CN111650574B - 基于稀疏恢复的水下空时自适应处理方法及系统 - Google Patents
基于稀疏恢复的水下空时自适应处理方法及系统 Download PDFInfo
- Publication number
- CN111650574B CN111650574B CN202010590940.6A CN202010590940A CN111650574B CN 111650574 B CN111650574 B CN 111650574B CN 202010590940 A CN202010590940 A CN 202010590940A CN 111650574 B CN111650574 B CN 111650574B
- Authority
- CN
- China
- Prior art keywords
- space
- time
- data
- domain
- covariance matrix
- 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
- 238000011084 recovery Methods 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000001228 spectrum Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000003044 adaptive effect Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 16
- 238000009825 accumulation Methods 0.000 claims description 9
- 230000001427 coherent effect Effects 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 abstract description 7
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000251729 Elasmobranchii Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 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)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于稀疏恢复的水下空时自适应处理方法及系统。在一个实施例中,构建水下空时自适应处理的数据结构;构建任意一个信号的空时快拍,并估计所述空时快拍的空时协方差矩阵;根据不同距离门的辅助数据以及空时快拍的协方差矩阵,估计混响与干扰的空时谱,根据所述空时谱,计算混响与干扰的协方差矩阵;通过所述协方差矩阵构建基于稀疏恢复的空时自适应滤波器;根据所述空时自适应滤波器对待检测数据进行滤波,并对滤波结果进行检测得到检测信号。对空时协方差进行建模,将协方差估计转化为参数估计,在该参数估计过程下,通过公式变换,对协方差附加稀疏约束,避免了引入附加参数,大幅度减少了所需训练样本的数量。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种基于稀疏恢复的水下空时自适应处理方法及系统。
背景技术
混响是海底、海面的不平整性和海水中随机分布的不均匀性散射造成的,是鱼雷等运动声纳干扰的主要原因之一。不同于海洋噪声,混响是由发射信号引起的,其频谱结构与发射信号具有一定的相似性,而且运动声纳波束触及界面,混响将从不同的锥角入射造成多普勒的扩展,无法运用平台自身运动补偿技术予以完全消除。对于这种特性的混响,应联合考虑空域与频域上的抑制方法,并能根据环境做出调整,这就是空时自适应处理方法。1973年Brennan首次提出了空时自适应处理(STAP)概念,并证明STAP能够很好地结合空域和时域处理的优势,获得较为理想的杂波抑制性能。
然而,脉冲多普勒雷达采用多脉冲工作方式,可以很自然地将接收数据以距离门为单位进行排布,得到STAP处理所需要的三维数据块。运动声纳在工作环境和工作方式上与雷达不同,决定了在进行STAP处理时,运动声纳的数据组织方式有别于雷达系统。
通常情况下,选取临近待测单元的数据作为训练数据。在理想的均匀混响环境中,利用足够多的训练数据能够估计出合理的噪声协方差矩阵,实现STAP滤波器的设计。但是在实际应用中,高分辨率声纳系统通常工作在非均匀环境,可以使用的训练数据往往不足。
发明内容
有鉴于此,本申请实施例提供了一种基于稀疏恢复的水下空时自适应处理方法及系统。
第一方面,本发明申请提供一种基于稀疏恢复的水下空时自适应处理方法,包括:
根据采样数据构建水下空时自适应处理的数据结构,所述数据结构包括:待检测数据和辅助数据;其中,辅助数据是指从待检测数据临近距离单元获得的数据;
获取任意一个信号的空时快拍,并估计所述空时快拍的空时协方差矩阵;所述估计所述空时快拍信号的协方矩阵包括:将对空时协方差矩阵的估计过程转换为对空时谱的估计,并在对空时谱的估计过程中附加稀疏约束;
根据不同距离门的辅助数据以及空时快拍的协方差矩阵,估计混响与干扰的空时谱,根据所述混响与干扰的空时谱,计算混响与干扰的协方差矩阵;
根据所述混响与干扰的协方差矩阵构建基于稀疏恢复的空时自适应滤波器;
根据所述空时自适应滤波器对待检测数据进行滤波,并对滤波结果进行检测得到检测信号。
可选地,所述根据采样数据构建水下空时自适应的数据结构包括:
利用声基阵阵元数据构建空时自适应处理的空域维度,利用时域采样数据构建空时自适应处理的时域维度。
可选地,利用时域采样数据构建空时自适应处理的时域维度包括:
根据目标多普勒频移范围,确定时域维度K;
根据选取的K值进行相干累加处理,得到降维时域序列。
可选地,所述构建任意一个信号的空时快拍,并估计所述空时快拍的空时协方差矩阵包括:
构建信号的空时快拍X:
获取信号空时快拍的空时协方差矩阵:
其中,Pk,i是空时谱上第(k,i)个空时网格的功率,Pk,i=E[|αk,i|2],k=1,…,Nd,i=1,…,Ns。
可选地,所述根据不同距离门的辅助数据以及空时快拍的协方差矩阵,估计混响与干扰的空时谱,根据所述混响与干扰的空时谱,计算混响与干扰的协方差矩阵包括:
通过迭代算法对目标函数进行优化,获得对空时谱的估计;所述目标函数为:
根据所述空时谱的估计,计算混响与干扰的协方差矩阵。
第二方面,本发明申请提供一种基于稀疏恢复的水下空时自适应处理系统,包括:
第一构建单元,根据采样数据构建水下空时自适应处理的数据结构,所述数据结构包括:待检测数据和辅助数据;其中,辅助数据是指从待检测单元临近距离单元获得的数据;
处理单元,用于获取任意一个信号的空时快拍,并估计所述空时快拍的空时协方差矩阵;所述估计所述空时快拍信号的协方矩阵包括:将对空时协方差矩阵的估计过程转换为对空时谱的估计,并在对空时谱的估计过程中附加稀疏约束;根据不同距离门的辅助数据以及空时快拍的协方差矩阵,估计混响与干扰的空时谱,根据所述混响与干扰的空时谱,计算混响与干扰的协方差矩阵;
第二构建单元,用于根据所述混响与干扰的协方差矩阵构建基于稀疏恢复的空时自适应滤波器;
信号估计单元,用于根据所述空时值适应滤波器对待检测数据进行滤波,并对滤波结果进行检测得到检测信号。
可选地,所述根据采样数据构建水下空时自适应的数据结构包括:
利用声基阵阵元数据构建空时自适应处理的空域维度,利用时域采样数据构建空时自适应处理的时域维度。
可选地,利用时域采样数据构建空时自适应处理的时域维度包括:
根据目标多普勒频移范围,确定时域维度K;
根据选取的K值进行相干累加处理,得到降维时域序列。
可选地,所述构建任意一个信号的空时快拍,并估计所述空时快拍的空时协方差矩阵包括:
构建信号的空时快拍X:
获取信号空时快拍的空时协方差矩阵:
其中,Pk,i是空时谱上第(k,i)个空时网格的功率,Pk,i=E[|αk,i|2],k=1,…,Nd,i=1,…,Ns。
可选地,所述根据不同距离门的辅助数据以及空时快拍的协方差矩阵,估计混响与干扰的空时谱,根据所述混响与干扰的空时谱,计算混响与干扰的协方差矩阵包括:
通过迭代算法对目标函数进行优化,并获得对空时谱的估计;所述目标函数为:
根据所述空时谱的估计,计算混响与干扰的协方差矩阵。
本申请实施例提供一种基于稀疏恢复的水下空时自适应处理方法及系统。在一个实施例中,在通过辅助数据包含的空时快拍数,估计待检测空时快拍的协方差时,对空时协方差进行建模将协方差估计转化为参数估计,在该参数估计过程下,通过公式变换,对协方差附加稀疏约束。这种先验信息的适应性很强,因此不需要获得声呐探测环境,浅海地形等等这种需要在工程上进行测量的先验信息。进一步地,不需要引入附加参数,大幅度减少了所需训练样本的数量。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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它的附图。
图1为本发明申请一种基于稀疏恢复的水下空时自适应处理系统的结构示意图;
图2为本发明申请利用采样数据构建STAP的时域数据的确定方法的示意图;
图3为本发明申请利用采样数据构建STAP的时域数据的确定方法的流程示意图;
图4为本发明申请一种空时自适应处理的数据结构示意图;
图5为本发明申请一种基于稀疏恢复的水下空时自适应处理方法的流程图;
图6基于传统方法和本发明申请的不同目标移动速度下的改善因子性能。
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
图1为本发明申请一种基于稀疏恢复的水下空时自适应处理系统的结构示意图,参照图1,本申请实施例中的一种基于稀疏恢复的水下空时自适应处理系统包括:第一构建单元101、处理单元102、第二构建单元103、信号估计单元104。
第一构建单元101用于根据声基阵阵元数据和采样数据构建空时自适应处理的数据结构。
在单脉冲STAP中,利用声基阵阵元数据构建空时自适应处理STAP的空域维度,利用时域采样数据构建STAP的时域维度。由于发射信号脉宽的量级通常为数十毫秒至百余毫秒,而接收机采样频率fm为100kHz以上,导致单个脉宽内的采样数据量太大,难以直接将其用于时域维度的构建。因此需要在保证信干噪比(SINR)和多普勒分辨率的条件下尽可能降低时域采样数据的维度。
进一步地,利用采样数据构建STAP的时域维度的方法如图2和图3所示,包括步骤S301-S302。
步骤S301:根据目标多普勒频移范围,确定时域维度K。
其中,K值的选取会受到目标多普勒频移fD的限制,由于
fD=2vf0/c (1)
其中f0为载波,v为目标相对于声纳平台的径向速度,c为声速。为了避免多普勒频谱的模糊,时域维度的选取频率应该大于fD,则单个脉宽内的时域维度应最小值为
K=2fDT=4vf0T/c (2)
其中,T为发射信号脉宽。
例如,当信号脉宽为T=200ms,载波频率f0=30kHz,声速c=1500m/s,采样频率fm=100kHz,v=50kn时,由公式(2)可以算出在单个脉宽内,所需的时域维度K=401。
步骤S302:根据选取的K值进行相干累加处理,得到降维时域序列。
以目标空时导向向量中的多普勒频率为相位补偿因子,将时域采样数据以K值为单位做相干累加。具体来说,假设一个发射信号脉宽有M个时域采样数据,将这M个采样数据等间隔地分为K组,将每组内的数据做相干累加,就可以得到时域维度为K的STAP数据。
在得到时域维度数据后,运动声纳STAP的数据结构可总结如图4所示,其中J称为STAP的空域自由度,运动声纳空时处理维数N=JK,所包含的数据称为一个空时快拍,是STAP的基本数据结构。在第STAP的基本数据进行处理时用长度为K的滑动窗口对阵元级信号进行截取处理,将其按照先空域后时域的顺序排列成一列向量作为待检测数据。用来估计协方差矩阵的辅助数据从待检测数据的临近距离单元获得,并按照与待检数据相同的选取方式进行数据排列,得到空时快拍。
需要说明的是,辅助数据是NL维的数据矩阵,其中L为辅助数据所包含的空时快拍数,用以估计待检测空时快拍的协方差矩阵。该矩阵的估计精度是影响单脉冲STAP性能的最重要因素,为此,需要采用各种办法来尽可能提高它。
处理单元102用于根据辅助数据包含的空时快拍数,估计待检测数据包含的空时快拍的协方差。具体地,将协方差估计转化为参数估计,并在所述参数估计过程中附加稀疏约束,其中,所述参数估计过程为估计空时谱p的过程。
通过对空时协方差矩阵进行建模,将估计协方差的过程转换为参数估计过程,即估计空时谱p的过程。通过迭代算法获得空时谱的估计以后,即可计算协方差。
第二构建单元103用于根据处理单元102估计的协方差构建基于稀疏恢复的空时自适应滤波器。
信号估计单元104用于根据所述空时自适应滤波器待检测数据进行估计,得到检测信号。
图5为本发明申请一种基于稀疏恢复的水下空时自适应处理方法的流程图,参照图5,本申请实施例中的一种基于稀疏恢复的水下空时自适应处理方法包括步骤:
步骤S501:根据采样数据构建空时自适应处理的数据结构,所述数据结构包括:待检测数据和辅助数据;其中,辅助数据是指从待检测数据临近距离单元获得的数据。
利用声基阵阵元数据构建STAP的空域维度,利用时域采样数据构建STAP的时域维度。在利用时域采样数据构建STAP的时域维度时,首先根据目标多普勒频移范围,确定时域维度K,然后以目标空时导向向量中的多普勒频率为相位补偿因子,将时域采样数据以K值为单位做相干累加。具体来说,假设一个发射信号脉宽有M个时域采样数据,将这M个采样数据等间隔地分为K组,将每组内的数据做相干累加,就可以得到时域维度为K的STAP数据。
得到时域维度数据后,运动声纳STAP的数据结构可总结如图4所示,其中J称为STAP的空域自由度,运动声纳空时处理维数N=JK,所包含的数据称为一个空时快拍,是STAP的基本数据结构。具体处理时用长度为K的滑动窗口对阵元级信号进行截取处理,将其按照先空后时的顺序排列成一列向量作为待检测数据。用来估计协方差矩阵的辅助数据从待检测数据的临近距离单元获得,并按照与待检数据相同的选取方式进行数据排列,得到空时快拍。
步骤S502:根据辅助数据包含的空时快拍,估计混响加干扰的协方差矩阵。
在单脉冲STAP中,通过辅助数据来获得干扰和混响的信息,实现对干扰和混响信号的自适应抑制。因此,需要对协方差进行准确的建模与估计。具体为:
将整个空时域划分为Nd和Ns网格,其中Nd为多普勒域的网格数,Ns为空域的网格数,则可以采用穷举方法得到完备的多普勒频率和空间频率集合[(fd,1,fs,1),(fd,1,fs,2)…(fd,Nd,fs,Ns)]。其中fd,k表示第k个多普勒网格的归一化频率,fs,i表示第i个空域的归一化频率。任意一个信号的空时快拍可以表示为:
称矩阵Φ为空时导向向量构成的字典。一般而言,认为向量α的各个元素之间是统计独立的,因此信号的空时快拍X的协方差矩阵可以写为:
其中,[]H表示共轭转置运算。diag(p)为NdNs×NdNs维半正定的对角矩阵,对角线上的元素由向量p的元素组成,且向量p为
事实上Pk,i是空时谱p上第(k,i)个空时网格的功率,即
Pk,i=E[|αk,i|2], k=1,…,Nd,i=1,…,Ns (8)
为了更清晰地表示信号空时快拍的空时协方差矩阵,可以将(8)式展开
式(3)到式(9)给出了空时快拍的信号模型,表达了空时导向向量构成的字典Φ下的空时谱概念(由空时导向向量构成的字典Φ对混响和干扰进行表达,且混响和干扰在空时谱上是稀疏的)。空时谱p具有稀疏性,如能合理的利用该先验知识,可以有效地弥补训练样本数不足的缺点,提高小样本情况下STAP滤波性能的稳健性。
进一步地,将不同距离门的辅助数据代入,对混响加干扰的空时谱p进行估计,通过对目标函数(10)进行优化,进而对空时谱p进行估计。
可以证明,待优化函数式(12)具有以下等价形式
其中,
可以注意到,式(13)是具有约束项的优化,并且约束项为空时谱p的加权1范数形式(约束项是累加求和),因此优化结果具有稀疏性。
步骤S503:根据估计的协方差矩阵构建基于稀疏恢复的空时自适应滤波器。
式(13)的优化可以通过迭代算法得到。在通过迭代法获得空时谱的估计后,即可计算协方差,使用估计的协方差设计相应的滤波器,设计算法如下,为了简化符号,记v(fd,k,fs,i)为vk,i。
i=1,…,Ns
步骤2:输入初始噪声功率σ0
步骤3:while||Rj-Rj-1||2<∈
步骤8:endwhile
步骤S504:根据所述空时自适应滤波器对待检测数据进行估计,得到检测信号。
在一个可能的实施例中,借助蒙特卡洛仿真对本发明申请提取的STAP方法的性能进行分析。假设采样阵列为前视阵,通道数为7,信号脉宽为T=184ms,载波频率f0=30kHz,声速c=500m/s,采样频率fm=100kHz,目标信干噪比为10dB。存在3个水声干扰源,其中压制类干扰位于方位-18°,欺骗类干扰位于方位27°,干噪比均为10dB,气幕屏蔽干扰的干噪比为8dB。运动声纳的航速为40节,目标最大航速10节。根据以上设定,可以计算出在一个距离门内,STAP处理的时域维度为379。
假设训练快拍数量为JK+1,图6给出了本发明申请基于稀疏恢复的STAP方法与常规STAP方法的改善因子随目标相对速度变化的曲线。其中,常规STAP方法是指通过极大似然法对协方差进行估计,进而设计STAP滤波器的方法。
图6给出了本发明申请基于稀疏恢复的STAP方法与常规STAP方法的改善因子随目标径向速度变化的曲线。可以看到,在样本数较少时,基于稀疏恢复的STAP方法具有相当好的稳健性,非常接近于STAP性能的理论上限,并全面优于常规STAP方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (6)
1.一种基于稀疏恢复的水下空时自适应处理方法,包括:
利用声基阵阵元数据构建空时自适应处理的空域维度,利用时域采样数据构建空时自适应处理的时域维度,根据所述空域维度和时域维度构建水下空时自适应处理的数据结构,所述数据结构包括:待检测数据和辅助数据;其中,辅助数据是指从待检测数据临近距离单元获得的数据;
获取任意一个信号的空时快拍,并估计所述空时快拍的空时协方差矩阵;所述估计所述空时快拍的协方差矩阵包括:将对空时协方差矩阵的估计过程转换为对空时谱的估计,并在对空时谱的估计过程中附加稀疏约束;
通过迭代算法对目标函数进行优化,获得对空时谱的估计;所述目标函数为:
根据所述空时谱的估计,计算混响与干扰的协方差矩阵;
根据所述混响与干扰的协方差矩阵构建基于稀疏恢复的空时自适应滤波器;
通过所述空时自适应滤波器对待检测数据进行滤波,并对滤波结果进行检测得到检测信号。
2.根据权利要求1所述的方法,其特征在于,利用时域采样数据构建空时自适应处理的时域维度包括:
根据目标多普勒频移范围,确定时域维度K;
根据选取的K值进行相干累加处理,得到降维时域序列。
4.一种基于稀疏恢复的水下空时自适应处理系统,包括:
第一构建单元,利用声基阵阵元数据构建空时自适应处理的空域维度,利用时域采样数据构建空时自适应处理的时域维度,根据所述空域维度和时域维度构建水下空时自适应处理的数据结构,所述数据结构包括:待检测数据和辅助数据;其中,辅助数据是指从待检测单元临近距离单元获得的数据;
处理单元,用于获取任意一个信号的空时快拍,并估计所述空时快拍的空时协方差矩阵;所述估计所述空时快拍信号的协方差矩阵包括:将对空时协方差矩阵的估计过程转换为对空时谱的估计,并在对空时谱的估计过程中附加稀疏约束;通过迭代算法对目标函数进行优化,并获得对空时谱的估计;所述目标函数为:
根据所述空时谱的估计,计算混响与干扰的协方差矩阵;
第二构建单元,用于根据所述混响与干扰的协方差矩阵构建基于稀疏恢复的空时自适应滤波器;
信号估计单元,用于通过所述空时值适应滤波器对待检测数据进行滤波,并对滤波结果进行检测得到检测信号。
5.根据权利要求4所述的系统,其特征在于,利用时域采样数据构建空时自适应处理的时域维度包括:
根据目标多普勒频移范围,确定时域维度K;
根据选取的K值进行相干累加处理,得到降维时域序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010590940.6A CN111650574B (zh) | 2020-06-24 | 2020-06-24 | 基于稀疏恢复的水下空时自适应处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010590940.6A CN111650574B (zh) | 2020-06-24 | 2020-06-24 | 基于稀疏恢复的水下空时自适应处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111650574A CN111650574A (zh) | 2020-09-11 |
CN111650574B true CN111650574B (zh) | 2022-12-23 |
Family
ID=72341767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010590940.6A Active CN111650574B (zh) | 2020-06-24 | 2020-06-24 | 基于稀疏恢复的水下空时自适应处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111650574B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415475A (zh) * | 2020-11-13 | 2021-02-26 | 中国民航大学 | 一种基于原子范数的无网格稀疏恢复非正侧视阵stap方法 |
CN112583495B (zh) * | 2020-12-15 | 2022-05-20 | 哈尔滨工程大学 | 一种水声通信唤醒信号低功耗实时分段检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819269A (zh) * | 2010-03-19 | 2010-09-01 | 清华大学 | 非均匀杂波环境下空时自适应处理方法 |
CN103399309A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 基于迭代加权最小方差的空时二维杂波谱估计方法 |
CN108802705A (zh) * | 2018-04-24 | 2018-11-13 | 深圳大学 | 一种基于稀疏的空时自适应处理方法及系统 |
CN109116311A (zh) * | 2018-09-19 | 2019-01-01 | 西安电子科技大学 | 基于知识辅助稀疏迭代协方差估计的杂波抑制方法 |
-
2020
- 2020-06-24 CN CN202010590940.6A patent/CN111650574B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819269A (zh) * | 2010-03-19 | 2010-09-01 | 清华大学 | 非均匀杂波环境下空时自适应处理方法 |
CN103399309A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 基于迭代加权最小方差的空时二维杂波谱估计方法 |
CN108802705A (zh) * | 2018-04-24 | 2018-11-13 | 深圳大学 | 一种基于稀疏的空时自适应处理方法及系统 |
CN109116311A (zh) * | 2018-09-19 | 2019-01-01 | 西安电子科技大学 | 基于知识辅助稀疏迭代协方差估计的杂波抑制方法 |
Non-Patent Citations (5)
Title |
---|
A Joint Sparse Space-time Adaptive Processing Method;Jinfeng Hu等;《IEEE Access》;20200610;第1-7页 * |
Sparse sample matrix inversion with diagonal loading for reverberation suppression;Gao Wei等;《Sparse sample matrix inversion with diagonal loading for reverberation suppression》;20111027;第1-4页 * |
基于SA-MUSIC理论的联合稀疏恢复STAP算法;王泽涛等;《电子学报》;20150515(第05期);第16-23页 * |
基于先验信息稀疏恢复的非均匀样本检测方法;李志汇等;《兵工学报》;20180215(第02期);第126-132页 * |
基于斜对称阵列的水下单脉冲降维空时自适应处理;王莎等;《水下无人系统学报》;20200415(第02期);摘要,第169-170页第1.1节,第170页第1.2节,第170-171页第2.1-2.2节及图1 * |
Also Published As
Publication number | Publication date |
---|---|
CN111650574A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116311B (zh) | 基于知识辅助稀疏迭代协方差估计的杂波抑制方法 | |
CN105223560B (zh) | 基于杂波俯仰方位谱稀疏恢复的机载雷达目标检测方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN111650574B (zh) | 基于稀疏恢复的水下空时自适应处理方法及系统 | |
CN111025273B (zh) | 一种畸变拖曳阵线谱特征增强方法及系统 | |
CN113238211B (zh) | 一种干扰条件下参数化自适应阵列信号检测方法与系统 | |
CN109212466B (zh) | 一种基于量子蜻蜓演化机制的宽带测向方法 | |
CN105807275A (zh) | 基于部分杂波先验知识的mimo-ofdm-stap稳健波形设计 | |
CN103176168A (zh) | 一种机载非正侧视阵雷达近程杂波对消方法 | |
Tao et al. | Waveguide invariant focusing for broadband beamforming in an oceanic waveguide | |
CN105699950A (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 | |
CN110687528A (zh) | 自适应波束形成器生成方法及系统 | |
CN110221280B (zh) | 一种抗压制类水声干扰多通道自适应检测方法及系统 | |
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 | |
CN108196238B (zh) | 高斯背景下基于自适应匹配滤波的杂波图检测方法 | |
Yang et al. | Convex compressive beamforming with nonconvex sparse regularization | |
CN110850421A (zh) | 基于混响对称谱的空时自适应处理的水下目标检测方法 | |
CN114167346B (zh) | 基于协方差矩阵拟合阵元扩展的doa估计方法及系统 | |
CN113885019B (zh) | 基于和差天线体制雷达空时自适应处理的测角方法 | |
CN112612007B (zh) | 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 | |
CN115687901A (zh) | 基于浅水声场相关性的水面水下目标分辨方法及设备 | |
CN114152918A (zh) | 基于压缩感知的抗间歇式主瓣干扰方法 | |
CN109212492B (zh) | 基于知识辅助的时域重构机载雷达杂波抑制方法 | |
CN110231590B (zh) | 一种基于dft变换的阵列目标角度测量方法 | |
CN109298384B (zh) | 一种基于变分贝叶斯推断的非均匀直线阵波达方向角估计方法 |
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 |