CN103018727A - 一种基于样本训练的机载雷达非平稳杂波抑制方法 - Google Patents
一种基于样本训练的机载雷达非平稳杂波抑制方法 Download PDFInfo
- Publication number
- CN103018727A CN103018727A CN201110289306XA CN201110289306A CN103018727A CN 103018727 A CN103018727 A CN 103018727A CN 201110289306X A CN201110289306X A CN 201110289306XA CN 201110289306 A CN201110289306 A CN 201110289306A CN 103018727 A CN103018727 A CN 103018727A
- Authority
- CN
- China
- Prior art keywords
- clutter
- cpi
- sample
- dimension
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开了一种基于样本训练的机载雷达非平稳杂波抑制方法,涉及机载雷达技术,包括步骤:(1)基于联合时间维样本训练策略的杂波协方差矩阵估计;(2)自适应权值应用和输出信号相干叠加。具体包括:原始回波数据输入;距离向脉冲压缩及加窗;慢时间维数据分段;快-慢时间维训练样本选择;杂波协方差矩阵估计;自适应权值计算;自适应权值应用;输出信号相干叠加。本发明方法针对机载雷达存在的杂波距离依赖性,在空时自适应处理(STAP)时域降维结构下,通过改变样本训练策略,有效提高了杂波协方差矩阵的估计精度,改善主瓣区杂波抑制性能。在工程应用中具有较强的稳健性,尤其适合于慢速运动目标的检测。
Description
技术领域
本发明涉及实际应用中机载雷达普遍具有杂波距离依赖性情况下的降维自适应非平稳杂波抑制方法,其主要内容是提出了一种新型的样本训练策略,属于机载雷达空时自适应信号处理(STAP)技术领域。
背景技术
近年来,随着阵列天线技术、雷达信号处理技术的快速发展,空时自适应处理(STAP)作为新一代先进雷达系统动目标检测的核心技术,结合了脉冲多普勒(PD)雷达和相控阵天线的优点,采用空间与时间二维联合的自适应处理方式,能够有效抑制广泛分布的大强度地杂波和干扰信号。其理论与技术的突破,将极大地提高系统的性能。同时,基于STAP的地面运动目标检测技术也渗透到了国民经济生产生活的需求中,如应用于地面交通监控、空中指挥、洋流监测等,弥补其他光学设备受观测条件限制的不足。
常规STAP方法获得较高杂波抑制性能的前提是:必须具有充足的与待检测距离单元杂波分布特性相近的满足独立同分布(IID)的训练样本。Reed等人提出的RMB准则(Reed I S,Mallett J D,BrennanL E.Rapid convergence rate in adapt ive arrays [J].IEEE Trans.on AES,1974,10(6):853-863.)表明,在高斯型独立同分布环境中,训练样本数至少要达到系统自由度两倍时,才能保证输出信杂噪比的损失不超过3dB。在机载雷达正侧视的情形下,阵列轴线与载机航向完全一致,空时二维杂波谱呈斜直线分布且相互重合,即杂波的多普勒频率和锥角余弦满足线性关系,各个距离门的杂波谱不随距离变化。此时常规STAP方法采用距离向回波数据作为训练样本,可以获得较理想的杂波抑制性能。然而,实际情况下多数体制和天线配置形式的机载雷达都具有较强的杂波距离依赖性,如常见的非正侧视阵雷达和双基地雷达等。这种由雷达系统特征引起的杂波谱分布随距离变化的现象,即使在地面场景十分均匀的环境下,也会导致协方差矩阵存在较大误差,进而使得STAP杂波抑制凹口变宽,降低了算法对慢速运动目标的检测性能。
杂波的分布特性是设计二维处理器时参考的关键因素,其在STAP中以杂波协方差矩阵的形式表现。自适应处理器的性能不在于杂波分布带是呈斜直线还是斜椭圆,而是其分布特性是否随距离发生变化,即能否利用距离向回波数据准确估计得到待检测距离单元的杂波协方差矩阵。因此,对于这种基于统计的自适应算法而言,样本训练策略尤为关键。
目前,国内外解决杂波距离依赖性问题的方法大多是通过对距离向回波数据(或其频域)进行预处理,补偿训练样本与待检测单元杂波特性的差异来实现的,如多普勒频移法(DW)和尺度变换法等,但它们通常具有复杂的实现过程和较大的运算量。而从影响自适应算法性能的根本原因出发可以得到另一种解决思路:在STAP实现过程中,如果减少选用的距离向训练样本,便可以降低由杂波距离依赖性引起的距离向非平稳特性对协方差矩阵估计所产生的不利影响,从而提高系统自适应处理性能。
本发明的目的就是提供一种适用于机载雷达存在杂波距离依赖性情况下的简单高效的降维自适应非平稳杂波抑制方法。
发明内容
本发明的目的是公开一种基于样本训练的机载雷达非平稳杂波抑制方法,在存在杂波距离依赖性情况下,实现机载雷达降维自适应非平稳杂波抑制,即显著改善主瓣区杂波抑制性能,提高输出信杂噪比,同时尽可能具有较高的稳健性能,满足实际应用需求。
为达到上述目的,本发明的技术解决方案是:
一种基于样本训练的机载雷达非平稳杂波抑制方法,其特征在于,包括步骤:步骤1基于分段子CPI时域降维结构,联合快-慢时间维训练样本估计杂波协方差矩阵;步骤2以步骤1中估计所得协方差矩阵计算自适应权值,应用到多通道回波数据,并将输出信号进行相干叠加。
所述的机载雷达非平稳杂波抑制方法,其所述步骤步骤1,包括:
(1)时域降维时,是将一个相干处理时间间隔内雷达回波数据的慢时间维数据均匀划分成多个子CPI,相互之间可重叠或不重叠;
(2)样本训练时,同时采用雷达回波的快-慢时间维数据作为训练样本,用于估计杂波协方差矩阵,其中所需样本总数依据RMB准则,由系统对估计精度的要求确定;
步骤步骤2,包括:
(3)权值应用时,将由步骤步骤1中协方差矩阵计算得到的降维自适应权值,同时应用到所有的子CPI回波作滤波运算;
(4)相干叠加时,根据各子CPI之间的固定相位关系,将所有的滤波输出作相干叠加,以减少分段带来的时域孔径损失。
所述的机载雷达非平稳杂波抑制方法,其所述(1)步中,采用如下时域分段过程:确定好子CPI脉冲数以后,将一个CPI内的慢时间维回波数据均匀分段,不重叠分段时为顺序选取固定数量的脉冲,相邻子CPI之间没有相同数据,重叠分段时是以滑动窗形式依次滑动选取脉冲,相邻子CPI数据部分重叠,此过程增加了每一个距离单元可用的慢时间维训练样本。
所述的机载雷达非平稳杂波抑制方法,其所述(2)步中,采用如下样本训练过程:根据系统对样本总数的要求,同时选取待检测单元邻近距离单元的雷达回波快-慢时间维数据作为训练样本,估计得到降维后的杂波协方差矩阵,此过程避免了常规方法中对距离向训练样本的巨大数量要求。
所述的机载雷达非平稳杂波抑制方法,其所述(3)步中,采用如下权值应用过程:根据CPI内回波数据具有平稳性的特征,将计算得到的最优自适应权值同时应用到待检测距离单元的所有子CPI回波信号中,而不需要对每一个子CPI重新计算权值,提高效率。
所述的机载雷达非平稳杂波抑制方法,其所述(4)步中,采用如下相干叠加过程:由于各子CPI是均匀划分的,且通常不考虑时域采样的误差因素,它们之间存在固定的相位关系,对输出信号进行相干叠加,可以获得更高的非平稳杂波抑制输出信杂噪比,以弥补因降维带来的性能损失。
本发明的优点是:
1)大多数机载雷达的空时杂波分布都具有距离依赖性的特点,尤其是近程距离内更加严重。即使在地面场景十分均匀的环境下,常规样本训练策略中仅利用距离向单元回波数据估计得到的杂波协方差矩阵存在较大误差,进而使得STAP杂波抑制凹口变宽,利用本发明巧妙地解决了机载雷达杂波距离依赖性问题,显著改善主瓣区的杂波抑制性能,更有利于对慢速运动目标的检测。
2)相比于目前常见的几类杂波距离依赖性补偿方法,本发明从根本上提出了更有利于非平稳杂波的样本训练策略,方法简单,计算量小,不会存在目标相消的情况,且在系统存在阵列误差和杂波内部运动(ICM)时,仍然能够有效抑制杂波,具有较高的稳健性。
附图说明
图1为本发明方法处理流程方框示意图;
图2为机载阵列雷达回波数据模型及常规样本选择方法示意图;
图3为本发明中的联合时间维样本选取方法示意图;
图4为本发明中的子CPI时域降维STAP原理框图及实现过程图;
图5为机载非正侧视阵雷达近程杂波多普勒频率随距离变化的情况(仿真结果)示意图;
图6为机载非正侧视阵雷达在杂波协方差矩阵已知时的雷达近程杂波谱(仿真结果)示意图;
图7(a)为常规STAP降维方法估计得到的机载非正侧视阵雷达杂波分布谱图(仿真结果)示意图;
图7(b)为基于本发明方法估计得到的机载非正侧视阵雷达杂波分布谱图(仿真结果)示意图;
图8(a)为没有系统误差和ICM时不同方法的SINR改善因子(仿真结果)示意图;
图8(b)为同时存在系统误差和ICM时不同方法的SINR改善因子(仿真结果)示意图。
具体实施方式
本发明的一种基于样本训练的机载雷达非平稳杂波抑制方法,处理流程方框图如图1所示,包括:
(1)基于分段子CPI时域降维结构的联合时间维样本训练策略估计得到杂波协方差矩阵。该部分起始于阵列雷达多通道原始回波信号处理,即距离向脉冲压缩和加窗,这与雷达成像中的实现过程一致。基于统计信号处理的自适应算法都需要通过计算接收数据的协方差矩阵,才能获得匹配滤波权值以实现自适应处理,因此是否准确地估计了杂波协方差矩阵就决定了空时自适应处理的性能,而样本训练是其中不可或缺的一步。联合时间维的样本训练策略包括以下具体步骤:慢时间维数据分段、快-慢时间维训练样本选择、杂波协方差矩阵估计。其中核心的是在统计估计待检测距离单元(CUT)的协方差矩阵时,利用了机载阵列雷达回波数据在时间上的循环平稳性,联合快-慢时间维的采样一起作为训练样本。同时本发明结合STAP时域降维的思想,进一步减少了样本训练对距离向回波数据的要求,降低了由杂波距离依赖性引起的距离向非平稳特性对协方差矩阵估计所产生的不利影响,从而提高系统自适应处理性能。
(2)自适应权值的应用和输出信号的相干叠加。根据估计得到的杂波协方差矩阵,运用自适应滤波算法,可以计算得到空时二维处理器的权矢量,并将其应用到待检测距离单元的每一个子CPI的回波信号中。其后,根据各子CPI相互之间存在的固定相位关系,对所有子CPI的输出信号进行相干叠加。如此便实现了待检测距离单元的杂波抑制,方便后续进行的动目标检测。
下面首先基于机载阵列雷达空时回波数据模型,结合附图和具体实施方式对本发明作进一步详细描述。
设雷达天线有N个子阵(或阵元)。在一个相干处理时间(CPI)内,天线阵以恒定的脉冲重复频率prf发射M个脉冲,并由每个子阵分别接收回波,这是系统的原始输入信号。经过距离向脉冲压缩和加窗处理后,对回波进行时间采样可以获得L个距离单元的信号,得到N*M*L的空间-脉冲-距离三维雷达回波数据。其中两个脉冲的时间间隔为pri=1/prf,距离维的采样间隔ts与雷达的距离分辨率有关,一般远小于pri,因此又称距离维为快时间维,脉冲维为慢时间维。用τ和t分别表示快时间和慢时间,表示第n个阵元ti时刻所发射脉冲在回波延时τj处的接收数据,则第j个距离单元的空时快拍为:
通常情况下,STAP杂波抑制在一个CPI内沿着距离向进行,协方差矩阵估计时的样本选取方法如图2所示。最中间红色的CUT表示待检测距离单元,包含杂波和可能存在的运动目标回波信号。其相邻两侧黑色的为保护单元,这是因为当前雷达大多发射线性调频信号(LFM),距离向加窗后的脉冲压缩会使得目标向两边距离单元扩展,通过设置保护单元以确保待检测目标不会当成干扰信号被抑制掉。根据RMB准则,要使协方差矩阵的估计损失小于3dB,则沿着距离维至少需要取L=2NM个空时快拍数据作为估计样本。由最大似然(ML)估计法,得到的杂波协方差矩阵为:
实际中,在机载雷达杂波具有距离依赖性的情况下,回波数据的快时间维表现出非平稳性特征。当采用常规样本选取方法时,估计得到的协方差矩阵误差增大,空时杂波谱展宽,杂波输出的平均功率上升,目标所在单元的信号功率下降。为了改善雷达距离依赖性对杂波抑制性能的影响,采用本发明的方法实现降维的非平稳自适应处理。方法的步骤为:
第一大步骤,基于分段子CPI时域降维结构的联合时间维样本训练策略估计得到杂波协方差矩阵,如图3所示,其工作过程为:
步骤1子CPI时域降维。将一个CPI内的慢时间维数据均匀划分成K个子CPI,在每一个子CPI内脉冲采样数降低为M′=M/K的同时,每一个距离单元的慢时间维数据都提供了K个N*(M/K)维的空时快拍作为训练样本,即:
此处降维方法的选择是基于如下的考虑:在实际中,为了提高增益来探测最远距离的目标,雷达接收天线常常在硬件上将多个阵元合成一个子阵,已经实现了空间上的降维,且由于系统不可避免会存在阵列误差和通道误差,处理时空域需要较多的可控单元。而机载预警雷达为了增加系统的相干积累时间,慢时间维的脉冲数常常可能达到数百,这为STAP进行时域降维提供了条件,同时CPI分段处理以后可以大大增加估计协方差矩阵的样本数,因此采用子CPI时域降维方法来实现。
步骤2联合时间维样本选择及杂波协方差矩阵估计。当系统的一个CPI内脉冲数较多时,K可以取得较大,则每一个距离单元可提供的训练样本呈K倍增加。同时,在杂波协方差矩阵估计精度不变的情况下,由于进行了STAP时域降维处理,算法所需训练样本总数也减少为因此相应地,快时间维所需的训练样本数变为:
显然,Lnew相对于L的数目大大减小,即可能只需要待检测单元附近极其少量的距离单元数据参与协方差矩阵的估计。而在较短的距离之内,机载雷达杂波的距离依赖性可以近似看作是多普勒频率随距离发生较小的线性变化或者不变化,因而此时联合快-慢时间维的回波数据,由待检测单元前后相邻几个距离样本计算得到的平均协方差矩阵可以近似等于待检测距离单元实际的杂波协方差矩阵,即:
第二大步骤,由第一步骤中协方差矩阵计算获得自适应权值,应用到多通道回波数据,并将输出信号进行相干叠加,如图4所示。工作过程为:
步骤1自适应权值计算。根据式(5)估计得到的杂波协方差矩阵,运用自适应滤波算法,可以计算得到空时二维处理器的权矢量为:
步骤2自适应权值应用。由于慢时间维数据所具有的平稳性特征,可以将该权值应用到待检测距离单元的每一个子CPI的回波信号中,这样就避免了每个子CPI都需要进行杂波协方差矩阵求逆的运算,提高处理效率。
③相干叠加。在CPI分段的过程中,STAP时间维的自由度由M减小到了M/K,存在严重的孔径损失,这会给STAP性能带来影响。但由于各子CPI是均匀划分的,且通常不考虑时域采样的误差因素,它们相互之间存在固定的相位关系。在对每一个子CPI进行空时二维自适应处理后,通过对输出信号进行相干叠加,可以提高STAP系统的输出信杂噪比(SINR),尽可能地减少时域孔径的损失。最后计算得到检验统计量。
后续步骤为运动目标恒虚警检测。在有效实现杂波抑制之后,根据CFAR检测原理,在满足一定的虚警概率和检测概率的条件下,确定一个适当的阈值,判断目标是否存在,如此便实现了运动目标的检测。
上述过程中,核心部分是本发明所提出的新的样本训练策略——联合快-慢时间维回波数据一起作为训练样本来估计杂波协方差矩阵。这是基于机载阵列雷达慢时间维回波数据的循环平稳性不会受到杂波距离依赖性影响的特点,在估计杂波协方差矩阵时合理利用这些数据,能够有效增加满足IID要求的训练样本。同时选用适当的STAP降维方法,还可以进一步减少杂波协方差矩阵估计时对距离向样本数量的需求,最终达到改善杂波距离依赖性的目的。因此称为联合时间维的样本训练方法。
以下再基于MATLAB R2007b软件所作的机载非正侧视阵雷达系统仿真试验,验证本发明在改善杂波距离依赖性方面的性能。
设阵列轴线与载机平台运动方向的夹角为偏置角θp,显然当θp=0时,雷达为正侧视的特殊情形;当θp=90°时,雷达为前视阵。仿真中系统的具体参数选取如下表1所示。
表1机载雷达系统仿真参数列表
此处存在距离依赖性的近程杂波区域主要是指不产生距离模糊的近距离雷达主瓣照射区域,图5即是该区域内多普勒频率随距离变化的情况,可以看到当偏置角θp≠0时,机载非正侧视阵雷达的近程杂波具有严重的距离依赖性。取偏置角θp=30°,雷达在方位-多普勒平面上的杂波分布如图6所示,表现为上半个椭圆,如果考虑天线的背瓣电平,则杂波分布呈一个斜椭圆。
如果选取第175号距离门为待检测距离单元(CUT),时域降维处理时子CPI脉冲数为M′=8,则根据RMB准则,常规方法需要在CUT相邻两侧共选取L=2*N*M=128个训练样本,即采用除去两个保护单元后的第111-239号距离门的回波数据,估计得到杂波的方位-多普勒平面分布图如下图7(a)所示。按照本文的联合时间维样本训练方法可知,当一个CPI内的脉冲数为M=256时,每一个距离单元可以获得K=M/M′=32个训练样本,则距离向只需要Lnew=L/K=4个样本,即采用除去两个保护单元后的第172-178号距离门的回波数据,估计得到杂波分布如下图7(b)所示。对比可以看到,由于在雷达近程区域杂波存在距离依赖性,常规样本选择方法选用了较多的距离维数据作为训练样本,导致杂波谱严重展宽,不利于杂波抑制处理和动目标检测;而后者因为样本总数不变,仍然可以准确得到杂波的分布谱图,且由于距离维选用样本大大减少,有效避免了杂波距离依赖性对协方差矩阵估计造成的影响,谱图更加接近实际情况(图6所示)。图8(a)是在进行STAP时域降维处理后,两种方法的信杂噪比(SINR)改善因子的对比结果,其中黑色的曲线表示最优STAP处理(即杂波协方差矩阵是已知的,而非估计得到)情况下的SINR改善因子。另外图8(b)是在考虑了系统存在(5%,5°)通道幅相误差和(10mph风速)杂波内部运动情况下的性能变化,结果表明该方法具有较强的稳健性。
从以上仿真试验结果可以看到,在机载雷达具有距离依赖性即杂波非平稳的情况下,相比于单纯地只利用距离维数据进行STAP处理时,本发明的方法通过有效联合快-慢时间维回波数据作为杂波噪声协方差矩阵的估计样本进行时域降维处理,能够明显改善主瓣杂波区的抑制性能,进而在相同的检测条件下提高对多普勒频移较小的慢速运动目标的发现概率,即有效地改善了雷达杂波距离依赖性对STAP性能的影响。
以此证明了本发明的正确性和有效性。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明,但不以任何方式限制本发明。因此,尽管本说明书参照附图和实施方式对本发明已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明进行修改或者等同替换;而一切不脱离本发明技术实质的方案及其改进技术,其均应涵盖在本发明权利要求书的保护范围当中。
Claims (7)
1.一种基于样本训练的机载雷达非平稳杂波抑制方法,其特征在于,包括步骤:
步骤1:基于分段子CPI时域降维结构,联合快-慢时间维训练样本估计杂波协方差矩阵;
步骤2:以步骤1中估计所得协方差矩阵计算自适应权值,应用到多通道回波数据,并将输出信号进行相干叠加。
2.如权利要求1所述的机载雷达非平稳杂波抑制方法,其特征在于,所述步骤步骤1,包括:
(1)时域降维时,是将一个相干处理时间间隔内雷达回波数据的慢时间维数据均匀划分成多个子CPI,相互之间可重叠或不重叠;
(2)样本训练时,同时采用雷达回波的快-慢时间维数据作为训练样本,用于估计杂波协方差矩阵,其中所需样本总数依据RMB准则,由系统对估计精度的要求确定;
步骤步骤2,包括:
(3)权值应用时,将由步骤1中协方差矩阵计算得到的降维自适应权值,同时应用到所有的子CPI回波作滤波运算;
(4)相干叠加时,根据各子CPI之间的固定相位关系,将所有的滤波输出作相干叠加,以减少分段带来的时域孔径损失。
3.如权利要求2所述的机载雷达非平稳杂波抑制方法,其特征在于,所述(1)步中,采用如下时域分段过程:确定好子CPI脉冲数以后,将一个CPI内的慢时间维回波数据均匀分段,不重叠分段时为顺序选取固定数量的脉冲,相邻子CPI之间没有相同数据,重叠分段时是以滑动窗形式依次滑动选取脉冲,相邻子CPI数据部分重叠,此过程增加了每一个距离单元可用的慢时间维训练样本。
4.如权利要求2所述的机载雷达非平稳杂波抑制方法,其特征在于,所述(2)步中,采用如下样本训练过程:根据系统对样本总数的要求,同时选取待检测单元邻近距离单元的雷达回波快-慢时间维数据作为训练样本,估计得到降维后的杂波协方差矩阵,此过程避免了常规方法中对距离向训练样本的巨大数量要求。
5.如权利要求2所述的机载雷达非平稳杂波抑制方法,其特征在于,所述(3)步中,采用如下权值应用过程:根据CPI内回波数据具有平稳性的特征,将计算得到的最优自适应权值同时应用到待检测距离单元的所有子CPI回波信号中,而不需要对每一个子CPI重新计算权值,提高效率。
6.如权利要求2所述的机载雷达非平稳杂波抑制方法,其特征在于,所述(4)步中,采用如下相干叠加过程:由于各子CPI是均匀划分的,且通常不考虑时域采样的误差因素,它们之间存在固定的相位关系,对输出信号进行相干叠加,可以获得更高的非平稳杂波抑制输出信杂噪比,以弥补因降维带来的性能损失。
7.如权利要求2、3或4所述的机载雷达非平稳杂波抑制方法,其特征在于,所述快时间维也称距离维,即为天线阵各通道回波进行时间采样所获得的距离单元信号,所述慢时间维也称脉冲维,即为不同脉冲回波的脉冲重复采样信号,所述联合时间维样本训练策略为同时利用回波的快-慢时间维数据进行杂波协方差矩阵估计的过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110289306XA CN103018727A (zh) | 2011-09-27 | 2011-09-27 | 一种基于样本训练的机载雷达非平稳杂波抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110289306XA CN103018727A (zh) | 2011-09-27 | 2011-09-27 | 一种基于样本训练的机载雷达非平稳杂波抑制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103018727A true CN103018727A (zh) | 2013-04-03 |
Family
ID=47967544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110289306XA Pending CN103018727A (zh) | 2011-09-27 | 2011-09-27 | 一种基于样本训练的机载雷达非平稳杂波抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103018727A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439692A (zh) * | 2013-09-01 | 2013-12-11 | 西安电子科技大学 | 基于协方差矩阵广对称特性的stap方法 |
CN103529437A (zh) * | 2013-10-15 | 2014-01-22 | 西安电子科技大学 | 系留气球载相控阵雷达在多目标下分辨空地目标的方法 |
CN104155632A (zh) * | 2014-07-18 | 2014-11-19 | 南京航空航天大学 | 一种基于局部相关性的改进子空间海杂波抑制方法 |
CN104181518A (zh) * | 2014-07-30 | 2014-12-03 | 西安电子科技大学 | 一种利用波达角差异性选择训练样本的方法 |
CN104849705A (zh) * | 2015-06-02 | 2015-08-19 | 中国人民解放军海军航空工程学院 | 局部均匀杂波协方差矩阵自适应估计方法 |
CN105607049A (zh) * | 2015-12-24 | 2016-05-25 | 哈尔滨工业大学 | 一种基于同质性检验的数据分区方法 |
CN105785339A (zh) * | 2016-03-21 | 2016-07-20 | 西安电子科技大学 | 非均匀杂波环境下机载雷达杂波协方差矩阵的估计方法 |
CN106324596A (zh) * | 2016-09-09 | 2017-01-11 | 深圳大学 | 基于压缩感知的随机脉冲多普勒雷达角度‑多普勒成像方法 |
CN107085205A (zh) * | 2017-04-19 | 2017-08-22 | 西安电子科技大学 | 基于杂波协方差矩阵结构信息的自适应检测方法 |
CN107167782A (zh) * | 2017-06-27 | 2017-09-15 | 西安电子科技大学 | 基于信杂噪比最大的雷达三维异构阵稀疏重构方法 |
CN107703490A (zh) * | 2017-09-29 | 2018-02-16 | 西安电子科技大学 | 基于fda‑mimo雷达的距离模糊杂波抑制方法 |
WO2018045566A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 基于压缩感知的随机脉冲多普勒雷达角度-多普勒成像方法 |
CN109061599A (zh) * | 2018-08-28 | 2018-12-21 | 电子科技大学 | 一种基于循环平稳和对称先验知识的stap方法 |
CN109061598A (zh) * | 2018-08-28 | 2018-12-21 | 电子科技大学 | 一种stap杂波协方差矩阵估计方法 |
CN109375175A (zh) * | 2018-10-23 | 2019-02-22 | 航天恒星科技有限公司 | 一种支持多波形的雷达信号发射与接收系统及方法 |
CN109444869A (zh) * | 2018-12-19 | 2019-03-08 | 中国人民解放军空军预警学院 | 一种用于信号失配的雷达扩展目标参数可调检测器 |
CN110376561A (zh) * | 2019-06-04 | 2019-10-25 | 西安电子科技大学 | 一种时域降维的多快拍迭代阵元幅相误差估计方法 |
CN110632573A (zh) * | 2019-10-17 | 2019-12-31 | 南京航空航天大学 | 一种机载宽带雷达空时二维keystone变换方法 |
WO2020037614A1 (zh) * | 2018-08-23 | 2020-02-27 | 深圳大学 | 一种提高机载雷达杂波抑制性能的方法及系统 |
CN111220955A (zh) * | 2019-11-04 | 2020-06-02 | 南京航空航天大学 | 基于垂直阵列协方差矩阵特征分解的机载气象雷达地杂波抑制方法 |
CN111610505A (zh) * | 2020-06-19 | 2020-09-01 | 中国人民解放军空军工程大学航空机务士官学校 | 一种基于指数形式时变加权的机载双基雷达stap算法 |
CN112906476A (zh) * | 2021-01-20 | 2021-06-04 | 电子科技大学中山学院 | 一种基于信杂噪比损失的机载雷达训练样本选择方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030142011A1 (en) * | 2001-11-12 | 2003-07-31 | Telstra Corporation Limited | Surface wave radar |
CN101556328A (zh) * | 2009-05-08 | 2009-10-14 | 西安电子科技大学 | 基于杂波协方差矩阵的机载雷达空时二维滤波器构建方法 |
-
2011
- 2011-09-27 CN CN201110289306XA patent/CN103018727A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030142011A1 (en) * | 2001-11-12 | 2003-07-31 | Telstra Corporation Limited | Surface wave radar |
CN101556328A (zh) * | 2009-05-08 | 2009-10-14 | 西安电子科技大学 | 基于杂波协方差矩阵的机载雷达空时二维滤波器构建方法 |
Non-Patent Citations (2)
Title |
---|
常玉林: "多通道低频超宽带SAR/GMTI系统长相干积累STAP技术研究", 《国防科学技术大学工学博士学位论文》 * |
赵申东等: "小快拍的线阵空时自适应处理方法", 《系统工程与电子技术》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439692A (zh) * | 2013-09-01 | 2013-12-11 | 西安电子科技大学 | 基于协方差矩阵广对称特性的stap方法 |
CN103439692B (zh) * | 2013-09-01 | 2015-06-17 | 西安电子科技大学 | 基于协方差矩阵广对称特性的stap方法 |
CN103529437A (zh) * | 2013-10-15 | 2014-01-22 | 西安电子科技大学 | 系留气球载相控阵雷达在多目标下分辨空地目标的方法 |
CN103529437B (zh) * | 2013-10-15 | 2015-07-15 | 西安电子科技大学 | 系留气球载相控阵雷达在多目标下分辨空地目标的方法 |
CN104155632A (zh) * | 2014-07-18 | 2014-11-19 | 南京航空航天大学 | 一种基于局部相关性的改进子空间海杂波抑制方法 |
CN104181518A (zh) * | 2014-07-30 | 2014-12-03 | 西安电子科技大学 | 一种利用波达角差异性选择训练样本的方法 |
CN104849705A (zh) * | 2015-06-02 | 2015-08-19 | 中国人民解放军海军航空工程学院 | 局部均匀杂波协方差矩阵自适应估计方法 |
CN105607049A (zh) * | 2015-12-24 | 2016-05-25 | 哈尔滨工业大学 | 一种基于同质性检验的数据分区方法 |
CN105607049B (zh) * | 2015-12-24 | 2018-03-13 | 哈尔滨工业大学 | 一种基于同质性检验的数据分区方法 |
CN105785339A (zh) * | 2016-03-21 | 2016-07-20 | 西安电子科技大学 | 非均匀杂波环境下机载雷达杂波协方差矩阵的估计方法 |
CN105785339B (zh) * | 2016-03-21 | 2018-04-10 | 西安电子科技大学 | 非均匀杂波环境下机载雷达杂波协方差矩阵的估计方法 |
CN106324596A (zh) * | 2016-09-09 | 2017-01-11 | 深圳大学 | 基于压缩感知的随机脉冲多普勒雷达角度‑多普勒成像方法 |
WO2018045566A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 基于压缩感知的随机脉冲多普勒雷达角度-多普勒成像方法 |
CN107085205A (zh) * | 2017-04-19 | 2017-08-22 | 西安电子科技大学 | 基于杂波协方差矩阵结构信息的自适应检测方法 |
CN107085205B (zh) * | 2017-04-19 | 2019-11-05 | 西安电子科技大学 | 基于杂波协方差矩阵结构信息的自适应检测方法 |
CN107167782B (zh) * | 2017-06-27 | 2020-04-10 | 西安电子科技大学 | 基于信杂噪比最大的雷达三维异构阵稀疏重构方法 |
CN107167782A (zh) * | 2017-06-27 | 2017-09-15 | 西安电子科技大学 | 基于信杂噪比最大的雷达三维异构阵稀疏重构方法 |
CN107703490A (zh) * | 2017-09-29 | 2018-02-16 | 西安电子科技大学 | 基于fda‑mimo雷达的距离模糊杂波抑制方法 |
WO2020037614A1 (zh) * | 2018-08-23 | 2020-02-27 | 深圳大学 | 一种提高机载雷达杂波抑制性能的方法及系统 |
CN109061599B (zh) * | 2018-08-28 | 2022-06-03 | 电子科技大学 | 一种基于循环平稳和对称先验知识的stap方法 |
CN109061598A (zh) * | 2018-08-28 | 2018-12-21 | 电子科技大学 | 一种stap杂波协方差矩阵估计方法 |
CN109061599A (zh) * | 2018-08-28 | 2018-12-21 | 电子科技大学 | 一种基于循环平稳和对称先验知识的stap方法 |
CN109375175A (zh) * | 2018-10-23 | 2019-02-22 | 航天恒星科技有限公司 | 一种支持多波形的雷达信号发射与接收系统及方法 |
CN109444869A (zh) * | 2018-12-19 | 2019-03-08 | 中国人民解放军空军预警学院 | 一种用于信号失配的雷达扩展目标参数可调检测器 |
CN109444869B (zh) * | 2018-12-19 | 2022-07-08 | 中国人民解放军空军预警学院 | 一种用于信号失配的雷达扩展目标参数可调检测器 |
CN110376561A (zh) * | 2019-06-04 | 2019-10-25 | 西安电子科技大学 | 一种时域降维的多快拍迭代阵元幅相误差估计方法 |
CN110376561B (zh) * | 2019-06-04 | 2021-08-13 | 西安电子科技大学 | 一种时域降维的多快拍迭代阵元幅相误差估计方法 |
CN110632573A (zh) * | 2019-10-17 | 2019-12-31 | 南京航空航天大学 | 一种机载宽带雷达空时二维keystone变换方法 |
CN110632573B (zh) * | 2019-10-17 | 2023-01-31 | 南京航空航天大学 | 一种机载宽带雷达空时二维keystone变换方法 |
CN111220955A (zh) * | 2019-11-04 | 2020-06-02 | 南京航空航天大学 | 基于垂直阵列协方差矩阵特征分解的机载气象雷达地杂波抑制方法 |
CN111220955B (zh) * | 2019-11-04 | 2022-10-11 | 南京航空航天大学 | 基于垂直阵列协方差矩阵特征分解的机载气象雷达地杂波抑制方法 |
CN111610505A (zh) * | 2020-06-19 | 2020-09-01 | 中国人民解放军空军工程大学航空机务士官学校 | 一种基于指数形式时变加权的机载双基雷达stap算法 |
CN112906476A (zh) * | 2021-01-20 | 2021-06-04 | 电子科技大学中山学院 | 一种基于信杂噪比损失的机载雷达训练样本选择方法 |
CN112906476B (zh) * | 2021-01-20 | 2022-11-04 | 电子科技大学中山学院 | 一种基于信杂噪比损失的机载雷达训练样本选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103018727A (zh) | 一种基于样本训练的机载雷达非平稳杂波抑制方法 | |
CN103383448B (zh) | 适用于hprf波形机载雷达的杂波抑制方法 | |
CN102156279B (zh) | 基于mimo的双基地雷达地面动目标检测方法 | |
CN102721947B (zh) | 机载数字阵列雷达高效三维空时自适应杂波抑制方法 | |
CN107976660B (zh) | 弹载多通道雷达超低空目标分析与多径回波建模方法 | |
CN104977571B (zh) | 基于俯仰频率分集stap的距离模糊杂波抑制方法 | |
CN105445701B (zh) | Ddma‑mimo雷达目标的单脉冲角度估计方法 | |
CN103176168B (zh) | 一种机载非正侧视阵雷达近程杂波对消方法 | |
CN106338723B (zh) | 一种基于互质脉冲重复间隔的空时自适应处理方法及装置 | |
CN106772253B (zh) | 一种非均匀杂波环境下的雷达杂波抑制方法 | |
CN102288948B (zh) | 基于stap的高速平台高速空中动目标检测方法 | |
CN107255797B (zh) | 基于发射空时权优化及ka-stap的机载雷达杂波抑制方法 | |
CN110297233B (zh) | Lfmcw阵列雷达信号并行流水化处理方法 | |
CN105223560A (zh) | 基于杂波俯仰方位谱稀疏恢复的机载雷达目标检测方法 | |
CN103760529B (zh) | 一种无源探测高效级联空时自适应处理方法 | |
CN103969629A (zh) | 一种基于主瓣杂波配准的机载雷达杂波自适应抑制方法 | |
CN109765529B (zh) | 一种基于数字波束形成的毫米波雷达抗干扰方法及系统 | |
CN103954942A (zh) | 机载mimo雷达三维波束空间的部分联合杂波抑制方法 | |
CN104360325A (zh) | 机载前视阵雷达的空时自适应处理方法 | |
CN103399309A (zh) | 基于迭代加权最小方差的空时二维杂波谱估计方法 | |
CN104793194B (zh) | 基于改进的自适应多脉冲压缩的距离‑多普勒估计方法 | |
Lv | Simulation study of noise convolution jamming countering to SAR | |
CN108931766A (zh) | 一种基于稀疏重构的非均匀stap干扰目标滤除方法 | |
CN102621536A (zh) | 基于relax的空中多机动目标检测与参数估计方法 | |
CN103792523B (zh) | 基于张量积的uhf波段多通道雷达径向速度检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130403 |