一种多基地雷达系统中基于置信域的最小方差量化器

一种多基地雷达系统中基于置信域的最小方差量化器

在多基地雷达系统中，由于每个空间收集通道都利用了空间收集增益，因此在一定条件下，可以获得比单基地雷达（mr）更好的检测性能。为了满足通讯限制,相关学者针对传统的硬判决融合(1bit非集中式融合)开展了大量研究在实际应用中,各个分集通道的观测信噪比往往是未知的,这就导致奈曼-皮尔逊准则及Ali-Silvey距离度量准则难以在实际工程中直接应用.针对该问题,在分布式广义似然比(DistributedGeneralizedLikelihoodRatio,DGLR)检测的框架下,笔者设计了一种基于置信域的最小方差量化器(ConfidenceRegion-basedLeastSquareQuantizer,CRLSQ).根据局部检验统计量的统计特性,在局部判决空间中确定两道门限:高于“上”门限或者低于“下”门限的两个区间被认为具有较高的置信度,两道门限之间的区间则被认为置信度较低;然后利用最小方差量化器(LeastSquareQuantizer,LSQ)1多基地雷达目标检测在多基地雷达系统中,假设有N其中,c其中,G表示循环复高斯分布,M在多基地雷达目标检测中,定义各个分集通道的观测所构成的集合z′其中,x其中,2多元量化融合检测算法为了使量化电频更好地反映原始的观测,可令“平均量化噪声功率”其中,f其中,F在给定输出量化电频的条件下,为了使得平均量化噪声功率最小,则相应的空间划分应该满足即{x由于式(6)和式(9)是全局最小点的必要条件,而非充分条件,因此可以利用试错法通过式(10)计算初始门限,并利用式(6)和式(9)交替更新所获得的{q将局部量化电频{q根据式(3),可得最终的融合准则为其中,η为融合中心虚警概率所控制的全局判决门限.图2所示为多元量化融合检测算法的流程图.3概率密度函数由于全局检验统计量由局部判决进行非相参积累获得,因而全局检验统计量的概率密度函数可以通过将局部判决的概率质量函数进行多次卷积进行计算.在H其中,δ(·)为广义狄拉克函数;其中,γ=exp(y(K全局虚警概率P其中,ε(·)代表阶跃函数.4数值模拟和分析道的量化位数相同.4.1置信域的确定在实际中,由于各个空间分集通道的信噪比未知,因此确定最优的置信区间相对困难.一种简单且常用的方法是假设各个观测的置信域均相同.笔者利用“或”准则来确定非置信域的上门限η成立.对于置信域下门限η4.2多元量化融合检测方法的应用基于分布式广义似然比的融合检测算法的虚警概率同门限闭式表达式可以通过服从指数分布的检验统计量的加权和的不完全累计分布函数获得图3对比了基于置信域的最小方差量化器(CRLSQ)同分布式广义似然比(DGLR)、最小方差量化器(LSQ)、基于置信度的量化器(CLQ)以及单基地雷达(MR)之间的检测性能差异.其中,图3表示所有通道量化位数为2bit,通道信噪比分别为1∶1∶1∶1和1∶1∶2∶2条件下,不同量化器的检测性能.可以看出,由于利用了多个通道的信息,所有融合检测方法均可获得优于单基地雷达的检测性能.分布式广义似然比可以利用原始观测进行信号融合,其所传输的信息量最大,因而可以获得比其他多元量化融合检测方法更好的性能.最小方差量化器利用了H进行融合时的加权处理.但该方法只影响了局部检验统计量,并未改变量化器门限的设计,因此无法获得较好的融合检测性能.在引入了置信区间后,相当于对目标的信息量进行初步判定,因而基于置信域的最小方差量化器可以获得比最小方差量化器和基于置信度的量化器更好的检测性能.4.3基于置信域的最小方差量化器融合检测性能图4表示了不同量化位数对基于置信域的最小方差量化器检测性能的影响.其中,图4表示基于置信域的最小方差量化器在通道信噪比分别为1∶1∶1∶1和1∶1∶2∶2条件下,基于置信域的最小方差量化器的融合检测性能.可以看出,随着量化位数的增加,融合中心的检测性能也随之提升,这是由于局部雷达站可以传输更多的观测信息.当局部观测的量化位数为3bit时,基于置信域的最小方差量化器可以获得趋近于分布式广义似然比的检测结果,同时也说明该方法对信噪比具有较好的鲁棒性.4.4.2化器在不同场景下的性能比较双门限融合检测算法其中,κ图5所示为双门限广义似然比检测算法与基于置信域的最小方差量化器在不同场景下数据压缩性能的比较情况.随着目标(或杂波)发生概率的增加,双门限广义似然比检测算法降低通讯量的能力将会显著下降.而由于基于置信域的最小方差量化器是针对单次采样进行量化的,因而可以在目标(或者杂波)大量存在的场景下保证稳定的数据压缩率.5基于置信域的最小方差量化器针对多基地雷达系统中数据传输量大的问题,笔者基于分布式广义似然比准则,在目标信噪比未知的条件下提出了一种基于置信域