CN107315169A - 基于二阶统计量相似度的杂波协方差矩阵估计方法 - Google Patents
基于二阶统计量相似度的杂波协方差矩阵估计方法 Download PDFInfo
- Publication number
- CN107315169A CN107315169A CN201710529603.4A CN201710529603A CN107315169A CN 107315169 A CN107315169 A CN 107315169A CN 201710529603 A CN201710529603 A CN 201710529603A CN 107315169 A CN107315169 A CN 107315169A
- Authority
- CN
- China
- Prior art keywords
- covariance matrix
- doppler
- order statistic
- passage
- pending unit
- 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
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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
- G01S7/2927—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods by deriving and controlling a threshold value
-
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
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
本发明涉及信号处理技术领域,具体提供了一种基于二阶统计量相似度的杂波协方差矩阵估计方法,用于空时自适应处理时杂波协方差矩阵的估计,首先通过滑窗方式在待处理单元附近取出原始的样本,然后估计每个样本的二阶统计量,接着,根据待处理单元与原始样本二阶统计量估计待处理单元与原始样本的相似度,在估计待处理单元协方差矩阵的时候,在每个训练样本前加上相似度的权值,如果某样本与待处理单元比较相似,则在估计待处理单元协方差矩阵的时候该训练样本所占比重较大,从而提高待处理单元杂波协方差矩阵估计的精度;该方法可以较精确地估计待处理单元的协方差矩阵,提高机载雷达的探测性能。
Description
技术领域
本发明涉及信号处理技术领域,特别涉及基于二阶统计量相似度的杂波协方差矩阵估计方法。
背景技术
机载雷达工作于下视状态进行运动目标检测时会收到地面反射回来的杂波,强地杂波会淹没目标信号,降低雷达探测性能。空时自适应处理技术通过空域和时域的联合处理,可以很好地抑制杂波,提高机载雷达对地探测时的性能。空时自适应处理求自适应权值的时候需要估计杂波的协方差矩阵,通常是由待处理单元的附近距离单元估计得到。当雷达工作于非均匀杂波环境时,不同距离门的杂波统计特性可能会相差很大,通过附近距离门估计待处理单元杂波协方差矩阵的时候会导致所估计的杂波协方差矩阵不准确,使得空时自适应处理的性能下降。
对于杂波协方差矩阵的估计,现有的传统估计方法主要有两种:
1)将雷达回波数据均匀分为若干段,直接用所在段的样本估计该段所有距离单元的杂波协方差矩阵,但当雷达回波数据非均匀时,所估计的杂波协方差矩阵是不准确的;
2)将雷达回波数据均匀分为若干段,对每一段通过非均匀检测器剔除非均匀样本,然后用剩下的“均匀”样本估计待处理单元的杂波协方差矩阵,该方法虽然剔除了非均匀样本,但是有时剔除的效果并不好,并且,当待处理单元本身就是非均匀样本时,用均匀样本显然不能很好的估计待处理单元的杂波协方差矩阵,进而导致空时自适应处理的性能下降。
发明内容
为克服上述现有技术存在的至少一种缺陷,本发明提供了一种基于二阶统计量相似度的杂波协方差矩阵估计方法,包括如下步骤:
步骤一,将阵元-脉冲-距离门域的雷达回波数据在脉冲域做快速傅里叶变换,转换为阵元-多普勒-距离门域的数据,对于待处理的第k个多普勒通道,取出该多普勒通道对应的阵元-距离门域数据Xk,Xk为一个N×L维的矩阵,将第k个多普勒通道、第l个距离门的数据矢量记为Xk,l,l=1,2,…,L,其中Xk,l为一个N×1维的列矢量,Xk,l中的元素为Xk的第l列的元素,得到Xk,l对应的二阶统计量l=1,2,…,L,记待处理单元所在的距离门为l0,第k个多普勒通道、第l0个距离门的数据矢量记为 对应的二阶统计量记为
步骤二,当处理第k个多普勒通道、第l0个距离门单元时,在距离门域内取出距离第k个多普勒通道、l0距离单元最近的2N个训练样本:
{Xk,l|l=l0-N,l0-N+1,…,l0-1,l0+1,l0+2,…,l0+N},
该2N个训练样本对应的二阶统计量记为:
{Pl|l=l0-N,l0-N+1,…,l0-1,l0+1,l0+2,…,l0+N};
步骤三,得到每个训练样本与对应的二阶统计量的欧几里得距离,Pl和Pl0的欧几里得距离为dl=||Pl0-Pl||2,式中||·||2表示矩阵元素的平方和;
步骤四,第l个距离门与待处理单元的相似度sl=1/dl,当dl=0时令sl=1,得到第k个多普勒通道、第l0个距离门单元的杂波协方差矩阵的估计值:
本发明提供的基于二阶统计量相似度的杂波协方差矩阵估计方法,具有如下有益效果:
1、本发明通过二阶统计量衡量待处理单元与训练样本的相似度,并根据二阶统计量的相似度调整训练样本在估计待处理单元协方差矩阵中的权重,与待处理单元相似的训练样本在估计杂波协方差矩阵时占的权重较大,从而可以较精确地估计待处理单元的协方差矩阵;
2、本发明可提高机载雷达在非均匀杂波环境下的探测性能,可以用于机载雷达空时自适应处理杂波抑制时的杂波协方差矩阵估计准确度,提高非均匀杂波环境中空时自适应处理的性能,从而提高机载雷达对非均匀杂波环境的抑制能力,提高机载雷达的探测性能。
附图说明
图1是基于二阶统计量相似度的杂波协方差矩阵估计方法的流程图;
图2是传统算法滤波结果的曲线图;
图3是本发明算法滤波结果的曲线图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。
需要说明的是:下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例,而不是全部的实施例,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出了一种基于二阶统计量相似度的杂波协方差矩阵估计方法,用于空时自适应处理时杂波协方差矩阵的估计,该方法首先通过滑窗方式在待处理单元附近取出原始的样本,然后估计每个样本的二阶统计量,接着,根据待处理单元与原始样本二阶统计量估计待处理单元与原始样本的相似度,在估计待处理单元协方差矩阵的时候,在每个训练样本前加上相似度的权值,如果某样本与待处理单元比较相似,则在估计待处理单元协方差矩阵的时候该训练样本所占比重较大,从而提高待处理单元杂波协方差矩阵估计的精度。
如图1所示,该基于二阶统计量相似度的杂波协方差矩阵估计方法具体包括如下步骤:
步骤一,将阵元-脉冲-距离门域的雷达回波数据在脉冲域做快速傅里叶变换,转换为阵元-多普勒-距离门域的数据,对于待处理的第k个多普勒通道,取出该多普勒通道对应的阵元-距离门域数据Xk,Xk为一个N×L维的矩阵,将第k个多普勒通道、第l个距离门的数据矢量记为Xk,l,l=1,2,…,L,其中Xk,l为一个N×1维的列矢量,Xk,l中的元素为Xk的第l列的元素,得到Xk,l对应的二阶统计量l=1,2,…,L,记待处理单元所在的距离门为l0,第k个多普勒通道、第l0个距离门的数据矢量记为 对应的二阶统计量记为
步骤二,当处理第k个多普勒通道、第l0个距离门单元时,在距离门域内取出距离第k个多普勒通道、l0距离单元最近的2N个训练样本:
{Xk,l|l=l0-N,l0-N+1,…,l0-1,l0+1,l0+2,…,l0+N},
该2N个训练样本对应的二阶统计量记为:
{Pl|l=l0-N,l0-N+1,…,l0-1,l0+1,l0+2,…,l0+N};
步骤三,得到每个训练样本与对应的二阶统计量的欧几里得距离,Pl和Pl0的欧几里得距离为dl=||||0-Pl||2,式中||·||2表示矩阵元素的平方和;
步骤四,第l个距离门与待处理单元的相似度sl=1/dl,当dl=0时令sl=1,得到第k个多普勒通道、第l0个距离门单元的杂波协方差矩阵的估计值:
本发明与传统算法的区别在于:
1、传统的非均匀检测器没有考虑待处理单元的统计特性,对于要处理的某一段数据所用的训练样本是一样的,而本发明的每个处理单元所用的训练样本都是不一样的;
2、在估计待处理单元杂波协方差矩阵的时候,根据训练样本和待处理单元的二阶统计特性量的相似度对训练样本进行加权,如果待处理单元与训练样本比较相似,则其在估计待处理单元协方差矩阵的时候所占比重较大,反之则占的比重较小,从而在一定程度上使得所估计的杂波协方差矩阵比传统方法要精确。
具体的,通过仿真实验对本发明进行验证,本实验中雷达采用1×8的正侧视均匀线阵,阵元间距为0.01m,相干处理间隔包含32个脉冲,对阵元脉冲域的数据在脉冲域做32点的FFT,目标所在的距离门为40,多普勒门为45;
为验证本发明的性能,本实施例采用空时自适应处理后的滤波结果来说明。与传统的广义内积法挑选训练样本估计协方差矩阵进行的空时自适应处理算法结果进行比较,如图2及图3所示,采用创投广义内积法的杂波剩余平均为1.337dB,本发明的杂波剩余平均为-4.372dB,本发明相比于传统方法可以将杂波抑制改进5.7dB,大大改进空时自适应处理的性能。试验结果表明本发明要比传统的广义内积法取得更好的杂波抑制性能。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (1)
1.一种基于二阶统计量相似度的杂波协方差矩阵估计方法,其特征在于:包括如下步骤:
步骤一,将阵元-脉冲-距离门域的雷达回波数据在脉冲域做快速傅里叶变换,转换为阵元-多普勒-距离门域的数据,对于待处理的第k个多普勒通道,取出该多普勒通道对应的阵元-距离门域数据Xk,Xk为一个N×L维的矩阵,将第k个多普勒通道、第l个距离门的数据矢量记为Xk,l,l=1,2,…,L,其中Xk,l为一个N×1维的列矢量,Xk,l中的元素为Xk的第l列的元素,得到Xk,l对应的二阶统计量l=1,2,…,L,记待处理单元所在的距离门为l0,第k个多普勒通道、第l0个距离门的数据矢量记为 对应的二阶统计量记为
步骤二,当处理第k个多普勒通道、第l0个距离门单元时,在距离门域内取出距离第k个多普勒通道、l0距离单元最近的2N个训练样本:
{Xk,l|l=l0-N,l0-N+1,…,l0-1,l0+1,l0+2,…,l0+N},
该2N个训练样本对应的二阶统计量记为:
{Pl|l=l0-N,l0-N+1,…,l0-1,l0+1,l0+2,…,l0+N};
步骤三,得到每个训练样本与对应的二阶统计量的欧几里得距离,Pl和Pl0的欧几里得距离为dl=||Pl0-Pl||2,式中||·||2表示矩阵元素的平方和;
步骤四,第l个距离门与待处理单元的相似度sl=1/dl,当dl=0时令sl=1,得到第k个多普勒通道、第l0个距离门单元的杂波协方差矩阵的估计值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710529603.4A CN107315169B (zh) | 2017-07-02 | 2017-07-02 | 基于二阶统计量相似度的杂波协方差矩阵估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710529603.4A CN107315169B (zh) | 2017-07-02 | 2017-07-02 | 基于二阶统计量相似度的杂波协方差矩阵估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107315169A true CN107315169A (zh) | 2017-11-03 |
CN107315169B CN107315169B (zh) | 2021-04-16 |
Family
ID=60180619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710529603.4A Active CN107315169B (zh) | 2017-07-02 | 2017-07-02 | 基于二阶统计量相似度的杂波协方差矩阵估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107315169B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597034A (zh) * | 2018-12-12 | 2019-04-09 | 哈尔滨工业大学 | 一种基于欧几里得距离的空时自适应处理方法 |
CN110426677A (zh) * | 2019-06-19 | 2019-11-08 | 中国航空工业集团公司雷华电子技术研究所 | 基于相关系数加权的杂波协方差矩阵估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120249361A1 (en) * | 2011-04-04 | 2012-10-04 | Zafer Sahinoglu | Method for Detecting Targets Using Space-Time Adaptive Processing |
CN102722732A (zh) * | 2012-05-30 | 2012-10-10 | 清华大学 | 一种基于数据二阶统计量建模的图像集合匹配方法 |
CN105785339A (zh) * | 2016-03-21 | 2016-07-20 | 西安电子科技大学 | 非均匀杂波环境下机载雷达杂波协方差矩阵的估计方法 |
-
2017
- 2017-07-02 CN CN201710529603.4A patent/CN107315169B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120249361A1 (en) * | 2011-04-04 | 2012-10-04 | Zafer Sahinoglu | Method for Detecting Targets Using Space-Time Adaptive Processing |
CN102722732A (zh) * | 2012-05-30 | 2012-10-10 | 清华大学 | 一种基于数据二阶统计量建模的图像集合匹配方法 |
CN105785339A (zh) * | 2016-03-21 | 2016-07-20 | 西安电子科技大学 | 非均匀杂波环境下机载雷达杂波协方差矩阵的估计方法 |
Non-Patent Citations (2)
Title |
---|
WENTAO DU等: "Clutter space-time covariance matrix estimate based on multi-polarised data", 《IET RADAR, SONAR AND NAVIGATION》 * |
时艳玲: "空间非均匀海杂波的协方差矩阵估计新算法", 《系统工程与电子技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597034A (zh) * | 2018-12-12 | 2019-04-09 | 哈尔滨工业大学 | 一种基于欧几里得距离的空时自适应处理方法 |
CN109597034B (zh) * | 2018-12-12 | 2021-08-31 | 哈尔滨工业大学 | 一种基于欧几里得距离的空时自适应处理方法 |
CN110426677A (zh) * | 2019-06-19 | 2019-11-08 | 中国航空工业集团公司雷华电子技术研究所 | 基于相关系数加权的杂波协方差矩阵估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107315169B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
CN105785339B (zh) | 非均匀杂波环境下机载雷达杂波协方差矩阵的估计方法 | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN102879767B (zh) | 一种用于空时自适应处理的干扰目标检测方法 | |
CN105335336B (zh) | 一种传感器阵列的稳健自适应波束形成方法 | |
CN106291492A (zh) | 一种基于精细杂波图的自适应目标检测方法 | |
CN103176168A (zh) | 一种机载非正侧视阵雷达近程杂波对消方法 | |
CN109752710B (zh) | 一种基于稀疏贝叶斯学习的快速目标角度估计方法 | |
CN103439692A (zh) | 基于协方差矩阵广对称特性的stap方法 | |
CN110221241A (zh) | 一种基于rbf神经网络的低仰角doa估计方法 | |
CN104111449B (zh) | 一种改进的基于广义内积的空时二维自适应处理方法 | |
CN110161494B (zh) | 基于速度平方滤波的rd平面弱目标检测跟踪方法及装置 | |
CN103197297B (zh) | 基于认知框架的雷达动目标检测方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN109324315A (zh) | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 | |
CN106772302A (zh) | 一种复合高斯背景下的知识辅助stap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 | |
CN111913157A (zh) | 一种基于雷达信号空-时去相关模型的海杂波抑制方法 | |
CN109934101A (zh) | 基于卷积神经网络的雷达杂波识别方法 | |
CN107315169A (zh) | 基于二阶统计量相似度的杂波协方差矩阵估计方法 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
CN104215939A (zh) | 一种融合广义对称结构信息的知识辅助空时自适应处理方法 | |
CN106383342A (zh) | 一种基于存在测量误差的阵列流形先验知识的稳健stap方法 | |
CN107329115A (zh) | 基于gcrbf网络的lfm信号参数估计方法 | |
CN106950546A (zh) | 基于马氏距离重加权的非均匀杂波抑制方法 |
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 |