企业官网建设流程全解析

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 x>Tx>T，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 (Pfa=10−6Pfa​=10−6)，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。