CN109324315A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109324315A CN109324315A CN201811413959.2A CN201811413959A CN109324315A CN 109324315 A CN109324315 A CN 109324315A CN 201811413959 A CN201811413959 A CN 201811413959A CN 109324315 A CN109324315 A CN 109324315A
- Authority
- CN
- China
- Prior art keywords
- clutter
- distance unit
- data
- supporting point
- supported collection
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
- G01S7/414—Discriminating targets with respect to background clutter
Abstract
本发明提出一种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,属于雷达技术领域。该方法首先对机载雷达一个相参处理间隔内采集的数据进行脉冲压缩并向量化处理,取待检测距离单元周围若干个距离单元的数据作为训练样本,该方法联合了杂波在空时平面中的成簇特性以及邻近距离单元的联合稀疏特性,也就是双层次块稀疏性来提高杂波谱的估计精度,从而获得更精确的杂波协方差矩阵的估计,然后计算得到空时自适应处理滤波器的权值;将待检测距离单元的数据通过空时自适应处理滤波器,实现对该距离单元雷达数据的杂波抑制。本发明方法在少量训练样本情况下可以获得更好的杂波抑制性能和低速目标检测性能,有很高的应用价值。
Description
技术领域
本发明属于雷达技术领域,具体涉及一种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。
背景技术
机载雷达已广泛用于地面和海上运动目标的探测,但雷达回波除了包含目标信息外,还包含大量来自地面或海面的强回波,也称为杂波,目标信号往往淹没在杂波中,使机载雷达无法检测到目标。为了提高机载雷达的目标检测性能,需要对接收信号的杂波部分进行抑制,空时自适应处理(STAP)技术是一种高效的杂波抑制手段。为了保证空时自适应处理的杂波抑制效果,需要对杂波的协方差矩阵进行有效地估计,研究证明现有的采样矩阵求逆方法若要保证与最优STAP性能相差3dB以内,需要不少于两倍系统自由度的训练样本来估计协方差矩阵。但在现实场景中,往往不能获得充足的训练样本,这会导致STAP性能下降。因此如何利用少量训练样本精确估计杂波的协方差矩阵、提高STAP杂波抑制能力是亟待解决的问题。
稀疏恢复是最近几年兴起的一种的信号处理理论。在稀疏恢复的框架下,可以采用少量雷达观测数据,获得更优的信号处理结果。块稀疏信号是一类具有块稀疏特性的信号,充分利用块稀疏特性,可以更精确地恢复块稀疏信号。在STAP应用中,由于载机的运动,杂波的空间频率和多普勒频率呈耦合关系,因此空时平面上的杂波表现为杂波脊的形式,也就是具有成簇特性,这种特性可以称为块稀疏特性。另外,在STAP场景中,杂波特性在邻近的距离单元中往往不会发生剧烈变化,因此雷达可以利用多个距离单元的训练样本来改善其对杂波的抑制性能,也就是杂波在邻近的距离单元呈现出联合稀疏特性,这种特性在某种程度上也可以称为一种块稀疏特性。
现有的基于稀疏特性的STAP方法,往往只考虑其中一种块稀疏特性,在样本数量不足情况下的杂波抑制性能有待提高。因此在小样本情况下,如何利用杂波谱的双层次块稀疏特性来改善杂波的抑制性能,成为了STAP领域亟待解决的问题。
发明内容
本发明的目的是为克服现有STAP方法在小样本情况下性能下降的问题,提出一种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。该方法融合了杂波在空时平面上的成簇特性和邻近距离单元杂波信号的联合稀疏特性,即双层次块稀疏特性来提高小样本情况下的杂波抑制性能。本发明提出的方法在小样本情况下可以获得更好的杂波抑制性能和低速目标检测性能,有很高的应用价值。
本发明提出一种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,其特征在于,包括以下步骤:
1)对机载雷达一个相参处理间隔内采集的数据进行脉冲压缩并量化处理,在目标所在的待检测距离单元两边各取L/2个距离单元的数据得到矩阵X,X=[x(1),x(2),...,x(L)],其中,x(l)为第l个距离单元的数据;将角度-多普勒平面量化为Nd×Ns个网格点,其中Nd为多普勒域的量化点数,Ns为角度域的量化点数;设置指示函数表示角度多普勒平面中的支撑点i是否属于杂波区域Λ(l),当i∈Λ(l),τi=1,否则τi=-1;
2)用表示过完备字典矩阵,由角度-多普勒平面所有可能的导向矢量构成,其中表示对应和的空时导向矢量,和分别表示在离散的角度-多普勒平面中,多普勒域第m个点的归一化多普勒频率和角度域第n个点的归一化空间频率;以X为初始数据进行迭代,得到X中每个距离单元对应的杂波谱;具体步骤如下:
2-1)初始化每个距离单元的残差为该距离单元的数据,即r(l,old)=x(l),其中l=1,2,...,L,r(l,old)表示对应第l个距离单元的上一次迭代的残差,杂波谱初始化为全零向量,与杂波对应的支撑集为空集初始化指示函数迭代次数T置零;
2-2)在第l个距离单元,利用正交匹配追踪算法找到与该距离单元残差最匹配的K个杂波支撑点,组成支撑集Λ(l),K表示杂波谱的稀疏度,即针对l=1,2,...,L,Λ(l)=OMP(r(l,old),K);
2-3)根据步骤2-2)得到的支撑集Λ(l),选择在{Λ(l)|l=1,2,...,L}中出现次数最高的K个支撑点组成投票支撑集Λvote,即Λvote=majority_vote({Λ(l)|l=1,2,...,L},K);
2-4)将Λold和步骤2-3)得到的投票支撑集Λvote合并形成总的支撑集Λtotal=Λold∪Λvote,然后设置Λtotal中的支撑点对应的指示函数值为1,不在Λtotal中的支撑点对应的指示函数值为-1,即然后利用最小二乘方法计算每个距离单元的临时杂波谱即针对l=1,2,...,L,计算每个距离单元的临时杂波谱在总支撑集位置上的值剩余位置取值为0,得到其中表示伪逆操作;
2-5)根据步骤2-4)的结果和其中Ni表示支撑点i的二阶邻域集合,对每个支撑点i∈{1,2,...,NdNs}根据下式计算Δ的值:
根据Δ的值更新杂波对应的支撑点:如果Δ>0,否则
2-6)根据步骤2-5)的中取值为1的支撑点所对应的位置更新支撑集Λnew;
2-7)对每个距离单元l=1,2,...,L,利用最小二乘方法在支撑集Λnew上更新对应的杂波谱把中最小的NdNs-K个系数置为0;
2-8)对每个距离单元l=1,2,...,L,计算每个距离单元对应的更新的残差和误差率
2-9)如果误差率η>ηhalt且T<Tmax,其中ηhalt为误差率阈值,Tmax为最大迭代次数,则更新残差r(l,old)=r(l,new)和支撑集Λold=Λnew,同时迭代次数T加1,重新返回步骤2-2);否则结束迭代,输出各个距离单元对应的杂波谱
3)利用步骤2)得到的杂波谱,得到估计的协方差矩阵:
其中,表示估计的杂波谱的第i个元素,σ2是与噪声水平相关的加载量,I是单位阵;
4)计算空时自适应处理STAP滤波器的权值:得到STAP滤波器,其中vt(fd,t,fs,t)为目标的空时导向矢量;
5)将待检测距离单元的数据通过步骤4)形成的STAP滤波器,从而实现对该距离单元雷达数据的杂波抑制。
本发明的特点及有益效果在于:
该方法融合了杂波在空时平面上的成簇特性和联合稀疏特性,即双层次块稀疏特性来提高样本数量不足情况下的的杂波抑制性能。具体来说,在空时平面中该方法利用马尔科夫随机场理论来描述杂波谱的支撑点与邻域支撑点的相互关系,即成簇特性;采用概率图模型表示双层次块稀疏之间的关系。本发明提出的方法在小样本情况下可以获得更好的杂波抑制性能和低速目标检测性能。本发明可以用于机载雷达空时自适应处理杂波抑制过程中,获得更加理想的目标检测结果。
附图说明
图1为本发明涉及的空时自适应处理场景的示意图。
图2为本发明方法的整体流程图。
图3为本发明中空时自适应处理场景中杂波的双层次块稀疏特性的直观示意图。
图4为本发明实施例的利用双层次块稀疏特性的空时自适应处理方法在雷达仿真数据中的改善因子曲线图。
图5为本发明实施例的利用双层次块稀疏特性的空时自适应处理方法在雷达实测数据中的距离向滤波输出结果示意图。
具体实施方式
本发明提出一种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,下面结合附图及具体实施例子进一步详细说明如下。
本发明提出一种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,图1为本发明的空时自适应处理场景的示意图。图中,假设载机以速度v沿着x轴飞行,H表示载机高度,圆圈表示机载均匀线性阵列天线位置,本发明考虑正侧视情况,也就是偏航角ψ=0的情况。对机载雷达发送的的雷达回波脉冲进行采样,得到对应每个距离单元的回波数据。如图1所示,在每个距离单元内,杂波可以建模为Nc个杂波块的和,三角形Sk表示观测场景中的第k个杂波块,第k个杂波块的俯仰角和方位角分别表示为和
该方法整体流程如图2所示,包括以下步骤:
1)对机载雷达一个相参处理间隔内采集的数据进行脉冲压缩并量化处理,取待检测距离单元(所述待检测距离单元为目标所在的距离单元)周围L个距离单元的数据得到矩阵X,X=[x(1),x(2),...,x(L)],本发明中所述周围就是在待检测单元两边各取L/2个距离单元,矩阵X中不包含待检测距离单元的数据;其中,x(l)为第l个距离单元的数据;将角度-多普勒平面量化为Nd×Ns个网格点,其中Nd为多普勒域的量化点数,Ns为角度域的量化点数;为了保证稀疏恢复精度,往往设置Nd和Ns分别为脉冲数(一个相参处理间隔内)和天线数的4倍以上。另外引入指示函数来标明角度多普勒平面中的支撑点i是否属于杂波区域Λ,当i∈Λ,τi=1,否则τi=-1。
图3为本发明中空时自适应处理场景中杂波的双层次块稀疏特性的直观示意图。其中方块表示离散化后的空时平面,黑色区域表示杂波部分,白色区域表示非杂波部分;具体的,在空时平面中,由于载机的运动,杂波呈现出一条脊的形式,也就是一种特殊的成簇特性,这是一种块稀疏特性;另外,杂波信号在邻近距离单元中的非零元素的位置是大致相同的,也就是具有联合稀疏特性,这是另一种块稀疏特性。
2)用表示过完备字典矩阵,由角度-多普勒平面所有可能的导向矢量构成,其中表示对应和的空时导向矢量,和分别表示在离散的角度-多普勒平面中,多普勒域第m个点的归一化多普勒频率和角度域第n个点的归一化空间频率;以X为初始参数进行迭代,得到X中每个距离单元对应的杂波角度多普勒谱(简称杂波谱);具体步骤如下:
2-1)初始化每个距离单元的残差为该距离单元的数据,即r(l,old)=x(l),其中l=1,2,...,L,r(l,old)表示对应第l个距离单元的上一次迭代的残差,杂波谱初始化为全零向量,与杂波对应的支撑集为空集初始化指示函数迭代次数T置零;
2-2)在第l个距离单元,利用正交匹配追踪算法找到与该距离单元残差最匹配的K个杂波支撑点,组成支撑集Λ(l),K表示杂波谱的稀疏度,即针对l=1,2,...,L,Λ(l)=OMP(r(l,old),K);
2-3)根据步骤2-2)得到的支撑集Λ(l),选择在{Λ(l)|l=1,2,...,L}中出现次数最高的K个支撑点组成投票支撑集Λvote,即Λvote=majority_vote({Λ(l)|l=1,2,...,L},K);
2-4)将Λold和步骤2-3)得到的投票支撑集Λvote合并形成总的支撑集Λtotal=Λold∪Λvote,然后设置Λtotal中的支撑点对应的指示函数值为1,不在Λtotal中的支撑点对应的指示函数值为-1,即然后利用最小二乘方法计算每个距离单元的临时杂波谱即针对l=1,2,...,L,计算每个距离单元的临时杂波谱在总支撑集位置上的值剩余位置取值为0,得到其中表示伪逆操作;
2-5)根据步骤2-4)的结果和其中Ni表示支撑点i的二阶邻域集合,对每个支撑点i∈{1,2,...,NdNs}根据下式计算Δ的值:
上式的具体求解可以由文献X.Wang,G.Li,Y.Liu,and M.G.Amin,“Two-LevelBlock Matching Pursuit for Polarimetric Through-Wall Radar Imaging,”IEEETransactions on Geoscience and Remote Sensing,vol.56,no.3,pp.1533-1545,2018的几何逼近部分实现。
可以看出,Δ反映了支撑点i的两种块稀疏特性的强弱,然后根据Δ的值来更新杂波对应的支撑点,即如果Δ>0,否则
2-6)根据步骤2-5)的中取值为1的支撑点所对应的位置更新支撑集Λnew;
2-7)对每个距离单元l=1,2,...,L,利用最小二乘方法在支撑集Λnew上更新对应的杂波谱且为了保证稀疏度为K,把中最小的NdNs-K个系数置为0;
2-8)对每个距离单元l=1,2,...,L,计算每个距离单元对应的更新的残差和误差率
2-9)如果误差率η>ηhalt且T<Tmax,其中ηhalt为误差率阈值,Tmax为最大迭代次数,则更新残差r(l,old)=r(l,new)和支撑集Λold=Λnew,同时迭代次数T加1,重新返回步骤2-2);否则结束迭代,输出各个距离单元对应的杂波谱
3)利用步骤2)得到的杂波谱,得到估计的协方差矩阵:
其中表示估计的杂波谱的第i个元素,σ2是与噪声水平相关的加载量,I是单位阵;
4)计算STAP滤波器的权值:得到STAP滤波器,其中vt(fd,t,fs,t)为目标的空时导向矢量;
5)将待检测距离单元的数据通过步骤4)形成的STAP滤波器,从而实现对该距离单元雷达数据的杂波抑制。
下面结合一个具体实施例对本发明进一步详细说明如下:
本实施例提出一种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,包括以下步骤:
1)对机载雷达一个相参处理间隔内采集的数据进行脉冲压缩并量化处理,取目标所在的待检测距离单元周围L个距离单元的数据得到矩阵X,X=[x(1),x(2),...,x(L)],本发明中所述周围就是在待检测单元两边各取L/2个距离单元。将角度-多普勒平面量化为Nd×Ns个网格点,其中Nd为多普勒域的量化点数,Ns为角度域的量化点数;为了保证稀疏恢复精度,往往设置Nd和Ns分别为脉冲数(一个相参处理间隔内)和天线数的4倍以上。另外引入指示函数来标明角度多普勒平面中的支撑点i是否属于杂波区域Λ,当i∈Λ,τi=1,否则τi=-1。
本实施例中,利用表1的仿真参数生成仿真的雷达数据,或对空时自适应处理领域公开的Mountain-Top实测数据进行脉冲压缩并进行向量化处理。
表1仿真的机载雷达参数
2)用表示过完备字典矩阵,由角度-多普勒平面所有可能的导向矢量构成,其中表示对应和的空时导向矢量,和分别表示在离散的角度-多普勒平面中,多普勒域第m个点的归一化多普勒频率和角度域第n个点的归一化空间频率,以X为初始参数进行迭代,得到X中每个距离单元对应的杂波角度多普勒谱(简称杂波谱);具体步骤如下:
2-1)初始化每个距离单元的残差为该距离单元的数据,即r(l,old)=x(l),其中l=1,2,...,L,r(l,old)表示对应第l个距离单元的上一次迭代的残差,与杂波对应的支撑集为空集初始化指示函数迭代次数T置零;
2-2)在第l个距离单元,利用正交匹配追踪算法找到与该距离单元残差最匹配的K个杂波支撑点,组成支撑集Λ(l),K表示杂波谱的稀疏度,即针对l=1,2,...,L,Λ(l)=OMP(r(l,old),K),本实施例中,稀疏度K=50;
2-3)根据步骤2-2)得到的支撑集Λ(l),选择在{Λ(l)|l=1,2,...,L}中出现次数最高的K个支撑点组成投票支撑集Λvote,即Λvote=majority_vote({Λ(l)|l=1,2,...,L},K);
2-4)将Λold和步骤2-3)得到的投票支撑集Λvote合并形成总的支撑集Λtotal=Λold∪Λvote,然后设置Λtotal中的支撑点对应的指示函数值为1,不在Λtotal中的支撑点对应的指示函数值为-1,即然后利用最小二乘方法计算每个距离单元的临时杂波谱,即针对l=1,2,...,L,计算得到其中表示伪逆操作;
2-5)根据步骤2-4)的结果和其中Ni表示支撑点i的二阶邻域集合,对每个支撑点i∈{1,2,...,NdNs}根据下式计算Δ的值:
2-6)根据步骤2-5)的中取值为1的支撑点所对应的位置更新支撑集Λnew;
2-7)对每个距离单元l=1,2,...,L,利用最小二乘方法在支撑集Λnew上更新对应的杂波谱且为了保证稀疏度为K,把中最小的NdNs-K个系数置为0;
2-8)对每个距离单元l=1,2,...,L,计算每个距离单元对应的更新的残差和误差率
2-9)如果误差率η>ηhalt且T<Tmax,其中ηhalt为误差率阈值,Tmax为最大迭代次数,本实施例中,误差率ηhalt=10-3,最大迭代次数Tmax=20;则更新残差r(l,old)=r(l,new)和支撑集Λold=Λnew,同时迭代次数T加1,重新返回步骤2-2);否则结束迭代,输出各个距离单元对应的杂波谱
3)利用步骤2)得到的杂波谱,得到估计的协方差矩阵:
其中表示估计的杂波谱的第i个元素,σ2是与噪声水平相关的加载量,I是单位阵;
4)计算STAP滤波器的权值:得到STAP滤波器,其中vt(fd,t,fs,t)为目标的空时导向矢量;
5)将待检测距离单元的数据通过步骤4)形成的STAP滤波器,从而实现对该距离单元雷达数据的杂波抑制。
本发明提出的利用双层次块稀疏特性的空时自适应处理方法可以利用少量样本稀疏恢复杂波角度多普勒谱,估计得到更准确的杂波协方差矩阵,从而提高STAP的杂波抑制能力。选择目标单元周围8个距离单元作为训练样本,利用仿真数据,本发明提出的空时自适应处理方法获得的信干噪比改善因子曲线如图4所示,可以看出本方法在主杂波区形成较深较窄的凹陷,说明本发明提出的方法具有更好的改善因子性能,以及较好的低速目标检测性能;利用Mountain-Top实测数据,本发明提出的空时自适应处理方法随着距离单元的滤波输出如图5所示,目标距离单元输出功率比邻近距离单元的最高输出功率高9.79dB,说明本方法在小样本情况下可以实现较好的杂波抑制性能,从而获得较好的目标检测性能。
Claims (1)
1.一种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,其特征在于,包括以下步骤:
1)对机载雷达一个相参处理间隔内采集的数据进行脉冲压缩并量化处理,在目标所在的待检测距离单元两边各取L/2个距离单元的数据得到矩阵X,X=[x(1),x(2),...,x(L)],其中,x(l)为第l个距离单元的数据;将角度-多普勒平面量化为Nd×Ns个网格点,其中Nd为多普勒域的量化点数,Ns为角度域的量化点数;设置指示函数表示角度多普勒平面中的支撑点i是否属于杂波区域Λ(l),当i∈Λ(l),τi=1,否则τi=-1;
2)用表示过完备字典矩阵,由角度-多普勒平面所有可能的导向矢量构成,其中表示对应和的空时导向矢量,和分别表示在离散的角度-多普勒平面中,多普勒域第m个点的归一化多普勒频率和角度域第n个点的归一化空间频率;以X为初始数据进行迭代,得到X中每个距离单元对应的杂波谱;具体步骤如下:
2-1)初始化每个距离单元的残差为该距离单元的数据,即r(l,old)=x(l),其中l=1,2,...,L,r(l,old)表示对应第l个距离单元的上一次迭代的残差,杂波谱初始化为全零向量,与杂波对应的支撑集为空集初始化指示函数迭代次数T置零;
2-2)在第l个距离单元,利用正交匹配追踪算法找到与该距离单元残差最匹配的K个杂波支撑点,组成支撑集Λ(l),K表示杂波谱的稀疏度,即针对l=1,2,...,L,Λ(l)=OMP(r(l ,old),K);
2-3)根据步骤2-2)得到的支撑集Λ(l),选择在{Λ(l)|l=1,2,...,L}中出现次数最高的K个支撑点组成投票支撑集Λvote,即Λvote=majority_vote({Λ(l)|l=1,2,...,L},K);
2-4)将Λold和步骤2-3)得到的投票支撑集Λvote合并形成总的支撑集Λtotal=Λold∪Λvote,然后设置Λtotal中的支撑点对应的指示函数值为1,不在Λtotal中的支撑点对应的指示函数值为-1,即然后利用最小二乘方法计算每个距离单元的临时杂波谱即针对l=1,2,...,L,计算每个距离单元的临时杂波谱在总支撑集位置上的值剩余位置取值为0,得到其中表示伪逆操作;
2-5)根据步骤2-4)的结果和其中Ni表示支撑点i的二阶邻域集合,对每个支撑点i∈{1,2,...,NdNs}根据下式计算Δ的值:
根据Δ的值更新杂波对应的支撑点:如果Δ>0,否则
2-6)根据步骤2-5)的中取值为1的支撑点所对应的位置更新支撑集Λnew;
2-7)对每个距离单元l=1,2,...,L,利用最小二乘方法在支撑集Λnew上更新对应的杂波谱把中最小的NdNs-K个系数置为0;
2-8)对每个距离单元l=1,2,...,L,计算每个距离单元对应的更新的残差和误差率
2-9)如果误差率η>ηhalt且T<Tmax,其中ηhalt为误差率阈值,Tmax为最大迭代次数,则更新残差r(l,old)=r(l,new)和支撑集Λold=Λnew,同时迭代次数T加1,重新返回步骤2-2);否则结束迭代,输出各个距离单元对应的杂波谱
3)利用步骤2)得到的杂波谱,得到估计的协方差矩阵:
其中, 表示估计的杂波谱的第i个元素,σ2是与噪声水平相关的加载量,I是单位阵;
4)计算空时自适应处理STAP滤波器的权值:得到STAP滤波器,其中vt(fd,t,fs,t)为目标的空时导向矢量;
5)将待检测距离单元的数据通过步骤4)形成的STAP滤波器,从而实现对该距离单元雷达数据的杂波抑制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811413959.2A CN109324315B (zh) | 2018-11-26 | 2018-11-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811413959.2A CN109324315B (zh) | 2018-11-26 | 2018-11-26 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109324315A true CN109324315A (zh) | 2019-02-12 |
CN109324315B CN109324315B (zh) | 2023-03-28 |
Family
ID=65259162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811413959.2A Active CN109324315B (zh) | 2018-11-26 | 2018-11-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109324315B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018475A (zh) * | 2019-05-08 | 2019-07-16 | 沈阳航空航天大学 | 一种多基地机载无源合成孔径雷达目标成像方法 |
CN110113053A (zh) * | 2019-05-14 | 2019-08-09 | 厦门大学 | 一种分布式压缩感知稀疏信号重建方法 |
CN111239724A (zh) * | 2020-01-20 | 2020-06-05 | 中国人民解放军国防科技大学 | 一种基于雷达传感网络的目标识别方法 |
CN111308436A (zh) * | 2020-02-24 | 2020-06-19 | 清华大学 | 基于体积相关函数的雷达空时自适应处理方法及装置 |
CN113655458A (zh) * | 2021-09-02 | 2021-11-16 | 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 |
CN113820681A (zh) * | 2021-08-13 | 2021-12-21 | 西安电子科技大学 | 一种机载雷达稀疏恢复类stap算法中的字典校正方法 |
CN114527444A (zh) * | 2022-04-24 | 2022-05-24 | 中国人民解放军空军预警学院 | 基于空时采样矩阵的机载mimo雷达自适应杂波抑制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107167783A (zh) * | 2017-06-28 | 2017-09-15 | 西安电子科技大学 | 一种共形阵列杂波协方差矩阵的稀疏重构方法 |
CN107255800A (zh) * | 2017-05-19 | 2017-10-17 | 清华大学 | 多极化雷达成像的双层次块稀疏匹配追踪方法及装置 |
CN107544061A (zh) * | 2017-09-11 | 2018-01-05 | 深圳大学 | 基于知识的稀疏恢复空时自适应处理方法及系统 |
WO2018045601A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 一种阵列误差下的稀疏恢复stap方法及其系统 |
-
2018
- 2018-11-26 CN CN201811413959.2A patent/CN109324315B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2018045601A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 一种阵列误差下的稀疏恢复stap方法及其系统 |
CN107255800A (zh) * | 2017-05-19 | 2017-10-17 | 清华大学 | 多极化雷达成像的双层次块稀疏匹配追踪方法及装置 |
CN107167783A (zh) * | 2017-06-28 | 2017-09-15 | 西安电子科技大学 | 一种共形阵列杂波协方差矩阵的稀疏重构方法 |
CN107544061A (zh) * | 2017-09-11 | 2018-01-05 | 深圳大学 | 基于知识的稀疏恢复空时自适应处理方法及系统 |
Non-Patent Citations (2)
Title |
---|
孙珂等: "基于杂波谱稀疏恢复的空时自适应处理", 《电子学报》 * |
王泽涛等: "基于SA-MUSIC理论的联合稀疏恢复STAP算法", 《电子学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018475A (zh) * | 2019-05-08 | 2019-07-16 | 沈阳航空航天大学 | 一种多基地机载无源合成孔径雷达目标成像方法 |
CN110113053A (zh) * | 2019-05-14 | 2019-08-09 | 厦门大学 | 一种分布式压缩感知稀疏信号重建方法 |
CN111239724A (zh) * | 2020-01-20 | 2020-06-05 | 中国人民解放军国防科技大学 | 一种基于雷达传感网络的目标识别方法 |
CN111308436A (zh) * | 2020-02-24 | 2020-06-19 | 清华大学 | 基于体积相关函数的雷达空时自适应处理方法及装置 |
CN113820681A (zh) * | 2021-08-13 | 2021-12-21 | 西安电子科技大学 | 一种机载雷达稀疏恢复类stap算法中的字典校正方法 |
CN113820681B (zh) * | 2021-08-13 | 2023-06-13 | 西安电子科技大学 | 一种机载雷达稀疏恢复类stap算法中的字典校正方法 |
CN113655458A (zh) * | 2021-09-02 | 2021-11-16 | 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 |
CN114527444A (zh) * | 2022-04-24 | 2022-05-24 | 中国人民解放军空军预警学院 | 基于空时采样矩阵的机载mimo雷达自适应杂波抑制方法 |
CN114527444B (zh) * | 2022-04-24 | 2022-07-15 | 中国人民解放军空军预警学院 | 基于空时采样矩阵的机载mimo雷达自适应杂波抑制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109324315B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Bruno et al. | Multiframe detector/tracker: Optimal performance | |
CN104950305B (zh) | 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN104698457B (zh) | 一种迭代曲面预测InSAR成像及高度估计方法 | |
CN106443621B (zh) | 基于正交匹配稀疏重构的相干信源动态doa追踪方法 | |
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 | |
CN107621635B (zh) | 一种前视海面目标角超分辨方法 | |
CN109375154B (zh) | 一种冲击噪声环境下基于均匀圆阵的相干信号参数估计方法 | |
CN106772253B (zh) | 一种非均匀杂波环境下的雷达杂波抑制方法 | |
CN112782695B (zh) | 基于isar图像和参数优化的卫星姿态和尺寸估计方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN108562884A (zh) | 一种基于最大后验概率的机载前视海面目标角超分辨方法 | |
CN107843875A (zh) | 基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法 | |
CN103176168A (zh) | 一种机载非正侧视阵雷达近程杂波对消方法 | |
CN109031277A (zh) | 一种穿墙雷达多目标图像域稳健跟踪方法 | |
CN112051552B (zh) | 一种基于多站的主瓣抗干扰方法及装置 | |
CN110187335A (zh) | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 | |
CN110109098B (zh) | 一种扫描雷达快速超分辨成像方法 | |
CN115240040A (zh) | 一种穿墙雷达人体行为特征增强方法及装置 | |
CN103954961A (zh) | 步进频雷达低空障碍物超分辨一维成像方法 | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN106405509B (zh) | 空时自适应信号的分块处理方法 | |
CN110133641A (zh) | 一种尺度自适应的穿墙成像雷达目标跟踪方法 |
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 |