论文部分内容阅读
恒虚警处理是雷达信号处理过程中最关键的技术之一,其目的是保证在目标检测过程中保持稳定的虚警率。一般的恒虚警处理是以杂波分布特性为先决条件,不同的杂波分布对应不同的恒虚警处理算法。并且一种恒虚警算法即使在同一杂波分布下也很难在不同环境中同时具有良好的检测性能。因此,研究杂波的分类识别与自适应不同环境的恒虚警算法具有理论意义和应用价值。通常瑞利杂波、对数正态杂波、威布尔杂波以及K分布杂波是雷达系统处理和检测的固有环境。本文对上述四种杂波进行仿真建模,研究了一种基于卷积神经网络的雷达杂波分类识别方法,利用卷积神经网络对杂波数据进行隐式特征提取,提高了特征提取的效率。针对杂波参数固定和变化两种情况,其识别准确率分别达到了100%和98.29%,识别结果准确稳定。在恒虚警处理过程中,一个非常重要的工作是根据给定的虚警概率确定其标称化因子。但大多数情况下,虚警概率关于标称化因子的表达式能够得到,而标称化因子关于虚警概率的表达式一般很难甚至是不可能得到的。为此本文利用BP神经网络对虚警概率关于标称化因子的表达式进行逼近,从而根据给定的的虚警概率确定其标称化因子的值。研究表明,通过对BP神经网络的输入进行自然对数的变换后,网络训练次数只有40次时,仿真结果便十分准确且误差为10-7数量级。通过对经典的CFAR算法进行仿真后发现,CA-CFAR在均匀环境下有最好的检测性能,GO-CFAR在杂波边缘环境下有良好的虚警控制能力,OS-CFAR在多目标环境下具有极好的抗多目标特性。基于以上算法特性,本文提出了一种改进型排序选大（IOSGO-CFAR）恒虚警算法,此方法利用S-CFAR能忍受的干扰目标数量来判断是均匀环境还是非均匀环境。将可忍受的干扰目标数设置为0时,此时为均匀环境,选择CA-CFAR算法,一旦检测到干扰目标则为非均匀环境,选择OSGO-CFAR算法。在虚警概率为10-4的条件下,通过对IOSGO-CFAR算法进行仿真。结果表明,基于瑞利杂波和威布尔杂波背境下的均匀环境和非均匀环境中,IOSGO-CFAR较CA、GO、SO、OS以及OSGO有更好的检测性能。随后对算法进行硬件实现,根据设计要求给出了整体实现方案。核心模块包括排序模块、求和模块、阈值产生模块、算法控制模块、待测单元模块以及结果检测模块,并验证了各个模块功能的正确性。本文对原先的排序电路进行改进,该方法能够在一个时钟周期内删除最旧的数据并插入最新的值,符合恒虚警检测实时性的要求。在功能验证阶段,本文搭建了基于MATLAB和Questasim的联合仿真验证平台,将MATLAB产生的叠加了噪声、杂波的目标回波信号作为测试激励输入到待测设计中,然后将Questasim产生的输出结果与MATLAB的理论结果进行对比。仿真结果相同,证明了硬件设计的正确性。为了防止单次仿真存在的偶然性,随机产生1000组符合测试要求的测试向量,仿真结果表明每一组测试向量中设置的目标均被检测到。最后进行了基于FPGA的原型验证,布局布线后时钟频率可达到154.967MHz,通过Chipscope捕获要观察的具体信号,结果正确,进一步验证了板级功能的正确性。通过算法仿真和设计实现,证明了IOSGO-CFAR算法在瑞利杂波和威布尔杂波环境中具有恒虚警特性,同时表现出了良好的自适应性。