CN109557539B - 机载无源雷达地面动目标检测方法、装置以及电子设备 - Google Patents
机载无源雷达地面动目标检测方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN109557539B CN109557539B CN201811618854.0A CN201811618854A CN109557539B CN 109557539 B CN109557539 B CN 109557539B CN 201811618854 A CN201811618854 A CN 201811618854A CN 109557539 B CN109557539 B CN 109557539B
- Authority
- CN
- China
- Prior art keywords
- clutter
- channel signal
- space
- early warning
- components
- 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.)
- Active
Links
Images
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
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种机载无源雷达地面动目标检测方法、装置以及电子设备,包括:对机载无源雷达信号进行预处理,得到距离压缩门;根据距离门获取训练样本;根据训练样本建立基于杂波稀疏性的联合稀疏矩阵恢复模型;利用预设算法对联合稀疏矩阵恢复模型进行计算,得到杂波空时谱,其中预设算法的输入参数包括:训练样本矩阵、时域稀疏字典、空域稀疏字典以及预设最大迭代次数;利用杂波空时谱对距离门中的杂波分量以及噪声分量进行消除,得到目标分量,解决了现有机载无源雷达杂波抑制方法效果差的技术问题,该方式可有效地抑制强杂波和噪声,得到目标分量。
Description
技术领域
本发明涉及雷达探测技术领域,尤其是涉及一种机载无源雷达地面动目标检测方法、装置以及电子设备。
背景技术
相较于有源雷达,无源雷达无需发射源,可利用现有的通信、导航和广播信号进行目标探测,目前,地基无源雷达的研究已经趋于成熟。相较于地基无源雷达,机载无源雷达中多径干扰减少,可以获得更加纯净的参考信号,从而得到更高质量的距离压缩结果。但是,载机的相对运动导致地面静止目标(即所谓的杂波)具有非零多普勒频率。多普勒展宽的杂波将在多普勒频率域和空间频率域同时掩盖慢速动目标,使得传统一维多普勒滤波方法失效。
针对此,可将传统上用于机载有源雷达的偏置相位中心(displaced phasecenter antenna,简称DPCA)方法和空时自适应处理(Space-time adaptive processing,简称STAP)方法应用于机载无源雷达之中。与STAP方法相比,DPCA方法更容易实现且成本较低,同时,机载无源雷达平台的数据传输速度的限制也使得DPCA方法相对STAP方法更具有优势。但是,理论上,STAP方法往往具有更好的杂波抑制和目标检测性能。
与传统有源雷达相比,由于所用信号的带宽较小,机载无源雷达的距离分辨率较低。因此,独立同分布的训练样本更加难以获得,特别是在非理想杂波环境中,这一问题将更加突出。这是影响STAP方法在机载无源雷达中应用的重要因素。虽然一些典型的次最优STAP方法,例如,降维STAP方法或者降秩STAP方法,可以减少对训练样本的需求。但是,在严重非均匀环境中,例如城市地区,杂波特性会快速剧烈变化,即使是较少的训练样本也往往难以获得,以致不能有效地抑制杂波。
稀疏恢复理论和压缩感知理论的快速发展使得雷达信号处理领域的学者们关注于研究信号的内在稀疏性。在(逆)合成孔径雷达成像、波达方向估计和无源雷达距离多普勒成像等领域都有相应的研究。利用杂波在空时域的稀疏性,基于稀疏恢复(sparserecovery,简称SR)的STAP(SR-STAP)方法可以应用于机载无源雷达之中,从而大大降低对训练样本的需求。但是,传统SR-STAP方法具有运算量大、内存消耗大、网格失配等问题,难以在实际中有效应用。
因此,目前的机载无源雷达杂波抑制方法效果较差。
发明内容
有鉴于此,本发明的目的在于提供一种机载无源雷达地面动目标检测方法、装置以及电子设备,以解决现有技术中存在的机载无源雷达杂波抑制方法效果较差的技术问题。
第一方面,本发明实施例提供了一种机载无源雷达地面动目标检测方法,包括:对机载无源雷达信号进行预处理,得到距离门;根据距离门获取训练样本;根据训练样本建立基于杂波稀疏性的联合稀疏矩阵恢复模型;利用预设算法对联合稀疏矩阵恢复模型进行计算,得到杂波空时谱,其中预设算法的输入参数包括:训练样本矩阵、时域稀疏字典、空域稀疏字典以及预设最大迭代次数;利用杂波空时谱对待测距离门中的杂波分量以及噪声分量进行消除,得到目标分量;其中,预设算法包括:A根据相关性最大原则从时域稀疏字典以及空域稀疏字典中分别选出一个原子;B利用梯度投影算法对所选择的原子进行扰动优化,得到最佳原子估计,并对时域稀疏字典以及空域稀疏字典进行更新;C根据最小二乘算法估计与选择的原子对应的复幅度,并对训练样本矩阵的余量进行更新;D重复上述A-C的步骤,直至达到预设最大迭代次数,输出杂波空时谱。
进一步地,对机载无源雷达信号进行预处理,得到距离压缩门,包括:通过参考天线以及多个预警天线接收无源信号,分别得到参考通道信号以及预警通道信号,其中,参考通道信号包括:直达波分量以及噪声分量;预警通道信号包括:直达波分量、杂波分量、目标分量以及噪声分量;根据参考通道信号滤除预警通道信号中的直达波分量,得到预处理预警通道信号;将参考通道信号以及预处理预警通道信号均划分为多个短时段信号;利用互相关方法以及倒数滤波方法对多个短时段信号进行距离压缩,得到多个距离门。
进一步地,根据参考通道信号滤除预警通道信号中的直达波分量,得到预处理预警通道信号,包括:根据参考通道信号利用最小二乘算法滤除预警通道信号中的直达波分量,得到预处理预警通道信号。
进一步地,提取距离门中的待测距离门,其中,待测距离门包括:杂波分量、目标分量以及噪声分量;提取与待测距离门相邻的多个距离门,得到训练样本,其中,训练样本包括:杂波分量以及噪声分量。
进一步地,利用杂波空时谱对待测距离门中的杂波分量进行消除,得到目标分量,包括:根据杂波空时谱计算杂波噪声协方差矩阵CNCM;根据CNCM得到空时权矢量,并利用空时权矢量抑制待测距离门中的杂波分量以及噪声分量,得到目标分量。
第二方面,本发明实施例还提供一种机载无源雷达地面动目标检测装置,包括:预处理模块,用于对机载无源雷达信号进行预处理,得到距离门;获取模块,用于根据距离门获取训练样本;建立模块,用于根据训练样本建立基于杂波稀疏性的联合稀疏矩阵恢复模型;计算模块,用于利用预设算法对联合稀疏矩阵恢复模型进行计算,得到杂波空时谱,其中预设算法的输入参数包括:训练样本矩阵、时域稀疏字典、空域稀疏字典以及预设最大迭代次数;消除模块,用于利用杂波空时谱对待测距离门中的杂波分量以及噪声分量进行消除,得到目标分量;其中,预设算法包括:A根据相关性最大原则从时域稀疏字典以及空域稀疏字典中分别选出一个原子;B利用梯度投影算法对所选择的原子进行扰动优化,得到最佳原子估计,并对时域稀疏字典以及空域稀疏字典进行更新;C根据最小二乘算法估计与选择的原子对应的复幅度,并对训练样本矩阵的余量进行更新;D重复上述A-C的步骤,直至达到预设最大迭代次数,输出杂波空时谱。
进一步地,预处理模块包括:接收单元,用于通过参考天线以及多个预警天线接收无源信号,分别得到参考通道信号以及预警通道信号,其中,参考通道信号包括:直达波分量以及噪声分量;预警通道信号包括:直达波分量、杂波分量、目标分量以及噪声分量;滤除单元,用于根据参考通道信号滤除预警通道信号中的直达波分量,得到预处理预警通道信号;划分单元,用于将参考通道信号以及预处理预警通道信号均划分为多个短时段信号;距离压缩单元,用于利用互相关方法以及倒数滤波方法对多个短时段信号进行距离压缩,得到多个距离门。
进一步地,消除模块包括:计算单元,用于根据杂波空时谱计算杂波噪声协方差矩阵CNCM;抑制单元,用于根据CNCM得到空时权矢量,并利用空时权矢量抑制待测距离门中的杂波分量以及噪声分量,得到目标分量。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述如第一方面所述的方法的步骤。
第四方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行如第一方面所述的方法。
本发明实施例提供的技术方案带来了以下有益效果:本发明实施例提供的一种机载无源雷达地面动目标检测方法、装置以及电子设备,包括:首先对机载无源雷达信号进行预处理,得到距离压缩门,然后根据距离门获取训练样本,然后,根据训练样本建立基于杂波稀疏性的联合稀疏矩阵恢复模型,之后利用预设算法对联合稀疏矩阵恢复模型进行计算,得到杂波空时谱,其中预设算法的输入参数包括:训练样本矩阵、时域稀疏字典、空域稀疏字典以及预设最大迭代次数,最后利用杂波空时谱对待测距离门中的杂波分量以及噪声分量进行消除,从而得到目标分量,其中,预设算法包括:A根据相关性最大原则从时域稀疏字典以及空域稀疏字典中分别选出一个原子;B利用梯度投影算法对所选择的原子进行扰动优化,得到最佳原子估计,并对时域稀疏字典以及空域稀疏字典进行更新;C根据最小二乘算法估计与选择的原子对应的复幅度,并对训练样本矩阵的余量进行更新;D重复上述A-C的步骤,直至达到预设最大迭代次数,输出杂波空时谱。因此,本发明利用杂波在空时平面的稀疏性,应用稀疏恢复算法来减少机载无源雷达STAP方法所需的独立同分布训练样本数。为了解决基于稀疏恢复的STAP方法的运算量大、内存消耗大、网格失配等问题,建立了基于联合稀疏矩阵恢复的杂波估计模型,并提出了预设算法来快速和准确求解所建立的模型,有效地抑制强杂波和噪声,得到目标分量,从而解决了机载无源雷达杂波抑制方法效果较差的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种机载无源雷达地面动目标检测方法的流程图;
图2为本发明实施例提供的一种机载无源雷达地面动目标检测方法的流程图;
图3为本发明实施例提供的机载无源ULA雷达的几何结构示意图;
图4为本发明实施例提供的电视塔位于(0,0.2,-10)km得到的空时谱的示意图;
图5为本发明实施例提供的电视塔位于(-10,0.2,-10)km得到的待测距离门的空时谱的示意图;
图6为本发明实施例提供的电视塔位于(0,0.2,-10)km得到的杂波空时谱的示意图;
图7为本发明实施例提供的电视塔位于(-10,0.2,-10)km到的杂波空时谱的示意图;
图8为本发明实施例提供的电视塔位于(0,0.2,-10)km得到的目标的多普勒频率和空间频率估计结果的示意图;
图9为本发明实施例提供的电视塔位于(-10,0.2,-10)km得到的目标的多普勒频率和空间频率估计结果的示意图;
图10为本发明实施例提供的电视塔位于(0,0.2,-10)km得到的目标的距离估计结果的示意图;
图11为本发明实施例提供的电视塔位于(-10,0.2,-10)km得到的目标的距离估计结果的示意图;
图12为本发明实施例一种机载无源雷达地面动目标检测装置的结构示意图;
图13为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,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。基于本发明中的实施例,本领域普通技术人员在没有做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。
目前,现有技术中存在的机载无源雷达的杂波抑制方法效果差的技术问题,基于此,本发明实施例提供的一种机载无源雷达地面动目标检测方法、装置以及电子设备,可以解决现有技术中存在的机载无源雷达的杂波抑制方法效果差的技术问题。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种机载无源雷达地面动目标检测方法、装置以及电子设备进行详细介绍。
实施例一:
本发明实施例提供一种机载无源雷达地面动目标检测方法,如图1所示,该方法包括:
步骤S102,对机载无源雷达信号进行预处理,得到距离压缩门。
需要说明的是,本发明中,机载无源雷达信号可为数字通信信号或数字广播信号,其中数字广播信号包括数字电视信号,本发明以数字电视信号为例进行说明。
具体地,预处理主要包括:直达波抑制、信号的划分、距离压缩等。其中,机载无源雷达待测距离门包括:直达波分量、杂波分量、目标分量以及噪声分量,但只有目标分量中才有所需的信息,因此需要将目标分量从多种分量信息中提取出来。
步骤S104,根据距离门获取训练样本。
需要说明的是,由于目标信息只在机载无源雷达检测的一定范围内出现,在动目标未出现的区域的信息分量与存在动目标区域中包含的信息分量中均含有相似的杂波分量以及噪声分量,因此可以在具有动目标区域的邻近(大约100米—150米)的区域选取训练样本,以便消除目标区域中的杂波分量以及噪声分量,得到目标分量。
步骤S106,根据训练样本建立基于杂波稀疏性的联合稀疏矩阵恢复模型。需要说明的是,研究表明,杂波在空时域中具有稀疏性,基于此特性来进行杂波抑制能够有效减少所需训练样本的数量。但是传统SR-STAP方法具有运算量大、内存消耗大、网格失配等问题,因此本发明建立基于杂波稀疏性的联合稀疏矩阵恢复模型来解决这些问题。
步骤S108,利用预设算法对联合稀疏矩阵恢复模型进行计算,得到杂波空时谱,其中预设算法的输入参数包括:训练样本矩阵、时域稀疏字典、空域稀疏字典以及预设最大迭代次数。
步骤S110,利用杂波空时谱对待测距离门中的杂波分量以及噪声分量进行消除,得到目标分量。
其中,预设算法包括:
A根据相关性最大原则从时域稀疏字典以及空域稀疏字典中分别选出一个原子。
B利用梯度投影算法对所选择的原子进行扰动优化,得到最佳原子估计,并对时域稀疏字典以及空域稀疏字典进行更新。
C根据最小二乘算法估计与选择的原子对应的复幅度,并对训练样本矩阵的余量进行更新。
D重复上述A-C的步骤,直至达到预设最大迭代次数,输出杂波空时谱。
本发明实施例通过利用杂波在空时平面的稀疏性,应用稀疏恢复算法来减少机载无源雷达STAP方法所需的独立同分布训练样本数。为了解决传统基于稀疏恢复的STAP方法的运算量大、内存消耗大、网格失配等问题,建立了基于联合稀疏矩阵恢复的杂波估计模型,并提出了预设算法来快速和准确求解所建立的模型,可以有效地抑制强杂波和噪声,得到目标分量。
实施例二:
本发明实施例提供的一种机载无源雷达地面动目标检测方法,如图2所示,该方法包括:
步骤S202,通过参考天线以及多个预警天线组成的均匀线性阵列(uniformlylinear array,简称ULA)接收数字电视信号,分别得到参考通道信号以及预警通道信号,其中,参考通道信号包括:直达波分量以及噪声分量;预警通道信号包括:直达波分量、杂波分量、目标分量以及噪声分量。
图3为机载无源ULA雷达的几何结构示意图,该图以数字电视信号为发射源的机载无源雷达,飞行高度为H,速度为V,本发明中,参考天线的个数设置为1个,预警天线的个数设置为M个,上述,参考通道信号可表示为:
其中,Aref表示参考信号复幅度,为便于分析,本发明将其设为1;s0(t)为发射信号;τref表示信号从电视塔至参考天线的传播时间;fref是由平台运动造成的多普勒频移;Nref(t)为加性噪声;Tint表示相干处理时间。
第m个(m=1,2,...,M)预警通道信号可以表示为:
其中,AD表示直达波信号的复幅度;表示直达波信号的时延;fD表示直达波信号的多普勒频移;本发明中假设参考天线与预警天线共祉,因此fD=fref。a0、和fo分别为第o个杂波块的幅度、时延和多普勒频率。ap、和fp则分别为第p个动目标的幅度、时延和多普勒频率。表示第m个预警通道内的加性噪声。
步骤S204,根据参考通道信号滤除预警通道信号中的直达波分量,得到预处理预警通道信号。
进一步地,根据参考通道信号滤除预警通道信号中的直达波分量,得到预处理预警通道信号,包括:根据参考通道信号利用最小二乘算法滤除预警通道信号中的直达波分量,得到预处理预警通道信号。其中,第m个预处理预警通道信号可表示为:
Ssurv(m,t)=Ssurv(m,t)-P[(PHP)-1PHSsurv(m,t)]
其中,P表示由参考通道信号Sref(t)延时得到的参考矩阵,其矩阵列数由第M个预处理预警通道的直达波估计时延决定。
步骤S206,将参考通道信号以及预处理预警通道信号均划分为多个短时段信号。
具体地,参考通道信号经过划分后为:
预处理预警通道信号经过划分后为:
其中,n=1,2,…,N,t'∈[0,T)表示为t'=T·[0,1,...,L-1]/L,其中L=fsT为距离门数,fs为系统采样频率。
步骤S208,利用互相关方法以及倒数滤波方法对多个短时段信号进行距离压缩,得到MN个距离压缩结果。其中,第(m,n)个压缩结果可以表示为:
对于一个较短长度的ULA,不同预警通道在同一距离门的幅度是近似相等的,只需考虑它们之间的相位差别。因此,第(m,n)个压缩结果中的杂波分量以及目标分量可以表示为:
其中,
G(t')为匹配滤波输出函数,在理想情况下为一个sinc函数。
步骤S210,提取距离门中的待测距离门,其中,待测距离门包括:杂波分量、目标分量以及噪声分量。
待测距离门可以表示为:
其中,xs∈CMN×1和xq∈CMN×1分别为第l(l=1,2,…,L)个距离门的第s个杂波块和第q个目标的空时导向矢量,表示为:
图4为电视塔位于(0,0.2,-10)km得到的待测距离门的空时谱,图5为电视塔位于(-10,0.2,-10)km得到的待测距离门的空时谱。其中,仿真参数为:中心频率为509MHz、带宽为2.048MHz的数字电视信号;电视塔的位置在(0,0.2,-10)km或者(-10,0.2,-10)km;相干处理时间为Tint=16ms,短时信号段个数为8;ULA中天线间距为半波长,天线个数N=8;阵列与载机飞行方向的夹角为0,飞机所在位置为(0,1,0)km,沿x轴正向飞行,速度为V=d/T。杂波在方位向[0,180°]间均匀分布,杂波块的个数为181。待测距离门的距离为62.84km,其中包含一个沿z轴反向移动的动目标,其速度为10m/s,方位角为0。假设热噪声是均值为0、方差为1的复高斯信号。每一个杂波块的幅度服从复高斯分布,且杂噪比为60dB。此外,信噪比设为40dB。可以看出,目标在多普勒频率域和空间频率域均被杂波掩盖,必须对待测距离门中的杂波分量和噪声分量进行抑制,得到目标分量。
步骤S212,提取与待测距离门相邻的多个距离门,得到训练样本,其中,训练样本包括:杂波分量以及噪声分量。
基于杂波的稀疏性,SR-STAP方法能够有效减少所需训练样本的数量。对于传统SR-STAP方法,第z个不包含目标的训练样本的信号矢量可被近似表示为:
其中,Φ=[x1,1,x2,1,...,xI,J]为通过划分空间频率域和多普勒频率域设计的空时稀疏字典,表示杂波复幅度矢量。需要注意的是,为了得到较高的分辨率从而得到较准确的估计,空间频率域和多普勒频率域的划分网格个数需分别大于ULA中的预警天线个数和短时信号段的个数,即I>>M,J>>N。
传统SR-STAP方法具有运算量大、内存消耗大、网格失配等问题,因此本发明建立基于杂波稀疏性的联合稀疏矩阵恢复模型,其中,第z个训练样本的信号矩阵被近似表示为:
步骤S214,根据训练样本建立基于杂波稀疏性的联合稀疏矩阵恢复模型。
与传统SR-STAP方法类似,利用杂波的稀疏性,通过下式估计杂波空时谱:
联合稀疏模型认为不同的Az中的非零元素的位置是相同的,但是这些元素的值是不同的,这符合独立同分布假设和不同的训练样本具有相同的杂波子空间这个条件。
步骤S216,利用预设算法对联合稀疏矩阵恢复模型进行计算,得到杂波空时谱,其中预设算法的输入参数包括:训练样本矩阵、时域稀疏字典、空域稀疏字典以及预设最大迭代次数。
其中,预设算法包括:
A根据相关性最大原则从时域稀疏字典以及空域稀疏字典中分别选出一个原子。
B利用梯度投影算法对所选择的原子进行扰动优化,得到最佳原子估计,并对时域稀疏字典以及空域稀疏字典进行更新。
C根据最小二乘算法估计与选择的原子对应的复幅度,并对训练样本矩阵的余量进行更新。
D重复上述A-C的步骤,直至达到预设最大迭代次数,输出杂波空时谱。
在本发明实施例中,预设算法即是参数搜索二维MOMP算法,具体的算法的执行步骤如表1所示。
表1.参数搜索二维MOMP算法
将空间频率域和多普勒频率域分别划分为101个网格,使用8个训练样本,最大迭代次数设为15,利用所述预设算法求解联合稀疏矩阵恢复模型得到的杂波空时谱如图6和图7所示,其中图6为电视塔位于(0,0.2,-10)km得到的杂波空时谱,图5为电视塔位于(-10,0.2,-10)km到的杂波空时谱。可以看出,所述方法可以准确估计杂波空时谱,且无需大量训练样本。
步骤S218,根据杂波空时谱计算杂波噪声协方差矩阵CNCM。
具体地,杂波协方差矩阵可表示为:
假设热噪声分量是一个协方差矩阵为RN=σ2INK的零均值复高斯信号,且其与杂波块不相关,即待测距离门的CNCM可表示为:
RI=RC+σ2IMN
其中,σ2表示噪声功率,IMN表示一个MN×MN的单位矩阵。
步骤S220,根据CNCM得到空时权矢量,并利用空时权矢量抑制待测距离门中的杂波分量以及噪声分量,得到目标分量。
具体地,STAP的目标是寻找输入信号的线性组合使得输出信杂噪比(signal-to-clutter-plus-noise ratio,简称SCNR)最大,这可以通过最小化输入信号的协方差矩阵同时保持目标响应为1来实现,即:
minwHRIw,s.t.wHxq=1
其中,w是STAP处理器的空时权矢量。那么w可表示为:
其中,(·)-1表示矩阵求逆操作。
最后抑制杂波,得到目标分量为:
利用所述空时权矢量得到的目标分量估计结果如图8、图9、图10以及图11所示,其中,图8为电视塔位于(0,0.2,-10)km得到的目标的多普勒频率和空间频率估计结果,图9为电视塔位于(-10,0.2,-10)km得到的目标的多普勒频率和空间频率估计结果,图10为电视塔位于(0,0.2,-10)km得到的目标的距离估计结果,图11为电视塔位于(-10,0.2,-10)km得到的目标的距离估计结果。可以看出,所得结果与预设的目标参数相一致。
本发明实施例通过利用杂波在空时平面的稀疏性,应用稀疏恢复算法来减少机载无源雷达STAP方法所需的独立同分布训练样本数。为了解决传统基于稀疏恢复的STAP方法的运算量大、内存消耗大、网格失配等问题,建立了基于联合稀疏矩阵恢复的杂波估计模型,并提出了预设算法来快速和准确求解所建立的模型,有效地抑制强杂波和噪声,得到目标分量。
实施例三:
本发明实施例提供一种机载无源雷达地面动目标检测装置,如图12所示,该装置包括:预处理模块121、获取模块122、建立模块123、计算模块124以及消除模块125。
需要说明的是,预处理模块121用于对机载无源雷达信号进行预处理,得到距离门。进一步地,预处理模块121包括:接收单元,用于通过参考天线以及多个预警天线接收无源信号,分别得到参考通道信号以及预警通道信号,其中,参考通道信号包括:直达波分量以及噪声分量;预警通道信号包括:直达波分量、杂波分量、目标分量以及噪声分量;滤除单元,用于根据参考通道信号滤除预警通道信号中的直达波分量,得到预处理预警通道信号;划分单元,用于将参考通道信号以及预处理预警通道信号划分为多个短时段信号;距离压缩单元,用于利用互相关方法以及倒数滤波方法对多个短时段信号进行距离压缩,得到多个距离门。
获取模块122用于根据距离门获取训练样本;建立模块123用于根据训练样本建立基于杂波稀疏性的联合稀疏矩阵恢复模型;计算模块124用于利用预设算法对联合稀疏矩阵恢复模型进行计算,得到杂波空时谱,其中预设算法的输入参数包括:训练样本矩阵、时域稀疏字典、空域稀疏字典以及预设最大迭代次数。
消除模块125用于利用杂波空时谱对距离门中的杂波分量进行消除,得到目标分量;其中,预设算法包括:A根据相关性最大原则从时域稀疏字典以及空域稀疏字典中分别选出一个原子;B利用梯度投影算法对所选择的原子进行扰动优化,得到最佳原子估计,并对时域稀疏字典以及空域稀疏字典进行更新;C根据最小二乘算法估计与选择的原子对应的复幅度,并对训练样本矩阵的余量进行更新;D重复上述A-C的步骤,直至达到预设最大迭代次数,输出杂波空时谱。
进一步地,消除模块125包括:计算单元,用于根据杂波空时谱计算杂波噪声协方差矩阵CNCM;抑制单元,用于根据CNCM得到空时权矢量,并利用空时权矢量抑制待测距离门中的杂波分量以及噪声分量,得到目标分量。
本发明实施例建立了基于联合稀疏矩阵恢复的杂波估计模型,并提出了一种参数搜索二维MOMP算法(即预设算法)来快速和准确求解所建立的模型,本发明的装置可以有效地杂波。
实施例四:
本发明实施例提供的一种电子设备,如图13所示,电子设备13包括存储器131、处理器132,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例一或实施例二提供的方法的步骤。
参见图13,电子设备还包括:总线133和通信接口134,处理器132、通信接口134和存储器131通过总线133连接;处理器132用于执行存储器131中存储的可执行模块,例如计算机程序。
其中,存储器131可能包含高速随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口134(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线133可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图13中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器131用于存储程序,所述处理器132在接收到执行指令后,执行所述程序,前述本发明任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器132中,或者由处理器132实现。
处理器132可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器132中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器132可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器131,处理器132读取存储器131中的信息,结合其硬件完成上述方法的步骤。
实施例五:
本发明实施例提供的一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述实施例一或实施例二提供的方法。
本发明实施例提供的具有处理器可执行的非易失的程序代码的计算机可读介质,与上述实施例提供的机载无源雷达地面动目标检测方法、装置以及电子设备具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例所提供的进行机载无源雷达地面动目标检测方法、装置以及电子设备的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述功能如果以软件功能单元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-Only Memory)、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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,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所述以权利要求的保护范围为准。
Claims (10)
1.一种机载无源雷达地面动目标检测方法,其特征在于,包括:
对机载无源雷达信号进行预处理,得到距离门;
根据所述距离门获取训练样本;
根据所述训练样本建立基于杂波稀疏性的联合稀疏矩阵恢复模型;
利用预设算法对所述联合稀疏矩阵恢复模型进行计算,得到杂波空时谱,其中所述预设算法的输入参数包括:训练样本矩阵、时域稀疏字典、空域稀疏字典以及预设最大迭代次数;
利用所述杂波空时谱对所述距离门中的待测距离门的杂波分量以及噪声分量进行消除,得到目标分量;
其中,所述预设算法包括:
A根据相关性最大原则从所述时域稀疏字典以及所述空域稀疏字典中分别选出一个原子;
B利用梯度投影算法对所选择的原子进行扰动优化,得到最佳原子估计,并对所述时域稀疏字典以及所述空域稀疏字典进行更新;
C根据最小二乘算法估计与所述选择的原子对应的复幅度,并对所述训练样本矩阵的余量进行更新;
D重复上述A-C的步骤,直至达到所述预设最大迭代次数,输出杂波空时谱。
2.根据权利要求1所述的机载无源雷达地面动目标检测方法,其特征在于,所述对机载无源雷达信号进行预处理,得到距离压缩门,包括:
通过参考天线以及多个预警天线接收无源信号,分别得到参考通道信号以及预警通道信号,其中,所述参考通道信号包括:直达波分量以及噪声分量;所述预警通道信号包括:直达波分量、杂波分量、目标分量以及噪声分量;
根据所述参考通道信号滤除所述预警通道信号中的直达波分量,得到预处理预警通道信号;
将所述参考通道信号以及所述预处理预警通道信号均划分为多个短时段信号;
利用互相关方法以及倒数滤波方法对所述多个短时段信号进行距离压缩,得到多个距离门。
3.根据权利要求2所述的机载无源雷达地面动目标检测方法,其特征在于,所述根据所述参考通道信号滤除所述预警通道信号中的直达波分量,得到预处理预警通道信号,包括:
根据所述参考通道信号利用最小二乘算法滤除所述预警通道信号中的直达波分量,得到预处理预警通道信号。
4.根据权利要求1所述的机载无源雷达地面动目标检测方法,其特征在于,所述根据所述距离门得到训练样本包括:
提取所述距离门中的待测距离门,其中,所述待测距离门包括:杂波分量、目标分量以及噪声分量;
提取与所述待测距离门相邻的多个距离门,得到训练样本,其中,所述训练样本包括:杂波分量以及噪声分量。
5.根据权利要求1所述的机载无源雷达地面动目标检测方法,其特征在于,所述利用所述杂波空时谱对所述距离门中的待测距离门的杂波分量进行消除,得到目标分量包括:
根据所述杂波空时谱计算杂波噪声协方差矩阵CNCM;
根据所述CNCM得到空时权矢量,并利用所述空时权矢量抑制所述待测距离门中的杂波分量以及噪声分量,得到所述目标分量。
6.一种机载无源雷达地面动目标检测装置,其特征在于,包括:
预处理模块,用于对机载无源雷达信号进行预处理,得到距离门;
获取模块,用于根据所述距离门获取训练样本;
建立模块,用于根据所述训练样本建立基于杂波稀疏性的联合稀疏矩阵恢复模型;
计算模块,用于利用预设算法对所述联合稀疏矩阵恢复模型进行计算,得到杂波空时谱,其中所述预设算法的输入参数包括:训练样本矩阵、时域稀疏字典、空域稀疏字典以及预设最大迭代次数;
消除模块,用于利用所述杂波空时谱对所述距离门中的待测距离门的杂波分量以及噪声分量进行消除,得到目标分量;
其中,所述预设算法包括:
A根据相关性最大原则从所述时域稀疏字典以及所述空域稀疏字典中分别选出一个原子;
B利用梯度投影算法对所选择的原子进行扰动优化,得到最佳原子估计,并对所述时域稀疏字典以及所述空域稀疏字典进行更新;
C根据最小二乘算法估计与所述选择的原子对应的复幅度,并对所述训练样本矩阵的余量进行更新;
D重复上述A-C的步骤,直至达到所述预设最大迭代次数,输出杂波空时谱。
7.根据权利要求6所述的机载无源雷达地面动目标检测装置,其特征在于,所述预处理模块包括:
接收单元,用于通过参考天线以及多个预警天线接收无源信号,分别得到参考通道信号以及预警通道信号,其中,所述参考通道信号包括:直达波分量以及噪声分量;所述预警通道信号包括:直达波分量、杂波分量、目标分量以及噪声分量;
滤除单元,用于根据所述参考通道信号滤除所述预警通道信号中的直达波分量,得到预处理预警通道信号;
划分单元,用于将所述参考通道信号以及所述预处理预警通道信号划分为多个短时段信号;
距离压缩单元,用于利用互相关方法以及倒数滤波方法对所述多个短时段信号进行距离压缩,得到多个距离门。
8.根据权利要求6所述的机载无源雷达地面动目标检测装置,其特征在于,所述消除模块包括:
计算单元,用于根据所述杂波空时谱计算杂波噪声协方差矩阵CNCM;
抑制单元,用于根据所述CNCM得到空时权矢量,并利用所述空时权矢量抑制所述待测距离门中的杂波分量以及噪声分量,得到所述目标分量。
9.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至5任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811618854.0A CN109557539B (zh) | 2018-12-27 | 2018-12-27 | 机载无源雷达地面动目标检测方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811618854.0A CN109557539B (zh) | 2018-12-27 | 2018-12-27 | 机载无源雷达地面动目标检测方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109557539A CN109557539A (zh) | 2019-04-02 |
CN109557539B true CN109557539B (zh) | 2022-12-09 |
Family
ID=65871569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811618854.0A Active CN109557539B (zh) | 2018-12-27 | 2018-12-27 | 机载无源雷达地面动目标检测方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109557539B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110048232B (zh) * | 2019-04-23 | 2021-03-19 | 中国人民解放军63921部队 | 一种用于gnss无源探测直达波抑制的装置和方法 |
JP7143809B2 (ja) * | 2019-04-25 | 2022-09-29 | 三菱電機株式会社 | クラッタ学習装置及びクラッタ識別装置 |
CN110082748B (zh) * | 2019-05-23 | 2020-10-30 | 中国人民解放军战略支援部队信息工程大学 | 一种无源雷达目标检测方法及装置 |
CN112882025B (zh) * | 2021-01-15 | 2023-12-26 | 中国人民解放军空军工程大学 | 雷达成像方法、装置、设备及存储介质 |
CN112904298B (zh) * | 2021-01-20 | 2022-11-04 | 西安电子科技大学 | 一种基于局部网格分裂的网格偏离空时自适应处理方法 |
CN113219433B (zh) * | 2021-05-26 | 2023-03-31 | 内蒙古工业大学 | 基于知识辅助的sr-stap方法及存储介质 |
CN113222065B (zh) * | 2021-05-31 | 2023-07-11 | 中国科学院空天信息创新研究院 | 探地雷达数据杂波抑制方法、装置、电子设备和存储介质 |
CN113466797B (zh) * | 2021-06-24 | 2023-04-28 | 电子科技大学 | 基于杂波脊匹配稀疏恢复的双基sar空-时杂波抑制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837863A (zh) * | 2014-03-05 | 2014-06-04 | 中国人民解放军海军航空工程学院 | 基于梯度投影的距离-速度同步拖引欺骗干扰识别 |
CN105223560A (zh) * | 2015-10-13 | 2016-01-06 | 中国人民解放军空军工程大学 | 基于杂波俯仰方位谱稀疏恢复的机载雷达目标检测方法 |
CN106226745A (zh) * | 2016-08-04 | 2016-12-14 | 武汉大学 | 一种基于子带处理的外辐射源雷达杂波抑制方法及装置 |
CN107818324A (zh) * | 2016-09-12 | 2018-03-20 | 波音公司 | 将功能性网格单元添加到随机稀疏树形网格以便空间滤波的系统和方法 |
CN108761417A (zh) * | 2018-05-31 | 2018-11-06 | 西安电子科技大学 | 基于知识辅助最大似然的机载雷达杂波抑制方法 |
-
2018
- 2018-12-27 CN CN201811618854.0A patent/CN109557539B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837863A (zh) * | 2014-03-05 | 2014-06-04 | 中国人民解放军海军航空工程学院 | 基于梯度投影的距离-速度同步拖引欺骗干扰识别 |
CN105223560A (zh) * | 2015-10-13 | 2016-01-06 | 中国人民解放军空军工程大学 | 基于杂波俯仰方位谱稀疏恢复的机载雷达目标检测方法 |
CN106226745A (zh) * | 2016-08-04 | 2016-12-14 | 武汉大学 | 一种基于子带处理的外辐射源雷达杂波抑制方法及装置 |
CN107818324A (zh) * | 2016-09-12 | 2018-03-20 | 波音公司 | 将功能性网格单元添加到随机稀疏树形网格以便空间滤波的系统和方法 |
CN108761417A (zh) * | 2018-05-31 | 2018-11-06 | 西安电子科技大学 | 基于知识辅助最大似然的机载雷达杂波抑制方法 |
Non-Patent Citations (2)
Title |
---|
基于杂波距离方位谱的机载非正侧MIMO雷达STAP方法;冯为可等;《空军工程大学学报(自然科学版)》;20160825(第04期);第41-45页 * |
基于空时功率谱稀疏性的空时自适应处理技术研究进展;阳召成等;《电子学报》;20140630;第42卷(第6期);第1194-1204页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109557539A (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109557539B (zh) | 机载无源雷达地面动目标检测方法、装置以及电子设备 | |
CN107683423B (zh) | 用于调频连续波雷达中的对象检测的低复杂度超分辨率技术 | |
Ender | A brief review of compressive sensing applied to radar | |
Wu et al. | Space–time adaptive processing and motion parameter estimation in multistatic passive radar using sparse Bayesian learning | |
Quinquis et al. | Some radar imagery results using superresolution techniques | |
Wang | CFAR-based interference mitigation for FMCW automotive radar systems | |
CN108008386B (zh) | 一种基于单快拍music算法的距离向处理方法 | |
CN111521976B (zh) | 一种空时自适应干扰处理方法、装置及存储介质 | |
Parker et al. | A Bayesian perspective on sparse regularization for STAP post-processing | |
Tao et al. | A knowledge aided SPICE space time adaptive processing method for airborne radar with conformal array | |
CN108020834B (zh) | 基于改进edpca的运动目标检测方法、装置及电子设备 | |
CN109521411A (zh) | 一种距离扩展目标的检测方法 | |
Zhao et al. | Synchrosqueezing phase analysis on micro-Doppler parameters for small UAVs identification with multichannel radar | |
CN105572629B (zh) | 一种适用于任意阵列结构的低运算复杂度的二维测向方法 | |
Hu et al. | Statistic characteristic analysis of forward scattering surface clutter in bistatic radar | |
CN113032721A (zh) | 一种低计算复杂度的远场和近场混合信号源参数估计方法 | |
CN109212502B (zh) | 基于重加权的采样矩阵求逆非均匀检测器的实现方法 | |
Lagunas et al. | Sparsity-based radar imaging of building structures | |
Thammakhoune et al. | Moving target imaging for synthetic aperture radar via RPCA | |
Zhang et al. | Improved STAP algorithm based on APES | |
Taylor et al. | Reducing false alarm rate by testing proportionality of covariance matrices | |
Yoon et al. | High resolution through-the-wall radar image based on beamspace eigenstructure subspace methods | |
Yang et al. | Fast inverse covariance matrix computation based on element-order recursive method for space-time adaptive processing | |
Li et al. | Noise robust classification of moving vehicles via micro-Doppler signatures | |
Zhao et al. | A hybrid STAP approach to target detection for heterogeneous scenarios in radar seekers |
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 |