经典雷达资料—第8章自动检测、自动跟踪和多传感器融合—3.doc

·PAGE 330· 雷 达 手 册 ·PAGE 317· 第8章 自动检测、自动跟踪和多传感器融合 目标抑制 目标抑制即检测目标能力下降，它是由于参考单元中存在其他目标或杂波剩余所引起的。解决这个问题有两种基本方法：（1）在计算门限时去掉大的回波[26]～[28]，（2）通过限幅或用对数视频来减小大回波的影响。所用的技术应是针对特定的雷达系统和所处的环境而言的。 Rickard和Dillard[27]提出了一类DK检波器，K是从参考单元中消去的最大样本个数。单一平方律检测脉冲对SwerlingⅡ型目标的D0（无消去）与D1, D2进行的比较如图8.18所示，图中N是参考单元的数目，?是在测试单元中干扰目标和目标的功率比，(m, n)中的m, n分别表示的是m型Swerling目标和n型Swerling干扰目标。图8.18表明，有一个干扰目标时，PD不随S/N增加而达到1。如何从参考单元中消去超出一定门限的目标的方法将在 “非参量型检???器” 小节中进行详细讨论[26]。 图8.18 SwerlingⅡ型目标的信噪比与检测概率的关系曲线（引自参考资料27） Finn[28]研究了参考单元跨越两个连续不同的“噪声场景”的问题（例如，热噪声、海杂波和地杂波等）。基于样本，他估计了两类噪声场景的统计参数及它们之间的分离点。然后，只有那些与测试单元处在同一噪声场景的参考单元，才被用于计算自适应门限值。 抑制干扰的另一种等效方法是用对数视频。通过取对数，使参考单元中的大样本对门限产生的影响变小。用对数视频信号，10个脉冲积累只产生0.5 dB的损耗，100个脉冲积累产生1.0 dB的损耗[29]。对数恒虚警CFAR的实现框图如图8.19所示[30]。在许多系统中，没有用到图8.19中的反对数这部分。为了保持和线性视频同样的CFAR损耗，对数CFAR的参考单元数Mlog应为 （8.21） 式中，Mlin是线性视频的参考单元数。对数视频对目标抑制的影响将在本章的后面进行讨论（见表8.2）。 图8.19 单元平均对数CFAR接收机的框图（引自参考资料30） 非参量型检测器 通常用参考单元对测试样本进行排序，可以得到非参量型检测器的CFAR[31][32]。所谓排序即将样本从小到大排列，把最小的用序列值0代替，次小的用序列值1代替，……最大的用序列值n-1代替。假设所有样本都服从独立同分布，且分布类型是未知的，测试样本取这几个值的概率相等。例如，如图8.20所示的序列检测器，测试单元与其相邻的15个单元进行比较。在这组的16个单元中，因为测试样本与最小的样本（或其他的样本）有同样的概率，即测试样本取任何序列值0,1,2,…,15中之一的概率为1/16。一个简单的序列检测器是通过将序列值与门限K进行比较，若序列值较大就产生1，否则产生0。然后，将这些0和1进行滑窗求和。这种检测器产生约2 dB的CFAR损耗，但只要时间样本是独立的，这种检测器对任何未知的噪声密度都能够获得固定的Pfa。这种检测器被引入ARTS—3A型后续处理器中，以与联邦航空管理局的机场监视雷达（ASR）相连接。这种检测器的主要缺点是，它很容易受到目标抑制的影响（如，若一个大目标在参考单元内，那么测试单元就不能接收到最高的序列值）。 若各个时间样本是相关的，序列检测器就不能得到CFAR。图8.21示出一种修正（改进）型序列检测器，它在时间样本相关时仍可以保持低的Pfa，被称为修正广义符号检验（MGST）处理器[26]。这种检测器可分为三个部分：排序部分、积累部分（图中为一个双极点滤波器）及门限部分（判决处理）。如果输出积累值超过了两个门限，就表明存在目标。第一个门限是固定的（在图8.21中等于?+T1/K），并且在各参考单元是独立同分布的情况下，产生Pfa＝10－6。第二个门限是自适应的，并且在各参考单元是相关的情况下仍保持低的Pfa。这种检测器用平均偏差来估计相关样本的标准偏差，参考单元中外来的目标用预置门限T2从估值中除去。 序列检测器和MGST检测器本质上是双样本检测器。如果测试单元的排序值远大于参考单元的排序值，检测器就可以判定目标存在。在不满足同分布的地方（例如，陆地、海洋）就会出现目标抑制的现象。然而，存在一些仅仅与测试单元有关的方法，如Spearman Rho法和Kendail Tau法[33]。这些方法基于这样的一个事实：当天线波束扫过点目标时，回波信号先增加，然后降低。这样，对于测试单元中的序列值来说，也应遵从先增加后降低的模式。虽然这些检测器不需要参考单元，因而具有不需要同分布假设的有用特性，但是由于对中等数量样本会引起大的CFAR损耗，所以一般不用这样的方法。例如，当目标有16个