CN109375178A - 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 - Google Patents
一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 Download PDFInfo
- Publication number
- CN109375178A CN109375178A CN201811273451.7A CN201811273451A CN109375178A CN 109375178 A CN109375178 A CN 109375178A CN 201811273451 A CN201811273451 A CN 201811273451A CN 109375178 A CN109375178 A CN 109375178A
- Authority
- CN
- China
- Prior art keywords
- data
- sparse
- battle array
- training sample
- distance
- 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.)
- Pending
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
-
- 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
- G01S7/2928—Random or non-synchronous interference pulse cancellers
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
本发明公开了一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法,包括如下步骤:训练样本数据选取:选取机会阵机载雷达待检测距离段数据作为训练样本数据;训练样本稀疏重构:采用稀疏重构方法对训练样本进行估计,得到其协方差矩阵;距离门数据广义内积:基于协方差矩阵,对各距离门数据分别进行广义内积计算,得到各自输出数值;干扰剔除:将待检测距离段检测统计量的期望值作为门限,并将各距离门输出数值与其比较,剔除超出门限的距离门数据,剩余距离门数据可作为均匀训练样本进行杂波协方差矩阵估计。本发明样本需求小、在小样本数据的非均匀杂波环境下,易实现对干扰目标和孤立干扰剔除。
Description
技术领域
本发明涉及雷达信号处理技术领域,特别是一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法。
背景技术
分布式机会阵雷达是一种新体制雷达系统,如中国发明专利“分布式机会阵雷达”,其包括:信息综合处理器,用于控制机会子阵发射波束,接收机会子阵的回波信息,并对回波信息进行综合处理;多个机会子阵,用于根据信息综合处理器发送的控制信息形成发射波束,将接收到的回波信息反馈给信息综合处理器;所述多个机会子阵通过通信网络与信息综合处理器相连,所述信息综合处理器用于与雷达显示设备相连,各机会子阵之间通过通信网络相连;所述多个机会子阵在三维空间分散布置。每个机会子阵包括定时单元、定位单元、自组织网络接口、子阵处理单元、多个收/发单元和多个天线单元。
机会阵体制机载雷达的阵元分布没有任何规律,既可以密布于载机平台任意开放空间,也可密布于载机平台表面;可共形,也可非共形;可稀疏,也可均匀分布,因此具备更灵活的布阵方式。无论是哪种方式,由于载机平台的三维立体特性,机身所布机会阵列必然广泛存在共形结构情况,如机头和机翼等载机部位,在这种情况下杂波多普勒频率随距离变化而变化,也就是存在严重的杂波非平稳问题,且在近距尤为严重。于此同时,由于机载雷达普遍工作于中/高脉冲重复频率(PRF)模式,存在较为严重的距离模糊问题,使得近程严重非平稳杂波和中/远程回波(含目标与杂波)混叠在一起,大大增大了杂波抑制的难度。此时,采用空时自适应处理(STAP)技术进行杂波抑制时,用于估计待检测距离单元杂波协方差矩阵的独立同分布样本数严重短缺,杂波协方差矩阵的估计精度存在较大偏差,最终导致强非平稳杂波无法有效抑制。
空时自适应处理(STAP)技术是目前国内外解决机载雷达杂波抑制问题的核心有效手段,是各国军事领域特别是雷达领域的重点研究技术。在STAP技术中,要求其训练样本和待检测距离门数据杂波统计特性独立同分布。在实际应用中,由于在训练样本中往往包含有动目标,这些动目标的存在使得雷达在检测其他距离门数据时发生目标相消问题。其中,包含在训练样本中的动目标,称之为干扰目标,而出现在待检测样本,但不在主瓣方向或不在检测多普勒单元上的动目标,称之为孤立干扰。对于真实目标信号,干扰目标和孤立干扰均被视为干扰。当前最有效的孤立干扰和干扰目标剔除方法往往采用基于似然估计协方差矩阵的广义内积法。然而,对于机会阵机载雷达而言,由于其空域阵元较多,因此对样本需求量巨大,在实际应用中往往无足够样本数进行协方差矩阵的有效似然估计,导致后续广义内积输出出现较大偏差,无法有效剔除样本中干扰目标和孤立干扰。
因此,现有技术存在的问题是:机会阵体制机载雷达在小样本数据的非均匀杂波环境下,对干扰目标和孤立干扰剔除实现困难。
发明内容
针对现有技术中存在的问题,本发明提供了一种样本需求小、在小样本数据的非均匀杂波环境下,易实现对干扰目标和孤立干扰剔除的基于稀疏重构的机会阵机载雷达非均匀杂波检测方法。
本发明的目的通过以下技术方案实现。
一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法,包括如下步骤:
训练样本数据选取:选取机会阵机载雷达待检测距离段数据作为训练样本数据;
训练样本稀疏重构:采用稀疏重构方法对训练样本进行估计,得到其协方差矩阵;
距离门数据广义内积:基于协方差矩阵,对各距离门数据分别进行广义内积计算,得到各自输出数值;
干扰剔除:将待检测距离段检测统计量的期望值作为门限,并将各距离门输出数值与其比较,剔除超出门限的距离门数据,剩余距离门数据可作为均匀训练样本进行杂波协方差矩阵估计。
所述距离门数据广义内积步骤具体为:
基于所得待检测距离段协方差矩阵,按下式对该段内各距离门数据进行广义内积计算,即
式中,xl表示待机会阵机载雷达第l个距离门接收数据,R表示采用稀疏重构所得该数据段协方差矩阵,H表示共轭转置运算。
所述干扰剔除步骤中,所述门限为:
E|η|≈trace(R-1R)=N×K
式中,N为机会阵机载雷达空域阵元数,K为一个相干脉冲重复间隔内接收到脉冲个数。
所述训练样本稀疏重构步骤中,所述稀疏重构方法为稀疏贝叶斯学习方法。
相比于现有技术,本发明的优点在于:本发明采用稀疏重构方法对训练样本进行估计,从而可在较小样本量的情况下剔除严重非均匀和非平稳杂波环境中的干扰目标和孤立干扰。
附图说明
图1为本发明基于稀疏重构的机会阵机载雷达非均匀杂波检测方法的流程图。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
如图1所示,本发明基于稀疏重构的机会阵机载雷达非均匀杂波检测方法,包括如下步骤:
训练样本数据选取:选取机会阵机载雷达待检测距离段数据作为训练样本数据;
机会阵机载雷达待检测距离段数据来源于对接收到的雷达回波信号进行下变频处理和模数转换后的数字回波数据。
训练样本稀疏重构:采用稀疏重构方法对训练样本进行估计,得到其协方差矩阵;
所述训练样本稀疏重构步骤中,所述稀疏重构方法为稀疏贝叶斯学习方法。
所述系数贝叶斯学习方法步骤具体为:求解如下似然函数中的稀疏系数,即
式中,X表示L个距离单元数据矩阵,σ2为噪声功率,ψ为由空时导向矢量构成的超完备字典,A=a(1),a(2),…,a(L)]为稀疏系数矩阵,通过期望最大化算法可求得该式中稀疏系数。
距离门数据广义内积:基于协方差矩阵,对各距离门数据分别进行广义内积计算,得到各自输出数值;
所述距离门数据广义内积步骤具体为:
基于所得待检测距离段协方差矩阵,按下式对该段内各距离门数据进行广义内积计算,即
式中,xl表示待机会阵机载雷达第l个距离门接收数据,R表示采用稀疏重构所得该数据段协方差矩阵,H表示共轭转置运算。
干扰剔除:将待检测距离段检测统计量的期望值作为门限,并将各距离门输出数值与其比较,剔除超出门限的距离门数据,剩余距离门数据可作为均匀训练样本进行杂波协方差矩阵估计。
作为均匀训练样本进行杂波协方差矩阵估计剩余距离门数据
所述干扰剔除步骤中,所述门限为:
E[η]≈trace(R-1R)=N×K (2)
式中,N为接收阵元数,K为相干脉冲数。
本发明的工作过程如下:
机会阵机载雷达通过天线发射信号,经目标和地面二次辐射后到达雷达天线处经匹配滤波后接收空时回波数据;其次进行模数转换,实现回波数据的数字化;然后将整个距离门数据均匀划分为若干段,然后在待检测距离段内采用内点法、正交匹配追踪法或稀疏贝叶斯学习法估计相应协方差矩阵;再基于该矩阵对段内各距离门数据进行广义内积计算;最后基于各距离门输出结果与门限进行比较,将超过门限所对应距离门数据进行剔除。
由于采用稀疏重构方法对训练样本进行估计,得到其协方差矩阵,并基于协方差矩阵,对各距离门数据分别进行广义内积计算,得到各自输出数值,从而可在较小样本量的情况下有效剔除严重非均匀和非平稳杂波环境中的干扰目标和孤立干扰,从而减小其对目标的对消损失。可广泛应用于机会阵体制机载雷达和其他相控阵机载PD雷达。
Claims (5)
1.一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法,其特征在于包括如下步骤:
训练样本数据选取:选取机会阵机载雷达待检测距离段数据作为训练样本数据;
训练样本稀疏重构:采用稀疏重构方法对训练样本进行估计,得到其协方差矩阵;
距离门数据广义内积:基于协方差矩阵,对各距离门数据分别进行广义内积计算,得到各自输出数值;
干扰剔除:将待检测距离段检测统计量的期望值作为门限,并将各距离门输出数值与其比较,剔除超出门限的距离门数据,剩余距离门数据可作为均匀训练样本进行杂波协方差矩阵估计。
2.根据权利要求1所述的一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法,其特征在于所述距离门数据广义内积步骤具体为:
基于所得待检测距离段协方差矩阵,按下式对该段内各距离门数据进行广义内积计算,即
式中,xl表示待机会阵机载雷达第l个距离门接收数据,R表示采用稀疏重构所得该数据段协方差矩阵,H表示共轭转置运算。
3.根据权利要求1所述的一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法,其特征在于所述干扰剔除步骤中,所述门限为:
E|η|≈trace(R-1R)=N×K
式中,N为机会阵机载雷达空域阵元数,K为一个相干脉冲重复间隔内接收到脉冲个数。
4.根据权利要求1所述的一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法,其特征在于所述训练样本稀疏重构步骤中,所述稀疏重构方法为稀疏贝叶斯学习方法。
5.根据权利要求1所述的一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法,其特征在于所述稀疏贝叶斯学习方法步骤具体为:求解如下似然函数中的稀疏系数,即
式中,X表示上个距离单元数据矩阵,σ2为噪声功率,ψ为由空时导向矢量构成的超完备字典,A=[a(1),a(2),…,a(L)]为稀疏系数矩阵,通过期望最大化算法可求得该式中稀疏系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811273451.7A CN109375178A (zh) | 2018-10-29 | 2018-10-29 | 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811273451.7A CN109375178A (zh) | 2018-10-29 | 2018-10-29 | 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109375178A true CN109375178A (zh) | 2019-02-22 |
Family
ID=65390399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811273451.7A Pending CN109375178A (zh) | 2018-10-29 | 2018-10-29 | 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109375178A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378415A (zh) * | 2019-07-19 | 2019-10-25 | 浙江理工大学 | 一种sar图像分类算法 |
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 |
CN111948634A (zh) * | 2020-07-19 | 2020-11-17 | 中国人民解放军空军预警学院 | 干扰条件下基于协方差矩阵重构的目标检测方法与装置 |
CN112415476A (zh) * | 2020-11-13 | 2021-02-26 | 中国民航大学 | 一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法 |
CN112612007A (zh) * | 2020-11-25 | 2021-04-06 | 中山大学 | 基于近场效应的超稀疏阵列机载雷达动目标距离解模糊方法 |
CN112713907A (zh) * | 2020-12-23 | 2021-04-27 | 中南大学 | 一种基于字典学习的海洋csem降噪方法及系统 |
CN113406577A (zh) * | 2021-05-25 | 2021-09-17 | 中山大学 | 一种无人机载雷达主瓣干扰抑制方法、装置及存储介质 |
CN114660567A (zh) * | 2022-05-25 | 2022-06-24 | 中国人民解放军空军预警学院 | 部分均匀环境中存在野值时的雷达目标检测方法与系统 |
CN117572423A (zh) * | 2024-01-19 | 2024-02-20 | 逻安科技(天津)有限责任公司 | 多普勒孔径同收发机会阵雷达 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100245157A1 (en) * | 2009-03-30 | 2010-09-30 | Wicks Michael C | Generalized inner product method and apparatus for improved detection and discrimination |
CN104111449A (zh) * | 2014-06-30 | 2014-10-22 | 西安电子科技大学 | 一种改进的基于广义内积的空时二维自适应处理方法 |
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 |
CN106855618A (zh) * | 2017-03-06 | 2017-06-16 | 西安电子科技大学 | 基于广义内积任意阵列下的干扰样本剔除方法 |
CN107664759A (zh) * | 2017-06-12 | 2018-02-06 | 南京邮电大学 | 一种基于稀疏非均匀样本选优的机载雷达动目标检测方法 |
-
2018
- 2018-10-29 CN CN201811273451.7A patent/CN109375178A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100245157A1 (en) * | 2009-03-30 | 2010-09-30 | Wicks Michael C | Generalized inner product method and apparatus for improved detection and discrimination |
CN104111449A (zh) * | 2014-06-30 | 2014-10-22 | 西安电子科技大学 | 一种改进的基于广义内积的空时二维自适应处理方法 |
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 |
CN106855618A (zh) * | 2017-03-06 | 2017-06-16 | 西安电子科技大学 | 基于广义内积任意阵列下的干扰样本剔除方法 |
CN107664759A (zh) * | 2017-06-12 | 2018-02-06 | 南京邮电大学 | 一种基于稀疏非均匀样本选优的机载雷达动目标检测方法 |
Non-Patent Citations (3)
Title |
---|
李志汇等: "基于先验信息稀疏恢复的非均匀样本检测方法", 《兵工学报》 * |
阳召成: "基于稀疏性的空时自适应处理理论和方法", 《中国博士学位论文全文数据库信息科技辑》 * |
高隽: "人工神经网络与自然计算研究进展", 《合肥工业大学出版社》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110378415A (zh) * | 2019-07-19 | 2019-10-25 | 浙江理工大学 | 一种sar图像分类算法 |
CN111948634A (zh) * | 2020-07-19 | 2020-11-17 | 中国人民解放军空军预警学院 | 干扰条件下基于协方差矩阵重构的目标检测方法与装置 |
CN112415476A (zh) * | 2020-11-13 | 2021-02-26 | 中国民航大学 | 一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法 |
CN112612007B (zh) * | 2020-11-25 | 2023-08-22 | 中山大学 | 基于近场效应的超稀疏阵列机载雷达动目标距离解模糊方法 |
CN112612007A (zh) * | 2020-11-25 | 2021-04-06 | 中山大学 | 基于近场效应的超稀疏阵列机载雷达动目标距离解模糊方法 |
CN112713907A (zh) * | 2020-12-23 | 2021-04-27 | 中南大学 | 一种基于字典学习的海洋csem降噪方法及系统 |
CN112713907B (zh) * | 2020-12-23 | 2022-03-15 | 中南大学 | 一种基于字典学习的海洋csem降噪方法及系统 |
CN113406577A (zh) * | 2021-05-25 | 2021-09-17 | 中山大学 | 一种无人机载雷达主瓣干扰抑制方法、装置及存储介质 |
CN113406577B (zh) * | 2021-05-25 | 2023-08-25 | 中山大学 | 一种无人机载雷达主瓣干扰抑制方法、装置及存储介质 |
CN114660567A (zh) * | 2022-05-25 | 2022-06-24 | 中国人民解放军空军预警学院 | 部分均匀环境中存在野值时的雷达目标检测方法与系统 |
CN117572423A (zh) * | 2024-01-19 | 2024-02-20 | 逻安科技(天津)有限责任公司 | 多普勒孔径同收发机会阵雷达 |
CN117572423B (zh) * | 2024-01-19 | 2024-04-16 | 逻安科技(天津)有限责任公司 | 多普勒孔径同收发机会阵雷达 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375178A (zh) | 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 | |
CN107561512B (zh) | 一种脉冲多普勒雷达抗压制式拖曳干扰的极化对消方法 | |
WO2014066360A1 (en) | Sensor system and method for determining target location using sparsity-based processing | |
Huang et al. | A novel dimension-reduced space–time adaptive processing algorithm for spaceborne multichannel surveillance radar systems based on spatial–temporal 2-D sliding window | |
CN107991659B (zh) | 基于字典学习的米波雷达低仰角目标测高方法 | |
US20200284901A1 (en) | Millimeter-wave radar for unmanned aerial vehicle swarming, tracking, and collision avoidance | |
CN109212500A (zh) | 一种基于稀疏重构的ka-stap杂噪协方差矩阵高精度估计方法 | |
CN109375179A (zh) | 一种基于稀疏表示的机载雷达近程强杂波抑制方法 | |
CN110244273A (zh) | 一种基于均匀分布式阵列的目标角度估计方法 | |
CN104101876A (zh) | 外辐射源雷达中一种基于随机有限集的多目标跟踪方法 | |
CN104345299A (zh) | 基于简化ec的机载mimo雷达空时自适应处理方法 | |
CN110764066B (zh) | 误差存在情况下基于真实信号子空间的目标检测方法 | |
Takahashi et al. | Altitude estimation of low elevation target over the sea for surface based phased array radar | |
CN105044688A (zh) | 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 | |
CN110579737A (zh) | 一种杂波环境中基于稀疏阵列的mimo雷达宽带doa计算方法 | |
CN109188373B (zh) | 基于子阵阻塞矩阵预处理的抗主瓣干扰方法 | |
Wang et al. | A novel STAP method based on structured sparse recovery of clutter spectrum | |
Chen et al. | Multi-target radar imaging based on phased-MIMO technique—Part I: Imaging algorithm | |
CN113466797A (zh) | 基于杂波脊匹配稀疏恢复的双基sar空-时杂波抑制方法 | |
CN104698448B (zh) | 运动平台下基于流形分离的共形阵列稳健估角方法 | |
Xiong et al. | Nonstationary clutter suppression based on four dimensional clutter spectrum for airborne radar with conformal array | |
CN106405509B (zh) | 空时自适应信号的分块处理方法 | |
Huang et al. | A closed-form phase-comparison ML DOA estimator for automotive radar with one single snapshot | |
CN111079929B (zh) | 基于神经计算的短波单站多目标地理坐标快速估计方法 | |
Xiong et al. | Non‐stationary clutter suppression method for bistatic airborne radar based on adaptive segmentation and space–time compensation |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190222 |