雷达检测理论核心是在噪声中准确识别目标面临虚警与漏检的权衡。经典NP准则在已知噪声分布时最大化检测概率现实中的未知杂波参数催生GLRT思想奠定自适应检测基础。工程上CFAR技术动态调整门限CA-CFAR适用于均匀背景但易受遮蔽GO/SO-CFAR优化边缘性能但各有缺陷OS-CFAR通过有序统计剔除异常值具备强鲁棒性成为复杂环境中主流算法。检测理论的发展正是人类应对非均匀、非高斯杂波挑战的智慧结晶。在解决了“能量”雷达方程和“波形”模糊函数之后雷达面临的最后一道物理关卡是在杂乱的噪声背景中如何敢说“这里有个目标”这就是检测理论。它不是简单的“看谁信号大”而是一场关于概率的博弈——我们要用数学工具在“虚警误报”和“漏检漏报”之间找到那个黄金平衡点。1.3 检测与估计与噪声的概率博弈雷达屏幕上的每一个亮点本质上都是一次统计假设检验。H0H0这里只有噪声。H1H1这里有 目标 噪声。我们的任务是设定一个门限 TT如果信号幅度 xTxT就判为 H1H1。1. 经典准则NP (Neyman-Pearson) 准则在雷达领域我们不能为了追求高检测率而不顾一切因为虚警把鸟看成导弹的代价是巨大的耗光导弹库存。NP 准则核心在固定虚警概率 (PfaPfa) 的前提下使检测概率 (PdPd) 最大化。物理意义比如我要求雷达每小时只能误报 1 次 (Pfa10−6Pfa10−6)在这个严苛条件下你要把检测灵敏度做到极致。实现这就要求我们精确知道背景噪声的概率密度函数 (PDF)。如果噪声是高斯白噪声最优检测器就是匹配滤波器 固定门限。2. 现代框架GLRT (广义似然比检验)现实世界中我们往往不知道噪声的具体参数比如杂波功率 σ2σ2 是未知的、变化的。这时 NP 准则就没法用了因为算不出门限。GLRT 思想既然参数未知那就用最大似然估计 (MLE)把未知参数先估算出来代入到似然比公式中。工程意义这是现代自适应检测 (Adaptive Detection)的理论基石。它告诉我们当我们不知道杂波有多强时应该先用周围的数据“估一估”杂波强度然后用这个估计值来归一化待检测信号。这就是CFAR的数学本质。3. 实战利器CFAR (恒虚警检测) 家族杂波环境千变万化晴天、雨天、城市、海面固定的门限会导致虚警率失控。CFAR 检测器的核心思想是动态调整门限。$$ T \alpha \cdot Z $$ZZ对周围参考单元 (Reference Cells) 的杂波功率估计。αα比例因子由预设的 PfaPfa 决定。(1) CA-CFAR (Cell Averaging - 单元平均)算法取左右参考单元的算术平均值作为 ZZ。适用场景均匀背景如平静的海面、高空。缺陷遮蔽效应 (Masking)如果参考单元里有一个强干扰目标平均值 ZZ 会被拉得很高导致门限 TT 暴涨把中间的弱目标“压死”漏检。边缘效应在杂波边缘如陆海交界会产生大量虚警。(2) GO/SO-CFAR (Greatest/Smallest Of - 最大/最小选择)GO-CFAR取左半边平均值和右半边平均值的较大者。优点在杂波边缘控制虚警能力强如气象雷达。缺点遮蔽效应更严重只要一边有干扰门限就起飞。SO-CFAR取较小者。优点能分辨紧挨着的双目标抗遮蔽。缺点在杂波边缘虚警率极高。(3) OS-CFAR (Ordered Statistic - 有序统计) —— 现代主流算法先把所有参考单元排序(Sort)取第 kk 大的那个值作为 ZZ。适用场景多目标复杂环境如繁忙的机场、拥堵的道路。原理排序操作天然剔除了极值。即使参考单元里混进了几个强干扰只要数量少于 N−kN−k它们排在队尾根本影响不到第 kk 个值。鲁棒性 (Robustness)它是目前车载毫米波雷达和防空雷达中最常用的算法。总结检测理论的发展史就是人类与非均匀、非高斯杂波斗争的历史。在理想环境用NP 准则。在未知环境用GLRT 思想。在工程落地用OS-CFAR抗干扰用GO-CFAR抗杂波边缘。 
长河君 · 2026/9/19 19:59:00 · 阅读 1.2k 现代智能雷达技术3——概述（2）
雷达检测理论核心是在噪声中准确识别目标面临虚警与漏检的权衡。经典NP准则在已知噪声分布时最大化检测概率现实中的未知杂波参数催生GLRT思想奠定自适应检测基础。工程上CFAR技术动态调整门限CA-CFAR适用于均匀背景但易受遮蔽GO/SO-CFAR优化边缘性能但各有缺陷OS-CFAR通过有序统计剔除异常值具备强鲁棒性成为复杂环境中主流算法。检测理论的发展正是人类应对非均匀、非高斯杂波挑战的智慧结晶。在解决了“能量”雷达方程和“波形”模糊函数之后雷达面临的最后一道物理关卡是在杂乱的噪声背景中如何敢说“这里有个目标”这就是检测理论。它不是简单的“看谁信号大”而是一场关于概率的博弈——我们要用数学工具在“虚警误报”和“漏检漏报”之间找到那个黄金平衡点。1.3 检测与估计与噪声的概率博弈雷达屏幕上的每一个亮点本质上都是一次统计假设检验。H0H0这里只有噪声。H1H1这里有 目标 噪声。我们的任务是设定一个门限 TT如果信号幅度 xTxT就判为 H1H1。1. 经典准则NP (Neyman-Pearson) 准则在雷达领域我们不能为了追求高检测率而不顾一切因为虚警把鸟看成导弹的代价是巨大的耗光导弹库存。NP 准则核心在固定虚警概率 (PfaPfa) 的前提下使检测概率 (PdPd) 最大化。物理意义比如我要求雷达每小时只能误报 1 次 (Pfa10−6Pfa10−6)在这个严苛条件下你要把检测灵敏度做到极致。实现这就要求我们精确知道背景噪声的概率密度函数 (PDF)。如果噪声是高斯白噪声最优检测器就是匹配滤波器 固定门限。2. 现代框架GLRT (广义似然比检验)现实世界中我们往往不知道噪声的具体参数比如杂波功率 σ2σ2 是未知的、变化的。这时 NP 准则就没法用了因为算不出门限。GLRT 思想既然参数未知那就用最大似然估计 (MLE)把未知参数先估算出来代入到似然比公式中。工程意义这是现代自适应检测 (Adaptive Detection)的理论基石。它告诉我们当我们不知道杂波有多强时应该先用周围的数据“估一估”杂波强度然后用这个估计值来归一化待检测信号。这就是CFAR的数学本质。3. 实战利器CFAR (恒虚警检测) 家族杂波环境千变万化晴天、雨天、城市、海面固定的门限会导致虚警率失控。CFAR 检测器的核心思想是动态调整门限。$$ T \alpha \cdot Z $$ZZ对周围参考单元 (Reference Cells) 的杂波功率估计。αα比例因子由预设的 PfaPfa 决定。(1) CA-CFAR (Cell Averaging - 单元平均)算法取左右参考单元的算术平均值作为 ZZ。适用场景均匀背景如平静的海面、高空。缺陷遮蔽效应 (Masking)如果参考单元里有一个强干扰目标平均值 ZZ 会被拉得很高导致门限 TT 暴涨把中间的弱目标“压死”漏检。边缘效应在杂波边缘如陆海交界会产生大量虚警。(2) GO/SO-CFAR (Greatest/Smallest Of - 最大/最小选择)GO-CFAR取左半边平均值和右半边平均值的较大者。优点在杂波边缘控制虚警能力强如气象雷达。缺点遮蔽效应更严重只要一边有干扰门限就起飞。SO-CFAR取较小者。优点能分辨紧挨着的双目标抗遮蔽。缺点在杂波边缘虚警率极高。(3) OS-CFAR (Ordered Statistic - 有序统计) —— 现代主流算法先把所有参考单元排序(Sort)取第 kk 大的那个值作为 ZZ。适用场景多目标复杂环境如繁忙的机场、拥堵的道路。原理排序操作天然剔除了极值。即使参考单元里混进了几个强干扰只要数量少于 N−kN−k它们排在队尾根本影响不到第 kk 个值。鲁棒性 (Robustness)它是目前车载毫米波雷达和防空雷达中最常用的算法。总结检测理论的发展史就是人类与非均匀、非高斯杂波斗争的历史。在理想环境用NP 准则。在未知环境用GLRT 思想。在工程落地用OS-CFAR抗干扰用GO-CFAR抗杂波边缘。