آشكارسازي وفقي سيگنال‌هاي رادار در كلاترگوسي با مدل AR با استفاده از فيلتر كالمن

Adaptive Radar Signal Detection in Gaussian Clutter with Autoregressive Model Using Kalman Fillter

در اين مقاله به آشكارسازي وفقي همدوس سيگنال راداري در تداخل (كلاتر بهعلاوه نويز) گوسي براي رادار ديده‌بان پالسي پرداخته شده است. يكي از راهكارهاي پيادهسازي آشكارساز وفقي راداري استفاده از مدل خودبرگشتي(AR) براي كلاتر گوسي است. آشكارسازهايي كه براساس مدل AR كلاتر مطرح شدهاند غالبا بر پايه آزمونGLRT بودهاند. اساس اين آزمون بر تخمين حداكثر درستنمايي استوار بوده و دقت اين تخمين به تعداد نمونههاي داده بستگي دارد. از آنجا كه در اكثر موارد عملي طول بردار داده براي آشكارسازي هدف در يك سلول راداري زياد نيست و با توجه به ماهيت برگشتي مدل AR، در اين مقاله دو روش تخمين براي پارامترهاي مجهول كلاتر با استفاده از فيلتر كالمن معرفي و برمبناي آن، دو آشكارساز با نام‌هاي ARKD ( برمبناي داده‌هاي اوليه) و ARKSD (برمبناي داده‌هاي ثانويه) پيشنهاد مي‌شوند. نتايج حاصل از شبيهسازي نشاندهنده برتري روشهاي مبتني بر فيلتر كالمن بهويژه براي تعداد نمونههاي كمتر داده ميباشد.

In this paper, we deal with the problem of adaptive coherent signal detection in Gaussian interference (clutter plus noise) for surveillance pulse radars. Some of the adaptive radar detectors exploit the AR model for clutter. Most of these detectors have been obtained using the GLR test. This test relies on the maximum likelihood estimation whose accuracy depends on the number of data. Whereas, the length of data is not too long in practical applications, and because of the recursive nature of AR model, in this paper we suggest two methods for estimating the clutter parameters using the Kalman filter based on the initial and secondary data respectively. According to these methods, we propose two adaptive detectors called ARKD and ARKSD. Our investigations show that the proposed Kalman filter-based detectors improve the detection performance especially in low number data.