基于相关模态重构的强海杂波背景下雷达目标特征检测方法

《Plants》：Core and Variable Fractions of the Rhizosphere Microbiome Across Five Field-Grown Mentha Accessions

　　

：在强海杂波条件下，海面运动目标的雷达回波容易被背景杂波掩盖。现有模态分解与重构方法的一个主要局限在于难以可靠地区分与目标相关的模态。为解决这一挑战，提出了一种基于相关模态重构（Correlational Mode Reconstruction，CMR）的雷达目标特征检测方法。首先利用变分模态分解（Variational Mode Decomposition，VMD）将原始雷达信号分解为一组本征模态函数（Intrinsic Mode Functions，IMFs）。随后，结合时频分析与形态学图像处理构建理想目标参考模型。进而发展一种多维相关性度量，用于评估每个模态与模型信号之间的匹配程度，从而实现目标模态的精确选取。之后在多个变换域中从重构信号中提取特征，并利用相对特征增益度量筛选具有判别力的特征。实验结果表明，无论采用何种基于特征的检测器，所提出的重构方法相比原始信号及其他重构策略均能提供更好的检测性能。此外，特征融合相比单一特征检测能进一步提升检测性能。

论文解读

一、研究背景与问题

在高海况条件下，海面雷达目标检测面临强海杂波干扰的严峻挑战。随着浪高和海面运动的加剧，雷达回波呈现出显著的时域和空域变异性，目标分量容易被海杂波掩盖或扭曲，其统计特性与平静海况下存在显著差异。现有的海杂波抑制方法经历了从带通滤波、脉冲积累到自适应滤波的发展过程，随后自适应时频分析方法如经验模态分解（EMD）和局部均值分解（LMD）被广泛应用，但这类方法在处理复杂信号时容易出现模态混叠，导致模态分离不准确。变分模态分解（VMD）作为一种替代框架被引入，通过将信号表示为一系列带宽受限的本征模态函数（IMFs）来克服上述局限。

然而，信号分解仅是重构过程的第一步，核心挑战在于准确识别与目标相关的模态。传统方法通常依据固定索引或能量准则选择模态，但在复杂海杂波环境中，同一模态索引在不同目标距离单元或脉冲段可能对应不同的中心频率，且目标与杂波分量在频域可能严重重叠，导致这类选择策略可能保留残余杂波而丢弃有用目标分量。相关分析作为模态判别工具虽已被广泛应用，但在强杂波条件下，原始回波本身以杂波为主导，直接以原始信号作为相关分析的参考会使得相关性度量偏向杂波结构。因此，构建一个理想的目标参考模型成为关键问题，该模型信号应保留目标分量的幅度波动和多普勒变化，同时抑制背景杂波和噪声。

二、研究内容与主要结论

针对上述问题，研究人员提出了一种基于相关模态重构（CMR）的雷达目标特征检测方法。该方法以目标时频结构为先验信息，构建理想目标参考模型以指导VMD模态选择，在此基础上集成多域特征提取、相对特征增益评估和基于核判别分析（KDA）的非线性融合，形成从信号重构、特征融合到目标检测的完整流程。实验结果表明，无论采用何种基于特征的检测器，CMR重构信号均比原始信号和其他重构策略提供更好的检测性能，且KDA融合特征在两个数据集上均取得最高的检测概率，相比原始信号提升了约39.83%。

三、关键技术方法

研究人员主要采用了以下几项关键技术方法。第一，基于形态学图像处理的理想目标参考模型构建：将雷达信号通过短时傅里叶变换（STFT）转换为时频图像，依次进行灰度化、高斯平滑、Canny边缘检测、形态学膨胀、轮廓填充等图像处理操作，并结合正弦先验轨迹约束，最终通过逆短时傅里叶变换恢复时域参考信号。第二，多维相关性度量与模态选择：综合采用皮尔逊相关系数（PCC）、互信息（MI）和互功率谱（CPS）三种互补的相关性度量，分别从线性相关、非线性信息依赖和频域相关三个角度评估各IMF与参考模型的匹配程度，经归一化后等权加权得到综合相关分数，以0.5为阈值选取目标相关模态进行重构。第三，多域特征提取与相对特征增益评估：从时域、频域和时频域提取多种特征，通过相对特征增益度量筛选具有判别力的有效特征。第四，基于核判别分析（KDA）的多特征非线性融合：利用高斯径向基函数（RBF）核将特征映射到高维再生核希尔伯特空间（RKHS），通过最大化Fisher判别准则实现非线性判别投影。实验数据来源于Sea-Detecting Radar Data-Sharing Program（SDRDSP），选用海况5级和4级的两组数据集，分别命名为Data Group 1（2022112175025_stare_VV）和Data Group 2（2022112300011_stare_VV）。

四、研究结果

模态分解与目标模态选择结果：对Data Group 1中强目标距离单元的信号进行VMD分解，得到10个IMF，部分IMF的中心频率集中在低频窄带区域，与浮标目标的预期多普勒特性一致。以0.5为阈值，综合相关分数大于0.5的IMF被判定为目标相关模态并保留用于重构。

模态重构与最优分段长度确定结果：研究人员对不同分段长度（32、64、128、256、512、1024、2048脉冲及全长）下的重构信号时频图进行了比较。过短的分段长度导致目标频率特性捕获不完整，过长的分段长度则损失目标瞬态特征的局部细节。综合目标恢复与杂波抑制两方面的考虑，确定512脉冲为最优分段长度。

多域特征提取与有效特征筛选结果：对Data Group 1的强目标、弱目标和参考杂波距离单元分别使用原始信号和重构信号进行多域特征分析。结果显示，平均幅度（AA）、峰值高度（PH）和多普勒峰值高度（DPH）在强目标和弱目标距离单元均表现出一致的改善，因此被保留作为后续检测的有效特征。

非线性多特征融合结果：三个选定特征之间表现出高度一致的判别性能和显著的信息冗余。单个特征的Fisher J值约为1，表明目标与杂波分布存在显著重叠。线性判别分析（LDA）融合仅使Fisher J值略有提升，而KDA融合使两个投影类别的均值呈现明显对称分布，类间可分性显著增强，Fisher J值几乎翻倍。KDA融合特征的分布呈现清晰的双峰形态，目标与杂波密度曲线仅在边缘存在极小重叠。

特征检测结果：在虚警概率为0.05的条件下，对所有距离单元进行检测评估。无论采用何种检测方法，重构信号中检测到的目标区域均比原始信号更完整。以Data Group 1为例，CMR重构信号的KDA融合特征检测概率比最优单一特征高约5.53%，比原始信号高约39.83%，且优于其他重构策略（VMD-FI、VMD-SE、VMD-PCC）的KDA融合特征。Data Group 2采用相同流程验证了方法的泛化能力，检测概率整体高于Data Group 1，与较低海况下的杂波干扰减弱一致。计算复杂度分析表明，所有方法在模态分解阶段具有相同的复杂度，CMR在模态选择阶段增加的额外计算量相对主项可忽略不计。

五、讨论与结论

研究结论指出，本研究提出了一个用于强海杂波下海上雷达目标检测的CMR框架。该方法不依赖固定索引或频谱区间选择模态，而是通过时频分析和形态学图像处理从实测雷达回波中构建目标参考信号，并利用互补的相关性度量识别目标相关模态。重构结果改善了目标与杂波的分离度，相对特征增益和检测概率均得到提升。通过KDA融合所选特征进一步提升了检测性能，CMR-KDA组合在两个数据集中均取得了最高的检测概率。

研究人员同时指出当前框架的局限性：CMR依赖代表性强目标响应进行参考模型初始化，因此主要侧重于增强和恢复同一目标的弱响应，而非对未知目标的完全盲检测。利用从其他目标或场景构建的参考模型检测独立目标的能力尚未得到验证。在无法先验获得可靠目标候选的场景中，需要额外的目标搜索或自动候选选择前端程序。未来工作将研究自动参考模型初始化、自适应模型构建以及跨独立目标和场景的参考模型迁移，并在更广泛的海况、目标条件和观测场景下进行验证。