基于Matlab计算经典CFAR阈值

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

基于Matlab计算经典CFAR阈值

⛄ 完整代码

function T = calcCFARthreshold(nTest, nRef, thePFA)

% calculates classical radar CFAR threshold for 0-mean AWGN

% classical Neyman-Pearson detection threshold for radar detection

% under additive Gaussian white noise criterion and specifid false alarm

% probability.

% the threshold T is calculated such that under the noise-only condition

% 计算0均值AWGN的经典雷达CFAR阈值

% 雷达检测的经典Neyman-Pearson检测阈值

% 在加性高斯白噪声准则和特定的虚警概率下

% 仅在噪声条件下计算阈值T

% prob(Ptest > T * Pref) <= pfa                        Eq(1)公式1

%

% where Ptest is the sum of normed-squares of the nTest cells

%       Pref  is the sum of normed-squares of the nRef cells

%       pfa is the required maximum type-I (aka false alarm prob) error

%其中：Ptest是nTest单元的标准平方和，Pref是nRef单元的标准平方和，pfa是所需的最大类型-I（又名虚警概率）误差

%

% inputs: nTest  - the number of noise-only test cells

%         nRef   - the number of noise-only reference cells

%         thePfA - maximum probability such that 

%                  prob(Ptest/Pref > T) <= pfa         Eq(2)

%                  This is equivalent to Eq(1) 

%inputs：nTest  - 仅噪声测试单元的数量

%        nRef  - 仅噪声参考单元的数量

%        thePfA  - 这样的最大概率prob（Ptest / Pref> T）<= pfa Eq（2）相当于方程（1）

% demo:  calcCFARthreshold;  % no inputs

%demo： 计算0均值AWGN的经典雷达CFAR阈值；%无输入

% the classical CFAR processor compares the total power in nTest cells

% to the power in nRef cells. The threshold T is selected so that the 

% ratio of Eq(2) is satisfied. it is assumed that the both sets' cells

% contain only thermal (AWGN) noise. If this ratio exceeds T, it assumed a 

% radar target exists. The probability that only noise exceeds T is given 

% by the threshold T (usually on the order of 10^-4 to 10^-7). 

%经典CFAR处理器将nTest单元中的总功率与nRef单元中的功率进行比较。

%选择阈值T使得满足Eq（2）（公式2）的比率。

%假设两组'单元仅包含热（AWGN）噪声。

%如果该比率超过T，则假定存在雷达目标。

%仅噪声超过T的概率由阈值T给出（通常在10 ^ -4到10 ^ -7的数量级）。

% michaelB brost. as usual, fully sharable under GPLv3

% michaelB brost. 像往常一样，在GPLv3下完全可以共享

% demo

if(nargin == 0),%nargin是用来判断输入变量个数的函数:如果输入变量的数目为0

    nTest = 10; %仅噪声测试单元个数

    nRef  = 25; %仅噪声参考单元的数量

    thePFA = 1e-4;%方程2：“prob(Ptest/Pref > T) <= pfa”的最大概率，方程2等效与方程1“prob(Ptest > T * Pref) <= pfa”

    T = calcCFARthreshold(nTest, nRef, thePFA);

    doTest(nTest, nRef, thePFA, T);

    clear('T');

    return;

end

% requires the statistics toolbox需要统计工具箱

T = finv(1 - thePFA, nTest, nRef) * nTest / nRef;

return

function doTest(nTest, nRef, thePfa, T)

% simple test of threshold calc阈值计算的简单测试

nPt   = min(1e5, ceil(50/thePfa));

nIter = 15;

nHit  = zeros(nIter, 1);

wHnd = waitbar(0, '');

for k1=1:nIter

    % test set noise power测试设置噪声功率

    testPower = sum(randn(nPt, nTest).^2, 2);

    % reference set noise power参考设定噪声功率

    refPower = sum(randn(nPt, nRef).^2, 2);

    

    % test

    index = find(testPower >= (T .* refPower)); 

    % >(大于)，>=(大于等于)，<(小于)，<=(小于等于)， ==(等于)，~=(不等于)

    % count up contacts 计数

    nHit(k1) = length(index);

    

    waitbar(k1/nIter, wHnd, sprintf('PFA simulation iteration %d of %d', k1, nIter));

   

end

close(wHnd);

pHit = nHit / nPt;

figure;

stem(pHit);

ylabel('P_F_A');

xlabel('runs');

pfaAvg = mean(pHit);

pfaStd = sqrt(var(pHit));

title(sprintf(...

    'calculated average pfa: %5.3e, 1-sigma: %5.3e (design: %5.2e)\n', ...

    pfaAvg, pfaStd, thePfa));

hold on;

lHnd = line([1, nIter], [thePfa, thePfa]);

set(lHnd, 'color', 'k');

lHnd = line([1, nIter], [pfaAvg, pfaAvg]);

set(lHnd, 'color', 'b');

lHnd = line([1, nIter], [thePfa, thePfa] - pfaStd);

set(lHnd, 'color', 'r');

lHnd = line([1, nIter], [thePfa, thePfa] + pfaStd);

set(lHnd, 'color', 'r');

legend('simulated PFA', 'specified PFA', 'mean PFA', '1 \sigma limits', ...

'location', 'south');

set(gca, 'xlim', [0, nIter+1]); 

⛄ 运行结果

⛄ 参考文献

⛄ Matlab代码关注

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料