文件

phased.CFARDetector2D

二维CFAR探测器

展开所有页面

描述

phased.CFARDetector2D系统对象™为二维图像数据的所选元素（称为小区）实现恒定的假警报速率检测器（CFAR）。当图像单元格值超过阈值时声明检测。为了保持恒定的误报率，阈值被设置为图像噪声功率的倍数。探测器估计用于抑制电池测试的噪声功率（切）使用三种单元平均法中的一种或顺序统计法从周围单元中提取。单元平均法为单元平均法（CA）、单元最大平均法（GOCA）或单元最小平均法（SOCA）。

对于每个测试单元，检测器：

  1. 从围绕切割单元的训练频带中的小区值估计噪声统计。

  2. 通过将噪声估计乘以阈值因子来计算阈值。

  3. 将剪切单元值与阈值进行比较，以确定目标是否存在。如果该值大于阈值，则表示存在目标。

运行探测器

  1. 定义并设置2-D CFAR检测器。你可以设置phased.CFARDetector2D创建对象或将其设置为默认值时的系统对象属性。请参阅建造。以后可以更改在构造时设置的某些属性。这些属性是调节。

  2. 通过调用来找到检测步方法。此方法的输出取决于该方法的性质phased.CFARDetector2D系统对象。

笔记

或者，代替使用步方法要执行系统对象定义的操作，可以使用参数调用对象，就像它是一个函数。例如，y =步骤（obj，x）和y = obj（x）执行等效操作。

建造

探测器= phased.cfardetector2d.创建一个2-D CFAR探测器系统对象，探测器。

探测器= phased.cfardetector2d（姓名那价值）创建二维恒虚警系统对象，探测器，每个指定的属性姓名设置为指定的价值。您可以按任何顺序指定其他名称值对参数（名称1那value1.，......，纳明那赋值）。

特性

展开全部

二维CFAR平均方法，指定为'CA'那'Goca'那'soca'， 或者'os'。为了'CA'那'Goca'那'soca'，噪声功率是来自训练带的示例均值。为了'os'，噪音力量是K.从数值排序所有训练单元值获得的TH细胞值。放K.使用秩财产。

平均方法 描述
加利福尼亚州- 细胞平均算法

计算切割单元周围所有训练单元的样本平均值。
戈卡- 最大的细胞平均算法

将围绕切割电池的2-D培训窗口分成左右一半。然后，该算法计算每一半的样本均值，并选择最大的平均值。
索卡- 最小的细胞平均算法

将围绕切割电池的2-D培训窗口分成左右一半。然后，该算法计算每半的样本均值，并选择最小的平均值。
OS.- 订购统计算法

按数值的​​升序排序培训单元格。然后算法选择K.列表中的值。K.是由此指定的排名秩范围。

例子：'os'

数据类型：烧焦

剪切小区的每一侧上的保护频带单元的行数和列，指定为非负整数。第一个元素指定沿行维度的保护频带大小。第二个元素指定沿列尺寸的保护频带大小。将此属性指定为单个整数等同于指定具有相同尺寸值的保护频带。例如，值[1 1]，表示存在围绕每个切割单元的一个保护单元宽区域。值为零表示没有保护单元格。

例子：[2 3]

数据类型：单身的|双倍的

剪切单元的每侧上的训练带单元的行数和列的数量，指定为正整数的正整数或1×2矩阵。第一个元素指定沿行尺寸的训练频带大小。第二个元素指定沿列尺寸的训练频带大小。指定此属性作为标量级等同于指定具有相同尺寸值的训练频带。例如，值[1 1]表示围绕切割电池的1个训练单元宽区域。

例子：[-30：0.1：30]

数据类型：单身的|双倍的

2-D CFAR算法中使用的订单统计量级的排名，指定为正整数。此属性的价值必须位于1之间N火车， 在哪里N火车是训练细胞的数量。值1选择培训区域中最小值。

例子：5.

依赖性

要启用此属性，请设置方法财产'os'。

数据类型：单身的|双倍的

阈值因子方法，指定为'汽车'那'输入端口'， 或者'风俗'。

当你设置时阈值Factor.财产'汽车'，阈值因子是根据所需误报集的所需概率计算概率达尔马利财产。计算假设输入中的每个独立信号是从平方法检测器出来的单个脉冲，没有脉冲集成。此外，假设噪声是白色高斯。

当你设置时阈值Factor.财产'输入端口'，阈值因子是从输入参数获得的步方法。

当你设置时阈值Factor.财产'风俗'，阈值因子是从值的值获得的CustualThesholdFactor.财产。

例子：'风俗'

数据类型：烧焦

所需的误报概率，指定为0到1之间的实际正标量。该算法计算误报所需概率的阈值因子。

例子：0.001

依赖性

要启用此属性，请设置阈值Factor.财产'汽车'。

数据类型：单身的|双倍的

自定义阈值因子，指定为真正的正标量。此属性可调整。

依赖性

要启用此属性，请设置阈值Factor.财产'风俗'。

数据类型：单身的|双倍的

返回的检测结果格式步方法，指定为'切割结果'或者'检测索引'。

  • 设置到'切割结果'，结果是逻辑检测值（1或者0.)对于每个测试单元。

  • 设置到'检测索引'，结果形成载体或矩阵，其包含超过检测阈值的测试单元的索引。您可以使用此格式作为输入阶段.Rangeestimator.和阶段.Dopplerestimator.系统对象。

数据类型：烧焦

用于启用检测阈值输出的选项，指定为错误的或者真的。将此属性设置为真的通过输出参数返回检测阈值，TH.，的步方法。

数据类型：逻辑

选择噪声功率输出的选项，指定为错误的或者真的。将此属性设置为真的通过输出参数返回噪声功率，噪音，的步方法。

数据类型：逻辑

指定的检测数量的来源'汽车'或者'财产'。当您将此属性设置为时'汽车'，报告的检测指标的数量是具有检测的测试的总数。如果您将此属性设置为'财产'，报告的检测的数量由值确定numdetections.财产。

依赖性

要启用此属性，请设置输出格式财产'检测索引'。

数据类型：烧焦

要报告的最大检测索引数，指定为正整数。

例子：

依赖性

要启用此属性，请设置输出格式财产'检测索引'和numdetectionssource.财产'财产'。

数据类型：双倍的

方法

重启 重置状态系统对象
步 二维CFAR检测
所有系统对象共同
释放

允许系统对象属性值更改

例子

展开全部

打开直播脚本

此示例显示如何基于误报（PFA）所需的概率来设置2-D CFAR阈值。

笔记：您可以用等价替换每个调用函数步句法。例如，更换myobject（x）和步骤（myObject，x）。

对包含高斯噪声的41×41矩阵进行细胞平均CFAR检测。估计经验PFA并将其与所需的PFA进行比较。为了获得良好的估计，在1000类似的矩阵上执行此模拟。首先，使用所需的PFA设置阈值。在这种情况下，没有目标，并且可以从超过阈值的小区的数量估计PFA。假设数据通过Square-Lab检测器处理，并且没有执行脉冲集成。在宽度和4个细胞中使用3个细胞的训练单元带。在宽度和2个细胞中使用3个细胞的保护带，以将被测电池与训练细胞分离。指定5.0e-4所需的PFA。

p=5e-4；rs=RandStream.create('mt19937ar'那'种子'N=41；ntrials=1000；探测器= phased.cfardetector2d（'训练带式'，[4,3]，......'阈值Factor'那'汽车'那'卫浴尺寸',[2,3],......“概率虚警”，p，'方法'那'soca'那'thresholdoutputport'，真的）;

创建包含随机复杂数据的41×41图像。然后，将数据平方以模拟平方律检测器。

x = 2 / sqrt（2）*（RANDN（RS，N，N，NTRIALS）+ 1I * RANDN（RS，N，N，NTRIALS））;x2 = abs（x）。^ 2;

处理每个图像中的所有单元格。为此，请找到每个剪辑区域完全在每个图像内均匀下降的每个剪切单元的行和列。

Ngc=检测器.防护带宽（2）；Ngr=检测器.防护带宽（1）；Ntc=检测器.训练带宽（2）；Ntr=检测器.训练带宽（1）；cutidx=[]；colstart=Ntc+Ngc+1；colend=N-（Ntc+Ngc）；rowstart=Ntr+Ngr+1；rowend=N-（Ntr+Ngr）；为了m = colstart：colend为了n=行开始：行结束cutidx=[cutidx[n；m]]；结尾结尾ncutcells=大小（cutidx，2）；

显示切割单元。

Cutimage = Zeros（n，n）;为了k = 1：ncutcells cutimage（Cutidx（1，k），Cutidx（2，k））= 1;结尾ImagesC（Cudimage）轴平等的

对所有切割单元进行检测。返回检测分类和用于对单元格进行分类的阈值。

[dets，th] =探测器（x2，cutidx）;

查找并显示带有误报的图像以供插图。

di = [];为了k=1:ntrials d=dets（：，k）；如果（任何（d）> 0）di = [di，k];结尾结尾Idx = di（1）;Detimg = Zeros（n，n）;为了k=1:ncutcells detimg（cutidx（1，k），cutidx（2，k））=dets（k，idx）；结尾ImagesC（Detimg）轴平等的

计算经验PFA。

pfa = sum（dets（：））/ ntrials / ncutcells
PFA = 4.5898E-04

经验和指定的PFA同意。

显示所有图像上的平均经验阈值。

意思（th（:)）
ans=31.7139

计算所需PFA的理论阈值因子。

threshfactor = npwgnthresh（p，1，'无组织'）;threshFactor = 10 ^（threshFactor / 10）;DISP（阈值）
7.6009

理论阈值因子乘以噪声方差应同意测量的阈值。

noisevar=平均值（x2（：）；disp（阈值因子*noisevar）；
30.4118

理论阈值和经验阈值同意在可接受的差异中。

打开直播脚本

在包含五个高斯噪声中密集目标的41×41单元矩阵上执行单元平均CFAR检测。在模拟1000幅图像上执行此检测。使用两个具有不同保护带区域的检测器。使用习俗阈值因子。假设数据通过平方法检测器处理，并且没有执行脉冲集成。在宽度和2个细胞中使用2个细胞的训练单元带。对于第一检测器，使用周围的1个细胞的保护条与训练细胞分离切割细胞。对于第二个探测器，使用周围的8个细胞的保护条带。

笔记：此示例仅在R2016b或更高版本中运行。如果您使用的是早期版本，请使用等效的步句法。例如，更换myobject（x）和步骤（myObject，x）。

p=5e-4；rs=RandStream.create('mt19937ar'那'种子'N=41；ntrials=1000；

创建1000幅41×41的复杂随机噪声图像，标准偏差为1。

s = 1;x = s / sqrt（2）*（RANDN（RS，N，N，NTRIALS）+ 1I * RANDN（RS，N，N，NTRIALS））;

将目标单元值设置为1.5。然后，方形细胞值。

a = 1.5;x（23,20，:) = a;x（23,18，:) = a;x（23,23，:) = a;x（20,22，:) = a;x（21,18，:) = a;x2 = abs（x）。^ 2;

显示目标单元格。

XTGT =零（n，n）;xtgt（23,20，:) = a;xtgt（23,18，:) = a;xtgt（23,23，:) = a;xtgt（20,22，:) = a;xtgt（21,18，:) = a;ImagesC（XTGT）轴平等的轴紧的

将切割单元设置为目标细胞。

Cutidx（1,1）= 23;Cutidx（2,1）= 20;Cutidx（1,2）= 23;Cutidx（2,2）= 18;Cutidx（1,3）= 23;Cutidx（2,3）= 23;Cutidx（1,4）= 20;Cutidx（2,4）= 22;Cutidx（1,5）= 21;Cutidx（2,5）= 18;

使用两个CFAR 2-D探测器对所有切割单元进行检测。第一检测器具有小保护带区域。训练区域可以包括相邻目标，其可以影响噪声功率的计算。第二检测器具有较大的保护带区域，其排除了目标细胞在噪声计算中使用。

创建两个恒虚警检测器。

检测器1=相控.cfardtector2d('训练带式',[2,2],......'卫浴尺寸'，[1,1]，'阈值Factor'那'风俗'那'方法'那'CA'那......'CUSICATHESHOLDFAFFOR'2.'thresholdoutputport'，真的）;detector2 = phased.cfardetector2d（'训练带式',[2,2],......'卫浴尺寸',[8,8],'阈值Factor'那'风俗'那'方法'那'CA'那......'CUSICATHESHOLDFAFFOR'2.'thresholdoutputport'，真的）;

返回检测分类和用于对单元格进行分类的阈值。然后，计算检测的概率。

[DETS1，TH1] =检测器1（X2，CUTIDX）;ndets = numel（dets1（:)）;pd1 = sum（dets1（：））/ ndets
PD1 = 0.6416.
[Dets2，Th2] = Detector2（X2，Cutidx）;pd2 = sum（dets2（：））/ ndets
PD2 = 0.9396.

具有较大保护带区域的检测器具有较高的pfa，因为噪声的估计更准确。

更多关于

展开全部

算法

展开全部

工具书类

[1] MOTT，H.雷达和通信的天线。纽约：John Wiley＆Sons，1992。

[2]理查兹，M. A.雷达信号处理的基础。纽约：麦格劳山，2005年。

[3] Skolnik，M.雷达系统简介，3 ed。纽约：麦格劳山，2001年。

扩展能力

也可以看看

职能

系统对象

块

话题

介绍在R2016B.

相控阵系统工具箱文档
金宝app

尝试matlab，sim金宝appulink等产品下载188bet金宝搏

立即获得审判