本发明属于雷达恒虚警检测处理技术领域，具体涉及一种用于韦布尔杂波环境中多目标场景下基于统计量偏斜度的恒虚警检测方法。
背景技术：
恒虚警检测技术是雷达自动检测系统中控制虚警率的重要手段，它在雷达目标自动检测过程中起着极其重要的作用。在现代雷达系统中，在目标检测处理前，回波信号经过匹配滤波、动目标检测处理来提高输出信噪比(snr)，然后将处理结果与检测门限进行比较，如果回波数据大于检测门限，则判断为存在目标。为了维持恒虚警概率，检测门限必须根据本地背景噪声和杂波的功率而自适应地调整。然而，当雷达分辨率提高或者波束擦地角较小时，杂波服从韦布尔分布，针对韦布尔分布杂波，当多个目标出现在相邻的距离单元时，恒虚警检测器受到干扰目标的影响导致检测门限抬高，进而导致检测概率降低。
技术实现要素：
本发明的目的在于利用韦布尔杂波环境分布下杂波经过对数变换后统计量偏斜度为常数的特点，提出一种韦布尔杂波环境下基于偏斜度的恒虚警检测方法，该方法在计算检测门限前使用偏斜度判别参考单元中是否存在干扰目标，在计算检测门限前将干扰目标剔除，从而提高在韦布尔杂波环境中的检测性能。
实现本发明目的的技术解决方案为：一种韦布尔杂波环境下基于偏斜度的恒虚警检测方法，包括下列步骤：
步骤一：将雷达匹配滤波器或者动目标检测器输出结果送入包络检波器；
步骤二：将包络检波器输出送入对数放大器，利用对数放大器输出结果进行恒虚警检测，在初始时刻恒虚警检测器参考滑窗中参考单元数量为n；
步骤三：记对参考滑窗中的参考单元计算统计量偏斜度sk，将sk与偏斜度门限tsk_n进行比较，若sk<tsk_n，进入步骤五，否则进入步骤四；
步骤四：认为参考滑窗中存在干扰目标，将参考滑窗中的最大值删除，参考滑窗中参考单元数量为n＝n-1，返回步骤三；
步骤五：将剩余参考单元采用经典log-tcfar方法计算检测门限，进行恒虚警检测。
本发明与现有技术相比，其显著效果是：(1)本发明利用韦布尔杂波经对数变换后偏斜度为常量的特性，设计参考滑窗统计量偏斜度判断参考单元中是否存在干扰目标，具有良好的干扰目标发现性能。
(2)本发明不需要设定可能存在的干扰目标数量上限，能够自适应地检测出干扰目标个数，与删除固定数量参考单元的恒虚警检测器相比，具有较低的恒虚警检测损失。
(3)本发明每次发现干扰目标只需删除最大值，与传统有序统计量恒虚警检测器相比，计算量较低。
附图说明
图1是本发明的流程图。
图2是本发明基于偏斜度的恒虚警检测器方法流程图。
图3是均匀环境中偏斜度sk超过偏斜度门限tsk_n的概率曲线。
图4是不同数目干扰目标的强度与偏斜度sk的关系曲线(c＝2)。
图5是偏斜度判定准则在1、2、3个干扰目标情况下正确检测出干扰目标的概率曲线(c＝2)。
图6是均匀检测环境下sk-cfar和log-tcfar检测器检测性能对比曲线图。
图7是本发明sk-cfar检测器与log-tcfar检测器在0、1、2、3个干扰目标情况下检测性能对比曲线(c＝1)。
图8是本发明sk-cfar检测器与log-tcfar检测器在0、1、2、3个干扰目标情况下检测性能对比曲线(c＝2)。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步详细说明。
如图1所示，本发明韦布尔杂波环境下基于偏斜度的恒虚警检测方法，提出了一种基于偏斜度的恒虚警检测器，简称之为sk-cfar，sk-cfar检测器能通过利用基于统计量偏斜度的迭代删除方案来自适应地从参考滑窗中移除干扰目标，在多目标环境中能够具有良好的检测性能。具体而言，对韦布尔分布杂波参考单元进行对数变换，其分布转变为gumbel分布。对于独立同分布的gumbel分布参考单元，其偏斜度为一常数，当参考滑窗中参考单元数量确定后，设定偏斜度门限，计算参考单元的统计量偏斜度，若偏斜度大于偏斜度门限，认为参考单元中存在干扰目标，且干扰目标为参考滑窗中幅度最大的参考单元，将其从参考滑窗中剔除。参考滑窗中存在干扰目标的判断与剔除策略按照上述方法进行迭代处理，直至不存在干扰目标。使用剩余参考单元采用log-tcfar门限计算方法计算检测门限，从而判断是否存在干扰目标。
具体步骤如下：
步骤一：将雷达接收的数据传入匹配滤波器和动目标检测处理器中，处理后输出数据为由幅度、相位信息所组成的复数，将输出数据进行包络检波处理；
步骤二：将包络检波器输出送入对数放大器，获得的序列y1,...,yn，利用对数放大器输出结果进行恒虚警检测，在初始时刻恒虚警检测器参考滑窗中参考单元数量为n，经排列后序列为z1,...,zn，其中z1≤z2≤...≤zn。
步骤三：记对参考滑窗中的参考单元计算统计量偏斜度sk，将sk与偏斜度门限tsk_n进行比较，若sk<tsk_n，进入步骤五，否则进入步骤四；
步骤四：认为参考滑窗中存在干扰目标，将参考滑窗中的最大值zn删除，参考滑窗中参考单元数量为n＝n-1，返回步骤三；
步骤五：将剩余参考单元采用经典log-tcfar方法计算检测门限，进行恒
虚警检测。步骤三中，对输出的有序信号计算偏斜度，循环迭代，剔除干扰
目标的具体方法如下。
步骤3-1：韦布尔分布中的偏斜度特性。韦布尔分布杂波包络的概率密度函数为：
其中，x是包络检波器输出信号，b表示分布强度的尺度参数，c表示分布偏斜度的形状参数。利用对数放大器将韦布尔分布转换为gumbel分布，即使y＝lnx，有如下公式：
其中，α＝lnb为尺度参数，β＝1/c为形状参数，y的期望e和方差σ2由下式给出
其中
偏斜度γ1是随机变量y的三阶标准矩，由如下公式计算：
其中μ是均值，σ是标准差，e是期望运算符,μ3是三阶中心矩。等式最后一项用三阶积累量κ3和二阶积累量κ2的1.5次方的比值来表示偏斜度。当n>1时，积累量由下式给出：
κn＝(n-1)！ζ(n)
其中，ζ(n)是riemannzeta函数，是复数变量n解析延拓无穷级数和的函数。
结合上述方程，gumbel分布的偏斜度γ1可以明显地由下式得到：
由上述公式可看出无论形状参数和尺度参数的取值大小，gumbel分布的偏斜度与之无关，始终为一常数，因此可以用这一特性来检测目标。
步骤3-2：偏斜度门限的确定。在雷达检测过程中，如果没有干扰目标，那么计算出来的偏斜度数值超过偏斜度门限的检测概率必须很小；同样，如果干扰目标存在，必须有足够大的概率检测出超过门限的干扰目标。由于偏斜度门限未知，必须进行蒙特卡罗仿真多次试验确定最优门限。
在cfar检测器工作时，对于经过对数放大器放大后的参考单元序列y1,...,yn，偏斜度的计算公式为：
其中，n为参考单元数目，μy和σy分别为输入参考单元序列的均值和标准差，计算公式分别如下：
偏斜度门限tsk_n由下式决定：
β0＝p[sk>tsk_n|均匀环境]
其中β0＝10-3为偏斜度数值超过偏斜度门限的概率。在实际操作中，均匀环境中偏斜度取值sk超过偏斜度门限tsk_n的概率β0的典型值不应该超过10-3。
步骤5：确定sk-cfar检测门限。当确定了删除的参考单元数目后，可以用剩余的杂波单元计算恒虚警门限。log-tcfar算法是在形状和尺度参数都未知的韦布尔杂波中提供cfar检测的一种最优单脉冲检测策略。实际上，它允许由参考单元估计形状和尺度参数，从而在形状和尺度参数都变化的环境中进行检测并保持恒定的虚警率。log-tcfar的检测统计量为：
其中，zi为对数放大后的经过循环迭代删除处理的输出序列，n为实际删除后参考单元数目。将检测统计量t与虚警概率pfa对应的log-tcfar门限因子进行比较判断目标是否存在。
实施例
本实验恒虚警检测器设计虚警概率pfa＝1×10-3，参考单元数目n＝32，目标信噪比变化范围为0db～30db，采用蒙特卡罗仿真获得检测性能曲线。在确定偏斜度门限tsk_n时，当删除不同个数的干扰目标后，参考单元数目发生变化，偏斜度门限也会发生变化，不同参考单元数目对应的tsk_n如下表1所示：
表1不同参考单元数目对应的偏斜度门限
附图3中为均匀环境时，不同形状参数情况下，参考单元偏斜度sk超过偏斜度门限tsk_n的概率，由图中可以看出，虽然韦布尔分布的形状参数发生了变化，但是参考单元偏斜度sk超过门限的概率曲线基本一致，并且在所取的偏斜度门限tsk_n处，概率为β0＝10-3。附图4中是不同数目干扰目标的强度与偏斜度sk的关系曲线。当选定一个如表1中所示的偏斜度门限tsk_n后，利用偏斜度判定准则在1、2、3个干扰目标情况下正确检测出干扰目标的概率曲线如附图5所示，可以看出当干扰目标强度增大时，检测正确概率逐渐增大，从而证实了该偏斜度判定准则是准确的。
检测结果评价
均匀环境：附图6给出了在韦布尔杂波环境不存在干扰目标情况检测性能曲线。由图中可以看出，均匀环境中，本发明sk-cfar检测器和log-tcfar检测性能一致，可以得知本发明在均匀韦布尔杂波环境中具有良好的检测性能。
多个干扰目标环境：附图7和附图8给出了存在不同干扰目标数目时sk-cfar和log-tcfar的检测性能曲线，可以明显看出，当干扰目标数目增加时，检测性能都会逐渐下降，但是本发明检测器性能明显优于后者。如图所示，选定干扰目标信噪比为30db且形状参数c＝1时，当存在一个干扰目标时，检测概率pd有5％的性能优势；当存在两个干扰目标时，pd有10％的性能优势；当存在三个干扰目标时，pd有30％的性能优势，并且原有的log-tcfar已经下降到不能接受的地步了。
本发明在双参数韦布尔分布杂波环境中，如果不存在干扰目标，即为均匀环境中时，本发明与log-tcfar检测器检测性能相同，但是，log-tcfar缺乏自我删除的特性，当环境中存在多个干扰目标时，本发明提出的sk-cfar利用在韦布尔杂波中统计量偏斜度为常数这一特性，循环迭代删除干扰目标，极大提升了目标的检测性能，并且在干扰目标数目检测以及算法复杂度上都有了很大的改善。