非均勻雜波背景下的自適應(yīng)檢測(cè)器設(shè)計(jì)

摘要： 為提高恒虛警檢測(cè)器在不同檢測(cè)背景下的魯棒性和抗干擾能力，提出一種綜合型的自適應(yīng)檢測(cè)器，其具備多策略選擇能力和檢測(cè)參數(shù)動(dòng)態(tài)調(diào)節(jié)能力。所提檢測(cè)器引入貝葉斯信息準(zhǔn)則，通過計(jì)算參考單元的信息估計(jì)序列，對(duì)當(dāng)前檢測(cè)背景類型進(jìn)行識(shí)別。進(jìn)一步，在非均勻檢測(cè)背景下，該檢測(cè)器能夠?qū)Ω蓴_目標(biāo)個(gè)數(shù)或雜波邊緣位置進(jìn)行估計(jì)。最終根據(jù)識(shí)別和估計(jì)結(jié)果選擇對(duì)應(yīng)的檢測(cè)策略和檢測(cè)參數(shù)。利用蒙特卡羅仿真，對(duì)所提檢測(cè)器性能進(jìn)行分析，并與經(jīng)典檢測(cè)器進(jìn)行比較。仿真結(jié)果表明，該檢測(cè)器具備檢測(cè)背景識(shí)別能力和背景參數(shù)估計(jì)能力。同時(shí)，該檢測(cè)器在檢測(cè)背景參數(shù)先驗(yàn)知識(shí)不足的情況下，具有較好的抗干擾能力。

關(guān)鍵詞： 恒虛警率; 自適應(yīng)檢測(cè); 信息論準(zhǔn)則; 多目標(biāo); 雜波邊緣

中圖分類號(hào)： TN 957.51

文獻(xiàn)標(biāo)志碼： A

DOI：10.12305/j.issn.1001-506X.2024.11.03

Design of adaptive detector for inhomogeneous clutter background

ZHU Dongsheng^*， SU Xiaojing， MA Zhixun， SHI Yingjie

（Institute of Acoustics， Chinese Academy of Sciences， Beijing 100190， China）

Abstract： To enhance the constant 1 alarm detector’s robustness and anti-interference performance in a variety of detection environments， an integrated adaptive detector with multi-strategy selection capability and dynamic adjustment of detection parameters is proposed. This detector introduces the Bayesian information criteria and computes the information estimation sequence of the reference units. Then the present detection background type is identified. Additionally， this detector can estimate the quantity of interfering targets or the location of clutter edges in the inhomogeneous background. Finally， the detection strategy and the detection parameters are chosen based on the recognition and estimation results. The performance of the proposed detector that and it is compared with that of traditional detectors using Monte Carlo simulation. Results of the simulation show that the proposed detector has the ability to recognize the type of background and estimate background parameters. Simultaneously， the detector also has strong anti-interference capabilities without enough prior knowledge of background parameters.

Keywords： constant 1 alarm rate （CFAR）; adaptive detection; information criteria; multi-target; clutter edge

0 引 言

恒虛警率（constant 1 alarm rate， CFAR）被廣泛應(yīng)用于雷達(dá)和聲納系統(tǒng)。CFAR通過估計(jì)檢測(cè)背景的雜波功率，進(jìn)而確定檢測(cè)門限，最終對(duì)當(dāng)前檢測(cè)單元（cell under test， CUT）中是否存在目標(biāo)進(jìn)行判決^［1］。當(dāng)檢測(cè)背景參數(shù)未知或檢測(cè)背景參數(shù)變化時(shí)，檢測(cè)器的性能會(huì)受到嚴(yán)重的影響^［2-3］。因此，具有檢測(cè)背景識(shí)別能力和檢測(cè)背景參數(shù)估計(jì)能力的自適應(yīng)CFAR檢測(cè)方法得到廣泛關(guān)注^［4-8］。Smith等^［9］提出的變化指數(shù)CFAR（variability index CFAR， VI-CFAR）檢測(cè)器是典型的具備背景辨識(shí)能力的多策略檢測(cè)器。該檢測(cè)器根據(jù)檢測(cè)參考單元的VI統(tǒng)計(jì)量和均值比（mean ratio， MR）統(tǒng)計(jì)量來判斷當(dāng)前檢測(cè)背景的類型，從而選擇合適的檢測(cè)策略進(jìn)行檢測(cè)。Cao等^［10］所提交互式CFAR（switch CFAR， S-CFAR）檢測(cè)器將參考單元與設(shè)定閾值比較，將參考單元?jiǎng)澐譃閮蓚€(gè)集合，然后根據(jù)兩個(gè)集合的單元個(gè)數(shù)對(duì)檢測(cè)背景類型進(jìn)行辨識(shí)，進(jìn)而選擇恰當(dāng)?shù)臋z測(cè)策略。另一類典型的智能型CFAR檢測(cè)方法能夠?qū)崟r(shí)估計(jì)當(dāng)前檢測(cè)背景參數(shù)，進(jìn)而調(diào)整檢測(cè)器中的部分參數(shù)，以提高檢測(cè)器的性能^［11-14］，其中典型的檢測(cè)器包括自動(dòng)刪除單元平均CFAR（automatic censored cell averaging CFAR， ACCA-CFAR）檢測(cè)器和非均勻雜波估計(jì)CFAR（heterogeneous clutter estimate CFAR， HCE-CFAR）檢測(cè)器^［15-16］等。ACCA-CFAR通過計(jì)算排序數(shù)據(jù)方差（order data variability， ODV）剔除檢測(cè)背景中可能的干擾目標(biāo)單元，動(dòng)態(tài)計(jì)算背景功率，以提高檢測(cè)器對(duì)抗干擾目標(biāo)的能力^［15］。HCE-CFAR利用似然估計(jì)和假設(shè)檢驗(yàn)對(duì)檢測(cè)背景中雜波邊緣的位置進(jìn)行估計(jì)，從而控制檢測(cè)器的虛警尖峰，提高檢測(cè)器的檢測(cè)概率^［16］。此外，有學(xué)者利用信息論準(zhǔn)則對(duì)檢測(cè)背景中的干擾目標(biāo)個(gè)數(shù)進(jìn)行估計(jì)，優(yōu)化檢測(cè)器的設(shè)計(jì)。Magaz等^［17］對(duì)赤池信息量準(zhǔn)則（akaike information criterion， AIC）和最小描述長(zhǎng)度（minimum description length， MDL）準(zhǔn)則的干擾目標(biāo)數(shù)量估計(jì)性能進(jìn)行分析。 Zhu等^［18］采用MDL準(zhǔn)則對(duì)分布式模糊檢測(cè)器進(jìn)行改進(jìn)，以提高檢測(cè)器的抗干擾目標(biāo)能力。

然而，上述的檢測(cè)器缺乏對(duì)綜合信息的處理能力，僅局限于檢測(cè)背景類型的識(shí)別或檢測(cè)背景的參數(shù)估計(jì)。因此，有學(xué)者提出綜合性的檢測(cè)器，以實(shí)現(xiàn)對(duì)兩方面的兼顧。Wang等^［19］利用支持向量機(jī)（support vector machine， SVM）對(duì)VI-CFAR進(jìn)行改進(jìn)，對(duì)檢測(cè)環(huán)境進(jìn)行辨識(shí)，同時(shí)引入ACCA-CFAR剔除可能存在的干擾目標(biāo)以提高檢測(cè)器對(duì)干擾目標(biāo)的抵抗能力。劉恒燕等^［20］提出一種基于正定矩陣雜波功率估計(jì)訓(xùn)練SVM的檢測(cè)器，該檢測(cè)器以參考單元協(xié)方差矩陣的矩陣范數(shù)作為特征值，利用SVM對(duì)背景類型進(jìn)行辨識(shí)。在檢測(cè)策略上選取ACCA-CFAR或最大選擇CFAR（greatest of CFAR， GO-CFAR）檢測(cè)器。但是上述兩種檢測(cè)器在進(jìn)行背景識(shí)別時(shí)，未對(duì)均勻環(huán)境和多目標(biāo)干擾環(huán)境進(jìn)一步細(xì)分，僅依賴于ACCA-CFAR的魯棒性。同時(shí)，該類檢測(cè)器沒有解決對(duì)于先驗(yàn)門限的依賴。芮義斌等^［21］提出一種多策略檢測(cè)器，在策略選擇階段保留VI-CFAR的選擇策略。并引入逼近CFAR（approach cell CFAR， AC-CFAR）檢測(cè)器和S-CFAR完成非均勻背景下的目標(biāo)檢測(cè)，從而提高檢測(cè)器在非均勻背景下的檢測(cè)性能。雖然該檢測(cè)器通過改進(jìn)局部策略提升檢測(cè)器的檢測(cè)性能，但是僅考慮前窗和后窗的識(shí)別，當(dāng)雜波邊緣位置變化時(shí)會(huì)降低該檢測(cè)器的檢測(cè)能力。Qi等^［22］利用神經(jīng)網(wǎng)絡(luò)構(gòu)建最優(yōu)檢測(cè)器選擇策略。同時(shí)，在均勻背景下改用單層感知機(jī)以提高檢測(cè)器的檢測(cè)性能。但是在非均勻背景下，該檢測(cè)器對(duì)參考單元的信息沒有充分利用。Yin等^［23］利用貝葉斯信息準(zhǔn)則（Bayesian information criterion， BIC）對(duì)檢測(cè)背景進(jìn)行辨識(shí)，將檢測(cè)背景分類為均勻背景、部分均勻背景和雜波邊緣背景;利用該分類結(jié)果，提出一種級(jí)聯(lián)結(jié)構(gòu)的檢測(cè)器框架。Han等^［24］利用BIC對(duì)多維信號(hào)中相關(guān)信號(hào)數(shù)量進(jìn)行估計(jì)，并對(duì)多元假設(shè)檢驗(yàn)背景下的檢測(cè)器性能進(jìn)行分析。

在上述研究成果的啟發(fā)下，本文提出一種自適應(yīng)恒虛警檢測(cè)器BIC-CFAR。該檢測(cè)器引入貝葉斯信息論準(zhǔn)則，分別計(jì)算得到參考單元的原始BIC信息序列和有序BIC信息序列?；贐IC信息序列，對(duì)檢測(cè)背景進(jìn)行識(shí)別。進(jìn)一步，對(duì)非均勻背景的干擾目標(biāo)個(gè)數(shù)或雜波邊緣位置進(jìn)行估計(jì)。最終，選取適應(yīng)的檢測(cè)器和檢測(cè)門限進(jìn)行檢測(cè)。針對(duì)BIC-CFAR檢測(cè)器的檢測(cè)性能，本文采用蒙特卡羅仿真方法對(duì)其進(jìn)行分析，并與經(jīng)典檢測(cè)器進(jìn)行比較。

1 算法介紹

1.1 檢測(cè)器模型

BIC-CFAR檢測(cè)器的結(jié)構(gòu)原理如圖1所示。

輸入信號(hào)為N+1個(gè)采樣單元，其中前沿參考單元為x₁，x₂，…，x_N/2，后沿參考單元為x_N/2+1，x_N/2+2，…，x_N，x_CUT是待檢測(cè)單元。稱初始的前、后沿參考單元為原始參考單元。將前、后沿參考單元按幅值進(jìn)行降序排列，得到序列{λ₁，λ₂，…，λ_N}，稱該列為有序參考單元，其中λ₁≥λ₂≥…≥λ_N。利用BIC分別求取原始參考單元和有序參考單元的BIC信息序列L_x和L_λ。根據(jù)BIC信息序列判別當(dāng)前檢測(cè)背景的類型。進(jìn)一步，當(dāng)檢測(cè)背景中為存在干擾目標(biāo)時(shí)，利用BIC信息序列估計(jì)當(dāng)前背景中干擾目標(biāo)個(gè)數(shù);當(dāng)檢測(cè)背景被識(shí)別為雜波邊緣背景時(shí)，可利用BIC信息序列對(duì)雜波邊緣位置進(jìn)行估計(jì)。最終，對(duì)背景功率進(jìn)行估計(jì)，得到雜波功率水平估計(jì)Z，T為標(biāo)稱化因子。計(jì)算得到對(duì)應(yīng)的檢測(cè)門限S并與待檢測(cè)單元x_CUT進(jìn)行比較。判決準(zhǔn)則表示為

式中：H₁表示待檢測(cè)單元中存在目標(biāo)；H₀表示不存在目標(biāo)。

1.2 貝葉斯信息序列

BIC被廣泛應(yīng)用于模型選擇（model of selection， MOS）^［25-26］。類似的準(zhǔn)則還包括AIC、 MDL、廣義信息準(zhǔn)則（generalized information criterion， GIC）等。BIC的定義^［27］如下：

BIC=－2L_k（X）+|k|·ln|n|（2）

式中：L_k（X）為數(shù)據(jù)在樣本X上的似然函數(shù)，模型的懲罰項(xiàng)為|k|·ln|n|。 目標(biāo)檢測(cè)中，利用參考單元估計(jì)背景功率。而其背景服從特定的數(shù)據(jù)分布模型。利用似然函數(shù)可對(duì)其進(jìn)行描述，BIC引入懲罰項(xiàng)增加模型描述的泛化能力。本文擬利用BIC方法，比較原始參考單元和按幅值排序后的形態(tài)模型，來判斷當(dāng)前的檢測(cè)背景。BIC信息序列定義^{［17，28］}如下：

式中：G（i）為序列的幾何平均數(shù)，定義為

A（i）為序列的算術(shù)平均數(shù)

式中：R為參考單元的數(shù)目;x_k為參考單元。最終計(jì)算得到BIC信息序列對(duì)原始參考單元和有序參考單元進(jìn)行描述。本文分別對(duì)不同檢測(cè)背景的參考單元的時(shí)域特征進(jìn)行分析。并對(duì)原始參考單元BIC信息序列和有序始參考單元BIC信息序列相關(guān)性的分布情況進(jìn)行了統(tǒng)計(jì)（樣本數(shù)為10 000）。

圖2為均勻背景下參考單元的BIC信息序列。顯而易見，利用原始參考單元計(jì)算的BIC信息序列和利用排序后參考單元計(jì)算的BIC信息序列，均呈現(xiàn)上升趨勢(shì)，變化率較平緩。進(jìn)一步，對(duì)兩個(gè)序列的相關(guān)性進(jìn)行分析，如圖3所示。在均勻背景下，兩個(gè)序列的相關(guān)性高達(dá)90%以上。

圖4為目標(biāo)干擾背景下的BIC信息序列。在參考單元中存在3個(gè)干擾目標(biāo)，分別為第12、第16和第18單元，干雜比（interference to clutter， ICR）為15 dB。利用原始參考單元計(jì)算得到的信息序列變換較平緩。而利用排序后參考單元計(jì)算的信息序列，在第4個(gè)點(diǎn)時(shí)存在最大變化率。在本例中，信息序列從第3個(gè)點(diǎn)到第4個(gè)點(diǎn)變化率突變，則認(rèn)為當(dāng)前參考單元中包含3個(gè)干擾目標(biāo)。該值也與設(shè)定值一致。進(jìn)一步，ICR為15 dB時(shí)，對(duì)兩個(gè)序列的相關(guān)性進(jìn)行分析，如圖5所示。在目標(biāo)干擾環(huán)境下，兩個(gè)序列的相關(guān)性低于80%。

圖6為雜波邊緣背景下的BIC信息序列。在參考單元中第16單元到第17單元，從高雜波區(qū)過渡到低雜波區(qū)，其中不同區(qū)域的雜雜比（clutter to clutter ratio， CCR）為15 dB。原始信息序列和有序信息序列均值第16個(gè)點(diǎn)到第17個(gè)點(diǎn)時(shí)變化率最大。此時(shí)，認(rèn)為雜波邊緣位置為第16個(gè)單元，該值也與設(shè)定值一致。進(jìn)一步，對(duì)兩個(gè)序列的相關(guān)性進(jìn)行分析。如圖7所示，在雜波邊緣環(huán)境下，兩個(gè)序列的相關(guān)性不低于70%。

1.3 檢測(cè)策略選擇

根據(jù)上述分析，對(duì)于BIC-CFAR檢測(cè)器的檢測(cè)邏輯和自適應(yīng)門限選擇如表1所示。當(dāng)有序信息序列和原始信息序列的相關(guān)性低于80%時(shí)，為目標(biāo)干擾背景，否則為均勻背景或者雜波邊緣環(huán)境。進(jìn)一步，當(dāng)有序信息序列為遞增序列時(shí)，則為均勻背景，否則為雜波邊緣背景。當(dāng)檢測(cè)背景為目標(biāo)干擾背景時(shí)，利用有序信息序列估計(jì)干擾目標(biāo)的個(gè)數(shù)k，并剔除最大的k個(gè)參考單元，進(jìn)而估計(jì)背景功率和選取門限因子。當(dāng)檢測(cè)背景為雜波邊緣背景時(shí)，利用有序信息序列估計(jì)雜波邊緣位置m。然后，選取高雜波區(qū)域估計(jì)背景功率。

2 仿真分析

2.1 檢測(cè)背景識(shí)別

圖8～圖10為BIC-CFAR對(duì)于不同檢測(cè)背景的識(shí)別概率，其中仿真參數(shù)設(shè)置為參考單元長(zhǎng)度R=32，仿真次數(shù)為10 000次。在目標(biāo)干擾環(huán)境下干擾目標(biāo)個(gè)數(shù)為4個(gè)，隨機(jī)分布在參考單元中。在雜波邊緣背景下，雜波從第10個(gè)參考單元到第11個(gè)參考單元，由高雜波區(qū)過渡到低雜波區(qū)。

2.1.1 均勻環(huán)境背景識(shí)別

圖8為本文所提檢測(cè)器對(duì)于均勻環(huán)境背景的識(shí)別概率，其中檢測(cè)器將檢測(cè)背景識(shí)別為均勻背景的概率為93.88%。而誤將均勻背景識(shí)別為雜波邊緣背景的概率為6.12%。

2.1.2 干擾目標(biāo)背景識(shí)別

圖9為本文所提檢測(cè)器在不同ICR下對(duì)于干擾目標(biāo)背景的識(shí)別概率。當(dāng)ICR為5 dB時(shí)，檢測(cè)器的識(shí)別概率為39.87%。當(dāng)ICR上升至10 dB時(shí)，檢測(cè)器的識(shí)別概率以達(dá)到99%以上。

2.1.3 雜波邊緣背景識(shí)別

圖10為本文所提檢測(cè)器在不同CCR下對(duì)于雜波邊緣背景的識(shí)別概率。當(dāng)CCR為5 dB時(shí)，檢測(cè)器的識(shí)別概率為54.97%。當(dāng)CCR上升至15 dB時(shí)，檢測(cè)器的識(shí)別概率以達(dá)到97%以上。

2.2 背景參數(shù)估計(jì)

圖11和圖12為BIC-CFAR對(duì)于背景參數(shù)的估計(jì)概率。其中仿真參數(shù)設(shè)置為參考單元長(zhǎng)度R=32，仿真次數(shù)為10 000次。在目標(biāo)干擾環(huán)境下干擾目標(biāo)個(gè)數(shù)為4個(gè)，隨機(jī)分布在參考單元中。在雜波邊緣背景下，雜波從第10個(gè)參考單元到第11個(gè)參考單元，由高雜波區(qū)過渡到低雜波區(qū)。

2.2.1 干擾目標(biāo)數(shù)量估計(jì)

圖11為本檢測(cè)器在不同ICR下對(duì)于干擾目標(biāo)個(gè)數(shù)的估計(jì)概率。在低ICR下，檢測(cè)器的估計(jì)精度較低。當(dāng)ICR為10 dB時(shí)，干擾目標(biāo)個(gè)數(shù)識(shí)別為4個(gè)的概率為23.39%，識(shí)別為3個(gè)的概率為27.89%，概率合計(jì)為51.28%。當(dāng)ICR上升到20 dB時(shí)，識(shí)別為4個(gè)干擾目標(biāo)的概率為88.54%，識(shí)別為3個(gè)干擾目標(biāo)的概率分別為9.32%，合計(jì)為97.86%。當(dāng)ICR上升到25 dB時(shí)，4個(gè)干擾目標(biāo)個(gè)數(shù)的估計(jì)概率高達(dá)96.1%。

2.2.2 雜波邊緣位置估計(jì)

圖12為本檢測(cè)器在不同CCR下對(duì)于雜波邊緣位置估計(jì)概率。當(dāng)CCR為10 dB時(shí)，雜波邊緣位置為10的估計(jì)概率為12.6%，雜波邊緣為9的概率為13.45%。當(dāng)CCR為20 dB時(shí)，邊緣位置為10的估計(jì)概率為85.03%。當(dāng)CCR上升到25 dB時(shí)，邊緣位置為10的估計(jì)概率上升為95.18%。

2.3 檢測(cè)器性能分析

本文通過蒙特卡羅仿真方法，對(duì)本文所提BIC-CFAR檢測(cè)器進(jìn)行分析，并和典型檢測(cè)器單元平均CFAR（cell averaging CFAR， CA-CFAR）檢測(cè)器、有序統(tǒng)計(jì)量CFAR（order statistics CFAR，OS-CFAR）檢測(cè)器、VI-CFAR、ACCA-CFAR、有序統(tǒng)計(jì)選大CFAR^［29］（ordered statistic with greatest option， OSGO-CFAR）檢測(cè)器和自適應(yīng)決策樹CFAR^［30］（tree bagger CFAR， TB-CFAR）檢測(cè)器進(jìn)行了比較。仿真參數(shù)設(shè)置如下：目標(biāo)類型設(shè)置為SwerlingII型，虛警概率設(shè)置為P_fa=10^-4，前沿和后沿參考單元分別為R_f和R_l，參考單元長(zhǎng)度為R_f=R_l=16。此外，OS-CFAR的門限序值k=24;OSGO-CFAR的門限序值設(shè)置為3N/4，N為前、后沿參考單元個(gè)數(shù);對(duì)于ACCA-CFAR，可接收最小參考單元門限p=24;VI-CFAR的門限設(shè)置為K_vi=4.26，K_mr=1.806。

圖13為不同檢測(cè)器在均勻背景下的檢測(cè)概率。幾種檢測(cè)器的檢測(cè)性能基本一致，其中在信雜比較低時(shí)，BIC-CFAR稍弱于CA-CFAR，但是優(yōu)于其他檢測(cè)器。

圖14和圖15分別為參考單元中存在5個(gè)干擾目標(biāo)和9個(gè)干擾目標(biāo)的情況。當(dāng)參考單元中存在5個(gè)干擾目標(biāo)時(shí)，CA-CFAR的整體檢測(cè)概率較低。當(dāng)信雜比為12 dB時(shí)，隨之信雜比的上升，CA-CFAR的檢測(cè)概率并未提高，基本在0.2左右，無法滿足系統(tǒng)要求。對(duì)于VI-CFAR，其在干擾背景下選擇SO-CFAR的策略，無法應(yīng)對(duì)前后沿均存在干擾目標(biāo)的情況。隨著信雜比的上升，VI-CFAR的檢測(cè)概率到達(dá)0.4后不在提升。當(dāng)信雜比大于15 dB時(shí)，BIC-CFAR的檢測(cè)性能優(yōu)于OSGO-CFAR。OS-CFAR、TB-CFAR和ACCA-CFAR的檢測(cè)性能較接近，并優(yōu)于BIC-CFAR。而BIC-CFAR的整體性能低于上述3種方法。

當(dāng)參考單元中存在9個(gè)干擾目標(biāo)時(shí)，隨著干擾目標(biāo)個(gè)數(shù)的增加，對(duì)于真實(shí)目標(biāo)的遮掩效果更加嚴(yán)重。CA-CFAR和VI-CFAR的檢測(cè)性能進(jìn)一步下降，最大檢測(cè)概率不足0.1。由于干擾目標(biāo)個(gè)數(shù)超過OS-CFAR和OSGO-CFAR設(shè)定的序值門限時(shí)，其檢測(cè)性能大幅下降。當(dāng)信雜比大于10 dB后，OSGO-CFAR的檢測(cè)概率為0.2，OS-CFAR的檢測(cè)概率為0.5左右，且不隨信雜比的增加而提升。對(duì)于ACCA-CFAR和TB-CFAR，在低信雜比下，檢測(cè)概率略高于BIC-CFAR。當(dāng)信雜比增加至15 dB時(shí)，BIC-CFAR的檢測(cè)概率增加至0.97左右，高于ACCA-CFAR和TB-CFAR。在對(duì)干擾目標(biāo)個(gè)數(shù)先驗(yàn)信息不足的情況下，BIC-CFAR具有更強(qiáng)的抗干擾能力。

在雜波邊緣環(huán)境下，蒙特卡羅仿真次數(shù)設(shè)置為1.0e6，雜噪比和信噪比相等，其他仿真參數(shù)與上述仿真參數(shù)設(shè)置相同。表2為7種不同檢測(cè)器的虛警尖峰控制能力，其中VI-CFAR、OSGO-CFAR在不同信噪比下均保持較好的虛警尖峰控制能力。隨之信雜比的提升，BIC-CFAR的虛警尖峰控制能力也得到提高，在信噪比為25 dB時(shí)，BIC-CFAR的虛警尖峰控制能力達(dá)到設(shè)計(jì)值。

3 結(jié)束語

本文提出一種新型的自適應(yīng)CFAR檢測(cè)器BIC-CFAR。該檢測(cè)器利用BIC對(duì)檢測(cè)背景進(jìn)行識(shí)別，進(jìn)而對(duì)非均勻背景參數(shù)進(jìn)行估計(jì)。根據(jù)識(shí)別結(jié)果和估計(jì)參數(shù)，選取對(duì)應(yīng)的檢測(cè)器和檢測(cè)門限，完成目標(biāo)檢測(cè)。經(jīng)過仿真分析，BIC-CFAR檢測(cè)器在均勻背景下，具有和CA-CFAR相似的檢測(cè)性能。對(duì)于非均勻背景，BIC-CFAR具有更強(qiáng)的魯棒性。下一步工作，將進(jìn)一步優(yōu)化檢測(cè)器的檢測(cè)性能。

參考文獻(xiàn)

［1］何友. 雷達(dá)目標(biāo)檢測(cè)與恒虛警處理［M］. 關(guān)鍵， 孟祥偉. 2版. 北京： 清華大學(xué)出版社， 2011.

HE Y. Radar target detection and CFAR processing［M］. GUAN J， MENG X W. 2nd ed. Beijing： Tsinghua University Press， 2011.

［2］郭辰鋒. 復(fù)雜背景目標(biāo)檢測(cè)技術(shù)研究［D］. 哈爾濱： 哈爾濱工業(yè)大學(xué)， 2020.

GUO C F. Reasearch on target detection technology with complex backgroud［D］. Harbin： Harbin Institute of Technology， 2020.

［3］XU Y W， HOU C H， YAN S F， et al. Fuzzy statistical norma-lization CFAR detector for non-rayleigh data［J］. IEEE Trans.on Aerospace and Electronic Systems， 2015， 51（1）： 383-396.

［4］CAROTENUTO V， DEMAIO A. A clustering approach for jamming environment classification［J］. IEEE Trans.on Aerospace and Electronic Systems， 2021， 57（3）： 1903-1918.

［5］DEMAIO A. Invariance theory for adaptive radar detection in heterogeneous environment［J］. IEEE Signal Processing Letters， 2019， 26（7）： 996-1000.

［6］LI L T， SHI J Y， LI Y Y， et al. An IOSGO-CFAR algorithm based on clutter classification and recognition［C］∥Proc.of the IEEE 15th International Conference on Solid-State and Integrated Circuit Technology， 2020.

［7］BAADECHE M， SOLTANI F. Performance analysis of mean level constant 1 alarm rate detectors with binary integration in Weibull background［J］. IET Radar Sonar and Navigation， 2015， 9（3）： 233-240.

［8］COLUCCIA A， FASCISTA A， RICCI G. A k-nearest neighbors approach to the design of radar detectors［J］. Signal Processing， 2020， 174： 107609.

［9］SMITH M E， VARSHNEY P K. Intelligent CFAR processor based on data variability［J］. IEEE Trans.on Aerospace and Electronic Systems， 2000， 36（3）： 837-847.

［10］CAO T T. Constant 1-alarm rate algorithm based on test cell information［J］. IET Radar Sonar and Navigation， 2008， 2（3）： 200-213.

［11］ADDABBO P， HAN S D， ORLANDO D， et al. Learning strategies for radar clutter classification［J］. IEEE Trans.on Signal Processing， 2021， 69： 1070-1082.

［12］LIU J， BIONDI F， ORLANDO D， et al. Training data classification algorithms for radar applications［J］. IEEE Signal Processing Letters， 2019， 26（10）： 1446-1450.

［13］TAO D， ANFINSEN S N， BREKKE C. Robust CFAR detector based on truncated statistics in multiple-target situations［J］. IEEE Trans.on Geoscience and Remote Sensing， 2016， 54（1）： 117-134.

［14］METCALF J， BLUNT S D， HIMED B. A machine learning approach to cognitive radar detection［C］∥Proc.of the IEEE Radar Conference， 2015： 1405-1411.

［15］曲超， 郝程鵬， 楊樹元. 基于自動(dòng)刪除算法的恒虛警檢測(cè)器［J］. 數(shù)據(jù)采集與處理， 2008， 23（5）： 14-18.

QU C， HAO C P， YANG S Y. CFAR detector based on automatic censoring algorithm［J］. Journal of Data Acquisition and Processing， 2008， 23（5）： 14-18.

［16］張永光， 榮鋒. 一種改進(jìn)的自適應(yīng)恒虛警檢測(cè)器［J］. 電子測(cè)量技術(shù)， 2022， 45（11）： 83-89.

ZHANG Y G， RONG F. An improved adaptive CFAR detector［J］. Electronic Measurement Technology， 2022， 45（11）： 83-89.

［17］MAGAZ B， BELOUCHRANI A， HAMADOUCHE M H. Automatic threshold selection in OS-CFAR radar detection using information theoretic criteria［J］. Progress in Electromagnetics Research B， 2011， 30： 157-175.

［18］ZHU D S， SU X J， MA Z X， et al. Intelligent CFAR detector against interference of multiple targets［C］∥Proc.of the 2nd International Conference on Frontiers of Electronics， Information and Computation Technologies， 2022： 72-76.

［19］WANG L O， WAND D H， HAO C P. Intelligent CFAR detector based on support vector machine［J］. IEEE Access， 2017， 5： 26965-26972.

［20］劉恒燕， 宋杰， 熊偉， 等. 大入射余角CFAR檢測(cè)器［J］. 系統(tǒng)工程與電子技術(shù)， 2019， 41（6）： 1218-1223.

LIU H Y， SONG J， XIONG W et al. Large-grazing-angle CFAR detector［J］. Systems Engineering and Electronics， 2019， 41（6）： 1218-1223.

［21］芮義斌， 魏知寒， KHOASANG N， 等. 一種非均勻背景下的多策略CFAR檢測(cè)器［J］. 南京理工大學(xué)學(xué)報(bào)， 2016， 40（2）： 199-203.

RUI Y B， WEI Z H， KHOASANG N， et al. Multiple strategy CFAR detector in nonhomogeneous environment［J］. Journal of Nanjing University of Science and Technology， 2016， 40（2）： 199-203.

［22］QI Q， HU W. One efficient target detection based on neural network under homogeneous and non-homogeneous background［C］∥Proc.of the IEEE 17th International Conference on Communication Technology， 2017： 1503-1507.

［23］YIN C R， YAN L J， HAO C P， et al. Novel classification schemes for radar scenarios： design and comparison［C］∥Proc.of the 30th European Signal Processing Conference， 2022： 1861-1865.

［24］HAN S D， YAN L J， ZHANG Y X， et al. Adaptive radar detection and classification algorithms for multiple coherent signals［J］. IEEE Trans.on Signal Processing， 2021， 69： 560-572.

［25］STOICA P， SELEN Y. Model-order selection： a review of information criterion rules［J］. IEEE Signal Processing Magazine， 2004， 21（4）： 36-47.

［26］MARIANI A， GIORGETTI A， CHIANI M. Model order selection based on information theoretic criteria： design of the penalty［J］. IEEE Trans.on Signal Processing， 2015， 63（11）： 2779-2789.

［27］CAROTENUTO V， DEMAIO A， ORLANDO D， et al. Model order selection rules for covariance structure classification in radar［J］. IEEE Trans.on Signal Processing， 2017， 65（20）： 5305-5317.

［28］DRIDI N， HADZAGIC M. Akaike and bayesian information criteria for hidden markov models［J］. IEEE Signal Processing Letters， 2018， 26（2）： 302-306.

［29］魏嘉， 徐達(dá)， 閆晟， 等. OSSO和OSGO恒虛警檢測(cè)器在Pareto分布混響背景下的性能分析［J］. 信號(hào)處理， 2019， 35（9）： 8.

WEI J， XU D， YAN S， et al. Performance analysis of OSSO-and OSGO-CFAR in Pareto distribution reverberation［J］. Journal of Signal Processing， 2019， 35（9）： 8.

［30］朱東升， 宿曉靜， 劉晉偉， 等. 均勻混響背景下抗多目標(biāo)干擾自適應(yīng)檢測(cè)器設(shè)計(jì)［J］. 水下無人系統(tǒng)學(xué)報(bào)， 2022， 30（4）： 422-428.

ZHU D S， SU X J， LIU J W， et al. Design of a multi-target interference resistant adaptive detector under Homogeneous reverberation backgrounds［J］. Journal of Unmanned Undersea Systems， 2022， 30（4）： 422-428.

作者簡(jiǎn)介

朱東升（1989—），男，助理研究員，碩士， 主要研究方向?yàn)槟繕?biāo)檢測(cè)、水聲信號(hào)處理。

宿曉靜（1986—），女，副研究員，碩士，主要研究方向?yàn)槟繕?biāo)檢測(cè)、 目標(biāo)跟蹤。

馬治勛（1992—），男，助理研究員，碩士， 主要研究方向?yàn)樗曅盘?hào)處理及檢測(cè)。

師英杰（1992—），男，助理研究員，碩士， 主要研究方向?yàn)樾盘?hào)處理。