Этот пример показывает, как задать 2-D порог CFAR на основе необходимой вероятности ложного предупреждения (pfa).
Примечание: Можно заменить каждый вызов функции эквивалентным step
синтаксис. Для примера замените myObject(x)
с step(myObject,x)
.
Выполните среднее по ячейкам обнаружение CFAR на матрице 41 на 41 камерах, содержащей Гауссов шум. Оцените эмпирический pfa и сравните его с необходимым pfa. Чтобы получить хорошую оценку, выполните эту симуляцию на 1000 подобных матрицах. Сначала установите порог, используя необходимую pfa. В этом случае нет целей, и pfa может быть оценена из числа камер, которые превышают порог. Предположим, что данные обрабатываются через детектор квадратного закона и что никакое интегрирование импульсов не выполняется. Используйте полосу обучающих ячеек шириной 3 ячейки и высотой 4 ячейки. Используйте защитную полосу из 3 камер в ширину и 2 камеры в высоту, чтобы отделить тестируемые камеры (CUT) от обучающих камер. Укажите необходимый pfa 5.0e-4.
Создайте изображение 41 на 41, содержащее случайные комплексные данные. Затем квадрат данных для симуляции детектора квадратного закона.
Обработайте все камеры на каждом изображении. Для этого найдите строку и столбец каждой камеры CUT, область обучения которой полностью находится в каждом изображении.
Отобразите камеры CUT.
Выполните обнаружение всех камер CUT. Возвращает классификацию обнаружения и порог, используемый для классификации камеры.
Найдите и отобразите изображение с ложным предупреждением для рисунка.
Вычислите эмпирическую pfa.
Эмпирический и указанный pfa согласен.
Отобразите среднее эмпирическое пороговое значение по всем изображениям.
Вычислите теоретический пороговый коэффициент для необходимого pfa.
Теоретический пороговый коэффициент, умноженный на отклонение шума, должен совпадать с измеренным порогом.
Теоретический порог и эмпирический порог согласны в пределах приемлемого различия.