CN106443620A - 一种基于阵列幅相误差校正的稀疏恢复stap方法 - Google Patents

一种基于阵列幅相误差校正的稀疏恢复stap方法 Download PDF

Info

Publication number
CN106443620A
CN106443620A CN201610815141.8A CN201610815141A CN106443620A CN 106443620 A CN106443620 A CN 106443620A CN 201610815141 A CN201610815141 A CN 201610815141A CN 106443620 A CN106443620 A CN 106443620A
Authority
CN
China
Prior art keywords
space
clutter
time
array
phase error
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
Application number
CN201610815141.8A
Other languages
English (en)
Inventor
阳召成
朱轶昂
黄建军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201610815141.8A priority Critical patent/CN106443620A/zh
Publication of CN106443620A publication Critical patent/CN106443620A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于阵列幅相误差校正的稀疏恢复STAP方法，包括下述步骤：S1：采用阵列幅相误差校正方法估计阵列的幅相误差ε，并根据幅相误差ε对空时导向词典进行校正；S2：采用稀疏恢复方法并结合校正后的空时导向词典对杂波空时功率谱进行稀疏恢复，并根据杂波空时功率谱获得杂波协方差矩阵；S3：利用所获得的杂波协方差矩阵设计空时滤波器。本发明先使用现有的阵列幅相误差校正方法估计阵列幅相误差，接着校正空时导向词典，然后使用校正后的空时导向词典对杂波空时功率谱进行稀疏恢复，进而获得杂波协方差矩阵，最后利用获得的杂波协方差矩阵设计相应的空时滤波器，进而实现杂波抑制与目标检测。

Description

一种基于阵列幅相误差校正的稀疏恢复STAP方法
技术领域
本发明属于雷达信号处理技术领域，更具体地，涉及一种基于阵列幅相误差校正的稀疏恢复空时自适应处理(space-time adaptive processing，STAP)的方法。
背景技术
空时自适应处理是提高机载雷达检测运动目标性能的关键技术，但该技术却面临着滤波器训练样本受限的挑战，而且该挑战在非均匀杂波环境下更为严峻。近十年来，该技术已取得了一定发展，如已提出的降维(reduced-dimension)STAP方法，降秩(reduced-rank)STAP方法，模型参数化(model-based)STAP方法，基于知识的(knowledge-aided)STAP方法等等。
随着压缩感知(compressed sensing(CS))理论的提出，基于稀疏恢复的STAP方法得到了快速发展。压缩感知STAP方法由于能够解决上述训练样本不足的问题(该类方法通常只需要4～6个训练样本就可以获得比较满意的输出性能)，因此受到了国内外学者的广泛关注。稀疏恢复STAP方法以杂波的空时功率谱满足稀疏性为前提，然后根据该稀疏性估计杂波的空时功率谱，并根据杂波的空时功率谱获得杂波协方差矩阵。相关方法如：基于多训练样本的稀疏恢复STAP方法，直接数据域稀疏恢复STAP方法，贝叶斯压缩感知(BCS)STAP方法，基于知识的稀疏恢复STAP方法，基于协方差矩阵加权的稀疏恢复直接数据域方法，以及阵列误差自校正的稀疏恢复STAP方法等等。以上提及的所有方法中，除最后两种方法以外，其它方法所使用的信号模型都是理想的。另外，基于协方差矩阵加权的稀疏恢复直接数据域方法也只是考虑了杂波的内部运动这一非理想因素，并没有考虑阵列幅相误差。阵列误差自校正的稀疏恢复STAP方法虽然考虑了阵列幅相误差，而且可以同时实现杂波功率谱估计与阵列幅相误差校正，但是因其每一次迭代都是一次全新的稀疏恢复，所以计算量非常大。该方法详见[Z.Ma，Y.Liu，H.Meng and X.Wang，“Sparse recovery-based spacetimeadaptive processing with array error self-calibration，”ELECTRONICSLETTERS，Vol.50，No.13，pp.952-954，June 2014.]。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于阵列幅相误差校正的稀疏恢复STAP方法，旨在解决现有的稀疏恢复STAP方法在阵列误差条件下性能严重下降的问题。
本发明提供了一种基于阵列幅相误差校正的稀疏恢复STAP方法，包括下述步骤：
S1：采用阵列幅相误差校正方法估计阵列的幅相误差ε，并根据所述幅相误差ε对空时导向词典进行校正；
S2：采用稀疏恢复方法并结合校正后的空时导向词典对杂波空时功率谱进行稀疏恢复，并根据杂波空时功率谱获得杂波协方差矩阵；
S3：利用所获得的杂波协方差矩阵设计空时滤波器。
更进一步地，在步骤S1中，所述幅相误差ε＝[ε1,ε2,…,εM]T，其中，εi为第i个阵元的幅度与相位误差，i＝1,2,…,M，M为阵列中接收阵元的数目。
更进一步地，在步骤S2中，所述杂波协方差矩阵其中，杂波空时功率谱为L为总的训练样本数，为第l个训练样本在角度-多普勒域像的估计值，为的共轭，⊙为Hadamard积。
更进一步地，在步骤S3中，所述空时滤波器的权矢量其中为正实数，s为假设目标的空时导向矢量。
本发明先使用现在的阵列幅相误差校正方法估计阵列幅相误差，接着校正空时导向词典，然后使用校正后的空时导向词典对杂波空时功率谱进行稀疏恢复，并根据杂波的空时功率谱获得杂波协方差矩阵，最后利用杂波协方差矩阵设计相应的空时滤波器，进而实现杂波抑制与目标检测。
附图说明
图1是本发明实施例提供的基于阵列幅相误差校正的稀疏恢复STAP方法的实现流程图；
图2是未经校正的性能曲线示意图；
图3是经过校正后的性能曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明在考虑阵列幅相误差的前提下，提供了一种新的稀疏恢复空时自适应处理的方法。本发明可以应用于运动平台雷达杂波抑制领域，可以解决稀疏恢复STAP面临的由于阵列误差存在而导致的性能下降的问题，提高雷达系统杂波抑制水平与目标检测能力。
本发明则是先使用现在的阵列幅相误差校正方法估计阵列幅相误差，接着校正空时导向词典，然后使用校正后的空时导向词典对杂波空时功率谱进行稀疏恢复，进而获得杂波协方差矩阵，最后利用杂波协方差矩阵设计相应的空时滤波器，进而实现杂波抑制与目标检测。
在本发明实施例中，脉冲-多普勒正侧视机载雷达天线为均匀线阵，包含M个接收阵元。该雷达在一个相干处理单元内发射N个脉冲。阵列幅相误差为ε＝[ε1,ε2,…,εM]T，其中εi为第i个阵元的幅度与相位误差。NM×1维的不含目标的空时快拍可以表示为：x＝xc+n≠Φγ+n……(1)
其中xc为杂波所对应的空时快拍，n为NM×1维的接收机热噪声，NdNs×1维的为杂波在空时导向词典中所对应的复幅度(或称为角度-多普勒像)，矩阵为NM×NdNs维的完备理想(无阵列误差时)的空时导向词典，(·)T为转置操作。NM×1维向量为理想的空时导向矢量。vd(·)与vS(·)分别为时域导向矢量与空域导向矢量，(fd,i,fs,k)为第i个时域网格点与第k个空域网格点(我们将整个空时平面划分为NdNs(NdNs＞＞NM)个网格，Ns与Nd分别为沿着空间频率轴与时间/多普勒频率轴的网格点数)。
本发明首先估计阵列幅相误差，接着校正空时导向词典，然后使用校正后的空时导向词典对杂波空时功率谱进行稀疏恢复，并根据杂波的空时功率谱获得杂波协方差矩阵，最后利用杂波协方差矩阵设计相应的空时滤波器，进而实现杂波抑制与目标检测。
如图1所示，本发明提供的一种基于阵列幅相误差校正的稀疏恢复STAP方法，包括下述步骤：
(1)估计阵列幅相误差并校正空时导向词典；
ε＝[ε1,ε2,…,εM]T为阵列幅相误差，εi为第i个阵元的幅度与相位误差。令其中IN为N×N维的单位矩阵，diag(ε)为ε对角化后的对角矩阵，为Kronecker积。
可以采用现有的阵列幅相误差校正方法估计阵列的幅相误差ε；具体地，以Cross-Correlate Adjacent Channel Pairs方法以例：该方法详见参考文献[W.L.Mevin andG.A.Showman，“An approach to knowledge-aidedcovariance estimation，”IEEETrans.Aerosp.Electron.Syst.Vol.42，No.3，pp.1021-1042，July 2006.]。
构造距离-脉冲矩阵为：其中，m为第i个阵元，x1为第l个空时快拍，令：Ym＝[zm-1(:)zm(:)]T……(3)；于是2×2维的协方差矩阵相对幅相误差为其中，(·)H为复共轭对称转置操作。另外，因此估计的阵列幅相误差为(为阵列幅相误差ε的估计值)，即则校正后的空时导向词典为：
(2)估计杂波协方差矩阵
此时，不含目标的空时快拍可以表示为：则杂波的角度-多普勒像可以通过求解以下优化问题而估计得到：其中，∈为允许的噪声误差，‖·‖p为lp范数。
可以采用现在稀疏恢复方法可以求解得到杂波的角度-多普勒像的稀疏解；具体为：使用Boyd等人开发的凸优化函数包来实现‖·‖1最小化的求解，函数包可从[cvxr.com/cvx/download]中获得。实例中∈设置为10-4。
则可以估计杂波协方差矩阵为：其中，杂波空时功率谱为L为总的训练样本数，为第l个训练样本在角度-多普勒域像的估计值，为的共轭，⊙为Hadamard积。
(3)设计空时滤波器
对杂波协方差矩阵进行对角加载：其中，α为对角加载量的大小，INM为NM×NM维为单位矩阵。则空时滤波器权矢量为：其中(·)-1表示对矩阵求逆操作，为正实数，s为假设目标的空时导向矢量。
图2，图3的纵坐标表示信干噪比，横坐标表示归一化的多普勒频率，“Optimum”表示在阵列幅相误差和杂波协方差矩阵精确已知时的输出信干噪比性能；“preciselyknown”表示阵列幅相误差完全已知，通过稀疏恢复方法而得到的输出信干噪比性能；“(-0.015,0.015)/(-0.5°,0.5°)”表示阵列幅度误差的大小属于区间(-0.015,0.015)，阵列相位误差大小属于区间(-0.5°,0.5°)，而且幅度与相位均服从均匀分布；其它意思同上。
由图2与图3对比可知，在空时导向词典未经校正时，系统性能严重下降，可见本发明可以很大程度的改善阵列幅相误差所带来的性能下降的影响。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于阵列幅相误差校正的稀疏恢复STAP方法，其特征在于，包括下述步骤：
S1：采用阵列幅相误差校正方法估计阵列的幅相误差ε，并根据所述幅相误差ε对空时导向词典进行校正；
S2：采用稀疏恢复方法并结合校正后的空时导向词典对杂波空时功率谱进行稀疏恢复，并根据杂波空时功率谱获得杂波协方差矩阵；
S3：利用所获得的杂波协方差矩阵设计空时滤波器。
2.如权利要求1所述的方法，其特征在于，在步骤S1中，所述幅相误差ε＝[ε1,ε2,…,εM]T，其中，εi为第i个阵元的幅度与相位误差，i＝1,2,…,M，M为阵列中接收阵元的数目。
3.如权利要求1或2所述的方法，其特征在于，在步骤S2中，所述杂波协方差矩阵其中，杂波空时功率谱为L为总的训练样本数，为第l个训练样本在角度-多普勒域像的估计值，为的共轭，⊙为Hadamard积。
4.如权利要求1或2所述的方法，其特征在于，在步骤S3中，所述空时滤波器的权矢量其中为正实数，s为假设目标的空时导向矢量。
CN201610815141.8A 2016-09-09 2016-09-09 一种基于阵列幅相误差校正的稀疏恢复stap方法 Pending CN106443620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610815141.8A CN106443620A (zh) 2016-09-09 2016-09-09 一种基于阵列幅相误差校正的稀疏恢复stap方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610815141.8A CN106443620A (zh) 2016-09-09 2016-09-09 一种基于阵列幅相误差校正的稀疏恢复stap方法

Publications (1)

Publication Number Publication Date
CN106443620A true CN106443620A (zh) 2017-02-22

Family

ID=58168939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610815141.8A Pending CN106443620A (zh) 2016-09-09 2016-09-09 一种基于阵列幅相误差校正的稀疏恢复stap方法

Country Status (1)

Country Link
CN (1) CN106443620A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717189A (zh) * 2018-06-01 2018-10-30 西安电子科技大学 基于压缩感知理论的双基地mimo雷达成像方法
CN109031227A (zh) * 2018-06-25 2018-12-18 深圳大学 一种共轭梯度空时自适应处理方法及系统
CN110412535A (zh) * 2019-08-10 2019-11-05 浙江大学 一种序贯的空时自适应处理参数估计方法
CN110516286A (zh) * 2019-07-09 2019-11-29 西安电子科技大学 基于稀疏重构算法的阵列幅相误差估计方法
CN111580065A (zh) * 2020-07-06 2020-08-25 内蒙古工业大学 基于知识辅助的稀疏恢复stap方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819269A (zh) * 2010-03-19 2010-09-01 清华大学 非均匀杂波环境下空时自适应处理方法
CN104237883A (zh) * 2014-09-15 2014-12-24 西安电子科技大学 一种采用稀疏表示的机载雷达空时自适应处理方法
CN105223560A (zh) * 2015-10-13 2016-01-06 中国人民解放军空军工程大学 基于杂波俯仰方位谱稀疏恢复的机载雷达目标检测方法
CN105738879A (zh) * 2016-02-29 2016-07-06 西安电子科技大学 基于稀疏恢复的雷达杂波空时自适应预滤波方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819269A (zh) * 2010-03-19 2010-09-01 清华大学 非均匀杂波环境下空时自适应处理方法
CN104237883A (zh) * 2014-09-15 2014-12-24 西安电子科技大学 一种采用稀疏表示的机载雷达空时自适应处理方法
CN105223560A (zh) * 2015-10-13 2016-01-06 中国人民解放军空军工程大学 基于杂波俯仰方位谱稀疏恢复的机载雷达目标检测方法
CN105738879A (zh) * 2016-02-29 2016-07-06 西安电子科技大学 基于稀疏恢复的雷达杂波空时自适应预滤波方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MA Z ET AL.: "Sparse recovery-based space-time adaptive processing with array error self-calibration", 《ELECTRONICS LETTERS》 *
阳召成: "基于稀疏性的空时自适应处理理论和方法", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717189A (zh) * 2018-06-01 2018-10-30 西安电子科技大学 基于压缩感知理论的双基地mimo雷达成像方法
CN109031227A (zh) * 2018-06-25 2018-12-18 深圳大学 一种共轭梯度空时自适应处理方法及系统
CN110516286A (zh) * 2019-07-09 2019-11-29 西安电子科技大学 基于稀疏重构算法的阵列幅相误差估计方法
CN110412535A (zh) * 2019-08-10 2019-11-05 浙江大学 一种序贯的空时自适应处理参数估计方法
CN110412535B (zh) * 2019-08-10 2021-08-03 浙江大学 一种序贯的空时自适应处理参数估计方法
CN111580065A (zh) * 2020-07-06 2020-08-25 内蒙古工业大学 基于知识辅助的稀疏恢复stap方法
CN111580065B (zh) * 2020-07-06 2022-11-08 内蒙古工业大学 基于知识辅助的稀疏恢复stap方法

Similar Documents

Publication Publication Date Title
CN106324569B (zh) 一种阵列误差下的稀疏恢复stap方法及其系统
CN106443620A (zh) 一种基于阵列幅相误差校正的稀疏恢复stap方法
CN104237883B (zh) 一种采用稀疏表示的机载雷达空时自适应处理方法
Huang et al. GMTI and parameter estimation for MIMO SAR system via fast interferometry RPCA method
Du et al. Secondary radar signal processing based on deep residual separable neural network
CN104977558B (zh) 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法
CN105929371B (zh) 一种基于协方差矩阵估计的机载雷达杂波抑制方法
CN103399292B (zh) 一种基于软稀疏表示的doa估计方法
CN103728601B (zh) 雷达信号运动干扰空域-极化域联合稳健滤波方法
CN106501785B (zh) 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统
CN103235282B (zh) 一种l型二维天线阵列去耦自校正及波达方向估计方法
Shutin et al. Incremental sparse Bayesian learning for parameter estimation of superimposed signals
CN109188387A (zh) 基于插值补偿的分布式相参雷达目标参数估计方法
CN104597434B (zh) 改进包络移位补偿和分数阶傅里叶变换的多帧相参tbd方法
CN110174658B (zh) 基于秩一降维模型和矩阵补全的波达方向估计方法
CN111562545B (zh) 基于pd-alm算法的稀疏阵列doa估计方法
CN105785326B (zh) 一种非正侧视阵雷达杂波谱配准的优化方法
CN107450045A (zh) 基于focuss二次加权算法的doa估计方法
CN105182313A (zh) 一种基于不完全杂波先验知识的mimo-stap稳健波形设计方法
CN106842140A (zh) 一种基于和差波束降维的主瓣干扰抑制方法
CN105005035A (zh) 基于二维滑窗稳健空时自适应处理的目标检测方法
CN108931766A (zh) 一种基于稀疏重构的非均匀stap干扰目标滤除方法
CN104020459A (zh) 一种提高mimo-stap检测性能的波形优化方法
CN106249209B (zh) 一种抗速度欺骗干扰的自适应迭代估计方法
Feng et al. Jointly iterative adaptive approach based space time adaptive processing using MIMO radar

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170222

RJ01 Rejection of invention patent application after publication