CN111896930A

CN111896930A - 基于运动平台空时自适应杂波抑制的子阵划分方法

Info

Publication number: CN111896930A
Application number: CN202010885694.7A
Authority: CN
Inventors: 刘峥; 唐军奎; 谢荣
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2020-08-28
Filing date: 2020-08-28
Publication date: 2020-11-06
Anticipated expiration: 2040-08-28
Also published as: CN111896930B

Abstract

本发明公开了一种基于运动平台空时自适应杂波抑制的子阵划分方法。主要解决现有子阵划分方法仅对列向进行简单划分，不满足实际运动平台需要的问题。其实现方案是：首先，确定待划分的平面阵列，分别对行向划分和列向划分切割点编码，切割点与相应行或列的边界相对应，即每一种切割点对应一种子阵划分方案；然后，以最小可检测速度作为空时自适应杂波抑制的性能指标，采用自适应差分进化算法对子阵划分方案进行优化，得到最优子阵划分方案。本发明将现有仅对列向的子阵划分扩展到对行、列同时划分，更符合实际运动平台子阵结构的需要，且进行子阵划分最优解的求解收敛速度快、鲁棒性好，可用于运动平台采用子阵技术的相控阵雷达天线设计。

Description

基于运动平台空时自适应杂波抑制的子阵划分方法

技术领域

本发明属于雷达技术领域，特别涉及一种子阵划分方法，可用于阵列天线的设计。

背景技术

子阵划分作为目前大型阵列雷达中自适应阵列处理中的一项关键技术，在信号处理中起到了物理降维作用，对于降低设备存储量、减少运算量具有重要意义。

空时自适应处理STAP是自适应信号处理的一个重要应用，它将传统的空域自适应技术扩展到空时联合域，从而获得了最优的杂波抑制性能。空时自适应处理可以分为两类：完全空时自适应处理和部分空时自适应处理。完全空时自适应处理是指对包括空域阵列采样和时域相干脉冲采样的每个采样通道都计算自适应加权值。完全空时自适应处理由于计算的复杂性以及对训练数据的采样需求原因而导致难以应用于实际系统，而部分空时自适应处理的自适应加权值的个数少于完全空时自适应处理，是完全空时自适应处理的降维或降秩，能够有效地减少计算量。因此部分空时自适应处理在实际雷达中得到了广泛的应用。

子阵技术是实现部分STAP的有效途径，子阵可以通过模拟设备或数字组合在不同的层上实现。从信号处理的角度来看，子阵技术本质上是一种降维处理方法。同时，从工程学的角度来看，与全数字阵列设计相比，子阵技术是一种节省成本和妥协的方案。对于大型相控阵天线，子阵技术已显示出在硬件复杂性方面具有多个优势，同时实现了近乎最佳的性能。

目前常用阵面结构包括线型阵列和平面阵列，在实际的机载或弹载平台多采用平面阵列结构。对于平面阵的子阵划分，工程中通常会采用沿阵面行方向或列方向的划分方案。在STAP处理中，现有技术只进行列向划分，即将每一列上的若干个阵元通过微波网络形成列子阵，再在此基础上作进一步的空时自适应处理。但是，这样合成出来的子阵内阵元个数依然较大，需要作进一步的子阵合成。

熊子源等人在文章“An Innovative Subarray Partitioning Method forClutter Suppression by STAP Based on the Ant Colony Optimization.IET RadarSonar and Navigation,2014. 8(9):988–998”提出了一种适用于平面阵列的子阵划分方法。这种方法结合蚁群算法的特点，利用图论将子阵结构转化为有向无环图DAG结构内部的路径搜索问题，以此来优化子阵划分方案。但是这种方法的缺点在于需要设置参数较多，需要多次迭代优化，运算量大，且仅适用于列向划分，不能满足实际机载平台的应用场景要求。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于运动平台空时自适应杂波抑制的子阵划分方法，将行向划分与列向划分相结合，以满足实际机载平台子阵结构的要求。

为达到上述技术目的，本发明基于运动平台空时自适应杂波抑制的子阵划分方法，其特征在于，包括如下：

(1)确定待划分的平面阵列，所述平面阵列包含M行和N列，其中行向和列向分别包含M-1、N-1个切割点；

(2)从行向中取m个切割点，从列向中取n个切割点，分别进行行向和列向切割点编码，得到一个由0和1组成的(M-1)+(N-1)维的向量L，其中1代表该位置为所取切割点； m、n分别为不大于M、N正整数；

(3)随机生成P个向量，每个向量对应一种子阵划分方案，得到初始种群S₀；设最大迭代次数G_max为大于0的正整数；

(4)构建适应度函数f(L)为：

其中，λ为波长；f_dL和f_dU分别表示在SINR损失50％时低于和高于主瓣杂波多普勒频率时对应的目标多普勒频率；

(5)把当前种群记为S_i，使用当前种群中三个或五个向量通过差分尺度因子F_i进行变异操作，生成第i代变异种群V_i，其中0≤i≤G_max，F₀取0.5；

(6)将当前种群S_i与变异后种群V_i的每一维以概率CR进行交叉，得到交叉后种群U_i；其中CR∈[0.5,0.95]；

(7)采用优胜劣汰的“贪婪选择算子”，从当前种群S_i与交叉种群U_i一一对应的两个向量中选择适应度函数值更高的向量，生成新种群S_i+1进入下一代；

(8)对新种群S_i+1进一步做边界条件处理，使新种群中向量元素满足要求；

(9)令迭代次数i＝i+1，判断当前迭代次数i是否满足设置的最大迭代次数G_max：若i＞G_max，则终止迭代，此时种群中适应度值最大的向量作为输出结果，即最优子阵划分方案；否则返回(5)。

本发明与现有技术相比具有以下优点：

第一，本发明把常规的列向子阵划分方式扩展到与行向划分相结合，更符合实际需求。

第二，本发明采用的自适应差分进化算法作为最优子阵划分方案的搜索方法，与传统的遗传算法进行子阵划分的算法相比，收敛速度快，鲁棒性强，更加适合本文复杂问题的求解。

第三，本发明利用行向与列向边界作为切割点的划分方式所得的子阵，相比于随机划分方式得到的子阵，可将子阵形状可以看作多个矩形组合而成，每个子阵内的阵元可以采用同一种馈电网络，有利于产品模块化设计和加工，降低天线设计和加工成本。

附图说明

图1是本发明的实现总流程图；

图2是本发明中采用的自适应差分进化算法进行子阵划分方案优化的子流程图；

图3是本发明仿真使用的椭圆口径平面阵列图；

图4是对图3平面阵列进行行向划分和列向划分的示意图；

图5是用本发明对图3进行子阵划分随机得到的三种子阵划分方案的平面阵列图；

图6是用本发明对图3进行子阵划分优化后得到的最优子阵划分方案结果示意图；

图7是分别用本发明和现有标准遗传算法进行子阵划分的优化过程示意图；

图8是本发明获得的最优子阵划分方案与随机的三种子阵划分方案进行杂波抑制得到的SINR损失对比图。

具体实施方式

以下结合附图和具体实施方式对本发明的实施例和效果作进一步详细说明。

参照图1，为本实例的实现步骤如下；

步骤1，确定待划分的平面阵列。

本实例的待划分的平面阵列包含M行和N列，如图3所示，其中行向包含M-1个切割点，列向包含N-1个切割点，每一个切割点对应行或列的边界。

步骤2，对待划分的平面阵列进行划分，并对行向和列向的切割点进行编码，得到向量L。

2.1)对待划分的平面阵列，选取部分行向和列向边界对平面阵列进行划分，如图4所示；

2.2)从行向切割点中取m个，从列向切割点中取n个，m、n分别为不大于M、N的正整数；

2.3)对阵面的行切割点进行编号，得到行序列{1,2，…M-1}，对阵面的列切割点进行编号，得到列序列{1,2，…N-1}；

2.4)从行序列中随机选择m个数，得到由m个数对应位置为1、其余位置为0的M-1维向量L₁；

2.5)从列序列中随机选择n个数，得到由n个数对应位置为1、其余位置为0的N-1维向量L₂；

2.6)将向量L₁和向量L₂进行合并，组成一个(M-1)+(N-1)维的向量L。

步骤3，生成初始种群S₀。

随机生成P个(M-1)+(N-1)维的向量，每个向量对应一种子阵划分方案，得到初始种群S₀；

设最大迭代次数G_max为大于0的正整数。

步骤4，构建适应度函数f(L)。

4.1)计算每一个子阵划分方案的对应的降维矩阵：

其中T_s表示空域降维矩阵，T_s∈C^{MN×(m+1)(n+1)}，Q为多普勒通道个数；

4.2)计算降维后总的空时协方差矩阵Q_cn：

其中，Q_c为降维前空时杂波协方差矩阵，σ表示归一化噪声功率，H表示共轭转置；

4.3)根据最大输出信干噪比准则，计算自适应杂波抑制权值w_opt：

其中，v₀为目标空时导向矢量；u是一个不影响SINR的常数；

4.4)计算SINR损失L_SINR：

其中，f_s,f_d分别为空间频率、多普勒频率；

4.5)固定目标导向矢量v₀中的空间频率f_s，且使多普勒频率f_d产生变化，得到最小可检测的多普勒频率f_dmin：

其中，f_dL和f_dU分别表示在SINR损失50％时低于和高于主瓣杂波多普勒频率时对应的目标多普勒频率；

4.6)利用最小可检测多普勒频率，得到最小可检测速度V_min为：

其中，λ为波长；

4.7)以最小可检测速度作为性能指标，得到目标适应度函数f(L)为：

参照图2，本实例采用自适应差分进化算法进行子阵划分方案优化的步骤如下：

步骤5，令i＝0，对当前种群S_i进行变异、交叉、选择操作,生成新种群S_i+1。

5.1)生成第i代变异种群V_i。

5.1.1)把当前种群记为S_i，其中0≤i≤G_max；

5.1.2)计算差分尺度因子：F_i＝F₀·2^λ，其中，λ为自适应算子，

F₀取为0.5；

5.1.3)生成变异种群：V_i＝{V_i,j}，其中，V_i,j＝S_i,r1+F_i·(S_i,r2-S_i,r3)，j＝1,2,…P；r₁,r₂,r₃为[1,P]中三个相互均不相等且不等于i的自然数；S_i,r1、S_i,r2、S_i,r3分别是S_i中的三个向量； V_i,j是变异种群V_i中的第j个向量。

5.2)生成第i代交叉种群U_i。

5.2.1)生成交叉种群U_i中的向量元素U_i,j,k：

其中，k＝1,2,…(m+n+2)；其中CR∈[0.5,0.95]；

5.2.2)由向量元素U_i,j,k组成交叉种群U_i中的向量U_i,j：

U_i,j＝{U_i,j,k}，

5.2.3)由交叉种群U_i中的向量U_i,j组成交叉种群U_i：

U_i＝{U_i,j}。

5.3)生成新种群S_i+1。

5.3.1)分别计算当前种群S_i对应的适应度函数值向量F₁和交叉种群U_i对应的适应度函数值向量F₂：

其中，j＝1,2,…P，P为种群中向量数目；f(S_i,j)和f(U_i,j)分别为当前种群S_i和交叉种群 U_i中的第j个向量对应的适应度函数值；

5.3.2)选择当前种群S_i与交叉种群U_i一一对应的两个向量S_i,j和U_i,j中，其适应度函数值较高的向量生成新种群S_i+1的向量S_i+1，j：

其中，F_1,j和F_2,j分别为向量S_i,j和U_i,j对应的适应度函数值；

5.3.3)由新种群S_i+1中的向量S_i+1，j组成新种群S_i+1：

S_i+1＝{S_i+1,j}。

步骤6，对新种群S_i+1进一步做边界条件处理，即如果新种群S_i+1中的向量S_i+1,j不满足由0和1组成，且1有为m+n个，则将该向量重新随机生成。

步骤7，令迭代次数i＝i+1，判断当前迭代次数i是否满足设置的最大迭代次数G_max：若i＞G_max，则终止迭代，此时种群中适应度值最大的向量作为输出结果，即最优子阵划分方案；否则，返回步骤5。

本发明的效果可通过以下仿真实验进一步说明。

(一)实验条件

实验运行平台：Matlab R2018b，Intel(R)Core(TM)i7-8700 CPU@3.2GHz，内存8GB。

实验所用的为椭圆形口径的平面阵列如图3所示，该椭圆口径的长轴和短轴分别为7λ和1.5λ，行向与列向阵元间距均为半波长。该椭圆阵面共28列，6行，其中列向取7个切割点，行向取3个切割点。

本实验所用的杂波模型及参数是由J.Ward在报告“Space-time adaptiveprocessing for airborne radar”中提出的，其中杂波为前视情况下单个距离环内的，多普勒模糊3次，不考虑距离模糊。

差分进化算法中，种群个数设为P＝20，最大遗传代数G_max＝30，交叉因子CR＝0.3。

(二)仿真实验内容

仿真1，用本发明对图3所示平面阵列进行子阵划分，随机得到的子阵划分方案，如图5所示。

仿真2，用本发明对图3所示平面阵列进行子阵划分优化，得到的最优子阵划分方案，如图6所示，其中最优的子阵划分方案中包含24个子阵。

仿真3，用本发明和现有标准遗传算法对图3所示平面阵列进行子阵划分5的次优化过程，结果如图7所示，其中图7(a)为本发明进行5次优化的过程，图7(b)为用标准遗传算法进行的过程。

从图7(a)可以看出，5次进化过程最优解结果相同，而且使用的遗传代数小，最大的不超过20代；从图7(b)可以看出，5次优化结果中出现不了最优解情况。可见，本发明所用的自适应差分进化算法收敛速度快，鲁棒性强。

仿真4，用本发明得到图6所示最优子阵划分方案和图5所示的随机子阵划分方案以及阵元级的杂波处理能力相比较，并以SINR损失作为性能指标统一绘制，结果如图8所示。从图8中可以看出，优化后的天线设计对应的SINR损失曲线最接近阵元级的SINR 损失曲线，而且其杂波凹口也是最窄的。

表1给出了阵元级和图5、图6对应子阵划分方案的在SINR损失-5dB截止点处计算的最小可检测速度对比结果：

表1

	完全STAP	图6	图5(a)	图5(b)	图5(c)
						V<sub>min</sub>(m/s)	4.7	7.3	11.0	7.9	9.0

从表1可以看出，子阵结构对于杂波背景下最小目标可检测速度是有影响的。与阵元级级STAP处理相比，子阵结构下的目标检测能力是有所下降的；不同的子阵结构对应的最小目标可检测速度差别较大，因此可以通过优化子阵结构提高最小目标可检测速度，获得最优的子阵级STAP。

综上所述，仿真实验验证了本发明的正确性，有效性和可靠性。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明的内容和原理后，都可能在不背离发明原理、结构的情况下进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修改和改变仍在本发明的权利要求保护范围之内。

Claims

1.一种基于运动平台空时自适应杂波抑制的子阵划分方法，其特征在于，包括如下：

(2)从行向中取m个切割点，从列向中取n个切割点，分别进行行向和列向切割点编码，得到一个由0和1组成的(M-1)+(N-1)维的向量L，其中1代表该位置为所取切割点；m、n分别为不大于M、N正整数；

(4)构建适应度函数f(L)为：

(8)令迭代次数i＝i+1，判断当前迭代次数i是否满足设置的最大迭代次数G_max：若i＞G_max，则终止迭代，此时种群中适应度值最大的向量作为输出结果，即最优子阵划分方案；否则返回(5)。

2.如权利要求1所述的方法，其特征在于，(2)中对行向和列向切割点进行编码，实现如下：

2a)分别对阵面的行切割点和列切割点进行编号，得到行序列{1,2，…M-1}和列序列{1,2，…N-1}，其中M和N为平面阵列的行、列个数；

2b)从行序列中随机选择m个数，得到由m个数对应位置为1其余为0的M-1维行向量L₁；

2c)从列序列中随机选择n个数，得到由n个数对应位置为1其余为0的N-1维列向量L₂；

2d)将行向量L₁和列向量L₂进行合并，组成一个(M-1)+(N-1)维的向量L。

3.如权利要求1所述的方法，其特征在于，(4)中构建适应度函数，实现如下：

4a)计算每一个子阵划分方案的对应的降维矩阵：

4b)计算降维后总的空时协方差矩阵Q_cn：

4c)根据最大输出信干噪比准则，计算自适应杂波抑制权值w_opt：

其中，v₀为目标空时导向矢量；u是一个不影响SINR的常数；

4d)计算SINR损失L_SINR:

其中，f_s,f_d分别为空间频率、多普勒频率；

4e)固定目标导向矢量v₀中的空间频率f_s，仅使多普勒频率f_d产生变化，得到最小可检测多普勒频率f_dmin：

4f)利用最小可检测多普勒频率，得到最小可检测速度MDV为：

其中，λ为波长；

4g)以最小可检测速度作为性能指标的，目标适应度函数f(L)为：

4.如权利要求1所述的方法，其特征在于，所述(5)中生成变异种群V_i，实现如下：

5a)计算差分尺度因子F_i：

F_i＝F₀·2^λ，

其中，λ为自适应算子，

F₀取为0.5；

5b)生成变异种群V_i：

V_i＝{V_i,j}。

其中，V_i,j＝S_i,r1+F_i·(S_i,r2-S_i,r3)，j＝1,2,…P；r₁,r₂,r₃为[1,P]中三个相互均不相等且不等于i的自然数；S_i,r1、S_i,r2、S_i,r3分别是S_i中的三个向量；V_i,j是变异种群V_i中的第j个向量。

5.如权利要求1所述的方法，其特征在于，所述(6)中生成交叉种群U_i，实现如下：

6a)生成交叉种群U_i中的向量元素U_i,j,k：

其中，k＝1,2,…(m+n+2)；

6b)由向量元素U_i,j,k组成交叉种群U_i中的向量U_i,j：

U_i,j＝{U_i,j,k}，

6c)由交叉种群U_i中的向量U_i,j组成交叉种群U_i

U_i＝{U_i,j}。

6.如权利要求1所述的方法，其特征在于，所述(7)中生成新种群S_i+1，实现如下：

7a)计算当前种群S_i与交叉种群U_i的适应度函数值F₁、F₂：

其中，j＝1,2,…P，P为种群中向量数目；S_i,j和U_i,j分别为当前种群S_i和交叉种群U_i中的第j个向量；

7b)当前种群S_i与交叉种群U_i一一对应的两个向量S_i,j和U_i,j中，其适应度函数值较高的向量生成新种群S_i+1：

7c)由新种群S_i+1中的向量S_i+1，j组成交叉种群S_i+1：

S_i+1＝{S_i+1,j}。