弹箭与制导学报

弹箭与制导学报 >

2026 , Vol. 46 >Issue 2: 181 - 190

DOI: https://doi.org/10.15892/j.cnki.djzdxb.2026.02.007

学术文章

基于动态CFAR检测的北斗B1C信号捕获门限自适应判决方法

  • 孟喆磊 ,
  • 赵岩 , *
展开
  • 北方自动控制技术研究所, 山西 太原 030006
* 。

收稿日期: 2026-01-27

  网络出版日期: 2026-05-09

收起

An Adaptive Threshold Decision Method Based on Dynamic CFAR Detection for BeiDou B1C Signal Acquisition

  • MENG Zhelei ,
  • ZHAO Yan , *
Expand
  • North Automatic Control Technology Research Institute, Taiyuan 030006, Shanxi, China

Received date: 2026-01-27

  Online published: 2026-05-09

Fold

摘要

在卫星导航接收机中,信号捕获性能受检测门限设置影响显著。现有方法难以适应城市中日益复杂的电磁环境,在多干扰环境下,易出现虚警,严重影响接收机捕获可靠性。为此,在北斗B1C信号捕获环节加入恒虚警率(CFAR)检测,提出一种根据先验干扰数量动态调整判决门限的算法,该算法根据实时估计的环境内干扰目标的数量来自适应确定信号捕获的判决门限,提升接收机在多干扰环境下的性能。仿真结果表明,该算法能显著提升接收机在多干扰环境中的鲁棒性和捕获灵敏度,从而提高军事装备在城市作战中的可靠性。

关键词： 北斗导航信号; 瑞利衰落信道; CFAR; 动态门限判决

本文引用格式

孟喆磊 , 赵岩 . 基于动态CFAR检测的北斗B1C信号捕获门限自适应判决方法[J]. 弹箭与制导学报, 2026 , 46(2) : 181 -190 . DOI: 10.15892/j.cnki.djzdxb.2026.02.007

Abstract

The performance of signal acquisition in satellite navigation receivers is significantly influenced by the setting of detection thresholds.The existing methods are difficult to to adapt to the increasingly complex electromagnetic environments in urban areas,where they are prone to generate false alarms under multiple interference conditions,severely affecting acquisition reliability.To address this issue,a constant false alarm rate (CFAR) detection technique is incorporated into the acquisition of BeiDou B1C signals.An algorithm that dynamically adjusts the decision threshold based on the estimated number of interference targets is proposed.This algorithm adaptively determines the decision threshold of signal acquisition according to the real-time estimated number of interference targets in the environment,thereby enhancing the performance of receiver in multi-interference environment.Simulated results demonstrate that the proposed algorithm significantly improves the robustness and acquisition sensitivity of the receiver in complex interference environments,thereby increasing the operational reliability of military equipment in urban warfare.

Key words： BeiDou navigation signal; Rayleigh fading channel; constant false alarm rate; dynamic threshold decision

0 引言

北斗全球卫星导航系统已实现全球组网,为用户提供持续可靠的定位、导航与授时服务。本文以北斗B1C信号为研究对象,其采用BOC调制方式,与GPS L1C、伽利略E1 OS信号兼容,便于多系统联合定位。BOC调制能提供更尖锐的相关峰,一定程度上提升了多径抑制能力,更适用于城市峡谷等信号传播环境复杂的场景。然而,在此类环境中,卫星信号仍易受遮蔽与多径衰落影响,同时城市中日益复杂的电磁环境导致干扰目标数量动态变化,传统固定或简单自适应检测门限方法难以适应,易引发虚警或漏警,严重影响捕获性能与接收机的可靠性[1]。尽管深度学习等方法在信号检测中表现出色,但其高计算资源需求限制了在实时接收机中的实际应用。
针对上述问题,本文将恒虚警率(CFAR)检测技术引入北斗B1C信号的捕获门限判决中。CFAR能够依据实时噪声环境自适应调整检测门限,在保证恒定虚警概率的同时提升检测概率。本文介绍了OS-CFAR与CMLD-CFAR两种典型CFAR算法,并提出一种根据先验干扰数量动态调整判决门限的改进CFAR方法,通过实时估计环境内干扰目标数量来自适应确定剔除比例,从而提升在多干扰环境下的检测鲁棒性。在瑞利衰落信道下,通过系统仿真对比各类方法的检测性能,验证所提方法能够有效提升卫星导航信号捕获灵敏度,在工程应用方面具备较大的潜力。

1 信号、信道模型

1.1 信号模型

在构建信号模型之前,首先要了解接收机的构成,可分为四个部分:射频部分、捕获、跟踪和数据处理,接收机构成示意图如图1所示:
图1 卫星导航信号接收机构成示意图

Fig.1 Schematic diagram of a satellite navigation signal receiver structure

卫星导航信号接收机更详细的结构如图2所示:
图2 卫星导航信号接收机具体结构示意图

Fig.2 Schematic diagram of detailed structure of a satellite navigation signal receiver

本文所做的研究着眼于捕获环节,也就是图1中的捕获模块这一部分。从图2可知,捕获模块信号来源是经过射频前端处理后的信号,那么接收机中捕获模块接收到的北斗B1C信号的复包络可以表示为[2]
sB1C(t)=sB1C_data(t)+jsB1C_pilot(t)
其中,sB1C_data(t)为数据分量,sB1C_pilot(t)为导频分量,j为虚数单位,数据分量与导频分量的功率比为1:3,两个分量的数学表达式如下:
sB1C_data(t)= $\frac{1}{2}{D}_{B1{C}_{data}}$(t)·CB1C_data(t)·scB1C_data(t)
$\begin{array}{c}{s}_{B1C\_pilot}\left(t\right)=\frac{\sqrt{3}}{2}{C}_{B1C\_pilot}\left(t\right)·s{c}_{B1C\_pilot}\left(t\right)\end{array}$
其中,DB1C_data(t)为导航电文数据,CB1C_data(t)和CB1C_pilot(t)为测距码,scB1C_data(t)和scB1C_pilot(t)为子载波。其中B1C数据分量的子载波scB1C_data(t)表达式为
$\begin{array}{c}s{c}_{B1C\_data}\left(t\right)=sign\left(sin\right(2\pi {f}_{sc\_B1C\_a}t\left)\right)\end{array}$
式中:fsc_B1C_a为1.023MHz。
B1C导频分量的子载波scB1C_pilot(t)为QMBOC(6,1,4/33)复合子载波,由相互正交的BOC(1,1)子载波和BOC(6,1)子载波组合构成,二者功率比为29:4,scB1C_pilot(t)表达式如下:
$\begin{array}{ll}s{c}_{B1{C}_{pilot}}\left(t\right)=& \sqrt[　]{\frac{29}{33}}sign\left(sin\right(2\pi {f}_{s{c}_{B1{C}_{a}}}t\left)\right)\\  & -j\sqrt[　]{\frac{4}{33}}sign\left(sin\right(2\pi {f}_{sc\_B1C\_b}t\left)\right)\end{array}$
其中,fsc_B1C_b为6.138MHz。由式(1)~(5)可得B1C复包络表示。

1.2 瑞利衰落信道

研究卫星导航信号的捕获技术时,除了考虑信号结构及特征外,对卫星信号的传输信道进行分析和研究也是十分必要的。由于卫星远离地面,电磁波传播不仅在复杂环境中会发生反射、绕射、散射等,而且还会受到多径衰落、终端移动等影响。为避免复杂的场景分析,运用统计特性分析的方法,将信号的衰落程度通过概率分布函数的组合进行描述,从而完成信道建模的工作。同时,信号传播过程中的信道变化情况也会更加直观、简单。
当一个信道的接收信号中直射分量被完全遮蔽而仅通过其他路径传输收到信号时,可以认为当前接收到的信号仅由多径信号组成,收到的信号的包络就服从瑞利分布。满足瑞利分布的信道环境中通常有足够多的遮挡物或散射体,比如城市环境中的高层水泥建筑物以及高楼大厦的光滑玻璃镜面,使传输信号在多个方向发生反射,瑞利分布的概率密度函数为[3,4]
$\begin{array}{c}f\left(r\right)=\left\{\begin{array}{ll}\frac{{r}^{2}}{{\sigma }^{2}}exp\left(-\frac{{r}^{2}}{2{\sigma }^{2}}\right),& r\ge 0\\ 0,& r＜0\end{array}\right.\end{array}$
其中,r是接收信号的包络,σ2是多径分量的平均功率,默认在没有明显直射信号时的信号均值为0。瑞利分布的累积分布函数可由对概率密度进行积分得到:
$\begin{array}{c}F\left(r\right)={\int }_{0}^{r}f\left(r\right)\pm dr=1-exp\left(-\frac{{r}^{2}}{2{\sigma }^{2}}\right)\end{array}$
具体的瑞利信道参数设置依据如表1所示:
表1 瑞利衰落信道多径参数设置依据

Table 1 The setting basis of multi-path parameters for Rayleigh fading channels

参数类别 取值范围/分布 取值依据
多径时延 0-2μs B1C码片周期
(约1μs)的1-2倍
多普勒频移 ±5kHz 城市内接收机
运动速度
(0-120km/h)
功率衰减 -3到-10dB 混凝土表面
反射系数
0.3-0.7
多径数量 3-8条 城市密集区
统计平均
由于B1C信号的BOC(1,1)分量的主峰宽度约1.5μs,设置0-2μs的时延扩展可覆盖大多数多径干扰情况,同时避免过大的计算复杂度。同时城市环境中接收机运动速度通常≤120km/h,对应最大多普勒频移约±5kHz(载波频率1575.42MHz)。建筑表面振动引起的微小频移(<100Hz)也已包含在内。并且B1C信号的复合子载波结构(BOC(1,1)+BOC(6,1))对多径时延敏感,当时延大于0.5μs时,BOC(6,1)分量会出现明显的相关峰分裂现象。

2 CFAR检测

恒虚警率(CFAR)检测是一种自适应阈值技术,被广泛应用于雷达信号处理领域,旨在时变噪声与干扰背景下维持恒定的虚警概率。雷达在识别被淹没在噪声和杂波中的雷达回波信号时如果采用固定门限检测或是传统的自适应门限检测算法则会频繁出现虚警的现象,且出现虚警的损失和危害是巨大的,而恒虚警率检测技术可以降低甚至避免这部分损失和危害[5,6]。其基本思想是通过对检测单元(Cell Under Test,CUT)周围的参考单元进行统计处理,实时估计当前干扰和噪声功率,从而动态调整检测门限。典型的CFAR检测器结构包括检测单元、保护单元(防止信号能量泄漏至参考单元)以及参考单元。根据参考单元处理方式的不同,CFAR可分为单元平均CFAR(CA-CFAR)、有序统计CFAR(OS-CFAR)以及删减平均CFAR(CMLD-CFAR)等。从信号特性上来讲,雷达信号回波到达接收机后需要经过系统函数之后再进行处理,卫星导航信号同样是需要在接收机部分与本地载波进行相关,二者之间存在相似性,而采用具有适应复杂环境干扰信号功率变化优点的CFAR检测方法进行捕获门限判决,可以显著提高卫星导航信号接收机的性能。CA-CFAR通过对参考单元取平均估计噪声功率,但在多目标环境中性能下降;OS-CFAR通过对参考单元排序并选取特定次序的样本,提高了抗干扰能力;CMLD-CFAR则结合二者优点,通过剔除部分大样本后求平均来估计噪声水平。本文将OS-CFAR和CMLD-CFAR引入北斗B1C信号捕获门限判决中,并在此基础上提出改进方法。
判断接收机接收到的数据中是否存在我们需要的卫星导航信号,存在两个假设:H0和H1,分别对应于信号的不存在和存在。这个假设在数学上可以被描述为一个二元假设检验。当接收机接收到的数据充满噪声、杂波而不包含有用信号时对应假设H0,当接收机接收到的数据包含有用信号时则对应假设H1。
表2中P(Hi|Hj)(i,j=0,1)的含义是:在假设Hj为真的情况下,判决假设Hi成立的概率。表中P(H1|H0)是信号检测问题中的虚警概率Pfa,P(H1|H1)是检测概率Pd,P(H0|H1)是漏警概率PL。
表2 二元假设检验的判决结果

Table 2 Decision outcomes of the binary hypothesis test

判决 假设
H0 H1
H0 P(H0|H0) P(H0|H1)
H1 P(H1|H0) P(H1|H1)
本文使用两种恒虚警率检测,分别是OS-CFAR和CMLD-CFAR对接收机信号在捕获模块判决环节进行检测。

2.1 OS-CFAR

OS-CFAR(有序统计CFAR)通过对参考单元的幅度进行升序排列,选取第k个样本作为噪声功率的估计值,并与标度因子T相乘得到检测门限。其优势在于无需保护单元,且在多个干扰目标存在时仍能稳健估计背景功率[7]。设参考单元数为M,排序后样本为Z1≤Z2≤…≤ZM-1≤ZM,选取第k个样本Zk[8]作为噪声估计,则虚警概率Pfa与标度因子T的关系为[9,10]
$\begin{array}{c}{P}_{fa}={\prod }_{i=1}^{M}\left(1-\frac{T}{M-i+1}\right)\end{array}$
在信号存在且信噪比为μ的条件下,检测概率为
$\begin{array}{c}{P}_{d}={\prod }_{i=1}^{M}\left(1-\frac{T}{(M-i+1)(1+\mu)}\right)\end{array}$
式中μ= $\frac{c}{2{N}_{0}}$Tc与信号能量和噪声功率谱密度有关。具体推导过程可参考文献[9][10]。
图3 OS-CFAR检测器功能框图

Fig.3 Functional block diagram of OS-CFAR detector

2.2 CMLD-CFAR

CMLD-CFAR(删减平均CFAR)是在CA-CFAR基础上发展而来的,它通过剔除参考单元中幅度最大的k个样本,然后对剩余样本取平均来估计噪声功率,从而在多目标环境中保持鲁棒性。其检测门限由剩余样本均值与标度因子T相乘得到。设参考单元数为M,剔除k个最大样本后,剩余M-k个样本的均值作为噪声估计,则虚警概率Pfa满足[11]:
$\begin{array}{c}{P}_{fa}={M}_{Vi}\left[\frac{T}{a}\right]\end{array}$
其中a=2 ${\sigma }_{0}^{2}$M,而MVi的具体形式为
$\begin{array}{c}{M}_{Vi}\left(\frac{T}{a}\right)=\frac{M}{(M-k)\left(T+\frac{M}{M-k}\right)}\end{array}$
$\begin{array}{c}{M}_{Vi}\left(\frac{T}{a}\right)=\frac{{g}_{i}}{T+{g}_{i}},i=2,\dots,M-k\end{array}$
$\begin{array}{c}{g}_{i}=\frac{M-i+1}{M-k-i+1}\end{array}$
检测概率也可由式(10-13)通过将T替换为T/(1+μ)获得,其中μ= $\frac{c}{2{N}_{0}}$Tc。
图4 CMLD-CFAR检测器功能框图

Fig.4 Functional block diagram of CMLD-CFAR detector

3 动态剔除样本的改进CFAR方法

然而,固定的剔除比例难以适应干扰目标数量动态变化的复杂环境。本文针对此问题提出了一项改进:将剔除比例从OS-CFAR以及CMLD-CFAR常用的固定比率,调整为根据实时估计的环境内干扰目标数量来自适应确定。

3.1 干扰数量估计策略

要实现对环境内干扰目标数量的估计,可以通过以下策略:首先是地图匹配模块:载入高精度三维城市模型,结合接收机实时位置与卫星星历,通过射线追踪模拟多径反射路径,预估理论多径数量;其次是指纹比对模块[12,13]:在训练阶段采集典型场景的信号“指纹”(如相关峰分布、噪声方差)[14,15],在运行阶段通过相似度匹配判断当前多径模式[16,17];最后是滑动窗口统计:基于近期检测单元幅度分布,采用峰均比(PAPR)检测辅助判断干扰是否存在[18-20]。最终N取三者加权融合结果,权重可根据定位精度动态调整。具体实现流程如图5所示:
图5 干扰估计策略实现框图

Fig.5 Block diagram of the implementation of interference estimation strategy

干扰数量估计策略的具体算法流程如表3所示:
表3 干扰数量估计策略的算法流程

Table 3 Process of the interference quantity estimation strategy

输入:接收机当前位置posest,卫星星历eph,三维城市地图,历史指纹库DB,当前信号特征S(如相关峰向量),滑动窗口大小(W=5)
输出:干扰数量估计值N_est,融合置信度conf
1.地图匹配估计:基于三维城市地图和射线追踪技术,根据posest与卫星仰角模拟多镜反径路线,统计理论多径数量作为Nmap;
2.指纹匹配估计:在指纹库DB中搜索与posest最近的K个指纹点(K=5),根据位置距离和特征相似度加权计算干扰数量Nfinger;
3.信号统计估计:对当前信号S的滑动窗口计算峰均比PAPR,依据经验映射关系Nsignal=f(PAPR)(如分段映射函数)得到基于实时信号的干扰数量估计;
4.置信度计算:分别计算各模块的置信度:
•confmap:基于定位精度(如GPS水平精度因子)和地图匹配误差;
•conffinger:基于最近邻平均距离和特征相似度;
•confsignal:基于当前信噪比SNR和信号稳定性;
5.加权融合:计算初步融合值
Nraw=(confmap·Nmap+conffinger·Nfinger+confsignal·Nsignal)/(confmap+conffinger+confsignal)
6.滑窗平滑:将Nraw存入历史队列Nhistory(长度W),更新滑动平均值Nsmooth=mean(Nhistory);
7.异常值抑制:若|Nraw-median(Nhistory)|>2,则用median(Nhistory)替代当前值,防止突变;
8.边界约束与输出:对Nsmooth四舍五入取整,并将估计值限制在合理范围(如0≤Nest≤10),得到最终估计值Nest。同时输出综合置信度conf=mean([confmap,conffinger,confsignal])供后续CFAR决策参考。

3.2 动态剔除样本的改进CFAR方法实现

具体而言,算法首先通过对参考单元序列的统计分析,初步估计当前滑动窗内潜在干扰目标的数量,并基于此估计值动态确定应剔除的最大样本数K,用于确定K值的剔除比率P的计算方法如下所示:
$\begin{array}{c}P=\frac{N}{M}\end{array}$
其中,N代表当前滑动窗内干扰数量的估计值,M代表当前滑动窗的大小。改进CFAR方法的算法流程如表4所示:
表4 改进CFAR方法的算法流程

Table4 Process of the improved CFAR algorithm

输入:复数数组形式的接收信号
输出:检测标志和检测结果
1.构建检测窗口,窗口结构为[R左,G左,CUT,G右,R右],其中R为参考单元,G为保护单元,CUT为检测单元;
2.参考单元排序,将参考单元按照幅度升序排列,Rsorted=sort(R1,R2,…,RNref),Nref为参考单元数量;
3.干扰剔除,去除K个最大幅度的干扰样本,Rfiltered={Ri|i=1,2,…,Nref-K};
4.噪声估计,计算剩余参考单元的平均值Z, $Z=\frac{1}{{N}_{ref}-K}\sum _{i=1}^{{N}_{ref}-K}{R}_{i}$;
5.阈值计算,获取自适应检测阈值;
6.检测决策,若检测单元幅度大于阈值,则判为目标存在,否则判为不存在;
7.滑动窗口,窗口向右滑动一个单元,重复步骤1-6,直至遍历所有检测单元;
8.性能统计,计算检测概率和虚警概率。
具体的改进CFAR方法的功能框图如图6所示:
图6 改进CFAR方法功能框图

Fig.6 Functional block diagram of the improved CFAR algorithm

该方法能够更智能地区分干扰与背景噪声,从而在提前确定好的多径干扰情况中,提供比固定剔除比例策略更优的噪声水平估计精度和检测鲁棒性。

4 仿真结果及分析

本文仿真以北斗B1C信号在瑞利衰落信道下的传播作为前提条件,详细分析和比较了现有方法、CA-CFAR、OS-CFAR、CMLD-CFAR以及改进CFAR等检测算法在不同环境下的表现,实验的详细仿真参数如表5、表6所示。
表5 CFAR仿真参数

Table 5 CFAR simulation parameters

参数 取值
信噪比(SNR_dB)范围 [5:5:70]
参考单元数 12
预期虚警概率 1×10-6
干扰功率比
干扰数量
滑动窗大小(等于参考单元数)
保护单元大小
OS-CFAR剔除比例
CMLD-CFAR剔除比例		 [1,0.5]
[3,6]
12
2
0.75
0.50
表6 B1C信号仿真参数设置

Table 6 B1C signal simulation parameter settings

参数 取值
数据分量子载波频率fsc_B1C_a
导频分量子载波频率fsc_B1C_b
采样频率fs
主码码速率Rc
处理时间
相关运算时间
非相干积分时间		 1.023MHz
6.138MHz
36.828MHz
1.023×106
25ms
10ms
2ms

4.1 固定干扰功率比和干扰数量仿真结果及分析

根据表5、表6的参数进行仿真,以下是仿真结果及仿真结果分析:
图7、图8展示了在干扰信号数量相同(O=3)、干扰功率比分别为1.0和0.5时各类检测方式的检测性能,在瑞利衰落信道下分别对比了OS-CFAR、改进CFAR、CA-CFAR和传统自适应门限方法,各类检测方式的检测概率由高到低如图像所示。经过改进后的CFAR算法的检测概率最高,在各信噪比下都接近1。令人意外的是,CA-CFAR的表现和OS-CFAR相差不大甚至小有优势,这说明在该参数设置和场景下CA-CFAR更具优势。最后就是传统的自适应门限检测了,检测概率甚至不到0.8。由此可见,在瑞利衰落信道下,使用CFAR检测技术在面对干扰时的表现要远优于传统的自适应门限检测,且在各类CFAR检测中,又以CMLD-CFAR的表现最为优越。
图7 I=1.0,O=3时各类检测方式的检测性能(I为干扰功率比,O为干扰数量)

Fig.7 Detection performances of various methods for I=1.0 and O=3

图8 I=0.5,O=3时各类检测方式的检测性能(I为干扰功率比,O为干扰数量)

Fig.8 Detection performances of various methods for I=0.5 and O=3

图9、图10展示了在干扰信号数量相同(O=6)、干扰功率比分别为1.0和0.5时各类检测方式的检测性能,在瑞利衰落信道下分别对比了OS-CFAR、CMLD-CFAR、改进CFAR、CA-CFAR和传统自适应门限方法。各类检测方式的检测概率由高到低如图像所示。可以看到,干扰信号数量的增加也对检测概率曲线产生影响,这部分影响会在后续进行展示和分析。改进CFAR的检测概率依旧最高,在各信噪比下都接近1。传统的自适应门限检测表现依旧不佳,与干扰信号数量和功率比如何变化无关。由此可见,CFAR检测在瑞利衰落信道环境下,面对不同干扰信号数量和干扰信号功率比时的表现都优于传统的自适应门限检测。
图9 I=1.0,O=6时各类检测方式的检测性能(I为干扰功率比,O为干扰数量)

Fig.9 Detection performances of various methods for I=1.0 and O=6

图10 I=0.5,O=6时各类检测方式的检测性能(I为干扰功率比,O为干扰数量)

Fig.10 Detection performances of various methods for I=0.5 and O=6

图11、12分别展示了在相同干扰信号数量下,不同干扰功率比对同一种检测方法的影响。由以上两张图可以看出,在确保干扰信号数量一致的情况下,各CFAR检测方法对功率比变化的敏感性并不强,而传统门限检测在干扰信号数量为6时,检测概率曲线随着功率比变化的比较明显,也印证了在瑞利信道环境下该方法的不可靠性。
图11 相同干扰信号数量和不同功率比下的检测概率对比(O=3)

Fig.11 Comparison of detection probabilities under the same number of interference signals and different power ratios(O=3)

图12 相同干扰信号数量不同功率比下的检测概率对比(O=6)

Fig.12 Comparison of detection probabilities under the same number of interference signals and different power ratios(O=6)

图13、14分别展示了相同干扰功率比下(I=0.5和I=1.0),不同干扰信号数量对同一种检测方法的影响。由以上两张图可以清晰发现,表现最好的改进CFAR检测方法在干扰信号数量增加时,检测概率曲线出现了明显的下移,说明在该仿真条件下,改进CFAR受干扰信号数量变化的影响较大,而其他的CFAR检测方法则对干扰信号数量的变化依旧不敏感,但依旧无法改变改进CFAR的优越性。而传统的自适应门限检测方法的表现依旧不佳,更加说明了在瑞利信道环境下引入CFAR检测方法的必要性。
图13 相同干扰功率比不同干扰信号数量下的检测概率对比(I=0.5)

Fig.13 Comparison of detection probabilities under the same number of interference signals and different power ratios(I=0.5)

图14 相同干扰功率比不同干扰信号数量下的检测概率对比(I=1.0)

Fig.14 Comparison of detection probabilities under the same number of interference signals and different power ratios(I=1.0)

如图15所示,本文对比了五种检测方式在连续变化的干扰数量(O=1~10)和干扰功率比(I=0.2~1.2)下的检测概率并以热力图的形式进行展现。仿真表明,动态CFAR方法的表现明显优于其他四种检测方式,证明了动态CFAR方法的普适性。同时,各类CFAR方法的表现也优于传统自适应门限检测。
图15 干扰数量/功率比的连续变化热力图(SNR=10dB)

Fig.15 Continuous variation heat map of interference quantity/power ratio (SNR=10dB)

4.2 误差分析与鲁棒性讨论

4.2.1 干扰数量估计误差来源分析

本文提出的动态CFAR方法需要准确估计环境中的干扰数量N。然而,实际应用中N的估计可能受到多种误差源的影响:
(1)定位误差导致的匹配失效:三维地图匹配方法依赖于精确的接收机位置。当北斗定位存在漂移(典型城市环境5-15米)时,地图匹配可能指向错误的建筑群,导致多径数量估计偏差。仿真表明,5米定位误差可能引起N估计误差±1,10米误差可能导致±2的偏差。
(2)指纹库有限覆盖问题:基于学习的指纹方法受限于训练数据的完备性。在未学习区域或环境发生显著变化时(如新建建筑、季节变化),指纹匹配相似度降低,估计可靠性下降。
(3)信号统计方法的局限性:基于PAPR等实时信号特征的估计方法在低信噪比(SNR<10dB)环境下性能恶化,难以区分弱干扰与噪声。

4.2.2 动态剔除策略的鲁棒性增强措施

针对以上各个来源的误差,本文提出以下增强鲁棒性的措施:
(1)多源信息融合:结合惯性导航(IMU)、视觉里程计等多源定位信息,在北斗信号断续时仍能维持定位精度,减少地图匹配失效概率。
(2)置信度加权机制:为每种估计方法(地图、指纹、信号统计)输出置信度分数,动态调整融合权重。
(3)滑窗平滑与异常值抑制:通过滑动窗中值滤波抑制异常跳变。
(4)自适应边界保护:根据环境类型动态调整剔除比例上下限。在开阔天空环境下最小剔除值为1,最大剔除值为3;在城市峡谷环境内最小剔除值为3,最大剔除值为8。

4.2.3 估计误差对动态CFAR性能的影响

为量化估计误差的影响,本文进行了附加仿真实验,结果如图16、17所示:
图16 各干扰误差下的动态CFAR检测概率曲线(O=3,I=1.0)

Fig.16 Detection probability curves of the improved CFAR under various interference errors (O=3,I=1.0)

图17 各干扰误差下的性能损失热力图(O=3,I=1.0)

Fig.17 Performance loss heat map under various interference errors (O=3,I=1.0)

仿真发现,当估计出现轻微误差时的影响有限,轻微低估(误差为-1)的表现要显著差于轻微高估(误差为+1)。当出现严重高估(误差为+2)时会导致过度剔除,噪声估计偏低,虚警率略有上升(从10-6升至1.8×10-6),但检测概率仍保持较高水平。当出现严重低估(误差为-2)会出现剔除不足,干扰残留导致噪声估计偏高,检测概率下降较多,与图11中的仿真结果相对比,动态CFAR在此情况下与传统自适应门限方法的检测性能较为接近。

4.2.4 虚警率稳定性分析

尽管动态剔除策略在检测概率上表现优异,但需确保虚警率保持在可接受水平。仿真结果显示,在理想估计条件下,动态CFAR的虚警率稳定在0.8~1.2×10-6。当估计存在误差时,需要分高估干扰数量和低估干扰数量两种情况。当干扰数量被高估时,虚警率略有上升(最高至1.8×10-6),仍在可控范围内;当干扰数量被低估时,虚警率变化不明显,但此时的主要风险为检测概率下降的风险。在极端多干扰情况下(干扰数>8),所有CFAR方法虚警率均上升,此时建议启用辅助检测策略。

5 结论

本文针对复杂电磁环境下卫星导航信号捕获门限判决易受多干扰影响的问题,系统分析了CFAR检测技术中OS-CFAR与CMLD-CFAR的性能表现,并提出了一种基于实时干扰目标数量动态调整剔除比例的CMLD-CFAR改进策略。通过与传统自适应门限检测、CA-CFAR及固定剔除比例的OS-CFAR、CMLD-CFAR方法在瑞利衰落信道下的仿真对比,验证了CFAR方法在多干扰环境下的整体优越性。尤其是本文提出的具备动态剔除功能的CFAR方法在检测概率与系统鲁棒性方面的显著提升。同时该方法适用于城市峡谷、密集建筑区、动态多干扰环境,在卫星信号遮挡严重、多径效应显著的场景中优势明显。但在开阔天空或极低信噪比条件下,建议结合其他抗干扰策略使用。
仿真结果表明,采用动态剔除策略的CFAR方法在不同信噪比、不同干扰数量与不同功率比条件下,均表现出最优且稳定的检测性能,其检测概率仍在0.92以上,显著优于其他对比方法。相较于固定剔除机制,动态调整方法能更精准地估计噪声水平,有效降低虚警率,提升捕获灵敏度,从而增强北斗接收机的可靠性与鲁棒性。本研究不仅拓展了CFAR技术在卫星导航信号处理中的应用维度,也为高动态、多干扰环境下的接收机设计提供了具有工程实用价值的参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
PROGRI I F, HUANG P, PI Y, et al. Indoor adaptive GNSS signal acquisition.Part 1:theory and simulations[J]. Journal of Geolocation Geo-information and Geo-intelligence, 2016, 2016:2016071601.

[2]
中国卫星导航系统管理办公室. 北斗卫星导航系统空间信号接口控制文件公开服务信号B1C (1.0版)[EB/OL].(2017-12-27)[2026-01-27]. http://www.beidou.gov.cn/yw/xwzx/201712/t20171226_11002.html.

China Satellite Navigation Office. BeiDou navigation satellite system signal in space interface control document open service signal B1C (Version 1.0)[EB/OL].(2017-12-27)[2026-01-27]. http://www.beidou.gov.cn/yw/xwzx/201712/t20171226_11002.html.

[3]
BENACHENHOU K, HAMADOUCHE M, TALEB-AHMED A. New formulation of GNSS acquisition with CFAR detection[J]. International Journal of Satellite Communications and Networking, 2017, 35(3):215-230.

DOI

[4]
杨鹏涛. 新体制卫星导航信道特性与接收技术研究[D]. 成都: 电子科技大学, 2022.

YANG P T. Research on channel characteristics and reception technology of new satellite navigation system[D]. Chengdu: University of Electronic Science and Technology of China, 2022.

[5]
刘朝军, 张欣, 王守权. 雷达目标恒虚警检测算法研究[J]. 舰船电子工程, 2008, 28(7):107-109.

LIU C J, ZHANG X, WANG S Q. Research on the radar target’s CFAR detection methods[J]. Ship Electronic Engineering, 2008, 28(7):107-109.

[6]
贾创. 复杂背景下雷达恒虚警检测算法研究[D]. 西安: 西安电子科技大学, 2023.

JIA C. Research on radar constant false alarm rate detection algorithm in complex background[D]. Xi’an: Xidian University, 2023.

[7]
OURFELLA E, HASSANI M F, BENKRINAH S, et al. Enhancement of GPS signals acquisition in non-homogeneous environment using CFAR techniques[C]// Proceedings of the 2024 8th International Conference on Image and Signal Processing and their Applications (ISPA).Biskra,AF, DZ:IEEE, 2024:1-6.

[8]
ROHLING H. Radar CFAR thresholding in clutter and multiple target situations[J]. IEEE Transactions on Aerospace and Electronic Systems, 1983, AES-19(4):608-621.

DOI

[9]
BENKRINAH S, BARKAT M, BENSLAMA M. An adaptive hybrid double-dwell PN code acquisition in Rayleigh fading channels using OS-CFAR algorithm[C]// Proceedings of the International Conference on Electronics & Oil:from Theory to Applications (ICEO’11).[S.l.]:[s.n.], 2011:131-136.

[10]
DOUDOU F Z, DJEBBARI A. Particle swarm optimization aided serial acquisition in distributed OSCFAR and CMLD for DS-CDMA systems in fading channels[J]. Wireless Personal Communications, 2017, 94(3):621-640.

DOI

[11]
BOUTELDJA M A, BAADECHE M, SOLTANI F. Optimization of distributed OS-CFAR and CMLD-CFAR detectors using differential evolution algorithm[J]. Arabian Journal for Science and Engineering, 2022, 47(3):3355-3365.

DOI

[12]
RIYAZ S, SANKHE K, IOANNIDIS S, et al. Deep learning convolutional neural networks for radio identification[J]. IEEE Communications Magazine, 2018, 56(9):146-152.

[13]
FU H, SUN Y F, PENG L N, et al. Channel-resilient RF fingerprint identification based on nonlinear features with memory effect[J]. IEEE Communications Letters, 2024, 28(4):798-802.

DOI

[14]
SOLTANIEH N, NOROUZI Y, YANG Y, et al. A review of radio frequency fingerprinting techniques[J]. IEEE Journal of Radio Frequency Identification, 2020, 4(3):222-233.

DOI

[15]
REN Y Q, PENG L N, BAI W S, et al. A practical study of channel influence on radio frequency fingerprint features[C]// Proceedings of the 2018 IEEE International Conference on Electronics and Communication Engineering (ICECE).Xi’an, CN:IEEE, 2018:1-7.

[16]
王培. 基于稳态信号的射频指纹算法的研究[D]. 成都: 电子科技大学, 2020.

WANG P. Research on RF fingerprinting algorithm based on steady state signal[D]. Chengdu: University of Electronic Science and Technology of China, 2020.

[17]
茆旋宇, 官友廉, 陈永游, 等. 基于深度卷积网络的对讲机个体识别[J]. 航天电子对抗, 2020, 36(3):31-35.

MAO X Y, GUAN Y L, CHEN Y Y, et al. Identification of walkie-talkie based on deep convolution neural network[J]. Aerospace Electronic Warfare, 2020, 36(3):31-35.

[18]
何继爱, 冯瑞雪, 贺蓉. 总功率和PAPR联合约束下的双功能雷达通信系统波形设计[J]. 通信技术, 2025, 58(9):961-969.

HE J A, FENG R X, HE R. Waveform design of dual-functional radar-communication system under joint constraints of total power and PAPR[J]. Communications Technology, 2025, 58(9):961-969.

[19]
向淑淑. 多载波多天线系统的预编码与PAPR联合优化技术研究[D]. 成都: 电子科技大学, 2025.

XIANG S S. Research on joint optimization of precoding and PAPR in multi-carrier multi-antenna systems[D]. Chengdu: University of Electronic Science and Technology of China, 2025.

[20]
何金阳. 复杂电磁环境下雷达波形设计与信号处理研究[D]. 成都: 电子科技大学, 2025.

HE J Y. Research on radar waveform design and signal processing in complex electromagnetic environment[D]. Chengdu: University of Electronic Science and Technology of China, 2025.

Options
文章导航

/

〈 〉

陕ICP备2025069823号-1

版权所有 © 《弹箭与制导学报》编辑部
地址：北京市海淀区车道沟十号院　
邮编：100089　
电话：010-68961361 010-68968684
E-mail：djxb1980@163.com
技术支持：北京玛格泰克科技发展有限公司