翻译：相关雷达自适应极化目标检测.docVIP

相关雷达自适应极化目标检测 部分二：在非高斯噪声背景下的检测 本论文介绍了在非高斯噪声背景下，极化自适应检测目标方案的推导过程。本文的推倒，使得第一部分中在高斯噪声背景的研究更加完善。通过利用雷达回波极化性质，我们推导出来了与参数无关的广义似然比检测器TF-GLRT）用来提高检测性能。我们提到的这种检测器在未知参数的复合高斯杂波背景下，显示出来具有恒虚警概率的特性。这种检测器的性能在理论分析和仿真中都得以充分的展现。另外，在实际应用中雷达的数据再次证明此检测器可以提高雷达检测性能。 简单介绍 众所周知，底仰角高分辨率雷达在四个线性通道HH，HV，VH和VV）的杂波回波拥有不同的统计特性：不同的平均功率，不同的峰值和不同的频谱特性。对于这种底仰角高分辨率雷达接收到的杂波，复合高斯分布是一种非常合适的模型。实际上，这种模型可以很精确的描述不同通道的回波性质，用来解释不同的平均功率，不同的峰值和可能不同的频谱表征。当对于海杂波建模的时候这种方式就显得尤其重要，因为海面膨胀在两个极化方向上不同的影响，导致在每一个通道有不同的功率谱密度和不同的峰值。实际上，我们都知道，底仰角的情况下第一部分我们用的高斯模型不在适用，而且海杂波在HH和VV通道尾部的分布显示出相对不同的表征。 所以，把近年来发展的相干雷达在复合高斯噪声背景中最佳检测方案的理论，拓展到多通道极化雷达领域就变得很有意义。特别的，假设杂波回波为复合高斯概率模型，则我们在这里介绍一中自适应极化检测器进行相干雷达目标检测。我们提到的检测器利用目标和杂波回波不同的统计特性以达到最佳分辨概率。另外，这种检测器中，使杂波偏离高斯分布的参数不会对其有任何影响，所以它在非高斯背景中具有恒虚惊概率的性质。我们对这种检测器的检测性能也进行了充分的研究，我们还把它和单通道HH或者VV）雷达的性能，在理论上，仿真上和实际应用数据中进行对比，以研究它性能的提高。 本论文结构如下。部分II中，L个极化通道复合高斯回波的联合概率密度的数学模型在这里进行介绍。第Ⅲ部分中，我们假设已知杂波协方差矩阵，TF-GLRT检测器的检测算法在这部分中进行推导。在第Ⅳ部分，在非高斯背景中，确保恒虚惊概率的前提下，提到的检测方案显示出来，在相干检测中通过利用极化信息，我们达到了最佳检测效果。完全自适应检测方案在第Ⅴ部分中推导出来。这种新的完全自适应检测器具有恒虚警概率的特性，它的性能在仿真中被全部记录。这种检测器在实际应用中记录的数据在第Ⅵ部分中呈现，把它实际的表现和仿真结果进行比较。这样，我们就可以估计在非高斯背景中，利用极化信息可以使性能产生多大的提高。最后，一些结论在第Ⅶ部分中提出，并且和PartⅠ中提出的高斯噪声中的GLRT检测器进行对比。分析细节在附录里面记载。 极化回波模型 一串M个雷达脉冲信号交替在两个线性极化天线上发送和接收。测试单元在L个通道上接收的回波，排列为L个复矢量，。在假设只有杂波）下，，其中是服从高斯零均值分布的矢量而是局部杂波能量。在假设杂波加目标信号）下，，其中，是未知的复目标幅度，是导向矢量，，是目标多普勒频率。L个复矢量进一步排列到维的数据矢量，它是服从高斯分布的，在假设下是零均值的，在假设下均值为矢量。信号矢量，包含相同的L个导向矢量和L个目标系数，对应不同的极化通道。定义幅度矢量和导向矢量符号代表Kronecker积），我们有。在两种假设下，我们有相同的杂波协方矩阵，其中，，，归一化矩阵 其中包含了极化和时域的相关系数，。当给定时，的概率密度函数pdf）， 其中和分别在假设和下。当我们假设在L个极化通道的杂波变量，是随机变量通常称为参数变量）时，复合高斯模型因此而获得。这些随机变量服从广义伽马分布的概率密度，当，； 其中，是在第i个通道上的平均杂波能量，是相应的方向参数。而多余的参数，可以解释为接收到的杂波能量存在一个非零的最小值，相对于传统伽马分布的概率密度函数，能更好的适应实际数据。在非高斯背景下回波的完全概率密度表达式，可以通过用式3）来去掉式2）中的条件。这种方法通常很难靠分析得到表达式。所以，我们主要对条件概率密度函数2）进行处理。我们知道，意味