[发明专利]一种高超声速弹载雷达目标抗杂检测与智能鉴别方法

说明书

本发明隶属于雷达目标探测识别研究领域，适用于解决高超声速飞行器在末制导阶段弹载雷达大入射余角高海情下对低速目标检测问题。首先将海杂波频谱用高斯曲线近似，获得不同入射余角不同海情下的先验频谱，利用块中值法进行海杂波实时谱测量，通过KL散度的海杂波频谱估计与归一化抑制，对海杂波的频谱进行白化，经过短时傅里叶变换后得到新的二维矩阵信号，利用支持向量机对海杂波进行鉴别，从而实现末制导雷达抗海杂波的目的。本发明的将海杂波频谱先验与后验相结合，提高了杂波下检测的稳定性和准确性；选取海杂波的形态、海杂波持续时间、海杂波的RCS三个特征作为特征量，智能识别的可解释性强。

技术领域

本发明隶属于雷达目标探测识别研究领域，适用于解决高超声速飞行器在末端大入射余角攻击时海杂波背景下对低速目标检测和鉴别问题。

背景技术

高超声速弹载雷达在上有广泛的应用，其中的重点与难点是对海面低速目标，如舰船、浮标、海面漂浮物等的检测。在反舰应用背景下，雷达制导是飞行器普遍采用的末制导方式，为了实现快速打击和高空突防，高超声速飞行器末制导阶段弹载雷达入射余角(擦地角)一般比较大，在大入射余角(High Grazing Angle，HGA)情况下末制导雷达面临的海杂波环境比传统低空突防飞航式反舰飞行器要严酷的多，海杂波后向散射强度增大，导致雷达导引头面临捕捉海杂波的风险，难以稳定检测和跟踪目标。传统的频域恒虚警率(Constant False Alarm Rate,CFAR)检测方法无法有效检测目标，使得对海面漂浮目标的检测面临巨大挑战。

海杂波一般不同于高斯白噪声，特性与入射余角、海情等因素有关，海杂波的不确定性和渐变性使得弹载雷达在高海情、大入射余角下面临着严峻考验。海杂波特性主要包括幅度分布、多普勒频谱分布、空间相关性、时间相关性、极化特性等，幅度统计模型研究最为广泛，经典的模型有瑞利分布、对数正态分布、威布尔分布和K分布等。随着雷达分辨率的提高，K分布是普遍认为最贴近海杂波分布的模型。Weinberg G V利用机载Ingara全极化X波段雷达数据对入射余角20-50°情况下的海杂波特性进行了分析，研究发现Pareto分布不仅是小入射余角雷达海杂波回波的一个很好的模型，同时它作为大入射余角雷达海杂波模型也是有效的。可见，海杂波有较强的相关性，强海杂波下信号相参积累信噪比改善面临严峻挑战，因此，如何需要对海杂波加以抑制。杂波白化是一种常用的方法，而海杂波频谱的不确定性和渐变新给传统方法带来挑战。因此，如何实现海杂波白化，然后再进行积累是一个有意思的课题。进一步的，相参积累后，海杂波与目标需要进一步鉴别剔除，考虑海杂波在信号中的形态、维持时间、幅度等与海上目标有较大差别，可以利用这些特征加以鉴别。机器学习是近年来非常热门的用于目标识别的方法，支持向量机是最金典的方法，因此，可以在相参积累后再利用支持向量机构建分类器，鉴别并剔除海杂波，以提高弹载雷达抗海杂波能力。

发明内容

针对高超声速飞行器在大入射余角背景下对海面慢速目标检测问题，提供了一种高超声速弹载雷达目标抗杂检测与智能鉴别方法，通过KL散度的海杂波频谱估计与归一化抑制和支持向量机的海杂波鉴别来实现抗海杂波。本发明解决所述技术问题，采用技术方案步骤如下：

1.一种高超声速弹载雷达目标抗杂检测与智能鉴别方法，其特征在于包括以下技术措施：

步骤一、开展海杂波实验数据分析，获得不同入射余角和不同海情下海杂波数据的频谱特征，获得海杂波频谱的先验分布，将海杂波频谱用高斯曲线来近似

其中，f₀为海杂波的中心频率，σ_c为海杂波的频谱标准差，且σ_c＝2σ_v/λ，σ_v为海杂波速度分布的均方根值，λ为雷达电磁波波长；

步骤二、KL散度的海杂波频谱估计与归一化抑制，具体方法为：