Радиотехника и электроника, 2022, T. 67, № 4, стр. 361-368
Межобзорное накопление отраженных радиолокационных сигналов на фоне негауссовских коррелированных помех
В. И. Кошелев a, В. А. Белокуров a, *
a Рязанский государственный радиотехнический университет им. В.Ф. Уткина
390005 Рязань, ул. Гагарина, 59/1, Российская Федерация
* E-mail: belokurov.v.a@rsreu.ru
Поступила в редакцию 23.03.2021
После доработки 26.10.2021
Принята к публикации 10.11.2021
- EDN: EXMZGK
- DOI: 10.31857/S0033849422040076
Аннотация
Изложены результаты синтеза алгоритма межобзорного накопления отраженных радиолокационных сигналов на фоне негауссовских коррелированных помех инвариантного к закону распределения помехи. Предложен алгоритм аналитического расчета порога обнаружения синтезированного алгоритма. Проведено тестирование и сравнение синтезированного алгоритма с известным на основе обработки реальных данных.
ВВЕДЕНИЕ
В настоящее время перспективным направлением повышения энергетической дальности радиолокационных станций (РЛС) является межобзорное накопление отраженных радиолокационных сигналов.
Для решения данной задачи предложено несколько подходов. В отечественной литературе можно отметить направление, связанное с использованием оценочно-корреляционного подхода [1], предложенного Ю.Г. Сосулиным. Данный подход основан на рекуррентном вычислении отношения правдоподобия с учетом апостериорной плотности распределения вероятностей вектора оцениваемых параметров.
Другой подход [2, 3] к решению задачи межобзорного накопления отраженных радиолокационных сигналов заключается в формировании обобщенного отношения правдоподобия по возможным траекториям движения цели и сравнении с порогом максимального значения обобщенного отношения правдоподобия. При этом, как правило, авторы [4] ограничиваются рассмотрением случая гауссовского некоррелированного шума.
Вопросы межобзорного накопления на фоне негауссовского некоррелированного шума рассмотрены в работах [5–8]. Законы распределения шума следующие: Вейбулла, К-распределение, логнормальное, экспоненциальное. В работе [9] рассмотрен синтез алгоритма межобзорного накопления на фоне коррелированных помех с К‑распределением. Особенностью данных работ является то, что авторы предполагают закон распределения помех априорно известным.
В работах [1, 10] рассмотрено применение оценочно-корреляционного подхода при обнаружении сигнала на фоне негауссовских шумов. При этом описанный подход требует априорного знания не только закона распределения шума, но и переходной плотности распределения вероятностей и ряда других параметров, что несколько ограничивает применение данного подхода на практике.
Вопросам обнаружения на фоне негауссовских помех посвящено большое количество работ. В их числе работы [10–12], в которых рассмотрен синтез локально оптимального обнаружителя при обнаружении пачки импульсов на фоне негауссовских коррелированных помех и который заключается в предварительной обработке квадратурных составляющих отраженной пачки импульсов с помощью безынерционного преобразователя, реализующего нормализацию входной негауссовской помехи.
Анализу законов распределения отраженных сигналов от морской поверхности посвящено большое количество работ как в отечественной литературе [13], так и зарубежной [14]. В данных работах показано, что в зависимости от разрешения РЛС, закон распределения амплитуды помехи могут иметь следующие распределения: релеевское, логнормальное, K-распределение, обобщенное K‑распределение и др. Кроме того, анализ экспериментальных данных РЛС IPIX, выполненный авторами в данной работе показывает, что закон распределения может меняться между каналами по дальности при высоком разрешении по дальности. Поэтому одним из перспективных направлений синтеза обнаружителей, инвариантных к закону распределения помехи, является описание распределения помех с помощью сферических инвариантных процессов [15].
В литературе [16–18] рассмотрены различные алгоритмы обнаружения малоразмерных целей с использованием сферических инвариантных процессов. Общим для представленных в работах алгоритмах является обнаружение цели по данным одного обзора, при этом вопрос использования подобных алгоритмов с целью межобзорного накопления не рассмотрен.
Цель данной работы – синтезировать алгоритм межобзорного накопления отраженных радиолокационных сигналов на фоне негауссовских коррелированных помех инвариантного к закону распределения помехи, а также алгоритм вычисления порога обнаружения.
Полученные в результате синтеза алгоритмы обнаружения и вычисления порога обнаружения тестируются на реальных данных, полученных с помощью РЛС IPIX [http://soma.mcmaster.ca/ipix/ dartmouth/datasets.html]. В качестве цели использовался 1.5-метровый пенопластовый буй, обтянутый металлической проволокой и расположенный на морской поверхности. Дальность от РЛС до буя составляла около 2 км. Учитывая, что радиальная скорость относительно РЛС данной цели близка к нулю, то вопросы устранения неоднозначности измерения скорости не рассматривались.
1. ФОРМИРОВАНИЕ ТРАЕКТОРИЙ ДВИЖЕНИЯ ЦЕЛИ
Перед синтезом алгоритма межобзорного накопления необходимо ввести ряд обозначений, связанных с возможными траекториями движения цели.
На рис. 1 иллюстрируется принцип формирования траекторий в координатах “дальность–скорость–азимут–угол места”, на котором введены следующие обозначения: $i,j,\beta ,\alpha $ – номера каналов по дальности, скорости, азимуту и углу места соответственно. Диапазоны значений каналов определяются числом каналов по дальности NR, по скорости N, по азимуту ${{N}_{\alpha }}$, угол места ${{N}_{\beta }}$. Обозначим $\Delta R_{k}^{{(l)}}$ – смещение по дальности между k-м и (k + 1)-м обзорами в l-й гипотезе движения цели, выраженное в номере канала по дальности; $\Delta V_{k}^{{(l)}}$ – смещение по скорости между k-м и (k + 1)-м обзорами в l-й гипотезе движения цели; $\Delta \alpha _{k}^{{(l)}}$ – смещение по азимуту между k-м и (k + 1)-м обзорами в l-й гипотезе движения цели; $\Delta \beta _{k}^{{(l)}}$ – смещение по углу места между k-м и (k + 1)-м обзорами в l-й гипотезе движения цели. Переменная l обозначает одну из Nh возможных гипотез движения цели.
Одна из Nh возможных гипотез движения цели за K обзоров может быть записана в виде
Рассмотрим принцип формирования траекторий движения цели при использовании линейной модели движения в лучевой системе координат [19]. Предположим, что РЛС неподвижна. Обработка радиолокационной информации строится по корреляционно-фильтровой схеме [20].
В соответствии с линейной моделью движения дальность до цели R между k-м и k – 1-м обзорами меняется в соответствии с выражением
где $V$ – скорость цели, которая выбирается исходя из номера канала по скорости, входящего в l‑ю ячейку, Tобз – период обзора РЛС. Аналогичным образом в рамках линейной модели движения определяются смещения по угловым координатам.Номера каналов по дальности, скорости и угловым координатам соответствующих каждой Nh возможной гипотезе движения необходимы для формирования решающего правила, обеспечивающего межобзорное накопление отраженных сигналов, синтез которого приведен в следующем разделе.
2. СИНТЕЗ АЛГОРИТМА МЕЖОБЗОРНОГО НАКОПЛЕНИЯ ОТРАЖЕННЫХ РАДИОЛОКАЦИОННЫХ СИГНАЛОВ НА ФОНЕ НЕГАУССОВСКИХ КОРРЕЛИРОВАННЫХ ПОМЕХ
Обозначим ${\mathbf{Z}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}$ массив данных, формируемых на выходах аналого-цифровых преобразователей двух квадратурных каналов и соответствующих i-му каналу по дальности, $\alpha $-му каналу по азимуту и $\beta $-му каналу по углу места на k-м обзоре и входящий в l-ю гипотезу движения.
Представим принятую пачку импульсов ${\mathbf{Z}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}$ в i-м канале по дальности, $\alpha $-м канале по азимуту и $\beta $-м канале по углу места на k-м обзоре в виде
Вектор ${\mathbf{y}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}$ в i-м канале по дальности представим в виде составного гауссовского случайного вектора [15]:
Плотность распределения вектора ${\mathbf{Z}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}$ при гипотезе H1 имеет вид
Плотность распределения вектора ${\mathbf{Z}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}$ при гипотезе H0 имеет вид
Отношение правдоподобия для i-го канала по дальности, $\alpha $-го канала по азимуту и $\beta $-го канала по углу места на k-м обзоре имеет вид
(1)
$\lambda _{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}} = \frac{{p({\mathbf{Z}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}\left| {{{{\text{H}}}_{1}}} \right.)}}{{p({\mathbf{Z}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}\left| {{{{\text{H}}}_{0}}} \right.)}}.$С учетом выражения (1) отношение правдоподобия для l-й возможной гипотезы движения цели при накоплении данных с K обзоров имеет вид
(2)
${{\lambda }_{l}} = \prod\limits_{k = 0}^{K - 1} {\frac{{{{h}_{N}}\left( {{{{\left( {{\mathbf{Z}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}} - A_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}{\mathbf{s}}_{j}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}\left( {{\mathbf{Z}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}} - A_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}{\mathbf{s}}_{j}^{{(l)}}} \right)} \right)}}{{{{h}_{N}}\left( {{{{\left( {{\mathbf{Z}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}{\mathbf{Z}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}} ,$Так как амплитуда отраженного сигнала неизвестна, то подставим в выражение (2) ее оценку [21], которая может быть представлена в виде
Возможная гипотеза движения цели априорно неизвестна, поэтому максимизируем выражение (2) по всем возможным гипотезам движения цели, начинающим движение из $\left( {i,j,\alpha ,\beta } \right)$-го канала:
(3)
${{\lambda }_{{i,j,\alpha ,\beta }}} = \mathop {\max }\limits_{l \in {{N}_{{\text{h}}}}} \left( {{{\lambda }_{l}}} \right) = \mathop {\max }\limits_{l \in {{N}_{{\text{h}}}}} \prod\limits_{k = 0}^{K - 1} {\frac{{{{h}_{N}}\left( {{{{\left( {{\mathbf{Z}}_{{{{{\left( {i,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}{\mathbf{Z}}_{{{{{\left( {i,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}} - \frac{{{{{\left| {{{{\left( {{\mathbf{s}}_{j}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}{\mathbf{Z}}_{{{{{\left( {i,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}} \right|}}^{2}}}}{{{{{\left( {{\mathbf{s}}_{j}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}{\mathbf{s}}_{j}^{{(l)}}}}} \right)}}{{{{h}_{N}}\left( {{{{\left( {{\mathbf{Z}}_{{{{{\left( {i,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}{\mathbf{Z}}_{{{{{\left( {i,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}} \right)}}.} $Представить в явном виде числитель и знаменатель в выражении (3) невозможно [22], в связи с чем введем аппроксимацию функции ${{h}_{N}}(x)$ в виде
Подставим последнее выражение в формулу (3) и, проведя преобразование отношения правдоподобия, получим:
(4)
${{\lambda }_{{i,j,\alpha ,\beta }}} = \mathop {\max }\limits_{l \in {{N}_{{\text{h}}}}} \left( {{{\lambda }_{l}}} \right) = \mathop {\max }\limits_{l \in {{N}_{{\text{h}}}}} \prod\limits_{k = 0}^{K - 1} {\left( {{{{\left( {1 - \frac{{{{{\left| {{{{\left( {{\mathbf{s}}_{j}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}{\mathbf{Z}}_{{{{{\left( {i,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}} \right|}}^{2}}}}{{{{{\left( {{\mathbf{Z}}_{{{{{\left( {i,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}{\mathbf{Z}}_{{{{{\left( {i,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}{{{\left( {{\mathbf{s}}_{j}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}{\mathbf{s}}_{j}^{{(l)}}}}} \right)}}^{{ - 1}}}} \right)} .$Одним из достоинств использования математического аппарата сферических инвариантных процессов является то, что данные процессы включают в себя большой набор различных законов распределения: Релея, экспоненциальный, K-распределение, обобщенное K-распределение, Вейбулла, инверсное гамма-распределение и другие, за исключением логнормального [15]. Каждый закон распределения в рамках сферических инвариантных процессов описывается своей функцией ${{h}_{N}}(x)$.
Учитывая, что корреляционная матрица ${\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}$ априорно неизвестна, то в соответствии с адаптивным байесовским подходом подставим в выражение (4) оценку корреляционной матрицы [23], не зависящую от мощности помехи:
(5)
${\mathbf{\hat {C}}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}} = \frac{N}{{{{N}_{C}}}}\sum\limits_{m = 0}^{{{N}_{C}} - 1} {\frac{{{\mathbf{Z}}_{{{{{\left( {i + m,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}{{{\left( {{\mathbf{Z}}_{{{{{\left( {i + m,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}} \right)}}^{H}}}}{{{{{\left( {{\mathbf{Z}}_{{{{{\left( {i + m,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}} \right)}}^{H}}{\mathbf{Z}}_{{{{{\left( {i + m,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}}}} ,$В соответствии с выражением (4) необходимо в “скользящем окне” из K-обзоров формировать все возможные траектории движения цели для всех каналов $i,j,\alpha ,\beta $ и для каждой l-й возможной траектории движения цели вычислить отношение правдоподобия в соответствии с выражением (4). После этого выбрать максимальное значение
Процесс формирования “скользящего окна” показан на рис. 2.
Предложенный алгоритм межобзорного накопления может быть использован как дополнительный канал обработки в существующих РЛС.
3. ВЫЧИСЛЕНИЯ ПОРОГА ОБНАРУЖЕНИЯ
В известных работах [5, 24], посвященных межобзорному накоплению на фоне негауссовского некоррелированного шума порог выбирается с помощью метода Монте-Карло. В связи с этим актуальным является вопрос вычисления порога обнаружения при формировании решающего правила (4), который в соответствии с критерием Неймана–Пирсона обеспечит заданную вероятность ложной тревоги. Для этого необходимо найти плотность распределения вероятностей статистики ${{\lambda }_{l}}$ после чего определить закон распределения
Воспользуемся асимптотическим свойством статистики
(6)
$\begin{gathered} p(x\left| {{{{\text{H}}}_{0}}} \right.) = \frac{{(N - {{N}_{C}} + 1)({{N}_{C}} - 1)}}{{({{N}_{C}} - 1)}}{{(1 - x)}^{{N - {{N}_{C}}}}} \times \\ \times \,\,{}_{2}{{{\text{F}}}_{1}}((N - {{N}_{C}} + 2),(N - {{N}_{C}} + 2),(N + 2),x), \\ \end{gathered} $Используя данное асимптотическое свойство, вычислим порог обнаружения. Для этого, используя плотность распределения (6), сформируем Ns случайных величин $\left\{ {{{x}_{i}}} \right\}_{{i = 0}}^{{{{N}_{S}} - 1}}$. После этого над отсчетами $\left\{ {{{x}_{i}}} \right\}_{{i = 0}}^{{{{N}_{S}} - 1}}$ выполним преобразование $\left\{ {{1 \mathord{\left/ {\vphantom {1 {(1 - {{x}_{i}})}}} \right. \kern-0em} {(1 - {{x}_{i}})}}} \right\}_{{i = 0}}^{{{{N}_{S}} - 1}}$, которое соответствует решающему правилу (4).
С точки зрения вычисления порога обнаружения необходимо знание “хвоста” плотности распределения статистики, соответствующей решающему правила (4) при гипотезе H0. Использование аппроксимации плотности распределения вероятности отсчетов полиномами на основе различных ортогональных многочленов [10], например полиномами Лежандра и Лагерра, нецелесообразно. Результаты аппроксимации плотности распределения в логарифмическом масштабе представлены на рис. 3.
При увеличении порядка полиномов наблюдаются выраженные колебания в области “хвоста” распределения, что затрудняет использование данных аппроксимаций для вычислении порога обнаружения.
В работе [26] показано, что “хвост” любого распределения может быть аппроксимирован обобщенным распределением Парето, параметры которого можно определить методом максимального правдоподобия:
Результат аппроксимации распределением Парето эмпирической функции распределения отсчетов $\left\{ {{1 \mathord{\left/ {\vphantom {1 {(1 - {{x}_{i}})}}} \right. \kern-0em} {(1 - {{x}_{i}})}}} \right\}_{{i = 0}}^{{{{N}_{S}} - 1}}$ показан на рис. 4. Параметры обобщенного распределения Парето вычислены методом максимального правдоподобия.
Зависимости на рис. 4 построены при числе отсчетов NS = 100 000. Порог u выбирается таким образом, чтобы его значение превысило M1 отсчетов. Отношение числа превышение порога u к числу отсчетов ${{{{M}_{1}}} \mathord{\left/ {\vphantom {{{{M}_{1}}} {{{N}_{S}}}}} \right. \kern-0em} {{{N}_{S}}}} = 0.1$. Порог обнаружения вычисляется на основе выражения
Вычисленная для заданного значения F, числа импульсов в пачке N, числа пачек, используемых для оценки ${\mathbf{\hat {C}}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}$, величина порога обнаружения загружается в память обнаружителя и используется в дальнейшем в процессе обнаружения.
4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ
Тестирование синтезированного алгоритма проводилось на экспериментальных данных, полученных с помощью РЛС IPIX. Параметры РЛС: несущая частота 9.39 ГГц; мощность излучения 8 кВт; период повторения импульсов от 0 до 20 мс; разрешение по дальности может изменяться в диапазоне 30…150 м. Режим работы – разрешение по дальности 30 м, период повторения импульсов 1 мс. Данные в каждом файле сгруппированы по 14 каналов дальности. Число зондирующих импульсов 131072. Для анализа синтезированного в данной работе алгоритма межобзорного накопления использованы данные следующих файлов [http:// soma.mcmaster.ca/ipix/dartmouth/datasets.html] 19931107_135603_starea.cdf; 19931107_141630_starea.cdf; 19931107_145028_starea.cdf; 19931108_213827_starea.cdf; 19931108_220902_starea.cdf.
На первом этапе анализировали законы распределения помех в каналах по дальности. Были рассмотрены следующие виды законов распределения: К-распределение, инверсное гамма-распределение, обобщенное К-распределение. Кроме того, рассмотрено логнормальное распределение.
На рис. 5 для примера показаны гистограмма, а также плотности распределения вероятностей, соответствующие распределениям: К-распределение, инверсное гамма-распределение, обобщенное К-распределение, логнормальное распределение. Данные взяты из файла 19931108_213827_starea.cdf. Разрешение по дальности 30 м.
Параметры распределений вычислялись на основе метода моментов. В табл. 1 показаны статистики критерия “Хи-квадрат” для различных распределений в зависимости от номера канала по дальности (19931108_213827_starea.cdf).
Таблица 1.
Распределение | Номер канала | ||||||
---|---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 | |
K распределение | 223.1 | 118.6 | 238.9 | 273.7 | 227.3 | 399.4 | 549.3 |
Обобщенное K распределение | 672.2 | 282.8 | 516.1 | 698.4 | 555.8 | 748.1 | 944.3 |
Инверсное гамма-распределение | 137.8 | 57.2 | 97.5 | 120 | 109.5 | 402.4 | 630.4 |
Логнормальное распределение | 305.4 | 88.9 | 244.2 | 220.5 | 215.3 | 517.9 | 570.3 |
Анализ данных табл. 1 показывает, что в каналах по дальности с 1 по 5 из рассмотренных распределений наиболее близким является инверсное гамма-распределение, в каналах по дальности с 6 по 7 наиболее близким является K-распределение.
Учитывая, что отношение сигнал-помеха в экспериментальных данных известно, для анализа эффективности были построены зависимости D(F), где D – вероятность правильного обнаружения.
В работе [27] авторы приводят выражение для решающей статистики при межобзорном накоплении в виде
(7)
${{\lambda }_{{i,j,\alpha ,\beta }}} = \mathop {\max }\limits_{l \in {{N}_{{\text{h}}}}} \left( {{{\lambda }_{l}}} \right) = \mathop {\max }\limits_{j \in {{N}_{\operatorname{h} }}} \prod\limits_{k = 0}^{K - 1} {\frac{{{{{\left| {{{{\left( {{\mathbf{s}}_{j}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}{\mathbf{Z}}_{{{{{\left( {i,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}} \right|}}^{2}}}}{{{{{\left( {{\mathbf{Z}}_{{{{{\left( {i,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}{\mathbf{Z}}_{{{{{\left( {i,\alpha ,\beta } \right)}}_{k}}}}^{{(l)}}{{{\left( {{\mathbf{s}}_{j}^{{(l)}}} \right)}}^{H}}{{{\left( {{\mathbf{C}}_{{{{{(i,\alpha ,\beta )}}_{k}}}}^{{(l)}}} \right)}}^{{ - 1}}}{\mathbf{s}}_{j}^{{(l)}}}}} .$Результаты обработки экспериментальных данных, взятых из файла 19931107_135603_starea.cdf, приведены на рис. 6. Число импульсов в пачке N = 16. Число обзоров K = 1.2. Число пачек, используемых для вычисления оценки корреляционной матрицы NC = 8N. В проведенном эксперименте цель находилась в 9-м канале по дальности, а отношение сигнал-помеха лежит в диапазоне 0…6 дБ.
Совпадение эффективности алгоритмов (4) и (7) при K = 1 подтверждает результаты работы [21]. При увеличении количества обзоров вероятность правильного обнаружения алгоритмов (4) и (7) также увеличивается. При вероятностях F больше 10–2 эффективность алгоритмов (4) и (7) также практически совпадает.
При увеличении количества обзоров с K = 2 до K = 3 алгоритм (4) обеспечивает более высокую вероятность правильного обнаружения по сравнению с алгоритмом (4). При F = 10–2 выигрыш составляет 0.1 по вероятности правильного обнаружения при сравнении с известным алгоритмом (7).
ЗАКЛЮЧЕНИЕ
Таким образом, в работе синтезирован алгоритм межобзорного накопления отраженных радиолокационных сигналов на фоне негауссовских коррелированных помех и получен инвариантный относительно закона распределения помехи алгоритм вычисления порога обнаружения, использующий асимптотические свойства статистики, входящей в решающее правило (4). Обработка экспериментальных данных с РЛС IPIX показала, что предлагаемый алгоритм межобзорного накопления при трех и более обзорах обеспечивает повышение вероятности правильного обнаружения цели не менее чем на 0.1 при вероятности ложной тревоги 10–2.
Список литературы
Сосулин Ю.Г. Теория обнаружения и оценивания стохастических сигналов. М.: Советское радио, 1978.
Bussy S., Lops M., Venturino L. // IEEE Trans. 2005. V. AES-41. № 7. P. 937.
Barniv Y., Kella O. // IEEE Trans. 1985. V. AES-21. № 1. P. 144.
Arnold J., Shaw S.W., Pasternack H. // IEEE Trans. 1993. V. AES-29. № 1. P. 44.
Daikun Z., Shouyong W., Xing Q. // Chinese J. Electronics. 2016. V. 25. № 3. P. 583.
Jiang H., Wei Y., Kirubarajab T. et al. // IEEE Trans. 2017. V. AES-53. № 2. P. 736.
Белокуров В.А., Кошелев В.И. // Радиотехника. 2019. Т. 83. № 11(18). С. 41.
Белокуров В.А., Кошелев В.И. // Радиотехника. 2019. Т. 83. № 5-2. С. 161.
Abramovich Y., Besson O. // IEEE Signal Processing Lett. 2015. V. 22. № 10. P. 1791.
Акимов П.С., Бакут П.А., Богданович В.А. и др. Теория обнаружения сигналов. М.: Радио и связь, 1984.
Шелухин О.И. Негауссовские процессы в радиотехнике. М.: Радио и связь, 1998.
Валеев В.Г. Нелинейная обработка сигналов. М.: Радиотехника, 2013.
Винокуров В.И. Морская радиолокация. М.: Судостроение, 1986.
Ward K., Tougth R., Watts S. Sea Clutter: Scattering, the K Distribution and Radar Performance. L.: The Institution of Engineering and Technology, 2006.
Weiner M. Adaptive Antennas and Receivers. N.Y.: Taylor and Francis group, 2006.
Sangston K.J., Gini F., Greco M.S. // IEEE Trans. 2012. V. AES-48. № 1. P. 64.
Gini F., Greco M. S. // IEEE Trans. 1999. V. AES-35. № 7. P. 1095.
Jay E., Ovarlez J.P., Declercq D., Duvaut P. // Signal Processing. 2003. V. 83. № 6. P. 1151.
Меркулов В.И., Верба В.С., Ильчук А.Р. и др. Автоматическое сопровождение целей в РЛС интегрированных авиационных комплексов. Сопровождение одиночных целей. М.: Радиотехника, 2018.
Ширман Я.Д., Манжос В.Н. Теория и техника обработки радиолокационной информации на фоне помех. М.: Радио и связь, 1981.
Kay S. Fundamental of Statistical Signal Processing. Detection Theory. N.Y.: SpringerLink, 1993.
Conte E., Lops M., Ricci G. // IEEE Trans. 1995. V. AES-31. № 2. P. 617.
Conte E., De Maio A., Ricci G. // IEEE Trans. 2002. V. AES-38. № 2. P.415.
Liu S., Chen X., Zeng T. // IET Radar, Sonar and Navigation. 2013. V. 7. № 8. P. 773.
Pascal F., Ovarlez J-P., Forster P. et al. // Proc. 12th Europ. Signal Processing Conf. Vienna. 6–10 Sept. 2004. N.Y.: IEEE, 2004. P. 2143.
Franke J., Härdle W.K., Hafner C.M. Statistics of Financial Markets. An Introduction. Berlin: Springer-Verlag, 2008.
Xu S.-W., Shui P.-L., Yan X.-Y // Circuits, Systems and Signal Processing, 2017. V. 36. № 6. P. 2360.
Дополнительные материалы отсутствуют.
Инструменты
Радиотехника и электроника