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。
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=10−6,R=16和R = 32时,它们的检测性能曲线。
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。
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。
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。
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。
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。