基于空域联合时频分解的海面微弱目标检测方法

左磊 产秀秀 禄晓飞 李明

引用本文:
Citation:

基于空域联合时频分解的海面微弱目标检测方法

    作者简介: 左 磊(1984–),男,山东乐陵人,博士,副教授。2014年在西安电子科技大学雷达信号处理国家实验室获得博士学位。主要研究方向海面目标检测与识别、时频分析,高机动目标检测与参数估计。发表学术论文30余篇。E-mail: lzuo@mail.xidian.edu.cn;产秀秀(1995–),女,安徽人,西安电子科技大学雷达信号处理国家实验室在读硕士研究生,研究方向为海杂波背景下的目标检测。E-mail: 2543054424@qq.com;禄晓飞(1981–),男,河南许昌人,博士,现为中国酒泉卫星发射中心工程师。2011年获清华大学博士学位,研究方向为测量数据处理。E-mail: luxf08@163.com;李 明(1965–),男,河南南阳人,博士,教授。2007年在西安电子科技大学雷达信号处理国家实验室获得博士学位。主要研究方向雷达系统设计、微弱目标检测与识别。发表学术论文100余篇。E-mail: liming@xidian.edu.cn.
    通讯作者: 左磊, lzuo@mail.xidian.edu.cn
  • 基金项目:

    国家自然科学基金(61871307),航空基金(20170181001)

  • 中图分类号: TN959

A Weak Target Detection Method in Sea Clutter Based on Joint Space-time-frequency Decomposition

    Corresponding author: ZUO Lei, lzuo@mail.xidian.edu.cn ;
  • Fund Project: The National Natural Science Foundation of China (61871307), The Aviation Fund (20170181001)

    CLC number: TN959

  • 摘要: 海面目标不仅影响其位置处波浪运动,还会影响其周围的水域,其雷达回波信号分布于多个相邻的距离单元,所以目标回波信号表现出明显的空域相关性。该文根据海面目标信号的空间相关性提出了一种基于空域联合时频分解的海面微弱目标检测方法。该文提出的一种两信号互S-方法将相邻两个距离单元的回波信号变换到时频域,再利用互维格纳-威尔逆变换实现两距离单元信号的联合时频分解,最后根据分解分量的联合时频聚集性实现目标检测。实测X波段雷达海面回波的处理结果表明该文方法能够较精确地从海面回波中检测出微弱目标,并且能够显示目标的瞬时运动特性。
  • 图 1  海面回波的时间-距离图

    Figure 1.  A time-distance map of sea surface echo

    图 2  不同距离单元回波的时频分布图

    Figure 2.  Time-frequency distribution of echo in different range cells

    图 3  两相邻回波信号的SM和CSM表示

    Figure 3.  The SM and CSM of two adjacent echo signals

    图 4  算法流程图

    Figure 4.  Algorithm flow chart

    图 5  目标检测概率

    Figure 5.  Target detection probability

    图 6  实际目标检测结果(图3中信号)

    Figure 6.  Actual target detection result (signal in Fig.3)

    表 1  实测海面回波的参数

    Table 1.  Parameters of measured sea surface echo

    参数
    雷达波段X
    雷达工作带宽(MHz)10
    采样距离(m)3000.3~3465.3
    距离单元数目31
    每个距离单元的采样点33001
    有目标的距离单元11
    受目标影响的距离单元9~14
    距离分辨率15 m, 15 m采样
    雷达高度(m)56
    脉冲重复频率PRF(Hz)2500
    方位角(°N)165.22
    俯仰角(°)1.187
    风向(°N)191.26
    风速(m/s)9
    波浪方向(°N)160
    主要波浪高度(m)2.88
    下载: 导出CSV
  • [1] VALENZUELA G R. Theories for the interaction of electromagnetic and oceanic waves—a review[J]. Boundary-Layer Meteorology, 1978, 13(1/4): 61–85. doi: 10.1007/BF00913863
    [2] 陈小龙, 关键, 何友. 微多普勒理论在海面目标检测中的应用及展望[J]. 雷达学报, 2013, 2(1): 123–134. doi: 10.3724/SP.J.1300.2013.20102CHEN Xiaolong, GUAN Jian, and HE You. Applications and prospect of micro-motion theory in the detection of sea surface target[J]. Journal of Radars, 2013, 2(1): 123–134. doi: 10.3724/SP.J.1300.2013.20102
    [3] 左磊, 李明, 张晓伟, 等. 基于改进Hough变换的海面微弱目标检测[J]. 电子与信息学报, 2012, 34(4): 923–928. doi: 10.3724/SP.J.1146.2011.00373ZUO Lei, LI Ming, ZHANG Xiaowei, et al. Small-target detection in sea clutter based on improved Hough transform[J]. Journal of Electronics &Information Technology, 2012, 34(4): 923–928. doi: 10.3724/SP.J.1146.2011.00373
    [4] 陈小龙, 刘宁波, 宋杰, 等. 海杂波FRFT域分形特征判别及动目标检测方法[J]. 电子与信息学报, 2011, 33(4): 823–830. doi: 10.3724/SP.J.1146.2010.00486CHEN Xiaolong, LIU Ningbo, SONG Jie, et al. Fractal feature discriminant of sea clutter in FRFT domain and moving target detection algorithm[J]. Journal of Electronics & Information Technology, 2011, 33(4): 823–830. doi: 10.3724/SP.J.1146.2010.00486
    [5] 武鹏, 王俊, 王文光. 基于极化特征分解的海上小目标检测算法研究[J]. 电子与信息学报, 2011, 33(4): 816–822. doi: 10.3724/SP.J.1146.2010.00678WU Peng, WANG Jun, and WANG Wenguang. Small target detection in sea clutter based on polarization characteristics decomposition[J]. Journal of Electronics &Information Technology, 2011, 33(4): 816–822. doi: 10.3724/SP.J.1146.2010.00678
    [6] 苏宁远, 陈小龙, 关键, 等. 基于卷积神经网络的海上微动目标检测与分类方法[J]. 雷达学报, 2018, 7(5): 565–574. doi: 10.12000/JR18077SU Ningyuan, CHEN Xiaolong, GUAN Jian, et al. Detection and classification of maritime target with micro-motion based on CNNs[J]. Journal of Radars, 2018, 7(5): 565–574. doi: 10.12000/JR18077
    [7] 陈建军, 黄孟俊, 邱伟, 等. 海杂波下的双门限恒虚警目标检测新方法[J]. 电子学报, 2011, 39(9): 2135–2141.CHEN Jianjun, HUANG Mengjun, QIU Wei, et al. A novel method for CFAR detector with Bi-thresholds in sea clutter[J]. Acta Electronica Sinica, 2011, 39(9): 2135–2141.
    [8] ZUO Lei, LI Ming, ZHANG Xiaowei, et al. An efficient method for detecting slow-moving weak targets in sea clutter based on time-frequency iteration decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(6): 3659–3672. doi: 10.1109/TGRS.2012.2224665
    [9] PANAGOPOULOS S and SORAGHAN J J. Small-target detection in sea clutter[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(7): 1355–1361. doi: 10.1109/TGRS.2004.827259
    [10] THAYAPARAN T and KENNEDY S. Detection of a manoeuvring air target in sea-clutter using joint time-frequency analysis techniques[J]. IEE Proceedings - Radar, Sonar and Navigation, 2004, 151(1): 19–30. doi: 10.1049/ip-rsn:20040158
    [11] YASOTHARAN A and THAYAPARAN T. Time-frequency method for detecting an accelerating target in sea clutter[J]. IEEE Transactions on Aerospace and Electronic Systems, 2006, 42(4): 1289–1310. doi: 10.1109/TAES.2006.314573
    [12] 关键, 张建. 基于固有模态能量熵的微弱目标检测算法[J]. 电子与信息学报, 2011, 33(10): 2494–2499. doi: 10.3724/SP.J.1146.2011.00147GUAN Jian and ZHANG Jian. Weak target detection based on intrinsic mode energy entropy[J]. Journal of Electronics & Information Technology, 2011, 33(10): 2494–2499. doi: 10.3724/SP.J.1146.2011.00147
    [13] ZHANG Y, QIAN S, and THAYAPARAN T. Detection of a manoeuvring air target in strong sea clutter via joint time-frequency representation[J]. IET Signal Processing, 2008, 2(3): 216–222. doi: 10.1049/iet-spr:20070047
    [14] STANKOVIĆ L, THAYAPARAN T, and DAKOVIC M. Signal decomposition by using the S-method with application to the analysis of HF radar signals in sea-clutter[J]. IEEE Transactions on Signal Processing, 2006, 54(11): 4332–4342. doi: 10.1109/TSP.2006.880248
    [15] ZUO Lei, LI Ming, ZHANG Xiaomei, et al. CFAR detection of range-spread targets based on the time-frequency decomposition feature of two adjacent returned signals[J]. IEEE Transactions on Signal Processing, 2013, 61(24): 6307–6319. doi: 10.1109/TSP.2013.2282274
    [16] 时艳玲, 林毓峰, 梁丹丹. 非平稳海杂波背景下子带分段ANMF检测器[J]. 系统工程与电子技术, 2018, 40(4): 782–789. doi: 10.3969/j.issn.1001-506X.2018.04.11SHI Yanling, LIN Yufeng, and LIANG Dandan. Subband segmented ANMF detector in non-stationary sea clutter[J]. Systems Engineering and Electronics, 2018, 40(4): 782–789. doi: 10.3969/j.issn.1001-506X.2018.04.11
    [17] BAKKER R and CURRIE B. The IPIX radar database. Cognitive systems Laboratory-McMaster University[EB/OL]. http://soma.mcmaster.ca//ipix.php, 2015.
  • [1] 丁昊董云龙刘宁波王国庆关键 . 海杂波特性认知研究进展与展望. 雷达学报, 2016, 5(5): 499-516. doi: 10.12000/JR16069
    [2] 陈小龙关键何友 . 微多普勒理论在海面目标检测中的应用及展望. 雷达学报, 2013, 2(1): 123-134. doi: 10.3724/SP.J.1300.2012.20102
    [3] 陈世超罗丰胡冲聂学雅 . 基于多普勒谱非广延熵的海面目标检测方法. 雷达学报, 2019, 8(3): 344-354. doi: 10.12000/JR19012
    [4] 闫亮孙培林易磊韩宁汤俊 . 基于逆高斯分布的复合高斯海杂波建模研究. 雷达学报, 2013, 2(4): 461-465. doi: 10.3724/SP.J.1300.2013.13083
    [5] 丁昊刘宁波董云龙陈小龙关键 . 雷达海杂波测量试验回顾与展望. 雷达学报, 2019, 8(3): 281-302. doi: 10.12000/JR19006
    [6] 苏宁远陈小龙关键牟效乾刘宁波 . 基于卷积神经网络的海上微动目标检测与分类方法. 雷达学报, 2018, 7(5): 565-574. doi: 10.12000/JR18077
    [7] 张林赵志坚关键何友 . 基于自适应阈值选择的非参量GS 检测算法. 雷达学报, 2012, 1(4): 387-392. doi: 10.3724/SP.J.1300.2012.20084
    [8] 陈小龙董云龙李秀友关键 . 海面刚体目标微动特征建模及特性分析. 雷达学报, 2015, 4(6): 630-638. doi: 10.12000/JR15079
    [9] 谢文冲段克清王永良 . 机载雷达空时自适应处理技术研究综述. 雷达学报, 2017, 6(6): 575-586. doi: 10.12000/JR17073
    [10] 杨海峰谢文冲王永良 . 不同发射波形下多机协同探测雷达系统信号建模与性能分析. 雷达学报, 2017, 6(3): 267-274. doi: 10.12000/JR16142
    [11] 赵春雷王亚梁阳云龙毛兴鹏于长军 . 雷达极化信息获取及极化信号处理技术研究综述. 雷达学报, 2016, 5(6): 620-638. doi: 10.12000/JR16092
    [12] 张增辉郁文贤 . 稀疏微波SAR图像特征分析与目标检测研究. 雷达学报, 2016, 5(1): 42-56. doi: 10.12000/JR15097
    [13] 刘俊凯李健兵马梁陈忠宽蔡益朝 . 基于矩阵信息几何的飞机尾流目标检测方法. 雷达学报, 2017, 6(6): 699-708. doi: 10.12000/JR17058
    [14] 曾丽娜周德云李枭扬张堃 . 基于无训练单样本有效特征的SAR目标检测. 雷达学报, 2017, 6(2): 177-185. doi: 10.12000/JR16114
    [15] 赵永科吕晓德 . 一种联合优化的无源雷达实时目标检测算法. 雷达学报, 2014, 3(6): 666-674. doi: 10.12000/JR14005
    [16] 张新勋周生华刘宏伟 . 目标极化散射特性对极化分集雷达检测性能的影响. 雷达学报, 2019, (): 1-9. doi: 10.12000/JR18112
    [17] 王璐璐王宏强王满喜黎湘 . 雷达目标检测的最优波形设计综述. 雷达学报, 2016, 5(5): 487-498. doi: 10.12000/JR16084
    [18] 唐玥毛天江冰 . 多分辨率复合数字阵列天线的设计与实验. 雷达学报, 2016, 5(3): 265-270. doi: 10.12000/JR16005
    [19] 许稼彭应宁夏香根龙腾毛二可 . 空时频检测前聚焦雷达信号处理方法. 雷达学报, 2014, 3(2): 129-141. doi: 10.3724/SP.J.1300.2014.14023
    [20] 许述文石星宇水鹏朗 . 复合高斯杂波下抑制失配信号的自适应检测器. 雷达学报, 2019, 8(3): 326-334. doi: 10.12000/JR19030
  • 加载中
图(6)表(1)
计量
  • 文章访问数:  112
  • HTML浏览量:  101
  • PDF下载量:  64
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-02-28
  • 录用日期:  2019-06-13
  • 网络出版日期:  1970-01-01
  • 刊出日期:  2019-06-28

基于空域联合时频分解的海面微弱目标检测方法

    通讯作者: 左磊, lzuo@mail.xidian.edu.cn
    作者简介: 左 磊(1984–),男,山东乐陵人,博士,副教授。2014年在西安电子科技大学雷达信号处理国家实验室获得博士学位。主要研究方向海面目标检测与识别、时频分析,高机动目标检测与参数估计。发表学术论文30余篇。E-mail: lzuo@mail.xidian.edu.cn;产秀秀(1995–),女,安徽人,西安电子科技大学雷达信号处理国家实验室在读硕士研究生,研究方向为海杂波背景下的目标检测。E-mail: 2543054424@qq.com;禄晓飞(1981–),男,河南许昌人,博士,现为中国酒泉卫星发射中心工程师。2011年获清华大学博士学位,研究方向为测量数据处理。E-mail: luxf08@163.com;李 明(1965–),男,河南南阳人,博士,教授。2007年在西安电子科技大学雷达信号处理国家实验室获得博士学位。主要研究方向雷达系统设计、微弱目标检测与识别。发表学术论文100余篇。E-mail: liming@xidian.edu.cn
  • ①. 西安电子科技大学雷达信号处理国家重点实验室 西安 710071
  • ②. 中国酒泉卫星发射中心 酒泉 735000
基金项目:  国家自然科学基金(61871307),航空基金(20170181001)

摘要: 海面目标不仅影响其位置处波浪运动,还会影响其周围的水域,其雷达回波信号分布于多个相邻的距离单元,所以目标回波信号表现出明显的空域相关性。该文根据海面目标信号的空间相关性提出了一种基于空域联合时频分解的海面微弱目标检测方法。该文提出的一种两信号互S-方法将相邻两个距离单元的回波信号变换到时频域,再利用互维格纳-威尔逆变换实现两距离单元信号的联合时频分解,最后根据分解分量的联合时频聚集性实现目标检测。实测X波段雷达海面回波的处理结果表明该文方法能够较精确地从海面回波中检测出微弱目标,并且能够显示目标的瞬时运动特性。

English Abstract

    • 随着雷达性能的提升,其在区域防护中逐渐占据核心地位,被广泛应用于军事和民用等多个领域。其中海面微弱目标探测一直是雷达探测领域的重要难题之一,传统的研究手段通常是对大量观测到的海杂波进行幅度统计分析,进而确定虚警概率下的检测门限[1]。然而海杂波的统计特征并不稳定且通常情况下其能量远大于目标回波,给微弱目标检测带来极大的困难。

      海面微弱目标受海浪影响,其运动表现出非匀速性,此时目标信号和海杂波都是非平稳信号,无论时域分析还是频域分析都不能完整地呈现海面回波的特性。为了研究这类信号,研究者相继引入微多普勒分析、Hough变换、分数阶傅利叶变换、极化检测、机器学习和时频分析等方法以检测海面微弱目标[28]。其中时频分析可以显示目标的瞬时运动特性,是检测海面微弱目标的有力工具[9]。文献[10,11]分析了高频雷达下海面机动目标的各种时频分布,指出在时频域进行目标检测的可能性。文献[12]应用从海面回波的Hilbert-Huang变换中提取的固有模态能量熵特征进行目标检测。文献[13]针对高频雷达下变速巡航目标,应用自适应chirplet分解和谱相减方法压缩海杂波。文献[14]根据维格纳-威尔分布(Wigner-Ville Distribution, WVD) 逆变换提出基于S-方法(S-Method, SM)的信号分解方法,并应用该方法检测海面目标。

      本文根据海面目标回波的距离维相关性,提出一种基于空域联合时频分解的海面微弱目标检测方法。在相邻的距离单元内,目标信号的相关性明显强于海杂波。本文首先提出了互S-方法(Cross S-Method, CSM)计算得到两相邻距离单元的联合时频分布,近似等于两回波信号的目标分量的CSM和海杂波信号的CSM之和。利用互维格纳-威尔分布(Cross Wigner-Ville Distribution, CWVD)逆变换实现两距离单元信号的联合分解并从分解分量中通过特定特征找出目标信号实现目标检测。仿真和实测数据都验证了该方法的有效性。

    • 海杂波主要来源于波浪运动。海面波浪根据能量和波长大致可以分为两类:一种是由海面不定向微风产生的能量较弱波长较短的张力波,另一类是能量很强波长较长的重力波。重力波可以进一步细分为较小波浪和很大波浪。较小波浪是一些由当地阵风产生的很陡的短峰波集合。很大波浪的形状近似为正弦信号,它包含一些由固定强风产生的波长很长的波浪[8]图1为一段海面回波数据的时间-距离图,图中明亮的斜线表示波浪经过的路径。该数据由南非科学和工作研究委员会(Council for Scientific and Industrial Research, CSIR)通过一部X波段雷达测得,雷达具体参数见表1

      参数
      雷达波段X
      雷达工作带宽(MHz)10
      采样距离(m)3000.3~3465.3
      距离单元数目31
      每个距离单元的采样点33001
      有目标的距离单元11
      受目标影响的距离单元9~14
      距离分辨率15 m, 15 m采样
      雷达高度(m)56
      脉冲重复频率PRF(Hz)2500
      方位角(°N)165.22
      俯仰角(°)1.187
      风向(°N)191.26
      风速(m/s)9
      波浪方向(°N)160
      主要波浪高度(m)2.88

      表 1  实测海面回波的参数

      Table 1.  Parameters of measured sea surface echo

      图  1  海面回波的时间-距离图

      Figure 1.  A time-distance map of sea surface echo

      在雷达照射区域中有一小型快艇,位于第11距离单元。目标尺寸较小,理论上位于一个距离单元内,但由于其阻挡了海浪的运动,使其在雷达回波中能够影响较大的区域,表现为在第9~14距离单元内都会出现目标回波。图2为第9~14距离单元回波的时频分布,从中可以直观地看到目标是在频率维聚集性非常好的曲线,且目标信号在时频域内与海杂波距离较远。利用滤波器将海面目标回波与海杂波分离,进而分别计算相邻距离单元内目标信号和海杂波的相关系数:目标信号的平均相关系数为0.9851,而海杂波的平均相关系数为0.6694,所以目标信号与海杂波的空间相关性是不同的。这是因为海杂波的相关距离较近,且内部变化复杂,故相关系数较小。

      图  2  不同距离单元回波的时频分布图

      Figure 2.  Time-frequency distribution of echo in different range cells

      基于目标信号与海杂波在空间维相关性的不同,本文提出了一种基于空域联合时频分解的海面微弱目标检测方法。该方法同时利用两个相邻距离单元的回波进行联合时频分解,进而通过特征从分解分量中找出目标信号,实现目标检测。

    • 本文提出了能够体现两个相邻距离单元回波数据相关性的CSM方法。两个信号的CSM通过合适的频率窗可以抑制两信号分量中支撑区域较远分量的交叉项,保留两信号中位于同一支撑区域中相应分量的CSM。在海面回波中,由于目标回波对于波浪运动的影响和海杂波的时空相关性,相邻或靠近的距离单元间的回波信号具有相似的时频结构,即两个距离单元回波中的目标信号位于相同的时频支撑区域,海杂波也位于同一时频支撑区域。由于目标信号通常是一条在时频面非常聚集的曲线,而海杂波分布在一小片时频区域内,所以两信号的CSM可以在聚集目标能量的同时抑制海杂波。

    • 将接收到两个相邻距离单元内的回波信号标记为$x(n)$$y(n)$,长度为${{N}}$点。应用与回波信号长度相同的矩形窗实现的短时傅利叶变换(Short Time Fourier Transform, STFT)可以表示为

      $ {\rm{STF}}{{\rm{T}}_x}(n,k) = \sum\limits_{m = - N/2}^{N/2 - 1} {x(n + m){{\rm{e}}^{ - {\rm{j}}\scriptsize\displaystyle\frac{{2{{π}} }}{N}mk}}} $

      $ {\rm{STF}}{{\rm{T}}_y}(n,k) = \sum\limits_{m = - N/2}^{N/2 - 1} {y(n + m){{\rm{e}}^{ - {\rm{j}}\scriptsize\displaystyle\frac{{2{{π}} }}{N}mk}}} $

      此时,可以利用两信号的STFT可以构造它们的CWVD,

      $ \begin{aligned} {\rm{CWV}}{{\rm{D}}_{x,y}}(n,k) =& \frac{1}{N}\sum\limits_{l = - N/2}^{N/2 - 1} {\rm{STF}}{{\rm{T}}_x}(n,k + l)\\ {\rm{}}& \cdot{\rm{STFT}}_y^*(n,k - l) \end{aligned} $

      对两信号的CWVD中引入一频率窗$p(l)$,可以得到两信号的CSM,即

      $ \begin{aligned} {\rm{CS}}{{\rm{M}}_{x,y}}(n,k) = & \frac{1}{N}\sum\limits_{l = - N/2}^{N/2 - 1} p{\rm{(}}l{\rm{)STF}}{{\rm{T}}_x}(n,k + l)\\ {\rm{}}& \cdot{\rm{STFT}}_y^*(n,k - l) \end{aligned} $

      其中,

      $ p\left( l \right) = \left\{\!\!\! \begin{array}{l} 1,\quad \left| l \right| \le L\\ 0,\quad \left| l \right| > L \end{array} \right.,\;\;\;\;L < {\rm{N}}/2 $

      信号的CSM可以改写成另外一种形式,

      $ \begin{aligned} {\rm{CS}}{{\rm{M}}_{x,\;y}}(n,k) =& \frac{1}{N}\sum\limits_{i = - L}^L {\rm{STF}}{{\rm{T}}_x}(n,k + i)\\ {\rm{}}& \cdot {\rm{STFT}}_y^*(n,k - i) \end{aligned} $

      由于信号的SM近似等于信号的WVD[14],同理,两信号的CSM近似等于两信号的CWVD。基于式(6),两相邻距离单元回波信号CSM的实现方式可以通过式(7)表示

      $ \begin{aligned} {\rm{CS}}{{\rm{M}}_{x,y}}(n,k) = &{\rm{STF}}{{\rm{T}}_x}(n,k){\rm{STFT}}_y^*(n,k) \\ {\rm{}} &+ \sum\limits_{i = 1}^L \left[ {\rm{STF}}{{\rm{T}}_x}(n,k + i)\right.\\ {\rm{}} &\cdot {\rm{STFT}}_y^*(n,k - i) + {\rm{STF}}{{\rm{T}}_x}(n,k - i)\\ {\rm{}} & \left.\cdot{\rm{STFT}}_y^*(n,k + i) \right] \end{aligned} $

      通常情况下,海面回波的成份非常复杂,包含很多分量。假设两相邻距离单元内的回波信号具有如下形式

      $\left. \begin{array}{l} x(n) = \sum\limits_{i = 1}^M {{x_i}(n)} \\ y(n) = \sum\limits_{i = 1}^M {{y_i}(n)} \\ \end{array} \right\}$

      其中,${x_i}(n)$${y_i}(n)$拥有相同的时频支撑区域${D_i}\left( {n,k} \right),i = 1,2, ·\!·\!· ,M$,且支撑区域满足${D_i}(n,k) \cap $${D_j}(n,k) = \phi ,i \ne j$。选择一个合适的窗函数$p(l)$, $x(n)$$y(n)$的CSM可近似为相应分量的CWVD, ${\rm{CWV}}{{\rm{D}}_{{x_i},\;{y_i}}}(n,k),\;i = 1,2, ·\!·\!· ,M$之和,即

      ${\rm{CS}}{{\rm{M}}_{x,y}}(n,k) \approx \sum\limits_{i = 1}^M {{\rm{CWV}}{{\rm{D}}_{{x_i},{y_i}}}(n,k)} $

      图3为在$L = 4,M = 512$参数下相邻两个距离单元的回波信号的时频表示。图3(a)图3(b)分别给出了两个信号的SM表示,从图中可以看到两信号中都包含大能量的海杂波和小能量的目标信号。两图具有相同的结构:目标信号与海杂波信号分别位于相同的时频支撑区域内。通过CSM计算两回波信号的联合时频分布,结果如图3(c)所示。从图中可以看出,相邻距离单元回波信号的CSM等于两信号中目标信号的CSM和海杂波信号的CSM之和,且目标回波依然表现出较高的时频聚集性。

      图  3  两相邻回波信号的SM和CSM表示

      Figure 3.  The SM and CSM of two adjacent echo signals

    • 假设信号$x(n)$$y(n)$是单分量信号,将它们分别表示成列向量${x}= {[{x_1} ·\!·\!· {x_n} ·\!·\!· {x_N}]^{\rm{T}}}$${y} = {[{y_1} ·\!·\!· {y_n} } $$ ·\!·\!·\;{y_N}]^{\rm{T}}$。两信号的CWVD为

      $ {\rm{CWV}}{{\rm{D}}_{x{\mathbf{,}}y}}(n,k) = 2\sum\limits_m {{F_n}(m)} {{\rm{e}}^{ - {\rm{j}}\scriptsize\displaystyle\frac{{2{{π}} }}{N}2mk}} $

      其中,核函数${F_n}(m)$表示

      ${F_n}(m) = {x_{n + m}}y_{n - m}^*$

      其中,${( \cdot )^*}$为共轭操作。令$c = n + m, $$ d = n - m$,可以得到$1 \le c \le {\rm{N}}$, $1 \le d \le {\rm{N}}$

      当两个信号的CWVD已知,那么核函数${F_n}(m)$的矩阵形式${{\hat{{F}}}_n}(m)$可以通过1维逆离散傅利叶变换得到

      $ {\hat {{F}}_n}(m) = \frac{1}{{2N}}\sum\limits_k {{{CWVD}}(n,k)} {{\rm{e}}^{{\rm{j}}\scriptsize\displaystyle\frac{{2{{π}} }}{N}2mk}} $

      考虑向量${{x}}$${{y}}$的互相关矩阵${{R}}$,它的元素为${R_{a,b}} = {x_a}y_b^*$,其中$1 \le a \le N$$1 \le b \le N$。可以轻易地发现${{\hat{{{F}}}}_n}(m)$中的所有非零元素都包含在矩阵${{R}}$中,但位置不同。${{\hat{{{F}}}}_n}(m)$的第$n$维元素的下标和为$2n$,而这些元素分布在矩阵${{R}}$的第$2n - 1$维辅对角线上。因此,可以将${{\hat{{{F}}}}_n}(m)$的第$n$维中所有非零元素放置在一个零矩阵的第$2n - 1$维辅对角线上,由此可得

      $ {\hat{{{R}}}} = \left\{ \begin{array}{l} {{R}},\quad a + b = 2n \\ 0,\quad \;a + b = 2n - 1 \\ \end{array} \right. $

      对构造矩阵${\hat{{{R}}}}$进行奇异值分解可以得到

      ${\hat{{{R}}}} = {{U}}\Lambda {{{V}}^{\rm{H}} } = \sum\limits_{i = 1}^N {{\lambda _i}{{{u}}_i}{{v}}_i^{\rm{H}} } $

      其中,${\lambda _i}$表示奇异值,${{{u}}_i}$${{{v}}_i}$分别表示酉矩阵${{U}}$${{V}}$的列向量,${( \cdot )^{\rm{H}}}$为厄米特转置符号。

      经过计算可以得到只有两个奇异值不为0,即

      ${\hat{{{R}}}} = {\lambda _1}{{x}}{}_1{{y}}_1^{\rm{H}} + {\lambda _2}{{x}}{}_2{{y}}_2^{\rm{H}} $

      其中,${\lambda _1},\,{\lambda _2}$为常数且满足${\lambda _1} \approx {\lambda _2}$

      ${\lambda _1} + {\lambda _2} = {\left\| {{x}} \right\|_2}{\left\| {{y}} \right\|_2}$

      最终可得合成信号

      $\left. \begin{array}{l} {\hat{{{x}}}} = {{{x}}_1} + {{{x}}_2} \\ {\hat{{{y}}}} = {{{y}}_1} + {{{y}}_2} \\ \end{array} \right\}$

      合成信号满足

      $ \left. \begin{array}{l} {{\rm WVD}_{{\hat{{{x}}}}}}(n,k) \equiv {{\rm WVD}_{{\bar{{{x}}}}}}\left( {n,k} \right) \\ {{\rm WVD}_{{\hat{{{y}}}}}}(n,k) \equiv {{\rm WVD}_{{\bar{{{y}}}}}}(n,k) \\ {{\rm CWVD}_{{\hat{{{x}}}},{\hat{{{y}}}}}}(n,k) \equiv {{\rm CWVD}_{{\bar{{{x}}}},{\bar{{{y}}}}}}(n,k) \end{array} \right\} $

      其中,${\bar{{{x}}}} = {{x}}/{E_{{x}}}$, ${\bar{{{y}}}} = {{y}}/{E_{{y}}}$, ${E_{{x}}}$${E_{{y}}}$分别为信号$x(n)$$y(n)$的能量。

      当信号$x(n)$$y(n)$是多分量信号,如式(8)所示。对式(9)所示的CSM进行CWVD逆变换可以得到

      ${\hat{{{R}}}} = \sum\limits_{i = 1}^M {{\lambda _{1,i}}{{x}}_{1,i}{{y}}_{1,i}^{\rm H} + {\lambda _{2,i}}{{x}}_{2,i}{{y}}_{2,i}^{\rm H}} $

      $ \left. \begin{array}{l} {{{\hat{{{x}}}}}_i} = {{{x}}_{1,i}} + {{{x}}_{2,i}} \\ {{{\hat{{{y}}}}}_i} = {{{y}}_{1,i}} + {{{y}}_{2,i}} \\ \end{array} \right\}\hspace{68pt} $

      所以,将CWVD逆变换应用于海面回波的CSM,可以实现空域 (不同距离单元)信号联合时频分解。

    • 基于CSM方法和CWVD逆变换,提出一种海面目标检测方法,其实现过程如下:

      步骤 1 计算两个相邻距离单元回波信号的CSM,其中L=4;

      步骤 2 利用CWVD逆变换实现两个距离单元回波信号的联合时频分解得到[15]

      $x(n) = \sum\limits_{i = 1}^{M'} {{{\hat x}_i}(n)} $

      $ y(n) = \sum\limits_{i = 1}^{M'} {{{\hat y}_i}(n)} $

      其中,${\hat x_i}(n)$${\hat y_i}(n)$具有相同的时频支撑区域。${\hat x_i}(n)$可能与式(8)中的${x_i}(n)$相等,也可能是${x_i}(n)$的一部分,与窗长的选择有关。

      步骤 3 对分解得到的分量进行联合特征提取,并以此作为检测统计量进行目标检测。

      海面目标回波通常是一个调频信号,所以其时频聚集程度远大于海杂波。将两距离单元对应分解分量最大值的平方与它们均值之比定义为检测统计量,即

      $ {C_i} = \frac{{N{{({{\max }_{n,\,k}}({\rm{CS}}{{\rm{M}}_{{{\hat x}_i},{{\hat y}_i}}}(n,k)))}^2}}}{{\displaystyle\sum\limits_n {\displaystyle\sum\limits_k {{\rm{CS}}{{\rm{M}}_{{{\hat x}_i},{{\hat y}_i}}}(n,k)} } }} $

      该检测统计量能够表示信号的联合时频聚集性。分解所得的信号分量可以通过式(24)判断

      $ \left\{ \begin{array}{l} {H_1}:\quad {C_i} \ge P,\quad \quad {{目标分量}} \\ {H_0}:\quad {C_i} < P,\quad \quad {{海杂波分量}} \end{array} \right. $

      其中,$P\,$为时频聚集性门限,通过蒙特卡罗方法得到。具体算法流程图如图4所示。

      图  4  算法流程图

      Figure 4.  Algorithm flow chart

    • 构造一些含微弱目标的海面回波信号:将实测数据中不受目标影响的距离单元内的海杂波数据分成若干个长为512点的小数据块,应用蒙特卡罗方法对各小段海杂波应用本文方法进行分解和检测,进而根据虚警率6.6×10–4设定检测门限,然后在每个小数据块中加入一个微弱目标信号。为了使信号能够代表匀速运动目标和加速运动目标,将信号设为幅度是高斯函数的线性调频信号

      $ S(n) = b \cdot {{\rm{e}}^{ - {{π}} {{((n - 200)/400)}^2}}} \cdot {{\rm{e}}^{{\rm{j}}2{{π}} (0.00005{n^2})}} $

      其中,$b$是一个幅度参数用来调整信杂比(SCR),$0 \le n \le 511$。目标回波信号的频率为0~125 Hz的扫频信号,且目标的初始径向速度为$0.13\;{\rm{m/s}}$,加速度为$3.14\;{\rm{m}}/{{\rm{s}}^2}$。因而在时频域内,目标信号与海杂波非常靠近或部分重叠。

      图5(a)为基于CSIR数据在SCR=–7 dB时的目标检测ROC(Receiver Operating Curves)曲线。从中可以看出所提方法比基于S-方法分解[14]和自适应归一化匹配滤波器(Adaptive Normalized Matched Filter, ANMF)[16]的目标检测方法效果更好。图5(b)为基于IPIX数据[17]的检测结果。从中可以看出所提方法性能优于传统的基于海杂波统计特性的目标检测方法。另外,对比于基于1个距离单元回波SM的方法,本方法的检测性能也有一定程度的提高,这是因为两个距离单元回波的联合处理降低了海杂波的相关性。

      图  5  目标检测概率

      Figure 5.  Target detection probability

      利用实测数据验证所提的海面目标检测方法。对图3中的回波信号进行联合时频分解并利用检测统计量从分解分量中找出目标信号。其CSM分布显示在图6中。从中可以看出目标信号以3.56 m/s的速度远离雷达。

      图  6  实际目标检测结果(图3中信号)

      Figure 6.  Actual target detection result (signal in Fig.3)

    • 海面目标的存在会影响多个雷达距离单元,相邻雷达距离单元回波的联合时频分布表现出与单个距离单元回波信号的时频分布相似的特征。本文提出一种两距离单元信号的联合时频分布方法——互SM,可以近似为两信号中相关分量的CWVD之和。利用CWVD逆变换实现两个距离单元回波信号的联合时频分解,最后利用分解分量的联合时频聚集性从分解分量的挑选出目标信号。本文提出的基于空域联合时频分解的海面微弱目标检测方法不仅可以快速的实现目标检测,还能够提出目标信号的运动特征。对包含仿真目标与实际目标的海面回波数据的检测结果表明,本文方法可以从海面回波中检测出微弱目标,并且能够得到目标的运动特性。

      针对编队目标,即波束照射区间会出现多个目标的情况,通常情况下目标都是以相同的速度运动,此时目标检测算法同样适用。当目标间相对速度较大时,可以将两个目标通过信号分解方法分解出来,实现目标检测的同时进行目标数目估计;当目标相对速度较小时,在相对较短的时间内(约0.2 s),目标不大可能出现明显机动,所以将回波信号建模成谐波信号是合理的。通过调整步长L,同样可以实现信号分离而不产生交叉项,所以该方法同样适用于多目标情况。

      对于高速运动目标,如巡航导弹等,由于目标的高速运动,有可以会造成距离徙动现象,给目标检测带来困难,一方面可以通过减小积累时间、提高采样频率的方法来减小距离徙动造成的影响,另一方面也可以利用距离走动校正方法来消除距离徙动,实现目标信号长时间积累。本方法的下一步研究工作将集中在会产生距离徙动的高速运动目标检测方面。

参考文献 (17)

目录

    /

    返回文章
    返回