劉 明水鵬朗

（西安電子科技大學(xué)雷達(dá)信號處理國家重點實驗室 西安 710071）

海雜波背景下的組合自適應(yīng)GLRT-LTD

劉 明*水鵬朗

（西安電子科技大學(xué)雷達(dá)信號處理國家重點實驗室 西安 710071）

為了檢測海雜波背景下的微弱運動目標(biāo)，相干檢測器通常需要作長時間的累積。然而，長時累積條件下的目標(biāo)多普勒頻率的擴(kuò)散和幅度的起伏以及海雜波空間非均勻性對參考單元數(shù)目的限制導(dǎo)致傳統(tǒng)的自適應(yīng)檢測器沒法工作。注意到逆伽馬（IG）紋理的復(fù)合高斯分布（CGD）可以很好地描述海雜波和目標(biāo)的瞬時頻率是時間的慢變函數(shù)，該文提出一種組合自適應(yīng)檢測器，即組合自適應(yīng)廣義似然比線性門限檢測器（CA-GLRT-LTD），它由自適應(yīng)GLRT-LTD在幾個連續(xù)的短的累積間隔上的最大響應(yīng)的乘積的構(gòu)成。由于GLRT-LTD對IG紋理的復(fù)合高斯雜波的最優(yōu)性，該檢測器相比組合自適應(yīng)歸一化匹配濾波（CANMF）檢測器具有更好的檢測性能。

目標(biāo)檢測；長時累積；逆伽馬紋理；海雜波；組合自適應(yīng)廣義似然比線性門限檢測器。

1 引言

海雜波背景下的微弱運動目標(biāo)檢測問題一直以來都是一個熱點問題［1-4］，這與它的應(yīng)用前景是分不開。由于高分辨率海雜波序列中出現(xiàn)了一定數(shù)目的海尖峰分量（幅度巨大的異常樣本），它的統(tǒng)計特性明顯偏離高斯假設(shè)或者幅度分布出現(xiàn)顯著的重拖尾現(xiàn)象，從而造成傳統(tǒng)檢測器（高斯背景下）對微弱目標(biāo)的漏檢現(xiàn)象，嚴(yán)重影響了檢測器的性能［5］。為了改善這種情形，不僅需要確定海雜波的可靠的統(tǒng)計模型，而且需要根據(jù)海雜波的統(tǒng)計模型和目標(biāo)信號的特性設(shè)計合適的檢測器［6］。

對于雷達(dá)高分辨率或低擦地角條件下的海雜波的統(tǒng)計特性，文獻(xiàn)［7］分析了不同條件下 IPIX（Ice multi-Parameter Imaging X）雷達(dá)獲得的海雜波數(shù)據(jù)，并指出雷達(dá)距離分辨率或極化方式會影響海雜波的統(tǒng)計特性；文獻(xiàn)［8］分析了不同波高和風(fēng)向條件下幾種常見的經(jīng)典統(tǒng)計分布模型以及典型參數(shù)的Pareto分布對L波段小擦地角海雜波數(shù)據(jù)的擬合效果，為實際雷達(dá)目標(biāo)檢測中的海雜波建模提供參考依據(jù)。雖然不同條件下的海雜波數(shù)據(jù)的雜波幅度分布的具體形式也可能不同，但它們的幅度分布幾乎都可以看作是來自復(fù)合高斯雜波模型。根據(jù)復(fù)合高斯雜波模型，雜波向量可以被建模為非負(fù)的紋理分量與復(fù)高斯分布的散斑分量的乘積。通常來講，紋理分量在幾個相干處理時間間隔內(nèi)是可以被看作是一個常數(shù)［9］。因此，在這種紋理假設(shè)下，復(fù)合高斯雜波模型退化為球不變隨機(jī)向量（Spherical Invariant Random Vector ， SIRV）模型?？梢宰C明，現(xiàn)有的雜波幅度分布模型幾乎都是 SIRV模型下的特例，文獻(xiàn)［10］給出了幾種常見雜波幅度分布與SIRV模型之間的對應(yīng)關(guān)系以及基于 SIRV模型的不同分布的雜波的仿真方法。

當(dāng)紋理服從Gamma分布時，雜波即為K分布雜波。在K雜波背景下，最優(yōu)的檢測器稱為OKD（Optimum K-distributed Detector）［11］。雖然巨大的計算量代價限制了 OKD的廣泛應(yīng)用，但這不并影響對OKD的特性的研究，文獻(xiàn)［12］指出：當(dāng)海尖峰與正常雜波的相關(guān)特性相同時，海尖峰分量并不會引起OKD更多的虛警。當(dāng)紋理服從逆伽馬（Inverse Gamma， IG）分布時（紋理的倒數(shù)服從Gamma分布），對應(yīng)的雜波強(qiáng)度的分布是廣義的Pareto分布，而該雜波背景下最優(yōu)的檢測器稱為 GLRT-LTD（Generalized Likely Ratio Test-Linear Threshold Detector）［13］。與OKD相比，GLRT-LTD的檢測統(tǒng)計量具有簡潔的表示式，這為它能夠在實際檢測問題中的應(yīng)用創(chuàng)造條件。該文就以IG紋理的復(fù)合高斯分布（Compound Gaussian Distribution， CGD）對海雜波進(jìn)行建模，提出一種適用于長時累積條件下的海雜波背景下的微弱運動目標(biāo)的自適應(yīng)檢測方法。

關(guān)于 IG紋理的復(fù)合高斯雜波的研究工作如今已經(jīng)有很多，如文獻(xiàn)［13，14］驗證了IG紋理的復(fù)合高斯模型對實測數(shù)據(jù)的有效性，同時分別給出了模型的形狀參數(shù)和尺度參數(shù)的矩估計方法和最大似然估計方法；文獻(xiàn)［15］給出了雜波的散斑協(xié)方差矩陣的最大似然估計方法；文獻(xiàn)［16］推導(dǎo)了基于IG紋理的知識輔助檢測器在先驗?zāi)Ｐ蛥?shù)失配條件下的虛警概率，Swerling-I型目標(biāo)的檢測概率的計算公式；文獻(xiàn)［17］分析了基于歸一化樣本協(xié)方差矩陣的自適應(yīng)GLRT-LTD的恒虛警特性。然而，在這些與目標(biāo)檢測有關(guān)問題中，更多考慮的是雜波的統(tǒng)計特性，而目標(biāo)信號只是簡單地被建模為導(dǎo)向矢量和未知復(fù)數(shù)的乘積模型。

實際上，目標(biāo)信號也只有在數(shù)十個毫秒的時間內(nèi)才可以被建模為乘積模型。然而，對于海面上的微弱動目標(biāo)的檢測問題，檢測器通常需要累積足夠多的脈沖以便抑制雜波，再加上目標(biāo)的機(jī)動性以及受海浪和風(fēng)速等因素的影響，長時累積時的目標(biāo)信號的幅度調(diào)制和多普勒頻率擴(kuò)散不可避免，目標(biāo)信號的能量會集中在某幾個連續(xù)的多普勒通道中。此外，受海雜波空間非均勻性的影響，長時累積時所需要的參考單元數(shù)目往往小于脈沖累積數(shù)目。因此，在這種情形下是沒有辦法直接使用任何的傳統(tǒng)自適應(yīng)檢測方法。為了可以利用長時累積帶來的信號增益，同時很好地匹配雜波和目標(biāo)的特性，該文提出組合自適應(yīng) GLRT-LTD的檢測方法 CA-GLRTLTD。與文獻(xiàn)［18］的方法類似，CA-GLRT-LTD的檢測統(tǒng)計量由幾個連續(xù)的短的時間間隔上的自適應(yīng)GLRT-LTD的檢測統(tǒng)計量的最大值的乘積構(gòu)成。當(dāng)目標(biāo)信號的多普勒頻率在這幾個短的時間間隔上變化時，使用CA-GLRT-LTD可以判斷待測單元中是否含有目標(biāo)信號。

本文其余章節(jié)安排如下，第2節(jié)簡要介紹IG紋理的復(fù)合高斯模型；在IG紋理的復(fù)合高斯雜波假設(shè)下，第3節(jié)提出一種適用于長時累積條件下的海雜波背景下的微弱動目標(biāo)的CA-GLRLT-LTD的檢測方法；第4節(jié)采用實測數(shù)據(jù)，通過與組合自適應(yīng)歸一化匹配濾波（ANMF）檢測器作對比，驗證所提出方法的有效性并在仿真數(shù)據(jù)條件下研究了所提檢測器在K雜波背景下的性能損失；第5節(jié)總結(jié)全文。

2 雜波模型

實驗表明，海雜波可以采用復(fù)合高斯模型進(jìn)行很好的描述［7-9］。復(fù)合高斯雜波模型將海雜波看作兩個獨立分量（散斑分量和紋理分量）的乘積模型：

其中，τ稱為紋理分量，它的取值與雷達(dá)入射角、場景大尺度變化有關(guān)，代表了雷達(dá)后向散射局部功率的大?。粁稱為散斑分量，它是N維零均值、協(xié)方差矩陣為R的復(fù)的圓高斯隨機(jī)向量，它與雷達(dá)和場景間相對位置和相對運動有關(guān)，反映的是雷達(dá)接收機(jī)的相關(guān)特性。對于式（1）的CGD雜波，其概率密度函數(shù)為

其中，λ，η分別表示紋理分布的形狀參數(shù)和尺度參數(shù)。將式（3）代入式（2）得到雜波向量的概率密度函數(shù)為

式（4）表示自由度為λ復(fù)的N元t分布，關(guān)于它的有效性，文獻(xiàn)［12，13］均采用實測海雜波數(shù)據(jù)對此做過驗證。由式（4）易知，IG紋理的CGD背景下的最優(yōu)GLRT-LTD的匹配濾波形式為

其中， p0（fd）是多普勒導(dǎo)向矢量，z是接收到觀測向量， fd表示目標(biāo)的多普勒頻率， Tr是雷達(dá)脈沖重復(fù)周期， T0是判決門限。

3 組合自適應(yīng)GLRT-LTD（CA-GLRT-LTD）

在介紹組合自適應(yīng)GLRT-LTD之前，首先對長時累積條件下的檢測問題進(jìn)行描述，與短時累積條件下的目標(biāo)檢測問題稍有不同，目標(biāo)信號不再是簡單的乘積模型。

3.1檢測問題概述

設(shè) z（ 1），z（ 2），…， z（N）是某一時間內(nèi)接收到的時間序列，記 z?［z（1），z（ 2），…，z（N ）］T=zI+j zQ，其中， zI和 zQ分別表示向量z的同相分量和正交分量。對于目標(biāo)檢測問題，向量z對應(yīng)兩種可能情形：（1）它僅由雜波組成；（2）它由雜波和信號的加和組成，即下面的二元假設(shè)檢驗問題：

其中，z，s和c分別代表待測單元中的接收向量、感興趣的目標(biāo)信號和服從式（4）概率分布的雜波向量；zk或 ck是待測單元周圍的K個參考單元中的雜波向量。對于海面上的微弱動目標(biāo)檢測問題，為了更好地抑制雜波對目標(biāo)的影響，檢測器需要累積足夠多的脈沖數(shù)目 N。然而，受限于海雜波空間非均勻性，長時累積條件下自適應(yīng)檢測器可用的參考單元數(shù)目K往往是小于N。除此以外，相干處理中的目標(biāo)信號的點目標(biāo)模型僅限于脈沖累積數(shù)目不太多的情形。當(dāng)脈沖累積數(shù)目較多時，目標(biāo)信號是不可以簡單地表示為導(dǎo)向矢量和未知復(fù)數(shù)的乘積模型，但它的每個分量仍然可以表示為

其中， a（n）和 fd（n）分別稱為信號 s（ n）的幅度調(diào)制和瞬時多普勒頻率； Tr是雷達(dá)脈沖重復(fù)周期，φ是信號 s（ n）的初始相位。當(dāng)檢測器作長時累積時，信號的幅度調(diào)制 a（n）和瞬時多普勒頻率 fd（n）都將是時間n的慢變函數(shù)。因此，由于長時累積條件下目標(biāo)信號的幅度和瞬時多普勒頻率的變化以及海雜波的空間非均勻性對參考單元數(shù)目的限制，傳統(tǒng)的自適應(yīng)檢測器是不能直接解決式（6）中的檢測問題。然而，由幅度和瞬時多普勒頻率的慢變特性可知，長時累積條件下目標(biāo)信號的幅度和瞬時多普勒頻率都可以采用分段的常函數(shù)進(jìn)行逼近?；谶@一思想，并結(jié)合雜波的統(tǒng)計特性，該文提出一種稱為組合自適應(yīng)GLRT-LTD的檢測方法。

3.2 組合自適應(yīng)GLRT-LTD

與文獻(xiàn)［18］作法相似，組合自適應(yīng) GLRT-LTD將式（6）中的向量分割為一系列長度為M的短向量。不失一般性，假定M滿足關(guān)系式N=QM，其中，Q是某一正整數(shù)。那么式（6）中的向量可以表示為

經(jīng)均勻分割后，原本長度為NTr的累積時間被等分Q個長度為MTr的子時間間隔。在每個子時間間隔中，短的雜波向量可以采用 SIRV進(jìn)行建模，而目標(biāo)信號可以采用導(dǎo)向矢量和未知復(fù)數(shù)的乘積模型進(jìn)行近似。因此，在每個子時間間隔中，可以計算GLRT-LTD的檢測統(tǒng)計量在每個多普勒頻率 fd上的取值為

其中， p（ fd）是長度為M的多普勒導(dǎo)向矢量，λ和η是紋理分布的形狀參數(shù)和尺度參數(shù)，Rq是第q個子時間間隔上雜波的散斑協(xié)方差矩陣，這里假定λ，η和 Rq是已知量。應(yīng)用中，可以使用參考單元中雜波數(shù)據(jù)對它們進(jìn)行估計，從而得到自適應(yīng) GLRTLTD。對于參數(shù)λ和η，可以采用矩估計方法［13］或最大似然估計方法［14］。散斑協(xié)方差矩陣 Rq采用文獻(xiàn)［15］中的最大似然（Maximum Likelihood， ML）估計方法，其估計值由參考單元中的雜波向量采用迭代的方法得到。

其中，符號Tr（*）表示的矩陣*的跡，參數(shù)I代表迭代次數(shù)，這里取 I= 5，因為更多次數(shù)的迭代所能帶來的檢測器的性能改善是不明顯的。由于向量經(jīng)過均勻分割處理后得到短的子向量的長度M=N/Q小于參考單元數(shù)目 K，因此，各個子時間間隔上的參考單元可以很好地估計所在時間間隔上的散斑協(xié)方差矩陣。將散斑協(xié)方差矩陣的估計值R︿ML，q代入式（9），得到自適應(yīng)的GLRT-LTD（式（11）中參數(shù)λ和η表示它們的估計值）：

在長的累積時間前提下，每個子時間間隔中的信號能量集中在某一多普勒通道，而且各個時間間隔中的信號能量所處的多普勒通道是不同的。鑒于此，定義一個新的檢測統(tǒng)計量，它是自適應(yīng)GLRTLTD在所有時間間隔上響應(yīng)的最大值的乘積，即組合自適應(yīng)GLRT-LTD，以此實現(xiàn)對信號能量的進(jìn)一步累積。

由式（12）可知，計算檢測統(tǒng)計量的運算量是非常大的，因為 fd的取值選自閉區(qū)間 ［-0.5/ Tr， 0.5/ Tr］。為了降低運算量同時減少因多普勒頻率失配引起的檢測器的性能損失，在頻率域采用過4采樣處理，即多普勒頻率的取值依次為 fd=0，±1 /（4 MTr），±2/（4 MTr），…，±2M/（4M Tr）。當(dāng)參數(shù)N和M給定時，使用Monte-Carlo實驗方法便可以計算給定虛警概率條件下的判決門限。

理論上，當(dāng)短向量長度M滿足信號真實模型與假定模型之間的誤差最小時，最小的累積長度N應(yīng)該滿足使得信號累積增益足夠大于雜波的增益。由于雜波的統(tǒng)計特性受海態(tài)，雷達(dá)分辨率、工作頻率、極化方式等方面因素的影響［5，7］，最小的累積長度N的選擇是依賴于數(shù)據(jù)。然而，在數(shù)據(jù)量充足條件下，當(dāng)短向量長度M選擇合適時，向量長度N越大，組合檢測器對應(yīng)的檢測性能越好。

4 實驗部分

圖1 實驗數(shù)據(jù)的經(jīng)驗概率密度函數(shù)和理論概率密度函數(shù)

本節(jié)采用兩種實測海雜波數(shù)據(jù)進(jìn)行實驗，其中數(shù)據(jù)1（TFA10_006.mat）由X波段的Fynmeet雷達(dá)［19］采用VV極化采集得到，數(shù)據(jù)由64個距離單元，164919個相干脈沖序列組成，距離分辨率為15 m，雷達(dá)脈沖重復(fù)頻率fr=2.5 kHz；數(shù)據(jù)2（19980212_ 195704_ANTSTEP.mat）由IPIX雷達(dá)［20］采集得到，數(shù)據(jù)由28個距離單元，60000個相干脈沖序列組成，距離分辨率為30 m，脈沖重復(fù)頻率fr=1.0 kHz，為保持一致性，這里使用VV極化方式獲得數(shù)據(jù)進(jìn)行實驗。數(shù)據(jù)1中的測試目標(biāo)為一艘小船，在整個觀測時間內(nèi)，雷達(dá)采用跟蹤模式對小船進(jìn)行監(jiān)測，并將帶有小船的反射信息的數(shù)據(jù)始終存儲在第 16個距離單元；數(shù)據(jù)2中的測試目標(biāo)為一被固定在海面上的直徑為1 m的漂浮的金屬球，雷達(dá)采用駐留模式對小球進(jìn)行監(jiān)測，有關(guān)小球的反射信息的數(shù)據(jù)存儲在第7個距離單元。為了降低數(shù)據(jù)的脈沖重復(fù)頻率，同時在譜不出現(xiàn)混疊的前提下，分別對數(shù)據(jù) 1和數(shù)據(jù) 2進(jìn)行下 4和下 2采樣處理，然后采用逆Gamma紋理的CGD對處理后的海雜波數(shù)據(jù)進(jìn)行建模。圖1分別畫出了數(shù)據(jù)1刪除第14～18個距離單元后和數(shù)據(jù)2刪除第6～8個距離單元后的海雜波數(shù)據(jù)的經(jīng)驗幅度概率密度函數(shù)曲線和采用式（3）的紋理分布的理論概率密度函數(shù)曲線，其中，雜波幅度分布的形狀參數(shù)λ和尺度參數(shù)η采用經(jīng)典的矩估計方法得到（（a）λ=5.2158，η=62.9767；（b）λ=1.4336，η=0.0024）。由圖1可知，逆Gamma紋理的CGD能夠很好地表征實驗數(shù)據(jù)的幅度分布，這為能夠使用自適應(yīng)GLRT-LTD提供依據(jù)。圖2畫出了目標(biāo)所在距離單元數(shù)據(jù)對應(yīng)的譜圖，圖中的蛇形曲線代表了目標(biāo)信號的瞬時頻率曲線。由圖2可知，目標(biāo)信號的多普勒頻率具有明顯的擴(kuò)散現(xiàn)象，這與前面對目標(biāo)信號的瞬時頻率特性的假設(shè)是一致的，此外，圖2（b）的瞬時頻率的變化速率要明顯高于圖2（a）的瞬時頻率，這意味著在實驗中數(shù)據(jù)2所選的子時間間隔要短于數(shù)據(jù)1的子時間間隔。

圖2 實驗所用數(shù)據(jù)的目標(biāo)距離單元數(shù)據(jù)對應(yīng)的譜圖

實驗中，虛警概率PFA設(shè)為 1 × 10-3，考慮到數(shù)據(jù)1和數(shù)據(jù)2所能使用的純雜波數(shù)據(jù)量的大小的不同以及瞬時頻率的變化速率不同，對于數(shù)據(jù) 1，累積的脈沖數(shù)目 N= 512，每個子時間間隔中的累積脈沖數(shù)目 M= 16，相應(yīng)的子時間間隔的數(shù)目Q= N/M=32；對于數(shù)據(jù)2，對應(yīng)的參數(shù)依次為N=256，M=8， Q=N/M=32。由于海雜波空間的非均勻性，數(shù)據(jù)1中的參考單元只取待測單元周圍鄰近的32個距離單元，而數(shù)據(jù)2中的參考單元由除了目標(biāo)單元和兩個影響單元之外的其余單元組成。當(dāng) N=512，M=16時，數(shù)據(jù)1的每個距離單元的時間序列被均勻地分割為80個不相交的長度為512的待測向量，并將每一個待測向量記為一個時間距離單元。因此，數(shù)據(jù)1中所有時間距離單元的個數(shù)為80×64=5120。同理可知，數(shù)據(jù) 2中所有時間距離單元的個數(shù)為117×25=2925。按照式（12）計算每個時間距離單元對應(yīng)的組合自適應(yīng)GLRT-LTD檢測統(tǒng)計量的取值，并由此確定組合自適應(yīng) GLRT-LTD的檢測門限和檢測概率。為了說明組合自適應(yīng)GLRT-LTD的檢測結(jié)果的優(yōu)勢，圖3和圖4同時也畫出了組合自適應(yīng)歸一化匹配濾波（ANMF）檢測器對實驗數(shù)據(jù)的檢測結(jié)果。圖3中的第16距離單元以外的5個時間距離單元和圖4中的第7距離單元以外的3個時間距離單元表示兩種組合自適應(yīng)檢測器的虛警點。其中，圖3中的組合自適應(yīng)GLRT-LTD相比組合ANMF檢測器在性能改善了7.5%，檢測概率分別為83.75%和76.25%，圖4中的組合自適應(yīng)GLRT-LTD相比組合ANMF檢測器在性能改善了5.13%，檢測概率分別為82.91%和77.78%。對于其他數(shù)據(jù)，只要IG紋理的 CGD能夠很好地表征雜波的統(tǒng)計特性，組合自適應(yīng)GLRT-LTD相比組合ANMF檢測器都有不同程度的改善。限于篇幅，這里沒有給出其他數(shù)據(jù)的檢測結(jié)果。然而，組合自適應(yīng)GLRT-LTD相比組合ANMF檢測器的性能改善程度是不可能很多，這是因為在雜波重拖尾或者脈沖累積數(shù)目比較多時，ANMF檢測器具有漸近最優(yōu)檢測性能的特性。

實際應(yīng)用中，雜波服從哪種分布是事先不清楚的，因此，組合自適應(yīng)GLRT-LTD可能面臨雜波模型失配的情形?？紤]到K雜波對實測數(shù)據(jù)的良好擬合效果，下面以仿真K雜波為例，分析了組合檢測器在K雜波中的檢測性能。其中，K分布的表示式為

仿真的目標(biāo)信號根據(jù)數(shù)據(jù)2中的真實目標(biāo)信號的特性產(chǎn)生。

圖3 當(dāng)N=512， M=16， K=32和 PFA=1.0 × 10-3時，兩種組合自適應(yīng)檢測器分別對數(shù)據(jù)1的檢測結(jié)果（（a）76.25%； （b）83.75%）

圖4 當(dāng)N=256， M=8， K=25和 PFA=1.0 × 10-3時，兩種組合檢測器對數(shù)據(jù)2的檢測結(jié)果（（a）77.78%； （b）82.91%）

其中，隨機(jī)常數(shù)a用來調(diào)節(jié)信號的信雜比，起伏項用來描述目標(biāo)橫截面積隨機(jī)時間的變化，指數(shù)項用來描述目標(biāo)的多普勒頻率隨時間的變化，參數(shù) θ1和 θ2是服從均勻分布。當(dāng)采用矩匹配方法（一階矩的平方與二階矩的比值相等）時，可以得到IG分布的形狀參數(shù)λ與K分布的形狀參數(shù)v的關(guān)系式為λ = v+1，而尺度參數(shù)（η， μ）選擇使得雜波滿足單位功率。對于滿足式（14）形式的目標(biāo)和雜波為K雜波的目標(biāo)檢測問題，可以設(shè)計組合的自適應(yīng) OKD檢測器。

從圖5可知：當(dāng) v =0.5，組合自適應(yīng)GLRT-LTD相比組合自適應(yīng)OKD具有1 dB的性能損失，當(dāng)v大于1時，組合自適應(yīng)GLRT-LTD具有與組合自適應(yīng) OKD相當(dāng)?shù)臋z測性能。這是因為小形狀參數(shù)條件下K雜波與IG雜波的模型失配程度更高，這一點可以使用兩種分布的形狀參數(shù)的相對誤差（（λ - v ）/v）給予說明。

5 結(jié)束語

圖5 當(dāng)N=256， M=8， K=25和 PFA=1.0 × 10-3時，組合自適應(yīng)檢測器在仿真K雜波中的檢測性能

通過分析海雜波的統(tǒng)計特性和目標(biāo)信號的瞬時頻率曲線，本文提出了組合自適應(yīng)GLLRT-LTD的檢測方法。該方法利用長時累積條件下目標(biāo)信號的幅度和瞬時頻率的慢變特性，成功地克服了海雜波背景下的傳統(tǒng)自適應(yīng)檢測器的長的累積時間與短的均勻距離間隔之間的矛盾。由于自適應(yīng) GLLRTLTD對于各個子時間間隔上的逆Gamma紋理復(fù)合高斯雜波的最優(yōu)特性，使得它的檢測性能優(yōu)于組合ANMF檢測器。此外，在形狀參數(shù)大于1的仿真K雜波背景下，組合自適應(yīng)GLLRT-LTD具有十分穩(wěn)健的檢測性能。

［1］ Moya J C， Menoyo J G， Lopez A A， et al.. Small target detection in high-resolution heterogeneous sea-clutter: an empirical analysis［J］. IEEE Transactions on Aerospace and Electronic Systems， 2011， 47（3）: 1880-1898.

［2］ Chen Xiao-long， Cai Yong， and Cai Fu-qing. Application of the sparse decomposition to micro-motion target detection embedded in sea clutter［C］. Proceedings of the 2013 International Conference on Radar， Adelaide， Canada， 2013: 163-166.

［3］ Chen Si-jia， Kong Ling-jiang， and Yang Jian-yu. Adaptive detection in compound-Gaussian clutter with partially correlated texture［C］. Proceedings of the 2013 IEEE Radar Conference， Ottawa， Canada， 2013: 1-5.

［4］ Chen Xiao-long， Guan Jian， He You， et al.. Detection and extraction of target with micro-motion in spiky sea clutter via short-time fractional Fourier transform［J］. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（2）: 1002-1018.

［5］ Ward K D， Tough R J A， and Watts S. Sea Clutter: Scattering， the K Distribution and Radar Performance［M］. London， United Kingdom: The Institution of Engineering and Technology， 2006: 230-266.

［6］ Sangston K J and Gerlach K R. Coherent detection of radar targets in a non-Gaussian background［J］. IEEE Transactions on Aerospace and Electronic Systems， 1992， 28（1）: 208-216.

［7］ Greco M V， Gini F， and Rangaswamy M. Statistical analysis of measured polarimetric clutter data at different resolutions［J］. IEE Proceedings-Radar， Sonar and Navigation， 2006，153（6）: 473-481.

［8］ 張玉石， 許心瑜， 尹雅磊， 等. L波段小擦地角海雜波幅度統(tǒng)計特性研究［J］. 電子與信息學(xué)報， 2014， 36（5）: 1044-1048. Zhang Yu-shi， Xu Xin-yu， Yin Ya-lei， et al.. Research on amplitude statistics of L-band low grazing angle sea clutter［J］. Journal of Electronics & Information Technology， 2014，36（5）: 1044-1048.

［9］ Moya J C， Menoyo J G， Lopez A A， et al.. Statistical analysis of a high-resolution sea-clutter database［J］. IEEE Transactions on Geoscience and Remote Sensing， 2010， 48（4）: 2024-2037.

［10］ Rangaswamy M， Weiner D， and Ozturk A. Computer generation of correlated non-Gaussian radar clutter［J］. IEEE Transactions on Aerospace and Electronic Systems， 1995，31（1）: 106-116.

［11］ Gini F， Greco M V， Farina A， et al.. Optimum and mismatched detection against K-distributed plus Gaussian clutter［J］. IEEE Transactions on Aerospace and Electronic Systems， 1998， 34（3）: 860-876.

［12］ Yang D. Optimal coherent radar detection in a K-distributed clutter environment［J］. IEE Proceedings-Radar， Sonar and Navigation， 2012， 6（5）: 283-292.

［13］ Sangston K J， Gini F， and Greco M V. Coherent radar target detection in heavy-tailed compound-Gaussian clutter［J］. IEEE Transactions on Aerospace and Electronic Systems，2012， 48（1）: 64-77.

［14］ Balleri A， Nehorai A， and Wang J. Maximum likelihood estimation for compound-Gaussian clutter with inverse gamma texture［J］. IEEE Transactions on Aerospace and Electronic Systems， 2007， 43（2）: 775-780.

［15］ Greco M V and Gini F. Cramer-Rao lower bounds for covariance matrix estimation of complex elliptically symmetric distributions［J］. IEEE Transactions on Signal Processing， 2013， 61（24）: 6401-6409.

［16］ 鄒鯤， 廖桂生， 李軍， 等. 非高斯雜波下知識輔助檢測器敏感性分析［J］. 電子與信息學(xué)報， 2014， 36（1）: 181-186. Zou Kun， Liao Gui-sheng， Li Jun， et al.. Sensitivity analysis of knowledge aided detector in non-Gaussian clutter［J］. Journal of Electronics & Information Technology， 2014， 36（1）: 181-186.

［17］ Zhao Yi-nan， Pang Xiao-yu， and Yin Bin. Adaptive radar detection for targets in compound-Gaussian clutter with inverse gamma texture［C］. Proceedings of the IET International Radar Conference， Xi’an， China， 2013: 1-4.

［18］ Shui Peng-lang， Li Dong-chen， and Xu Shu-wen. Tri-featurebased detection of floating targets in sea clutter［J］. IEEE Transactions on Aerospace and Electronic Systems， 2014，50（2）: 1416-1430.

［19］ The Defence， Peace， Safety， and Security Unit of the Council for Scientific and Industrial Research. The Fynmeet radar database［OL］. http://www.csir.co.ca/small_boat_detection，2014.2.10.

［20］ Cognitive System Laboratory， McMaster University， Canada. The IPIX radar database［OL］. http://soma.mcmaster.ca// ipix.php， 2012.10.11.

劉 明： 男，1986年生，博士生，研究方向為海面微弱動目標(biāo)檢測.

水鵬朗： 男，1967年生，博士，教授，研究方向為多速率濾波器理論及應(yīng)用、圖像處理和雷達(dá)目標(biāo)檢測.

Combined Adaptive GLRT-LTD against Sea Clutter

Liu Ming Shui Peng-lang
（National Key Laboratory of Radar Signal Processing， Xidian University， Xi’an 710071， China）

Long integration is often required to detect weak moving target in sea clutter. However， the Doppler frequency spread and amplitude fluctuation in long integration and limited reference cells resulting from spatial non-homogeneity of sea clutter make the traditional adaptive detector work badly. By observing that the Compound Gaussian Distribution （CGD） with Inverse Gamma （IG） texture gives a good fit to sea clutter and the instantaneous frequency is slowly varying， a combined adaptive detector， namely the Combined Adaptive Generalized Likelihood Ratio Test-Linear Threshold Detector （CA-GLRT-LTD）， is proposed in the paper， which consists of the product of the maximal response of the adaptive GLRT-LTD in several continuous short integration intervals. Owing to the optimality of the GLRT-LTD for CG clutter with IG texture， the proposed detector obtains better performance than the Combined Adaptive Normalized Matched Filter （CANMF） detector.

Target detection； Long integration； Inverse Gamma （IG） texture； Sea clutter； Combined Adaptive Generalized Likelihood Ratio Test-Linear Threshold Detector （CA-GLRT-LTD）

The National Natural Science Foundation of China （61271295）

TN959.72

A

1009-5896（2015）12-2984-07

10.11999/JEIT150588

2015-05-18；改回日期：2015-09-02；網(wǎng)絡(luò)出版：2015-11-01

*通信作者：劉明 mingliu1608@163.com

國家自然科學(xué)基金（61271295）