強(qiáng)海雜波背景下目標(biāo)檢測方法綜述*

張先芝，尚 尚，戴圓強(qiáng)，劉 明

強(qiáng)海雜波背景下目標(biāo)檢測方法綜述*

張先芝，尚 尚*，戴圓強(qiáng)，劉 明

（江蘇科技大學(xué)電子信息學(xué)院 鎮(zhèn)江 212003）

高頻地波雷達(dá)被廣泛應(yīng)用于海面目標(biāo)的檢測，而由于海雜波的分布散射具有很強(qiáng)的動(dòng)態(tài)特性，通常情況下成為了海面目標(biāo)檢測的主要干擾成分。因此，在強(qiáng)海雜波背景下進(jìn)行目標(biāo)檢測的關(guān)鍵在于如何有效抑制海雜波。從循環(huán)對消、子空間分解、模型預(yù)測以及分形特征這幾方面對海雜波抑制技術(shù)進(jìn)行綜述、分析和總結(jié)，為后續(xù)對海面目標(biāo)檢測提供參考。

高頻地波雷達(dá)；海雜波抑制；目標(biāo)檢測

引 言

高頻地波雷達(dá)HFSWR（High Frequency Surface Wave Radar）的工作頻段在3 MHz～30 MHz。輻射的高頻電磁波不受地球曲率的影響，具有探測距離遠(yuǎn)、探測精度高、實(shí)時(shí)性強(qiáng)、不易受惡劣天氣影響等特點(diǎn)[1]。高頻地波雷達(dá)在兩個(gè)方面發(fā)揮了重要作用，其一是對海上目標(biāo)信號的檢測與跟蹤，可以得到目標(biāo)的方位、距離等信息；另一個(gè)是對于海洋環(huán)境的探測，利用海雜波進(jìn)行參數(shù)反演，得到風(fēng)速、風(fēng)向、浪高、徑向流速等海態(tài)信息，為海洋災(zāi)害預(yù)防、海上活動(dòng)提供可靠保障。

高頻地波雷達(dá)的回波中存在著多種成分，有海雜波、電離層雜波等。高頻地波雷達(dá)在目標(biāo)檢測及跟蹤這一應(yīng)用中，這些雜波的存在嚴(yán)重影響了對于目標(biāo)信號的檢測性能。海雜波的產(chǎn)生是由于電磁波和海浪的相互作用導(dǎo)致的。在海洋表面流的作用下，加之受到雷達(dá)合成孔徑的限制，海雜波的一階峰會(huì)在雷達(dá)回波頻譜中展寬，繼而給海上目標(biāo)的檢測帶來了巨大的挑戰(zhàn)。因此，要對海上目標(biāo)進(jìn)行檢測，首先要對雷達(dá)回波中的海雜波進(jìn)行抑制。傳統(tǒng)的海雜波抑制方法有循環(huán)對消法，基于子空間分解的方法，基于海雜波模型預(yù)測的方法，基于分形特征的方法等。本文將對海雜波背景下的目標(biāo)檢測方法進(jìn)行綜述、分析及總結(jié)。

1 海雜波抑制技術(shù)

1.1 基于循環(huán)對消的海雜波抑制

對海雜波的主分量分析處理時(shí)，可以將其近似看作正弦信號，循環(huán)迭代對消方法[2]以此為基礎(chǔ)，提出雷達(dá)回波在時(shí)域上逐次減掉估計(jì)的正弦信號來實(shí)現(xiàn)海雜波的對消，該算法的流程圖如圖1所示。

圖1 基于循環(huán)對消的海雜波背景下目標(biāo)檢測流程圖

該方法對海雜波的抑制性能主要取決于對正弦信號頻率、相位以及幅度信息的估計(jì)精確度。由于短時(shí)間序列的頻率分辨率較低，傳統(tǒng)的循環(huán)對消方法僅利用頻譜中的峰值進(jìn)行估計(jì)，容易引起柵欄效應(yīng)。郭欣[3]等人在循環(huán)對消中考慮到相位分析法，利用相位信息對粗測頻率進(jìn)行補(bǔ)差，直接得到估計(jì)信號的相位值，無需根據(jù)最小化誤差準(zhǔn)則進(jìn)行搜索，提高了估計(jì)精度。為了提高循環(huán)對消的性能，文獻(xiàn)[4]提出用擴(kuò)展Prony方法替代海雜波FFT進(jìn)行頻譜估計(jì)，從而更加精確地估計(jì)出正弦信號的頻率及相位信息，得到了更好的對消性能。由于循環(huán)對消方法依賴于對極值的搜索，即目標(biāo)的幅度特性對海雜波對消性能有較大影響，海雜波與目標(biāo)的區(qū)分性很小，容易導(dǎo)致誤消目標(biāo)，文獻(xiàn)[5]提出了一種邊界約束對消方法，總結(jié)歸納實(shí)際海雜波的特性，將其作為邊界條件約束循環(huán)對消過程，該方法有效改善了循環(huán)對消方法的對消性能。

基于循環(huán)對消的海雜波抑制結(jié)果如圖2所示。實(shí)驗(yàn)中所使用的雷達(dá)回波數(shù)據(jù)均為威海的實(shí)測數(shù)據(jù)，均取第30個(gè)距離單元的數(shù)據(jù)，雷達(dá)的工作頻率為3.7 MHz，采樣間隔為0.149 s。

由圖2可以看出，傳統(tǒng)對消方法的本質(zhì)使它存在著一些問題，故基于循環(huán)對消方法進(jìn)行海雜波抑制的穩(wěn)定性和有效性有待改善。海雜波這種多分量系統(tǒng)需要進(jìn)行多次迭代對消，對消的次數(shù)會(huì)影響對消處理后的信噪比，圖2中迭代次數(shù)太少時(shí)海雜波并沒有完全被剔除。但由于海雜波比較復(fù)雜，且目標(biāo)信號未知，所以很難確定循環(huán)對消的迭代次數(shù)。另外，由于循環(huán)對消方法是對峰值進(jìn)行搜索，自動(dòng)處理過程中逐次對能量最強(qiáng)的信號進(jìn)行剔除，這種方法對于回波中的目標(biāo)和海雜波信號的區(qū)分性不強(qiáng)，當(dāng)目標(biāo)信號的幅度與海雜波信號難以區(qū)分時(shí)，容易造成誤消目標(biāo)信號，導(dǎo)致漏警率上升。

圖2 基于循環(huán)對消的海雜波抑制結(jié)果

1.2 基于子空間分解

基于子空間分解的方法是以雜波在子空間的聚集特性為理論基礎(chǔ)實(shí)現(xiàn)對海雜波的抑制。典型的方法有特征值分解EVD（Eigen Value Decomposition）方法[6-8]以及奇異值分解SVD（Singular Value Decomposition）方法[9-13]。

基于特征值分解的方法，是根據(jù)協(xié)方差矩陣的特征值分布劃分雜波子空間和目標(biāo)子空間[6]，從而實(shí)現(xiàn)對海雜波的抑制，將海雜波抑制后的序列進(jìn)行目標(biāo)檢測。當(dāng)海雜波與目標(biāo)多普勒頻率接近時(shí)，可能會(huì)存在目標(biāo)譜峰分裂或者目標(biāo)譜偏移的情況，為了解決這一問題，趙志國[7]等人提出了一種改進(jìn)特征值分解（MEVD）方法進(jìn)行海雜波的抑制，將特征值分解方法與空域主瓣干擾技術(shù)相結(jié)合，提高了目標(biāo)的信噪比。由于特征值分解算法在對高維的協(xié)方差矩陣進(jìn)行處理時(shí)運(yùn)算量很大，劉定智[8]等人提出了一種基于循環(huán)子空間投影的雜波抑制的快速方法，利用特征值的差值對信號系空間的維數(shù)進(jìn)行估計(jì)，有效降低了目標(biāo)的能量損失，同時(shí)減小了計(jì)算量，更有利于工程實(shí)現(xiàn)。

基于奇異值分解的海雜波抑制算法是將海雜波信號視為窄帶信號進(jìn)行處理，將接收到的雷達(dá)回波時(shí)域數(shù)據(jù)進(jìn)行奇異值分解，然后將海雜波所對應(yīng)的奇異值置零之后重新構(gòu)造時(shí)域序列[9]。對于強(qiáng)海雜波背景下的“低小慢”目標(biāo)的檢測，吳琳擁[10]將奇異值分解作為理論基礎(chǔ)，以奇異值一階、二階差分譜為依據(jù)，對奇異值進(jìn)行選擇，實(shí)現(xiàn)對海雜波的抑制。由于海雜波泄露到目標(biāo)子空間會(huì)導(dǎo)致信噪比降低，為減小這種泄露，提高對海雜波的抑制性能，薄超[11]等人利用海雜波在距離維和角度維的相關(guān)特性，從慢時(shí)間、距離維度以及角度維度三個(gè)方面對子空間進(jìn)行估計(jì)，有效地抑制了海雜波。為了更準(zhǔn)確地對海雜波的奇異值進(jìn)行判別，王祎鳴[12]等人綜合利用多個(gè)處理域，將時(shí)域分析與矩陣分解聯(lián)合，有效提高了海雜波的抑制性能。由于一階海雜波的復(fù)雜性，不容易準(zhǔn)確分辨出信號子空間和噪聲子空間，王龍崗[13]等人在SVD方法的基礎(chǔ)上提出了空域奇異值分解，在空域進(jìn)行對海雜波子空間和噪聲子空間的劃分，減小了奇異值的數(shù)目，更容易對子空間進(jìn)行劃分。該方法流程框圖如圖3所示。

以上基于子空間分解的的海雜波抑制方法，當(dāng)目標(biāo)處于海雜波的多普勒頻率范圍之內(nèi)或者兩者頻率接近時(shí)，會(huì)導(dǎo)致目標(biāo)被誤消。另外，矩陣分解的計(jì)算量偏大，實(shí)時(shí)效率較低，這是該方法需要解決的一個(gè)問題。

圖3 基于奇異值分解的海雜波抑制流程圖

1.3 基于海雜波模型預(yù)測的目標(biāo)檢測方法

由于海雜波信號具有隨機(jī)起伏的特點(diǎn)，所以傳統(tǒng)的建模方法主要是根據(jù)概率統(tǒng)計(jì)模型對其隱含的統(tǒng)計(jì)規(guī)律進(jìn)行研究分析。最常見的四種模型有瑞利分布、對數(shù)正態(tài)分布、韋布爾分布以及K分布[14-17]。不同模型適用于不同的工作環(huán)境，其中，瑞利分布適用于低辨率雷達(dá)以較大的入射角進(jìn)行觀測的工作環(huán)境。對于高分辨雷達(dá)以地入射角進(jìn)行觀測時(shí)，海雜波的幅度分布大概率會(huì)存在很長的拖尾現(xiàn)象，通常用對數(shù)正態(tài)分布對其進(jìn)行描述，但是對數(shù)正態(tài)分布可能會(huì)導(dǎo)致過擬合[18]。韋布爾分布可以用于海雜波起伏較小的工作環(huán)境，擬合范圍在瑞利分布和對數(shù)正態(tài)分布之間[19]。K分布適用于高分辨率雷達(dá)對非均勻海雜波的建模。由于海況復(fù)雜，從對這些典型模型的分析來看，模型的參數(shù)估計(jì)復(fù)雜度高，適應(yīng)性低，僅使用某種分布來描述海雜波并不具有普適性。

為了更加充分地描述海雜波，便產(chǎn)生了一系列的非線性預(yù)測方法。這種非線性理論主要是為了描述復(fù)雜對象隱藏在其不規(guī)律表象之中的規(guī)律特性。此類方法有十分強(qiáng)大的非線性擬合能力，因此能夠更好地滿足擬合海雜波的需求。常用的時(shí)域模型預(yù)測方法有支持向量機(jī)模型預(yù)測、徑向基神經(jīng)網(wǎng)絡(luò)模型預(yù)測。

支持向量機(jī)SVM（Support Vector Machine）是將低維的數(shù)據(jù)通過一種非線性映射映射至高維空間之后再對其進(jìn)行后續(xù)的線性回歸[20]。通過海雜波樣本數(shù)據(jù)訓(xùn)練支持向量機(jī)預(yù)測器，得到支持向量機(jī)預(yù)測器的模型參數(shù)，將雷達(dá)回波通過支持向量機(jī)預(yù)測器，實(shí)現(xiàn)對海雜波的預(yù)測，從得到的預(yù)測誤差信息中實(shí)現(xiàn)對目標(biāo)的檢測[21]。由于參數(shù)的選取對支持向量機(jī)的性能影響較大，文獻(xiàn)[22]提出了基于新型LS-SVM模型的海雜波背景微弱信號檢測，提高了預(yù)測精度。文獻(xiàn)[23]提出了一種基于IA-SVM模型的混沌小信號檢測方法，利用免疫算法對支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，提高了預(yù)測性能。

由于海雜波具有混沌特性[24]，徑向基RBF（Radial Basis Function）神經(jīng)網(wǎng)絡(luò)對于混沌時(shí)間序列具有較好的擬合特性，使用RBF神經(jīng)網(wǎng)絡(luò)對海雜波進(jìn)行時(shí)間序列的預(yù)測[25]，原理框圖如圖4所示。

圖4 基于RBF神經(jīng)網(wǎng)絡(luò)的海雜波背景下目標(biāo)檢測流程圖

利用神經(jīng)網(wǎng)絡(luò)的擬合作用對具有混沌特性的海雜波序列進(jìn)行建模，然后對雷達(dá)回波序列進(jìn)行預(yù)測，根據(jù)預(yù)測誤差實(shí)現(xiàn)對目標(biāo)的檢測。由于徑向基神經(jīng)網(wǎng)絡(luò)的初始值對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有較大的影響，為了進(jìn)一步提高預(yù)測精度，文獻(xiàn)[26]將支持向量機(jī)算法和神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，通過SVM算法得到的支持向量的個(gè)數(shù)確定神經(jīng)網(wǎng)絡(luò)隱含層的個(gè)數(shù)。文獻(xiàn)[27]通過粒子群算法對神經(jīng)網(wǎng)絡(luò)的核函數(shù)參數(shù)的初始化值進(jìn)行尋優(yōu)操作，提高了神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。

對傳統(tǒng)的循環(huán)對消方法、奇異值分解方法以及非線性模型預(yù)測方法進(jìn)行仿真對比。實(shí)驗(yàn)中所使用的雷達(dá)回波數(shù)據(jù)為威海的實(shí)測數(shù)據(jù)，取第30個(gè)距離單元的數(shù)據(jù)，在靠近海雜波的多普勒頻率范圍附近加一個(gè)頻率接近的目標(biāo)信號，雷達(dá)的工作頻率為3.7 MHz，采樣間隔為0.149 s，仿真結(jié)果如圖5所示。

圖5 多種方法進(jìn)行海雜波抑制

從仿真結(jié)果可以看出，當(dāng)目標(biāo)信號與海雜波的多普勒頻率范圍很接近時(shí)，傳統(tǒng)的循環(huán)對消方法以及子空間分解方法都不能很好地區(qū)分出海雜波與目標(biāo)信號，在抑制海雜波的同時(shí)很容易導(dǎo)致目標(biāo)信號被誤消；而基于海雜波模型的非線性預(yù)測方法、支持向量機(jī)預(yù)測方法以及徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測方法能夠比較好地抑制海雜波，并且保留目標(biāo)信號。

對于一系列的非線性預(yù)測方法，能夠?qū)崿F(xiàn)對海雜波的預(yù)測，利用預(yù)測誤差實(shí)現(xiàn)對目標(biāo)的檢測。但非線性預(yù)測方法仍然存在著一些問題需要不斷探索解決，對于各種訓(xùn)練網(wǎng)絡(luò)的初始化不同，將直接影響到預(yù)測性能以及目標(biāo)的檢測能力。另外，對于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)大多是出于經(jīng)驗(yàn)人為選擇，需要通過理論推導(dǎo)對其進(jìn)一步研究，不斷提高模型的預(yù)測精度，建立更加具有普適性的模型。

1.4 基于分形特征的目標(biāo)檢測

非線性理論的另一重大分支是分形理論，分形理論是從結(jié)構(gòu)角度分析研究對象的不規(guī)則特性。由于海洋表面具有復(fù)雜性和多樣性，為了能夠提取更多信息特征，LO等人引入分形理論對海雜波的特性進(jìn)行分析[28]，其原理是由于海雜波與目標(biāo)回波的分形維數(shù)不同，當(dāng)海雜波附近范圍內(nèi)出現(xiàn)人造目標(biāo)時(shí)，Hurst指數(shù)會(huì)受到影響，該算法即通過Hurst指數(shù)實(shí)現(xiàn)對目標(biāo)信號的檢測。文獻(xiàn)[29]以離散分?jǐn)?shù)布朗理論為基礎(chǔ)，提出了一種快速計(jì)算Hurst指數(shù)的方法，提高了目標(biāo)檢測的效率。在實(shí)際應(yīng)用中，僅用單一的分維數(shù)對其進(jìn)行描述不能準(zhǔn)確地反映其分形特征，文獻(xiàn)[30]通過多重分形參數(shù)判定是否存在目標(biāo)。多重分形參數(shù)是在分形理論的基礎(chǔ)上，對于多個(gè)角度的奇異測度所組成的集合，可以實(shí)現(xiàn)對海雜波更加充分地描述。石志廣[31]等人通過實(shí)驗(yàn)對海雜波的多重特性進(jìn)行分析，探討了將其作為雷達(dá)目標(biāo)檢測方法的可行性，為后續(xù)研究提供了依據(jù)。

分形特征方法在目標(biāo)檢測領(lǐng)域不斷發(fā)展，李秀友[32]等人將模式識(shí)別中的分類方法與之結(jié)合，提出一種基于擴(kuò)展分形多尺度Hurst參數(shù)的目標(biāo)檢測算法，有效提高了目標(biāo)檢測性能。行鴻彥[33]等人結(jié)合多重分形去勢波動(dòng)分析法，提出了一種基于分形差量的小目標(biāo)檢測方法。為克服頻譜傅里葉分析的缺點(diǎn)，獲得更精確的頻譜分辨率，范一飛[34]等人提出一種基于自回歸譜的多尺度Hurst指數(shù)的目標(biāo)檢測方法。由于分?jǐn)?shù)階傅里葉變換FRFT（Fractional fourier transform）能有效聚集目標(biāo)的能力，而海雜波卻難以得到有效峰值，顧智敏[35]等人提出了分?jǐn)?shù)傅里葉變換域內(nèi)的海雜波多重分形特性與目標(biāo)檢測，增加了目標(biāo)信號與海雜波在進(jìn)行判決時(shí)的差異，提高了信號檢測的能力，其流程圖如圖6所示。

圖6 基于分形特征的目標(biāo)檢測流程圖

如今，分形理論在信號檢測這一領(lǐng)域內(nèi)已廣泛應(yīng)用，但也存在一些缺陷有待改善。當(dāng)維數(shù)升高后，計(jì)算量急劇增大，另外，隨著海面狀況越來越復(fù)雜，對于目標(biāo)的檢測僅僅依靠分形理論并不能完全滿足需求。希望廣大學(xué)者可以不斷探索，將該理論與更多的方法相結(jié)合，更加深入地分析海雜波的特性，不斷提高海雜波背景下的目標(biāo)檢測性能。

2 結(jié)束語

對于高頻地波雷達(dá)在目標(biāo)檢測方面的應(yīng)用，首要任務(wù)是抑制海雜波。目前，諸多海雜波抑制方法都存在著需要不斷改進(jìn)完善的地方?；谘h(huán)迭代的海雜波抑制方法，僅利用峰值搜索逐次剔除能量最強(qiáng)的信號，這種方法對于海雜波和信號的區(qū)分度不高，另外當(dāng)目標(biāo)信號與海雜波的多普勒譜接近時(shí)，抑制海雜波的同時(shí)容易誤消目標(biāo)，并且很難確定最優(yōu)的迭代次數(shù)?；谧涌臻g分解的海雜波抑制方法，當(dāng)目標(biāo)處于海雜波的多普勒頻率內(nèi)或者兩者接近時(shí)，易導(dǎo)致目標(biāo)信號衰減或者誤消，漏警率上升。支持向量機(jī)進(jìn)行海雜波模型預(yù)測的方法，對于損失函數(shù)參數(shù)、核函數(shù)的參數(shù)以及懲罰參數(shù)的確定有待進(jìn)一步優(yōu)化。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行海雜波模型預(yù)測的方法，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的不同以及神經(jīng)網(wǎng)絡(luò)的初始化參數(shù)的選取都會(huì)直接影響對目標(biāo)的檢測性能。基于分形特征的目標(biāo)檢測，當(dāng)檢測區(qū)間受到海況以及雷達(dá)參數(shù)的影響時(shí)，對海雜波在此區(qū)間的分形特征的估計(jì)誤差較大，有待更加深入地分析海雜波的特性，提高目標(biāo)檢測性能。

當(dāng)目標(biāo)信號淹沒在海雜波的多普勒譜中，如何有效抑制海雜波，檢測目標(biāo)信號仍然是有待攻克的難題。

[1] 王瑞富, 孔祥超, 紀(jì)永剛, 等. 基于GIS的高頻地波雷達(dá)回波信號的表達(dá)處理與顯示[J]. 海洋科學(xué), 2015, 39(7): 86–92.

WANG Ruifu, KONG Xiangchao, JI Yonggang, et al. Expression, processing and display of high frequency ground wave radar echo signal based on GIS[J]. Marine Science, 2015, 39(7): 86–92.

[2] ROOT B T. HF‐over‐the‐horizon radar ship detection with short dwells using clutter cancelation[J]. Radio Science, 1998, 33(4): 1095–1111.

[3] 郭欣, 倪晉麟, 劉國歲. 短相干積累條件下天波超視距雷達(dá)的艦船檢測[J]. 電子與信息學(xué)報(bào), 2004, (4): 613–618.

GUO Xin, NI Jinlin, LIU Guosui. Ship detection of sky-wave over-the-horizon radar under the condition of short-coherent accumulation[J]. Journal of Electronics and Information, 2004, (4): 613–618.

[4] 楊煉, 孫合敏, 潘新龍. 基于擴(kuò)展Prony算法的海雜波循環(huán)對消法[J]. 現(xiàn)代雷達(dá), 2011, 33(6): 53–57.

YANG Lian, SUN Hemin, PAN Xinlong. Sea clutter circulation cancellation method based on extended Prony algorithm[J]. Modern Radar, 2011, 33(6): 53–57.

[5] 王祎鳴, 毛興鵬, 張杰, 等. 高頻地波雷達(dá)海雜波的邊界約束循環(huán)對消[J]. 海洋與湖沼, 2015, 46(2): 278–284.

WANG Yiming, MAO Xingpeng, ZHANG Jie, et al. Boundary-constrained cyclic cancellation of sea clutter in high-frequency ground wave radar[J]. Oceans and Lakes, 2015, 46(2): 278–284.

[6] WANG G, XIA X G, ROOT B T, et al. Manoeuvring target detection in over-the-horizon radar using adaptive clutter rejection and adaptive chirplet transform[J]. IEEE proceedings-radar, Sonar and Navigation, 2003, 150(4): 292–298.

[7] 趙志國, 陳建文, 鮑拯. 一種改進(jìn)的OTHR自適應(yīng)海雜波抑制方法[J]. 系統(tǒng)工程與電子技術(shù), 2012, 34(5): 909–914.

ZHAO Zhiguo, CHEN Jianwen, BAO Zheng. An improved OTHR adaptive sea clutter suppression method[J]. System Engineering and Electronic Technology, 2012, 34(5): 909–914.

[8] 劉定智, 王道乾. 基于循環(huán)子空間投影的雜波快速抑制方法[J]. 電視技術(shù), 2018, 42(06): 58–63.

LIU Dingzhi, WANG Daoqian. Fast clutter suppression method based on cyclic subspace projection[J]. Television Technology, 2018, 42(06): 58–63.

[9] POON M W Y, KHAN R H, LENGOC S. A singular value decomposition (SVD) based method for suppressing ocean clutter in high frequency radar[J]. IEEE Transactions on Signal Processing: A publication of the IEEE Signal Processing Society, 1993, 41(3) : 1421–1425.

[10] 吳琳擁, 毛謹(jǐn), 白渭雄. 基于奇異值分解的雷達(dá)微小目標(biāo)檢測方法[J]. 電子科技大學(xué)學(xué)報(bào), 2019, 48(3): 326–330.

WU Linyong, MAO Jin, BAI Weixiong. Radar small target detection method based on singular value decomposition[J]. Journal of University of Electronic Science and Technology of China, 2019, 48(3): 326–330.

[11] 薄超, 顧紅, 蘇衛(wèi)民. 基于高階奇異值分解的OTHR海雜波抑制算法[J]. 系統(tǒng)工程與電子技術(shù), 2014, 36(5): 872–878.

BO Chao, GU Hong, SU Weimin. OTHR sea clutter suppression algorithm based on high-order singular value decomposition[J]. Systems Engineering and Electronic Technology, 2014, 36(5): 872–878.

[12] 王祎鳴, 張杰, 紀(jì)永剛, 等. 高頻地波雷達(dá)海雜波抑制的時(shí)頻–矩陣聯(lián)合法[J]. 中國海洋大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 45(3): 122–127.

WANG Yiming, ZHANG Jie, JI Yonggang, et al. Time-frequency-matrix joint method of sea clutter suppression for high-frequency ground wave radar[J]. Journal of Ocean University of China (Natural Science Edition), 2015, 45(3): 122–127.

[13] 王龍崗, 岳顯昌, 吳雄斌, 等. 基于奇異值分解的空域海雜波抑制算法[J]. 電波科學(xué)學(xué)報(bào), 2021, 36(4): 645–652.

WANG Longgang, YUE Xianchang, WU Xiongbin, et al. An algorithm for suppression of sea clutter in spatial domain based on singular value decomposition[J]. Chinese Journal of Radio Science, 2021, 36(4): 645–652.

[14] 張寶寶. 雷達(dá)雜波的建模仿真技術(shù)研究[D]. 西安: 西安電子科技大學(xué), 2007.

ZHANG Baobao. Research on modeling and simulation technology of radar clutter[D]. Xi′an: Xidian University, 2007.

[15] 曹艷霞, 李國君. 基于K分布艦載雷達(dá)海雜波仿真方法研究[J]. 雷達(dá)科學(xué)與技術(shù), 2016, 14(1): 86–90.

CAO Yanxia, LI Guojun. Research on sea clutter simulation method of shipborne radar based on K distribution[J]. Radar Science and Technology, 2016, 14(1): 86–90.

[16] 宋瑩, 姬光榮. 海雜波幅度分布模型的研究[J]. 現(xiàn)代電子技術(shù), 2015, 38(19): 15–18.

SONG Ying, JI Guangrong. Research on the amplitude distribution model of sea clutter[J]. Modern Electronic Technology, 2015, 38(19): 15–18.

[17] 劉寧波, 孫艷麗, 丁昊, 等. 基于實(shí)測海雜波的典型幅度分布模型對比分析[J]. 計(jì)算機(jī)仿真, 2017, 34(5): 448–452.

LIU Ningbo, SUN Yanli, DING Hao, et al. Comparative analysis of typical amplitude distribution models based on measured sea clutter[J]. Computer Simulation, 2017, 34(5): 448–452.

[18] GEORGE S. The detection of nonfluctuating targets in log-normal clutter[R]. NRL Report, 1968:6796.

[19] SEKINE M, MAO Y. Weibull radar clutter[M]. London: Peter Peregrinus, 1990.

[20] SAPANKEVYCH N I, RAVI SANKAR. Time series prediction using support vector machines: A survey[J]. IEEE Computational Intelligence Magazine, 2009, 4(2): 24–38.

[21] MUKHERJEE S, OSUNA E, GIROSI F. Nonlinear prediction of chaotic time series using a support vector machine[J]. Proceedings of the IEEE Workshop on Neural Networks for Signal Processing, 1997 (7): 511–512.

[22] 行鴻彥, 金天力. 基于對偶約束最小二乘支持向量機(jī)的混沌海雜波背景中的微弱信號檢測[J]. 物理學(xué)報(bào), 2010, 59(1): 140–146.

XING Hongyan, JIN Tianli. Weak signal detection in the background of chaotic sea clutter based on dual-constrained least squares support vector machine[J]. Acta Phys. Sin, 2010, 59(1): 140–146.

[23] 孫江, 行鴻彥, 吳佳佳. 基于IA-SVM模型的混沌小信號檢測方法[J]. 探測與控制學(xué)報(bào), 2020, 42(3): 119–125.

SUN Jiang, XING Hongyan, WU Jiajia. Chaotic small signal detection method based on IA-SVM model[J]. Journal of Detection and Control, 2020, 42(3): 119–125.

[24] 林三虎, 朱紅, 趙亦工. 海雜波的混沌特性分析[J]. 系統(tǒng)工程與電子技術(shù), 2004, 26(2): 178–180, 244.

LIN Sanhu, ZHU Hong, ZHAO Yigong. Analysis of chaotic characteristics of sea clutter[J]. System Engineering and Electronic Technology, 2004, 26(2): 178–180, 244.

[25] 陳瑛, 羅鵬飛. 海雜波背景下基于RBF神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測[J]. 雷達(dá)科學(xué)與技術(shù), 2005, 3(5): 271–275.

CHEN Ying, LUO Pengfei. Target detection based on RBF neural network under the background of sea clutter[J]. Radar Science and Technology,2005, 3(5): 271–275.

[26] 梁國良. 基于RBF神經(jīng)網(wǎng)絡(luò)的海雜波抑制算法研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2009.

LIANG Guoliang. Research on sea clutter suppression algorithm based on RBF neural network[D]. Harbin: Harbin Engineering University, 2009.

[27] 石嘉, 夏德平. 海雜波背景下的PSO-RBF弱目標(biāo)檢測[J]. 電子測量技術(shù), 2019, 42(7): 35–39.

SHI Jia, XIA Deping. PSO-RBF weak target detection under the background of sea clutter[J]. Electronic Measurement Technology, 2019, 42(7): 35–39.

[28] LO T, LEUNG H, LITVA J, et al. Fractal characterization of sea scattered signals and detection of sea-surface targets[C]. IEE Proceedings F(Radar and Signal Processing). IET Digital Library, 1993, 140(4): 243–250.

[29] CHANG Y C, CHANG S Y. A fast estimation algorithm on the Hurst parameter of discrete-time fractional Brownian motion[J]. IEEE Transactions on Signal Processing: A publication of the IEEE Signal Processing Society, 2002, 50(3).

[30] HU J, TUNG W W, GAO J B. Detection of low observable targets within sea clutter by structure function based multifractal analysis[J]. IEEE Transactions on Antennas and Propagation, 2006, 54(1): 136–143.

[31] 石志廣, 周劍雄, 趙宏鐘, 等. 海雜波的多重分形特性分析[J]. 數(shù)據(jù)采集與處理, 2006, (2): 168–173.

SHI Zhiguang, ZHOU Jianxiong, ZHAO Hongzhong, et al. Analysis of multifractal characteristics of sea clutter[J]. Data Acquisition and Processing, 2006, (2): 168–173.

[32] 李秀友, 關(guān)鍵, 黃勇, 等. 海雜波中基于擴(kuò)展分形的目標(biāo)檢測方法[J]. 火控雷達(dá)技術(shù), 2008, (2): 10–13,38.

LI Xiuyou, GUAN Jian, HUANG Yong, et al. Target detection method based on extended fractal in sea clutter[J]. Fire Control Radar Technology, 2008, (2): 10–13,38.

[33] 行鴻彥, 龔平, 徐偉. 海雜波背景下小目標(biāo)檢測的分形方法[J]. 物理學(xué)報(bào), 2012, 61(16): 70–79.

XING Hongyan, GONG Ping, XU Wei. Fractal method for small target detection under the background of sea clutter[J]. Chinese Journal of Physics, 2012, 61(16): 70–79.

[34] 范一飛, 羅豐, 李明, 等. 海雜波AR譜擴(kuò)展分形特性及微弱目標(biāo)檢測方法[J]. 西安電子科技大學(xué)學(xué)報(bào), 2017, 44(1): 59–64.

FAN Yifei, LUO Feng, LI Ming, et al. Sea clutter AR spectrum extended fractal characteristics and weak target detection method[J]. Journal of Xidian University, 2017, 44(1): 59–64.

[35] 顧智敏, 張興敢, 王瓊. FRFT域內(nèi)的海雜波多重分形特性與目標(biāo)檢測[J]. 南京大學(xué)學(xué)報(bào)(自然科學(xué)), 2017, 53(4): 731–737.

GU Zhimin, ZHANG Xinggan, WANG Qiong. Multifractal characteristics and target detection of sea clutter in the FRFT domain[J]. Journal of Nanjing University (Natural Science), 2017, 53(4): 731–737.

Review on target detection in the background of strong sea clutter

ZHANG Xianzhi, SHANG Shang, DAI Yuanqiang, LIU Ming

（School of Electronic and Information, Jiangsu University of Science and Technology, Zhenjiang 212003, China）

High-frequency ground wave radar is widely used in the detection of sea targets, and sea clutter has stronger dynamic characteristics due to distributed scattering, and usually becomes the main interference component of sea target detection. Therefore, the key to target detection under the background of strong sea clutter is how to effectively suppress sea clutter. This article summarizes the sea clutter suppression technology from the aspects of cyclic cancellation, subspace decomposition, model prediction and fractal features to provide a reference for subsequent sea surface target detection.

High frequency ground wave radar; Sea clutter suppression; Target detection

TN957.54

A

CN11-1780(2022)01-0013-08

10.12347/j.ycyk.20210507001

張先芝, 尚尚, 戴圓強(qiáng), 等.強(qiáng)海雜波背景下目標(biāo)檢測方法綜述[J]. 遙測遙控, 2022, 43(1): 13–20.

DOI：10.12347/j.ycyk.20210507001

: ZHANG Xianzhi, SHANG Shang, DAI Yuanqiang, et al. Review on target detection in the background of strong sea clutter[J]. Journal of Telemetry, Tracking and Command, 2022, 43(1): 13–20.

張先芝 1998年生，碩士研究生，主要研究方向?yàn)槿跄繕?biāo)檢測與海雜波抑制。

尚 尚 1982年生，副教授，碩士生導(dǎo)師，主要研究方向?yàn)槔走_(dá)信號處理與雜波抑制方法研究。

戴圓強(qiáng) 1997年生，碩士研究生，主要研究方向?yàn)槿跄繕?biāo)檢測與電離層雜波抑制。

劉 明 1997年生，碩士研究生，主要研究方向?yàn)樾盘栴A(yù)測。

Website: ycyk.brit.com.cn Email: ycyk704@163.com

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（61801196）；國防基礎(chǔ)科研計(jì)劃穩(wěn)定支持專題項(xiàng)目（JCKYS2020604SSJS010）；江蘇省研究生科研與實(shí)踐創(chuàng)新計(jì)劃資助項(xiàng)目（KYCX21_3478）

通訊作者：尚尚（shangshang@just.edu.cn）

2021-05-07

(本文編輯：楊秀麗)