本技术聚焦于雷达信号处理技术,特别提出了一种创新的雷达自适应检测技术,该技术通过改进的大维精度矩阵估计方法来提高雷达检测的准确性。该方法旨在解决现有雷达检测中准确率不足的问题,通过采集并分析雷达数据,实现对目标的高效识别。
背景技术
强杂波(加噪声)环境下的雷达目标检测一直以来是雷达信号处理领域的核心问题之一。随着电子技术的进步,各种新体制雷达不断出现,特别是相控阵雷达得到快速发展以及得益于球不变随机矢量对多维非高斯信号的成功描述,对雷达回波信号矢量的相干处理成为近三十年来的研究热点。无论是多维高斯还是非高斯杂波,精度矩阵(即协方差矩阵的逆)是描述信号幅度和相关特性的一个重要参量。若杂波精度矩阵预先已知,则可通过Neyman-Pearson(NP)准则推导出最优检测器。然而,在真实场景中,杂波(或噪声)精度矩阵的先验信息通常无法预先获取。此时需要通过待检测单元临近的一些辅助数据对真实的杂波精度矩阵进行估计。这一类检测器被称作自适应检测器。
最优自适应检测器的设计问题在过去四十年里引起了雷达领域科研人员的广泛关注。提高自适应检测器在复杂环境中的探测能力是目前在雷达目标检测领域的研究重点。精度矩阵估计对自适应检测器具有重要意义,一个足够精确的精度矩阵是提高自适应检测器性能的关键。
目前雷达信号处理流程中,精度矩阵估计均建立在经典渐近体系下,即低维大样本情形(在经典渐近体系下,一般假设维度N固定而样本数K趋于无穷,即N固定,K趋近于无穷大,)。例如在高斯杂波背景中,常常利用样本精度矩阵(也是最大似然估计)来估计真实杂波协方差矩阵。
但是随着相控阵雷达的出现及大规模天线阵列的使用,以及由于数据存储空间的限制和信号处理的实时性要求,实际雷达信号处理中观测数据的样本量K和样本维度N处于同一个数量级。此外,在一些特殊场景中,由于杂波的非均匀性,会出现样本量K小于样本维度N的情况。例如,在天波超视距雷达中,一个相参积累周期内往往包含128个或者256个样本,即N=128或256,但是由于天波超视距雷达杂波的不均匀性,在距离维上可供杂波协方差矩阵估计的辅助数据仅有40-60个,即K=40~60。这种情形被称为大维渐近体系,即维度N和样本量K同时趋于无穷,而二者比值趋近于一个常数(N,K→∞时,N/K→c∈(0,1))。在大维渐近体系中,样本精度矩阵估计并不是真实协方差矩阵的无偏一致估计。
精度矩阵估计的不一致性最终导致检测器性能出现较大的损失。以广义似然比检测器为例,当K=2N时,GLRT检测器的性能相较于最优检测器有3dB的信杂噪比损失,这在实际场景中是不可接受的。
因此,现有的雷达检测方法在大维渐近体系(即N和K在数量级上基本相当时)中时,存在因雷达自适应检测器探测性能差,导致的雷达检测准确率低的问题。
实现思路