自适应删除ACML-CFAR检测：一种针对排序数据变率的恒虚警方法

"基于排序数据变率的最大似然恒虚警检测方法" 在雷达信号处理领域，恒虚警(CFAR)检测是一种重要的技术，旨在确保雷达系统在各种环境条件下保持恒定的虚警率，从而提高目标检测能力。本文提出的“基于排序数据变率的最大似然恒虚警检测(ACML-CFAR)”方法，专门针对韦布尔杂波背景下的目标检测问题，尤其在存在未知数目干扰目标的情况下。 韦布尔杂波是雷达系统中常见的一种复杂环境，其统计特性具有拖尾效应，即存在较强的杂波尖峰，这给目标检测带来了挑战。传统的最大似然估计(ML)方法在面对这种情况时，可能会因无法准确估计杂波模型参数而导致检测性能下降。 ACML-CFAR方法的核心是结合了排序数据变率(ODV)的自适应删除算法。该算法通过对杂波单元进行排序，根据数据变率来识别并剔除异常强烈的杂波尖峰，这有助于减少干扰对检测的影响。然后，使用剩余的参考单元，通过最大似然法估计更新后的杂波分布参数，从而设定检测门限。 相比于传统的ML-CFAR检测器，ACML-CFAR在均匀杂波环境中表现更优，能有效处理部分较强的杂波尖峰。在存在干扰目标的场景下，ACML-CFAR可以自适应地删除杂波中的干扰，而无需预先知道干扰目标的数量。这克服了ML-CFAR的一个主要缺点，即当删除的干扰点少于实际干扰目标数时，检测性能会显著下降。 通过仿真对比，证明了ACML-CFAR在各种条件下的优越性，特别是在处理拖尾杂波和干扰目标时，提高了雷达系统的检测可靠性。这一方法为雷达系统在复杂环境下的目标检测提供了新的解决方案，对于提升雷达性能和应对未知干扰具有重要意义。 关键词：恒虚警；最大似然估计；排序数据变率；韦布尔杂波；干扰目标 中图分类号：TN957 文献标志码：A 文章编号：1008-1194(2011)01-0070-05 ACML-CFAR方法是雷达检测技术的一个重要进展，它利用排序数据变率的特性，提高了在复杂环境和干扰条件下的检测精度，为现代雷达系统设计提供了新的理论依据和技术手段。