Детектор постоянной частоты ложных предупреждений (CFAR)
Обнаружение
phaseddetectlib
Блок CA CFAR реализует постоянный детектор скорости ложного предупреждения, используя оценку степени шума. Детектор CFAR оценивает степень шума от соседних камер, окружающих тестируемую камеру. Существует четыре метода оценки шума: среднее по ячейкам (CA), среднее по ячейкам (GOCA), среднее по ячейкам (SOCA) и статистика порядка (OS).
Задайте алгоритм обнаружения CFAR, используя одно из значений
CA | Среднее по ячейкам |
GOCA | Наибольшее среднее по камерам |
OS | Порядок статистика |
SOCA | Среднее наименьшее из камер |
Задайте количество защитных камер, используемых в обучении, как четное целое число. Этот параметр задает общее количество камер на обеих сторонах тестируемой камеры.
Укажите количество обучающих камер, используемых в обучении, как четное целое число. По возможности обучающие камеры разделяются поровну до и после тестируемой камеры.
Этот параметр появляется, когда CFAR algorithm установлено на OS
. Задайте ранг статистики порядка как положительный целочисленный скаляр. Значение должно быть меньше или равно значению Number of training cells.
Укажите, получен ли коэффициент порога от автоматического вычисления, параметра Custom threshold factor или входного параметра. Значения этого параметра:
Auto | Приложение автоматически вычисляет пороговый коэффициент на основе желаемой вероятности ложного предупреждения, заданной в параметре Probability of false alarm. Вычисление предполагает, что каждый независимый сигнал во входе является одним импульсом, выходящим из детектора квадратного закона без импульсного интегрирования. Вычисление также предполагает, что шум является белым Гауссовым. |
Custom | Параметр Custom threshold factor задает пороговый коэффициент. |
Input port | Порог коэффициент устанавливается с помощью входа порта K . Этот порт появляется только, когда Threshold factor method установлено на Input port . |
Этот параметр появляется только, когда вы задаете Threshold factor method Auto
. Задайте желаемую вероятность ложного предупреждения как скаляр между 0 и 1 (не включительно).
Этот параметр появляется только, когда вы задаете Threshold factor method Custom
. Задайте пользовательский коэффициент порога как положительная скалярная величина.
Формат результатов обнаружения, возвращенный к выходному порту Y
, по заданному как 'CUT result'
или 'Detection index'
.
Когда установлено значение 'CUT result'
, результатами являются логические значения обнаружения (1
или 0
) для каждой тестируемой камеры. 1
указывает, что значение тестируемой камеры превышает порог обнаружения.
Когда установлено значение 'Detection index'
результаты формируют вектор или матрицу, содержащую индексы тестируемых камер, которые превышают порог обнаружения.
Установите этот флажок, чтобы создать выход порт Th
содержит порог обнаружения.
Установите этот флажок, чтобы создать выход порт N
содержащий расчетный шум.
Источник количества обнаружений, заданный как Auto
или Property
. Когда вы выбираете Auto
, количество сообщенных индексов обнаружения является общим количеством камер, которые имеют обнаружения. Если вы выбираете Property
количество сообщенных обнаружений определяется значением параметра Maximum number of detections.
Чтобы включить этот параметр, установите параметр Output format равным Detection index
.
Максимальное количество отчетных индексов обнаружения, заданное как положительное целое число.
Чтобы включить этот параметр, установите параметр Output format равным Detection index
и параметр Source of the number of detections для Property
.
Метод симуляции блоков, заданный как Interpreted Execution
или Code Generation
. Если вы хотите, чтобы ваш блок использовал MATLAB® интерпретатор, выберите Interpreted Execution
. Если вы хотите, чтобы ваш блок выполнялся как скомпилированный код, выберите Code Generation
. Скомпилированный код требует времени для компиляции, но обычно запускается быстрее.
Интерпретированное выполнение полезно, когда вы разрабатываете и настраиваете модель. Блок запускает базовую системную object™ в MATLAB. Вы можете быстро изменить и выполнить модель. Когда вы удовлетворены вашими результатами, можно запустить блок с помощью Code Generation
. Длинные симуляции выполняются быстрее, чем при интерпретированном выполнении. Можно запускать повторные выполнения без перекомпиляции. Однако, если вы меняете какие-либо параметры блоков, то блок автоматически перекомпилируется перед выполнением.
При установке этого параметра необходимо учитывать режим симуляции модели в целом. Таблица показывает, как параметр Simulate using взаимодействует с общим режимом симуляции.
Когда Simulink® модель находится в Accelerator
режим блока, заданный с помощью Simulate using, переопределяет режим симуляции.
Режимы ускорения
Симуляция блоков | Поведение симуляции | ||
Normal | Accelerator | Rapid Accelerator | |
Interpreted Execution | Блок выполняется с помощью интерпретатора MATLAB. | Блок выполняется с помощью интерпретатора MATLAB. | Создает независимый исполняемый файл из модели. |
Code Generation | Блок скомпилирован. | Все блоки в модели скомпилированы. |
Для получения дополнительной информации смотрите Выбор режима симуляции (Simulink).
Примечание
Блочные входы и порты выхода соответствуют входу и выходным параметрам, описанным в step
метод базового системного объекта. См. ссылку в нижней части этой страницы.
Порт | Описание | Поддерживаемые типы данных |
---|---|---|
X | Вход камеры. Размер первой размерности матрицы входа может варьироваться, чтобы симулировать изменяющуюся длину сигнала. Изменение размера может произойти, например, в случае импульсного сигнала с переменной частотой повторения импульса. | Плавающая точка двойной точности |
Idx | Камеры. | Плавающая точка двойной точности |
K | Пороговый коэффициент. | Плавающая точка двойной точности |
N | Шумовая степень. | Плавающая точка двойной точности |
Y | Результаты обнаружения. | Плавающая точка двойной точности |