基于OS-CFAR与RD谱图的HFSWR海面目标检测算法优化

本文主要探讨了高频地波雷达（High Frequency Surface Wave Radar, HFSWR）在海面目标检测中的应用挑战与改进策略。HFSWR凭借其远程探测和全天候工作优势在海事监控中占据重要地位，但其工作在高频电磁环境中，易受到海洋表面回波、电离层回波等复杂干扰的影响，这对目标检测的准确性构成严峻考验。 经典算法如Conte等提出的恒虚警率（Constant False Alarm Rate, CFAR）算法是早期的主流解决方案。它假设背景杂波服从均匀的瑞利分布，通过计算参考单元的估计值来评估检测单元的背景模型。然而，该算法在杂波模型未知或背景复杂的条件下表现不佳，特别是当遇到杂波边缘的复杂性时，虚警率较高。 为了克服这一问题，Rohling等人提出了OS-CFAR算法，通过排序参考单元内的参考值，排除“野值”干扰，显著提升了算法的抗干扰能力和在杂波边缘对点目标的识别能力。随后，桂仁舟和梁建分别在二维恒虚警算法以及结合分段曲线拟合的方式上进行了优化，增强了算法对HFSWR信号处理的能力，尤其是在处理距离-多普勒（Range-Doppler, RD）谱图中动态变化的噪声和杂波时，提高了目标识别的性能。 尽管基于CFAR的方法广泛应用，但在强杂波和复杂背景噪声下，海面目标的信噪比急剧下降，导致CFAR方法的性能大幅下滑。因此，本文的核心内容聚焦于研究如何基于最优误差自校正极限学习机（Optimal Error Correcting Learning Machine, OEC-LM）技术来改进现有的海面目标检测算法，以提高在复杂电磁环境下的检测精度和鲁棒性。OEC-LM可能是一种新型的数据驱动方法，它通过学习和自适应调整来更好地滤除干扰信号，减少虚警，从而在高信噪比条件下实现更精确的目标检测。 未来的研究可能包括开发针对HFSWR特性的专用算法，如深度学习模型，集成物理模型和机器学习的优势，以及优化的信号处理技术，以解决海面目标检测中的复杂问题。这种综合方法有望显著提升高频地波雷达在海事监控领域的实际应用效能。