CN101561497A - 机载雷达杂波抑制方法 - Google Patents

Abstract

本发明公开了一种机载雷达杂波抑制方法，它属于雷达信号处理技术领域，主要解决现有杂波抑制技术样本要求高、计算量大和实时处理性能差的问题。其实现步骤是：首先根据杂波谱分布的先验信息对接收数据进行杂波预处理，实现空时两维降维，降低杂波自由度；然后级联低秩逼近自适应处理，对回波信号进行多次滤波和多次空时二维降维，实现信号的杂波抑制和目标检测。计算机仿真分析和实测数据处理结果表明，本发明在性能良好的前提下样本要求和计算量都有明显降低，同时在样本要求相当的情况下，滤波性能得到了极大改善，可用于动目标检测。

Description

机载雷达杂波抑制方法

技术领域

本发明属于雷达信号处理技术领域，特别是一种对机载雷达杂波的抑制方法，可用于信号检测和动目标识别。

背景技术

机载脉冲多普勒雷达是现代战场上最重要的军事传感器之一，动目标检测是其一项重要功能。机载雷达常常处于下视工作，地面杂波对其检测性能的影响十分严重。地杂波不仅强大，而且由于不同方向的杂波相对载机速度各异，从而使杂波谱大大扩展，杂波呈现很强的空时耦合特性。如何有效地抑制地杂波，是机载雷达下视工作的难题，也是必须解决的问题。在目前的工艺水平和技术支持下，对相控阵天线的旁瓣提出过高要求是不切实际的，而且超低旁瓣技术只能抑制旁瓣杂波，对直接影响最小可检测速度的主瓣杂波，它是无能为力的。空时自适应处理STAP技术正是在这种情况下应运而生，它可以有效提高相控阵雷达的杂波抑制能力和动目标检测性能。

1973年Brennan等人针对相控阵AEW雷达杂波抑制首先提出了空时二维自适应处理的概念。经过几十年的探索和研究，STAP技术如今已形成为一个理论基础较为坚实的实用技术。许多国家的新一代机载预警雷达和下一代机载火控雷达均采用了有源相控阵体制，为STAP技术的应用提供了便利条件。

STAP在空时两维空间实现自适应杂波抑制和动目标信号的相干积累，理论上可以实现最优处理，但实际中全维处理器至少存在以下两方面的主要问题：

一，由于自适应处理器维数成千上万，需要对高维协方差矩阵求逆，其计算量和设备量惊人，无法实时处理；

二，由于需要通过统计平均估计协方差矩阵，因此至少需要2倍处理器维数数目的满足独立同分布的距离单元样本数据，这一点在实际机载雷达杂波环境特别是非均匀环境中很难满足。

为推动STAP走向实用化，人们在降维STAP方面进行了大量的研究，提出了许多降维方法。降维STAP得到广泛重视。降维STAP主要包括固定结构降维方法和自适应结构降维方法，都是在保证性能次优下，通过减少自适应自由度来降低训练样本和计算量的。低秩逼近STAP(LRA-STAP)方法通过将最优STAP处理器分解成若干空时可分离滤波器，实现了降维处理，从而有效地降低了运算量和样本要求，但其在研究中主要针对全维空时数据进行，未考虑利用杂波空时分布的先验知识。而事实上，当机载雷达平台特性、天线安装位置及工作波形等参数确定后，雷达接收的杂波在方位角-多普勒平面的分布是一定的。对于正侧面阵，杂波沿直线分布；对于斜侧面阵，杂波沿斜椭圆分布；对于正前视阵，杂波沿正椭圆分布。局域化JDL自适应方法是一种用辅助通道进行杂波预处理的方法，但在非理想条件下，需要增加空域自由度来补偿通道误差，这会带来i.i.d.样本和计算量的增加。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种新的机载雷达杂波抑制方法，，以进一步降低低秩逼近STAP方法对样本的要求和计算量。

为实现上述目的，本发明鉴于低秩逼近STAP方法的缺点并结合杂波预处理方法的优点，对杂波预处理后再进行低秩逼近，其实现步骤包括如下：

1)用均匀线阵结构或面阵经微波合成的等效线阵雷达天线接收N×K的空时二维数据X，同时给出目标信号的空域导向矢量s(ω_s)∈C^N×1和时域导向矢量s(ω_t)∈C^K×1；

2)对接收的空时二维数据X进行空时两维降维，得到杂波预处理后的M×J(M＜N，J＜K)的空时二维数据X₁，同时得到杂波预处理后的目标信号空域导向矢量s₁(ω_s)∈C^M×1和时域导向矢量s₁(ω_t)∈C^J×1；

3)对杂波预处理得到的空时二维数据X₁和目标信号的空域导向矢量s₁(ω_s)和时域导向矢量s₁(ω_t)作低秩逼近自适应处理，得到滤波后的信号输出y。

本发明与现有技术相比具有以下特点：

1.本发明由于在杂波抑制前先进行空时二维降维，实现杂波预处理，从而进一步降低了低秩逼近STAP方法对样本的要求和计算量。

2.本发明由于预先构建出杂波预处理的空域降维矩阵和时域降维矩阵，所以当机载雷达平台特性、天线安装位置及工作波形等参数确定后，工作时就可直接调用上述矩阵进行杂波抑制，有利于实时处理。

计算机仿真分析和实测数据处理结果表明，本发明的杂波抑制性能优于现有的FA方法和EFA方法。

附图说明

图1是本发明的流程图；

图2是本发明计算滤波器分量时采用的双迭代流程图；

图3是本发明双迭代的迭代收敛性能曲线图；

图4是采用不同方法时的改善因子IF曲线图；

图5是采用不同方法获得的目标所在多普勒通道各距离单元处理输出结果比较图。

具体实施方式

下面参照图1说明本发明的方法实施过程。

步骤1，接收空时二维数据X，同时给出目标信号的空域导向矢量s(ω_s)和时域导向矢量s(ω_t)。

本发明中雷达天线为均匀线阵结构，也可以是面阵经微波合成的等效线阵，天线阵元数目为N，在一个相干处理时间CPI内以脉冲重复频率f_r发射K个脉冲，不失一般的，假设N≤K。对一个CPI内接收的回波信号空时二维数据可以表示成一个N×K的二维数据矩阵

其中x_n，m表示n列子阵接收的第m次回波，式(1)的二维数据既包含不需要的杂波和噪声信号，也可能存在一个待检测的目标信号S_t，其中目标信号矩阵S_t可以表示如下秩为1的矩阵形式：

S_t＝as(ω_s)s^T(ω_t)＝aS       (2)

其中a为目标信号的复幅度，ω_s和ω_t分别是目标信号的归一化空域角频率和时域角频率，S＝s(ω_s)s^T(ω_t)为目标信号导引矩阵，[·]^T表示转置操作，s(ω_s)∈C^N×1和s(ω_t)∈C^K×1分别是空域导向矢量和时域导向矢量，分别表示为：

$s\left({\mathrm{\ω}}_s\right)={\left[\begin{array}{cccc}1& e^{j2\mathrm{\π}{\mathrm{\ω}}_s}& ...& e^{j2\mathrm{\π}{\mathrm{\ω}}_s(N-1)}\end{array}\right]}^T---\left(3\right)$

$s\left({\mathrm{\ω}}_t\right)={\left[\begin{array}{cccc}1& e^{j2\mathrm{\π}{\mathrm{\ω}}_t}& ...& e^{j2\mathrm{\π}{\mathrm{\ω}}_t(K-1)}\end{array}\right]}^T---\left(4\right)$

步骤2，对接收的空时二维数据X进行空时两维降维，得到杂波预处理后的空时二维数据X₁，同时得到杂波预处理后的目标信号空域导向矢量s₁(ω_s)和时域导向矢量s₁(ω_t)。

基于步骤1所说的信号模型，本发明首先用JDL方法对阵元-脉冲域数据X进行空时两维降维并将数据转换到波束-多普勒域，采用的JDL方法中选择局域包含三个波束角(

M＝3)和三个多普勒频率点(

J＝3)，杂波预处理后的空时二维数据X₁和空域导向矢量s₁(ω_s)和时域导向矢量s₁(ω_t)为：

$X_1=T_s^{H}X{T}_t^{*}---\left(5\right)$

$s_1\left({\mathrm{\ω}}_s\right)=T_s^{H}s\left({\mathrm{\ω}}_s\right)---\left(6\right)$

$s_1\left({\mathrm{\ω}}_t\right)=T_t^{H}s\left({\mathrm{\ω}}_t\right)---\left(7\right)$

其中 $T_s=[s\left({\mathrm{\ω}}_{s_{-1}}\right),s\left({\mathrm{\ω}}_{s_0}\right),s\left({\mathrm{\ω}}_{s_{+1}}\right)],$ 为N×M维空域变换矩阵； $T_t=[s\left({\mathrm{\ω}}_{t_{-1}}\right),s\left({\mathrm{\ω}}_{t_0}\right),s\left({\mathrm{\ω}}_{t_{+1}}\right)],$ 为K×J维时域变换矩阵。

步骤2的具体过程如下：

2a)构建N×M维空域变换矩阵T_s，其各列由指向目标信号附近不同方位角的空域导向矢量构成，记为 $T_s=[s\left({\mathrm{\ω}}_{s_{-1}}\right),s\left({\mathrm{\ω}}_{s_0}\right),s\left({\mathrm{\ω}}_{s_{+1}}\right)],(M=3);$

2b)构建K×J维时域变换矩阵T_t，其各列由指向目标信号附近不同多普勒通道的时域导向矢量构成，记为 $T_t=[s\left({\mathrm{\ω}}_{t_{-1}}\right),s\left({\mathrm{\ω}}_{t_0}\right),s\left({\mathrm{\ω}}_{t_{+1}}\right)],(J=3);$

2c)利用T_s和T_t对接收数据X进行杂波预处理，得到预处理后的数据 $X_1=T_s^{H}X{T}_t^{*};$

2d)利用T_s对空域导向矢量s(ω_s)降维，得到降维后的空域导向矢量 $s_1\left({\mathrm{\ω}}_s\right)=T_s^{H}s\left({\mathrm{\ω}}_s\right),$ 该空域导向矢量s₁(ω_s)∈C^M×1；

2e)利用T_t对时域导向矢量s(ω_t)降维，得到降维后的时域导向矢量 $s_1\left({\mathrm{\ω}}_t\right)=T_t^{H}s\left({\mathrm{\ω}}_t\right),$ 该时域导向矢量s₁(ω_t)∈C^J×1。

步骤3，对杂波预处理得到的回波信号X₁进行第一次滤波。

3a)为了最小化对X₁滤波后的剩余杂波功率，构建如下代价函数：

$\underset{u_1,v_1}{\min }J(u_1,v_1)=E\left\{{\left|\right|y_1\left|\right|}^2\right\}=E\left\{{\left|\right|u_1^H{X}_1{v}_1\left|\right|}^2\right\}---\left(8\right)$

式中，u₁和v₁分别为第1次滤波的两个滤波器分量，该u₁和v₁满足 $u_1^H{s}_1\left({\mathrm{\ω}}_s\right)s_1^H\left({\mathrm{\ω}}_t\right)v_1=1,$ E{·}表示期望值；

3b)采用如图2所示的双迭代方法对代价函数(8)求解，得到第一次滤波的滤波器分量u₁和v₁，具体实现步骤如下：

3ba)选取初值u₁(0)；

3bb)计算 $v_1\left(k\right)=R_{v,1}^{-1}\left(k\right)s_1\left({\mathrm{\ω}}_t\right)/\left(\left(u_1^H(k-1)s_1\left({\mathrm{\ω}}_s\right)\right)s_1^H\left({\mathrm{\ω}}_t\right)R_{v,1}^{-1}\left(k\right)s_1\left({\mathrm{\ω}}_t\right)\right),$ 其中 $R_{v,1}\left(k\right)=E\left\{d_1\left(k\right)d_1^H\left(k\right)\right\},$ $d_1\left(k\right)=X_1^H{u}_1(k-1),$ k表示迭代次数，k＝1，2，…；

3bc)计算 $u_1\left(k\right)=R_{u,1}^{-1}\left(k\right)s_1\left({\mathrm{\ω}}_s\right)/\left|\right|R_{u,1}^{-1}\left(k\right)s_1\left({\mathrm{\ω}}_s\right)\left|\right|,$ 其中

$R_{u,1}=E\left\{c_1\left(k\right)c_1^H\left(k\right)\right\},$ c₁(k)＝X₁v₁(k)；

3bd)更新迭代次数k，重复步骤3bb)和步骤3bc)，直到||u₁(k)-u₁(k-1)||＜ε(0＜ε＜1)为止，且令u₁＝u₁(k)，v₁＝v₁(k)，其中ε表示阈值；

3c)利用上述求得的滤波器分量u₁和v₁对回波信号进行滤波，得到滤波后的信号： $y_1=u_1^H{X}_1{v}_1.$

步骤4，对回波信号X₁和目标信号的空域导向矢量s₁(ω_s)和时域导向矢量s₁(ω_t)同时进行空域和时域降维。

4a)构建第p(p＝1，2，…，r-1)次降维的空域和时域降维矩阵G_p和H_p：

对第p(p＝1，2，…，r-1)次滤波的滤波器分量u_p和v_p进行归一化处理：

${\stackrel{\‾}{u}}_p=u_p/\left|\right|u_p\left|\right|,{\stackrel{\‾}{v}}_p=v_p/\left|\right|v_p\left|\right|$

分别定义归一化处理后的滤波器分量u_p和v_p的Householder矩阵：

${\stackrel{\‾}{G}}_p=I_{M-p+1}-\frac{({\stackrel{\‾}{u}}_p-e_{M-p+1}){({\stackrel{\‾}{u}}_p-e_{M-p+1})}^H}{1-u_{1,p}}\∈C^{(M-p+1)\×(M-p+1)}$

${\stackrel{\‾}{H}}_p=I_{J-p+1}-\frac{({\stackrel{\‾}{v}}_p-e_{J-p+1}){({\stackrel{\‾}{v}}_p-e_{J-p+1})}^H}{1-v_{1,p}}\∈C^{(J-p+1)\×(J-p+1)}$

式中，M为天线阵元个数，J为一个相干处理时间内的脉冲数，e_M-p+1＝[1，0，…，0]^T为(M-p+1)×1维的单位列向量，e_J-p+1＝[1，0，…，0]^T为(J-p+1)×1维的单位列向量，I_M-p+1为(M-p+1)×(M-p+1)的单位矩阵，I_J-p+1为(J-p+1)×(J-p+1)的单位矩阵，u_1，p和v_1，p分别为u_p和v_p的第一个元素，C表示复数域。

由Householder矩阵的性质可知，G_p ^H的最后M-p列是u_p的正交补空间，H_p ^H的最后J-p列是v_p的正交补空间，于是构建出关于u_p和v_p的阻塞矩阵：

$G_p={\left[{\stackrel{\‾}{G}}_p\right]}_{(2:M-p+\mathrm{1,1}:M-p+1)}$

$=[o_{M-p},I_{M-p}]-\frac{{\left[{\stackrel{\‾}{u}}_p\right]}_{(2:M-p+1)}{({\stackrel{\‾}{u}}_p-e_{M-p})}^H}{1-u_{1,p}}\∈C^{(M-p)\×(M-p+1)}$

$H_p={\left[{\stackrel{\‾}{H}}_p\right]}_{(2:J-p+\mathrm{1,1}:J-p+1)}$

$=[0_{J-p},I_{J-p}]-\frac{{\left[{\stackrel{\‾}{v}}_p\right]}_{(2:J-p+1)}{({\stackrel{\‾}{v}}_p-e_{J-p})}^H}{1-v_{1,p}}\∈C^{(J-p)\×(J-p+1)}$

式中，u_1，p和v_1，p为u_p和v_p的第一个元素，M为天线阵元个数，J为一个相干处理时间内的脉冲数，e_M-p＝[1，0，…，0]^T为(M-p)×1维的单位列向量，e_J-p＝[1，0，…，0]^T为(J-p)×1维的单位列向量，0_M-p＝[0，0，…，0]^T为(M-p)×1维的零向量，0_J-p＝[0，0，…，0]^T为(J-p)×1维的零向量，I_M-p为(M-p)×(M-p)的单位矩阵，I_J-p为(J-p)×(J-p)的单位矩阵；

4b)利用上述空域和时域降维矩阵G_p和H_p对回波信号和空间导向矢量和时间导向矢量进行降维，得到第p次降维后的回波信号： $X_{p+1}=G_p{X}_p{H}_p^H,$ 式中X_p表示第p-1次降维后的回波信号；

4c)利用空域降维矩阵G_p对空间导向矢量进行降维，得到第p次降维后的空间导向矢量：s_p+1(ω_s)＝G_ps_p(ω_s)，式中s_p(ω_s)表示第p-1次降维后的空间导向矢量；

4d)利用空域降维矩阵H_p对时间导向矢量进行降维，得到第p次降维后的时间导向矢量：s_p+1(ω_t)＝H_ps_p(ω_t)，式中s_p(ω_t)表示第p-1次降维后的空间导向矢量。

步骤5，对降维后的回波信号再进行滤波，并计算滤波后回波信号的剩余杂波功率。

5a)最小化p+1次滤波后的杂波总功率，构建代价函数：

$\underset{u_{p+1},v_{p+1}}{\min }J(u_{p+1},v_{p+1})=E\left\{{\left|\right|\underset{q=1}{\overset{p}{\mathrm{\Σ}}}{y}_q+y_{p+1}\left|\right|}^2\right\}=E\left\{{\left|\right|\underset{q=1}{\overset{p}{\mathrm{\Σ}}}{u}_q^H{X}_q{v}_q+u_{P+1}^H{X}_{p+1}{v}_{p+1}\left|\right|}^2\right\}---\left(9\right)$

式中，u_p+1和v_p+1为第p+1次滤波的两个滤波器分量，并满足 $u_{p+1}^H{s}_{p+1}\left({\mathrm{\ω}}_s\right)s_{p+1}^H\left({\mathrm{\ω}}_t\right)v_{P+1}=1,$ $u_{p+1}^H{u}_q=0$ 和 $v_{p+1}^H{v}_q=0(q=\mathrm{1,2},...,p),$ s_p+1(ω_s)和s_p+1(ω_t)分别为第p次降维后的空域和时域导向矢量；

5b)利用双迭代方法对代价函数(9)进行求解，得到第p+1次滤波的滤波器分量u_p+1和v_p+1，

5c)对第p次降维后的回波信号X_p+1再进行滤波，得到第p+1次滤波后的信号： $y_{p+1}=u_{p+1}^H{X}_{p+1}{v}_{p+1};$

5d)根据第p+1次滤波后的信号y_p+1，计算滤波后的剩余杂波功率：P＝E{||y_p+1||₂}。

步骤6，将计算出的剩余杂波功率P与第一次滤波后的杂波功率P₁＝E{||y₁||²}进行比较，如果该剩余杂波功率远小于第一次滤波后的杂波功率，则输出滤波后的信号y＝y₁+y₂+…+y_r，式中r为满足要求时滤波的次数，反之进行步骤7。

步骤7，重复步骤4～步骤5，直到剩余杂波功率P远小于第一次滤波后的杂波功率P₁为止，输出滤波后的信号y＝y₁+y₂+…+y_r。

通过上述步骤3～7，可完成对空时二维数据X₁和目标信号的空域导向矢量s₁(ω_s)和时域导向矢量s₁(ω_t)的低秩逼近自适应处理，得到滤波后的信号输出y。

本发明的效果可通过以下实验进一步说明。

实验1，本实验基于计算机仿真数据研究本发明方法性能。

1.实验条件

雷达工作波长为0.23m，相控阵天线为矩形平面阵，水平向的列阵元数为12，垂直向的行阵元数为12，阵元间距为半波长，接收数据首先微波合成为12子天线的线阵。载机速度为115m/s，载机高度为6000m，脉冲重复频率为2000Hz，发射方位锥削加权为25dB，高低向锥削加权为25dB，阵面轴向与飞行方向平行，相干脉冲积累数为24，主波束指向与阵面法向方向平行，要处理一个距离单元数据的维数为N＝12，K＝24。

2.实验结果

以M＝12，J＝5为例研究杂波预处理后的LRA-STAP处理器，即本发明的滤波性能。

图3给出了杂波预处理后的LRA-STAP方法和全维LRA-STAP方法3号多普勒通道的迭代处理时收敛性能曲线，其中图3(a)给出上述两种方法提取第一个滤波器分量时3号多普勒通道的迭代收敛性能曲线；图3(b)给出上述两种方法提取第二个滤波器分量时3号多普勒通道的迭代收敛性能曲线。3号多普勒通道位于图3(a)和图3(b)的主杂波区，从图3(a)和图3(b)中可以看到，现有的全维LRA-STAP方法在有无随机阵元幅相误差时需要6步迭代才能实现收敛，而本发明通过4步迭代即能实现快速收敛，这是由于本发明通过对维数的降低，提高了双迭代方法的收敛性能。

通过比较图3(a)和图3(b)中本发明方法收敛时的改善因子可以发现，在没有阵元误差时，本发明中两次滤波比一次滤波仅有0.41dB的性能增益，存在阵元误差时也只有1.1dB的性能改善。由此可见，本发明通过对维数的降低，提取第一个滤波器分量后就有足够的自适应自由度来对付局域化的杂波干扰，取得较优的动目标检测性能，从而极大降低了杂波抑制的运算量。

图4给出了本发明方法、常规MTI处理方法、FA方法和EFA方法在有无阵元误差时的改善因子IF曲线，其中图4(a)是本发明方法、FA方法和EFA方法在5％阵元误差时的IF曲线；图4(b)是本发明方法、FA方法和EFA方法在5％阵元误差时的IF曲线。图4(a)和图4(b)中的EFA方法选取与检测多普勒通道相邻的两个多普勒通道作为辅助通道进行联合自适应处理。

从图4可以看到，常规MTI处理在有无误差时性能均最差，本发明方法随着时域自由度即J的增加主杂波区性能进一步改善。本发明方法性能优于FA方法，主杂波区性能改善明显，这一点有助于对低速目标的检测。当J＝3时，本发明方法性能略差于EFA，但随着多普勒辅助通道的增加，在J＝5或J＝7时，性能逐渐优于EFA。由于本发明方法需要估计的杂波相关矩阵最大维数与FA方法相同，均为12，需要的最少样本数均为2×12，要小于EFA方法的最少样本数2×3×12，这有利于实际机载雷达杂波环境中距离单元分段自适应适时处理。

实验2，用实测数据研究本发明方法的动目标检测性能。

1.实验条件

采用Multi-Channel Airborne Radar Measurements(MCARM)实测数据。该数据是为研究STAP及其相关技术而实际录取的一批机载相控阵雷达数据，雷达天线有16列8行共128个单元，正侧面安装在位于飞机前部左侧的天线罩内，一个CPI内有128个脉冲。具体参数可见表1。考虑计算量的原因，本实验主要处理220-310号距离门中上面11子阵的前32个脉冲。为了便于性能分析，我们在第265和275距离单元分别注入一信杂噪比为-43dB的动目标信号，其目标方位角为90°，多普勒频率为f_d＝0.156f_r，位于主杂波区。

表1MCARM数据系统参数

载机高度(m)	3073
		载机速度(m/s)	100
工作频率(GHz)	1.24
		脉冲重复频率(Hz)	1984
杂波多普勒频率最大值(Hz)	827
		方位发射波束宽度(度)	6.7
方位/俯仰通道间距(m)	0.1092/0.1407
		相干处理间隔内的脉冲数K	128
距离单元数	630
		距离门宽度(m)	120.675
阵面与速度的夹角(度)	7.28
		无模糊距离(km)	66.9344

2.实验结果

图5给出了本发明方法、FA方法和EFA方法获得的目标所在多普勒通道各距离单元处理输出结果，其中图5(a)是本发明方法获得的目标所在多普勒通道各距离单元处理输出结果；图5(b)是FA方法获得的目标所在多普勒通道各距离单元处理输出结果；图5(c)是EFA方法获得的目标所在多普勒通道各距离单元处理输出结果。图5(c)中的EFA方法选取与检测多普勒通道相邻的两个多普勒通道作为辅助通道进行联合自适应处理。从图5可以看到，三种方法均能将加入的动目标信号从背景残余杂波中提取出来，本发明方法的输出信杂噪比RARCP为23.82dB，FA方法和EFA方法的RARCP分别为17.79dB和24.22dB。本发明方法与EFA方法相比，计算量和样本要求有较大的降低，但仅有0.6dB的性能损益，而与样本要求相当的FA方法相比，却有6.03dB性能改善。

Claims (3)

1.一种机载雷达杂波抑制方法，包括如下步骤：

1)用均匀线阵结构或面阵经微波合成的等效线阵雷达天线接收N×K的空时二维数据X，同时给出目标信号的空域导向矢量s(ω_s)∈C^N×1和时域导向矢量s(ω_t)∈C^K×1；

2)对接收的空时二维数据X进行空时两维降维，得到杂波预处理后的M×J(M＜N，J＜K)的空时二维数据X₁，同时得到杂波预处理后的目标信号空域导向矢量s₁(ω_s)∈C^M×1和时域导向矢量s₁(ω_t)∈C^J×1；

3)对杂波预处理得到的空时二维数据X₁和目标信号的空域导向矢量s₁(ω_s)和时域导向矢量s₁(ω_t)作低秩逼近自适应处理，得到滤波后的信号输出y。

2.根据权利要求1所述的杂波抑制方法，其中步骤2)所述的对接收的空时二维数据X进行空时两维降维，具体过程如下：

2a)构建N×M维空域变换矩阵T_s，其各列由指向目标信号附近不同方位角的空域导向矢量构成，记为 $T_s=[s\left({\mathrm{\ω}}_{s_{-1}}\right),s\left({\mathrm{\ω}}_{s_0}\right),s\left({\mathrm{\ω}}_{s_{+1}}\right)(M=3);$

2b)构建K×J维时域变换矩阵T_t，其各列由指向目标信号附近不同多普勒通道的时域导向矢量构成，记为 $T_t=[s\left({\mathrm{\ω}}_{t_{-1}}\right),s\left({\mathrm{\ω}}_{t_0}\right),s\left({\mathrm{\ω}}_{t_{+1}}\right)(J=3);$

2c)利用T_s和T_t对接收数据X进行杂波预处理，得到预处理后的数据 $X_1=T_s^H{\mathrm{XT}}_t^{*};$

2d)利用T_s对空域导向矢量s(ω_s)降维，得到降维后的空域导向矢量 $s_1\left({\mathrm{\ω}}_s\right)=T_s^{H}s\left({\mathrm{\ω}}_s\right),$ 该空域导向矢量s₁(ω_s)∈C^M×1；

2e)利用T_t对时域导向矢量s(ω_t)降维，得到降维后的时域导向矢量 $s_1\left({\mathrm{\ω}}_t\right)=T_t^{H}s\left({\mathrm{\ω}}_t\right),$ 该时域导向矢量s₁(ω_t)∈C^J×1。

3.根据权利要求1所述的杂波抑制方法，其中步骤3)所述的对杂波预处理得到的空时二维数据X₁和目标信号的空域导向矢量s₁(ω_s)和时域导向矢量s₁(ω_t)作低秩逼近自适应处理，具体过程如下：

3a)最小化杂波功率，构建第1个代价函数：

$\underset{u_1,v_1}{\min }J(u_1,v_1)=E\left\{{\left|\right|y_1\left|\right|}^2\right\}=E\left\{{\left|\right|u_1^H{X}_1{v}_1\left|\right|}^2\right\}$

式中，u₁和v₁分别为第1次滤波的两个滤波器分量，该u₁和v₁满足 $u_1^H{s}_1\left({\mathrm{\ω}}_s\right)s_1^H\left({\mathrm{\ω}}_t\right)v_1=1,$ E{·}表示期望值；

3b)利用双迭代方法对第1个代价函数求解，得到滤波器分量u₁和v₁；

3c)利用u₁和v₁对回波信号进行滤波，得到滤波后的信号： $y_1=u_1^H{X}_1{v}_1;$

3d)利用Householder矩阵的性质，构建第p(p＝1，2，…，r-1)次降维的空域和时域降维矩阵G_p和H_p：

$G_p=[0_{M-p},I_{M-p}]-\frac{[{\stackrel{\‾}{u}}_p{]}_{(2:M-p+1)}{({\stackrel{\‾}{u}}_p-e_{M-p})}^H}{1-u_{1,p}}$

$H_p=[0_{J-p},I_{J-p}]-\frac{{\left[{\stackrel{\‾}{v}}_p\right]}_{(2:J-p+1)}{({\stackrel{\‾}{v}}_p-e_{J-p})}^H}{1-v_{1,p}}$

式中，u_p和v_p分别为u_p和v_p的归一化矩阵，u_1，p和v_1，p为u_p和v_p的第一个元素，M为天线阵元个数，J为一个相干处理时间内的脉冲数，e_M-p＝[1，0，…，0]^T为(M-p)×1维的单位列向量，e_J-p＝[1，0，…，0]^T(p＝1，2，…，r-1)为(J-p)×1维的单位列向量，0_M-p＝[0，0，…，0]^T为(M-p)×1维的零向量，0_J-p＝[0，0，…，0]^T为(J-p)×1维的零向量，I_M-p为(M-p)×(M-p)的单位矩阵，I_J-p为(J-p)×(J-p)的单位矩阵；

3e)利用上述空域和时域降维矩阵G_p和H_p对回波信号进行降维，得到第p次降维后的回波信号： $X_{p+1}=G_p{X}_p{H}_p^H,$ 式中X_p表示第p-1次降维后的回波信号；

3f)最小化p+1次滤波后的杂波总功率，构建第p+1个代价函数：

$\underset{u_{p+1},v_{p+1}}{\min }J(u_{p+1},v_{p+1})=E\left\{{\left|\right|\underset{q=1}{\overset{p}{\mathrm{\Σ}}}{y}_q+y_{p+1}\left|\right|}^2\right\}=E\left\{{\left|\right|\underset{q=1}{\overset{p}{\mathrm{\Σ}}}{u}_q^H{X}_q{v}_q+u_{P+1}^H{X}_{p+1}{v}_{p+1}\left|\right|}^2\right\}$

式中，u_p+1和v_p+1为第p+1次滤波的两个滤波器分量，并满足 $u_{p+1}^H{s}_{p+1}\left({\mathrm{\ω}}_s\right)s_{p+1}^H\left({\mathrm{\ω}}_t\right)v_{P+1}=1,$ $u_{p+1}^H{u}_q=0$ 和 $v_{p+1}^H{v}_q=0(q=\mathrm{1,2},\·\·\·,p),$ s_p+1(ω_s)和s_p+1(ω_t)分别为第p次降维后的空域和时域导向矢量；

3g)利用双迭代方法对第p+1个代价函数进行求解，得到第p+1次滤波的滤波器分量u_p+1和v_p+1；

3h)对第p次降维后的回波信号X_p+1再进行滤波，得到第p+1次滤波后的信号：

$y_{p+1}=u_{p+1}^H{X}_{p+1}{v}_{p+1};$

3i)根据第p+1次滤波后的信号y_p+1，计算滤波后的剩余杂波功率：P＝E{||y_p+1||²}；

3j)将计算出的剩余杂波功率P与第一次滤波后的杂波功率P₁＝E{||y₁||²}进行比较，如果该剩余杂波功率远小于第一次滤波后的杂波功率，则输出滤波后的信号y＝y₁+y₂+…+y_r，式中r为满足要求时滤波的次数，反之进行步骤3k)；

3k)重复步骤3d)～步骤3i)，直到剩余杂波功率远小于第一次滤波后的杂波功率为止，输出滤波后的信号y＝y₁+y₂+…+y_r。

Images