CN107015214A - 一种基于稀疏贝叶斯学习的空时自适应处理方法 - Google Patents
一种基于稀疏贝叶斯学习的空时自适应处理方法 Download PDFInfo
- Publication number
- CN107015214A CN107015214A CN201710415903.XA CN201710415903A CN107015214A CN 107015214 A CN107015214 A CN 107015214A CN 201710415903 A CN201710415903 A CN 201710415903A CN 107015214 A CN107015214 A CN 107015214A
- Authority
- CN
- China
- Prior art keywords
- matrix
- row
- target
- space
- moving
- 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.)
- Granted
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 102
- 239000013598 vector Substances 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 239000011800 void material Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 235000014676 Phragmites communis Nutrition 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
本发明公开一种基于稀疏贝叶斯学习的空时自适应处理方法，首先，合理地运用雷达回波数据构建训练数据，将空时自适应处理的杂波抑制问题转化为模式分类的问题；而后采用SBL方法进行杂波抑制，实现动目标检测。该方法充分运用SBL方法训练权值稀疏的特点，提高了可用回波数据较少的情况下动目标检测的性能，同时有效减少了检测过程中的运算量。
Description
技术领域
本发明属于雷达技术领域，特别涉及脉冲多普勒雷达的动目标检测技术。
背景技术
空时自适应处理(space-time adaptive processing,简称STAP)是应用于机载地面动目标指示(ground moving target indication，简称GMTI)一项关键技术。其根据机载雷达的地物杂波呈现的空时二维耦合谱特性，对空间不同位置采集信号(空间采样信号)的处理就是利用波达方向信息进行区分的方向滤波，而同时对时域和空域采样信号进行处理，以期同时利用多普勒谱和波达方向信息来区分运动目标和静止的地杂波。STAP技术可以应用于预警飞机，其中包含STAP技术的机载预警雷达对动目标的检测能力在战争中意义重大，即使在和平时期，其对国家的安全也发挥着重要作用。
STAP技术虽然有卓越的性能，但是由于传统STAP算法会产生较大的数据量，在发展之初，由于STAP技术面临很大的计算压力而很少应用于实际雷达系统中。众所周知，STAP技术自适应权值的计算是动目标检测的必要前提。但是在实际应用中的系统却很难实现，一是因为系统的输出信杂噪比(Signal to Interference plus Noise Ratio，SINR)是由估计杂波协方差矩阵的近距杂波环的数目决定，即估计杂波协方差矩阵的近距杂波环的数目必须遵循Reed，Mallett，Brennan所提出准则，其要求的距离门数之多难满足，详见参考文献L.S.Reed，J.D.Mallett，and L.E.Brennan,“Rapid convergence rate in adaptivearrays,”IEEE Transactions on Aerospace and Electronic Systems,vol.47,no.1pp.569-585,2011；二是自适应权值的计算需要对高维的杂波协方差矩阵进行估计和求逆，其运算量之大难处理。
为了降低运算量，减少辅助距离门数据数量，提高STAP在实际系统中的实用性，研究者对传统STAP方法进行了改进，提出了多种改进STAP方法。近年来，基于学习的STAP方法成为研究者们研究的热点，代表性文献可见文献1：El Khatib A,Assaleh K and Mir H,“Space-Time Adaptive Processing Using Pattern Classification,”IEEETransactions on Signal Processing,vol 63,no.3 pp.766-779,2015该方法利用二项式分类器进行动目标检测，能够在距离门较少的情况下相对于传统STAP有较大的性能提升。然而，该方法要求回波有较高的信杂比，当回波信号信杂比较低时，其输出性能较差。2016年，研究者提出一种基于支持向量回归机(Support Vector Regression，SVR)的方法(中国发明专利“一种基于支持向量机的空时自适应处理方法”，申请号201610814854.2)，该方法可以克服基于二项式STAP方法的缺陷，在信杂比较低的情况下，仍可获得较好的检测性能。然而，该方法权值不稀疏，在检测动目标时存在运算量大的缺点。
发明内容
本发明为了进一步提升STAP性能，克服基于二项式分类器STAP、基于SVR的STAP方法的不足，提出了一种基于稀疏贝叶斯学习的STAP方法，从STAP问题模型出发，将原始的动目标检测的滤波问题转化模式识别的问题，然后采用稀疏贝叶斯学习(Sparse BayesianLearning,SBL)的方法实现动目标检测，在距离门较少的情况下，不仅有良好的输出性能，而且在检测时，运算量较小。
本发明采用的技术方案是：一种基于稀疏贝叶斯学习的空时自适应处理方法，包括：
S1、初始化PD雷达动目标检测系统的参数，包括：阵列天线的阵元个数，记做N；一个相干处理时间内发射脉冲个数，记做M；雷达发射信号波长，记做λ；接收信号的杂噪比，记做CNR；接收信号的信噪比，记做SNR；接收信号的干噪比，记做JNR；雷达系统脉冲重复频率，记做PRF；雷达平台的速度，记做V；阵列天线的阵元间隔，记做d；训练数据中每一个多普勒的训练次数，记做Nc；待检测的距离门数，记做Nt；待检测的回波数据矩阵为L，为Nt行MN列的矩阵；
S2、根据步骤S1中初始化的参数构建训练数据矩阵；
S3、根据步骤S2的训练数据矩阵构建目标矩阵；
S4、根据步骤S2得到的训练数据矩阵以及步骤S3得到的目标矩阵，通过稀疏贝叶斯学习的方法，计算得到权系数矩阵；
S5、根据步骤S4得到的权系数矩阵，以及待检测的回波数据矩阵，检测各距离门的动目标。
进一步地，步骤S2所述训练数据矩阵为：
F＝[Re(H) Im(H)]；
其中，F为(M+1)Nc行2MN列的矩阵，H为(M+1)Nc行MN列的矩阵，且H＝S+[T 0]*；则F中共(M+1)Nc个训练样本，上标*表示矩阵转置，S为MNc行MN列的矩阵，T为MNc行MN列的矩阵。
更进一步地，所述矩阵S由下式确定：
其中，sβ＝xβ+yβ+zβ，β＝1,…,(M+1)Nc；sβ、xβ、zβ均为MN×1的列向量，sβ表示矩阵S中的元素，xβ表示杂波，yβ表示干扰，zβ表示噪声。
更进一步地，所述矩阵T由下式确定：
其中，为MN×1的列向量，表示第i个多普勒位置的第j个动目标的空时快拍，i＝1,…,M，j＝1,…Nc。
进一步地，步骤S3所述目标矩阵为：
P＝[p1…pm…pM+1]；
其中，pm为1×(M+1)Nc列的向量，m＝1,…,M+1，pm的第ξ个元素为pm(ξ)，ξ＝1,…,(M+1)Nc。
更进一步地，所述pm(ξ)的值确定过程为：
m＝1,…M时，目标矩阵P的第ξ行第m列元素pm(ξ)的值根据步骤S2所构建的训练数据矩阵F中第ξ行训练数据的动目标速度来确定；具体为：当该行训练数据中包含有动目标，且动目标的速度为时，pm(ξ)＝1；否则pm(ξ)＝0，为第m个多普勒类的归一化多普勒频率；
m＝M+1时，目标矩阵P的第ξ行第m列元素pm(ξ)的值根据步骤S2所构建的训练数据矩阵F中第ξ行训练数据是否含有动目标确定；具体为：当该行训练数据不含有动目标，且vt＝0时，pm(ξ)＝1；否则pm(ξ)＝0。
进一步地，所述步骤S4具体包括：
S41、由下式计算权系数向量；
pm(ξ)＝hξwm；
其中，wm为2MN×1的列向量，m＝1,…M+1，hξ为1×2MN的行向量，ξ＝1,…,(M+1)Nc，hξ为训练数据矩阵F的第ξ行向量，表示第ξ个训练样本，pm(ξ)是目标矩阵P的第m列的第ξ个元素；
S42、根据步骤S41计算得到的权系数向量构建权系数矩阵：
W＝[w1…wm…wM+1]；
其中，W是2MN行M+1列的矩阵。
进一步地，所述步骤S5具体为：矩阵Q＝LW；当矩阵Q中的元素且l＝1,…M时，矩阵Q中的元素则判断第个距离门含有动目标，否则判断第个距离门无动目标；
其中，L则为待检测距离门的回波数据构成的Nt行2MN列的矩阵，W是2MN行M+1列的矩阵，Q为Nt行M+1列的矩阵，…Nt，δ为门限值。
本发明的有益效果：一种基于稀疏贝叶斯学习的空时自适应处理方法，充分利用空时自适应处理回波解调采样后空时快拍数据的特点，产生动目标空时快拍加入干扰(Interference)环境，形成训练数据。将归一化多普勒频率进行平均划分，在目标矩阵中用1表示有目标，0表示无动目标的方式，巧妙的将空时自适应处理中的杂波抑制的问题进行了转化，不仅避免了传统STAP方法中使用较多的辅助数据对协方差矩阵的估计，而且检测运算量小。此外，本发明检测权值一旦计算得到，适合该参数下其他同一相干处理时间内任何一个距离门的检测，因此，本发明结构简洁适用于实际中空时自适应处理中动目标检测等应用；本发明填补了现阶段在少量的回波数据的以及回波信杂比较小的情况下下无法正确检测检测动目标的空白。
附图说明
图1为本发明的方案流程图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
为方便描述本发明的内容，首先作一下术语定义：
定义1、稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)
稀疏贝叶斯的数学模型为：
其中，为样本的输入向量，xn为Ns×1的列向量且Ns为一个样本中特征向量的维数，N为大于或等于1的正整数，代表样本的个数。w权重为1×Ns行向量，φ(x)为基底函数。令tn＝y(xn；w)+εn，其中为样本xn对应的训练值。当权重w中不为0的个数小于Ns时，则称权重稀疏。稀疏贝叶斯学习(SBL)方法给出一种权重w的方法，使得权重稀疏。具体可参考论文Michael E.Tipping“Sparse Bayesian Learning and the Relevance VectorMachine”Journal of Machine Learning Research,1(Jun),pp211-244,2011。
如图1所示为本发明的方案流程图，本发明的技术方案为：一种基于稀疏贝叶斯学习的空时自适应处理方法，包括：
S1、初始化参数
初始化PD雷达动目标检测系统的参数包括：阵列天线的阵元个数N＝10；一个相干处理时间内发射脉冲个数M＝10；雷达发射信号波长λ＝0.6m；接收信号的杂噪比CNR＝30dB；接收信号的信噪比SNR＝20dB；接收信号的干噪比JNR＝10dB；雷达系统脉冲重复频率PRF＝1000Hz；雷达平台的速度V＝150m/s；阵列天线的阵元间隔d＝0.3m；训练数据中每一个多普勒的训练次数Nc＝10；待检测的距离门数Nt＝50；待检测的回波为L，为50行200列的矩阵。
S2、构建训练数据矩阵
根据步骤S1中的初始化参数，构建训练数据矩阵，本实施例中训练数据矩阵F为110行200列的矩阵，根据下式构建：
F＝[Re(H) Im(H)]；
其中，H为110行100列的矩阵，且H＝S+[T 0]*；则F中共110个训练样本，上标*表示矩阵转置，S为110行100列的矩阵，称为辅助数据(secondary data)
S＝[s1 s2…s110]*；
其中，sβ＝xβ+yβ+zβ，β＝1,…,(M+1)Nc；sβ、xβ、zβ均为MN×1的列向量，sβ表示矩阵S中的元素，xβ表示杂波，yβ表示干扰，zβ表示噪声。
xβ是一个100×1的列向量，可以通过下式得到
其中，K是杂波单元总数；是第β个距离门内第k个杂波单元的幅度；表示空间频率为归一化多普勒频率为时杂波的空时快拍；
其中，分别表示产生归一化多普勒频率为的时间快拍和空间频率为的空间快拍，θβ为第β个距离门时的俯仰角，φk为第k个杂波单元的方位角，d为阵列天线的阵元间隔，λ为雷达发射信号的波长，PRF为雷达系统的脉冲重复频率，表示kronecker积，上标*表示矩阵的转置。
yβ为一个100×1的列向量，可以由下式得到
其中，bβ是10×1列向量，表示干扰幅度；aβ是10×1的列向量，表示干扰的空间快拍；
其中，d＝0.3m为阵列天线的阵元间隔，λ＝0.6m为雷达发射信号的波长，μβ、分别为第β距离门干扰的俯仰角和方位角。
zβ为一个100×1列向量
zβ＝κβ；
其中，κβ是一个100×1随机向量，其服从的分布类型通常为复高斯分布。详情参见参考文献J.Ward，Space-time adaptive processing for airborne radar.Lincoln Lab-oratory，MTI，Cam-bridge，MA，USA，Tech.Rep.1015，1994.17-24
T为100行100列的矩阵
其中，为100×1的列向量，表示第i个多普勒位置的第j个动目标的空时快拍；
其中，ai为动目标的幅度，为动目标的第i类的归一化多普勒频率，vt为动目标的速度，λ＝0.6m为雷达发射信号的波长，PRF＝1000Hz为雷达系统的脉冲重复频率。为第i类的动目标的空间频率，ρi、σi分别为第i类动目标的俯仰角和方位角，d＝0.3m为阵列天线的阵元间隔，λ＝0.6m为雷达发射信号的波长。详情参见参考文献J.Ward，Space-time adaptive processing for airborne radar.Lincoln Laboratory，MTI，Cambridge，MA，USA，Tech.Rep.1015，1994.13-17。
S3、构建目标矩阵
目标矩阵P表达式为：
P＝[p1…pm…p11]；
其中，pm为1×110列的向量，m＝1,…,11，其第ξ个元素为pm(ξ)，ξ＝1,…,110。
所述pm(ξ)的值确定过程为：m＝1,…10时，目标矩阵P的第ξ行第m列元素pm(ξ)的值根据步骤S2所构建的训练数据矩阵F中第ξ行训练数据的动目标速度来确定；具体为：当该行训练数据中包含有动目标，且动目标的速度为时，pm(ξ)＝1；否则pm(ξ)＝0，为第m个多普勒类的归一化多普勒频率；
m＝11时，目标矩阵P的第ξ行第m列元素pm(ξ)的值根据步骤S2所构建的训练数据矩阵F中第ξ行训练数据是否含有动目标确定；具体为：当该行训练数据不含有动目标，且vt＝0时，pm(ξ)＝1；否则pm(ξ)＝0。pm(ξ)的值确定详见参考文献Alaa El Khatib，KhaledAssaleh,space time adaptive processing using pattern classification，IEEETransactions on Signal Processing,vol 63,no.3 pp.766-779,2015。
S4、计算权系数
利用由步骤S2得到的训练数据矩阵以及由步骤S3得到的目标矩阵，通过稀疏贝叶斯学习的方法，由下式计算动目标检测模型中的权系数向量wm；
pm(ξ)＝hξwm；
其中，wm为200×1的列向量，m＝1,…,11，hξ为1×200的行向量，ξ＝1,…,110，hξ为训练数据矩阵F的第ξ行向量，表示第ξ个训练样本，pm(ξ)是目标矩阵P的第m列的第ξ个元素；
根据得到的各个wm构建权系数矩阵：
W＝[w1…wm…w11]；
其中，W是200行11列的矩阵。
S5、检测动目标
利用步骤S4得到的权系数矩阵W，以及待检测的回波数据矩阵L，计算下式
Q＝LW
其中，L则为待检测距离门的回波数据构成的50行200列的矩阵，W是200行11列的矩阵，Q为50行11列的矩阵，Q中的某一个元素表示为δ是门限值，根据目标矩阵的设置，δ一般略小于1，本实施例中δ＝0.9。
当矩阵Q中的元素且l＝1,…10时，矩阵Q中的元素则判断第个距离门含有动目标，否则判断第个距离门无动目标。
如表1所示的仿真结果，比较了传统STAP、基于二项式的STAP、基于SVR的STAP以及本申请方法的输出信号干扰噪声比
如表1所示的仿真结果，在使用100个辅助距离门(远小于RMB准则要求的197个)的情况下，传统STAP方法无法正确检测动目标，基于二项式的STAP方法输出性能较低，本论文所提出的方法比基于SVR的STAP方法输出性能略大，验证了本申请所提出方法有效性同时，也验证了本申请方法具有较好的输出性能。
表1仿真结果
通过表2的非0权值个数的统计，在使用步骤S5检测动目标时，相对于基于SVR的STAP方法，本发明可以少做84次乘法运算，所以本发明所提出的方法检测时间更短。
表2权值统计表
| 权值 | 基于SVR的STAP | 本发明 |
| 非0权值(个) | 200 | 116 |
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。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (8)
1.一种基于稀疏贝叶斯学习的空时自适应处理方法，其特征在于，包括：
S1、初始化脉冲多普勒(Pulse Doppler，PD)雷达动目标检测系统的参数，包括：阵列天线的阵元个数，记做N；一个相干处理时间内发射脉冲个数，记做M；雷达发射信号波长，记做λ；接收信号的杂噪比，记做CNR；接收信号的信噪比，记做SNR；接收信号的干噪比，记做JNR；雷达系统脉冲重复频率，记做PRF；雷达平台的速度，记做V；阵列天线的阵元间隔，记做d；训练数据中每一个多普勒的训练次数，记做Nc；待检测的距离门数，记做Nt；待检测的回波数据矩阵为L，L为Nt行2MN列的矩阵；
S2、根据步骤S1中初始化的参数构建训练数据矩阵；
S3、根据步骤S2的训练数据矩阵构建目标矩阵；
S4、根据步骤S2得到的训练数据矩阵以及步骤S3得到的目标矩阵，通过稀疏贝叶斯学习的方法，计算得到权系数矩阵；
S5、根据步骤S4得到的权系数矩阵，以及待检测的回波数据矩阵，检测各距离门的动目标。
2.根据权利要求1所述的一种基于稀疏贝叶斯学习的空时自适应处理方法，其特征在于，步骤S2所述训练数据矩阵为：
F＝[Re(H) Im(H)]；
其中，F为(M+1)Nc行2MN列的矩阵，H为(M+1)Nc行MN列的矩阵，且H＝S+[T 0]*，则F中共(M+1)Nc个训练样本，上标*表示矩阵转置，Re(H)表示矩阵H的实部，Im(H)表示矩阵H的虚部，S为MNc行MN列的矩阵，T为MNc行MN列的矩阵。
3.根据权利要求2所述的一种基于稀疏贝叶斯学习的空时自适应处理方法，其特征在于，所述矩阵S由下式确定：
其中，sβ＝xβ+yβ+zβ，β＝1,…,(M+1)Nc；sβ、xβ、zβ均为MN×1的列向量，sβ表示矩阵S中的元素，xβ表示杂波，yβ表示干扰，zβ表示噪声。
4.根据权利要求2所述的一种基于稀疏贝叶斯学习的空时自适应处理方法，其特征在于，所述矩阵T由下式确定：
其中，为MN×1的列向量，表示第i个多普勒位置的第j个动目标的空时快拍，i＝1,…,M，j＝1,…Nc。
5.根据权利要求1所述的一种基于稀疏贝叶斯学习的空时自适应处理方法，其特征在于，步骤S3所述目标矩阵为：
P＝[p1 … pm … pM+1]；
其中，pm为1×(M+1)Nc列的向量，m＝1,…,M+1，pm的第ξ个元素为pm(ξ)，ξ＝1,…,(M+1)Nc。
6.根据权利要求5所述的一种基于稀疏贝叶斯学习的空时自适应处理方法，其特征在于，所述pm(ξ)的值确定过程为：
m＝1,…M时，目标矩阵P的第ξ行第m列元素pm(ξ)的值根据步骤S2所构建的训练数据矩阵F中第ξ行训练数据的动目标速度来确定；具体为：当该行训练数据中包含有动目标，且动目标的速度为时，pm(ξ)＝1；否则pm(ξ)＝0，为第m个多普勒类的归一化多普勒频率；
m＝M+1时，目标矩阵P的第ξ行第m列元素pm(ξ)的值根据步骤S2所构建的训练数据矩阵F中第ξ行训练数据是否含有动目标确定；具体为：当该行训练数据不含有动目标，且vt＝0时，pm(ξ)＝1；否则pm(ξ)＝0。
7.根据权利要求6所述的一种基于稀疏贝叶斯学习的空时自适应处理方法，其特征在于，所述步骤S4具体包括：
S41、由下式计算权系数向量；
pm(ξ)＝hξwm；
其中，wm为2MN×1的列向量，m＝1,…M+1，hξ为1×2MN的行向量，ξ＝1,…,(M+1)Nc，hξ为训练数据矩阵F的第ξ行向量，表示第ξ个训练样本，pm(ξ)是目标矩阵P的第m列的第ξ个元素；
S42、根据步骤S41计算得到的权系数向量构建权系数矩阵：
W＝[w1 … wm … wM+1]；
其中，W是2MN行M+1列的矩阵。
8.根据权利要求1所述的一种基于稀疏贝叶斯学习的空时自适应处理方法，其特征在于，所述步骤S5具体为：矩阵Q＝LW；当矩阵Q中的元素且l＝1,…M时，矩阵Q中的元素则判断第个距离门含有动目标，否则判断第个距离门无动目标；
其中，L则为待检测距离门的回波数据构成的Nt行MN列的矩阵，W是MN行M+1列的矩阵，Q为Nt行M+1列的矩阵，δ为门限值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710415903.XA CN107015214B (zh) | 2017-06-06 | 2017-06-06 | 一种基于稀疏贝叶斯学习的空时自适应处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710415903.XA CN107015214B (zh) | 2017-06-06 | 2017-06-06 | 一种基于稀疏贝叶斯学习的空时自适应处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107015214A true CN107015214A (zh) | 2017-08-04 |
| CN107015214B CN107015214B (zh) | 2020-08-18 |
Family
ID=59451053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710415903.XA Expired - Fee Related CN107015214B (zh) | 2017-06-06 | 2017-06-06 | 一种基于稀疏贝叶斯学习的空时自适应处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107015214B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109490845A (zh) * | 2018-11-01 | 2019-03-19 | 南京邮电大学 | 多站雷达抑制主瓣压制式干扰的方法 |
| CN109709536A (zh) * | 2019-01-24 | 2019-05-03 | 电子科技大学 | 一种基于卷积神经网络的sar动目标检测方法 |
| CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
| CN112924925A (zh) * | 2021-01-25 | 2021-06-08 | 西安电子科技大学 | 基于稀疏贝叶斯学习的机载三维异构阵doa估计方法 |
| CN113219432A (zh) * | 2021-05-14 | 2021-08-06 | 内蒙古工业大学 | 基于知识辅助和稀疏贝叶斯学习的运动目标检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104360325A (zh) * | 2014-11-26 | 2015-02-18 | 西安电子科技大学 | 机载前视阵雷达的空时自适应处理方法 |
| CN106443596A (zh) * | 2016-09-12 | 2017-02-22 | 电子科技大学 | 一种支持向量机的空时自适应处理方法 |
| CN106483516A (zh) * | 2016-11-25 | 2017-03-08 | 西安电子科技大学 | 基于先验知识的雷达杂波空时自适应处理方法 |
| US20170102458A1 (en) * | 2014-06-09 | 2017-04-13 | Src, Inc. | Multiplatform GMTI Radar With Adaptive Clutter Suppression |
| CN106772304A (zh) * | 2016-12-23 | 2017-05-31 | 西北大学 | 基于空域多级分解的机载mimo雷达后多普勒自适应处理方法 |
-
2017
- 2017-06-06 CN CN201710415903.XA patent/CN107015214B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170102458A1 (en) * | 2014-06-09 | 2017-04-13 | Src, Inc. | Multiplatform GMTI Radar With Adaptive Clutter Suppression |
| CN104360325A (zh) * | 2014-11-26 | 2015-02-18 | 西安电子科技大学 | 机载前视阵雷达的空时自适应处理方法 |
| CN106443596A (zh) * | 2016-09-12 | 2017-02-22 | 电子科技大学 | 一种支持向量机的空时自适应处理方法 |
| CN106483516A (zh) * | 2016-11-25 | 2017-03-08 | 西安电子科技大学 | 基于先验知识的雷达杂波空时自适应处理方法 |
| CN106772304A (zh) * | 2016-12-23 | 2017-05-31 | 西北大学 | 基于空域多级分解的机载mimo雷达后多普勒自适应处理方法 |
Non-Patent Citations (3)
| Title |
|---|
| GUIHUA QUAN等: "Sparsity-based Space-Time Adaptive Processing in Random Pulse Repetition Frequency and Random Arrays Radar", 《ICSP2016》 * |
| QISONG WU等: "Space–Time Adaptive Processing and Motion Parameter Estimation in Multistatic Passive Radar Using Sparse Bayesian Learning", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
| 范西昆等: "知识辅助机载雷达杂波抑制方法研究进展", 《电子学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109490845A (zh) * | 2018-11-01 | 2019-03-19 | 南京邮电大学 | 多站雷达抑制主瓣压制式干扰的方法 |
| CN109709536A (zh) * | 2019-01-24 | 2019-05-03 | 电子科技大学 | 一种基于卷积神经网络的sar动目标检测方法 |
| CN109917347A (zh) * | 2019-04-10 | 2019-06-21 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
| CN109917347B (zh) * | 2019-04-10 | 2021-09-24 | 电子科技大学 | 一种基于时频域稀疏重构的雷达行人检测方法 |
| CN112924925A (zh) * | 2021-01-25 | 2021-06-08 | 西安电子科技大学 | 基于稀疏贝叶斯学习的机载三维异构阵doa估计方法 |
| CN113219432A (zh) * | 2021-05-14 | 2021-08-06 | 内蒙古工业大学 | 基于知识辅助和稀疏贝叶斯学习的运动目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107015214B (zh) | 2020-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107015214A (zh) | 一种基于稀疏贝叶斯学习的空时自适应处理方法 | |
| CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
| CN106228201B (zh) | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 | |
| CN108008385B (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
| CN103926572B (zh) | 一种机载非正侧阵雷达用自适应子空间的杂波抑制方法 | |
| CN104360325B (zh) | 机载前视阵雷达的空时自适应处理方法 | |
| CN106249219B (zh) | 基于自适应匹配滤波响应的sar动目标检测方法 | |
| Kılıç et al. | Through‐Wall Radar Classification of Human Posture Using Convolutional Neural Networks | |
| CN104239901B (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
| CN109683126A (zh) | 波达角测量方法、信号处理设备及存储介质 | |
| CN109597046A (zh) | 基于一维卷积神经网络的米波雷达doa估计方法 | |
| CN106483516A (zh) | 基于先验知识的雷达杂波空时自适应处理方法 | |
| CN101853509A (zh) | 基于Treelets和模糊C-均值聚类的SAR图像分割方法 | |
| CN102608587B (zh) | 基于非线性最小二乘的空中机动目标检测方法 | |
| CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
| CN103901416A (zh) | 一种基于稳健主成分分析法的多通道杂波抑制方法 | |
| CN110082744A (zh) | 多普勒分级复用的mimo机载双基雷达杂波抑制方法 | |
| CN111812598A (zh) | 一种基于时域频域多特征的地海杂波分类方法 | |
| CN109934101A (zh) | 基于卷积神经网络的雷达杂波识别方法 | |
| CN110376560A (zh) | 一种基于单距离门的机载双基地mimo雷达幅相误差校正方法 | |
| CN104700116A (zh) | 基于多层量子脊波表示的极化sar图像地物的分类方法 | |
| CN106950546B (zh) | 基于马氏距离重加权的非均匀杂波抑制方法 | |
| Fan et al. | Multifractal correlation analysis of autoregressive spectrum-based feature learning for target detection within sea clutter | |
| CN106443596B (zh) | 一种基于支持向量机的空时自适应处理方法 | |
| CN102928826A (zh) | 基于重构信号和时间采样的空中机动目标检测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200818 |