CN110658517B - 一种基于不确定先验知识的降维稀疏stap方法及装置 - Google Patents

一种基于不确定先验知识的降维稀疏stap方法及装置 Download PDF

Info

Publication number
CN110658517B
CN110658517B CN201910963420.2A CN201910963420A CN110658517B CN 110658517 B CN110658517 B CN 110658517B CN 201910963420 A CN201910963420 A CN 201910963420A CN 110658517 B CN110658517 B CN 110658517B
Authority
CN
China
Prior art keywords
clutter
order
dimension
matrix
sparse
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
Application number
CN201910963420.2A
Other languages
English (en)
Other versions
CN110658517A (zh
Inventor
阳召成
汪小叶
刘海帆
黄建军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201910963420.2A priority Critical patent/CN110658517B/zh
Publication of CN110658517A publication Critical patent/CN110658517A/zh
Application granted granted Critical
Publication of CN110658517B publication Critical patent/CN110658517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • 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
    • G01S7/41—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G01S7/356—Receivers involving particularities of FFT processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

根据本发明实施例公开的一种基于不确定先验知识的降维稀疏STAP方法及装置，利用离散傅里叶变换对雷达接收信号进行一阶降维，得到杂波一阶降维稀疏测量模型；基于不确定的雷达参数先验知识构造二阶降维矩阵，并通过二阶降维矩阵对杂波一阶降维稀疏测量模型进行二阶降维，得到杂波二阶降维稀疏测量模型；基于杂波二阶降维稀疏测量模型构建杂波子空间优化问题；求解杂波子空间优化问题得到杂波子空间，并通过杂波子空间计算STAP滤波器的权重矢量。通过本发明的实施，对杂波稀疏测量模型进行二阶降维，并设计STAP滤波器权矢量以避免矩阵求逆运算，有效降低了滤波器设计的计算复杂度，提高了在机载雷达的杂波抑制上的实现性。

Description

一种基于不确定先验知识的降维稀疏STAP方法及装置
技术领域
本发明涉及雷达杂波抑制技术领域，尤其涉及一种基于不确定先验知识的降维稀疏STAP方法及装置。
背景技术
对于机载雷达而言，空时自适应处理(Space-Time Adaptive Processing，STAP)一直以来都是杂波抑制与目标检测的一项重要技术。它充分利用相控阵列天线提供的多个空域通道信息和相干脉冲串提供的时域信息，通过空域和时域二维自适应滤波的方式进行杂波抑制，改善了传统方法只利用多普勒维检测目标，且只在时频域上进行处理的性能。
相比传统的运动目标检测技术，空时自适应处理技术有更高的系统自由度，对处理背景杂波的适应性更强，但全维STAP方法也存在着对独立同分布训练样本数需求大，收敛缓慢的限制，这使得全维STAP方法在现实应用中举步维艰，尤其是在非均匀杂波的环境下。针对全维STAP收敛慢的问题，研究人员近些年提出了一些基于稀疏的互质阵列、互质脉冲重复间隔的空时自适应处理算法，可以在少量独立同分布训练样本下持有较高的杂波抑制水平，但是这些算法的计算复杂度较高，在机载雷达杂波抑制上的实现性较差。
发明内容
本发明实施例的主要目的在于提供一种基于不确定先验知识的降维稀疏STAP方法及装置，至少能够解决相关技术中所采用的空时自适应处理算法的复杂度较高，在机载雷达杂波抑制上的实现性较差的问题。
为实现上述目的，本发明实施例第一方面提供了一种基于不确定先验知识的降维稀疏STAP方法，该方法包括：
利用离散傅里叶变换对雷达接收信号进行一阶降维，得到杂波一阶降维稀疏测量模型；
基于不确定的雷达参数先验知识构造二阶降维矩阵，并通过所述二阶降维矩阵对所述杂波一阶降维稀疏测量模型进行二阶降维，得到杂波二阶降维稀疏测量模型；
基于所述杂波二阶降维稀疏测量模型构建杂波子空间优化问题；
求解所述杂波子空间优化问题得到杂波子空间，并通过所述杂波子空间计算STAP滤波器的权重矢量。
为实现上述目的，本发明实施例第二方面提供了一种基于不确定先验知识的降维稀疏STAP装置，该装置包括：
一阶降维模块，用于利用离散傅里叶变换对雷达接收信号进行一阶降维，得到杂波一阶降维稀疏测量模型；
二阶降维模块，用于基于不确定的雷达参数先验知识构造二阶降维矩阵，并通过所述二阶降维矩阵对所述杂波一阶降维稀疏测量模型进行二阶降维，得到杂波二阶降维稀疏测量模型；
构建模块，用于基于所述杂波二阶降维稀疏测量模型构建杂波子空间优化问题；
计算模块，用于求解所述杂波子空间优化问题得到杂波子空间，并通过所述杂波子空间计算STAP滤波器的权重矢量。
根据本发明实施例提供的基于不确定先验知识的降维稀疏STAP方法及装置，利用离散傅里叶变换对雷达接收信号进行一阶降维，得到杂波一阶降维稀疏测量模型；基于不确定的雷达参数先验知识构造二阶降维矩阵，并通过二阶降维矩阵对杂波一阶降维稀疏测量模型进行二阶降维，得到杂波二阶降维稀疏测量模型；基于杂波二阶降维稀疏测量模型构建杂波子空间优化问题；求解杂波子空间优化问题得到杂波子空间，并通过杂波子空间计算STAP滤波器的权重矢量。通过本发明的实施，对杂波稀疏测量模型进行二阶降维，并设计STAP滤波器权矢量以避免矩阵求逆运算，有效降低了滤波器设计的计算复杂度，提高了在机载雷达的杂波抑制上的实现性。
本发明其他特征和相应的效果在说明书的后面部分进行阐述说明，且应当理解，至少部分效果从本发明说明书中的记载变的显而易见。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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为本发明第一实施例提供的降维稀疏STAP方法的基本流程示意图；
图2为本发明第一实施例提供的一阶降维方法的流程示意图；
图3为本发明第二实施例提供的不同先验知识准确度对本发明方法输出SINR的影响示意图；
图4为本发明第二实施例提供的不同Me对本发明方法输出SINR的影响示意图；
图5为本发明第二实施例提供的不同Md对本发明方法输出SINR的影响示意图；
图6-1为本发明第二实施例提供的不同误差范围的平台速度估计精度与本发明方法输出SINR的关系示意图；
图6-2为本发明第二实施例提供的不同误差范围的水平角估计精度与本发明方法输出SINR的关系示意图；
图7为本发明第二实施例提供的多普勒通道数量对本发明方法输出SINR的影响示意图；
图8为本发明第二实施例提供的不同算法的理论性能比较示意图；
图9为本发明第二实施例提供的不同算法输出的SINR与样本数量的关系示意图；
图10为本发明第二实施例提供的不同算法输出的SINR与目标多普勒频率的关系示意图；
图11为本发明第三实施例提供的降维稀疏STAP装置的结构示意图；
图12为本发明第四实施例提供的电子装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域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。
第一实施例：
为了解决相关技术中所采用的空时自适应处理算法的复杂度较高，在机载雷达杂波抑制上的实现性较差的技术问题，本实施例提出了一种基于不确定先验知识的降维稀疏STAP方法，如图1所示为本实施例提供的降维稀疏STAP方法的基本流程示意图，本实施例提出的降维稀疏STAP方法具体包括以下的步骤：
步骤101、利用离散傅里叶变换对雷达接收信号进行一阶降维，得到杂波一阶降维稀疏测量模型。
在本实施例一种可选的实施方式中，请参阅如图2所示的一阶降维方法的流程示意图，步骤101的实现具体包括以下步骤：
步骤201、基于降维转换矩阵，利用离散傅里叶变换对雷达接收信号进行降维，并获取降维信号中的干扰分量。
具体的，利用降维转换矩阵，可以将降维信号表示为：
Figure BDA0002229715730000041
其中，(·)H表示共轭转置运算，U为降维转换矩阵，at为目标未知的复振幅，
Figure BDA0002229715730000042
表示空时导向矢量，xu为接收信号的干扰分量；
而降维信号中的干扰分量可以表示为：
xr,u＝UHxu＝UHxc+UHn，
其中，xc为杂波分量，n为噪声分量。由于降维转换仅考虑多普勒域，因此降维转换矩阵U可以表示为：
Figure BDA0002229715730000043
Ut表示多普勒域M×m的转换矩阵，且
Figure BDA0002229715730000044
是频率为
Figure BDA0002229715730000045
的离散傅里叶变换系数向量，I为单位矩阵，m为选择的多普勒单元的数量。
步骤202、确定降维信号中的干扰分量的协方差矩阵。
具体的，降维后干扰信号的协方差矩阵可表示为：
Figure BDA0002229715730000046
其中，
Figure BDA0002229715730000047
为接收信号的干扰分量xu在对应频率为
Figure BDA0002229715730000048
的傅里叶变换系数，
Figure BDA0002229715730000049
为Toeplitz矩阵。
步骤203、基于协方差矩阵构建降维虚拟空时快拍向量。
具体的，由于
Figure BDA0002229715730000051
为Toeplitz矩阵，从而本实施例可以直接应用传统的虚拟空时快拍构建方法。在本实施例中，虚拟空时快拍可以表示为：
Figure BDA0002229715730000052
其中，P为虚拟转换矩阵，且：
Figure BDA0002229715730000053
在上式中，协方差向量r是干扰协方差矩阵R的矢量化形式，且r＝vec(R)，那么全维虚拟空时快拍向量z可以表示为：
z＝Fr，
在上式中，F为NνMν×N2M2的矩阵，它表征协方差向量r和全维虚拟空时快拍向量z的关系。由于F有伪逆矩阵，因此可以将降维虚拟空时快拍向量表示为：
zr＝Gz，
且
Figure BDA0002229715730000054
其中，P为虚拟转换矩阵，F为NνMν×N2M2的矩阵，
Figure BDA0002229715730000055
表示伪逆操作，
Figure BDA0002229715730000056
R为干扰分量的协方差矩阵，r为协方差向量。
步骤204、基于降维虚拟空时快拍向量确定杂波一阶降维稀疏测量模型。
具体的，结合
Figure BDA0002229715730000057
则可以将杂波一阶降维稀疏测量模型表示为：
Figure BDA0002229715730000058
其中，Φr＝GΦ，Φr的维度为mNν，Φr各维度的元素个数为NdNs，
Figure BDA0002229715730000059
为一阶降维稀疏测量模型中的杂波稀疏向量。Φr的大小为mNν×NdNs，
Figure BDA00022297157300000510
是zr的稀疏表现形式，可以看到，虽然Φr的维度从NνMν下降到了mNν(Φ维度为NnMn×NdNs)，但是各维度的元素个数依旧有NdNs个，计算复杂度依然很高，需要进一步改进。
步骤102、基于不确定的雷达参数先验知识构造二阶降维矩阵，并通过二阶降维矩阵对杂波一阶降维稀疏测量模型进行二阶降维，得到杂波二阶降维稀疏测量模型。
具体的，在本实施例中，对于给定的距离单元，机载雷达观测的杂波片的位置可由空间频率和多普勒频率描述，两者分别用公式表示为：
Figure BDA0002229715730000061
Figure BDA0002229715730000062
应当说明的是，上述公式中假定的是准确已知的无误差的雷达系统参数，如搭载雷达平台的速度νp、方位角θ、偏航角ψ、俯仰角
Figure BDA0002229715730000063
但是，现实中不精准的测量及阵列误差的影响经常会使得上述雷达系统参数存在各种误差，因此上述两个频率的准确值并不容易获得。经过分析，目前雷达系统参数中俯仰角
Figure BDA0002229715730000064
受各种误差的影响较小，而搭载雷达平台的速度νp及偏航角ψ受误差影响较大，因此受误差影响，主要带来的还是多普勒频率的不确定性，在本实施例中，将实际多普勒频率可以表示为理论多普勒频率与一个不确定量的和，即：
Figure BDA0002229715730000065
且不确定量
Figure BDA0002229715730000066
满足如下关系：
Figure BDA0002229715730000067
应当说明的是，υ′p为测量的平台速度，可能会有测量误差。
在本实施例中，在基于不确定的雷达参数先验知识进行二阶降维时，首先将杂波的实际多普勒频率限制于区间
Figure BDA0002229715730000068
并将区间均分为Me等份得到误差情况下对应的归一化多普勒频率：
Figure BDA0002229715730000069
其中，
Figure BDA00022297157300000610
Figure BDA00022297157300000611
为理论多普勒频率，
Figure BDA00022297157300000612
为不确定量；
然后对所有方位角下的归一化多普勒频率进行归集得到：
Figure BDA00022297157300000613
其中，Md为得到的离散多普勒频率点总数；
最后计算各方位角下对应的归一化空域频率，然后基于归一化空域频率以及离散多普勒频率点构造二阶降维矩阵。
那么，利用不准确的先验知识，对观测的距离单元的杂波利用先验的空域频率和所得到的多普勒频率点，即可构造出一个二阶降维矩阵，表示为Ψ。
进一步地，在本实施例一种可选的实施方式中，杂波二阶降维稀疏测量模型表示为：
Figure BDA0002229715730000071
其中，Ψ为二阶降维矩阵，
Figure BDA0002229715730000072
为二阶降维稀疏模型中的杂波稀疏向量，
Figure BDA0002229715730000073
为热噪声功率，ε为虚拟空时快拍的估计误差。
步骤103、基于杂波二阶降维稀疏测量模型构建杂波子空间优化问题。
具体的，在本实施例中，根据杂波的稀疏性，杂波频谱的估计可转化为一个最小化问题。优选的，本实施例的杂波子空间优化问题表示为：
Figure BDA0002229715730000074
其中，s.t.表示约束条件，ζ1表示虚拟空时快拍的估计误差ε的有关噪声容限。
步骤104、求解杂波子空间优化问题得到杂波子空间，并通过杂波子空间计算STAP滤波器的权重矢量。
在本实施例一种可选的实施方式中，采用OMP-like算法解决上述优化问题来估计杂波子空间，并通过基于特征分析的方法结合杂波子空间计算STAP滤波器的权重矢量，进一步降低计算复杂度。
在本实施例中，基于OMP-like算法，初始化残差向量γ0＝zr、索引集合
Figure BDA0002229715730000075
及二阶降维矩阵Ψ0＝Ψ，然后迭代计算第k个索引集及第k个最重要的导向矢量；第k个索引集和第k个最重要的导向矢量分别表示为：
Figure BDA0002229715730000076
和
Figure BDA0002229715730000077
将第K次迭代后所获得的导向矢量集确定为杂波子空间；第K次迭代后所获得的导向矢量集表示为：
Figure BDA0002229715730000078
进一步地，利用基于特征分析的方法，通过杂波子空间计算STAP滤波器的权重矢量；权重矢量表示为：
Figure BDA0002229715730000079
其中，I为单位矩阵，
Figure BDA00022297157300000710
为目标降维后的虚拟导向矢量。
根据本发明实施例提供过的基于不确定先验知识的降维稀疏STAP方法，利用离散傅里叶变换对雷达接收信号进行一阶降维，得到杂波一阶降维稀疏测量模型；基于不确定的雷达参数先验知识构造二阶降维矩阵，并通过二阶降维矩阵对杂波一阶降维稀疏测量模型进行二阶降维，得到杂波二阶降维稀疏测量模型；基于杂波二阶降维稀疏测量模型构建杂波子空间优化问题；求解杂波子空间优化问题得到杂波子空间，并通过杂波子空间计算STAP滤波器的权重矢量。通过本发明的实施，对杂波稀疏测量模型进行二阶降维，并设计STAP滤波器权矢量以避免矩阵求逆运算，有效降低了滤波器设计的计算复杂度，提高了在机载雷达的杂波抑制上的实现性。
第二实施例：
为了对本发明的内容进行更好的说明，本实施例通过仿真数据来说明不同参数对本发明的影响及本发明在样本数据、SINR性能稀疏恢复的有益效果。
在仿真中，对雷达参数进行如下设定：机载雷达vp＝125m/s，hp＝4000m；d0＝0.0625m和PRF＝4000Hz。假定杂波在给定距离单元分成361片，每一片杂波均服从独立的零均值复高斯分布，噪声满足方差为1的零均值复高斯分布。本实施例通过平均500次独立的蒙特卡罗实验来获得仿真结果。
在本实施例中，假设互质阵列有N＝6个传感器，其中互质对为N1＝2，N2＝3，一个相干处理间隔(CPI)的脉冲个数为M＝18，杂噪比CNR＝40dB，Me＝15，每次实验的训练样本个数为5。首先，本实施例探索了一些先验知识准确度对本发明算法输出的信号与干扰加噪声比(SINR，Signal to Interference plus Noise Ratio)的影响，如图3所示为不同先验知识准确度对本发明方法输出SINR的影响示意图，从图3可以看出，水平角及平台速度的最大不定量Δψm、Δvpm对算法性能影响都很细微，这是由于本发明算法估计并补偿了这些误差。接着第二个仿真，探索了当Δvpm＝2m/s，Δψm＝1°时，不同Me对本发明算法输出SINR的影响，发现Me的值对算法性能并没有影响，如图4所示为不同Me对本发明方法输出SINR的影响示意图。而在第三个仿真中，则是探索了不同Md对算法输出SINR的影响，并得出了Md≥4NuMe的情况下算法性能较优的结论，如图5所示为不同Md对本发明方法输出SINR的影响示意图。另外，如图6-1所示为不同误差范围的平台速度估计精度与本发明方法输出SINR的关系示意图，如图6-2所示为不同误差范围的水平角估计精度与本发明方法输出SINR的关系示意图，尽管随着σvp/Δvpmσψ/Δψm增大，算法性能会有所下降，但总体而言，算法性能依旧相对稳定。如图7所示为多普勒通道数量对本发明方法输出SINR的影响示意图，其中，本发明方法也即图7中的RTSKA-RD-SA-STAP算法，图7说明了多普勒通道的数量m会对算法有较显著的影响，当m＝1时算法性能很差，需要m≥3，考虑到m值的增大会带来计算复杂度与样本需求量的增加，因此优选的将m设置为3。
最后，将本发明方法与一些其他算法进行了比较，如图8至图10所示，其中，图8为不同算法的理论性能比较示意图，如图9所示为不同算法输出的SINR与样本数量的关系示意图，图10为不同算法输出的SINR与目标多普勒频率的关系示意图，可以看出，本发明提出的RTSKA-RS-SA-STAP算法在理论SINR性能(无限训练样本)、样本需求量及200个训练样本下的SINR性能均明显优于其他算法。并且，RTSKA-RS-SA-STAP算法表现出的SINR性能很稳定。
第三实施例：
为了解决相关技术中所采用的空时自适应处理算法的复杂度较高，在机载雷达杂波抑制上的实现性较差的技术问题，本实施例示出了一种基于不确定先验知识的降维稀疏STAP装置，具体请参见图11，本实施例的降维稀疏STAP装置包括：
一阶降维模块1101，用于利用离散傅里叶变换对雷达接收信号进行一阶降维，得到杂波一阶降维稀疏测量模型；
二阶降维模块1102，用于基于不确定的雷达参数先验知识构造二阶降维矩阵，并通过二阶降维矩阵对杂波一阶降维稀疏测量模型进行二阶降维，得到杂波二阶降维稀疏测量模型；
构建模块1103，用于基于杂波二阶降维稀疏测量模型构建杂波子空间优化问题；
计算模块1104，用于求解杂波子空间优化问题得到杂波子空间，并通过杂波子空间计算STAP滤波器的权重矢量。
在本实施例的一些实施方式中，一阶降维模块1101具体用于：
首先，基于降维转换矩阵，利用离散傅里叶变换对雷达接收信号进行降维，并获取降维信号中的干扰分量；降维信号表示为：
Figure BDA0002229715730000091
其中，(·)H表示共轭转置运算，at为目标未知的复振幅，
Figure BDA0002229715730000092
表示空时导向矢量，xu为接收信号的干扰分量；
降维信号中的干扰分量表示为：
xr,u＝UHxu＝UHxc+UHn，
其中，xc为杂波分量，n为噪声分量，
Figure BDA0002229715730000101
Ut表示多普勒域M×m的转换矩阵，且
Figure BDA0002229715730000102
是频率为
Figure BDA0002229715730000103
的离散傅里叶变换系数向量，I为单位矩阵，m为选择的多普勒单元的数量；
其次，确定降维信号中的干扰分量的协方差矩阵；协方差矩阵表示为：
Figure BDA0002229715730000104
其中，
Figure BDA0002229715730000105
为接收信号的干扰分量xu在对应频率为
Figure BDA0002229715730000106
的傅里叶变换系数，
Figure BDA0002229715730000107
为Toeplitz矩阵；
再次，基于协方差矩阵构建降维虚拟空时快拍向量；降维虚拟空时快拍向量表示为：zr＝Gz，且
Figure BDA0002229715730000108
其中，P为虚拟转换矩阵，F为NνMν×N2M2的矩阵，
Figure BDA0002229715730000109
表示伪逆操作，
Figure BDA00022297157300001010
R为干扰分量的协方差矩阵，r为协方差向量；
最后，基于降维虚拟空时快拍向量确定杂波一阶降维稀疏测量模型；杂波一阶降维稀疏测量模型表示为：
Figure BDA00022297157300001011
其中，Φr＝GΦ，Φr的维度为mNν，Φr各维度的元素个数为NdNs，
Figure BDA00022297157300001012
为一阶降维稀疏测量模型中的杂波稀疏向量。
进一步地，在本实施例的一些实施方式中，二阶降维模块1102具体用于：
将杂波的实际多普勒频率限制于区间
Figure BDA00022297157300001013
并将区间均分为Me等份得到误差情况下对应的归一化多普勒频率：
Figure BDA00022297157300001014
其中，
Figure BDA0002229715730000111
Figure BDA0002229715730000112
为理论多普勒频率，
Figure BDA0002229715730000113
为不确定量，νp为搭载雷达平台的速度，ψ为偏航角，
Figure BDA0002229715730000114
为俯仰角，θ为方位角；
对所有方位角下的归一化多普勒频率进行归集得到：
Figure BDA0002229715730000115
其中，Md为得到的离散多普勒频率点总数；
计算各方位角下对应的归一化空域频率，然后基于归一化空域频率以及离散多普勒频率点构造二阶降维矩阵。
进一步地，在本实施例的一些实施方式中，计算模块1104在求解杂波子空间优化问题得到杂波子空间时，具体用于：
首先基于OMP-like算法，初始化残差向量γ0＝zr、索引集合
Figure BDA0002229715730000116
及二阶降维矩阵Ψ0＝Ψ，然后迭代计算第k个索引集及第k个最重要的导向矢量；第k个索引集和第k个最重要的导向矢量分别表示为：
Figure BDA0002229715730000117
和
Figure BDA0002229715730000118
然后将第K次迭代后所获得的导向矢量集确定为杂波子空间；第K次迭代后所获得的导向矢量集表示为：
Figure BDA0002229715730000119
进一步地，在本实施例的一些实施方式中，计算模块1104在通过杂波子空间计算STAP滤波器的权重矢量时，具体用于：
利用基于特征分析的方法，通过杂波子空间计算STAP滤波器的权重矢量；权重矢量表示为：
Figure BDA00022297157300001110
其中，I为单位矩阵，
Figure BDA00022297157300001111
为目标降维后的虚拟导向矢量。
应当说明的是，前述实施例中的基于不确定先验知识的降维稀疏STAP方法均可基于本实施例提供的基于不确定先验知识的降维稀疏STAP装置实现，所属领域的普通技术人员可以清楚的了解到，为描述的方便和简洁，本实施例中所描述的降维稀疏STAP装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
采用本实施例提供的基于不确定先验知识的降维稀疏STAP装置，利用离散傅里叶变换对雷达接收信号进行一阶降维，得到杂波一阶降维稀疏测量模型；基于不确定的雷达参数先验知识构造二阶降维矩阵，并通过二阶降维矩阵对杂波一阶降维稀疏测量模型进行二阶降维，得到杂波二阶降维稀疏测量模型；基于杂波二阶降维稀疏测量模型构建杂波子空间优化问题；求解杂波子空间优化问题得到杂波子空间，并通过杂波子空间计算STAP滤波器的权重矢量。通过本发明的实施，对杂波稀疏测量模型进行二阶降维，并设计STAP滤波器权矢量以避免矩阵求逆运算，有效降低了滤波器设计的计算复杂度，提高了在机载雷达的杂波抑制上的实现性。
第四实施例：
本实施例提供了一种电子装置，参见图12所示，其包括处理器1201、存储器1202及通信总线1203，其中：通信总线1203用于实现处理器1201和存储器1202之间的连接通信；处理器1201用于执行存储器1202中存储的一个或者多个计算机程序，以实现上述实施例一中的点胶检测方法中的至少一个步骤。
本实施例还提供了一种计算机可读存储介质，该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory，随机存取存储器),ROM(Read-Only Memory，只读存储器),EEPROM(Electrically Erasable Programmable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序，其存储的一个或者多个计算机程序可被处理器执行，以实现上述实施例一中的方法的至少一个步骤。
本实施例还提供了一种计算机程序，该计算机程序可以分布在计算机可读介质上，由可计算装置来执行，以实现上述实施例一中的方法的至少一个步骤；并且在某些情况下，可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
本实施例还提供了一种计算机程序产品，包括计算机可读装置，该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。
可见，本领域的技术人员应该明白，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。
此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明实施例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 (8)

1.一种基于不确定先验知识的降维稀疏STAP方法，其特征在于，包括：
利用离散傅里叶变换对雷达接收信号进行一阶降维，得到杂波一阶降维稀疏测量模型；
基于不确定的雷达参数先验知识构造二阶降维矩阵，并通过所述二阶降维矩阵对所述杂波一阶降维稀疏测量模型进行二阶降维，得到杂波二阶降维稀疏测量模型；
基于所述杂波二阶降维稀疏测量模型构建杂波子空间优化问题；
求解所述杂波子空间优化问题得到杂波子空间，并通过所述杂波子空间计算STAP滤波器的权重矢量；
其中，所述利用离散傅里叶变换对雷达接收信号进行一阶降维，得到杂波一阶降维稀疏测量模型包括：
基于降维转换矩阵，利用离散傅里叶变换对雷达接收信号进行降维，并获取降维信号中的干扰分量；所述降维信号表示为：
Figure FDA0003145014120000011
其中，(·)H表示共轭转置运算，U为降维转换矩阵，at为目标未知的复振幅，
Figure FDA0003145014120000012
表示空时导向矢量，xu为接收信号的干扰分量；
所述降维信号中的干扰分量表示为：
xr,u＝UHxu＝UHxc+UHn，
其中，xc为杂波分量，n为噪声分量，
Figure FDA0003145014120000013
Ut表示多普勒域M×m的转换矩阵，且
Figure FDA0003145014120000014
是频率为
Figure FDA0003145014120000015
的离散傅里叶变换系数向量，I为单位矩阵，m为选择的多普勒单元的数量；
确定所述降维信号中的干扰分量的协方差矩阵；所述协方差矩阵表示为：
Figure FDA0003145014120000016
其中，
Figure FDA0003145014120000017
为接收信号的干扰分量xu在对应频率为
Figure FDA0003145014120000018
的傅里叶变换系数，
Figure FDA0003145014120000019
为Toeplitz矩阵；
基于所述协方差矩阵构建降维虚拟空时快拍向量；所述降维虚拟空时快拍向量表示为：zr＝Gz，且
Figure FDA0003145014120000021
其中，P为虚拟转换矩阵，F为NνMν×N2M2的矩阵，
Figure FDA0003145014120000022
表示伪逆操作，
Figure FDA0003145014120000023
R为干扰分量的协方差矩阵，r为协方差向量，z为全维虚拟空时快拍向量；
基于所述降维虚拟空时快拍向量确定杂波一阶降维稀疏测量模型；所述杂波一阶降维稀疏测量模型表示为：
Figure FDA0003145014120000024
其中，Φr＝GΦ，Φr的维度为mNν，Φr各维度的元素个数为NdNs，
Figure FDA0003145014120000025
为所述一阶降维稀疏测量模型中的杂波稀疏向量。
2.如权利要求1所述的降维稀疏STAP方法，其特征在于，所述基于不确定的雷达参数先验知识构造二阶降维矩阵包括：
将杂波的实际多普勒频率限制于区间
Figure FDA0003145014120000026
并将所述区间均分为Me等份得到误差情况下对应的归一化多普勒频率：
Figure FDA0003145014120000027
其中，
Figure FDA0003145014120000028
Figure FDA0003145014120000029
为理论多普勒频率，
Figure FDA00031450141200000210
为不确定量，νp为搭载雷达平台的速度，ψ为偏航角，
Figure FDA00031450141200000211
为俯仰角，θ为方位角；
对所有方位角下的所述归一化多普勒频率进行归集得到：
Figure FDA00031450141200000212
其中，Md为得到的离散多普勒频率点总数；
计算各方位角下对应的归一化空域频率，然后基于所述归一化空域频率以及所述离散多普勒频率点构造二阶降维矩阵。
3.如权利要求2所述的降维稀疏STAP方法，其特征在于，所述杂波二阶降维稀疏测量模型表示为：
Figure FDA00031450141200000213
其中，Ψ为二阶降维矩阵，
Figure FDA00031450141200000214
为二阶降维稀疏模型中的杂波稀疏向量，
Figure FDA00031450141200000215
为热噪声功率，ε为虚拟空时快拍的估计误差。
4.如权利要求3所述的降维稀疏STAP方法，其特征在于，所述杂波子空间优化问题表示为：
Figure FDA0003145014120000031
其中，s.t.表示约束条件，ζ1表示虚拟空时快拍的估计误差ε的有关噪声容限。
5.如权利要求4所述的降维稀疏STAP方法，其特征在于，所述求解所述杂波子空间优化问题得到杂波子空间包括：
基于OMP-like算法，初始化残差向量γ0＝zr、索引集合
Figure FDA0003145014120000032
及二阶降维矩阵Ψ0＝Ψ，然后迭代计算第k个索引集及第k个最重要的导向矢量；所述第k个索引集和所述第k个最重要的导向矢量分别表示为：
Figure FDA0003145014120000033
和
Figure FDA0003145014120000034
将第K次迭代后所获得的导向矢量集确定为杂波子空间；所述第K次迭代后所获得的导向矢量集表示为：
Figure FDA0003145014120000035
6.如权利要求5所述的降维稀疏STAP方法，其特征在于，所述通过所述杂波子空间计算STAP滤波器的权重矢量包括：
利用基于特征分析的方法，通过所述杂波子空间计算STAP滤波器的权重矢量；所述权重矢量表示为：
Figure FDA0003145014120000036
其中，I为单位矩阵，
Figure FDA0003145014120000037
为目标降维后的虚拟导向矢量。
7.一种基于不确定先验知识的降维稀疏STAP装置，其特征在于，包括：
一阶降维模块，用于利用离散傅里叶变换对雷达接收信号进行一阶降维，得到杂波一阶降维稀疏测量模型；
二阶降维模块，用于基于不确定的雷达参数先验知识构造二阶降维矩阵，并通过所述二阶降维矩阵对所述杂波一阶降维稀疏测量模型进行二阶降维，得到杂波二阶降维稀疏测量模型；
构建模块，用于基于所述杂波二阶降维稀疏测量模型构建杂波子空间优化问题；
计算模块，用于求解所述杂波子空间优化问题得到杂波子空间，并通过所述杂波子空间计算STAP滤波器的权重矢量；
其中，所述一阶降维模块具体用于：
基于降维转换矩阵，利用离散傅里叶变换对雷达接收信号进行降维，并获取降维信号中的干扰分量；所述降维信号表示为：
Figure FDA0003145014120000041
其中，(·)H表示共轭转置运算，U为降维转换矩阵，at为目标未知的复振幅，
Figure FDA0003145014120000042
表示空时导向矢量，xu为接收信号的干扰分量；
所述降维信号中的干扰分量表示为：
xr,u＝UHxu＝UHxc+UHn，
其中，xc为杂波分量，n为噪声分量，
Figure FDA0003145014120000043
Ut表示多普勒域M×m的转换矩阵，且
Figure FDA0003145014120000044
是频率为
Figure FDA0003145014120000045
的离散傅里叶变换系数向量，I为单位矩阵，m为选择的多普勒单元的数量；
确定所述降维信号中的干扰分量的协方差矩阵；所述协方差矩阵表示为：
Figure FDA0003145014120000046
其中，
Figure FDA0003145014120000047
为接收信号的干扰分量xu在对应频率为
Figure FDA0003145014120000048
的傅里叶变换系数，
Figure FDA0003145014120000049
为Toeplitz矩阵；
基于所述协方差矩阵构建降维虚拟空时快拍向量；所述降维虚拟空时快拍向量表示为：zr＝Gz，且
Figure FDA00031450141200000410
其中，P为虚拟转换矩阵，F为NνMν×N2M2的矩阵，
Figure FDA00031450141200000411
表示伪逆操作，
Figure FDA00031450141200000412
R为干扰分量的协方差矩阵，r为协方差向量，z为全维虚拟空时快拍向量；
基于所述降维虚拟空时快拍向量确定杂波一阶降维稀疏测量模型；所述杂波一阶降维稀疏测量模型表示为：
Figure FDA00031450141200000413
其中，Φr＝GΦ，Φr的维度为mNν，Φr各维度的元素个数为NdNs，
Figure FDA0003145014120000051
为所述一阶降维稀疏测量模型中的杂波稀疏向量。
8.如权利要求7所述的降维稀疏STAP装置，其特征在于，所述二阶降维模块具体用于：
将杂波的实际多普勒频率限制于区间
Figure FDA0003145014120000052
并将所述区间均分为Me等份得到误差情况下对应的归一化多普勒频率：
Figure FDA0003145014120000053
其中，
Figure FDA0003145014120000054
Figure FDA0003145014120000055
为理论多普勒频率，
Figure FDA0003145014120000056
为不确定量，νp为搭载雷达平台的速度，ψ为偏航角，
Figure FDA0003145014120000057
为俯仰角，θ为方位角；
对所有方位角下的所述归一化多普勒频率进行归集得到：
Figure FDA0003145014120000058
其中，Md为得到的离散多普勒频率点总数；
计算各方位角下对应的归一化空域频率，然后基于所述归一化空域频率以及所述离散多普勒频率点构造二阶降维矩阵。
CN201910963420.2A 2019-10-11 2019-10-11 一种基于不确定先验知识的降维稀疏stap方法及装置 Active CN110658517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910963420.2A CN110658517B (zh) 2019-10-11 2019-10-11 一种基于不确定先验知识的降维稀疏stap方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910963420.2A CN110658517B (zh) 2019-10-11 2019-10-11 一种基于不确定先验知识的降维稀疏stap方法及装置

Publications (2)

Publication Number Publication Date
CN110658517A CN110658517A (zh) 2020-01-07
CN110658517B true CN110658517B (zh) 2021-08-31

Family

ID=69040514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910963420.2A Active CN110658517B (zh) 2019-10-11 2019-10-11 一种基于不确定先验知识的降维稀疏stap方法及装置

Country Status (1)

Country Link
CN (1) CN110658517B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112290908B (zh) * 2020-11-17 2024-01-12 北京邮电大学 一种滤波器矩阵的处理方法、装置、存储介质及电子设备
CN113255098B (zh) * 2021-04-16 2023-02-24 哈尔滨工业大学 一种基于有限新息率的分布式信源空域参数估计方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454624B (zh) * 2013-09-22 2016-01-20 河海大学 基于降维稀疏重构空时谱的直接数据域动目标检测方法
CN105785333A (zh) * 2016-03-22 2016-07-20 中国人民解放军信息工程大学 机载mimo雷达的稳健降维空时自适应处理方法
CN107219511B (zh) * 2017-06-06 2020-05-19 深圳大学 波束-多普勒方向图稀疏约束的stap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
CN109212500B (zh) * 2018-08-08 2023-05-16 河海大学 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
CN108919207A (zh) * 2018-08-23 2018-11-30 深圳大学 一种提高机载雷达杂波抑制性能的方法及系统
CN110133603A (zh) * 2019-06-27 2019-08-16 哈尔滨工业大学 基于求根欧几里得几何重心的高频地波雷达海杂波抑制方法

Also Published As

Publication number Publication date
CN110658517A (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN108051809B (zh) 基于Radon变换的运动目标成像方法、装置及电子设备
CN109116311B (zh) 基于知识辅助稀疏迭代协方差估计的杂波抑制方法
US7064702B1 (en) System, method and computer program product for reducing quadratic phase errors in synthetic aperture radar signals
CN109324315B (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
CN108802705B (zh) 一种基于稀疏的空时自适应处理方法及系统
CN110658517B (zh) 一种基于不确定先验知识的降维稀疏stap方法及装置
CN102608587B (zh) 基于非线性最小二乘的空中机动目标检测方法
CN105699950B (zh) 基于自适应迭代前后向平滑共轭梯度的雷达杂波抑制方法
CN103383449A (zh) 基于esprit算法的机载雷达近程杂波抑制方法
CN112612006B (zh) 基于深度学习的机载雷达非均匀杂波抑制方法
CN102621536B (zh) 基于relax的空中多机动目标检测与参数估计方法
US20220268883A1 (en) Radar detection using angle of arrival estimation based on scaling parameter with pruned sparse learning of support vector
CN102866388A (zh) 一种空时自适应处理中的自适应权值迭代计算方法
CN111045002A (zh) 基于TRT和SNuFFT的机动目标相参积累方法
CN106970358B (zh) 非正侧视阵雷达杂波谱的角度多普勒配准的优化方法
Smith et al. A new approach to moving target detection using unit circle roots constrained adaptive matched filter
US20220349986A1 (en) Radar communication with interference suppression
CN105093189B (zh) 基于gcv的机载雷达目标检测方法
CN113376606A (zh) 沿杂波脊快速收敛稀疏贝叶斯的杂波抑制方法
Volz et al. Inverse filtering of radar signals using compressed sensing with application to meteors
Olbrich et al. New pre-estimation algorithm for FMCW radar systems using the matrix pencil method
CN115932824A (zh) 一种基于多天线的fmcw雷达测距方法及系统
CN106443623B (zh) 一种天波超视距雷达目标与电离层参数联合估计方法
CN115267706A (zh) 合成孔径雷达的距离空变相位误差估计方法、装置及介质
KR102371275B1 (ko) 물리 광학 기반 효율적 시영역 신호 생성 알고리즘 및 시나리오 기반 자율 주행 차량 레이더 모의 실험 방법 및 장치

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