鄒成曉，張海霞，程玉堃

（1.中國(guó)船舶集團(tuán)有限公司第八研究院，南京211153；2.91033部隊(duì)，山東 青島266001）

0 引 言

雷達(dá)探測(cè)由于受到噪聲、雜波和干擾的影響，在采用固定門限進(jìn)行目標(biāo)檢測(cè)時(shí)會(huì)產(chǎn)生一定的虛警，特別是當(dāng)雜波背景起伏變化時(shí)虛警率會(huì)急劇上升，影響雷達(dá)的檢測(cè)性能。恒虛警（Constant False Alarm Rate，CFAR）處理技術(shù)是雷達(dá)自動(dòng)檢測(cè)系統(tǒng)中最重要的一種目標(biāo)檢測(cè)方法，能夠根據(jù)雷達(dá)雜波數(shù)據(jù)動(dòng)態(tài)調(diào)整檢測(cè)門限，在虛警概率保持不變的情況下使目標(biāo)檢測(cè)概率最大化。［1?2］

CFAR檢測(cè)技術(shù)自提出以來(lái)，在雷達(dá)目標(biāo)檢測(cè)領(lǐng)域得到了廣泛而深入的研究與應(yīng)用。本文針對(duì)海雜波背景下不同CFAR檢測(cè)算法進(jìn)行綜述，并結(jié)合近年來(lái)公開的相關(guān)研究成果，對(duì)CFAR檢測(cè)算法發(fā)展趨勢(shì)進(jìn)行分析和展望。

1 研究現(xiàn)狀

早期雷達(dá)分辨率較低，將海雜波回波的幅度分布假定為Rayleigh分布，針對(duì)均勻平穩(wěn)的海雜波，文獻(xiàn)［3］首次提出單元平均恒虛警（Cell Averaging，CA?CFAR）檢測(cè)算法。該算法利用待檢單元周圍的臨近單元數(shù)據(jù)獲得背景雜波功率估計(jì)值及檢測(cè)門限，在均勻環(huán)境下具有最優(yōu)檢測(cè)性能。當(dāng)同一方位上的多個(gè)目標(biāo)距離較近、一個(gè)目標(biāo)處于檢測(cè)單元且其他一個(gè)或多個(gè)目標(biāo)位于其參考單元內(nèi)時(shí)，會(huì)出現(xiàn)目標(biāo)遮蔽效應(yīng)。為防止目標(biāo)漏檢，對(duì)于目標(biāo)遮蔽效應(yīng)，一般采用單元平均選小SO（Smallest Of）?CFAR；當(dāng)從雜波區(qū)到非雜波區(qū)過(guò)渡時(shí)，前后參考單元內(nèi)的雜波功率差異較大，此時(shí)會(huì)出現(xiàn)雜波邊緣效應(yīng)，導(dǎo)致虛警急劇增加。為控制雜波邊緣處的虛警，采用單元平均選大GO（Greatest Of）?CFAR。文獻(xiàn)［4］對(duì)CA?CFAR、SO?CFAR和GO?CFAR三類基于單元平均處理的CFAR算法性能進(jìn)行了對(duì)比分析，為實(shí)際應(yīng)用中CFAR檢測(cè)器的選取提供了指導(dǎo)。

在多目標(biāo)檢測(cè)情況下，為改善均值類CFAR檢測(cè)算法的性能，可采用有序統(tǒng)計(jì)（Ordered Statistics，OS）OS?CFAR算法。該類算法不將參考單元內(nèi)數(shù)據(jù)進(jìn)行平均以估計(jì)雜波功率，而是將參考單元內(nèi)的數(shù)據(jù)從小到大排序，然后將排序后的第k個(gè)值作為雜波功率的估計(jì)，再乘以門限系數(shù)作為檢測(cè)門限。雖然OS?CFAR算法處理時(shí)只保留了一個(gè)參考數(shù)據(jù)值，但本質(zhì)上依賴于參考窗內(nèi)的所有樣本數(shù)據(jù)，且k的取值直接決定了檢測(cè)結(jié)果的優(yōu)劣。關(guān)于OS?CFAR算法的參考窗長(zhǎng)度N及有序統(tǒng)計(jì)量k的取值，文獻(xiàn)［5］和［6］進(jìn)行了詳細(xì)討論。當(dāng)k＜N／2時(shí)，雜波邊緣效應(yīng)的影響會(huì)較大，通常k的取值在3N／4左右。

隨著雷達(dá)分辨率的提高，對(duì)海浪結(jié)構(gòu)的劃分也更細(xì)致。特別是當(dāng)雷達(dá)波束以小掠射角照射海面時(shí)，如果繼續(xù)用Rayleigh分布描述海雜波數(shù)據(jù)，就會(huì)導(dǎo)致雷達(dá)CFAR檢測(cè)誤差增大。大量實(shí)測(cè)數(shù)據(jù)表明，Log?Nor?mal分布和Weibull分布能夠更加準(zhǔn)確地?cái)M合實(shí)測(cè)海雜波數(shù)據(jù)。對(duì)于Log?Normal分布的海雜波，文獻(xiàn)［7］證明了在形狀參數(shù)已知的均勻Log?Normal雜波背景下OS?CFAR檢測(cè)器的恒虛警率特性，推導(dǎo)了單脈沖線性O(shè)S?CFAR檢測(cè)器對(duì)非起伏目標(biāo)的平均判決閾值和檢測(cè)性能表達(dá)式，并討論了最佳序值的選取以及OS?CFAR檢測(cè)器在取不同參考單元數(shù)時(shí)相對(duì)于理想CFAR的信雜比損失。

針對(duì)Weibull分布的海雜波，文獻(xiàn)［8］基于OS?CFAR檢測(cè)器，結(jié)合反饋控制理論，提出了一種基于OS?CFAR的反饋控制雙參數(shù)（Double Parameter，DP）DPOS?CFAR檢測(cè)器。仿真結(jié)果表明，該檢測(cè)器對(duì)Weibull分布的尺度參數(shù)和形狀參數(shù)均具有恒虛警性，且不需要對(duì)雜波模型的參數(shù)進(jìn)行估計(jì)，具有較強(qiáng)的雜波適應(yīng)性，同時(shí)避免了傳統(tǒng)雙參數(shù)CFAR檢測(cè)器虛警損失較大的問(wèn)題。文獻(xiàn)［9］提出了一種雜波邊緣自動(dòng)定位方法，能夠在Weibull參數(shù)未知的情況下消除參考單元內(nèi)不用于雜波功率估計(jì)的數(shù)據(jù)，提高雜波邊緣處的目標(biāo)檢測(cè)性能，同時(shí)保持恒虛警率。文獻(xiàn)［10］在假定Weibull雜波分布形狀參數(shù)已知的情況下，將雷達(dá)檢測(cè)中常用的二進(jìn)制積累方法與OS?CFAR算法性能進(jìn)行了對(duì)比分析研究，包括均勻背景、臨近多目標(biāo)和雜波邊緣的非均勻背景，同時(shí)推導(dǎo)了虛警率計(jì)算的解析表達(dá)式。在此基礎(chǔ)上，文獻(xiàn)［11］對(duì)CA?CFAR、SO?CFAR、GO?CFAR、SOSCA?CFAR（the Smallest Of OS and CA?CFAR）和OSCAGO?CFAR（the OS and CA?CFAR Greatest Of）幾種檢測(cè)算法在均勻和非均勻Weibull雜波背景下的性能進(jìn)行了分析。通過(guò)Monte Carlo仿真，在假定Weibull分布形狀參數(shù)已知的情況下，對(duì)于非均勻雜波背景，OSCAGO?CFAR和GO?CFAR對(duì)虛警概率的控制性能最好，SOSCA?CFAR和SO?CFAR對(duì)臨近多目標(biāo)的檢測(cè)性能最好。

在Log?Normal分布和Weibull分布形狀參數(shù)和尺度參數(shù)未知時(shí)，Log?t檢測(cè)是一種準(zhǔn)最優(yōu)單脈沖檢測(cè)策略［12］。Log?t檢測(cè)器允許由參考單元估計(jì)形狀和尺度參數(shù)，以便在形狀和尺度參數(shù)變化較大的環(huán)境中保持恒定虛警概率，但有效性依賴于參考單元采樣的先驗(yàn)條件，即要求在只有雜波時(shí)采樣得到的數(shù)據(jù)是獨(dú)立同分布的隨機(jī)變量。文獻(xiàn)［13］針對(duì)Weibull雜波背景，將Log?t檢測(cè)器與多脈沖非相干積累器相結(jié)合，分析和對(duì)比了不同非相干積累技術(shù)對(duì)Log?t檢測(cè)器在均勻和非均勻Weibull雜波背景下的性能。

考慮到海雜波脈沖間的相關(guān)性，復(fù)合K分布模型更適用于描述高分辨率雷達(dá)非均勻和非平穩(wěn)海雜波幅度特性。對(duì)于K分布海雜波，文獻(xiàn)［14］針對(duì)具有空間相關(guān)性的海雜波，分析了CA?CFAR檢測(cè)器的性能。文中指出，當(dāng)海雜波具有較強(qiáng)的相關(guān)性時(shí)，較小的CA?CFAR參考單元數(shù)能夠獲得較高的CFAR增益；對(duì)于不相關(guān)的海雜波，較小的CA?CFAR參考單元數(shù)將會(huì)導(dǎo)致較高的CFAR損失。文獻(xiàn)［15］也對(duì)K分布海雜波背景下的CA?CFAR性能進(jìn)行了分析，推導(dǎo)了相干和非相干脈沖積累情況下CA?CFAR檢測(cè)時(shí)虛警概率的近似表達(dá)式，并通過(guò)Monte Carlo仿真對(duì)計(jì)算結(jié)果進(jìn)行驗(yàn)證。文獻(xiàn)［16］證明了當(dāng)形狀參數(shù)已知時(shí)在K分布雜波背景下OS?CFAR檢測(cè)器具有恒虛警性能，并對(duì)均勻背景下OS?CFAR檢測(cè)器的性能進(jìn)行了分析，研究了不同形狀參數(shù)下的SCR損失。對(duì)于未知形狀參數(shù)的K分布雜波背景，文中提出了一種參數(shù)估計(jì)方法。文獻(xiàn)［17］提出了一種刪除開關(guān)CFAR（Excision Switc?hing，EXS?CFAR）檢測(cè)算法，分析了K分布海雜波背景下EXS?CFAR檢測(cè)器的性能，推導(dǎo)了檢測(cè)概率表達(dá)式，并在均勻和非均勻背景下對(duì)Swerling I型目標(biāo)的CA?CFAR、SO?CFAR和GO?CFAR算法檢測(cè)性能進(jìn)行了對(duì)比。結(jié)果表明，EXS?CFAR檢測(cè)器能夠降低雜波邊緣處的虛警概率，同時(shí)對(duì)于臨近多目標(biāo)場(chǎng)景也能夠避免目標(biāo)遮蔽效應(yīng)。文獻(xiàn)［18］基于改進(jìn)排序提出了兩種非參數(shù)檢測(cè)器：改進(jìn)排序廣義符號(hào)檢測(cè)器（Modified?Rank?based Generalized Sign，MRGS）和改進(jìn)排 序 Mann?Whitney檢 測(cè) 器（Modified?Rank?based Mann?Whitney detector，MRMW），這兩種檢測(cè)器通過(guò)定義排序統(tǒng)計(jì)量的值函數(shù)（Inverse?Normal?Score，INS）實(shí)現(xiàn)CFAR檢測(cè)，在文中通過(guò)Monte Carlo仿真對(duì)Swerling II型目標(biāo)的檢測(cè)性能進(jìn)行了分析，非參數(shù)檢測(cè)器對(duì)K分布的尺度參數(shù)并不敏感，只依賴于形狀參數(shù)的選取，適用于具有海尖峰的K分布雜波下的低觀測(cè)目標(biāo)檢測(cè)。

在實(shí)際應(yīng)用中，不論哪一種檢測(cè)器往往都面臨一個(gè)問(wèn)題，即當(dāng)實(shí)測(cè)海雜波數(shù)據(jù)的幅度分布與理論假設(shè)背景不一致時(shí)檢測(cè)器檢測(cè)性能將會(huì)降低，其表現(xiàn)為檢測(cè)器的門限難以使其保持給定的虛警率或在保持虛警率時(shí)目標(biāo)檢測(cè)概率降低。文獻(xiàn)［19］提出了基于均值和方差統(tǒng)計(jì)特性來(lái)區(qū)分不同背景的方法。根據(jù)不同背景特征，選擇CA?CFAR、SO?CFAR或者GO?CFAR進(jìn)行處理。在均勻背景下，CFAR檢測(cè)損失較小，能夠有效檢測(cè)多目標(biāo)且能夠控制雜波邊緣處的虛警。文獻(xiàn)［20］提出了適應(yīng)多雜波類型的CFAR檢測(cè)方法。首先檢驗(yàn)判斷雜波序列的分布類型，然后針對(duì)不同雜波分布類型選擇相應(yīng)的CFAR處理器，以使雷達(dá)實(shí)時(shí)保持良好的恒虛警率檢測(cè)性能，降低CFAR損失。文獻(xiàn)［21］分析了高斯雜波背景下相干雷達(dá)多極化通道自適應(yīng)匹配恒虛警檢測(cè)的結(jié)構(gòu)，提出了一種基于雜波模型的自適應(yīng)恒虛警檢測(cè)算法，推導(dǎo)了虛警概率表達(dá)式。仿真結(jié)果表明，所提出的檢測(cè)算法相對(duì)于雜波協(xié)方差矩陣有恒虛警的性質(zhì)，比極化自適應(yīng)匹配濾波器的估計(jì)損失小，檢測(cè)性能有所提高。文獻(xiàn)［22］提出一種基于多背景雜波分布模型的自適應(yīng)CFAR檢測(cè)算法。該方法根據(jù)背景區(qū)域的不同統(tǒng)計(jì)特性來(lái)判斷區(qū)域類型，采用的CFAR檢測(cè)器根據(jù)區(qū)域類型選擇相應(yīng)的背景雜波分布模型，在均勻區(qū)域采用高斯分布，在有雜波邊緣的區(qū)域采用Weibull分布以消除雜波邊緣的影響，在有多目標(biāo)干擾的區(qū)域采用G0分布以排除干擾目標(biāo)，避免相鄰目標(biāo)的屏蔽效應(yīng)。

一些文獻(xiàn)還采用了其他方法進(jìn)行恒虛警檢測(cè)。文獻(xiàn)［23］將自動(dòng)刪除算法和最小選擇方法相結(jié)合，提出了一種在強(qiáng)干擾目標(biāo)背景下基于自動(dòng)刪除算法的最小選擇恒虛警檢測(cè)方法，分析了自動(dòng)刪除算法的性能，推導(dǎo)了該方法的平均虛警概率和平均檢測(cè)概率的解析表達(dá)式，當(dāng)強(qiáng)干擾目標(biāo)較多時(shí)該檢測(cè)方法優(yōu)于自動(dòng)刪除均值檢測(cè)器。文獻(xiàn)［24］和文獻(xiàn)［25］基于自動(dòng)刪除單元平均（ACCA）方法分別提出了MACCA和ACCAGO?CFAR檢測(cè)器。它的前沿和后沿滑窗均采用ACCA算法產(chǎn)生局部估計(jì)，再計(jì)算得到背景功率水平估計(jì)，從而設(shè)置自適應(yīng)檢測(cè)門限。在SwerlingⅡ型目標(biāo)假設(shè)下，推導(dǎo)出了均勻背景下虛警概率和檢測(cè)概率的解析表達(dá)式。這兩種方法均有效地提高了在雜波邊緣環(huán)境下的虛警控制能力。

文獻(xiàn)［26］基于最佳線性無(wú)偏（BLU）恒虛警檢測(cè)算法，提出了最佳線性無(wú)偏選大恒虛警檢測(cè)器（BLUGO?CFAR），前后沿滑窗均采用BLU算法產(chǎn)生局部估計(jì)，將其中的最大值作為檢測(cè)器對(duì)雜波功率水平的估計(jì)，去設(shè)置自適應(yīng)檢測(cè)門限。它在均勻背景及多目標(biāo)環(huán)境中的性能均比GOSGO或OSGO有所改善，對(duì)雜波邊緣的虛警控制能力與控制能力強(qiáng)的GOSGO類似。文獻(xiàn)［27］提出了一種基于檢測(cè)統(tǒng)計(jì)量的恒虛警檢測(cè)算法SOSGO?CFAR。該算法將檢測(cè)單元采樣作為選擇參考單元的依據(jù)，使用了基于轉(zhuǎn)換恒虛警（S?CFAR）和排序選大恒虛警（OSGO?CFAR）的復(fù)合算法，并在均勻背景、雜波邊緣和多目標(biāo)情況下用Monte Carlo方法進(jìn)行了仿真分析。結(jié)果表明，該檢測(cè)器既具有均勻背景下和CA?CFAR相近的良好性能，在雜波邊緣環(huán)境中也具有接近OSGO?CFAR的性能，且在多目標(biāo)環(huán)境中其性能優(yōu)于S?CFAR。文獻(xiàn)［28］分析了廣義符號(hào)檢測(cè)算法在高斯雜波背景和實(shí)測(cè)海雜波背景下對(duì)Swerling 0型和SwerlingⅡ型目標(biāo)的檢測(cè)性能，以及對(duì)實(shí)際漁船目標(biāo)的檢測(cè)性能。研究表明，隨著脈沖數(shù)、參考單元數(shù)和信雜比的提高，該檢測(cè)算法的檢測(cè)性能有所提高。在低信雜比條件下，廣義符號(hào)檢測(cè)算法對(duì)SwerlingⅡ型目標(biāo)的檢測(cè)性能優(yōu)于對(duì)Swerling 0型目標(biāo)的檢測(cè)性能。在高信雜比條件下，對(duì)Swerling 0型目標(biāo)的檢測(cè)性能優(yōu)于對(duì)SwerlingⅡ型目標(biāo)的檢測(cè)性能。文獻(xiàn)［29］基于慢門限恒虛警和快門限恒虛警研究了雷達(dá)目標(biāo)CFAR處理算法。針對(duì)慢門限恒虛警，使用對(duì)數(shù)減法來(lái)代替除法運(yùn)算以提高效率。針對(duì)快門限恒虛警存在的邊緣效應(yīng)問(wèn)題，采用雙側(cè)單元平均選大的解決方案，使雷達(dá)檢測(cè)系統(tǒng)始終處于恒虛警狀態(tài)。

文獻(xiàn)［30］介紹了一種雙模式雙參數(shù)雜波圖恒虛警檢測(cè)器。該檢測(cè)器采用靜態(tài)雜波圖和動(dòng)態(tài)雜波圖兩種工作模式，分別處理時(shí)域平穩(wěn)和非平穩(wěn)的雜波環(huán)境，并且引入雙參數(shù)恒虛警的工作原理，提高了恒虛警檢測(cè)單元的檢測(cè)性能，有效地抑制了虛警率。該檢測(cè)器采用軟件和硬件相結(jié)合的方式實(shí)現(xiàn)了整個(gè)處理流程，系統(tǒng)具有可編程性和設(shè)計(jì)靈活性。文獻(xiàn)［31］在研究三坐標(biāo)雷達(dá)中三維雜波圖形成原理的基礎(chǔ)上將各種恒虛警算法應(yīng)用于輪廓雜波圖中，得出采用有序統(tǒng)計(jì)方法更符合現(xiàn)代雷達(dá)對(duì)雜波圖的要求的結(jié)論，而且雜波圖作為一種慢速目標(biāo)檢測(cè)方法，將有序統(tǒng)計(jì)方法應(yīng)用于雜波圖中，可得到較好的檢測(cè)效果，且隨著信噪比的提高檢測(cè)效果更加明顯。文獻(xiàn)［32］論述了雜波圖恒虛警率處理的基本原理，并重點(diǎn)研究了雜波圖點(diǎn)技術(shù)和面技術(shù)兩個(gè)方面恒虛警率處理技術(shù)，將點(diǎn)技術(shù)和面技術(shù)處理性能做了比較；研究了混合雜波圖恒虛警率處理器改進(jìn)算法，有效克服了點(diǎn)技術(shù)和面技術(shù)的不足之處；研究了變換域恒虛警率處理，分析了頻域恒虛警率和小波域恒虛警率處理，在頻域中重點(diǎn)研究了頻域單元平均、動(dòng)目標(biāo)快速傅里葉變化單元平均（MTI?FFT?CA?CFAR）和奇偶檢測(cè)器（OEP）恒虛警率檢測(cè)性能，并分析了離散小波域恒虛警率檢測(cè)能力。文獻(xiàn)［33］分析了經(jīng)典的均值類恒虛警和有序統(tǒng)計(jì)類恒虛警的算法原理，研究了這些算法在均勻和非均勻、單目標(biāo)和多目標(biāo)雜波背景下的檢測(cè)性能，對(duì)于多目標(biāo)下的小目標(biāo)信號(hào)使用SO?CFAR檢測(cè)得到的效果比較好，GO?CFAR應(yīng)用在雜波邊緣情況的效果較好，有序統(tǒng)計(jì)類恒虛警算法在多目標(biāo)情況下檢測(cè)效果比較好；對(duì)依據(jù)雜波分布模型選擇恒虛警方法的多模型智能恒虛警算法進(jìn)行了研究與設(shè)計(jì)，并對(duì)瑞利海雜波分布下的智能恒虛警目標(biāo)檢測(cè)效果和檢測(cè)性能進(jìn)行了分析，其在雜波均勻背景、雜波邊緣背景中的目標(biāo)檢測(cè)概率都優(yōu)于均值類恒虛警。

2 發(fā)展趨勢(shì)

2.1 多傳感器分布式CFAR檢測(cè)技術(shù)

分布式CFAR檢測(cè)技術(shù)是CFAR技術(shù)與多傳感器信息融合技術(shù)相結(jié)合發(fā)展而來(lái)，已成為當(dāng)今雷達(dá)目標(biāo)檢測(cè)的關(guān)鍵技術(shù)之一。雷達(dá)作為一種傳感器，通過(guò)與環(huán)境、目標(biāo)的交互來(lái)獲取信息，但是僅靠一個(gè)傳感器獲取信息的能力必然是有限的。為提高檢測(cè)系統(tǒng)的可靠性和精確性，科研人員研究通過(guò)不同形式的組網(wǎng)融合提高雷達(dá)的檢測(cè)性能，擴(kuò)大系統(tǒng)的監(jiān)視范圍。

分布式雷達(dá)CFAR檢測(cè)研究的最初工作主要是把單傳感器的檢測(cè)理論推廣到多傳感器分布式系統(tǒng)中，包括多傳感器的假設(shè)檢驗(yàn)問(wèn)題、最優(yōu)檢測(cè)、Bayes檢測(cè)、似然比判決、N?P檢測(cè)等。［34］

20世紀(jì)90年代時(shí)，Barket和Varshney等人的研究正式將CFAR檢測(cè)應(yīng)用到分布式系統(tǒng)檢測(cè)中，并且研究了均勻高斯環(huán)境下并行分布式單元平均CFAR檢測(cè)融合問(wèn)題。［35?36］嚴(yán)軍等人針對(duì)均勻高斯背景中的SwerlingⅡ型起伏目標(biāo)的多傳感器分布式恒虛警檢測(cè)進(jìn)行了研究，提出了廣義似然比恒虛警（GLR?CFAR）方法，并通過(guò)數(shù)據(jù)仿真得出該方法可顯著提高小目標(biāo)檢測(cè)概率的結(jié)論。［37］文獻(xiàn)［38］針對(duì)分布式多傳感器系統(tǒng)中不同傳感器的信噪比會(huì)影響檢測(cè)決策的問(wèn)題，提出一種利用分傳感器信噪比決定其權(quán)值的自適應(yīng)刪除均值加權(quán)單元平均恒虛警（CMLWCA?CFAR）檢測(cè)方法，融合中心利用各個(gè)傳感器的雜波估計(jì)比值作為判決有無(wú)目標(biāo)的依據(jù)，而非常規(guī)的二元值。文獻(xiàn)［39］針對(duì)實(shí)際應(yīng)用中各檢測(cè)器檢測(cè)條件不一致的復(fù)雜檢測(cè)條件，以典型的3站分布式布站結(jié)構(gòu)，研究了分布式統(tǒng)計(jì)排序恒虛警（OS?CFAR）在不同融合方式下的檢測(cè)性能，得出在不同融合方式下系統(tǒng)對(duì)檢測(cè)條件的適應(yīng)能力有很大差異的結(jié)論。文獻(xiàn)［40］研究了在Neyman?Pearson（NP：奈曼?皮爾遜）檢測(cè)準(zhǔn)則下的分布式恒虛警檢測(cè)最優(yōu)化問(wèn)題，分析了二元局部判決與局部檢測(cè)統(tǒng)計(jì)量的差別，并根據(jù)分析結(jié)果提出了一類局部檢測(cè)統(tǒng)計(jì)量（Local Test Statistic，LTS），經(jīng)過(guò)分析得出基于LTS的分布式CFAR檢測(cè)是改善分布式CFAR檢測(cè)性能的有效途徑。文獻(xiàn)［41］針對(duì)分布檢測(cè)器的空間位置不同及工作狀態(tài)不同，提出多傳感器檢測(cè)空間的劃分，以及先分區(qū)融合再系統(tǒng)融合的方法，并且不同的檢測(cè)分區(qū)的傳感器采用不同的檢測(cè)門限，通過(guò)計(jì)算和仿真得出此種方法可以提高融合系統(tǒng)的檢測(cè)性能。文獻(xiàn)［42］在假設(shè)接收噪聲為高斯白噪聲，平方律檢波輸出服從指數(shù)分布的前提下提出基于無(wú)偏最小方差估計(jì)（UMVE）CFAR算法作為局部檢測(cè)器的并行分布式系統(tǒng)，得出分布式UMVE?CFAR算法在均勻背景和非均勻背景具有較好檢測(cè)性能的結(jié)論。

當(dāng)前對(duì)雷達(dá)分布式CFAR檢測(cè)的研究主要集中在基礎(chǔ)理論方法上，比如系統(tǒng)結(jié)構(gòu)、數(shù)據(jù)融合假設(shè)檢驗(yàn)、性能測(cè)試、融合規(guī)則等問(wèn)題。當(dāng)實(shí)際面對(duì)復(fù)雜背景環(huán)境時(shí)，仍有很多問(wèn)題有待于進(jìn)一步研究和探索。

2.2 智能化認(rèn)知雷達(dá)CFAR檢測(cè)技術(shù)

隨著人工智能技術(shù)的快速發(fā)展，將人工智能技術(shù)應(yīng)用到雷達(dá)信號(hào)處理中，實(shí)現(xiàn)雷達(dá)智能目標(biāo)檢測(cè)是現(xiàn)代雷達(dá)信號(hào)處理的重要發(fā)展方向。認(rèn)知雷達(dá)通過(guò)發(fā)射電磁波與環(huán)境進(jìn)行不斷交互與學(xué)習(xí)，獲取環(huán)境信息，結(jié)合先驗(yàn)知識(shí)和推理，自適應(yīng)調(diào)整雷達(dá)發(fā)射和接收參數(shù)，并使用最適合的系統(tǒng)配置信息（包括發(fā)射頻率、信號(hào)形式、信號(hào)處理形式等），以實(shí)現(xiàn)對(duì)目標(biāo)有效、可靠和穩(wěn)健的感知和跟蹤，從而大幅度提高系統(tǒng)的性能。［43?44］

受蝙蝠回聲定位系統(tǒng)及認(rèn)知過(guò)程的啟發(fā)，國(guó)際著名的信號(hào)處理專家Simon Haykin于2006年首次提出認(rèn)知雷達(dá)的概念。［45］智能化認(rèn)知雷達(dá)具有兩大基本特征：知識(shí)輔助信號(hào)處理（Knowledge Aided Signal Pro?cessing，KA?SP）和發(fā)射自適應(yīng)處理（Transmit Adaption，TA）。其實(shí)在認(rèn)知雷達(dá)概念真正被提出之前，人們已經(jīng)開始探索將知識(shí)輔助應(yīng)用到雷達(dá)目標(biāo)檢測(cè)，以提高雷達(dá)檢測(cè)和跟蹤性能輔助知識(shí)包括DTED、雷達(dá)前視數(shù)據(jù)、GIS數(shù)據(jù)、道路交通圖、目標(biāo)運(yùn)動(dòng)信息、氣象數(shù)據(jù)以及系統(tǒng)校驗(yàn)信息等先驗(yàn)知識(shí)。［46?47］

美國(guó)空軍實(shí)驗(yàn)室在基于知識(shí)的空時(shí)自適應(yīng)處理（KBSTAP）項(xiàng)目上將知識(shí)輔助技術(shù)與恒虛警檢測(cè)技術(shù)相結(jié)合，論證了利用外部數(shù)據(jù)源信息對(duì)監(jiān)視雷達(dá)的濾波、檢測(cè)和跟蹤帶來(lái)的益處。2006年，Capraro C T等人利用地形信息選擇輔助單元實(shí)現(xiàn)數(shù)據(jù)選擇，并結(jié)合了自適應(yīng)檢測(cè)器的知識(shí)輔助檢測(cè)算法。［48］Besson O于2007年研究了在非均勻背景下的知識(shí)輔助貝葉斯檢測(cè)框架，并在此基礎(chǔ)上提出了一種基于知識(shí)輔助的貝葉斯檢測(cè)器。［49］

相較于國(guó)外，知識(shí)輔助技術(shù)在國(guó)內(nèi)還算比較新的技術(shù)，西安電子科技大學(xué)開展的工作相對(duì)較多。鄒鯤根據(jù)貝葉斯的方法，選擇逆伽馬分布作為紋理分量的先驗(yàn)分布，提出在符合高斯環(huán)境下的一種知識(shí)輔助自適應(yīng)檢測(cè)算法［50］。周宇針對(duì)非均勻雜波導(dǎo)致均勻樣本數(shù)減少的問(wèn)題，利用先驗(yàn)信息獲取Wald檢測(cè)器的協(xié)方差矩陣，提出了基于知識(shí)輔助的Wald檢測(cè)器［51］。文獻(xiàn)［52］基于GIS信息的CFAR檢測(cè)器是一種基于地理信息系統(tǒng)的恒虛警檢測(cè)算法，主要是利用對(duì)雜波環(huán)境的了解程度，解決非均勻雜波環(huán)境下恒虛警檢測(cè)性能低的問(wèn)題?；谥R(shí)輔助的CFAR檢測(cè)器利用GIS提供的先驗(yàn)信息對(duì)參考單元進(jìn)行篩選，盡量尋找到和檢測(cè)單元地貌相類似的訓(xùn)練樣本，從而更加有效地進(jìn)行恒虛警處理，以解決恒虛警檢測(cè)中存在的邊緣效應(yīng)問(wèn)題。［53］文獻(xiàn)［54］基于最大似然差的智能恒虛警檢測(cè)器將無(wú)偏非均勻雜波估計(jì)恒虛警檢測(cè)器和VI?CFAR檢測(cè)器的優(yōu)點(diǎn)相結(jié)合，在雜波邊緣中能夠降低雷達(dá)目標(biāo)被遮掩的概率，使得目標(biāo)的檢測(cè)概率得到了大幅度的提高。

認(rèn)知雷達(dá)的出現(xiàn)為雷達(dá)技術(shù)未來(lái)的發(fā)展提供了一個(gè)全新的方向。由于國(guó)內(nèi)外的認(rèn)知雷達(dá)處于初級(jí)研究階段，關(guān)于認(rèn)知雷達(dá)的基本概念、工作原理和關(guān)鍵技術(shù)尚需要更多的關(guān)注與研究。

3 結(jié)束語(yǔ)

恒虛警率檢測(cè)技術(shù)是雷達(dá)目標(biāo)檢測(cè)最重要的檢測(cè)方法之一。本文綜述了不同CFAR檢測(cè)算法研究發(fā)展現(xiàn)狀，針對(duì)不同應(yīng)用背景的CFAR檢測(cè)器的選取進(jìn)行了分析，并展望了CFAR檢測(cè)技術(shù)的發(fā)展趨勢(shì)。