本发明属于雷达目标检测技术领域，涉及K分布杂波加噪声下的近最佳雷达目标检测方法，可用于海杂波背景下的目标检测。
背景技术：
目标检测是海杂波背景下雷达的重要应用领域。
匹配滤波器MF滤波器与自适应相匹配AMF它是高斯杂波背景下的最佳检测器。由于模型失配，高斯模型不再适用于雷达分辨率的提高。
复合高斯模型是目前学者广泛认可的海杂波模型，是复合高斯随机向量散斑分量的慢变正随机变量纹理分量和乘积。当海杂波的纹理分量服从伽马分布时，其范围服从K分布。最佳K分布检测器OKD因表达式中存在贝塞尔函数，目前难以实现。文献P-L.Shui,M.Liu,and S-W.Xu,"Shape-parameter-dependent coherent radar target detection in K-distributed clutter,"IEEE Trans.Aerospace Electron.Systems 52(1):451-465，2016.讨论了K分布杂波背景下近似最依赖形状参数的近似最佳检测器α-MF自适应检测器依赖于形状参数α-AMF。然而，当雷达中存在系统噪声和外部噪声时，由于模型不匹配，这两个探测器不再适用。
研究表明，K杂波加高斯白噪声模型更适合描述雷达接收到的实际回波数据。文献.F.Gini,"Suboptimal coherent radar detection in a mixture of K-distributed and Gaussian clutter,"IEE Proc.-Radar,Sonar,Navig.,144(1):39-47,1997.与文献F.Gini,M.V.Greco,A.Farina,P.Lombardo,"Optimum and mismatched detection against K-distributed clutter plus Gaussian clutter,"IEEE Trans.Aerospace Electron.Systems 34(3):860-876，1998。OKGD，但由于检测器的表达式过于复杂，计算效率极低，无法实际应用。匹配滤波器目前用于K分布杂波加高斯白噪声的背景下MF滤波器与自适应相匹配AMF随着杂噪比的增加，检测性能迅速数的检测性能迅速降低α-MF自适应检测器依赖于形状参数α-AMF当杂噪较低时，检测性能较差。
技术实现要素：
本发明的目的是在K分布杂波加噪声下提出近最佳雷达目标检测方法，以实现检测性能优化与计算效率之间的折衷。
本发明的技术方案包括：
(1)雷达接收机发射连续脉冲信号Q×M维的回波数据矩阵X，其中，Q表示回波数据积累的脉冲数，M表示回波数据的距离单元数；
(2)将回波数据矩阵X沿脉冲维等分为B个回波数据块:X1,X2…,Xb,…,XB，其中，Xb第b回波数据块，每个回波数据块为N×M维的矩阵，N第b回波数据块Xb的脉冲数；
(3)选择第b回波数据块Xb第k距离单元为Xb待检测距离单元zk，待检测距离单元采用样本协方差矩阵估计方法计算zk协方差矩阵估计
(4)使用待检测距离单元zk回波数据数据的杂噪比CNR；
(5)利用回波数据的杂噪比CNR和待检测距离单元zk的协方差矩阵估计计算待检测距离单元zk检验统计量ξk:
其中，p多普勒导向矢量表示目标，上标H表示共轭转移，上标-1表示逆转，|·|表示取模值，ν表示纹理重量的形状参数，上标γ表示指数因γ对于大于0的任何实数，取值为γ＝2；
(6)根据系统给定的虚警概率f，通过蒙特卡罗实验计算测试门限Tξ；
(7)根据检验统计量ξk和检测门限Tξ判断目标是否存在：如果ξk≥Tξ，这表明回波数据块Xb如果待检测距离单元有目标，ξk
与现有技术相比，本发明具有以下优点：
1)由于本发明采用的K分布杂波加高斯白噪声模型更符合实际环境中的雷达回波数据特性，与现有探测器采用的数据模型相比，提高了雷达目标的检测性能。
2)本发明利用杂噪比信息与高斯相匹配MF在K分布杂波的背景下，检测器依赖于形状参数α-MF在K分布加高斯白噪声的背景下，目标的检测性能得到了提高。
3)由于本发明中形式简单的表达式计算待检测单元检验统计量，使计算效率远高于最优K分布加高斯白噪声检测器OKGD，在K分布加高斯白噪声的背景下，实现了最佳检测性能和计算效率的折衷。
附图说明
图1是本发明的实现流程图；
图2显示了在白K分布杂波加高斯白噪声背景下用本发明和现有方法进行目标检测的结果；
图3显示了有色K分布杂波加高斯白噪声背景下的目标检测结果。
具体实施方法
本发明结合附图进一步说明：
本发明的实现步骤如下：
步骤1获取回波数据矩阵X。
雷达发射机发射连续脉冲信号，脉冲信号照射到物体表面产生回波，雷达接收器接收回波数据矩阵X，回波数据矩阵X的大小Q×M维的矩阵，其中，Q表示回波数据积累的脉冲数，M表示回波数据的距离单元数。
步骤2，分块处理回波数据矩阵。
沿脉冲维度将回波数据矩阵X分为BN×M其中，维的回波数据块，N表示每个回波数据块的脉冲数，B个别回波数据块分别表示X1,X2…,Xb,…,XB，Xb表示第b回波数据块，b＝1,2,…,B，B的取值为大于1的自然数且满足B×N≤Q，本发明实例中取B＝104。
步骤3：根据回波数据块选择待检测距离单元，计算待检测距离单元的协方差矩阵
3.1)选择第b回波数据块Xb作为回波数据块的待检测距离单元的第k距离单元zk，k＝1,2,…,M；
3.2)去除待检测距离单元zk两个相邻的距离单元使用回波数据块Xb剩余的共L个距离单元用作待检测距离单元zk参考距离单元，其中L为大于1的自然数；
3.3)计算待检测距离单元zk协方差矩阵估计
计算待检测距离单元zk估计协方差矩阵主要有三种方法：
第一种是样本协方差矩阵估计方法，其计算公式为：
其中，zq表示第q参考距离单元，上标H表示共轭转移，L表示参考距离单元数；
二是归一化样本协方差矩阵估计方法，其计算公式为：
三是功率中值归一化协方差矩阵估计方法，其计算公式为：
其中，meadia{}表示取中值。
本实例使用但不限于用第一种方法计算待检测距离单元zk协方差矩阵估计
步骤4使用待检测距离单元zk回波数据数据的杂噪比CNR。
4.1)根据给定目标的多普勒频率fs,多普勒频率计算归一化fd：
其中，t表示雷达脉冲发射周期；
4.2)使用归一化多普勒频率fd，多普勒导向矢量计算目标p：
其中，上标T表示
4.3)使用目标多普勒导向矢量p和待检测距离单元zk回波数据数据的杂噪比CNR：
其中，μ尺度参数表示纹理分量，ν形状参数表示纹理分量，σ2表示高斯白噪声功率，表示K分布杂波与回波数据中高斯白噪声的功率比。
第五步:利用回波数据的杂噪比CNR和待检测距离单元zk估计待检测距离单元的协方差矩阵zk的检验统计量ξk:
上标-1表示逆转，|·|表示取模值，上标γ表示指数因γ这个大于0的任0的任意实数γ＝2。
步骤6，根据系统给定的虚警概率f，通过蒙特卡罗实验计算测试门限Tξ。
6.1)令C设置大于100/f取值为自然数C=106，模拟不含目标的C距离单元，计算每个距离单元的检验统计：
其中，zw表示第w距离单元，ξw表示第w距离单元的检验统计；
6.2)按降序排列获得的C个检验统计，并在排列后排列第一[Cf]检验统计作为检测门的限制Tξ，其中[Cf]表示不超过实数Cf最大整数。
步骤7，根据待检测距离单元zk检验统计量ξk和检测门限Tξ判断目标是否存在。
将待检测距离单元zk检验统计量ξk与检测门限Tξ比较:如果ξk≥Tξ，如果待检测距离单元有目标，则表示待检测距离单元有目标ξk
结合模拟实验，进一步说明本发明的效果。
1.仿真参数
模拟实验中使用的回波数据是由MatlabK分布杂波加高斯白噪声数据由软件生成。
参数1，利用Matlab软件模拟产生白K分布杂波加高斯白噪声数据，模拟数据的参数设置为：脉冲数N=16，纹理重量的形状参数ν＝0.5.高斯白噪声功率σ2=1，归一化多普勒频率fd是一个0到0.随机数5间，虚警概率f=10-4，尺度参数改变纹理重量μ，使信杂噪比SCNR＝9dB，杂噪比CNR从-20dB至20dB。
参数2，利用Matlab软件模拟产生有色K分布杂波加高斯白噪声数据，模拟数据的参数设置为：脉冲数N=8，纹理重量的形状参数ν=1.纹理重量的尺度参数μ=2，高斯白噪声功率σ2=1，散斑协方差矩阵R＝[mij]1≤i,j≤N,mij＝ρ|i-j|,0
2.模拟实验内容
通过比较同一背景下不同方法的检测概率，对检测性能进行分析，检测概率越大，检测性能越好。
仿真实验1
给定一化多普勒频率，散斑协方差矩阵R＝I，当杂噪比CNR从-20dB至20dB变化时，使用匹配滤波器MF，依赖于形状参数检测器α-MF,最优K分布加高斯白噪声检测器OKGD本发明在参数1下进行目标检测，如图2所示，图2中的横轴表示杂噪比CNR化，纵轴表示检测概率，图2中的实线表示依赖于形状参数的检测器α-MF的检测概率曲线，虚线表示匹配滤波器MF的检测概率曲线，框画线表示本发明的检测概率曲线，点画线表示最优K分布加高斯白噪声检测器OKGD的检测概率曲线。
由图2可见，在K分布杂波加噪声背景下，本发明提出的方法性能接近最优K分布加高斯白噪声检测器OKGD，其优于匹配滤波器MF和依赖于形状参数的检测器α-MF，即本发明能将性能损失减小到一个很低的水平。
仿真实验2
当归一化多普勒频率值从0至0.5变化时，依赖于多普勒频率的杂噪比随着归一化多普勒频率值发生变化，利用自适应匹配滤波器AMF，依赖于形状参数的自适应检测器α-AMF与本发明，在参数2下进行目标检测，检测结果如图3所示，图3中的横轴表示归一化多普勒频率变化，纵轴表示检测概率，图3中的实线表示依赖于形状参数的检测器α-AMF的检测概率曲线，虚线表示自适应匹配滤波器AMF的检测概率曲线，框画线表示本发明的检测概率曲线。
图3表明，当归一化多普勒频率值较小即目标在杂波占优区时，本发明与近似最优的依赖于形状参数的自适应检测器α-AMF性能相同，且性能优于自适应匹配滤波器AMF。当归一化多普勒频率值较大即目标在杂波占优区外时，本发明性能接近甚至略好于近似最优的自适应匹配滤波器AMF，且性能比依赖于形状参数的自适应检测器α-AMF好得多。总的来看，本发明的检测性能优于已有方法。