CN104297735B - 基于先验道路信息的杂波抑制方法 - Google Patents

Abstract

本发明属于雷达杂波抑制技术领域，特别涉及基于先验道路信息的杂波抑制方法，其具体步骤为：根据先验道路信息得到雷达主波束内公路所在的以及计算对应车辆所在距离多普勒单元的集合RD_road和RD_vehicle，对于某待处理单元，剔除若干保护单元后从待处理单元附近挑选原始训练样本，从原始训练样本集合中根据样本数据与集合RD_road和RD_vehicle分别对应的空域导向矢量的匹配程度判断样本是否被车辆污染，剔除被车辆目标污染的训练样本，用剩余的训练样本估计待处理单元的杂波协方差矩阵，并对待处理单元进行STAP。

Description

基于先验道路信息的杂波抑制方法

技术领域

本发明属于雷达杂波抑制技术领域，特别涉及基于先验道路信息的杂波抑制方法，涉及非均匀杂波环境背景下的杂波抑制，具体是一种基于先验道路信息的杂波抑制方法，用于解决在道路密集环境中车辆信号对空时自适应处理的影响，改善杂波抑制性能。

背景技术

在空时自适应处理(Space time adaptive processing，STAP)计算自适应权值时需要杂波的协方差矩阵，该杂波的协方差矩阵通常是未知的，需要通过训练样本估计得到。为了估计杂波的协方差矩阵，通常选择待处理单元附近的距离采样数据作为训练样本。例如，如果需要L₀个训练样本(L₀为大于1的偶数)，那么在检测单元前后(为了防止目标自相消和目标信号在距离维的扩展，需要剔除待处理单元及其附近的若干保护单元)各选择L₀/2个训练样本来估计杂波的协方差矩阵。此时，我们假设这种使用滑窗方法挑选出的训练样本能够代表待处理单元的杂波。然而，在非均匀杂波环境中，这种假设是不成立的。在服从高斯分布的杂波环境中，为了保证所估计的杂波协方差矩阵的性能，训练样本的数量要大于系统自由度的2倍。根据雷达系统参数和距离分辨率可以得知，采样数据所跨越的地面长度可长达数百米甚至数千米。雷达实际工作环境中存在的离散杂波点、功率非均匀性以及海陆交界等地形差异使得不同距离门的杂波具有不同的统计特性，用如上方法选出的训练样本与待处理单元的杂波统计特性并不一定相同，由此估计的杂波协方差矩阵与待处理单元的实际的杂波协方差矩阵存在偏差，此时空时自适应处理抑制杂波的性能会下降；当训练样本中含有目标信号时，所估计的杂波协方差矩阵中包含目标信号(称为奇异样本)，由此得到自适应权值进行STAP时会造成目标相消，引起漏警。

为了改善非均匀杂波环境中STAP的性能，在估计杂波协方差矩阵的时候，必须剔除被目标信号污染的训练样本。由于含有目标信号的样本的统计特性与仅含有杂波加噪声的样本的统计特性是不一样的，我们一般用非均匀检测器剔除奇异样本。一些学者提出了基于广义内积(GIP)的样本挑选方法。在杂波协方差矩阵精确已知的情况下广义内积法可以检测出奇异样本并剔除。然而，当训练样本中包含很强的奇异样本时，GIP方法的性能会严重下降，此外，当训练样本中的奇异样本很多的时候，GIP方法检测并剔除奇异样本的性能也会严重下降。为此有人提出了一种改进的GIP算法，该算法首先通过雷达系统参数等先验信息计算理论的杂波协方差矩阵，然后用该理论协方差矩阵替换GIP中估计的杂波协方差矩阵，可以在一定程度上增加GIP的稳健性。然而，在杂波模型或者惯导数据不准的情况下，该方法所估计的理论协方差矩阵与实际协方差矩阵存在偏差，这会在一定程度上降低GIP挑选训练样本的性能。还有一些学者提出了基于先验知识的STAP方法，并证明了先验知识在STAP中的价值。基于知识的空时自适应处理用已有的雷达数据、地图数据、跟踪反馈和道路信息等来辅助空时自适应信号处理，可以改善STAP的性能。对于道路信息来说，道路上存在车辆，车辆的运动会引起多普勒的变化，主波束照射区域内道路上的车辆有可能与目标具有相同的多普勒频率，如果用含有这种车辆回波的训练样本来估计杂波协方差矩阵，就相当于在协方差矩阵中加入了目标信号分量，STAP时会造成目标相消，降低实际目标的功率，因此，在挑选训练样本估计杂波协方差矩阵时需要剔除这种被主波束内车辆污染的训练样本。有人提出将所有包含道路的距离单元剔除，可以在一定程度上改进STAP性能，然而这种方法在道路密集的环境中会剔除大量训练样本，从而导致STAP的训练样本不够而使其性能下降。

发明内容

本发明的目的在于提出基于先验道路信息的杂波抑制方法，本发明可以剔除被主波束内车辆污染的训练样本解决在道路密集环境中车辆信号对空时自适应处理的影响，同时避免大量剔除训练样本，改善杂波抑制性能。

为实现发明目的，本发明采用的技术方案是：针对含有多个阵元的等间距线阵雷达为例进行分析，首先根据雷达构型、惯导信息及道路网信息计算雷达主波束内道路所在的距离-多普勒单元；然后根据道路相对于雷达的角度和车辆的速度范围计算出道路上车辆相对于雷达的径向速度范围，从而得到可能存在车辆的距离-多普勒单元；接着，对于某待处理单元，在其相同多普勒通道中挑选与其临近的距离单元(剔除保护单元)作为原始训练样本，根据原始训练样本数据矢量与杂波导向矢量及道路导向矢量的匹配程度判断其是否为车辆，从而剔除被车辆目标信号污染的原始训练样本；最后，用挑选出的训练样本计算自适应权值进行基于知识辅助的空时自适应处理(knowledge-aided Space timeadaptive processing，KASTAP)。

本发明的步骤为：

步骤1，利用机载雷达向道路发送脉冲信号，利用机载雷达上正侧视的均匀线阵接收M个脉冲的回波数据，所述均匀线阵的阵元数为N，阵元间距为d；将机载雷达在第l个距离门所接收到的M个脉冲回波数据表示为矩阵X_l，l取1至L，L表示机载雷达的距离门个数；

步骤2，对矩阵X_l作傅立叶变换，得到阵元多普勒域数据矩阵得出第m个多普勒通道的回波数据矢量m＝1，2，…，M；表示由阵元多普勒域数据矩阵第m行的所有元素组成的N×1维的矢量；得出机载雷达3dB波束宽度内的道路的回波信号进行多普勒偏移后的距离-多普勒二维坐标的集合RD_vehicle，将集合RD_vehicle中每个元素对应的多普勒通道序号的集合记为集合A，将集合A中每个元素对应的多普勒通道的回波数据矢量作为对应的一个训练样本，将所有的训练样本组合成训练样本集合；得出机载雷达的每个多普勒通道中地面静止散射点的空域导向矢量、以及机载雷达的每个多普勒通道的车辆所在道路的回波信号对应的空域导向矢量；

步骤3，设m′∈A，当时，将机载雷达第m′个多普勒通道的回波数据矢量从步骤2得出的训练样本集合中剔除，a_sc(m′)表示机载雷达的第m′个多普勒通道中地面静止散射点的空域导向矢量，a_sr(m′)表示第m′个多普勒通道的车辆所在道路的回波信号对应的空域导向矢量；(·)^H表示厄米共轭符号，γ为设定的大于0的调解系数，|·|表示取模值；当时，在步骤2得出的训练样本集合中保留机载雷达第m′个多普勒通道的回波数据矢量

步骤4，根据步骤3得出的训练样本集合中的训练样本，求得对应的自适应权矢量w_opt，然后，根据自适应权矢量w_opt对机载雷达接收的回波信号进行空时自适应处理。

本发明的有益效果为：1)本发明利用先验道路信息剔除可能被车辆信号污染的强样本点，可以避免STAP处理时目标相消，更好的抑制杂波，得到更高的输出信杂噪比。2)当机载雷达照射道路密集的环境中，本发明可以只剔除被车辆污染的训练样本，而不需要将所有包含道路的训练样本剔除，保证STAP处理时所需的足够的训练样本，提高检测性能，降低虚警。

附图说明

图1为本发明的基于先验道路信息的杂波抑制方法的流程图；

图2为机载雷达照射区域内的道路的回波信号的距离-多普勒图像的举例示意图；

图3为机载雷达3dB波束宽度内的道路的回波信号的距离-多普勒图像的举例示意图；

图4为机载雷达3dB波束宽度内的道路的回波信号进行多普勒偏移后的距离-多普勒图像的举例示意图；

图5为仿真实验1所用的MCARM数据工作环境内的道路信息示意图；

图6为仿真实验1中机载雷达的照射范围及其内的道路信息示意图；

图7a为利用仿真实验2滑窗法得到信杂噪比与距离门的关系示意图；

图7b为仿真实验2利用本发明得出的信杂噪比与距离门的关系示意图。

具体实施方式

下面结合附图对本发明作进一步说明：

参照图1，为本发明的基于先验道路信息的杂波抑制方法的流程图。该基于先验道路信息的杂波抑制方法包括以下步骤：

步骤1，利用机载雷达向道路发送脉冲信号，利用机载雷达上正侧视的均匀线阵接收M个脉冲的回波数据，所述均匀线阵的阵元数为N，阵元间距为d；将机载雷达在第l个距离门所接收到的M个脉冲回波数据表示为矩阵X_l，l取1至L，L表示机载雷达的距离门个数。

其具体子步骤为：

利用机载雷达向道路发送脉冲信号，利用机载雷达上的均匀线阵接收M个脉冲的回波数据，机载雷达上的均匀线阵为正侧视的均匀线阵，所述均匀线阵的阵元数为N，阵元间距为d。机载雷达在第l个距离门所接收到的M个脉冲回波数据表示为矩阵X_l，l取1至L，L表示机载雷达的距离门个数。X_l＝ρ_lS+C_l+N_l，其中，ρ_l表示第l个距离门的目标幅度，S表示目标信号的空时导向矢量，C_l表示第l个距离门的杂波信号，N_l表示第l个距离门的噪声信号。

得出目标信号的空时导向矢量S的表达式，其中，表示Kronecker积，(·)^T表示转置运算符，表示目标归一化多普勒频率，表示目标信号的时域导向矢量，υ表示目标归一化空间频率，a(υ)表示目标信号的空域导向矢量；和a(υ)的展开式分别为：

a(υ)＝[1，exp(j2πυ)，…，exp(j(N-1)2πυ)]^T。

其中，M表示机载雷达接收回波数据的脉冲数，N为所述均匀线阵的阵元数。显然，为M×1维的矢量，a(υ)为N×1维的矢量。

杂波信号可表示为其中N_r为距离模糊次数，N_c为每个距离门划分的杂波散射点的个数，a_ikl表示第i次距离模糊在第l个距离门的第k个杂波块对应的空域导向矢量，b_ikl表示第i次距离模糊在第l个距离门的第k个杂波块对应的时域导向矢量，ρ_ikl表示第i次距离模糊在第l个距离门的第k个杂波块对应的回波复幅度。

本发明实施例中，a_ikl和b_ikl的表达式分别为：

a_ikl＝[1，exp(j2πυ_ikl)，…，exp(j(N-1)2πυ_ikl)]^T

其中，(·)^T表示转置运算符，M表示机载雷达接收回波数据的脉冲数，N为所述均匀线阵的阵元数； υ_ikl表示第i次距离模糊在第l个距离门的第k个杂波块对应的归一化空域频率，表示第i次距离模糊在第l个距离门的第k个杂波块对应的归一化多普勒频率，θ_ik为第i次距离模糊在每个距离门的第k个杂波块对应的方位角，为每次距离模糊在第l个距离门的第k个杂波块对应的俯仰角；v为载机速度，λ为机载雷达发射信号的波长，f_r为机载雷达发射信号的脉冲重复频率。显然，a_ikl为N×1维的矢量，b_m为M×1维的矢量。

步骤2，对矩阵X_l作傅立叶变换，得到阵元多普勒域数据矩阵得出第m个多普勒通道的回波数据矢量m＝1，2，…，M；表示由阵元多普勒域数据矩阵第m行的所有元素组成的N×1维的矢量；得出机载雷达3dB波束宽度内的道路的回波信号进行多普勒偏移后的距离-多普勒二维坐标的集合RD_vehicle，将集合RD_vehicle中每个元素对应的多普勒通道序号的集合记为集合A，将集合A中每个元素对应的多普勒通道的回波数据矢量作为对应的一个训练样本，将所有的训练样本组合成训练样本集合；得出机载雷达3dB波束宽度内的每个多普勒通道中地面静止散射点的空域导向矢量、以及机载雷达3dB波束宽度内的每个多普勒通道的车辆所在道路的回波信号对应的空域导向矢量。

其具体子步骤为：

(2.1)空时自适应处理常用FA(factor approach，FA)方法来减少计算量和训练样本。具体过程为：首先将矩阵X_l通过M×M维的傅立叶变换矩阵F转换到阵元多普勒域，得出阵元多普勒域数据矩阵即

得出第m个多普勒通道的回波数据矢量m＝1，2，…，M； 表示由阵元多普勒域数据矩阵第m行的所有元素组成的N×1维的矢量。

(2.2)道路上运动的车辆回波信号可能与目标信号具有相同的多普勒频率，这样就相当于在回波中加了目标信号。在抑制杂波的时候，要剔除包括目标信号在内的强样本点。如果挑选的训练样本含有目标信号，由此计算的自适应权值进行STAP时会造成目标相消，降低STAP的性能。因此，在本发明实施例中，将机载雷达照射区域内的道路的回波信号转换到距离-多普勒域，参照图2，为机载雷达照射区域内的道路的回波信号的距离-多普勒图像的举例示意图，图2中，横轴表示归一化多普勒频率，纵轴表示距离门，黑色区域表示机载雷达照射区域内的道路。

由于机载雷达主波束方向的回波要比旁瓣回波强很多，并且一般只对主波束内的目标感兴趣，所用在剔除被目标信号污染的训练样本时，只要剔除主波束内公路上的车辆，只考虑主波束内的公路信息。因此，在本发明实施例中，得出机载雷达3dB波束宽度内的道路的回波信号对应的距离-多普勒二维坐标的集合，将机载雷达3dB波束宽度内的道路的回波信号对应的距离-多普勒二维坐标的集合记为RD_road，机载雷达3dB波束宽度内的每个地面散射点对应的距离-多普勒二维坐标包括：对应散射点的距离门序号和对应散射点的归一化多普勒频率。参照图3，为机载雷达3dB波束宽度内的道路的回波信号的距离-多普勒图像的举例示意图，图3中，横轴表示归一化多普勒频率，纵轴表示距离门，黑色区域表示机载雷达3dB波束宽度内的道路。

道路上的车辆有一定的速度，相对于机载雷达会有一定的多普勒频移。车辆速度表示为v_c(例如v_c∈[90km/h～120km/h])，则该车辆相对于机载雷达运动而引起的多普勒通道偏移Δf_d为：其中，θ_c表示车辆速度方向与车辆到机载雷达连线的夹角，可以认为车辆速度方向与车辆所在道路方向平行。M表示机载雷达接收回波数据的脉冲数，λ为机载雷达发射信号的波长，f_r为机载雷达发射信号的脉冲重复频率。本发明实施例中，根据机载雷达3dB波束宽度内的车辆产生的多普勒偏移，对机载雷达3dB波束宽度内的道路的回波信号进行对应的多普勒偏移，得出机载雷达3dB波束宽度内的道路的回波信号进行多普勒偏移后的距离-多普勒二维坐标的集合RD_vehicle。参照图4，为机载雷达3dB波束宽度内的道路的回波信号进行多普勒偏移后的距离-多普勒图像的举例示意图，图4中，横轴表示归一化多普勒频率，纵轴表示距离门，黑色区域表示机载雷达3dB波束宽度内的道路。

根据机载雷达3dB波束宽度内的道路的回波信号进行多普勒偏移后的距离-多普勒二维坐标的集合RD_vehicle，将其中每个元素对应的多普勒通道序号的集合记为集合A。将集合A中每个元素对应的多普勒通道的回波数据矢量作为对应的一个训练样本，将所有训练样本组合成训练样本集合(初步训练样本集合)。

本发明实施例中，还可以采用现有方法中选取杂波协方差矩阵对应的训练样本的方法，来得到训练样本集合。

(2.3)对于机载雷达3dB波束宽度内的每个地面静止散射点，其回波信号的归一化多普勒频率为：机载雷达3dB波束宽度内的对应地面静止散射点回波信号的归一化空间频率为θ表示机载雷达3dB波束宽度内的对应地面静止散射点的方位角，表示机载雷达3dB波束宽度内的对应地面静止散射点的俯仰角，进而可得即对于具有不同的归一化多普勒频率的任意两个地面静止散射点，其归一化空间频率不同。

本发明实施例中，针对机载雷达3dB波束宽度内的第m个多普勒通道，由傅立叶变换的性质可计算得到第m个多普勒通道对应的归一化多普勒频率为m＝1，2，…，M，M表示机载雷达接收回波数据的脉冲数。得出机载雷达3dB波束宽度内的第m个多普勒通道中地面静止散射点(地面静止杂波块)的空域导向矢量a_sc：

$a_{sc}=\[1,\exp \left(j2\mathrm{\π}\frac{f_{r}d}{2v}\right(\frac{m-1}{M}-0.5\left)\right),...,\exp \left(j\right(N-1\left)2\mathrm{\π}\frac{f_{r}d}{2v}\right(\frac{m-1}{M}-0.5\left)\right)\]$

其中，λ为机载雷达发射信号的波长，f_r为机载雷达发射信号的脉冲重复频率，v为载机速度，d为所述均匀线阵的阵元间距，N为所述均匀线阵的阵元数。显然，a_sc为N×1维的矢量。

(2.4)由于道路上车辆的运动，会引起多普勒偏移，因此道路上地面静止散射点和道路上车辆所在的多普勒通道不同。

本发明实施例中，当车辆位于机载雷达3dB波束宽度内的第m个多普勒通道时，车辆所在多普勒通道对应的归一化多普勒频率为m＝1，2，…，M，M表示机载雷达接收回波数据的脉冲数。针对处于第m个多普勒通道的车辆所在道路的回波信号，进行傅里叶变换，得出第m个多普勒通道的车辆所在道路的回波信号对应的多普勒通道序号m₁，得出第m个多普勒通道的车辆所在道路的回波信号对应的归一化多普勒频率，第m个多普勒通道的车辆所在道路的回波信号对应的归一化多普勒频率为得出机载雷达3dB波束宽度内第m个多普勒通道的车辆所在道路的回波信号对应的空域导向矢量a_sr：

$a_{sr}=\[1,\exp \left(j2\mathrm{\π}\frac{f_{r}d}{2v}\right(\frac{m_1-1}{M}-0.5\left)\right),...,\exp \left(j\right(N-1\left)2\mathrm{\π}\frac{f_{r}d}{2v}\right(\frac{m_1-1}{M}-0.5\left)\right)\]$

其中，f_r为机载雷达发射信号的脉冲重复频率，v为载机速度，d为所述均匀线阵的阵元间距，N为所述均匀线阵的阵元数。显然，a_sr为N×1维的矢量。

步骤3，当根据步骤2得出每个训练样本、机载雷达的对应多普勒通道中地面静止散射点的空域导向矢量、以及对应多普勒通道的车辆所在道路的回波信号对应的空域导向矢量的大小关系，判断是否要将对应多普勒通道的回波数据矢量从训练样本集合中剔除；设m′∈A，当时，将第m′个多普勒通道的回波数据矢量从步骤2得出的训练样本集合中剔除，(·)^H表示厄米共轭符号，γ为设定的大于0的调解系数，|·|表示取模值；当时，在步骤2得出的训练样本集合中保留第m′个多普勒通道的回波数据矢量

其具体子步骤为：

设m′∈A，根据训练样本集合中第m′个多普勒通道的回波数据矢量机载雷达的第m′个多普勒通道中地面静止散射点的空域导向矢量a_sc(m′)、以及第m′个多普勒通道的车辆所在道路的回波信号对应的空域导向矢量a_sr(m′)的匹配程度，选取训练样本。具体地说，当时，说明满足设定条件，第m′个多普勒通道的回波数据矢量为地面静止散射点的回波信号，此时，不选取第m′个多普勒通道的回波数据矢量为训练样本(将第m′个多普勒通道的回波数据矢量从训练样本集合中剔除)，(·)^H表示厄米共轭符号，γ为设定的大于0的调解系数，|·|表示取模值。本发明实施例中，将γ经验性地设置为1。

当时，说明第m′个多普勒通道的回波数据矢量为车辆的回波信号，此时，选取第m′个多普勒通道的回波数据矢量为训练样本。

步骤4，根据步骤3得出的训练样本集合中的训练样本，求得对应的自适应权矢量w_opt，然后，根据自适应权矢量w_opt对机载雷达接收的回波信号进行空时自适应处理。

具体地说，根据步骤3得出的训练样本集合中的训练样本，求得目标信号所在距离单元(距离门)的杂波协方差矩阵R_sub，然后计算出自适应权矢量其中，μ表示已知的归一化系数，a(υ)表示目标信号的空域导向矢量，上标-1表示求逆。

本发明的优点可通过以下仿真实验进一步说明。

仿真实验1：雷达信号与地形的配准

仿真实验1以MCARM(Multi-Channel Airborne Radar Measurement，MCARM)数据为例进行分析。MCARM数据是一个工作于L波段的2行11列的相控阵雷达录取的，一个相干处理间隔内具有128个脉冲。参照图5，为仿真实验1所用的MCARM数据工作环境内的道路信息示意图。从图5中可以看出雷达工作区域内有很多道路。由于MACARM数据的照射区域是相对平整的(最高点和最低点的高程差小于90米)并且非常接近于水平面，所以仿真实验1中假设地面处于同一海拔高度。根据机载雷达系统参数及惯导信息，计算出鸡杂雷达的照射范围对应的经纬度。在地形高度变化很大的情况下，配准方程要用数字高程数据进行校正才能进行配准。再根据谷歌地图获得道路采样的经纬度信息。参照图6，为仿真实验1中机载雷达的照射范围及其内的道路信息示意图。图6中，横轴表示经度，单位为度，纵轴表示维度，单位为度，灰色区域表示机载雷达照射范围，黑色的线条表示机载雷达照射范围内的道路。得到所需经纬度后我们就可以配准雷达信号与地形。

仿真实验2：

仿真实验2中，对仿真实验1中MACARM数据分别采用本发明和滑窗法挑选训练样本。在不包含道路扩展信息的区域，本发明和滑窗法挑选出的训练样本是相同的，所有的训练样本都是从对应于待处理距离单元的多普勒通道挑选的。

为了比较，在第360号距离门注入一个归一化多普勒频率为0.1094的仿真目标，结果以输出的信号功率与杂波加噪声功率之比作为性能评价指标，将输出的信号功率与杂波加噪声功率之比记为信杂噪比SCNR_out，其中输出的杂波加噪声功率是通过距离平均得到的。参照图7a，为利用仿真实验2滑窗法得到信杂噪比与距离门的关系示意图。图7a中，横轴表示距离门，纵轴表示信杂噪比SCNR_out，单位为dB。参照图7b，为仿真实验2利用本发明得出的信杂噪比与距离门的关系示意图，图7b中，横轴表示距离门，纵轴表示信杂噪比SCNR_out，单位为dB。从图7a可以看出用滑窗法得到的信杂噪比的最大值为33.51dB，由图7b可以看出用本发明得到的信杂噪比的最大值为34.66dB，所以本发明得到的信杂噪比比滑窗法高1.15dB，这就说明验证了本发明可以提高信杂噪比，改善空时自适应处理的性能。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.基于先验道路信息的杂波抑制方法，其特征在于，包括以下步骤：

步骤1，利用机载雷达向道路发送脉冲信号，利用机载雷达上正侧视的均匀线阵接收M个脉冲的回波数据，所述均匀线阵的阵元数为N，阵元间距为d；将机载雷达在第l个距离门所接收到的M个脉冲回波数据表示为矩阵X_l，l取1至L，L表示机载雷达的距离门个数；

步骤2，对矩阵X_l作傅立叶变换，得到阵元多普勒域数据矩阵得出第m个多普勒通道的回波数据矢量m＝1，2，…，M；表示由阵元多普勒域数据矩阵第m行的所有元素组成的N×1维的矢量；得出机载雷达3dB波束宽度内的道路的回波信号进行多普勒偏移后的距离-多普勒二维坐标的集合RD_vehicle，将集合RD_vehicle中每个元素对应的多普勒通道序号的集合记为集合A，将集合A中每个元素对应的多普勒通道的回波数据矢量作为对应的一个训练样本，将所有的训练样本组合成训练样本集合；得出机载雷达的每个多普勒通道中地面静止散射点的空域导向矢量、以及机载雷达的每个多普勒通道的车辆所在道路的回波信号对应的空域导向矢量；

步骤3，设m′∈A，当时，将机载雷达第m′个多普勒通道的回波数据矢量从步骤2得出的训练样本集合中剔除，a_sc(m′)表示机载雷达的第m′个多普勒通道中地面静止散射点的空域导向矢量，a_sr(m′)表示第m′个多普勒通道的车辆所在道路的回波信号对应的空域导向矢量；(·)^H表示厄米共轭符号，γ为设定的大于0的调解系数，|·|表示取模值；当时，在步骤2得出的训练样本集合中保留机载雷达第m′个多普勒通道的回波数据矢量

步骤4，根据步骤3得出的训练样本集合中的训练样本，求得对应的自适应权矢量w_opt，然后，根据自适应权矢量w_opt对机载雷达接收的回波信号进行空时自适应处理。

2.如权利要求1所述的基于先验道路信息的杂波抑制方法，其特征在于，在步骤1中，矩阵X_l为：X_l＝ρ_lS+C_l+N_l，其中，ρ_l表示第l个距离门的目标幅度，S表示目标信号的空时导向矢量，C_l表示第l个距离门的杂波信号，N_l表示第l个距离门的噪声信号；

得出目标信号的空时导向矢量S的表达式，其中，表示Kronecker积，(·)^T表示转置运算符，表示目标归一化多普勒频率，表示目标信号的时域导向矢量，v表示目标归一化空间频率，a(v)表示目标信号的空域导向矢量；第l个距离门的杂波信号C_l为：其中N_r为距离模糊次数，N_c为每个距离门划分的杂波散射点的个数，a_ikl表示第i次距离模糊在第l个距离门的第k个杂波块对应的空域导向矢量，b_ikl表示第i次距离模糊在第l个距离门的第k个杂波块对应的时域导向矢量，ρ_ikl表示第i次距离模糊在第l个距离门的第k个杂波块对应的回波复幅度。

3.如权利要求1所述的基于先验道路信息的杂波抑制方法，其特征在于，在步骤2中，将矩阵X_l通过M×M维的傅立叶变换矩阵F转换到阵元多普勒域，得出阵元多普勒域数据矩阵即然后，得出第m个多普勒通道的回波数据矢量m＝1，2，…，M； 表示由阵元多普勒域数据矩阵第m行的所有元素组成的N×1维的矢量。

4.如权利要求1所述的基于先验道路信息的杂波抑制方法，其特征在于，在步骤2中，得出训练样本集合的过程为：将机载雷达照射区域内的道路的回波信号转换到距离-多普勒域，得出机载雷达3dB波束宽度内的道路的回波信号对应的距离-多普勒二维坐标的集合，将机载雷达3dB波束宽度内的道路的回波信号对应的距离-多普勒二维坐标的集合记为RD_road，机载雷达3dB波束宽度内的每个地面散射点对应的距离-多普勒二维坐标包括：对应散射点的距离门序号和对应散射点的归一化多普勒频率；得出机载雷达3dB波束宽度内的道路的回波信号进行多普勒偏移后的距离-多普勒二维坐标的集合RD_vehicle；将集合RD_vehicle中每个元素对应的多普勒通道序号的集合记为集合A，将集合A中每个元素对应的多普勒通道的回波数据矢量作为对应的一个训练样本，将所有训练样本组合成训练样本集合。

5.如权利要求1所述的基于先验道路信息的杂波抑制方法，其特征在于，在步骤2中，机载雷达的第m个多普勒通道中地面静止散射点的空域导向矢量a_sc为：

$a_{sc}=\[1,\exp \left(j2\mathrm{\π}\frac{f_{r}d}{2v}\left(\frac{m-1}{M}-0.5\right)\right),...,\exp \left(j\left(N-1\right)2\mathrm{\π}\frac{f_{r}d}{2v}\left(\frac{m-1}{M}-0.5\right)\right)\]$

其中，m＝1，2，…，M，M表示机载雷达接收回波数据的脉冲数；f_r为机载雷达发射信号的脉冲重复频率，v为载机速度，d为所述均匀线阵的阵元间距，N为所述均匀线阵的阵元数；

在步骤2中，机载雷达第m个多普勒通道的车辆所在道路的回波信号对应的空域导向矢量a_sr为：

$a_{sr}=\[1,\exp \left(j2\mathrm{\π}\frac{f_{r}d}{2v}\left(\frac{m_1-1}{M}-0.5\right)\right),...,\exp \left(j\left(N-1\right)2\mathrm{\π}\frac{f_{r}d}{2v}\left(\frac{m_1-1}{M}-0.5\right)\right)\],$

m₁为第m个多普勒通道的车辆所在道路的回波信号对应的多普勒通道序号。

6.如权利要求1所述的基于先验道路信息的杂波抑制方法，其特征在于，所述步骤4的具体子步骤为：根据步骤3得出的训练样本集合中的训练样本，求得目标信号所在距离门的杂波协方差矩阵R_sub，然后计算出自适应权矢量w_opt，其中，μ表示已知的归一化系数，a(v)表示目标信号的空域导向矢量，上标-1表示求逆。