CN110609255B - 一种基于特征波束的自适应波束域fsa的杂波抑制降维方法 - Google Patents
一种基于特征波束的自适应波束域fsa的杂波抑制降维方法 Download PDFInfo
- Publication number
- CN110609255B CN110609255B CN201910704093.9A CN201910704093A CN110609255B CN 110609255 B CN110609255 B CN 110609255B CN 201910704093 A CN201910704093 A CN 201910704093A CN 110609255 B CN110609255 B CN 110609255B
- Authority
- CN
- China
- Prior art keywords
- data
- representing
- fsa
- sliding
- clutter
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于特征波束的自适应波束域FSA的杂波抑制降维方法,包括:获取FSA数据矢量;获取特征空间;根据所述特征空间对所述FSA数据矢量进行波束域自适应降维处理得到降维后的数据矢量;对所述降维后的数据矢量进行杂波抑制和自适应滤波处理得到杂波抑制后的距离‑多普勒域数据。本发明提供的杂波抑制降维方法具有一定的自适应性,在实现杂波抑制的同时,降低了自适应处理维数,降低了挑选样本的标准,减少了处理所需的均匀杂波样本数和运算量,提高了算法的实用性。
Description
技术领域
本发明属于运动平台雷达技术领域,具体涉及一种基于特征波束的自适应波束域FSA的杂波抑制降维方法。
背景技术
雷达是利用电磁波探测目标的电子设备。通常为了有效的提高空中监视能力,将雷达系统安装在飞机或者人造卫星上。由于机载/星载雷达平台具有高速运动的特性,使得当雷达工作在下视状态时,场景主瓣杂波多普勒谱严重展宽,从而导致微弱慢目标淹没在杂波中,无法得到直接检测。因此,利用机载/星载雷达实现动目标检测任务的前提是将场景中的强杂波抑制掉,使原本被淹没的微弱运动目标凸显出来,改善目标信杂噪比(SCNR),提高检测概率。由于运动平台下杂波谱具有时空耦合特性,仅通过一维空域或时域滤波难以将目标和杂波区分开,这表明杂波抑制应在空-时二维平面上进行,同时,由于杂波随环境、地形变化,所以一般采取自适应处理的方式。
Brennan、Reed等人在文献《Theory of adaptive radar》(IEEE Transactions onAerospace and Electronic Systems,1973,9(2))中将一维空域滤波技术推广到空时二维域中,提出一种空时自适应处理(Space Time Adaptive Processing,STAP)方法,即全维空时自适应处理方法;该滤波器可以在空时二维杂波分布处形成杂波抑制凹口,有效抑制杂波,降低目标的最小可检测速度(Minimum Detectable Velocity,MDV)。Brennan等人在文献《Comparison of space-time adaptive processing approaches using experimentalairborne radar data》(The Record of 1993IEEE National Radar Conference,Massacusetts,USA,1993:176-181)中提出一种先时域滑窗后时空联合的处理方法(F$A),该方法通过时域滑窗处理,致使相对一个多普勒通道的杂波自由度大为减小,可用较少的时域自由度和较多的空域自由度进行时空联合处理。
然而,全维空时自适应处理方法由于其利用所有空间等效阵元和时域脉冲采样,系统维数大,运算复杂度高,且其对训练样本要求高,在实际处理中难以实现。先时域滑窗后时空联合的处理方法在工程中的实测数据处理时,随着空间通道数的增加,其系统维数增高,处理时仍具有较大的运算量,同时,该方法对训练样本仍具有较高的要求,无法满足实际应用要求。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于特征波束的自适应波束域FSA的杂波抑制降维方法。本发明要解决的技术问题通过以下技术方案实现:
一种基于特征波束的自适应波束域FSA的杂波抑制降维方法,包括:获取FSA数据矢量;
获取特征空间;
根据所述特征空间对所述FSA数据矢量进行波束域自适应降维处理得到降维后的数据矢量;
对所述降维后的数据矢量进行杂波抑制和自适应滤波处理得到杂波抑制后的距离-多普勒域数据。
在本发明的一个实施例中,所述获取FSA数据矢量包括:
对雷达的N个空间等效阵元进行A/D采样,获得一个CPI内的K+2个脉冲回波数据;其中,所述K+2个脉冲回波数据包含L个样本的回波信息;
在每个空间等效阵元对所述K+2个脉冲数据进行三次时域滑窗处理,得到第1~K、2~K+1和3~K+2个脉冲组成的三组数据;
分别对所述三组数据进行K点的DFT转到多普勒域,得到FSA数据矢量;其中,对同一多普勒通道,三组数据分别将N个空间等效阵元的L个样本数据排成N×L维的数据矢量。
在本发明的一个实施例中,所述FSA数据矢量的表达式为:
x(k)=[x0(k)T,x1(k)T,x2(k)T]T;
其中,x(k)表示FSA数据矢量,x0(k)表示第k个多普勒通道中数据不滑窗对应的数据矢量,x1(k)表示第k个多普勒通道中数据滑动一个脉冲对应的数据矢量,x2(k)表示第k个多普勒通道中数据滑动两个脉冲对应的数据矢量,(·)T表示转置。
在本发明的一个实施例中,所述获取特征空间包括:
分别计算所述第k个多普勒通道中不滑窗、滑动一个脉冲和滑动两个脉冲数据的协方差矩阵,得到三个协方差矩阵;
对所述协方差矩阵进行特征分解并提取有限个特征波束构造特征空间。
在本发明的一个实施例中,所述协方差矩阵的计算公式为:
其中,R0(k)表示不滑窗数据对应的协方差矩阵,R1(k)表示滑动一个脉冲数据对应的协方差矩阵,R2(k)表示滑动两个脉冲数据对应的协方差矩阵,(·)H表示共轭转置。
在本发明的一个实施例中,对所述协方差矩阵进行特征分解并提取有限个特征波束构造特征空间包括:
分别对所述三个协方差矩阵进行特征值分解,得到特征值;
对所述特征值由大到小排序,分别获得前M(1≤M≤N)个大特征值λi,j对应的特征向量vi,j;其中,λi,j(i=0,1,2,j=1,2,...,M)表示第i组数据协方差矩阵Ri(k)的第j个大特征值,vi,j表示特征值λi,j对应的特征波束;
根据所述特征波束vi,j构造三组数据的特征空间。
在本发明的一个实施例中,所述特征空间的表达式为:
C0(k)=[v0,1,...,v0,M];
C1(k)=[v1,1,...,v1,M];
C2(k)=[v2,1,...,v2,M];
其中,C0(k)表示不滑窗数据对应的杂波特征空间,C1(k)表示滑动一个脉冲数据对应的杂波特征空间,C2(k)表示滑动两个脉冲数据对应的杂波特征空间。
在本发明的一个实施例中,根据所述特征空间对所述FSA数据矢量进行波束域自适应降维处理得到降维后的数据矢量包括:
根据所述特征空间构造三组数据的波束域投影矩阵;
根据所述波束域投影矩阵得到波束域降维矩阵;
根据所述波束域降维矩阵对所述FSA数据矢量进行波束域降维处理得到降维后的数据矢量。
在本发明的一个实施例中,根据所述特征空间构造三组数据的波束域投影矩阵包括:
根据波束中心的空域导向ss和所述特征空间构造三组数据的波束域投影矩阵,所述波束投影矩阵的表达式为:
P0(k)=[ss,C0(k)];
P1(k)=[ss,C1(k)];
P2(k)=[ss,C2(k)];
其中,P0(k)表示不滑窗数据对应的波束投影矩阵,P1(k)表示滑动一个脉冲数据对应的波束投影矩阵,P2(k)表示滑动两个脉冲数据对应的波束投影矩阵。
本发明的有益效果:
1、本发明提供的杂波抑制降维方法在抑制杂波的同时,大大降低了处理器系统维数,减小了运算量,节约了运算资源,并具有更优的处理效率;
2、本发明提供的杂波抑制降维方法由于降低了处理器维数,使得构造协方差矩阵时所需求的训练样本数减少,降低了挑选样本的标准,使得本发明实用性更强;
3、本发明提供的杂波抑制降维方法中降维矩阵由原数据协方差矩阵特征分解后的特征波束构成,克服了现有技术的降维矩阵不依赖数据的问题,使得本发明的方法具有一定的自适应性。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于特征波束的自适应波束域FSA的杂波抑制降维方法流程示意图;
图2是本发明实施例提供的另一种杂波抑制降维方法流程示意图;
图3是本发明实施例提供的传统FSA处理和本发明方法运算复杂度随空间通道数的变化曲线图;
图4a~4b是本发明实施例提供的传统FSA和本发明方法处理后的目标输出信杂噪比(SCNR)曲线图;
图5是本发明实施例提供的杂波抑制处理后输出SCNR随样本数变化的曲线图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1是本发明实施例提供的一种基于特征波束的自适应波束域FSA的杂波抑制降维方法流程示意图,包括:
步骤1:获取FSA数据矢量;
首先对雷达的N个空间等效阵元进行A/D采样,获得一个CPI内的K+2个脉冲回波数据;其中,所述K+2个脉冲回波数据包含L个样本的回波信息;
然后在每个空间等效阵元对K+2个脉冲数据进行三次时域滑窗处理,分别获得第1~K、2~K+1和3~K+2个脉冲组成的三组数据;
最后分别对所述三组数据进行K点的DFT转到多普勒域,得到FSA数据矢量;其中,对同一多普勒通道,三组数据分别将N个空间等效阵元的L个样本数据排成N×L维的数据矢量。
设x0(k)、x1(k)和x2(k)表示第k个多普勒通道中不滑窗、滑动一个脉冲和滑动两个脉冲对应的数据矢量,均为N×L维,FSA数据矢量x(k)的表达式为:分别表示
x(k)=[x0(k)T,x1(k)T,x2(k)T]T;
其中,表示(·)T转置,x(k)为3N×L维。
步骤2:获取特征空间;
分别计算所述第k个多普勒通道中不滑窗、滑动一个脉冲和滑动两个脉冲数据的协方差矩阵,得到三个协方差矩阵;
在本实施例中,设不滑窗、滑动一个脉冲和滑动两个脉冲数据的协方差矩阵分别为R0(k)、R1(k)和R2(k),计算式为:
其中,(·)H表示共轭转置;
对所述协方差矩阵进行特征分解并提取有限个特征波束构造特征空间。
通过对三个协方差矩阵进行特征分解,提取有限个特征波束构造特征空间,步骤如下:
1)分别对所述三个协方差矩阵R0(k)、R1(k)和R2(k)进行特征值分解,得到特征值;
2)对特征值由大到小排序,分别获得前M(1≤M≤N)个大特征值对应的特征向量,设λi,j(i=0,1,2,j=1,2,...,M)表示第i组数据协方差矩阵Ri(k)的第j个大特征值,vi,j表示特征值λi,j对应的特征向量,即第i组数据的特征波束;
3)根据所述特征波束vi,j构造三组数据的特征空间。
在本实施例中,由M个特征波束构造的三组数据的杂波特征空间为:
C0(k)=[v0,1,...,v0,M];
C1(k)=[v1,1,...,v1,M];
C2(k)=[v2,1,...,v2,M];
其中,C0(k)表示不滑窗数据对应的杂波特征空间,C1(k)表示滑动一个脉冲数据对应的杂波特征空间,C2(k)表示滑动两个脉冲数据对应的杂波特征空间。
步骤3:根据所述特征空间对所述FSA数据矢量进行波束域自适应降维处理得到降维后的数据矢量,具体如下:
根据所述特征空间构造三组数据的波束域投影矩阵;
在本实施例中,用波束中心的空域导向ss和特征空间构造三组数据的波束域投影矩阵,三组波束域投影矩阵表达式如下:
P0(k)=[ss,C0(k)];
P1(k)=[ss,C1(k)];
P2(k)=[ss,C2(k)];
其中,P0(k)表示不滑窗数据对应的波束投影矩阵,P1(k)表示滑动一个脉冲数据对应的波束投影矩阵,P2(k)表示滑动两个脉冲数据对应的波束投影矩阵。
根据所述波束域投影矩阵得到波束域降维矩阵,波束域降维矩阵为:
对所述FSA数据矢量进行波束域降维处理得到降维后的数据矢量z(k),其表达式为:
z(k)=T(k)Hx(k)。
步骤4:对所述降维后的数据矢量进行杂波抑制和自适应滤波处理得到杂波抑制后的距离-多普勒域数据。
在本实施例中,对降维后的数据矢量用最小均方误差准则(LCMV)求解杂波抑制权,并进行杂波抑制处理。
降维后数据的杂波加噪声协方差矩阵Rz(k)的计算式为:
Rz(k)=E[z(k)z(k)H];
对降维后的数据用最小均方误差准则(LCMV)进行自适应权求解,求得权矢量wopt为:
wopt(k)=μRz(k)-1sr;
利用杂波自适应权对原数据进行杂波抑制处理,第k个多普勒通道的L个样本滤波后输出为:
y(k)=wopt(k)Hz(k);
对每个多普勒通道均作以上处理,即可得到杂波抑制后的距离-多普勒域数据。
请参见图2,图2是本发明实施例提供的另一种杂波抑制降维方法流程示意图;在本实施例中,首先获取雷达回波的空时数据,从中获取三次时域脉冲滑窗的数据并进行DFT转换到距离-多普勒域,针对同一多普勒通道将三组距离多普勒域的数据排成FSA数据矢量;然后,求出每组数据的协方差矩阵并对其进行特征值分解,提取有限个特征波束构造特征空间,接着,利用特征空间构造每组数据的自适应投影矩阵,对原FSA数据进行波束域降维处理,最后,用降维后的数据矢量求解杂波抑制自适应权并进行杂波抑制处理;该方法在实现杂波抑制的同时,降低了自适应处理维数,减少了处理所需的均匀杂波样本数和运算量,在工程应用中具有更高的处理效率。
实施例二
下面结合仿真实验对本发明的效果进行进一步说明。
1、仿真条件
本发明实验仿真中的机载多通道雷达采用一发多收模式,工作于正侧视,波束中心与阵列天线平面夹角为90度,有10个等效阵元接收,阵元间距为0.123米,一个CPI内积累的脉冲数为200个,脉冲重频为3000赫兹,工作波长为0.246米,雷达最短探测距离为7千米,距离分辨力为20米,样本数为600个,平台飞行高度为6千米,速度为100米每秒,目标位于波束中心,径向速度为53米每秒。
2、仿真内容与结果分析
仿真实验一:
假设空间等效阵元数为N,计算传统FSA处理和本发明选取M个特征波束时对应的运算复杂度,如表1所示:
表1不同杂波抑制方法的运算复杂度
请参见图3,图3是本发明实施例提供的传统FSA处理和本发明方法运算复杂度随空间通道数的变化曲线图;由表1和图3可以得到,本发明的降维方法运算复杂度低于原方法,特别地,随着空间通道数的增多,本发明的运算复杂度比原方法降低得更显著。
仿真实验二:
采用传统FSA方法和本发明方法对仿真的回波数据进行杂波抑制处理,本发明方法在对协方差矩阵进行特征分解后,分别选取前1~3个特征波束构造降维矩阵。请参见图4a~4b,图4a是本发明实施例提供的传统FSA和本发明方法处理后的目标输出信杂噪比(SCNR)曲线图,图4b是局部放大图。
SCNR计算式为:
其中,b为目标的幅度。
从图4a~4b可以看出,本发明的方法在选取2~3个特征波束(构造特征空间时选取2~3个特征波束)时,输出SCNR与传统FSA处理后的输出SCNR相近。
仿真实验三:
计算样本数对输出SCNR的影响。选取某一多普勒通道k,根据仿真实验二中得到该多普勒通道的FSA数据协方差矩阵RFSA(k),通过下式产生新的样本数据:
式中,v为高斯白噪声列向量。此时产生的新数据样本xnew与原协方差矩阵中的样本服从相同的分布。通过该方法产生150个样本,选取1,2,…,150个样本计算自适应杂波抑制权,进而计算输出SCNR。
请参见图5,图5是本发明实施例提供的杂波抑制处理后输出SCNR随样本数变化的曲线图。由图5可以得出当样本数不足时,SCNR会有损失,本发明的方法因系统处理维数更低,收敛到稳定SCNR时比传统FSA需要的样本数少,所以在小样本下SCNR损失更低。
通过仿真实验结果,可以证明本发明方法具有杂波抑制的能力,同时具有更低的系统处理维数,运算量和估计协方差矩阵所需的样本数降低。综合图3的运算复杂度分析、图4a~4b的输出SCNR曲线和图5输出SCNR随样本数的变化曲线,优选取2~3个特征波束(对原协方差矩阵特征分解后选取2~3个特征波束构造特征空间)时的基于特征波束的自适应波束域FSA(AB-FSA)杂波抑制降维方法。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于特征波束的自适应波束域FSA的杂波抑制降维方法,其中,FSA表示先时域滑窗后时空联合的处理方法,其特征在于,包括:
获取FSA数据矢量;
获取特征空间;
根据所述特征空间对所述FSA数据矢量进行波束域自适应降维处理得到降维后的数据矢量,包括:
根据所述特征空间构造三组数据的波束域投影矩阵,具体为:
根据波束中心的空域导向ss和所述特征空间构造三组数据的波束域投影矩阵,所述波束域投影矩阵的表达式为:
P0(k)=[ss,C0(k)];
P1(k)=[ss,C1(k)];
P2(k)=[ss,C2(k)];
其中,P0(k)表示不滑窗数据对应的波束域投影矩阵,P1(k)表示滑动一个脉冲数据对应的波束域投影矩阵,P2(k)表示滑动两个脉冲数据对应的波束域投影矩阵,C0(k)表示不滑窗数据对应的杂波特征空间,C1(k)表示滑动一个脉冲数据对应的杂波特征空间,C2(k)表示滑动两个脉冲数据对应的杂波特征空间;
根据所述波束域投影矩阵得到波束域降维矩阵;
根据所述波束域降维矩阵对所述FSA数据矢量进行波束域降维处理得到降维后的数据矢量;
对所述降维后的数据矢量进行杂波抑制和自适应滤波处理得到杂波抑制后的距离-多普勒域数据。
2.根据权利要求1所述的杂波抑制降维方法,其特征在于,所述获取FSA数据矢量包括:
对雷达的N个空间等效阵元进行A/D采样,获得一个CPI内的K+2个脉冲回波数据;其中,所述K+2个脉冲回波数据包含L个样本的回波信息;
在每个空间等效阵元对所述K+2个脉冲数据进行三次时域滑窗处理,得到第1~K、2~K+1和3~K+2个脉冲组成的三组数据;
分别对所述三组数据进行K点的DFT转到多普勒域,得到FSA数据矢量;其中,对同一多普勒通道,三组数据分别将N个空间等效阵元的L个样本数据排成N×L维的数据矢量。
3.根据权利要求2所述的杂波抑制降维方法,其特征在于,所述FSA数据矢量的表达式为:
x(k)=[x0(k)T,x1(k)T,x2(k)T]T;
其中,x(k)表示FSA数据矢量,x0(k)表示第k个多普勒通道中数据不滑窗对应的数据矢量,x1(k)表示第k个多普勒通道中数据滑动一个脉冲对应的数据矢量,x2(k)表示第k个多普勒通道中数据滑动两个脉冲对应的数据矢量,(·)T表示转置。
4.根据权利要求3所述的杂波抑制降维方法,其特征在于,所述获取特征空间包括:
分别计算第k个多普勒通道中不滑窗、滑动一个脉冲和滑动两个脉冲数据的协方差矩阵,得到三个协方差矩阵;
对所述协方差矩阵进行特征分解并提取有限个特征波束构造特征空间。
6.根据权利要求4所述的杂波抑制降维方法,其特征在于,对所述协方差矩阵进行特征分解并提取有限个特征波束构造特征空间包括:
分别对所述三个协方差矩阵进行特征值分解,得到特征值;
对所述特征值由大到小排序,分别获得前M个大特征值λi,j对应的特征向量vi,j;其中,1≤M≤N,λi,j(i=0,1,2,j=1,2,...,M)表示第i组数据协方差矩阵Ri(k)的第j个大特征值,vi,j表示特征值λi,j对应的特征波束;
根据所述特征波束vi,j构造三组数据的特征空间。
7.根据权利要求6所述的杂波抑制降维方法,其特征在于,所述特征空间的表达式为:
C0(k)=[v0,1,...,v0,M];
C1(k)=[v1,1,...,v1,M];
C2(k)=[v2,1,...,v2,M];
其中,C0(k)表示不滑窗数据对应的杂波特征空间,C1(k)表示滑动一个脉冲数据对应的杂波特征空间,C2(k)表示滑动两个脉冲数据对应的杂波特征空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910704093.9A CN110609255B (zh) | 2019-07-31 | 2019-07-31 | 一种基于特征波束的自适应波束域fsa的杂波抑制降维方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910704093.9A CN110609255B (zh) | 2019-07-31 | 2019-07-31 | 一种基于特征波束的自适应波束域fsa的杂波抑制降维方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609255A CN110609255A (zh) | 2019-12-24 |
CN110609255B true CN110609255B (zh) | 2021-11-19 |
Family
ID=68891066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910704093.9A Active CN110609255B (zh) | 2019-07-31 | 2019-07-31 | 一种基于特征波束的自适应波束域fsa的杂波抑制降维方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609255B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466813B (zh) * | 2021-06-18 | 2022-06-28 | 上海交通大学 | 空-时二维滑窗的空-时自适应处理方法、系统及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102499712A (zh) * | 2011-09-30 | 2012-06-20 | 重庆大学 | 一种基于特征空间的前后向自适应波束形成方法 |
CN103353591A (zh) * | 2013-06-19 | 2013-10-16 | 西安电子科技大学 | 基于mimo的双基地雷达局域化降维杂波抑制方法 |
CN103728595A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于子空间投影的网络化雷达抑制压制式主瓣干扰方法 |
CN103941222A (zh) * | 2014-03-12 | 2014-07-23 | 西安电子科技大学 | 基于瑞利熵降维music算法的参数估计方法 |
CN104239895A (zh) * | 2014-09-03 | 2014-12-24 | 西安电子科技大学 | 基于特征降维的sar目标鉴别方法 |
CN105319538A (zh) * | 2015-11-24 | 2016-02-10 | 西安电子科技大学 | 基于辅助通道的空时自适应杂波抑制方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100871097B1 (ko) * | 2007-01-08 | 2008-11-28 | 김태근 | 결맞음 주파수영역 반사파 계측법에 기초한 광영상 시스템 |
US9772402B2 (en) * | 2014-06-09 | 2017-09-26 | Src, Inc. | Multiplatform GMTI radar with adaptive clutter suppression |
CN104155632A (zh) * | 2014-07-18 | 2014-11-19 | 南京航空航天大学 | 一种基于局部相关性的改进子空间海杂波抑制方法 |
JP6597150B2 (ja) * | 2015-10-09 | 2019-10-30 | 富士通株式会社 | 距離測定装置、距離測定方法、距離測定プログラムおよびテーブルの作成方法 |
CN106199546B (zh) * | 2016-06-30 | 2019-01-11 | 西安电子科技大学 | 基于外辐射源雷达的直达波信号提纯方法 |
CN106842140B (zh) * | 2017-01-23 | 2019-05-21 | 西安电子科技大学 | 一种基于和差波束降维的主瓣干扰抑制方法 |
CN107390197B (zh) * | 2017-08-04 | 2020-10-16 | 西安电子科技大学 | 基于特征空间的雷达自适应和差波束测角方法 |
-
2019
- 2019-07-31 CN CN201910704093.9A patent/CN110609255B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102499712A (zh) * | 2011-09-30 | 2012-06-20 | 重庆大学 | 一种基于特征空间的前后向自适应波束形成方法 |
CN103353591A (zh) * | 2013-06-19 | 2013-10-16 | 西安电子科技大学 | 基于mimo的双基地雷达局域化降维杂波抑制方法 |
CN103728595A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于子空间投影的网络化雷达抑制压制式主瓣干扰方法 |
CN103941222A (zh) * | 2014-03-12 | 2014-07-23 | 西安电子科技大学 | 基于瑞利熵降维music算法的参数估计方法 |
CN104239895A (zh) * | 2014-09-03 | 2014-12-24 | 西安电子科技大学 | 基于特征降维的sar目标鉴别方法 |
CN105319538A (zh) * | 2015-11-24 | 2016-02-10 | 西安电子科技大学 | 基于辅助通道的空时自适应杂波抑制方法 |
Non-Patent Citations (2)
Title |
---|
"一种时域滑窗多普勒后处理的STAP方法";姜晖等;《数据采集与处理》;20120331;第27卷(第2期);125-130 * |
"基于特征空间的降维自适应波束形成算法";王齐珍等;《计算机工程与应用》;20081231;49-51 * |
Also Published As
Publication number | Publication date |
---|---|
CN110609255A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8179300B2 (en) | Method for suppressing clutter in space-time adaptive processing systems | |
Zhang et al. | Reduced dimension STAP based on sparse recovery in heterogeneous clutter environments | |
CN111220955B (zh) | 基于垂直阵列协方差矩阵特征分解的机载气象雷达地杂波抑制方法 | |
CN112612005B (zh) | 基于深度学习的雷达抗主瓣干扰方法 | |
CN106772253B (zh) | 一种非均匀杂波环境下的雷达杂波抑制方法 | |
CN101881822B (zh) | 一种针对共享谱雷达同频干扰的抑制方法 | |
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 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN115963457B (zh) | 一种多通道无源雷达直达波干扰抑制方法 | |
CN110082744A (zh) | 多普勒分级复用的mimo机载双基雷达杂波抑制方法 | |
CN115932749A (zh) | 一种基于盲源分离算法的主瓣干扰抑制方法 | |
CN110196417B (zh) | 基于发射能量集中的双基地mimo雷达角度估计方法 | |
CN112255608A (zh) | 一种基于正交投影的雷达杂波自适应抑制方法 | |
CN107450046B (zh) | 低仰角多径环境下的波达角估计方法 | |
CN107748364A (zh) | 基于降秩多级维纳滤波器的低空风切变风场速度估计方法 | |
CN110609255B (zh) | 一种基于特征波束的自适应波束域fsa的杂波抑制降维方法 | |
CN111220986A (zh) | 回波功率筛选与dlcd辅助的低空风切变风速估计方法 | |
CN108896963B (zh) | 机载雷达空时自适应降维处理方法 | |
CN106802408B (zh) | 基于稀疏恢复的机载非正侧阵近程杂波距离模糊抑制方法 | |
CN113376606A (zh) | 沿杂波脊快速收敛稀疏贝叶斯的杂波抑制方法 | |
Wu et al. | Time-varying space–time autoregressive filtering algorithm for space–time adaptive processing | |
CN114137494A (zh) | 基于最小冗余特征波束的阵列回波数据降维处理方法 | |
Shen et al. | Efficient adaptive approach for airborne radar short-range clutter suppression | |
Guan et al. | A CFAR detector for MIMO array radar based on adaptive pulse compression-Capon filter | |
CN114428228B (zh) | 高重频和差天线雷达导引头的杂波抑制方法 |
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 |