经典雷达资料-第8章__自动检测、自动跟踪和多传感器融合.doc

第8章 自动检测、自动跟踪和多传感器融合 G. V. Trunk 8.1 引言 自雷达问世以来，雷达操纵员一直在利用各种类型的显示器输出的视频信号来检测和跟踪目标。虽然操纵员能够非常精确地完成这些任务，但他们很容易陷入疲劳。研究表明，依靠人工只能跟踪一小部分目标。为了改变这种状况，许多雷达安装了自动检测和跟踪（ADT）系统。由于数据处理速度加快和硬件费用降低以及硬件尺寸减小，除了最简单的雷达外，在绝大多数雷达上，ADT系统都得到应用。 在这一章中，将讨论对空警戒雷达的自动检测、自动跟踪和多传感器融合。包括各种可提供目标改善的非相参积累器，可降低虚警和目标抑制的门限技术，以及估测目标位置和判定目标的算法。然后，给出整个跟踪系统的综述，讨论其各种组（部）件，例如跟踪滤波器，机动跟随逻辑，航迹起始跟踪，以及相关逻辑。接着，讨论多次扫描自动跟踪方法，如最大似然比法。最后，以介绍多传感器融合和雷达组网作为本章的结束，其中包括同基地和多基地系统。 8.2 自动检测 从统计角度出发的自动检测理论，于20世纪40年代由Marcum[1]首次应用在雷达上，此后由Swerling[2]将其应用在起伏目标的检测上。他们研究了许多在瑞利噪声情况下非相参检测目标的统计问题。（注：如果正交分量是高斯分布，那么包络是瑞利分布而功率是指数分布）Marcum的最重要的结果是，在等信号幅度的假设情况下，对N个包络检波样本（样本具有线性或平方律特性）求和的检测器，得到了其检测概率（PD） 当检测器的初始工作时，假设检测器工作在已知且相同的环境中，这样就可以使用固定的门限。然而，实际环境（包括陆地、海洋和雨）对于一个固定门限系统将引起过多的虚警，从而不能进行最好的相参处理。为此，采用了自适应门限、非参量型检测器和杂波图三种方法来解决虚警。自适应门限和非参量型检测器都是以假设被检测距离单元附近的一小段区域存在平稳性为依据的。自适应门限法假设除少数未知参量（如均值和方差）外，其噪声密度是已知的。周围参考单元可用来估计其未知参数，而门限是基于估测的密度得到的。非参量型检测器则通过对检验样本排序（从最小到最大）来得到恒虚警率（CFAR），通常用到各参考单元。在所有样本（检验的和参考的）都与未知密度函数相独立的假设下，检测样本服从均匀分布，这样就可以设定能产生CFAR的门限。杂波图存储各个距离-方位单元的背景电平平均值，若在某一距离-方位单元内有新的值超过平均背景电平一个特定量，那么就可以说，在这一个距离-方位单元里发现了目标。 最佳检测器 雷达检测问题是一个二元假设-检测问题，H0表示无目标存在的假设，H1表示有目标存在的假设。尽管有几个准则（如最优化的定义）可用来解决这个问题，但最适合于雷达的是Neyman-Pearson[3]准则。该准则为，对于一个给定的虚警率Pfa，通过对似然比L（L由式（8.1）定义）与由Pfa决定的适当门限T进行比较，使检测概率PD达到最大。如果有 （8.1） 则可断定目标存在，式中，p(x1,…,xn|H1)和p(x1,…,xn|H0)分别是n个样本xi在有目标和无目标的情况下的联合概率密度函数。对于一个线性包络检波器，样本在H0的情况下具有瑞利密度，在H1的情况下具有Ricean密度，则似然比检测器简化为 （8.2） 式中，I0是零阶贝塞尔函数，( 2是噪声功率，Ai是第i个脉冲的目标幅度且与天线功率方向图成正比。对于小信号（Ai ( s），检测器简化为平方律检波器： （8.3） 对于大信号（Ai$ s），检测器简化为线性检波器： （8.4） 对于等幅信号（Ai=A），Marcum[1]首先研究了这些检测器，随后许多人进行过持续多年的研究。本书第2章给出了线性检波器和平方律检波器的检测曲线。下面是与这些检测器有关的最重要的事实： ( 在PD,Pfa和n的较宽范围内，线性检波器和平方律检波器的检测性能是相似的，只有不到0.2 dB的差别。 ( 由于扫描雷达的回波信号是经过天线方向图调制的，在没有加权的情况下（即Ai=1），为了使信噪比最大而积累许多未加权的脉冲时，仅有处于半功率点间的84%的脉冲被积累，并且天线波束形状因子（ABSF）为1.6 dB[4]。ABSF是由等幅信号产生的检测曲线能被用于扫描雷达时中心波束信噪比必须减少的数量。 ( 线性检波器的叠加损耗比平方律检波器[5]的损耗可能大几分贝（如图8.1所示）。当不希望的噪声样本和有用的信号与噪声的样本一起积累时，叠加损耗就是为了保持PD和Pfa 不变而增加的信号。N是信号样本积累的数