CN103412290B - 知识辅助的apr非均匀样本检测方法 - Google Patents

Abstract

本发明公开了一种知识辅助的APR非均匀样本检测方法，本发明的方法将杂波先验知识与自适应功率剩余非均匀检测器相结合，对训练样本进行有效选择，可以不受含有干扰目标的训练样本的影响。基于先验知识的杂波协方差矩阵不包含非均匀特性附加项与常规APR方法相比，更有效检测出强弱干扰目标信号，剔除被干扰目标污染的训练样本；经过本发明筛选的训练样本是与待测距离单元具有统计意义上相似的杂波协方差矩阵，可显著提高STAP性能；本发明的方法将先验知识应用于训练样本选择，保证了选取的训练样本满足IID特性。

Description

知识辅助的APR非均匀样本检测方法

技术领域

本发明属于信号与信息处理技术领域，具体涉及一种机载雷达非均匀杂波样本检测方法。

背景技术

机载雷达对运动目标进行检测时，面临的主要难题是如何抑制强烈的地杂波和各种类型的干扰，空时自适应处理(Space Time Adaptive Processing，STAP)是解决该问题的关键技术。STAP技术的关键在于正确估计检测单元的协方差矩阵，形成空时自适应权值，实现对机载雷达杂波和干扰的有效抑制。在协方差矩阵的最大似然估计中，一个基本的假设是训练样本数据具有独立同分布(Independent and Identically Distributed，IID)特性，即认为训练样本数据是均匀的。

在实际应用中，机载雷达面临的杂波环境往往是非均匀的，偶发的电磁干扰、人为的点干扰和动目标本身等都会使训练样本数据中包含目标信号。这种目标干扰将使协方差矩阵估值产生偏差，造成信号对消，导致自适应方向图主瓣畸变，降低目标检测概率。当干扰目标信号较强时，必须利用非均匀检测器（NonHomogeneity Detector，NHD)剔除被干扰目标污染的训练样本，使其不参与自适应权值的计算，以改善STAP性能。

在训练样本的非均匀检测中，最为常用的非均匀检测方法有两类，它们分别基于广义内积(General Inner Product，GIP)准则和自适应功率剩余(Adaptive Power Residual，APR)准则。由于APR的检测统计具有相干积累的形式，因而对干扰目标的检测性能优于GIP方法。然而，当训练样本中含有强干扰目标时，由其估计得到的协方差矩阵将影响APR统计量，易造成误检和漏检。

发明内容

本发明的目的是为了解决现有的训练样本的非均匀检测方法中当训练样本中含有强干扰目标时易造成误检和漏检的问题，提出了一种知识辅助的(Knowledge-Aided,KA)APR非均匀样本检测方法。

本发明的具体技术方案为：一种知识辅助的APR非均匀样本检测方法，具体包括如下步骤：

步骤S1.获取基于先验知识的杂波协方差矩阵，具体过程如下：

每个距离单元在方位向上被均匀分割为N_θ个点杂波散射单元，每个杂波单元的径向宽度为ΔR=cτ/2，最大不模糊距离为R_u=cT_r/2，其中，c为光速，τ为脉冲宽度，T_r为脉冲重复周期，假设机载平面相控阵雷达等效为N个列子阵，在一个相干处理周期内发射K个脉冲，雷达的第n路列子阵接收到单个点杂波散射单元的第k个脉冲回波信号可以表示为：

1≤k≤K，1≤n≤N

其中，θ、分别表示杂波散射单元在天线阵列坐标系的方位角和俯仰角，为整个发射天线的场方向图，为第n路接收列子阵的场方向图，P_k为峰值发射功率，λ为雷达作用波长，σ为散射单元雷达截面积，L_c为系统损耗因子，R为雷达天线与散射单元间的径向距离，Φ_k为第k次回波的时域相移，Φ_n为第n路列子阵的空间相移；

于是，距离单元l的第n路列子阵、第k个脉冲的杂波回波信号迭加为：

整个天线阵列的第k个脉冲数据矢量V_l(k)为：

V_l(k)=[V_l(1,k),V_l(2,k),…,V_l(N,k)]^T

将阵列接收到得K个脉冲数据矢量V_l(k)，(k=1,2,…,K)排成NK×1的列矢量V(l)，即：

V(l)=[V_l ^T(1),V_l ^T(2),…,V_l ^T(K)]^T

假设共有L个距离单元，由于杂波单元间彼此统计独立，则根据最大释然估计准则可以得到基于先验知识的杂波协方差矩阵

${\hat{R}}_{\mathrm{KA}}=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}V\left(l\right)V^H\left(l\right)$

其中，H为矩阵的转置运算；

步骤S2.知识辅助的APR非均匀样本检测

将步骤S1估计出的杂波协方差矩阵应用于APR算法选择IID训练样本，具体的知识辅助的APR检验准则定义为：

$\mathrm{KA}-\mathrm{APR}:m_l={\left|S^H{\hat{R}}_{\mathrm{KA}}^{-1}X\left(l\right)\right|}^2,(l=\mathrm{1,2},\·\·\·,L)$

式中，S为期望的空时二维导向矢量；

假定初始训练样本集Ω由L个M×1维的相邻距离单元的杂波数据矢量X(l)构成，即：

Ω={X(l),l=1,2,…,L}

利用先验协方差矩阵对初始样本集Ω作APR非均匀检测，计算出各APR统计量m_l，然后对其排序；用ρ_(l)表示排序后的相应序号，并且ρ₍₁₎≥ρ₍₂₎≥…≥ρ_(L)；假设训练样本中最多有L_out个数据矢量含有干扰目标信号，则截取L_out个最大序号ρ_(l)，将与之相关的数据矢量从样本集Ω中剔除；样本集Ω中剩余的L-L_out个数据矢量构成新的训练样本集Ω，用来进行协方差矩阵估计，进而计算自适应权值。

本发明的有益效果：本发明的方法将杂波先验知识与自适应功率剩余非均匀检测器(APR NHD)相结合，对训练样本进行有效选择，可以不受含有干扰目标的训练样本的影响。基于先验知识的杂波协方差矩阵不包含非均匀特性附加项与常规APR方法相比，更有效检测出强弱干扰目标信号，剔除被干扰目标污染的训练样本；经过本发明筛选的训练样本是与待测距离单元具有统计意义上相似的杂波协方差矩阵，可显著提高STAP性能；本发明的方法将先验知识应用于训练样本选择，保证了选取的训练样本满足IID特性。

附图说明

图1为基于先验知识的地面杂波模型示意图；

图2为基于先验知识的二维杂波功率谱示意图；

图3为弱干扰目标污染的时域多普勒响应图；

图4为常规APR和本发明实施例的KA-APR方法的弱干扰目标检测结果示意图；

图5为强干扰目标污染的时域多普勒响应图；

图6为常规APR和本发明实施例的KA-APR方法的强干扰目标检测结果示意图；

图7为常规APR和本发明实施例的KA-APR方法STAP滤波结果示意图。

具体实施方式

下面结合附图和实例对本发明做如下详述：

本发明提出的知识辅助的自适应功率剩余（KA-APR）非均匀样本检测方法将待测距离单元杂波先验知识融入到STAP的训练样本选择策略中，有效克服误检和漏检干扰目标的缺点。经过KA-APR筛选的训练样本与待测距离单元具有统计意义上相似的杂波协方差矩阵，可显著提高STAP性能。

深入分析常规自适应功率剩余(APR)算法的数学含义及其在强干扰目标检测中性能下降的原因：在常规APR算法中，由于被干扰目标污染的训练样本参与协方差矩阵的计算，则协方差矩阵中包含一个由干扰目标信号引起的非均匀特性附加项强干扰目标引起的非均匀特性附加项会导致常规APR检测方法频域响应图的主瓣波束出现严重畸变，影响非均匀样本检测。

具体利用载机平台运动参数、雷达系统参数及地形、地貌参数等先验知识，模拟雷达的作用环境，构建待检测距离单元地面回波的杂波模型，并根据最大释然准则（ML）估计出待测距离单元的杂波协方差矩阵由独立同分布（IID）杂波样本计算得到，不受干扰目标信号的影响。

为了消除非均匀特性附加项对非均匀样本检测的影响，本发明将基于先验知识的杂波协方差矩阵与常规APR算法相结合，即知识辅助的自适应功率剩余方法（KA-APR），可以有效避免常规APR检测方法误检和漏检干扰目标的缺点。

下面分别结合常规APR检测方法分析和基于先验知识的杂波模型具体说明本发明的基于知识辅助的APR检测方法。

1、常规APR检测方法分析

在训练样本的非均匀检测中，假定初始训练样本集Ω由L个M×1维的相邻距离单元的杂波数据矢量X(l),构成，即：

Ω={X(l),l=1,2,…,L}

APR检验准则定义如下：

APR：|S^HR^-1X(l)|²，(l=1,2,…,L)      (1)

式中，S为期望的空时二维导向矢量。

由于实际杂波的特性是未知的，协方差矩阵R无法确定，只能由样本集Ω中样本数据估计得到。基于最大似然估计准则(MLE)的协方差矩阵可表示为：

$\hat{R}=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}X\left(l\right)X^H\left(l\right)---\left(2\right)$

在利用APR准则的非均匀检测中，最常见的一种干扰目标剔除方式如下，令：

$m_l={\left|S^H{\hat{R}}^{-1}X\left(l\right)\right|}^2,l=\mathrm{1,2},\·\·\·,L---\left(3\right)$

利用初始样本集Ω中全体数据矢量对R作最大似然估计得近似值代入上式计算各m_l，然后对其排序；利用ρ_(l)表示排序后的相应序号，并且ρ₍₁₎≥ρ₍₂₎≥…≥ρ_(L)；假设训练样本中最多有L_out个数据矢量含有干扰目标信号，则截取L_out个最大序号ρ_(l)，将与之相关的数据矢量从样本集Ω中剔除；集Ω中剩余的L-L_out个数据矢量构成新的训练样本集Ω，用来进行协方差矩阵估计，进而计算自适应权值。

当样本协方差矩阵未被干扰目标污染时，APR检测方法具有良好的均匀样本选择性能。然而，在实际应用环境中，训练样本集Ω含有一定数量的非均匀训练样本，训练样本可表示为：

式中，c_l为杂波分量，n_l为噪声分量，Δx_l为由非均匀环境引起的附加干扰项。假设Ω中含有K个非均匀样本，利用这些训练样本估计出的协方差矩阵将会产生一个由非均匀特性引起的附加项即

${\hat{R}}_{\mathrm{\Ω}}=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}X\left(l\right)X^H\left(l\right)$

$=\frac{1}{L}\underset{l=1}{\overset{L-K}{\mathrm{\Σ}}}(c_l+n_l){(c_l+n_l)}^H+\frac{1}{L}\underset{l=L-K+1}{\overset{L}{\mathrm{\Σ}}}(c_l+n_l+\mathrm{\Δ}{x}_l){(c_l+n_l+\mathrm{\Δ}{x}_l)}^H---\left(5\right)$

$=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}(c_l+n_l){(c_l+n_l)}^H+\frac{1}{L}\underset{l=L-K+1}{\overset{L}{\mathrm{\Σ}}}[\mathrm{\Δ}{x}_l\mathrm{\Δ}{x}_l^H+(c_l+n_l)\mathrm{\Δ}{x}_l^H+\mathrm{\Δ}{x}_l{(c_l+n_l)}^H]$

$=\hat{R}+\mathrm{\Δ}\hat{R}$

其中， $\mathrm{\Δ}\hat{R}=\frac{1}{L}\underset{l=L-K+1}{\overset{L}{\mathrm{\Σ}}}[\mathrm{\Δ}{x}_l\mathrm{\Δ}{x}_l^H+(c_l+n_l){\mathrm{\Δx}}_l^H+\mathrm{\Δ}{x}_l{(c_l+n_l)}^H].$

由干扰目标数据引起，如果Δx_l是弱干扰目标信号，则对非均匀样本检测的影响很小，可以忽约。如果Δx_l是强干扰目信号，将导致常规APR检测方法的频域方向图的主瓣波束产生畸变，影响APR统计量m_l(l=1,2,…,L)，使常规APR方法难以有效分辨出非均匀训练样本，造成误检和漏检，进而降低后续的STAP目标检测性能。

2、基于先验知识的杂波模型

利用载机平台运动参数、雷达系统参数及地形、地貌参数等先验知识，可构建待检测距离单元地面回波的杂波模型。

如图1所示，每个距离单元在方位向上被均匀分割为N_θ个点杂波散射单元，每个杂波单元的径向宽度为ΔR=cτ/2(c为光速，τ为脉冲宽度)，最大不模糊距离为R_u=cT_r/2(T_r为脉冲重复周期)。假设机载平面相控阵雷达等效为N个列子阵，在一个相干处理周期内发射K个脉冲。雷达的第n路列子阵接收到单个点杂波散射单元的第k个脉冲回波信号可表示为：

式中，表示杂波散射单元在天线阵列坐标系的方位角和俯仰角，为整个发射天线的场方向图，为第n路接收列子阵的场方向图，P_k为峰值发射功率，λ为雷达作用波长，σ为散射单元雷达截面积，L_c为系统损耗因子，R为雷达天线与杂波散射单元间的径向距离，Φ_k为第k次回波的时域相移，Φ_n为第n路列子阵的空间相移。

于是，距离单元l的第n路列子阵、第k个脉冲的杂波回波信号迭加为：

整个天线阵列的第k个脉冲数据矢量V_l(k)为：

V_l(k)=[V_l(1,k),V_l(2,k),…,V_l(N,k)]^T      (8)

将阵列接收到得K个脉冲数据矢量V_l(k)，(k=1,2,…,K)排成NK×1的列矢量V(l)，即：

V(l)=[V_l ^T(1),V_l ^T(2),…,V_l ^T(K)]^T      (9)

假设共有L个距离单元，由于杂波单元间彼此统计独立，则根据最大释然估计准则可以得到基于先验知识的杂波协方差矩阵

${\hat{R}}_{\mathrm{KA}}=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}V\left(l\right)V^H\left(l\right)---\left(10\right)$

如果能够完全获取雷达系统参数和环境信息，就能分别计算出(6)式中的各个组成部分，从而准确地估计出待测距离单元的杂波协方差矩阵将其用于APR算法选择IID训练样本。图2给出了基于先验知识的二维杂波功率谱示意图。

3、知识辅助的APR非均匀样本检测算法

利用载机平台运动参数、雷达系统参数以及地理环境信息等先验知识估计出待测距离单元的杂波协方差矩阵用其代替常规APR检测方法中的选择均匀训练样本。

KA-APR非均匀检测定义为：

$\mathrm{KA}-\mathrm{APR}:{\left|S^H{\hat{R}}_{\mathrm{KA}}^{-1}X\left(l\right)\right|}^2,l=\mathrm{1,2},\·\·\·,L---\left(11\right)$

与常规APR相比，KA-APR方法不受训练样本中的干扰目标的影响，利用待测距离单元的杂波先验知识有效剔除含有干扰目标的训练样本。经过KA-APR方法筛选的训练样本与待检测距离单元具有统计意义上相似的杂波协方差矩阵，可用其准确估计待检测距离单元的杂波协方差矩阵，并直接用于STAP算法计算自适应权值，提高后续STAP的目标检测性能。

下面结合实例对本发明进行说明：

设机载正侧面阵为2×10的等效线阵，即N=10，采用脉冲数K=16，载波波长λ=0.3m，阵元间距为半波长，脉冲重复频率f_r=1000Hz，载机速度v=200m/s，载机飞行高度H=10000m，波束锥角指向法向，杂噪比CNR=50dB，初始样本总数L=800，目标信号设定在第200号待检测单元，信噪比SNR=-10dB。

在第100号训练样本中插入信噪比强度为-3dB，方向为天线主瓣指向方向的弱干扰目标信号。式（5）表示，弱干扰信号引起的非均匀特性附加项对常规APR检测方法的协方差矩阵估计影响不大，可以忽约，且KA-APR检测不受的影响。因此，常规APR检测方法(见图3(a))和KA-APR检测方法(见图3(b))的频域响应图的主瓣波束都未出现畸变，常规APR方法(见图4(a))和KA-APR方法(见图4(b))都能有效检测出弱干扰目标。

再往第150号训练样本中插入信噪比强度为30dB，方向为天线主瓣指向方向的强干扰目标信号。式（5）表示，强干扰信号引起的非均匀特性附加项对常规APR检测方法的协方差矩阵估计影响很大，不能忽约，导致常规APR检测方法频域响应图的主瓣波束出现严重畸变(见图5(a))，强干扰目标检测失效(见图6(a))。由于KA-APR检测方法不受非均匀特性附加项的影响，KA-APR检测方法频域响应图的主瓣波束未出现畸变(见图5(b))，强干扰目标被有效检出(见图6(b))。

图7显示了经过常规APR方法和KA-APR方法筛选的训练样本做STAP滤波的处理结果。从图中结果可以看出，常规APR方法的STAP滤波没有准确检测出目标信号(见图7(a))，而在同样的情况下，KA-APR方法的STAP滤波可以准确检测出目标出现在第200号检测单元(见图7(b))。由于常规APR方法不能有效检测强干扰目标，被干扰目标污染的样本参与STAP滤波自适应权的计算，自适应权矢量受到扰动，导致目标信号被干扰信号相消，严重影响STAP滤波检测性能。而KA-APR方法能有效检测强干扰目标，剔除被干扰目标污染的训练样本，只有均匀训练样本参与STAP滤波自适应权的计算，并有效检测出目标信号。

仿真结果表明，相对于传统的自适应功率剩余（APR）非均匀样本检测方法，本发明的KA-APR检测方法能更有效剔除存在强干扰目标的样本，提高训练样本被强干扰目标污染时空时自适应处理的检测性能。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (1)

1.一种知识辅助的APR非均匀样本检测方法，具体包括如下步骤：

步骤S1.获取基于先验知识的杂波协方差矩阵，具体过程如下：

每个距离单元在方位向上被均匀分割为N_θ个点杂波散射单元，每个杂波单元的径向宽度为ΔR＝cτ/2，最大不模糊距离为R_u＝cT_r/2，其中，c为光速，τ为脉冲宽度，T_r为脉冲重复周期，假设机载平面相控阵雷达等效为N个列子阵，在一个相干处理周期内发射K个脉冲，雷达的第n路列子阵接收到单个点杂波散射单元的第k个脉冲回波信号可以表示为：

其中，θ、分别表示杂波散射单元在天线阵列坐标系的方位角和俯仰角，为整个发射天线的场方向图，为第n路接收列子阵的场方向图，P_k为峰值发射功率，λ为雷达作用波长，σ为散射单元雷达截面积，L_c为系统损耗因子，R为雷达天线与散射单元间的径向距离，Φ_k为第k次回波的时域相移，Φ_n为第n路列子阵的空间相移；

于是，距离单元l的第n路列子阵、第k个脉冲的杂波回波信号迭加为：

整个天线阵列的第k个脉冲数据矢量V_l(k)为：

V_l(k)＝[V_l(1,k),V_l(2,k),…,V_l(N,k)]^T

将阵列接收到得K个脉冲数据矢量V_l(k)，k＝1,2,…,K，排成NK×1的列矢量V(l)，即：

V(l)＝[V_l ^T(1),V_l ^T(2),…,V_l ^T(K)]^T

假设共有L个距离单元，由于杂波单元间彼此统计独立，则根据最大释然估计准则可以得到基于先验知识的杂波协方差矩阵

${\hat{R}}_{\mathrm{KA}}=\frac{1}{L}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}V\left(l\right)V^H\left(l\right)$

其中，H为矩阵的转置运算；

步骤S2.知识辅助的APR非均匀样本检测，

将步骤S1估计出的杂波协方差矩阵应用于APR算法选择IID训练样本，具体的知识辅助的APR检验准则定义为：

$\mathrm{KA}-\mathrm{APR}:m_l={\left|S^H{\hat{R}}_{\mathrm{KA}}^{-1}X\left(l\right)\right|}^2,l=\mathrm{1,2},...,L$

其中，S为期望的空时二维导向矢量；

假定初始训练样本集Ω由L个M×1维的相邻距离单元的杂波数据矢量X(l)构成，即：

Ω＝{X(l),l＝1,2,…,L}

利用先验协方差矩阵对初始样本集Ω作APR非均匀检测，计算出各APR统计量m_l，然后对其排序；用ρ_(l)表示排序后的相应序号，并且ρ₍₁₎≥ρ₍₂₎≥…≥ρ_(L)；假设训练样本中最多有L_out个数据矢量含有干扰目标信号，则截取L_out个最大序号ρ_(l)，将与之相关的数据矢量从样本集Ω中剔除；样本集Ω中剩余的L-L_out个数据矢量构成新的训练样本集Ω，用来进行协方差矩阵估计，进而计算自适应权值。