Алгоритм стабилизации уровня ложной тревоги на фоне шума с нестационарным средним значением

Введение. Рассмотрен алгоритм обнаружения, который обеспечивает постоянство уровня ложной тревоги на фоне нестационарного шума, среднее значение которого меняется в пределах "скользящего" окна. В основе предлагаемого алгоритма лежит линейная аппроксимация среднего значения уровня шума в пределах "скользящего" окна с использованием метода наименьших квадратов с последующей компенсацией изменения среднего значения. Эффективность предлагаемого алгоритма проверена методом имитационного моделирования, который показывает, что в условиях работы на фоне нестационарного шума предлагаемый алгоритм уменьшает величину порогового отношения по сравнению с алгоритмом, который основан на вычислении дисперсии шума в "скользящем" окне.

Цель работы. Разработка алгоритма обнаружения, учитывающего измерение математического ожидания шума в пределах "скользящего" окна при вычислении порога обнаружения.

Материалы и методы. Для решения поставленной задачи в статье используется математический аппарат теории вероятностей и теории оценивания. Эффективность полученного алгоритма оценивается методом математического моделирования.

Результаты. Синтезирован алгоритм обнаружения, который обеспечивает постоянное значение ложной тревоги F. В предлагаемом алгоритме при работе на фоне нестационарного шума значение уровня порогового отношения сигнал-шум на 3.57 дБ меньше, чем в алгоритме, который основан на вычислении дисперсии шума путем усреднения элементов "скользящего" окна.

Заключение. В статье рассмотрен алгоритм обнаружения, обеспечивающий постоянный уровень ложной тревоги при изменении среднего значения шума в пределах "скользящего" окна. Алгоритм основан на оценке тренда шума и последующей компенсации в вычитающем устройстве.

1. Шахтарин Б. И. Обнаружение сигналов. М.: Горячая линия-Телеком, 2015. 464 с.

2. Бакулев П. А., Степин В. М. Методы и устройства селекции движущихся целей. М.: Радио и связь, 1986. 288 с.

3. Richards M. A. Fundamentals of radar signal processing. New York: Mc-Graw-Hill, 2008. 539 p.

4. Bar-Shalom Y. Multitarget-multisensor tracking: applications and advances. Boston: Artech house publishers, 1992. 462 p.

5. Skolnik M. I. Radar handbook. New York: Mc-Graw-Hill, 2008. 1352 p.

6. Репин В. Г., Тартаковский Г. П. Статистический синтез при априорной неопределенности и адаптация информационных систем. М.: Сов. радио, 1977. 432 с.

7. Liu N. N., Li J., Cui Y. A new detection algorithm based on CFAR for radar image with homogeneous background // Progress in Electromagnetics Research. 2010. Vol. 15. P. 13–22. doi: 10.2528/PIERC10061201

8. Blum R. S., Qiao J. Threshold optimization for distributed order-statistic CFAR signal detection // IEEE Transaction on aerospace and electronic system.1996. Vol. 32, № 1. P. 368–377. doi: 10.1109/7.481276

9. You H. Performance of some generalized modified order statistics CFAR detectors with automatic censoring technique in multiple target situations // IEE Proc., Radar, Sonar and Navigation. 1994. Vol. 131. P. 205–212.

10. Hamadouche M., Barakat M., Khodja M. Analysis of the clutter map CFAR in Weibull clutter // Signal processing. 2000. Vol. 80, № 1. P. 117–123. doi: 10.1016/S0165-1684(99)00115-2

11. Prastitis L. A., Frank J., Himonas S. D. Optimum detection of Rayleigh signals in nonstationary noise // 10th Annual Intern. Phoenix Conf. on Computers and Communications, Scottsdale, USA, 27–30 March 1991. IEEE, 1991. P. 401–405. doi: 10.1109/PCCC.1991.113839

12. Степанов О. А. Основы теории оценивания с приложениями к задачам обработки навигационной информации. СПб.: ГНЦ РФ ОАО «Концерн «ЦНИИ «Электроприбор», 2010. 509 с.

13. Горяинов В. Т., Журавлев А. Г., Тихонов В. И. Статистическая радиотехника: Примеры и задачи. М.: Сов. радио, 1980. 544 c.

14. Alexits G. Convergence Problems of Orthogonal Series. Oxford: Pergamon, 1961. 350 p.

15. Левин Б. Р. Теоретические основы статистической радиотехники. М.: Сов. радио, 1969. 752 с.