部分均匀环境中训练样本不足时的贝叶斯子空间检测器

为了解决部分均匀环境中训练数据不足时的子空间信号检测难题,采用贝叶斯理论,将噪声协方差矩阵建模为逆威沙特分布,并采用广义似然比准则(generalized likelihood ratio test,GLRT)、Rao准则和Wald准则设计自适应检测器,结果表明3种准则得到相同的结果。基于仿真及实测数据验证了所提检测器的有效性,并得出了影响检测性能的关键物理量。

目标引入干扰条件下的Wald检测器

多径效应或多输入多输出(MIMO)雷达发射波形不完全正交的情况下会引入干扰,此种干扰通常被称为目标引入干扰。针对存在目标引入干扰的目标检测问题,该文基于Wald准则提出适用于均匀环境和非均匀环境下的自适应检测器,所提出的检测器可有效抑制目标引入的干扰,且具有恒虚警率(CFAR)特性。仿真结果表明,当干扰子空间已知时,该文所提出的检测器可完全抑制干扰,当干扰子空间未知时,所提检测器可有效抑制位于信号子空间的正交补空间内的干扰。

复合高斯杂波中距离扩展目标的参数化Wald检测

本文研究复合高斯杂波环境中的距离扩展目标的自适应检测问题。有色杂波采用参数未知的自回归(AR)过程描述。结合Wald检测准则,仅需对H1假设条件下的未知参数进行最大似然估计,给出了一种新的基于参数化模型的扩展目标检测器——参数化Wald检测器。该检测器的检验统计量可解释为首先针对各个待测单元分别计算检验统计量,然后将所有待测单元的输出进行非相参累加,其对杂波的随机功率起伏具有恒虚警率(CFAR)特性。相比于常规的基于协方差矩阵的检测方法,参数化检测算法的执行过程不需要依赖辅助数据,仅利用待测扩展目标数据即可实现自适应处理,有效缓解了训练压力并降低了计算量。仿真实验表明,所提出的参数化Wald检测器的检测性能优于之前提出的参数化广义似然比检测器的性能。

贝叶斯雷达自适应检测算法研究

针对未知谱密度高斯杂波环境下的目标检测问题,假定噪声协方差矩阵是随机变量,并且服从逆Wishart分布.通过求解噪声协方差矩阵的最大后验估计,推导出基于贝叶斯方法的Rao和Wald准则检测器,提高了非均匀杂波环境下的雷达目标自适应检测性能.检测器的设计过程中除了利用观测样本提供的信息,还融合了关于噪声协方差矩阵的先验知识,且融入程度可通过标量参数调节.仿真实验表明,小样本情况下贝叶斯Rao和Wald准则检测器的检测性能优于传统的非贝叶斯检测器.

利用先验知识的空时自适应检测方法

针对雷达空时自适应检测中非均匀杂波造成可用均匀训练样本数少的问题,研究了在自适应检测器设计过程中融合先验知识的方法.自适应检测器中的协方差矩阵通常由多个独立同高斯分布向量估计得到,由于这些向量的外积之和服从Wishart分布,所以假定Wald检测器中的协方差矩阵是随机的且服从逆Wishart先验分布,该分布的参数矩阵可根据雷达探测环境的先验知识获得.基于上述假定推导出融合先验知识的Wald准则检测器,不仅利用了训练样本中的信息,还充分利用了探测环境先验信息.仿真实验表明,小样本情况下利用先验知识的Wald检测器的检测性能优于传统的检测器.