置来改善非均匀背景下CFAR检测性能；2012年，针对非均匀Weibull背景，Pourmottaghi.A提出利用最大似然估计来寻找杂波边缘的位置，挑选均匀参考单元；然而，上述工作只是针对存在一个杂波边缘的简单非均匀场景展开的，当雷达监测区域存在多个杂波边缘，即多种复杂地形时，上述所有方法将不再有效。2013年，普渡大学的Jeong Hun Kin针对复杂地形提出基于图像融合的参考窗自适应选择算法，但是该算法对于初始的小数据窗的大小的选择比较敏感，会导致结果的不准确。2013年，电子科技大学的彭馨仪结合杂波边缘检测算法和二元积累实现对地形的有效划分，但是此方法需要事先知道监测区域的杂波统计特性，当实际地形的统计特性与假设的模型失配时，检测性能大大下降。且对于分类数目是随机确定的，没有给出合理准确的选择准则。

发明内容

本发明的目的是针对背景技术存在的缺陷，研究设计一种非均匀背景下基于聚类处理的恒虚警检测方法，从而达到在非均匀检测背景下具有通用性强、分类精度高的目的。

本发明提出了一种非均匀背景下基于聚类处理的恒虚警检测方法，该方法分为地形分类和恒虚警检测两个阶段。首先，在地形分类阶段，利用改进的K-means算法自适应的确定最优聚类数(不同地形的数目)，基于最优聚类数对雷达监测区域按幅度大小进行聚类处理，实现地形分类，使分类之后的地形呈现出多种不同地形；然后对分类完成的地形进行编号，方便下一步检测参考单元的选取；在恒虚警检测阶段，利用编号的地形，筛选与待检测单元具有相同地形的分辨单元作为参考单元，估计检测门限，实现恒虚警检测。因而本发明包括以下步骤：

步骤1、初始化参数包括：误差平方和J，二维CFAR参考窗大小L_min×L_min和L_max×L_max；

步骤2、从雷达接收机中读取第i帧回波数据：

Z(i)＝{z_i(m,n)}

其中，1≤m≤N_r,1≤n≤N_a，m和n分别为距离向和方位向的量化状态，i为帧数；N_r是距离维量化的总单元个数，N_a是方位向量化的总单元个数；z_i(m,n)表示第i帧回波数据的量测单元(m,n)中的量测值，为回波数据的幅度；

步骤3、设置聚类数范围[k_min,k_max]，其中，k_min为设定的聚类数的最小值，k_max为设定的聚类数的最大值；