动目标检测器MTD.ppt

动目标检测器（MTD）,1.MTD的原理,1)有色噪声中最佳接收理论,其中，,白化滤波器,与信号匹配滤波器,2)白化滤波器的实现,白化滤波器频率特性应为有色杂波加噪声谱的倒数，在实现上有几种近似方法：A)MTI对地杂波近似白化B)速度自适应MTI，对运动杂波近似白化C)MTI+速度自适应MTI，对地杂波和运动杂波同时实现近似白化D)最大熵谱估计AMTI，理想白化,3)匹配滤波器,目标fd从0fr均匀分布，所以设置多普勒滤波器组来近似实现匹配滤波；可用FIR或FFT来实现。,4)频域CFAR和选大,在每一多普勒滤波器通道输出设置CFAR电路；各通道过CFAR门限的信号相互比大，取最大值作为MTD输出值,2.成组处理MTDBMTD,一.CPI：,天线扫过一个点目标时在方位上的相继回波数，称为击中数H。CPI相参处理间隔是BMTD中组的大小。若一个CPI内的回波数为m，应保证：,这里,（整数）,所以BMTD的定义为：将一个CPI中的回波结合为一组，来进行MTD处理。波束中的回波应分为2个CPI，才能保证至少一个CPI中包含了全部目标信息，否则会导致S/N下降，降低检测性能。,例：击中数H32时，m16(个)，这是最大值,二.乒乓存储器：,为了实时进行成组处理，必须首先将一个CPI中的全部回波数据存储起来，当该CPI数据全部存完后（乒存储器存满后），则取出来沿距离间隔顺序处理，与此同时，对下一个CPI的回波数据进行存储（存入乓存储器）,乒乓存储器容量：设：CPI=m距离间隔=nA/D字长bbits,则：Z=2mnb2=4mnb,|乒乓,|I,Q,例：CPI=64=mn=1024b=12bits则：Z=464102412=384Kbytes,三.多普勒滤波器组：,(1)阶数：多普勒滤波器组阶数为M，则Mm（预白化MTI阶数1）例：当m18，MTI为3脉冲（3阶）时，则M18216（阶）,2）多普勒滤波器组的实现方法,1.FFT算法：当M=2T（T整数）时，可用基2FFT，并采用加权来减小旁瓣，降低杂波通过旁瓣的泄漏，提高改善因子。一般采用：Hamming或Chebyshev加权效果较好。,加权,FFT,滤波器组的FFT实现,xi,优点：运算量少，设备简单；运算量为：次蝶形运算。采用四周蝶形算法，故乘法次数为例：M=16，乘法次数为次乘加。缺点：每个滤波器形状完全一致，不灵活。,2.FIR算法a)权系数设计：窗函数法任意窗函数Remez多重变换算法旁瓣约束等波纹设计法权系数hi(n),(i=1,2,M),(n=1,2,M)b)具体算法：,i=1,2,M这里和为复数，于是有：i1,2,M,c)FIR滤波器组运算量4M2例：M=16，则4(16)2=1024(复乘)优点：灵活，性能好缺点：运算量大，复杂,3.MTD系统的改善因子一.最佳多普勒滤波器组构成的MTD系统的改善因子所谓最佳多普勒滤波器组，即每个滤波器的权函数Wi都是最优权函数。这里最优是相对于一定的杂波模型和信号假设而言的。1.CPI中M个信号回波可用一复矢量表示：Ps为每个信号回波的功率，这里假设天线波瓣形状为矩形，所以每个Ps相等。为信号的随机相位。，是脉冲脉冲间的相移,2.杂波回波是：这里：是杂波功率3.热噪声：这里：为噪声功率4.总输入为：（这里假设s,c,n为统计独立的）,5.改善因子：输入信干比为：,令多普勒滤波器组有复加权，wi为每一个滤波器通道的权值则滤波器的输出为：,相应的输出功率为：其中，代表输入回波的协方差矩阵，用表示（因S，C，n相互统计独立）,这里，归一化信号协方差阵归一化杂波协方差阵中的第i，j位置的元素可由杂波相关函数决定(单位阵)，归一化噪声协方差阵,具有复加权的多普勒滤波器的噪声增益为当信号的从均匀分布时，信号平均增益输出信干比为：,则改善因子：,信号功率增益,输入(杂波噪声)功率,输出(杂波噪声)功率,为信号功率增益对噪声功率增益之比，即为相干积累增益,为归一化的干扰抑制比，即干扰抑制比乘噪声增益。这相当于前面讲过的平均改善因子。,可见MTD可以看成白化滤波器（具有平均改善因子IMTI）和相干积累器（多普勒滤波器组）的级联。,白化滤波IMTI,多普勒滤波器组GC,由文献知，最佳应为：,干扰协方差阵的逆,信号的复共轭,具有最佳加权的MTD就是有色噪声中的最佳检测器。由于和都是的函数，当在中均匀分布时，该最佳处理器的平均改善因子为：,例：杂波谱为高斯形可用数值计算出不同和N时的,23469167.514182532.540,当：时,二.理想白化滤波器级联滤波器组的改善因子,白化滤波器Hw(f),滤波器组,令杂波功率谱为Sc(f)，则理想Hw(f)应为Sc(f)的倒谱,或：这里：Sc(f)是杂波功率谱(采样前，f是从内扩展的)相当于把杂波功率折叠到内,，j取整数,白化滤波器平均归一化对消比：,（杂波抑制比）（噪声增益）,又：令则：,后接滤波器组在理想情况下为一相干积累器（即矩形窗加权，且目标fd正好处于某滤波器通代中央），相干积累增益为：所以系统改善因子：例：杂波功率谱计算列表如下：cT0.070.080.100.120.140.20CAV(dB)85.261.033.519.411.62.8而这是系统改善因子上界；当非矩形窗加权时会有S/N损失，当fd不处于滤波器中央时，应算平均相参积累增益，也会有损失。,三.实际MTD系统的改善因子非理想白化非矩形窗加权实际系统为一个2脉冲或3脉冲MTI级联加权滤波器组。令：对消器传递函数和第i个滤波器传递函数的合成为：对而言，归一化对消比为：,实际ISIR理想ISIR,（杂波抑制比）（噪声增益）,则：,由：如已知和，则可求得相干积累增益为,因此，则：，N为滤波器数,例：3脉冲对消8脉冲滤波器组，杂波为高斯谱1.矩形窗加权时0.0060.050.070.080.186.442.638.936.230.12.25dB旁瓣Chebyshev加权0.0060.050.070.080.19351.343.84032.8可见，比理想性能相差较大，Chebyshev加权副瓣越低，则越高,4.MTD的精度和分辨率在BMTD中，方位精度由于受到CPI宽度限制，因而较低，可用以下几种方法加以改善。因波束内至少有两个CPI，设第一个CPI报告的方位为，第二个CPI报告的方位为一.内插法提高方位精度估计方位这里为内插函数，它取决于与和相对应的目标报告的对数幅度1.波束内为单CPI：此时，F=0，,2.波束分裂法（波束内为2个CPI时）：假设两个CPI为等同看待（即信号回波在两个CPI中均充满时），可令F=1/2，所以，二.质量中心法可见质量中心法相当于内插法中的A1和A2为相应于和的线性幅度,三.天线波束形状相关法：K是常数，与天线波瓣形状有关。四.波束匹配法：当波束内的报告数较多时，采用波束形状对每个报告实施加权求中值法。其中，为波束相应于的形状因子。,各种方法比较：,BMTD分辨率取决于波束宽度。,5.滑动MTDSMTD为了提高MTD处理的方位精度，可采用滑动MTD。一.原理：在方位上每滑过一个脉冲，做一次M点的MTD，新进入一个信号，丢掉一个老信号，又进行一次M点MTD。因此每次MTD处理中均只有一个新信息，M1个老信息。SMTD处理中，可获得与天线波束内的击中数相等的报告数，从而可采用质心法等方法来提高MTD的方位精度。SMTD最大的难点是运算量相对于BMTD增加了M倍。所以必须寻求减少运算量的新方法。,传统单滑动处理的MTD结构,图中，N为窗长（也是滤波器组的个数），每滑进、滑出一个脉冲要完成N个滤波器运算，N次恒虚警处理，和N个通道的门限比较以及选大输出，运算量庞大。,这种处理有两个冗余度：1)每一步处理N个滤波器中有N1个滤波器结果并不输出，即只有目标通道输出。但目标多普勒频率在一次扫描波束范围内是不会发生太大变化的。可认为所处理的滤波器通道不变。由此可得出在整个波束范围内只作一次目标通道判决。每判一次后，可作多次滑动处理，且每次滑动处理只处理目标所在的多普勒滤波通道即可。从而可以大大节省运算量。2)相邻两次处理的N个数据中，有N1个数据完全相同。所以相邻两次FFT处理之间可导出一种滑动递推算法，提高滑动FFT处理的效率。,二.成组判断和滑动处理相结合的SMTD1)成组判断：在波束范围内仅做一次目标通道判决2)滑动处理：仅对有目标的通道进行单滤波器的滑动处理因此，新的结构如下图所示：,在波束范围内，由于仅做一次目标通道判决，所以只做一次FFT（或滤波器组），一次N通道恒虚警，和一次N选1判断即可。如成组判断后，判目标通道为K0；则在整个波束范围内的滑动处理时，每次滑动后仅作K0通道的滤波、恒虚警即可，从而大大节省了运算量。此外各相邻两次单滑动处理间有极强的相关性（因有N1个数据相同），所以前次滤波的某些结果可直接送入下次滤波处理中，进一步减少了单滤波器处理的运算量。,成组判断和滑动处理相结合的实现方框图:,三.滑动处理的快速递推算法令用N点DFT完成窄带滤波器，目标处于K通道，连续N个输出可表示为：,(1),(2),(3),(4),N为相干点数，；,由(2)式乘以再减去(1)式得：,同样，由(3)式乘以再减去(2)式得：,依此类推，有：,上式可写成一般表达式：,m=1,2,N-1(5),由于后续均值估计和恒虚警处理只关心信号模值，可丢弃信号相位分量。令：故有：可见，仅对模值而言，得到和是等效的（相同）。由(5)，(6)两式可得到单滑动DFT的快速递推算法的一般表达式（仅求即可）,(6),(7),由(7)式知，其滤波运算，每滑动一次只需一次复乘，两次复加即可。,所以其流程应为：Step1：初始化（因求和求等效）Step2：循环，form=1toN-1,流程图：,M为成组判断组长（可等于波束内击中数）,运算量：初始化：N次复