智能型恒虚警率检测算法
Posted 20世纪的科研小白：Xuliang
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了智能型恒虚警率检测算法相关的知识，希望对你有一定的参考价值。
转发和使用请注明来源，以下为本人精心整理，还请尊重本人劳动成果与产权！经本人发现存在盗用将以律师函途径解决。由于本人现有知识和能力有限，如存在错误之处请指正！下面为正文内容：
1.S-CFAR检测算法（Switching，开关CFAR）
S-CFAR检测算法是通过参考单元内数据确定筛选门限，将小于筛选门限的参考单元划分至S0，将大于筛选门限的参考单元划分至S1，当S0的单元数目n0大于抗干扰数目时，可用S0来估计杂波背景功率水平。
实现的步骤具体可以分为三步：
（1）根据CA的思想求解出门限水平$T=\\alpha Z$,其中$\\alpha$为衰减系数（通过人为选择）。
（2）根据（1）中求解得到的门限水平T分别与参考窗内每个单元采样值$x_i$进行比较，如果$x_i>T$则将$x_i$放入$S_1$序列，否则将$x_i$放入$S_0$序列中。
（3）如果$S_0$序列中单元数目$n_0$超过整数门限$N_T$，那么采用$S_0$中的样本估计阈值，反之则利用全体参考单元的样本估计阈值。参考单元中是否存在目标的判决规则如下：
$x>\\frac{\\beta_0}{n_0}\\Sigma_{x_i=S_0} x_i,n_0>N_T$
$x>\\frac{\\beta_1}{2N}\\Sigma_{i=1}^{2N} x_i,n_0 <= N_T$
其中，S-CFAR检测算法的检测性能与$\\alpha$、$\\beta_0$、$\\beta_1$和$N_T$有关。S-CFAR的设计流程中可以简化设计使$\\beta_0=\\beta_1=\\beta$，其余参数的设计如下：（1）设计干扰目标数目（最大可容纳的干扰目标数量）为$N_i$,整数门限$N_T$满足关系$N_T=2N-N_i-1$.（2）在选定$N_T$以后，对每个区间的$\\alpha$值，根据$P_{fa}$式可以计算出来门限系数$\\beta$。
改进的SOS-CFAR算法中，更新了判决规则为如下，其中$k$为选择序号。
$x>\\beta_0 x(k) x_i,n_0>N_T$
$x>\\frac{\\beta_1}{2N}\\Sigma_{i=1}^{2N} x_i,n_0 <= N_T$
比较S-CFAR与SOS-CFAR两种算法的区别主要在于更新了$n_0>N_T$时的判决规则（门限水平估计准则），这两种算法的框图可以如下图表示（图片绘制较粗糙，但可以反映原理）。
为什么会出现上述两种判决规则，如何理解$n_0$与整数门限$N_T$间的关系呢？我的理解是，如果背景杂波占据了$N_t/N$比例（这个比例比较大）的参考窗，那么可以用这部分的参考单元即$S
_0$的采样值作为功率水平的估计（估计方式可以采用CA,OS等）；反之如果背景杂波占据的比例非常小，其强度可以忽略不计，则可以用参考窗内全体采样值的平均进行估计（准确地说此时参考窗内被强杂波占据）。
理解判决规则后自然需要推导出S-CFAR算法的虚警概率$P_{FA}$，经典版本S-CFAR的虚警概率具体形式如下：
$$
P\\left( N,N_T,\\alpha ,\\beta _0,\\beta _1 \\right) =\\frac{1}{1+\\sigma}\\sum_{n_0=0}^{N_t}{\\sum_{m=M_0}^{min\\left( M,n_0 \\right)}{\\sum_{n=0}^{n_0-m}{\\sum_{k=0}^m{\\left( \\begin{array}{c}
M\\\\
m\\\\
\\end{array} \\right)}}}}\\left( \\begin{array}{c}
2N-M\\\\
n_0-m\\\\
\\end{array} \\right) \\left( \\begin{array}{c}
n_0-m\\\\
n\\\\
\\end{array} \\right) \\left( \\begin{array}{c}
m\\\\
k\\\\
\\end{array} \\right) \\frac{\\left( -1 \\right) ^{k+n}V\\left( k,n \\right)}{\\left( 1+\\sigma _I \\right) ^M}+\\frac{1}{1+\\sigma}\\sum_{n_0=N_t+1}^{2N}{\\sum_{m=M_0}^{min\\left( M,n_0 \\right)}{\\sum_{n=0}^{n_0-m}{\\sum_{k=0}^m{\\left( \\begin{array}{c}
M\\\\
m\\\\
\\end{array} \\right)}}}}\\left( \\begin{array}{c}
2N-M\\\\
n_0-m\\\\
\\end{array} \\right) \\left( \\begin{array}{c}
n_0-m\\\\
n\\\\
\\end{array} \\right) \\left( \\begin{array}{c}
m\\\\
k\\\\
\\end{array} \\right) \\frac{\\left( -1 \\right) ^{k+n}W\\left( k,n \\right)}{\\left( 1+\\sigma _I \\right) ^m}
$$
其中，$W(k,n)$的具体形式如下：
$$
\\boldsymbol{W}\\left( \\boldsymbol{k},\\boldsymbol{n} \\right) =\\frac{\\boldsymbol{\\xi }_{\\boldsymbol{k},\\boldsymbol{n}}^{\\boldsymbol{n}_0}\\left[ 1-\\frac{\\boldsymbol{\\xi }_{k,\\boldsymbol{N}}\\boldsymbol{\\sigma }_{\\boldsymbol{I}}}{\\left( 1+\\sigma _I \\right) \\left( \\boldsymbol{\\xi }_{k,\\boldsymbol{n}}+\\boldsymbol{\\rho }_{k,\\boldsymbol{n}}+\\left( 1+\\sigma \\right) ^{-1} \\right)} \\right] ^{-\\boldsymbol{m}}}{\\left( \\boldsymbol{\\rho }_{k,\\boldsymbol{n}}+\\left( 1+\\sigma \\right) ^{-1} \\right) \\left( \\boldsymbol{\\xi }_{k,\\boldsymbol{n}}+\\boldsymbol{\\rho }_{k,\\boldsymbol{n}}+\\left( 1+\\sigma \\right) ^{-1} \\right) ^{\\boldsymbol{n}_0}}
\\\\
\\boldsymbol{\\xi }_{k,\\boldsymbol{n}}=\\boldsymbol{n}_0\\beta _0^{-1}-\\left( \\boldsymbol{k}+\\boldsymbol{n} \\right) \\alpha \\geqslant 0
\\\\
\\boldsymbol{\\rho }_{k,\\boldsymbol{n}}=\\alpha \\left[ \\frac{\\boldsymbol{M}-\\boldsymbol{m}+\\boldsymbol{k}}{1+\\sigma _I}+2\\boldsymbol{N}-\\boldsymbol{M}-\\boldsymbol{n}_0+\\boldsymbol{m}+\\boldsymbol{n} \\right]
$$
其中，$V(k,n)$的具体形式如下：
$$
\\boldsymbol{V}\\left( \\boldsymbol{k},\\boldsymbol{n} \\right) =\\frac{\\boldsymbol{\\xi }_{\\boldsymbol{k},\\boldsymbol{n}}^{2\\boldsymbol{N}}\\left[ 1-\\frac{\\boldsymbol{\\xi }_{k,\\boldsymbol{N}}\\boldsymbol{\\sigma }_{\\boldsymbol{I}}}{\\left( 1+\\sigma _I \\right) \\left( \\boldsymbol{\\xi }_{k,\\boldsymbol{n}}+\\boldsymbol{\\rho }_{k,\\boldsymbol{n}}+\\left( 1+\\sigma \\right) ^{-1} \\right)} \\right] ^{-\\boldsymbol{M}}}{\\left( \\boldsymbol{\\rho }_{k,\\boldsymbol{n}}+\\left( 1+\\sigma \\right) ^{-1} \\right) \\left( \\boldsymbol{\\xi }_{k,\\boldsymbol{n}}+\\boldsymbol{\\rho }_{k,\\boldsymbol{n}}+\\left( 1+\\sigma \\right) ^{-1} \\right) ^{2\\boldsymbol{N}}}
\\\\
\\boldsymbol{\\xi }_{k,\\boldsymbol{n}}=2\\boldsymbol{N}\\beta _{1}^{-1}-\\left( 2\\boldsymbol{N}-\\boldsymbol{n}_0+\\boldsymbol{k}+\\boldsymbol{n}+\\alpha \\right) \\geqslant 0
\\\\
\\boldsymbol{\\rho }_{k,\\boldsymbol{n}}=\\alpha \\left[ \\frac{\\boldsymbol{M}-\\boldsymbol{m}+\\boldsymbol{k}}{1+\\sigma _I}+2\\boldsymbol{N}-\\boldsymbol{M}-\\boldsymbol{n}_0+\\boldsymbol{m}+\\boldsymbol{n} \\right]
$$
上述虚警概率和相关公式主要参考了“Constant false-alarm rate algorithm based on test cell information”等论文（可在谷歌学术上搜索得到），具体公式推导由于篇幅问题不再展开。从虚警概率公式可见，该公式与先前的恒虚警率检测算法的虚警概率公式（多为关于门限系数$\\alpha$的闭合函数形式）不同，由多个变量（包含衰减系数$\\alpha$，整数门限$N_t$，门限系数$\\beta$，功率系数$\\sigma$）共同作用，因此采用二分法求解门限系数显得困难，故多篇论文中采用了交叉验证的方式来求解合适的门限系数$\\beta$。
设置功率系数$\\sigma_1$和$\\sigma$为0，参考窗长度$2N=64$即$N=32$,设置整数门限$N_t=32$,设置衰减系数$\\alpha$为[0.1,1]并且步进为0.1，设置门限系数$\\beta$和$beta_1$为[10:50]并且步进为0.1，代入上述的虚警概率公式中求解并取对数形式，可以得到虚警概率关于不同门限系数和衰减系数的曲线如下图所示.可以看到当衰减系数从1降低至0.1时，S-CFAR的虚警概率曲线逐渐偏离CA-CFAR的虚警概率曲线，这意味着要实现相同的检测性能时S-CFAR需要花销比CA-CFAR更大的门限系数代价，同时在均匀背景下为实现相同的性能S-CFAR需要有更多的CFAR损失；而衰减系数更大时其逼近CA,这不利于多目标背景下的目标检测。因此在衰减系数的选择上需要进行折中选择，这里可以选择门限系数$\\alpha=0.3$.
选择完合适的衰减系数后需要进一步确定整数门限$N_t$，整数门限的选择影响着最大可容纳干扰数目（$N_i=nN-N_t-1$）。从图中可见，随着整数门限的下降，虚警概率$P_{fa}$关于门限系数$\\beta$的曲线会逐渐偏离$N_t=32$时的曲线。整数门限越大，意味着参考窗内可容纳干扰数目越小，对多目标背景下目标检测越不利。因此，选择合适的整数门限，对多目标背景检测是有意义的。这里可以选择整数门限$N_t=17$。
综上分析，这里可以选择的参数为：虚警概率$p_{fa}=10^{-5}$,衰减系数$\\alpha=0.3$,整数门限$N_t=17$,门限系数$\\beta=15.03$.
以上程序的代码如下所示。
%% S-CFAR的虚警概率计算
clc;clear;close all;
%% 参数设置
sigma = 0;
sigmaI = 0;
alpha_array = 0.1:0.1:1.0; %衰减系数
beta_array = 10:0.1:50;
M = 0;
N = 32;
Nt = 17;
Pfa = zeros(length(alpha_array),length(beta_array));
%% 计算虚警概率
for index = 1:length(alpha_array)
alpha = alpha_array(index);
for index1 = 1:length(beta_array)
beta0 = beta_array(index1);
Qn0 = 0;
for n0 = 0:Nt
M0 = max(0,n0 - 2 * N + M);
for m = M0:min(n0,M)
for n = 0:(n0-m)
for k = 0:m
rou = alpha * ((M - m + k) / (1 + sigmaI) + 2 * N - M - n0 + m + n);
phy = 2 * N / beta0 - (2 * N - n0 + k + n) * alpha;
if(phy < 0)
break;
else
V = phy^(2*N) * (1-(phy*sigmaI/(1+sigmaI)/(phy+rou+(1+sigma)^(-1)))^(-M)) / (rou+(1+sigma)^(-1)) / (phy+rou+(1+sigma)^(-1))^(2*N);
Qn0 = Qn0 + 1 / (1+sigma) * nchoosek(M,m) * nchoosek(2*N-M,n0-m) * nchoosek(n0-m,n) * nchoosek(m,k) * (-1)^(k+n) / (1+sigmaI)^M * V;
end
end
end
end
end
Pn0 = 0;
for n0 = Nt+1:2*N
M0 = max(0,n0 - 2 * N + M);
for m = M0:min(M,n0)
for n = 0:n0-m
for k = 0:m
phy = n0 / beta0 - (k + n) * alpha;
rou = alpha * ((M - m + k) / (1 + sigmaI) + 2* N - M - n0 + m + n);
if phy < 0
break;
else
W = phy^n0 * (1 - (phy*sigmaI/(1+sigmaI))/(phy+rou+(1+sigma)^(-1)))^(-m)/(rou +(1+sigma)^(-1))/(phy + rou + (1+sigma)^(-1))^n0;
Pn0 = Pn0 + 1 / (1+sigma) * nchoosek(M,m) * nchoosek(2*N-M,n0-m) * nchoosek(n0-m,n) * nchoosek(m,k) * (-1)^(k+n) * W / (1+sigmaI)^m;
end
end
end
end
end
Pfa(index,index1) = Pn0 + Qn0;
end
end
Pfa_ca = (1+beta_array/2/N).^(-2*N);
%% 绘制曲线
plot(beta_array,log10(Pfa_ca),\'Color\',\'#FFD700\',\'LineWidth\',2,\'Marker\',\'<\',\'MarkerIndices\',2:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(1,:)),\'Color\',\'#DC143C\',\'LineWidth\',2,\'Marker\',\'+\',\'MarkerIndices\',4:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(2,:)),\'Color\',\'#FF1493\',\'LineWidth\',2,\'Marker\',\'*\',\'MarkerIndices\',6:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(3,:)),\'Color\',\'#8B008B\',\'LineWidth\',2,\'Marker\',\'v\',\'MarkerIndices\',8:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(4,:)),\'Color\',\'#483D8B\',\'LineWidth\',2,\'Marker\',\'^\',\'MarkerIndices\',10:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(5,:)),\'Color\',\'#0000FF\',\'LineWidth\',2,\'Marker\',\'o\',\'MarkerIndices\',12:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(6,:)),\'Color\',\'#6495ED\',\'LineWidth\',2,\'Marker\',\'d\',\'MarkerIndices\',14:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(7,:)),\'Color\',\'#00BFFF\',\'LineWidth\',2,\'Marker\',\'p\',\'MarkerIndices\',16:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(8,:)),\'Color\',\'#00CED1\',\'LineWidth\',2,\'Marker\',\'s\',\'MarkerIndices\',18:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(9,:)),\'Color\',\'#00FA9A\',\'LineWidth\',2,\'Marker\',\'x\',\'MarkerIndices\',20:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(10,:)),\'Color\',\'#DAA520\',\'LineWidth\',2,\'Marker\',\'>\',\'MarkerIndices\',22:4:length(beta_array));hold on;
h = legend(\'CA\',\'\\alpha=0.1\',\'\\alpha=0.2\',\'\\alpha=0.3\',\'\\alpha=0.4\',\'\\alpha=0.5\',\'\\alpha=0.6\',\'\\alpha=0.7\',\'\\alpha=0.8\',\'\\alpha=0.9\',\'\\alpha=1.0\',\'NumColumns\',2);
set(h,\'edgecolor\',\'none\');
xlabel(\'\\beta\');
ylabel(\'log_{10}Pfa\');
grid minor;
%% S-CFAR的虚警概率计算
clc;clear;close all;
%% 参数设置
sigma = 0;
sigmaI = 0;
alpha = 0.3; %衰减系数
beta_array = 5:0.1:50;
M = 0;
N = 32;
Nt_array = 12:5:32;
Pfa = zeros(length(Nt_array),length(beta_array));
%% 计算虚警概率
for index = 1:length(Nt_array)
Nt = Nt_array(index);
for index1 = 1:length(beta_array)
beta0 = beta_array(index1);
Qn0 = 0;
for n0 = 0:Nt
M0 = max(0,n0 - 2 * N + M);
for m = M0:min(n0,M)
for n = 0:(n0-m)
for k = 0:m
rou = alpha * ((M - m + k) / (1 + sigmaI) + 2 * N - M - n0 + m + n);
phy = 2 * N / beta0 - (2 * N - n0 + k + n) * alpha;
if(phy < 0)
break;
else
V = phy^(2*N) * (1-(phy*sigmaI/(1+sigmaI)/(phy+rou+(1+sigma)^(-1)))^(-M)) / (rou+(1+sigma)^(-1)) / (phy+rou+(1+sigma)^(-1))^(2*N);
Qn0 = Qn0 + 1 / (1+sigma) * nchoosek(M,m) * nchoosek(2*N-M,n0-m) * nchoosek(n0-m,n) * nchoosek(m,k) * (-1)^(k+n) / (1+sigmaI)^M * V;
end
end
end
end
end
Pn0 = 0;
for n0 = Nt+1:2*N
M0 = max(0,n0 - 2 * N + M);
for m = M0:min(M,n0)
for n = 0:n0-m
for k = 0:m
phy = n0 / beta0 - (k + n) * alpha;
rou = alpha * ((M - m + k) / (1 + sigmaI) + 2* N - M - n0 + m + n);
if phy < 0
break;
else
W = phy^n0 * (1 - (phy*sigmaI/(1+sigmaI))/(phy+rou+(1+sigma)^(-1)))^(-m)/(rou +(1+sigma)^(-1))/(phy + rou + (1+sigma)^(-1))^n0;
Pn0 = Pn0 + 1 / (1+sigma) * nchoosek(M,m) * nchoosek(2*N-M,n0-m) * nchoosek(n0-m,n) * nchoosek(m,k) * (-1)^(k+n) * W / (1+sigmaI)^m;
end
end
end
end
end
Pfa(index,index1) = Pn0 + Qn0;
end
end
%% 绘制曲线
plot(beta_array,log10(Pfa(1,:)),\'Color\',\'#DC143C\',\'LineWidth\',2,\'Marker\',\'+\',\'MarkerIndices\',2:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(2,:)),\'Color\',\'#FF1493\',\'LineWidth\',2,\'Marker\',\'*\',\'MarkerIndices\',4:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(3,:)),\'Color\',\'#8B008B\',\'LineWidth\',2,\'Marker\',\'v\',\'MarkerIndices\',6:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(4,:)),\'Color\',\'#483D8B\',\'LineWidth\',2,\'Marker\',\'^\',\'MarkerIndices\',8:4:length(beta_array));hold on;
plot(beta_array,log10(Pfa(5,:)),\'Color\',\'#0000FF\',\'LineWidth\',2,\'Marker\',\'o\',\'MarkerIndices\',10:4:length(beta_array));hold on;
h = legend(\'Nt=12\',\'Nt=17\',\'Nt=22\',\'Nt=27\',\'Nt=32\',\'NumColumns\',1);
set(h,\'edgecolor\',\'none\');
xlabel(\'\\beta\');
ylabel(\'log_{10}Pfa\');
grid minor;
将S-CFAR在邻近单目标背景下进行仿真,随机产生在200个距离单元内产生信杂比分别为15dB、20dB的邻近目标，经典均值类ML-CFAR和有序统计类OS-CFAR以及S-CFAR的检测结果如下图所示，OS-CFAR和S-CFAR成功检测除了邻近目标，具有较好的多目标检测性能。
具体代码如下所示。
clc;clear;close all;
%% 均匀背景
% % lambda = 1; %指数分布参数
% % dB = 20; %背景杂波功率
% % SCR = 15; %信杂比
% % num = [1,1024]; %距离单元设置
% % [x,target] = uniform_background(lambda,dB,SCR,num); %产生均匀背景
%% 多目标背景
lambda = 1; %指数分布参数
dB = 20; %背景杂波功率
SCR1 = 15; %信杂比
SCR2 = 20; %信杂比
num = [1,200]; %距离单元设置
localRule = [20,3,10]; %距离规则
[x,target] = multi_background(lambda,dB,SCR1,SCR2,num,localRule); %产生邻近单目标背景
%% CFAR参数
Pfa = 1e-6; %虚警概率
NSlide = 32;%滑动单元大小
Pro_cell = 4; %保护单元大小
%% 绘图参数
len = num(2);
plotNum = 2;
markersize = 5;
LineWidth = 1.5;
figure(1);
plot(target(:,1),form_Power_P2DB(target(:,2)),\'s\',\'Color\',[1 0 1],\'MarkerSize\',markersize+2,\'LineWidth\',LineWidth),hold on;
plot(form_Power_P2DB(x),\'Color\',\'[0.5 0.5 1]\',\'LineWidth\',LineWidth),hold on;
%% 恒虚警率检测算法测试
Nt = 17;beta = 15.03;
rate = 0.75; %选择序号
alpha(1,1) = ca_threhold(Pfa,NSlide); %CA-CFAR标称因子计算
alpha(2,1) = go_threhold(Pfa,NSlide); %GO-CFAR标称因子计算
alpha(3,1) = so_threhold(Pfa,NSlide); %SO-CFAR标称因子计算
alpha(4,1) = os_threhold(Pfa,NSlide,rate); %OS-CFAR标称因子计算
[result_S] = func_cfar_s(x,beta,NSlide,Nt,Pro_cell); %求解S-CFAR门限
[result_CA] = func_cfar_ca(x,alpha(1,1),NSlide,Pro_cell); %求解CA-CFAR门限
[result_GO] = func_cfar_go(x,alpha(2,1),NSlide,Pro_cell); %求解GO-CFAR门限
[result_SO] = func_cfar_so(x,alpha(3,1),NSlide,Pro_cell); %求解SO-CFAR门限
[result_OS] = func_cfar_os(x,alpha(4,1),NSlide,Pro_cell,rate); %求解OS-CFAR门限
%% 绘制检测曲线
[T_opt] = T_opt_solve(Pfa,lambda,dB,num); %求解理想门限
plot(form_Power_P2DB(T_opt),\'Color\',\'#3CB371\',\'Marker\',\'+\',\'MarkerIndices\',2:plotNum:len,\'LineWidth\',LineWidth);
hold on;
plot(form_Power_P2DB(result_CA{1,2}),\'Color\',\'#DC143C\',\'Marker\',\'*\',\'MarkerIndices\',4:plotNum:len,\'LineWidth\',LineWidth);
hold on;
plot(form_Power_P2DB(result_GO{1,2}),\'Color\',\'#ADFF2F\',\'Marker\',\'v\',\'MarkerIndices\',6:plotNum:len,\'markersize\',markersize,\'LineWidth\',LineWidth);
hold on;
plot(form_Power_P2DB(result_SO{1,2}),\'Color\',\'#8A2BE2\',\'Marker\',\'^\',\'MarkerIndices\',8:plotNum:len,\'markersize\',markersize,\'LineWidth\',LineWidth);
hold on;
plot(form_Power_P2DB(result_OS{1,2}),\'Color\',\'#0000CD\',\'Marker\',\'o\',\'MarkerIndices\',10:plotNum:len,\'markersize\',markersize,\'LineWidth\',LineWidth);
hold on;
plot(form_Power_P2DB(result_S{1,2}),\'Color\',\'#7CFC00\',\'Marker\',\'p\',\'MarkerIndices\',12:plotNum:len,\'markersize\',markersize,\'LineWidth\',LineWidth);
hold on
grid minor;
xlabel(\'\\fontname{宋体}距离单元\');
ylabel(\'\\fontname{宋体}功率值\\fontname{Times New Roman}(dB)\');
ylim([0 50]);
h = legend(\'TARGET\',\'CLUTTER\',\'OPT\',\'CA-CFAR\',\'GO-CFAR\',\'SO-CFAR\',\'OS-CFAR\',\'S-CFAR\',\'Location\',\'SouthEast\',\'NumColumns\',1);
set(h,\'edgecolor\',\'none\')
%% 本程序主要实现S-CFAR恒虚警率检测算法的函数形式
function result = func_cfar_s(x,beta,NSlide,Nt,Pro_cell)
%x:原始杂波数据
%alpha：标称因子
%Nslide：滑动窗大小
%Pro_cell:保护单元大小
%Nt:整数门限
persistent left;
persistent right;
persistent Half_Slide;
persistent Half_Pro_cell;
persistent len;
if isempty(left)
left = 1 + Half_Pro_cell + Half_Slide; %设置左边界
right = length(x) - Half_Pro_cell - Half_Slide; %设置右边界
Half_Slide = NSlide / 2; %半滑动窗
Half_Pro_cell = Pro_cell / 2; %一侧保护单元长度
len = length(x); %杂波单元
end
T = zeros(1,len); %CMLD检测阈值
target = java.util.LinkedList; %利用Java链表来实现目标的存储
for i = 1:left - 1 %左边界
cell_right = x(1,i + Half_Pro_cell + 1 : i + Half_Slide * 2 + Half_Pro_cell);
S0 = cell_right(cell_right <= mean(cell_right));
S1 = cell_right(cell_right > mean(cell_right));
if length(S0) > Nt
T(1,i) = mean(S0) * beta;
else
T(1,i) = mean(cell_right) * beta;
end
if T(1,i) < x(i)
target.add(i); %加入目标
end
end
for i = left:right %中间区域
cell_left = x(1,i - Half_Pro_cell - Half_Slide : i - Half_Pro_cell - 1);
cell_right = x(1,i + Half_Pro_cell + 1 : i + Half_Pro_cell + Half_Slide);
cell = [cell_left,cell_right];
S0 = cell(cell <= mean(cell));
S1 = cell(cell > mean(cell));
if length(S0) > Nt
T(1,i) = mean(S0) * beta;
else
T(1,i) = mean(cell) * beta;
end
if T(1,i) < x(i)
target.add(i); %加入目标
end
end
for i = right + 1 : len
cell_left = x(1,i - Half_Pro_cell - Half_Slide * 2 : i - Half_Pro_cell - 1);
S0 = cell_left(cell_left <= mean(cell_left));
S1 = cell_left(cell_left > mean(cell_left));
if length(S0) > Nt
T(1,i) = mean(S0) * beta;
else
T(1,i) = mean(cell_left) * beta;
end
if T(1,i) < x(i)
target.add(i);
end
end
result = {\'CFAR_S\',T,target}; %采用字典类型
end
以上是关于智能型恒虚警率检测算法的主要内容，如果未能解决你的问题，请参考以下文章
前沿科技 | 中科院科学家基于支持向量机技术研制出智能恒虚警率检测器