雷达信号处理：恒虚警（CFAR）原理与 MATLAB 实战
恒虚警率（Constant False Alarm Rate, CFAR）是雷达信号处理中自适应阈值目标检测的核心技术。其核心思想在于：无论背景噪声或杂波的功率如何变化，都保持虚警概率 $P_{fa}$ 为一个预先设定的常数。
1. 基本原理与流程
CFAR 算法通过实时估计待检测单元（Cell Under Test, CUT）周围的背景噪声或杂波功率，并根据期望的虚警率 $P_{fa}$ 自适应地确定检测阈值 $T$。
核心流程
- 滑动窗口：在待检测数据（通常是距离 - 多普勒图或距离向数据）上设定一个固定大小的滑动窗口。
- 单元划分：窗口内的单元被划分为三个部分：
- 待检测单元（CUT）：位于窗口中心，是我们判断是否包含目标的单元。
- 保护单元（Guard Cells, $G$）：紧邻 CUT 两侧，用于防止目标能量泄露污染噪声估计，不参与噪声功率计算。
- 参考/训练单元（Training Cells, $N$）：位于保护单元外侧，用于估计背景噪声/杂波的平均功率。
- 门限计算：根据估计的背景功率 $\hat{\sigma}^2$ 和一个比例因子（门限系数）$\alpha$，确定检测阈值 $T$： $$ T = \alpha \cdot \hat{\sigma}^2 $$ 其中，$\alpha$ 是根据期望的虚警率 $P_{fa}$ 和噪声统计分布推导出来的。
- 目标检测：将 CUT 的功率值 $P_{\text{CUT}}$ 与阈值 $T$ 进行比较：
- 如果 $P_{\text{CUT}} \le T$，则判断不存在目标。
- 如果 $P_{\text{CUT}} > T$，则判断存在目标。
2. 常见 CFAR 算法分类
根据参考单元功率的计算方式不同，CFAR 算法可以分为多种类型，以适应不同的杂波环境：
| 算法类型 | 噪声估计方式 | 适用场景 | 关键特点 |
|---|---|---|---|
| CA-CFAR (Cell Averaging) | 对所有参考单元的功率进行算术平均 | 背景噪声/杂波均匀、同性 | 性能最优良的基准算法，但对于多目标或杂波边界性能差 |
| GO-CFAR (Greatest Of) | 分别计算左右侧平均功率，取较大值 | 适用于杂波功率突变（如杂波边界） | 在杂波边界处能有效抑制虚警 |
| SO-CFAR (Smallest Of) | 分别计算左右侧平均功率，取较小值 | 适用于多目标环境 | 避免强目标泄露到训练单元，抬高门限 |
| OS-CFAR (Order Statistic) | 对参考单元功率排序，选取第 $k$ 个值 | 适用于多目标、非均匀杂波环境 | 鲁棒性强，可有效去除训练单元中的干扰目标 |
3. MATLAB 实际用例：CA-CFAR 实现
下面提供一个基于 MATLAB 的单元平均恒虚警率（CA-CFAR）算法的简单实现，用于一维雷达距离向数据检测。这段代码模拟了噪声背景下的目标回波，并展示了自适应阈值的动态调整过程。
