企业官网建设流程全解析

这个系列写到第五周，主题还是雷达目标跟踪，方向锁死在检测前跟踪（track-before-detect，TBD）。从零开始跑一个跟工程强相关的课题，过去四周基本是按“信号处理基础 — 回波建模 — 跟踪框架 — 文献调研”的节奏推进的，到第五周终于开始碰核心算法本身了。这周主要干了几件事：把动态规划TBD（DP-TBD）的递推原理完整推了一遍，写了第一版能跑出结果的仿真程序，并且把DP-TBD和传统检测后跟踪（DBT）在低信噪比场景下做了对比。结果挺直观，但踩的坑也不少。

这篇笔记直接把第五周的全过程整理出来，包括思路、公式、仿真设计、结果分析和坑位记录。内容默认读者有一定的雷达信号处理基础，但没到专家水平——如果你正准备做TBD相关的课程设计、毕业课题，或者刚开始接触弱小目标检测，这篇应该能帮你少走很多弯路。

1. 第五周的起点：从“看懂公式”到“跑通程序”

1.1 前四周到底做了哪些铺垫

先交代一下背景，不然直接讲第五周会很突兀。这个课题是从零起步的，前四周的节奏大概是：

第一周把雷达系统的基本链路捋了一遍，搞清楚发射波形、接收机、脉冲压缩、MTI/MTD 这些模块各自在干什么。第二周开始写回波仿真程序，用某科学计算环境生成距离—多普勒二维数据，加入复高斯噪声，并且把信噪比的定义统一到了功率域。第三周进入目标跟踪的基础内容，把点迹处理、航迹起始/关联/滤波/终止这一整套检测后跟踪的流程跑了一遍，卡尔曼滤波是重点。第四周集中看文献，从经典综述开始理解TBD的动机和大致分类，然后复现了一个简单的单帧恒虚警检测器作为后续比较的基线。

到第四周结束的时候，我对TBD的认识其实还停留在“多帧积累、不做单帧门限判决”这种概念层面。真正要把DP-TBD写出来，发现公式和代码之间的距离比想象中大得多。

1.2 第五周定的研究目标和输出物

第五周开始之前，导师给的方向很明确：不做大而全的调研，把DP-TBD这一条线吃透，并且用仿真验证效果。所以我给自己定了四个交付物：

第一，完整推导DP-TBD的状态模型、值函数递推和回溯判决流程，做到能用自己的话把每一步讲清楚。第二，在仿真环境里实现一个基本版本的DP-TBD检测器。第三，在低信噪比条件下跑出检测概率和虚警概率曲线，和传统单帧检测做对比。第四，记录实现过程中遇到的问题和解决思路，形成一份踩坑笔记。

从结果来看，四个目标基本都完成了，但“看懂DP-TBD”和“模拟仿真DP-TBD”之间确实隔着一层窗户纸，这一周主要就是破这层窗户纸。

2. 检测前跟踪的基本框架与技术选型

2.1 放着现成的检测后跟踪不用，为什么还要折腾

传统雷达目标跟踪几乎都是“先检测，后跟踪”的思路：雷达每一帧回波先做脉冲压缩和MTD，然后在距离—多普勒域用恒虚警检测器设置一个门限，超过门限的点保留下来变成点迹，再对点迹做航迹关联和滤波。

这套流程在中高信噪比环境下非常成熟，工程上也稳定。但问题出在目标信噪比很低的时候：单帧检测为了控制虚警，必须把门限抬高，结果真实目标的回波因为峰值低于门限被当作噪声丢掉。一旦目标在单帧里检测不出来，后面所有跟踪环节都无从谈起。换句话说，DBT在检测这一步就“信息截止”了——低于门限的信号虽然可能包含目标，但直接被丢弃。

TBD的核心思想是：单帧不设判决门限，让原始量测数据（通常是距离—多普勒幅度图）直接进入跟踪端，通过多帧联合积累来换取信噪比增益。目标在每一帧都很弱，但它的运动是有规律的，连续帧的能量沿着一条轨迹累积起来就会变得足够强，这时候再做最终判决。用个不太严谨的类比：DBT像是先拍一张照片，看清楚人才算看见；TBD像是把一段连续视频合成到一张长曝光照片上，哪怕每一帧的影像都极淡，只要人走过就能拉出一条轨迹。

2.2 三种主流TBD路线怎么选

看文献的时候会发现，TBD不是只有一种实现方法，常见路线至少有三种：基于动态规划的DP-TBD、基于Hough变换的HT-TBD、基于粒子滤波的PF-TBD。第五周我肯定不能全都搞一遍，所以需要做一个选型判断。

DP-TBD把检测跟踪问题转化成一个多阶段决策优化问题，用值函数递推的方式在离散状态空间里搜索最优轨迹。它的数学框架清晰，实现相对直接，计算量随积累帧数线性增长，而且理论分析比较成熟。缺点是值函数递推存在“展宽效应”，积累增益不是理想的满额积累，另外状态空间离散化会引入量化损失。

HT-TBD利用目标在笛卡尔空间的直线轨迹在参数空间形成峰值的特性，实现比较简单，特别适合匀速直线运动目标。但它的硬伤也很明显：目标一旦有机动，轨迹不再是直线，参数空间积累效果会迅速变差。

PF-TBD基于贝叶斯滤波框架，把目标存在性和状态估计统一放在后验分布里求解，处理非线性非高斯问题和机动目标的能力最强。但粒子滤波的计算量大，而且收敛性、粒子退化这些都是经典工程难题，从零开始实现并不容易。

综合考虑教材难度、计算资源和时间约束，第五周选择DP-TBD作为突破口是合理的。它既不像Hough那样只适用于直线运动，也不像粒子滤波那样在工程调参上投入巨大，作为TBD入门的第一条完整链路最为合适。

2.3 TBD在哪些场景里真正发挥价值

搞清楚TBD的应用场景，能帮我们理解为什么要为它付出这么多计算代价。当前比较典型的场景有这么几类：

一是低空小型无人机目标。这类目标雷达截面积小，飞行速度较慢，回波强度往往淹没在地杂波和噪声里，用单帧检测很难稳定捕获。二是海面慢速小目标。目标本身很小，加上海杂波幅度起伏剧烈，传统检测器往往在“漏目标”和“海杂波虚警”之间难以平衡。三是弹道导弹防御中的远程小目标。目标距离远、回波弱，但运动轨迹相对平滑，适合利用多帧信息进行积累。四是天基雷达对空间碎片的监视。空间碎片通常也是弱目标，而且轨道运动可预测，先跟踪再判决的思路很适配。

这些场景的距离—多普勒数据都有共同特点：单帧信噪比低、目标运动有规律、背景噪声可以统计建模。看到这些特征，基本可以直接判断TBD是值得投入的方向。

3. 动态规划TBD的建模与完整推导

3.1 目标运动模型和观测模型怎么建

DP-TBD的建模起点是目标运动状态。在雷达平面坐标系里，假设目标做匀速直线运动，那么状态向量可以写为位置和速度的组合：

x_k = [rx_k, vx_k, ry_k, vy_k]^T

其中 rx、ry 是位置分量，vx、vy 是速度分量。状态转移方程是

x_k = F * x_{k-1} + G * v_{k-1}

匀速模型的转移矩阵和噪声驱动矩阵分别为

F = [[1, T, 0, 0], [0, 1, 0, 0], [0, 0, 1, T], [0, 0, 0, 1]] G = [[T^2/2, 0], [T, 0], [0, T^2/2], [0, T]]

这里的T是雷达扫描周期或者说帧间隔，v_{k-1}是过程噪声，用来补偿目标轻微机动带来的模型失配。

观测模型和传统目标跟踪不太一样。TBD不直接观测点迹，而是观测第k帧的距离—多普勒二维幅度图 z_k(r, d)。这里的r表示距离单元索引，d表示多普勒单元索引。目标如果存在，它的能量会在某个距离—多普勒单元附近形成一个小的峰值；目标如果不存在，整个二维图只有噪声。

所以DP-TBD里的“观测”是带有目标位置信息的幅度像素值，而不是经过门限判决的稀疏点迹。这个差别是理解TBD的关键。

3.2 值函数递推与状态转移约束

DP-TBD的核心是定义一个值函数 I_k(x_k)，表示到第k帧为止，目标在状态x_k上的最大积累能量（或者对数似然比积累）。初始帧对所有可能状态直接用单帧量测信息赋值：

I_1(x_1) = g(z_1 | x_1)

从第二帧开始，每个状态的值函数等于“所有可能的前序状态中最大的值函数”加上“当前帧本状态的量测信息贡献”：

I_k(x_k) = max_{x_{k-1} ∈ τ(x_k)} [ I_{k-1}(x_{k-1}) ] + g(z_k | x_k)

这里的τ(x_k)是状态x_k的允许前序状态集合，也就是目标在上一帧“可能从哪里来”。由于目标速度有限，状态集合里的点不会全都能转移到当前状态，而是根据最大速度和帧间隔画出一个局部邻域。

单帧量测信息贡献g(z_k | x_k)最常简化为幅度平方的对数形式：

g(z_k | x_k) ≈ |z_k(x_k)|^2 / (2 * σ_n^2)

这个式子可以理解为“当前状态出现目标的可能性强度”。在多帧积累过程中，沿着真实目标轨迹的峰值会不断累加，而随机噪声峰值的累加速度就慢得多，这就是DP-TBD能在低信噪比下工作的基础。

实现值函数递推的时候，状态空间必须离散化。距离—多普勒图本身天然就是离散单元（一个距离门×一个多普勒通道），速度则需要另外量化。比如目标最大速度是Vmax，把速度范围等间隔分成若干档，每个状态就是“位置单元 + 速度档位”的组合。状态转移集合τ(x_k)的大小取决于速度档位和帧间隔能覆盖多少个单元。

3.3 检测判决与航迹回溯的完整流程

多帧积累完成之后，末帧值函数 I_N(x_N) 的峰值就代表了候选轨迹的最强积累量。把这个峰值和一个检测门限VT比较，超过门限就判定目标存在，否则判定无目标。

门限VT的选取不是拍脑袋定的，通常要专门做无目标场景的蒙特卡洛仿真：在纯噪声数据上重复运行DP-TBD，统计末帧值函数最大值的分布，然后取某个高分位数使得虚警概率达到预设水平。比如做500次纯噪声实验，取99.99%分位数，实测虚警率大约就在10^-4量级。

检测到目标之后，还需要回溯整条航迹。实现时一般维护一个backtrack指针数组，在递推阶段记录每个状态取到的最大前序状态。判决完成后，从末帧峰值状态开始，沿着指针逐帧向前跳，就得到每一帧目标所在的离散状态序列，再映射回距离—多普勒坐标就形成了完整航迹。

整个DP-TBD的计算复杂度大约是 O(N × S × M)，其中S是总状态数（位置单元数乘以速度档数），M是每个状态的前序集合大小。这个复杂度是理解后面仿真参数设计的基础，也决定了状态空间不能设得太大。

4. 仿真系统搭建与实验结果分析

4.1 仿真场景与参数配置

第五周的仿真不追求高保真雷达模型，重点是把整套算法的链路跑通。我用的典型参数如下：

雷达载频：X波段，约9.4 GHz 距离分辨率：37.5 m 距离单元数：256 多普勒通道数：128 帧间隔T：2 s 积累帧数N：10

目标设置为一个径向速度约20 m/s的匀速运动点目标，信噪比在仿真里从3 dB扫到13 dB。噪声模型是复高斯白噪声，幅度服从瑞利分布。之所以把信噪比范围定在3—13 dB，是因为典型的单帧恒虚警检测需要至少10 dB以上的信噪比才能稳定工作，而TBD的核心目标就是把可用信噪比往下压几个dB。

DP-TBD的内部参数设置：

状态空间：256 × 128（距离单元 × 多普勒通道） 速度档位：按最大速度50 m/s均匀量化为9档 前序集合：距离方向连续转移 + 多普勒方向±1档 检测门限VT：由纯噪声蒙特卡洛标定 蒙特卡洛次数：有目标/无目标各500次

4.2 关键代码结构与核心流程

仿真程序的核心逻辑并不复杂，伪代码如下：

1. 初始化值函数： for 每个状态 x_1: I_1(x_1) = g(z_1 | x_1) 2. 多帧递推： for k = 2 to N: for 每个状态 x_k: best = argmax_{x_{k-1} ∈ τ(x_k)} I_{k-1}(x_{k-1}) I_k(x_k) = I_{k-1}(best) + g(z_k | x_k) 记录 backtrack[k][x_k] = best 3. 检测判决： if max_x I_N(x) > VT: 从 max_x I_N(x) 的状态开始回溯 输出整条航迹 else: 输出无目标

看起来很简单，但实际写代码时有几个细节必须小心。第一，首帧初始化不能放在递推帧循环里，否则第一帧的量测信息会被当成第二帧的转移贡献，双倍计入，导致航迹位置偏斜。第二，backtrack指针必须单独开一个数组保存，不能只保留当前帧的最大值，否则回溯时根本没有路径信息。第三，g(z_k | x_k) 要用当前帧在目标状态对应的距离—多普勒单元上的幅度值，而不是经过周围的邻域搜索或插值，否则会引入隐含的帧间平滑效应。

4.3 与传统检测后跟踪的对比结果

仿真的主要输出是检测概率随信噪比变化的曲线，以及虚警概率控制后的性能对比。统计结果整理成表格如下：

两组实验的虚警概率都控制在10^-4量级。单帧检测在5 dB时基本是失灵的，而DP-TBD用了10帧积累之后还能有85%的检测概率，这个差距就是TBD的核心价值。

另外还统计了检测正确时航迹的质量。位置均方根误差大约在45 m，对应距离单元分辨率37.5 m的一个多一点的偏差。速度估计误差约1.8 m/s，主要来自速度档位的量化误差。值得注意的是航迹输出会有固定延迟：由于需要积累N帧才能判决，第N帧检测成功之后才能回溯输出航迹，所以实时性天然受限，这是TBD用在工程上必须接受的代价。

关于积累增益，理想情况下10帧积累能带来10 log10(10) ≈ 10 dB的增益，但DP-TBD的实测等效增益只有6—7 dB。损失来自几个方面：状态离散化和速度量化损失、前序集合限定的次优搜索、以及目标在积累期间跨越多个距离单元导致的能量分散。这个“达不到理论增益”的结果在文献里也反复被提到，属于DP-TBD的固有特性。

5. 踩坑记录与工程建议

5.1 五个最值得记录的问题

第一周里印象最深的一个坑，就是值函数初始化方式错误。一开始我把首帧的所有状态值都设成了零，然后从第二帧开始递推，结果导致前两帧的信息贡献完全失衡，检测性能明显掉了一截。后来才发现首帧必须用z_1直接赋值，这是DP公式里明确要求的，但看公式和写程序时还是容易忽略。

第二个坑是状态转移集合的尺度设置。我把最大速度定成50 m/s，帧间隔2 s，那么目标每帧最多移动 50×2 = 100 m，约等于2.7个距离单元。如果前序集合只覆盖±1个距离单元，目标实际跑2—3个单元就会被丢掉，航迹的积累链会直接断掉。但把前序集合扩大到±5个单元以后，状态搜索规模又明显变大，运行时间从几分钟拉长到几十分钟。最后是结合目标速度分布把集合设置成距离方向±3个单元、多普勒方向±1档，才在性能和计算量之间找到平衡。

第三个坑是检测门限的选取。最开始图省事，直接用理论公式估计了一个门限值，结果无目标场景下虚警高得离谱。后来老老实实做纯噪声蒙特卡洛，把500次无目标仿真里值函数峰值排序，取99.9%分位点作为门限，虚警率才算正常。门限这种东西不能靠拍脑袋，也不能靠理论近似一把梭，实测标定是最可靠的做法。

第四个坑是信噪比定义混淆。我在生成目标回波的时候用了幅度比，在处理的时候用了功率比，中间差了3 dB，导致整个实验曲线整体偏移，看起来DP-TBD效果远好于预期。这个错误后来统一改成“SNR = 目标信号功率 / 噪声功率”并写进注释才解决。做科研仿真，单位统一和定义统一是最基本也是最容易翻车的地方。

第五个坑是随机数种子问题。刚开始每次运行都重新生成随机噪声，导致两次实验之间的数据完全不具可比性，调试的时候根本无法判断性能变化是算法改动引起的还是数据换了一组引起的。改成固定随机种子之后，所有对比实验都在同样的噪声场景上跑，结果稳定可复现，问题定位快了很多。

5.2 对后续研究方向的几点建议

第五周跑通DP-TBD之后，整个算法链路已经闭环了。但要说这套东西能不能直接用到实际雷达系统里，还差得远。目前的想法是后续从几个方向继续扩展：

一是把匀速模型换成匀加速模型甚至交互多模型，解决目标机动时的检测跟踪问题。DP-TBD对机动目标特别敏感，因为值函数积累的轨迹假设是平滑的，一旦目标转弯，积累链容易断。二是考虑多目标场景。当前版本的DP-TBD默认场景里只有一个目标，多目标带来的约束是：两个目标轨迹接近时值函数会互相干扰，需要做轨迹分离或使用多层门限处理。三是把TBD和实际工程约束结合起来考虑，比如积累帧数导致的航迹输出延迟是否能接受、计算能否在实时系统里扛得住、杂波背景如果严重非均匀如何自适应标定门限。

这些方向随便选一个都够再做四五周。但从个人经验来看，先把单目标低信噪比场景做扎实，把DP-TBD的数学、代码、性能边界都摸透，后面扩展起来才有底子可依。

另外，如果时间允许，建议把DP-TBD的结果和Hough-TBD在同一组仿真数据上做一次横向对比，输出一条“不同算法在不同信噪比下的检测概率”对比曲线。这样做的好处是，你能真正理解“DP”和“Hough”在积累策略上的本质差异，而不只是停留在“都能用”的认知层面。

最后分享一个小经验：整个第五周最有价值的输出其实不是那张检测概率曲线，而是手工推公式时留下的草稿和一些清晰标注过的实验脚本。TBD这种内容，公式看十遍不如自己推一遍，推一遍不如亲手写代码跑一遍。下一周打算在这个基础上加入目标机动模型，然后继续往更深的方向扩展。