|
为了降低杂波和干扰的不利影响，现代雷达采用了诸如恒虚警率(CFAR)检测、自适应阵列、空时自适应处理(STAP)等方法。 典型的自适应算法通过使用在测试中的测量单元附近的距离单元所收集的训练(次要)数据来估计被测(主要)数据的干扰协方差矩阵，这里需要声明，我们假设主要数据和次要数据具有相同的频谱特性。 这种假设并不总是正确的(训练数据常常受到能量和频谱变化的影响超过受杂波离散效应和其他异常值的影响)，并且质量较差的训练数据还可能带来严重的性能下降，如高误报率和/或低检测概率。 认知架构 为了克服上述缺点，则可引入认知架构，该框架假设存在一个预测处理器，该处理器将会在未来几秒内预测出雷达将出现在哪里及执行什么样的功能。 上述信息将会被允许去访问那些在特定任务下(诸如在强的杂波离散下的距离单元)启动进程的存储器信息并执行后续的动作(诸如训练数据的选择和异常数据的去处)。 这些存储的可动态更新的信息可能来自于DYEMs，雷达先验知识，GISs，道路地图，空中/地面交通的背景，气象数据，某些电磁放射率和频谱杂波模型，系统校准信息等。 第一个模块利用算法实现知识辅助(KA)/认知数据选择，该算法利用来自美国地质调查局(USGS)的地形数据来辅助数据选择过程。第二块是两步数据选择程序(2S-DSP)，这是一种在设计的数据自适应选择算法，它试图从训练集中自适应地去除动态异常值和其他残余非均匀性。 最后，第三块是递归对称自适应归一化匹配滤波器(RP-ANMF)，该算法通过认知筛选处理的主要和次要数据实现对目标存在与否的最终判定。 KA/认知数据选择器：KA /认知选择算法的基本假设是，在测试单元中与目标混杂的主要的杂波是由在同一测试环内的地面(后面称其为测试杂波单元)带来的，并且这些杂波相当于目标的多普勒回波。 数据选择器选择的次要距离-多普勒单元和测试单元位于相同的区域。这样，利用国家土地覆盖数据(NLCD)可实现对雷达照射区域的地表环境的分类。 这里的NLCD数据是以30米的空间分辨率格网格格式从美国地质勘探局获得的。如图所示，地形按城市地区，贫瘠土地，水等9大类划分，分为21个小类(如高密度居住区域，低密度居住区域等)。 通过对NLCD的询问，依据分析单元的地形类型，可以将一些合适的定量特征/属性分配给每一个距离-多普勒单元。这样，通过计算平方范数差的方式，可以实现每一个潜在的训练单元和测试单元特征的比较。 这里假设平方范数差较小的单元能更好的匹配测试杂波单元。按数值大小对单元进行降序排列，并选取最后个单元作为训练数据。 2S-DSP数据选择流程：这是一个数据驱动的选择器，它根据一个相近的统计度量量实现对最相似的训练向量的选择。 RP-ANMF检测器能够确保在杂波功率和在杂波协方差结构下的恒虚警率特性(CFAR)。具体来说，RP-ANMF的定义遵循如下判决准则： |
|
|
