CN106662645B - 一种波束-多普勒通道自适应选择stap方法 - Google Patents
一种波束-多普勒通道自适应选择stap方法 Download PDFInfo
- Publication number
- CN106662645B CN106662645B CN201680000599.6A CN201680000599A CN106662645B CN 106662645 B CN106662645 B CN 106662645B CN 201680000599 A CN201680000599 A CN 201680000599A CN 106662645 B CN106662645 B CN 106662645B
- Authority
- CN
- China
- Prior art keywords
- doppler
- weight vector
- target
- time
- space
- 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.)
- Active
Links
Images
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种波束‑多普勒通道自适应选择STAP方法,其中,所述方法包括:数据变换步骤:滤波器设计步骤以及目标检测步骤。本发明提供的技术方案能够在滤波器训练样本受限时,通过对波束‑多普勒通道的稀疏自适应选择,实现小样本条件下的滤波器设计,进而通过构造目标检测器,达到有效抑制杂波与提高目标检测性能。
Description
技术领域
本发明涉及雷达信号处理领域,尤其涉及一种波束-多普勒通道自适应选择STAP方法。
背景技术
空时自适应处理(space-time adaptive processing,STAP)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,基于稀疏恢复的STAP方法等等。
就降维STAP方法而言,如辅助通道法(auxiliary channel receiver,ACR),局域联合处理方法(joint domain localized,JDL)和空时多波束(space-time multiple-beam,STMB)方法,但这些方法在设计空时滤波器时所选取的波束-多普勒通道都是固定的,而不是最优的。同时,在阵列误差存在时,由于杂波谱扩展导致杂波子空间增大,而波束-多普勒通道固定,从而引起性能下降。
发明内容
有鉴于此,本发明的目的在于提供一种波束-多普勒通道自适应选择STAP方法,旨在解决现有波束-多普勒STAP技术中存在的波束-多普勒通道固定,由阵列误差等实际因素引起的杂波抑制与目标检测性能下降的问题。
本发明提出一种波束-多普勒通道自适应选择STAP方法,主要包括:
数据变换步骤:将阵列-脉冲维采样数据变换为波束-多普勒域数据;
滤波器设计步骤:通过引入稀疏约束,将空时滤波器权矢量设计问题转化为稀疏表示问题,并通过求解该稀疏表示问题而得到滤波器权矢量;
目标检测步骤:利用所述滤波器权矢量构造自适应匹配滤波检测器,实现杂波抑制与目标有效检测。
优选的,所述数据变换步骤具体包括:
构造NM×NM维的转换矩阵T=[sTaux],将阵列-脉冲维的空时快拍x转换到波束-多普勒域中,从而得到波束-多普勒域的NM×1维矢量数据其中,fs,t、fd,t分别为目标空域波束频率与时域波束频率,且其对应的目标空时导向矢量为其中vd(fd,i)与vs(fs,j)分别为时域导向矢量与空域导向矢量,即vd(fd,i)=[1,exp(j2πfd,i),…,exp(j2π(N-1)fd,i)]T,vs(fs,i)=[1,exp(j2πfs,j),…,exp(j2π(N-1)fs,j)]T。
优选的,所述滤波器设计步骤具体包括:
通过引入稀疏约束至空时滤波器权矢量,将空时滤波器权矢量设计问题转化为稀疏表示问题其中,d=[d1,d2,…,dL]T, 为不含目标的训练样本集中的第l个空时快拍数据,dl=sHxl表示为假设的目标所在的波束-多普勒通信号,L为总的快拍数,||·||p为lp范数。
优选的,所述目标检测步骤具体包括:
利用所述滤波器权矢量构造自适应匹配滤波检测器,并利用所述滤波检测器实现杂波抑制与目标的有效检测。
本发明提供的技术方案,利用(1)波束-多普勒域采样数据能够实现杂波子空间的分离和(2)在波束-多普勒域中,单个波束-多普勒通道的杂波子空间的维度远小于系统自由度这两种思想,将阵列-脉冲维采样转化为波束-多普勒域数据,通过引入稀疏约束将空时滤波器权矢量设计问题转化为稀疏表示问题,并通过求解该稀疏表示问题而得到滤波器权矢量,再通过求解该稀疏表示问题而得到滤波器权矢量并设计目标检测器,最后进行杂波抑制与目标检测。能够在滤波器训练样本受限时有效抑制杂波,相比传统波束-多普勒通道固定的STAP方法,能够实现波束-多普勒通道的自适应选择,进而克服由阵列误差等实际因素引起的性能下降问题,提高杂波抑制与目标检测性能。
附图说明
图1为本发明一实施方式中波束-多普勒通道自适应选择STAP方法流程图;
图2为本发明一实施方式中SCNR损失与训练样本数关系图;
图3为本发明一实施方式中SCNR损失与不同目标多普勒频率的关系图;
图4为本发明一实施方式中检测概率与SCNR的关系图。
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。
本发明使用于雷达信号处理领域,提供了一种基于稀疏约束的波束-多普勒通道自适应选择STAP(space-time adaptive processing,空时自适应处理)方法,将阵列-脉冲维采样转化为波束-多普勒域数据,通过引入稀疏约束将空时滤波器权矢量设计问题转化为稀疏表示的问题,再通过求解该稀疏表示问题而得到滤波器权矢量并设计目标检测器。最后进行杂波抑制与目标检测。能够在滤波器训练样本受限时有效抑制杂波,相比传统波束-多普勒通道固定的STAP方法,能够实现波束-多普勒通道的自适应选择,进而克服由阵列误差等实际因素引起的性能下降问题,提高杂波抑制与目标检测性能。
以下将对本发明所提供的一种波束-多普勒通道自适应选择STAP方法进行详细说明。
请参阅图1,为本发明一实施方式中波束-多普勒通道自适应选择STAP方法流程图。
在步骤S1中,数据变换步骤:将阵列-脉冲维采样数据变换为波束-多普勒域数据。
在本实施方式中,利用波束-多普勒域采样数据能够实现杂波子空间的分离。
在本实施方式中,假设一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,其中,所述数据变换步骤S1具体包括:
构造NM×NM维的转换矩阵T=[sTaux],将阵列-脉冲维的空时快拍x转换到波束-多普勒域中,从而得到波束-多普勒域的NM×1维矢量数据其中,fs,t、fd,t分别为目标空域波束频率与时域波束频率,且其对应的目标空时导向矢量为其中vd(fd,i)与vs(fs,j)分别为时域导向矢量与空域导向矢量,即vd(fd,i)=[1,exp(j2πfd,i),…,exp(j2π(N-1)fd,i)]T,vs(fs,i)=[1,exp(j2πfs,j),…,exp(j2π(N-1)fs,j)]T。
在步骤S2中,滤波器设计步骤:通过引入稀疏约束,将空时滤波器权矢量设计问题转化为稀疏表示问题,并通过求解该稀疏表示问题而得到滤波器权矢量。
在本实施方式中,利用在波束-多普勒域中,单个波束-多普勒通道的杂波子空间的维度远小于系统自由度的思想。
在本实施方式中,所述滤波器设计步骤S2具体包括:
通过引入稀疏约束至空时滤波器权矢量,将空时滤波器权矢量设计问题转化为稀疏表示问题其中,d=[d1,d2,…,dL]T, 为不含目标的训练样本集中的第l个空时快拍数据,dl=sHxl表示为假设的目标所在的波束-多普勒通信号,L为总的快拍数,||·||p为lp范数。
在本实施方式中,采用稀疏恢复算法求解所述滤波器设计步骤中的稀疏表示问题,从而得到滤波器权矢量并通过所述滤波器权矢量。
采用稀疏恢复算法(如FOCUSS算法)求解所述问题转化步骤S2中的稀疏表示问题,由FOCUSS算法可知,求解可分为两步:
其中,(A)+=AH(AAH)-1为矩阵A的伪逆,q≥0为迭代次数,滤波器权矢量中的所有元素都可以用非零值来初使化,当滤波器满足某个中止条件时,迭代中止。例如,当迭代次数达到预设值qmax时,或权矢量前后的相对变化量足够小时,迭代中止。最后得到滤波器权矢量
在步骤S3中,目标检测步骤:利用所述滤波器权矢量构造自适应匹配滤波检测器,实现杂波抑制与目标有效检测。
在本实施方式中,所述目标检测步骤S3具体包括:
利用所述滤波器权矢量构造自适应匹配滤波检测器,并利用所述滤波检测器实现杂波抑制与目标的有效检测。
本发明提供的一种波束-多普勒通道自适应选择STAP方法,将阵列-脉冲维采样变换化为波束-多普勒域数据,通过引入稀疏约束将空时滤波器权矢量设计问题转化为稀疏表示的问题,再通过求解该稀疏表示问题而得到滤波器权矢量并设计目标检测器。最后进行杂波抑制与目标检测。能够在滤波器训练样本受限时有效抑制杂波,相比传统波束-多普勒通道固定的STAP方法,能够实现波束-多普勒通道的自适应选择,进而克服由阵列误差等实际因素引起的性能下降问题,提高杂波抑制与目标检测性能。
以下通过将本发明(SCBDS-STAP)与JDL、STMB、稀疏滤波器(Sparsity-awarebeamformer)方法进行对比来说明本发明的有益效果。
本发明(SCBDS-STAP)与JDL、STMB、稀疏滤波器(Sparsity-aware beamformer)方法相比,具有更快的收敛性,而且接近最优输出性能,如图2所示。
在分别考虑有无误差的情况下,对于较小的目标多普勒频率而言,本发明(SCBDS-STAP)比其它算法(如JDL、STMB、稀疏滤波器等等)的输出性能更优,即本发明(SCBDS-STAP)更适合检测低速运动目标,如图3所示。
在分别考虑有无误差的情况下,本发明(SCBDS-STAP)对目标的检测概率(PD)要高于其它三种方法(如JDL、STMB、稀疏滤波器方法),如图4所示。
本发明将阵列-脉冲维采样转化为波束-多普勒域数据,通过引入稀疏约束,将空时滤波器权矢量设计问题转化为稀疏表示问题,并通过求解该稀疏表示问题而得到滤波器权矢量,再通过求解该稀疏表示问题而得到滤波器权矢量并设计目标检测器,然后进行杂波抑制与目标检测。本发明可以应用于运动平台雷达杂波抑制与运动目标检测领域,以提高雷达系统杂波抑制水平与目标检测能力。
值得注意的是,上述实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
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 (3)
1.一种波束-多普勒通道自适应选择STAP方法,其特征在于,假设一脉冲多普勒正侧视机载雷达天线为均匀阵列,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,所述方法包括:
数据变换步骤:将阵列-脉冲维采样数据变换为波束-多普勒域数据;
所述数据变换步骤具体包括:
构造NM×NM维的转换矩阵T=[sTaux],将阵列-脉冲维的空时快拍x转换到波束-多普勒域中,从而得到波束-多普勒域的NM×1维矢量数据其中,fs,t、fd,t分别为目标空域波束频率与时域波束频率,且其对应的目标空时导向矢量为其中vd(fd,t)与vs(fs,t)分别为时域导向矢量与空域导向矢量,即vd(fd,t)=[1,exp(j2πfd,t),…,exp(j2π(N-1)fd,t)]T,vs(fs,t)=[1,exp(j2πfs,t),…,exp(j2π(N-1)fs,t]T;
滤波器设计步骤:通过引入稀疏约束,将空时滤波器权矢量设计问题转化为稀疏表示问题,并通过求解该稀疏表示问题而得到滤波器权矢量;
目标检测步骤:利用所述滤波器权矢量构造自适应匹配滤波检测器,实现杂波抑制与目标有效检测。
2.如权利要求1所述的波束-多普勒通道自适应选择STAP方法,其特征在于,所述滤波器设计步骤具体包括:
通过引入稀疏约束至空时滤波器权矢量,将空时滤波器权矢量设计问题转化为稀疏表示问题其中,d=[d1,d2,…,dL]T, 为不含目标的训练样本集中的第l个空时快拍数据,dl=sHxl表示为假设的目标所在的波束-多普勒通信号,L为总的快拍数,||·||p为lp范数;
采用稀疏恢复算法求解所述稀疏表示问题,具体包括:
3.如权利要求2所述的波束-多普勒通道自适应选择STAP方法,其特征在于,所述目标检测步骤具体包括:
利用所述滤波器权矢量构造自适应匹配滤波检测器,并利用所述滤波检测器实现杂波抑制与目标的有效检测。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/090334 WO2018014166A1 (zh) | 2016-07-18 | 2016-07-18 | 一种波束-多普勒通道自适应选择stap方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106662645A CN106662645A (zh) | 2017-05-10 |
CN106662645B true CN106662645B (zh) | 2020-01-17 |
Family
ID=58838396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680000599.6A Active CN106662645B (zh) | 2016-07-18 | 2016-07-18 | 一种波束-多普勒通道自适应选择stap方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106662645B (zh) |
WO (1) | WO2018014166A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018223285A1 (zh) * | 2017-06-06 | 2018-12-13 | 深圳大学 | 波束-多普勒方向图稀疏约束的stap方法及装置 |
CN107219511B (zh) * | 2017-06-06 | 2020-05-19 | 深圳大学 | 波束-多普勒方向图稀疏约束的stap方法及装置 |
CN108896963B (zh) * | 2018-05-14 | 2022-03-04 | 西安电子科技大学 | 机载雷达空时自适应降维处理方法 |
CN109765536B (zh) * | 2018-10-22 | 2023-04-21 | 西北大学 | 基于辅助通道的fda-mimo降维空时自适应杂波抑制方法及设备 |
DE102019002662A1 (de) * | 2019-04-10 | 2020-10-15 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren zur Auswertung von Radarsystemen |
CN110412533A (zh) * | 2019-07-26 | 2019-11-05 | 西安电子科技大学 | 基于三维角度多普勒补偿的杂波抑制方法 |
CN110764069B (zh) * | 2019-11-14 | 2021-08-10 | 内蒙古工业大学 | 一种基于知识辅助的稀疏恢复stap色加载方法 |
CN113655458B (zh) * | 2021-09-02 | 2023-06-02 | 内蒙古工业大学 | 基于字典校正的空时自适应处理方法、装置及存储介质 |
CN114966568A (zh) * | 2022-05-25 | 2022-08-30 | 西安电子科技大学 | 一种权矢量时变的匀加速飞行雷达空时自适应处理方法 |
CN115856892B (zh) * | 2023-03-03 | 2023-05-16 | 西安电子科技大学 | 一种基于数据重构的rpca运动目标检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813765B (zh) * | 2010-04-23 | 2012-11-21 | 哈尔滨工业大学 | 基于非均匀空间立体阵列分布式sar的杂波抑制方法 |
CN103336985A (zh) * | 2013-07-12 | 2013-10-02 | 深圳大学 | 二维码识别、识读和微缩制版的方法及装置 |
CN105277939A (zh) * | 2015-09-30 | 2016-01-27 | 深圳大学 | 用于被动传感器对空观测网的目标引导方法及引导系统 |
CN105572642A (zh) * | 2015-12-22 | 2016-05-11 | 西安电子科技大学 | 一种基于两级架构的空时自适应处理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7038618B2 (en) * | 2004-04-26 | 2006-05-02 | Budic Robert D | Method and apparatus for performing bistatic radar functions |
CN104459660B (zh) * | 2014-06-19 | 2017-02-15 | 西安电子科技大学 | 基于数据拟合的阵元多普勒域空时二维自适应处理方法 |
CN105044688B (zh) * | 2015-08-24 | 2017-07-18 | 西安电子科技大学 | 基于迭代子空间跟踪算法的雷达稳健空时自适应处理方法 |
CN105445703B (zh) * | 2015-11-27 | 2018-02-02 | 西安电子科技大学 | 一种机载雷达空时回波数据的两级空时自适应处理方法 |
-
2016
- 2016-07-18 CN CN201680000599.6A patent/CN106662645B/zh active Active
- 2016-07-18 WO PCT/CN2016/090334 patent/WO2018014166A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813765B (zh) * | 2010-04-23 | 2012-11-21 | 哈尔滨工业大学 | 基于非均匀空间立体阵列分布式sar的杂波抑制方法 |
CN103336985A (zh) * | 2013-07-12 | 2013-10-02 | 深圳大学 | 二维码识别、识读和微缩制版的方法及装置 |
CN105277939A (zh) * | 2015-09-30 | 2016-01-27 | 深圳大学 | 用于被动传感器对空观测网的目标引导方法及引导系统 |
CN105572642A (zh) * | 2015-12-22 | 2016-05-11 | 西安电子科技大学 | 一种基于两级架构的空时自适应处理方法 |
Non-Patent Citations (1)
Title |
---|
《基于稀疏性的空时自适应处理理论和方法》;阳召成;《中国博士学位论文全文数据库 信息科技辑》;20141015(第10期);正文第1-4、45-56页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2018014166A1 (zh) | 2018-01-25 |
CN106662645A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106662645B (zh) | 一种波束-多普勒通道自适应选择stap方法 | |
Duan et al. | Sparsity‐based STAP algorithm with multiple measurement vectors via sparse Bayesian learning strategy for airborne radar | |
Zhang et al. | Wide‐bandwidth signal‐based multireceiver SAS imagery using extended chirp scaling algorithm | |
CN101881822A (zh) | 一种针对共享谱雷达同频干扰的抑制方法 | |
Zhao et al. | Maximum eigenvalue‐based target detection for the K‐distributed clutter environment | |
Kang et al. | ISAR imaging and cross‐range scaling of high‐speed manoeuvring target with complex motion via compressive sensing | |
Chen et al. | Robust DoA estimation using denoising autoencoder and deep neural networks | |
Kang et al. | Compressive sensing approach for high‐resolution ISAR image reconstruction and autofocus | |
US11444643B2 (en) | Signal frequency and bandwidth estimation using a learned filter pair response | |
Wu et al. | Time-varying space–time autoregressive filtering algorithm for space–time adaptive processing | |
Yang et al. | Novel compressive sensing‐based Dechirp‐Keystone algorithm for synthetic aperture radar imaging of moving target | |
CN107976663A (zh) | 一种基于子空间投影的外辐射源雷达对目标压缩检测方法 | |
Weiwei et al. | Compressive sensing‐based ground moving target indication for dual‐channel synthetic aperture radar | |
Jabbarian‐Jahromi et al. | Fast two‐dimensional sparse Bayesian learning with application to pulse Doppler multiple‐input–multiple‐output radars | |
Jian et al. | Adaptive persymmetric detector of generalised likelihood ratio test in homogeneous environment | |
Chi | Sparse MIMO radar via structured matrix completion | |
Yang et al. | Implementation architecture of signal processing in pulse Doppler radar system based on FPGA | |
Riedl et al. | Knowledge-aided GMTI in a Bayesian framework | |
Wang | Direct signal recovery and masking effect removal exploiting sparsity for passive bistatic radar | |
Zhu et al. | Sea clutter suppression for shipborne HFSWR using joint sparse recovery‐based STAP | |
Fazlollahpoor et al. | Passive MIMO radar detection in the presence of clutter or multi‐path without reference channel | |
Tao et al. | Detection performance enhancement for compressive sensing radar under low‐SNR via pulse accumulation measurement matrix | |
Wu et al. | Improved LMS algorithm and its application in direct path and multipath cancellation for passive radar | |
Wu et al. | Radar small/mini target detection technology in strong clutter environment | |
Luo et al. | A novel aliasing-free subband information fusion approach for wideband sparse spectral estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |