CN109031227A - 一种共轭梯度空时自适应处理方法及系统 - Google Patents

Abstract

本发明适用于雷达信号处理领域，提供共轭梯度空时自适应处理方法，包括：根据待检测距离单元内目标空时导向向量和干扰加噪音分量，确定基于变换域L1范数的共轭梯度空时自适应滤波器的输入信号；根据待检测距离单元的杂波稀疏特性，建立共轭梯度空时自适应滤波器的优化问题模型；采用基于变换域L1范数的共轭梯度算法，递归迭代地计算优化问题模型，得到共轭梯度空时自适应滤波器的权向量；根据权向量对该输入信号进行自适应处理。本发明实施例提出了一种低复杂度的基于变换域L1范数的共轭梯度空时自适应处理方法，能够在一些简单假设条件下，迭代地计算滤波器的权向量而不用协方差矩阵求逆，降低了10倍左右计算的复杂度，同时保持良好的性能。

Description

一种共轭梯度空时自适应处理方法及系统

技术领域

本发明属于雷达信号处理技术领域，尤其涉及一种基于变换域L1范数的共轭梯度空时自适应处理方法及系统。

背景技术

空时自适应处理(STAP，Space-Time Adaptive Processor)是机载雷达系统中杂波抑制和动目标检测的经典技术。对STAP技术的研究一直紧紧围绕着如何在保持STAP算法的杂波抑制性能的同时，加快低训练快拍下的收敛性和降低系统计算的复杂性是STAP技术的关键问题。

在STAP的发展历程中，为了解决STAP技术的关键问题，先后提出了三种主要类型的算法，即降维和降秩STAP技术，基于先验信息的STAP技术，基于稀疏度的STAP技术。这三种算法在STAP技术的发展中是按时间先后顺序提出的。首先，降维和降秩STAP技术是采用降低系统自由度来加快低训练快拍下的收敛性，之后基于先验信息的STAP技术是他们通过将一些先验知识结合到STAP设计中来加快低快拍下的收敛性。最后对于基于稀疏度的STAP技术是利用问题的稀疏本质，如杂波或权向量等的稀疏性，以加速STAP方法在低快拍下的收敛性。

虽然这些方法在快拍支持有限的情况下显着提高了滤波器杂波抑制和目标检测的性能，但高计算复杂度仍然是一个问题。

发明内容

本发明所要解决的技术问题在于提供一种基于变换域L1范数的共轭梯度空时自适应处理方法及系统，旨在解决现有技术在快拍支持有限的情况下显著提高算法的收敛性能，但计算复杂度高的问题。

本发明是这样实现的，一种基于变换域L1范数的共轭梯度空时自适应处理方法，包括：

步骤A，根据待检测距离单元内目标空时导向向量和干扰加噪音分量，确定基于变换域L1范数的共轭梯度空时自适应滤波器的输入信号；

步骤B，根据所述待检测距离单元的杂波稀疏特性，建立所述共轭梯度空时自适应滤波器的优化问题模型；

步骤C，采用基于变换域L1范数的共轭梯度算法，递归迭代地计算所述优化问题模型，得到所述共轭梯度空时自适应滤波器的权向量；

步骤D，根据所述权向量对所述共轭梯度空时自适应滤波器的输入信号进行自适应处理。

进一步地，在所述步骤A中，所述待检测距离单元的空时快拍以x表示，则有：

x＝α_tv_t+x_u；

其中，其中α_t为复数，v_t表示所述目标空时导向向量，x_u表示所述干扰加噪音分量， 表示多普勒频率，表示空间频率，表示克罗内克积，x_u由干扰x_j、杂波x_c和热噪声x_n组成。

进一步地，在所述步骤B中，所述共轭梯度空时自适应滤波器表示为以下优化问题，即：

其中，||·||₁、H分别表示l₁范数和共轭转置算子，表示干扰加噪声协方差矩阵，E[·]表示随机变量的期望值，表示具有范围在-0.5到0.5的多普勒频率的f_d,j(j＝1,...,N_d)和具有空间频率f_s,i(i＝1,...,N_s)的空时导向矩阵，N_d表示多普勒频率总个数，N_s表示空间频率总个数，λ表示平衡滤波器输出功率w^HRw和角度多普勒方向图的稀疏性的正则参数，λ＝w^HRw/(ρ-||w^HQ||₁)。

进一步地，所述步骤C包括：

步骤C1，令s^k＝(R^k+λ^kQ∏(w^k)Q^H)^-1v_t，求得所述共轭梯度空时自适应滤波器的权向量w^k：

其中，R表示干扰加噪声协方差矩阵，R^k表示第k个快拍下的干扰加噪声协方差矩阵，λ^k表示第k个快拍下的平衡滤波器输出功率w^HRw和角度多普勒方向图的稀疏性的正则参数，λ^k>0，k表示第k个空时快拍的索引，s^k表示第k个快拍下所求得的值，

步骤C2，令采用基于变换域L1范数的共轭梯度法计算s^k：

s^k(l)＝s^k(l-1)+μ^k(l)p^k(l)；

μ^k(l)和p^k(l)分别表示第k个空时快拍中的第l次迭代的自适应步长和方向向量，s^k(l)表示第k次空时快拍中的第l次迭代计算得到的值；

步骤C3，根据预置的迭代总次数L，迭代地计算s^k(l)：

B^k＝R^k+λ^kQ∏(w^k)Q^H；

p^k(l)＝r^k(l-1)+τ^k(l-1)p^k(l-1)；

r^k(l)＝r^k(l-1)-μ^k(l)B^kp^k(l)；

步骤C4，将迭代计算得到的s^k(L)代入(1)，得到k个空时快拍下所述共轭梯度空时自适应滤波器的权向量：

步骤C5，假定总快拍数为K,对每一个快拍，重复上述步骤C1、C2、C3和C4，即得到所述共轭梯度空时自适应滤波器的权向量。

本发明实施例还提供了一种基于变换域L1范数的共轭梯度空时自适应处理系统，包括：

信号模型建立单元，用于根据待检测距离单元内目标空时导向向量和干扰加噪音分量，确定基于变换域L1范数的共轭梯度空时自适应滤波器的输入信号；

滤波器优化问题模型建立单元，用于根据所述待检测距离单元的杂波稀疏特性，建立所述共轭梯度空时自适应滤波器的优化问题模型；

权向量计算单元，用于采用基于变换域L1范数的共轭梯度算法，递归迭代地计算所述优化问题模型，得到所述共轭梯度空时自适应滤波器的权向量；

信号处理单元，用于根据所述权向量对所述共轭梯度空时自适应滤波器的输入信号进行自适应处理。

进一步地，所述待检测距离单元的空时快拍以x表示，则有：

x＝α_tv_t+x_u；

其中，其中a_t为复数，v_t表示所述目标空时导向向量，x_u表示所述干扰加噪音分量， 表示多普勒频率，表示空间频率，表示克罗内克积，x_u由干扰x_j、杂波x_c和热噪声x_n组成。

进一步地，所述共轭梯度空时自适应滤波器表示为以下优化问题，即：

其中，||·||₁、H分别表示l₁范数和共轭转置算子，表示干扰加噪声协方差矩阵，E[·]表示随机变量的期望值，表示具有范围在-0.5到0.5的多普勒频率的f_d,j(j＝1,...,N_d)和具有空间频率f_s,i(i＝1,...,N_s)的空时导向矩阵，λ表示平衡滤波器功率w^HRw和角度多普勒方向图的稀疏性的正则参数，λ＝w^HRw/(ρ-||w^HQ||₁)。

进一步地，所述权向量计算单元具体用于：

首先，令s^k＝(R^k+λ^kQ∏(w^k)Q^H)^-1v_t，求得所述共轭梯度空时自适应滤波器的权向量w^k：

其中，R表示干扰加噪声协方差矩阵，R^k表示第k个快拍下的干扰加噪声协方差矩阵，λ^k表示第k个快拍下的平衡滤波器输出功率w^HRw和角度多普勒方向图的稀疏性的正则参数，λ^k>0，k表示第k个空时快拍的索引，s^k表示第k个快拍下所求得的值，

其次，令采用基于变换域L1范数的共轭梯度法计算s^k：

s^k(l)＝s^k(l-1)+μ^k(l)p^k(l)；

μ^k(l)和p^k(l)分别表示第k个空时快拍中的第l次迭代的自适应步长和方向向量，s^k(l)表示第k次空时快拍中的第l次迭代计算得到的值；

然后，根据预置的迭代总次数L，迭代地计算s^k(l)：

B^k＝R^k+λ^kQ∏(w^k)Q^H；

λ^k＝(w^k)^HR(w^k)/(ρ-||(w^k)^HQ||₁)；

p^k(l)＝r^k(l-1)+τ^k(l-1)p^k(l-1)；

r^k(l)＝r^k(l-1)-μ^k(l)B^kp^k(l)；

然后，将迭代计算得到的s^k(L)代入(2)，得到k个空时快拍下所述共轭梯度空时自适应滤波器的权向量：

最后，假定总快拍数为K,对每一个快拍，重复上述步骤，即得到所述共轭梯度空时自适应滤波器的权向量。

本发明与现有技术相比，有益效果在于：本发明实施例根据待检测距离单元的目标空时导向矢量和杂波干扰分量，基于变换域L1范数的共轭梯度空时自适应滤波器的输入信号，根据待检测距离单元的杂波稀疏特性建立该共轭梯度空时自适应滤波器的优化问题模型，采用变换域L1范数的共轭梯度算法，递归迭代地计算该优化问题模型，得到该共轭梯度空时自适应滤波器的权向量，根据该权向量对波滤器的输入信号进行自适应处理。本发明实施例提出了一种基于低复杂度变换域L1范数的共轭梯度自适应处理方法，能够在一些简单假设条件下，迭代地计算基于变换域L1范数的共轭梯度空时自适应滤波器的权向量而不用协方差矩阵求逆，降低了10倍左右计算的复杂度，同时保持良好的性能。

附图说明

图1是本发明实施例提供的基于变换域L1范数的共轭梯度空时自适应处理方法的流程图；

图2是本发明实施例提供的基于变换域L1范数的共轭梯度空时自适应处理系统的结构示意图；

图3是本发明实施例提供的针对DoFs的计算复杂度与系统空时自由度的关系示意图；

图4是本发明实施例提供的输出信干燥比与空时快拍数的关系示意图；

图5是本发明实施例提供的输出信干燥比与归一化多普勒频率的关系示意图；

图6是本发明实施例提供的检测概率P_d与目标信噪比SNR的关系示意图。

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。

图1示出了本发明实施例提供的一种基于变换域L1范数的共轭梯度空时自适应处理方法，包括：

S101，根据待检测距离单元内目标空时导向向量和干扰加噪音分量，确定基于变换域L1范数的共轭梯度空时自适应滤波器的输入信号；

S102，根据所述待检测距离单元的杂波稀疏特性，建立所述共轭梯度空时自适应滤波器的优化问题模型；

S103，采用基于变换域L1范数的共轭梯度算法，递归迭代地计算所述优化问题模型，得到所述共轭梯度空时自适应滤波器的权向量；

S104，根据所述权向量对所述共轭梯度空时自适应滤波器的输入信号进行自适应处理。

本发明实施例中，对具有稀疏约束的STAP算法提出一种基于变换域L1范数的共轭梯度空时自适应的实现方法，受到传统共轭梯度算法CG(Conjugate Gradient Methods)的低复杂度的启发，本发明实施例首先定义一种新的权向量，然后在基于变换域L1范数的CG算法的一些简单假设条件下导出一种计算新的权向量的迭代算法。最后，所提出的STAP权向量计算在不需要矩阵逆矩阵的低复杂度条件下求得。本发明实施例在一些简单的假设条件下，推导了一种基于变换域L1范数的共轭梯度空时自适应处理方法，计算复杂度低，避免了协方差矩阵求逆。

下面，具体阐述本发明的步骤如下：

步骤一、建立信号模型：

假设一个正侧视脉冲多普勒机载雷达，其N个阵元的均匀线阵(ULA)在一个相干处理间隔(CPI，Coherent Process Interval)中接收具有固定脉冲重复频率(PRF，PulseRecurrence Frequency)f_r的M个相干脉冲，假设目标区域内只有一个目标，雷达接收信号可以表示为长度NM×1的空时快拍向量x＝a_tv_t+x_u,其中α_t为复数，是空间频率和多普勒频率的目标空时导向向量。表示克罗内克积，x_u是由干扰x_j、杂波x_c和热噪声x_n组成的干扰加噪声向量。

步骤二、考虑到待检测距离单元内杂波的角度多普勒方向图的稀疏性，通常将稀疏约束下的STAP滤波器(SC-STAP)设计为：

其中，||·||₁、H分别表示l₁范数和共轭转置算子，表示干扰加噪声协方差矩阵，E[·]表示随机变量的期望值，表示具有范围在-0.5到0.5的多普勒频率的f_d,j(j＝1,...,N_d)和具有空间频率f_s,i(i＝1,...,N_s)的时空导向矩阵，λ是平衡滤波器功率w^HRw和角度多普勒方向图的稀疏性的正则参数，这里λ＝w^HRw/(ρ-||w^HQ||₁)，且λ＞0。

就拉格朗日乘数而言，最佳的加权向量则是：

其中|w^HQ|_i(i＝1,...,N_dN_s)是||w^HQ||₁的第i项，ε是一个很小的常数。

注意到计算式(2)中的权向量w的计算复杂度非常高，所需存储(用于矩阵操作)空间大。因此，在实际应用中尤其困难，特别是对于大型DoFs雷达系统。而且，由于∏(w)是w的函数，所以不能直接应用传统CG技术来计算权向量。

步骤三、基于变换域L1范数的变换CG算法递归计算公式(2)中的权向量w：

假设：

s^k＝(R^k+λ^kQ∏(w^k)Q^H)^-1v_t (3)

其中k表示第k个空时快拍的索引，s^k表示第k个空时快拍下所求得的值，那么自适应的权向量为：

为了利用变换域L1范数的变换CG算法递归导出s^k，需要去解决以下等价的最小化问题：

其中，表示复数的实部，因为R^k,∏(w^k)和λ^k的估计方式会影响算法的性能，所以，在本申请中，采用指数衰减的数据窗来估计R^k可以提供与递归最小二乘(RLS，Recursive least squares)算法来估计相当的性能。干扰协方差矩阵其中β是遗忘因子。同时，利用权向量在一个空时快拍中，不会有巨大的改变的事实，Π(w^k)通过使用||(w^k-1)^HQ||₁来近似，并且λ^k＝(w^k)^HR^kw^k/(ρ-||(w^k)^HQ||₁)，所以公式(5)的解的计算为：

s^k(l)＝s^k(l-1)+μ^k(l)p^k(l) (6)

其中μ^k(l)和p^k(l)分别是第k次空时快拍中的第l次迭代的自适应步长和相应的方向向量。方向向量p^k(l)被定义为：

p^k(l)＝r^k(l-1)+τ^k(l-1)p^k(l-1) (7)

其中，r^k(l-1)表示残差向量，被定义为：

并且

B^k＝R^k+λ^kQ∏(w^k)Q^H (9)

τ^k(l-1)为方向向量p^k(l)提供B^k正交性，然后从B^kp^k(l)＝B^kr^k(l-1)+τ^k(l-1)B^kp^k(l-1)和向量p^k(l)的B^k正交性得：

且

(p^k(l))^HB^kr^k(l-1)＝(p^k(l))^HB^kp^k(l) (11)

通过在公式(6)的两边应用B^k并减去v_t，得到：

r^k(l)＝r^k(l-1)-μ^k(l)B^kp^k(l) (12)

综合残差向量和公式(11)的正交性，得到：

从等式r^k(l-1)＝r^k(l-2)-μ^k(l-1)B^kp^k(l-1)和(r^k(l-1))^Hr^k(l-2)＝0可以得到：

(r^k(l-1))^Hr^k(l-1)＝-μ^k(l-1)(r^k(l-1))^HB^kp^k(l-1) (14)

和(r^k(l-2))^Hr^k(l-2)＝μ^k(l-1)(r^k(l-2))^HB^kp^k(l-1) (15)

将公式(14)和公式(15)代入公式(10)得到：

最后，通过迭代计算公式(9)、(8)、(13)、(6)、(12)、(16)、(7)和(4)来得到公式(2)中权向量的值。

图2示出了本发明实施例提供的一种基于共轭梯度的自适应处理系统，包括：

信号模型建立单元201，用于根据待检测距离单元内目标空时导向向量和干扰加噪音分量，确定基于变换域L1范数的共轭梯度空时自适应滤波器的输入信号；

滤波器优化问题模型建立单元202，用于根据所述待检测距离单元的杂波稀疏特性，建立所述共轭梯度空时自适应滤波器的优化问题模型；

权向量计算单元203，用于采用基于变换域L1范数的共轭梯度算法，递归迭代地计算所述优化问题模型，得到所述共轭梯度空时自适应滤波器的权向量；

信号处理单元204，用于根据所述权向量对所述共轭梯度空时自适应滤波器的输入信号进行自适应处理。

进一步地，所述待检测距离单元的空时快拍以x表示，则有：

x＝α_tv_t+x_u；

其中，其中α_t为复数，v_t表示所述目标空时导向向量，x_u表示所述干扰加噪音分量， 表示多普勒频率，f_s ^t表示空间频率，表示克罗内克积，x_u由干扰x_j、杂波x_c和热噪声x_n组成。

进一步地，所述共轭梯度空时自适应滤波器表示为以下优化问题，即：

其中，||·||₁、H分别表示l₁范数和共轭转置算子，表示干扰加噪声协方差矩阵，E[·]表示随机变量的期望值，表示具有范围在-0.5到0.5的多普勒频率的f_d,j(j＝1,...,N_d)和具有空间频率f_s,i(i＝1,...,N_s)的空时导向矩阵，λ表示平衡滤波器功率w^HRw和角度多普勒方向图的稀疏性的正则参数，λ＝w^HRw/(ρ-||w^HQ||₁)。

进一步地，权向量计算单元203具体用于：

首先，令s^k＝(R^k+λ^kQ∏(w^k)Q^H)^-1v_t，求得所述共轭梯度空时自适应滤波器的权向量w^k：

其中，R表示干扰加噪声协方差矩阵，R^k表示第k个快拍下的干扰加噪声协方差矩阵，λ^k表示第k个快拍下的平衡滤波器输出功率w^HRw和角度多普勒方向图的稀疏性的正则参数，λ^k>0，k表示第k个空时快拍的索引，s^k表示第k个快拍下所求得的值，

其次，令采用基于变换域L1范数的共轭梯度法计算s^k：

s^k(l)＝s^k(l-1)+μ^k(l)p^k(l)；

μ^k(l)和p^k(l)分别表示第k个空时快拍中的第l次迭代的自适应步长和方向向量，s^k(l)表示第k次空时快拍中的第l次迭代计算得到的值；

然后，根据预置的迭代总次数L，迭代地计算s^k(l)：

B^k＝R^k+λ^kQ∏(w^k)Q^H；

λ^k＝(w^k)^HR(w^k)/(ρ-||(w^k)^HQ||₁)；

p^k(l)＝r^k(l-1)+τ^k(l-1)p^k(l-1)；

r^k(l)＝r^k(l-1)-μ^k(l)B^kp^k(l)；

然后，将迭代计算得到的s^k(L)代入(17)，得到k个空时快拍下所述共轭梯度空时自适应滤波器的权向量：

最后，假定总快拍数为K，对每一个快拍，重复上述步骤，即得到所述共轭梯度空时自适应滤波器的权向量。

以CG-SC-STAP表示本发明实施例提供的基于共轭梯度的自适应处理方法，下面，通过仿真数据来说明本发明实施例在算法复杂度和CG-SC-STAP算法的性能两方面的有益效果。

①算法复杂度：

所提出的算法复杂度是O(D(MN)²)(包括D(2(MN)²+5MN+3)乘法和2(MN)²+4MN-3)加法，每个空时快拍具有D次迭代。在数值仿真的基础上，发现所提出的算法每次采样迭代收敛，迭代次数与脉冲数M和天线阵元N有关。因此，与复杂度为O((MN)³)(包括(MN)³+2(MN)²+2MN乘法和(MN)³-1加法)的SC-STAP算法相比，本发明实施例提出的算法提供更低的复杂度。另外，两个算法的每个空时快拍的复数乘法次数是DoFs雷达的空时自由度(MN)函数，如图3所示，其中选择D＝7。可以看到，本发明实施例所提出的CG-SC-STAP显示了计算复杂度比SC-STAP算法少10倍左右。

②CG-SC-STAP算法的性能：

本发明实施例提供仿真结果来说明CG-SC-STAP算法的性能，并将其性能与稀疏感知波束形成器，空时多波束(STMB)，局域联合处理(JDL)和主分量(PC)方法相比较。考虑以下模拟场景：平台速度125m/s，平台高度8km,载频1.2GHz，N＝12,，M＝12,，f_r＝2kHz，两个干扰机的干扰噪声比均为30dB，方位角分别为-45°和60°，杂波噪声比(CNR)为45dB。空间导向向量模型为c⊙v_s(f_s)，阵列增益和相位误差c＝[c₁,...,c_M]^T,此处ε_m和φ_m分别为0.005和0.005*π/2的零均值高斯随机变量，PC的秩为50；JDL使用三个角度单元和三个多普勒单元(3×3)；一个目标单元，四个角度单元和八个多普勒单元(8+4+1)用于STMB；β＝0.9998,ε＝10^-6,以及D＝7。

在第一个仿真中，将这些算法在信号干扰加噪声比(SINR)损失进行比较。图4显示了SINR损失与的快拍数量之间的关系。据观察，CG-SC-STAP显示出与SC-STAP算法相当的性能。在归一化的多普勒频率上的SINR损失如图5所示。快拍数量设置为50。可以看到，当目标归一化多普勒频率小于0.15时，CG-SC-STAP具有与SC-STAP相似的SINR性能，并且胜过所有其他比SC-STAP具有更低SINR的算法。

在第二个仿真中，给出虚警率Pfa＝0.001的检测概率(P_d)与目标信噪比(SNR)的关系，如图6所示。目标归一化多普勒频率为0.25，训练快拍数为50。阈值和Pd两者估计使用10/PFA蒙特卡洛运行。结果表明，本发明实施例提供的方法具有与SC-STAP几乎相同的P_d，但高于其他算法。

本发明实施例提出了一种基于共轭梯度技术的稀疏约束低复杂度空时自适应处理方法，在一些简单的假设条件下，迭代地计算基于CG的权向量而不用协方差矩阵求逆，降低了10倍左右计算的复杂度，同时保持良好的性能。本发明实施例可以应用于机载雷达系统中杂波抑制和动目标检测，降低计算的复杂度，提高雷达系统杂波抑制水平与目标检测能力。

具体地，本发明实施例提供的CG-SC-STAP使用于雷达信号处理领域，提出了一种基于共轭梯度技术的低复杂度的空时自适应处理方法。本发明实施例基于一些简单的假设条件下，迭代地计算基于CG的权向量而不用协方差矩阵求逆，导出用于计算自适应的权向量。本发明实施例在有限样本支持下具有与迭代最小二乘稀疏约束的STAP(SC-STAP)相当的性能，但计算复杂度相对较低。

本发明实施例还提供了一种终端，包括存储器、处理器及存储在存储器上且在处理器上运行的计算机程序，处理器执行计算机程序时，实现如图1所示的基于变换域L1范数的共轭梯度空时自适应处理方法中的各个步骤。

本发明实施例中还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如图1所示的基于变换域L1范数的共轭梯度空时自适应处理方法中的各个步骤。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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 (8)

1.一种基于变换域L1范数的共轭梯度空时自适应处理方法，其特征在于，包括：

步骤A，根据待检测距离单元内目标空时导向向量和干扰加噪音分量，确定基于变换域L1范数的共轭梯度空时自适应滤波器的输入信号；

步骤B，根据所述待检测距离单元的杂波稀疏特性，建立所述共轭梯度空时自适应滤波器的优化问题模型；

步骤C，采用基于变换域L1范数的共轭梯度算法，递归迭代地计算所述优化问题模型，得到所述共轭梯度空时自适应滤波器的权向量；

步骤D，根据所述权向量对所述共轭梯度空时自适应滤波器的输入信号进行自适应处理。

2.如权利要求1所述的共轭梯度空时自适应处理方法，其特征在于，在所述步骤A中，所述待检测距离单元的空时快拍以x表示，则有：

x＝α_tv_t+x_u；

其中，其中α_t为复数，v_t表示所述目标空时导向向量，x_u表示所述干扰加噪音分量， 表示多普勒频率，f_s ^t表示空间频率，表示克罗内克积，x_u由干扰x_j、杂波x_c和热噪声x_n组成。

3.如权利要求2所述的共轭梯度空时自适应处理方法，其特征在于，在所述步骤B中，所述共轭梯度空时自适应滤波器表示为以下优化问题，即：

其中，||·||₁、H分别表示l₁范数和共轭转置算子，表示干扰加噪声协方差矩阵，E[·]表示随机变量的期望值，表示具有范围在-0.5到0.5的多普勒频率的f_d,j(j＝1,...,N_d)和具有空间频率f_s,i(i＝1,...,N_s)的空时导向矩阵，N_d表示多普勒频率总个数，N_s表示空间频率总个数，λ表示平衡滤波器输出功率w^HRw和角度多普勒方向图的稀疏性的正则参数，λ＝w^HRw/(ρ-||w^HQ||₁)。

4.如权利要求3所述的共轭梯度空时自适应处理方法，其特征在于，所述步骤C包括：

步骤C1，令s^k＝(R^k+λ^kQ∏(w^k)Q^H)^-1v_t，求得所述共轭梯度空时自适应滤波器的权向量w^k：

其中，R表示干扰加噪声协方差矩阵，R^k表示第k个快拍下的干扰加噪声协方差矩阵，λ^k表示第k个快拍下的平衡滤波器输出功率w^HRw和角度多普勒方向图的稀疏性的正则参数，λ^k>0，k表示第k个空时快拍的索引，s^k表示第k个快拍下所求得的值，

步骤C2，令采用基于变换域L1范数的共轭梯度法计算s^k：

s^k(l)＝s^k(l-1)+μ^k(l)p^k(l)；

μ^k(l)和p^k(l)分别表示第k个空时快拍中的第l次迭代的自适应步长和方向向量，s^k(l)表示第k次空时快拍中的第l次迭代计算得到的值；

步骤C3，根据预置的迭代总次数L，迭代地计算s^k(l)：

B^k＝R^k+λ^kQ∏(w^k)Q^H；

λ^k＝(w^k)^HR(w^k)/(ρ-||(w^k)^HQ||₁)；

p^k(l)＝r^k(l-1)+τ^k(l-1)p^k(l-1)；

r^k(l)＝r^k(l-1)-μ^k(l)B^kp^k(l)；

步骤C4，将迭代计算得到的s^k(L)代入(1)，得到k个空时快拍下所述共轭梯度空时自适应滤波器的权向量：

步骤C5，假定总快拍数为K,对每一个快拍，重复上述步骤C1、C2、C3和C4，即得到所述共轭梯度空时自适应滤波器的权向量。

5.一种基于变换域L1范数的共轭梯度空时自适应处理系统，其特征在于，包括：

信号模型建立单元，用于根据待检测距离单元内目标空时导向向量和干扰加噪音分量，确定基于变换域L1范数的共轭梯度空时自适应滤波器的输入信号；

滤波器优化问题模型建立单元，用于根据所述待检测距离单元的杂波稀疏特性，建立所述共轭梯度空时自适应滤波器的优化问题模型；

权向量计算单元，用于采用基于变换域L1范数的共轭梯度算法，递归迭代地计算所述优化问题模型，得到所述共轭梯度空时自适应滤波器的权向量；

信号处理单元，用于根据所述权向量对所述共轭梯度空时自适应滤波器的输入信号进行自适应处理。

6.如权利要求5所述的共轭梯度空时自适应处理系统，其特征在于，所述待检测距离单元的空时快拍以x表示，则有：

x＝α_tv_t+x_u；

其中，其中α_t为复数，v_t表示所述目标空时导向向量，x_u表示所述干扰加噪音分量， 表示多普勒频率，f_s ^t表示空间频率，表示克罗内克积，x_u由干扰x_j、杂波x_c和热噪声x_n组成。

7.如权利要求6所述的共轭梯度空时自适应处理系统，其特征在于，所述共轭梯度空时自适应滤波器表示为以下优化问题，即：

其中，||·||₁、H分别表示l₁范数和共轭转置算子，表示干扰加噪声协方差矩阵，E[·]表示随机变量的期望值，表示具有范围在-0.5到0.5的多普勒频率的f_d,j(j＝1,...,N_d)和具有空间频率f_s,i(i＝1,...,N_s)的空时导向矩阵，λ表示平衡滤波器功率w^HRw和角度多普勒方向图的稀疏性的正则参数，λ＝w^HRw/(ρ-||w^HQ||₁)。

8.如权利要求7所述的共轭梯度空时自适应处理系统，其特征在于，所述权向量计算单元具体用于：

首先，令s^k＝(R^k+λ^kQ∏(w^k)Q^H)^-1v_t，求得所述共轭梯度空时自适应滤波器的权向量w^k：

其中，R表示干扰加噪声协方差矩阵，R^k表示第k个快拍下的干扰加噪声协方差矩阵，λ^k表示第k个快拍下的平衡滤波器输出功率w^HRw和角度多普勒方向图的稀疏性的正则参数，λ^k>0，k表示第k个空时快拍的索引，s^k表示第k个快拍下所求得的值，

其次，令采用基于变换域L1范数的共轭梯度法计算s^k：

s^k(l)＝s^k(l-1)+μ^k(l)p^k(l)；

μ^k(l)和p^k(l)分别表示第k个空时快拍中的第l次迭代的自适应步长和方向向量，s^k(l)表示第k次空时快拍中的第l次迭代计算得到的值；

然后，根据预置的迭代总次数L，迭代地计算s^k(l)：

B^k＝R^k+λ^kQ∏(w^k)Q^H；

λ^k＝(w^k)^HR(w^k)/(ρ-||(w^k)^HQ||₁)；

p^k(l)＝r^k(l-1)+τ^k(l-1)p^k(l-1)；

r^k(l)＝r^k(l-1)-μ^k(l)B^kp^k(l)；

然后，将迭代计算得到的s^k(L)代入(2)，得到k个空时快拍下所述共轭梯度空时自适应滤波器的权向量：

最后，假定总快拍数为K,对每一个快拍，重复上述步骤，即得到所述共轭梯度空时自适应滤波器的权向量。