ML类CFAR检测器在不同环境中检测性能的分析

这篇具有很好参考价值的文章主要介绍了ML类CFAR检测器在不同环境中检测性能的分析。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

摘要:该文是楼主翻阅书籍以及一些论文总结出来的关于ML(均值)类CFAR检测器在不同环境中的性能对比,以及优缺点的总结,可以帮助大家面对不同情形如何选择CFAR问题。由于楼主见识短浅,文中难免出现不足之处,望各位指出。

1.均匀杂波背景下ML类CFAR性能比较

         首先在均匀杂波背景中,采用平方律检波的CA与线性检波CA的性能几乎相同,都具有较好的检波性能。在图2.9.1中展示了经平方律检波后在均匀背景中CA-,GO-和SO-CFAR检测器对swerling II 型目标的检测概率Pd,在𝑃𝑓𝑎=10−6,R=16和R = 32时,它们的检测性能曲线。

 

ML类CFAR检测器在不同环境中检测性能的分析,信号处理,算法

        当参考滑窗长度R增加时,CA-CFAR,GO-CFAR和GO-CFAR检测器性能均向最优检测靠近。由上图可知,在均匀杂波背景下,CA-CFAR检测器性能相比于GO-和SO-CFAR检测器是最优的。与CA-CFAR检测器相比,GO-CFAR只表现出很小的检测性能下降,而SO-CFAR的检测性能十分依赖参考单元数量。当R(检测单元数)很小时,它的检测性能损失比其它的CFAR方案要大得多,但随着R增加而急剧减小,在Pfa较小时很大。

        因此,综上所示,在均匀杂波背景ML类性能CA > GO > SO。

2.在多目标环境中ML类CFAR性能比较

        在对检测单元进行目标检测的同时在参考滑窗中还出现其它的目标时,CA-CFAR的检测阈值就会上升,CA-CFAR对主目标的检测性能会严重下降,这就是“目标遮蔽”效应。通过适当调整参考滑窗长度R和T(阈值因子)可以在一定程度上解决这个问题,但是不能真正解决问题,并且当R较大时,虽然可以减小干扰目标在杂波功率水平中的比重,但是干扰目标和杂波尖峰进入参考滑窗的机会也多了。SO是针对上述问题的CA的修正型,当干扰目标只出现在前沿或后延滑窗中时,它对分辨空间邻近目标十分奏效。当强干扰目标造成的覆盖效应对于CA和GO很严重时,SO在这种情况下几乎不受干扰目标强度的影响。

        为了提高多目标环境中ML类CFAR检测器的性能,常常采用阈值补偿技术,它是基于雷达跟踪系统提供的干扰目标的信息修正标称化因子T来达到补偿阈值的目的。WCA也可以被认为是一种阈值补偿方法,它作为CA的一种修正型主要针对多目标环境。当参考滑窗中有一个干扰目标,且主目标和干扰目标均为Swerling II型目标时,图2.10.1给出了WCA以及CA、GO和SO的Pd随信噪比曲线图。

ML类CFAR检测器在不同环境中检测性能的分析,信号处理,算法

 

根据上图结果,WCA的检测性能比其它三个都好,在高信噪比时,WCA对存在强弱干扰目标时的检测性能几乎相同,并且随着参考单元数的增加而得以提高。

        因此,在多目标环境中,当干扰目标只分布在前、后沿滑窗中的一个子窗时,SO相比于GO和CA表现出很好的检测性能,且对干扰目标强度变化很不敏感,然而CA和GO的检测性能却严重下降。实际上,当 R <= 16时,GO在参考滑窗中存在干扰目标时几乎检测不到目标。当多个干扰目标同时分布在前后沿滑窗中时,虽然SO的检测性能还能保持相对于CA和GO的优势,但其检测性能也严重下降。WCA作为一种加权CA检测器,在多目标环境中的检测性能比其它三个都好,在高信杂比时,WCA对干扰目标的强度变化很不敏感,并且随着参考单元数的增加,WCA的检测性能也得以提高,并且于干扰目标的分布为止无关。但是需要关于干扰目标分布情况的先验信息。GO 和 SO可以看作是WCA加权系数取特定值时的特例。

        综上所示,在多目标环境下ML类性能 WCA > SO > CA > GO。

3.在杂波边缘环境中ML类CFAR性能比较

        杂波边缘描述的是检测背景不同特性区域间的过渡区情况,这种情况的典型例子是降雨区的边缘、海洋陆地交界处等。如果检测单元处于弱杂波区,而参考滑窗中其它一些参考单元处于强杂波区,那么即使信噪比很大也会对目标检测产生覆盖效应,那么虚警概率和检测概率都会下降。如果检测单元处于强杂波区,而其它一些参考单元处于弱杂波区,那么虚警概率会急剧上升。

        在杂波边缘环境中,GO的虚警控制能力明显强于CA和SO,因此在杂波边缘环境中ML类性能 GO>CA>SO。

4.总结

        总之,这几种均值类CFAR检测器各有利弊。CA在均匀杂波背景中的检测性能最好,然而在非均匀背景中性能严重下降;GO具有很好的边缘杂波保护能力且在均匀杂波背景中相比CA检测性能的下降不多,但是它在多目标环境中检测性能下降到了令人不能接收的地步;SO具有较好的抗击干扰目标的能力,但是它在均匀杂波背景中的检测性能和杂波边缘中的虚警性能都很差;虽然WCA的性能比较全面,但是它需要关于干扰目标的先验信息。文章来源地址https://www.toymoban.com/news/detail-637282.html

到了这里,关于ML类CFAR检测器在不同环境中检测性能的分析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • ChatGPT检测器(Detector)

    现阶段可使用的Detector如以下所示,在网页端有5个(3个支持中文),api有3个途径,代码运行成功的有一个。 名称 地址 特性 GPTZero https://gptzero.me/ 支持中英文,判定较为严格,有开源代码 OpenAI GPT2 Output Detector https://openai-openai-detector.hf.space/ 支持中英文,判定宽松 Hello-Simple

    2023年04月27日
    浏览(38)
  • 简易温度检测器电路原理

    在日常生活中,对温度的及时检测能够减免火灾的发生,所以今天就说说温度检测器。 实际功能 在常温下显示数字0,随着温度的升高,数码管逐步显示1、3、8,分别代表三档温度,并且在显示8的时候,LED灯开始闪烁,代表温度过高而报警,当温度下降时,数码管的显示状态

    2024年02月09日
    浏览(42)
  • OpenCV分类检测器训练

    OpenCV中有两个程序可以训练级联分类器: opencv_haartraining 和opencv_traincascade。opencv_traincascade 是一个新程序,使用OpenCV 2.x API 以C++ 编写。这二者主要的区别是 opencv_traincascade 支持 Haar、Hog和 LBP(Local Binary Patterns) 三种特征,并易于增加其他的特征。与Haar特征相比,LBP特征是整数

    2024年02月17日
    浏览(47)
  • OpenCV 如何实现边缘检测器

    返回:OpenCV系列文章目录(持续更新中......) 上一篇:OpenCV如何实现拉普拉斯算子的离散模拟 下一篇 :OpenCV系列文章目录(持续更新中......) 在本教程中,您将学习如何: 使用 OpenCV 函数 cv::Canny 实现 Canny 边缘检测器。 Canny Edge探测器 [48]由John F. Canny于1986年开发。Canny 算法

    2024年04月25日
    浏览(41)
  • 序列检测器的verilog实现

    设计一个序列检测同步时序逻辑电路,要实现的功能如下: 当已有输入码流出现序列 111000或101110时输出检测信号为1 ,否则输出为0。在时序上检测到完整序列的 下一个时钟周期 输出检测结果。输入信号有效为1时表示当前输入有效,否则表示无效。之前输入依旧计入序列中

    2024年02月06日
    浏览(54)
  • 实验 5 巴克码检测器

    5.1 实 验 目 的 (1) 了解通信领域中经常使用的巴克码检测器的设计方法。 (2) 掌握使用状态机设计时序电路的方法。 5.2 实 验 仪 器 与 器 材 (1) EDA 开发软件 一 套 (2) 微 机 一 台 (3) 实验开发系统 一 台 (4) 打印机 一 台 (5) 其他器件与材料 若 干 5.3 实 验 说 明 巴 克 码 检 测

    2024年02月01日
    浏览(43)
  • 简单的状态机设计——序列检测器

    1.序列检测器 序列检测器是时序数字电路中非常常见的设计之一。它的逻辑功能是将一个指定的序列从数字码流中识别出来。 2.例1:\\\"10010\\\"序列检测器 对串行输入的数据进行检测,检测“10010”。设X为数字码流输入,Z为检出标记输出,高电平表示“发现指定序列”,低电平表

    2024年02月11日
    浏览(43)
  • OpenCV实战——尺度不变特征检测器

    特征检测的不变性是一个重要概念,虽然方向不变性(即使图像旋转也能检测到相同特征点)能够被简单特征点检测器(例如 FAST 特征检测器等)处理,但难以实现在图像尺度改变时特征保持不变。为了解决这一问题,在计算机视觉中引入了尺度不变特征的概念。 无论对象是在哪

    2023年04月20日
    浏览(41)
  • 【目标检测】Grounding DINO:开集目标检测器(CVPR2023)

    文章来自清华大学和IDEA(International Digital Economy Academy) 论文: 《Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection》 github: https://github.com/IDEA-Research/GroundingDINO Grounding DINO,一种开集目标检测方案, 将基于Transformer的检测器DINO与真值预训练相结合 。开集检

    2024年02月12日
    浏览(42)
  • YOLOV:图像对象检测器在视频对象检测方面表现也很不错

    前言  与传统的两段pipeline不同,论文提出了在一段检测之后再进行区域级的选择,避免了处理大量低质量的候选区域。此外,还构建了一个新的模块来评估目标帧与参考帧之间的关系,并指导聚合。 作者进行了大量的实验来验证该方法的有效性,并揭示了其在有效性和效率

    2023年04月08日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包