CN112415476A - 一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法 - Google Patents
一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法 Download PDFInfo
- Publication number
- CN112415476A CN112415476A CN202011264444.8A CN202011264444A CN112415476A CN 112415476 A CN112415476 A CN 112415476A CN 202011264444 A CN202011264444 A CN 202011264444A CN 112415476 A CN112415476 A CN 112415476A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- space
- clutter
- time
- mismatch
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000001228 spectrum Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000011084 recovery Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 11
- 230000001629 suppression Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- 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
- G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法。其包括建立包含失配误差的动态空时导向矢量字典;字典失配误差期望最大化迭代估计;建立字典失配误差进行补偿后的杂波稀疏恢复模型;存在字典失配情况下的杂波空时功率谱稀疏贝叶斯估计等阶段。本发明提供的估计方法首先利用二维泰勒级数建立空时动态字典模型,然后将字典失配误差作为待估超参数构建贝叶斯稀疏恢复模型,并利用失配误差估计值对空时导向矢量字典进行修正,最后利用修正后的空时导向矢量字典进行杂波协方差矩阵稀疏恢复,进而计算杂波空时谱。本发明具有在存在字典失配情况下杂波谱稀疏恢复精度高的优点。
Description
技术领域
本发明属于机载阵列雷达空时自适应处理杂波抑制领域,特别是涉及一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法。
背景技术
空时自适应处理(Space-Time Adaptive Processing,STAP)是机载阵列雷达抑制杂波的一种有效方法。STAP的杂波抑制性能主要取决于杂波协方差矩阵(Clutter-plus-noise Covariance Matrix,CCM)的估计精度。传统STAP方法采用统计估计的方法获得CCM的估计值,若需保证输出信杂比相较最优值下降不超过3dB,则至少需要系统自由度2倍数量的独立同分布(Independent Identically Distributed,IId)杂波样本。然而在实际系统中,当杂波呈现非平稳或非均匀特性时,很难获得足够的IID样本,进而使得STAP杂波抑制性能严重损失。
近年来,稀疏恢复方法在信号处理领域快速发展。由于稀疏恢复方法的超分辨性,可以在无自由度损失的情况下进行降维处理,已成为机载雷达杂波抑制的研究热点。目前比较有代表性的杂波空时谱稀疏恢复方法包括:文献提出了利用范数最小化实现空时谱稀疏恢复的凸优化方法。文献利用基于范数(0<p<1)的非凸优化欠定系统局部解(Focal Underdetermined System Solution,FOCUSS)方法进行杂波谱稀疏恢复。文献针对稀疏恢复中正则化参数难以确定的问题,利用稀疏贝叶斯学习(Sparse BayesianLearning,SBL)进行杂波谱稀疏恢复。上述稀疏恢复STAP方法在正侧视阵不存在字典失配的情况下只需要3-6个杂波样本的联合稀疏恢复,便可以较精确的恢复杂波谱,获得较好的STAP处理性能。
稀疏恢复STAP方法将杂波信号看作在某些已知基向量下是稀疏的,这些基向量被称为稀疏恢复字典。由于字典是有限且离散的,稀疏恢复时杂波谱连续参数空间需要进行离散化处理。离散化的字典与连续的杂波谱参数间的误差问题被称作字典失配问题,严重影响稀疏恢复效果。在正侧视阵情况下,若稀疏恢复空时平面网格划分与杂波脊斜率不匹配,或是当阵列为非正侧视架设,杂波脊呈曲线形式时,则杂波大多不会位于预先离散化的空时平面网格点上,字典失配将严重影响稀疏恢复STAP的杂波抑制性能。虽然一些方法利用先验知识通过增加离散化的字典网格划分密度来减少字典失配误差,但是过于密集的字典网格会导致字典中基向量的相关性过强,从而降低稀疏恢复的性能。
目前针对杂波空时谱稀疏恢复中二维离散参数字典失配问题的研究还比较少,且有一定的适用局限性。例如,BAI在2013年首次提出了杂波空时谱估计中字典失配问题,并给出了一种利用字典学习的失配补偿方法,但该方法仅适用于正侧视阵情况。DUAN提出了利用载机平台运动参数获得杂波脊先验信息后细化字典间隔来解决字典失配问题的方法,但这种方法依赖载机平台传感器,有些情况并不适用。BAI提出了基于正交匹配追踪(Orthogonal Matching Pursuit,OMP)的方法,通过梯度下降方法寻找与真实模型匹配的字典向量来解决字典失配问题,但OMP方法的性能对参数选择依赖性较高。但到目前为止尚未发现基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法方面的报道。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法。
为了达到上述目的,本发明提供的一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法方法包括按顺序进行的下列步骤:
1)建立包含失配误差的动态空时导向矢量的S1阶段;
2)建立字典失配误差修正后的杂波稀疏恢复模型的S2阶段;
3)杂波信号的贝叶斯稀疏恢复和超参数期望最大化迭代估计的S3阶段;
4)字典失配情况下的杂波空时谱估计的S4阶段;
在步骤1)中,所述的建立包含失配误差的动态空时导向矢量的方法是首先将空时平面等间隔的划分成若干网格点,构建初始空时导向矢量字典,然后利用二维一阶泰勒级数展开形式表示失配误差,建立动态空时导向矢量,为存在字典失配情况下的杂波空时功率谱稀疏贝叶斯估计做准备。
在步骤2)中,所述的建立字典失配误差修正后的杂波稀疏恢复模型的方法是首先利用字典失配误差估计值修正初始空时导向矢量字典,得到修正后的空时导向矢量字典,然后利用修正后的空时导向矢量字典构建杂波稀疏恢复模型;为存在字典失配情况下的杂波空时功率谱稀疏贝叶斯估计做准备。
在步骤3)中,所述的杂波信号的贝叶斯稀疏恢复和超参数期望最大化迭代估计的方法是在得到修正后的空时导向矢量字典的基础上,构建杂波信号的贝叶斯稀疏恢复模型,并利用期望最大化方法对超参数及字典失配空间频率误差和多普勒频率误差进行迭代估计,直至达到设定的估计精度;为存在字典失配情况下的杂波空时功率谱稀疏贝叶斯估计做准备。
在步骤4)中,所述的字典失配情况下的杂波空时谱估计的方法是利用修正后的空时导向矢量字典,重构杂波协方差矩阵,并估计杂波空时谱。
本发明提供的一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法首先利用二维泰勒级数建立空时动态字典模型,然后将字典失配误差作为待估超参数构建贝叶斯稀疏恢复模型,并利用失配误差估计值对空时导向矢量字典进行修正,最后利用修正后的空时导向矢量字典进行杂波协方差矩阵稀疏恢复,进而计算杂波空时谱。本发明具有在存在字典失配情况下杂波谱稀疏恢复精度高的优点。
附图说明
图1为本发明提供的一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法流程图。
图2为机载雷达阵列几何结构图。
图3为实验一正侧视阵β=0.8存在字典失配问题时本方法的杂波谱估计结果。
图5为实验一正侧视阵β=0.8存在字典失配问题时本方法的信杂噪比损失曲线。
具体实施方式
下面结合附图和具体实施例对本发明提供的一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法进行详细说明。
图1为本发明提供的一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法流程图。其中的全部操作都是在计算机系统中完成的,操作的主体均为计算机系统。
如图1所示,本发明提供的一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法包括按顺序进行的下列步骤:
1)建立包含失配误差的动态空时导向矢量的S1阶段:
本阶段是首先将空时平面等间隔的划分成若干网格点,构建初始空时导向矢量字典,然后利用二维一阶泰勒级数展开形式表示失配误差,建立动态空时导向矢量,然后进入下一步S2阶段。
在此阶段中,所述的建立包含失配误差的动态空时导向矢量的具体方法如下:
考虑机载阵列雷达均匀线阵的情况,如图2所示,首先设定:阵列天线由M个阵元组成,阵元间距d=λ/2,λ为雷达工作波长;载机平台高度为H,速度为vp,且沿x轴运动;α为杂波散射点P与飞行方向间的夹角;θ和γ分别为俯仰角和方位角;为阵列轴线与飞行方向间的夹角;雷达在每个相干处理周期内发射L个脉冲,脉冲重复频率为fr;
首先将空时平面划分为Ns行Nd列的网格,其中,Ns=ρsM,Nd=ρdL,ρs和ρd分别称为网格行划分系数和列划分系数,且ρs>1,ρd>1;网格上的点所对应的空时导向矢量集合表示为:
式(1)在稀疏恢复空时自适应处理(STAP)中被称为初始空时导向矢量字典,其中
空间导向矢量ss,i(fs,i)定义为:
ss,i(fs,i)=[1 exp(j2πfs,i)…exp(j2π(M-1)fs,i)]T (4)
时间导向矢量sd,i(fd,i)定义为:
sd,i(fd,i)=[1 exp(j2πfd,i)…exp(j2π(L-1)fd,i)]T (5)
其中,空间频率fs,i满足:
多普勒频率fd,i满足:
假设第i个杂波散射体对应的空时导向矢量为s(fd,i,fs,i),当存在字典失配情况时,按照式(1)构建初始空时导向矢量字典Ψ,此时若Ψ中与s(fd,i,fs,i)最近的字典矢量为通过二维一阶泰勒级数得到动态空时导向矢量Φ(fd,i,fs,i):
2)建立字典失配误差修正后的杂波稀疏恢复模型的S2阶段:
本阶段是首先利用字典失配误差估计值修正初始空时导向矢量字典,得到修正后的空时导向矢量字典,然后利用修正后的空时导向矢量字典构建杂波稀疏恢复模型,然后进入下一步S3阶段。
在此阶段中,所述的建立字典失配误差修正后的杂波稀疏恢复模型的具体方法如下。
首先利用字典失配误差估计值修正初始空时导向矢量字典,得到修正后的空时导向矢量字典,然后利用空时导向矢量字典构建杂波稀疏恢复模型;
Φ(Δfd,Δfs)=Ψ+Fdiag(Δfd)+Gdiag(Δfs) (9)
其中,Ψ为式(1)定义的初始空时导向矢量字典,
X=Φ(Δfd,Δfs)A+N (14)
其中,X表示杂波样本数据,Φ表示修正后的空时导向矢量字典,Δfd和Δfs分别表示字典的空间频率误差和多普勒频率误差,N为噪声矩阵
3)杂波信号的贝叶斯稀疏恢复和超参数期望最大化迭代估计的S3阶段:
本阶段是在得到修正后的空时导向矢量字典的基础上,构建杂波信号的贝叶斯稀疏恢复模型,并利用期望最大化方法对超参数及字典失配空间频率误差和多普勒频率误差进行迭代估计,直至达到设定的估计精度,然后进入下一步S4阶段。
在此阶段中,所述的杂波信号的贝叶斯稀疏恢复和超参数期望最大化迭代估计的具体方法如下。
噪声向量N假设为零均值复高斯白噪声,则有
其中,λ0未知,假设服从伽马先验分布,即
p(λ0|c,d)=Γ(λ0|c,d) (17)
为了保证获得广泛的超先验,假设c→0,d→0,取c=1×10-4,d=1×10-4;
稀疏支撑集A=[a1,a2,...,aK]的各列独立,且假设服从复高斯先验分布,即:
其中,Λ=diag(λ),λ为复高斯分布中协方差矩阵Λ的超参数,假设为NsNd维独立伽马分布,即:
其中,超参数ρ=1×10-3。
初始空时导向矢量字典的失配误差Δfd和Δfs假设服从NsNd维均匀分布,即:
其中,rd和rs分别为初始空时导向矢量字典的归一化多普勒频率间隔和归一化空间频率间隔;
由于后验分布p(A,Δfd,Δfs,λ0,λ|X)不能显式的给出,将A当作隐变量,则后验分布满足:
其中,
μk=λ0∑ΦHxk (23)
∑=(λ0ΦHΦ+Λ-1)-1 (24)
由式(22)知,信号支撑集矩阵A的稀疏解与μk和∑的稀疏解一一对应,将Δfd和Δfs看作超参数,计算μk和∑的稀疏解需要对超参数Δfd,Δfs,λ0,λ进行估计。根据稀疏贝叶斯理论,超参数用最大后验方法估计,即最大化p(Δfd,Δfs,λ0,λ|X),由于p(X)与超参数Δfd,Δfs,λ0和λ无关,因此最大化p(Δfd,Δfs,λ0,λ|X)与最大化p(Δfd,Δfs,λ0,λ,X)=p(Δfd,Δfs,λ0,λ|X)p(X)等价,并且有:
p(A,X,Δfd,Δfs,λ0,λ)=p(X|A,Δfd,Δfs,λ0)p(A|λ)p(λ)p(λ0)p(Δfd)p(Δfs) (25)
利用期望最大化方法(Expectation-Maximization,EM)迭代更新超参数λ和λ0,λ和λ0的更新方程分别为:
对于Δfd和Δfs的估计,由利用期望最大化方法获得,即最大化E{log p(X|A,Δfd,Δfs,λ0)p(Δfd)p(Δfs)},由于Δfd和Δfs无先验信息,所以最大化E{log p(X|A,Δfd,Δfs,λ0)p(Δfd)p(Δfs)}与最小化等价;
其中,C为常数;
最小化式(28)得到Δfd和Δfs的估计值:
式(33)分别对Δfd和Δfs的偏导数为零,则可以得到字典误差的更新,即:
获得修正后的空时导向矢量字典Φ(Δfd,Δfs),并重复迭代超参数λ、λ0、Δfd和Δfs的期望最大化估计过程直至达到设定的估计精度;在兼顾超参数估计精度和迭代收敛速度的情况下,设定超参数误差预设值最大值1×10-3,最大迭代次数2000次。
4)字典失配情况下的杂波空时谱估计的S4阶段:
本阶段是利用修正后的空时导向矢量字典,重构杂波协方差矩阵,并估计杂波空时谱。
在此阶段中,所述的字典失配情况下的杂波空时谱估计的具体方法如下。
通过式(36)获得杂波协方差矩阵的估计值后,字典失配情况下的杂波空时谱P表示为:
其中,s(fd,fs)为空时导向矢量。
本发明提供的一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法的效果可以通过以下仿真结果进一步说明。
仿真数据描述:雷达工作频率fo=450MHz,载机平台高度H=9000m,阵元数N=8,相干脉冲数M=8,脉冲重复频率fr=300Hz,360个杂波单元在0°~180°均匀分布,杂噪比CNR=40dB,从距离R0=15km处开始仿真3个距离单元的杂波数据,距离分辨率为37.5m。。实验运行环境为Intel i7CPU3.6GHz,16GB内存,仿真软件为Matlab R2012b。实验一阵列采用正侧视模式。折叠系数为β=0.8,即杂波脊的斜率为0.8,对应载机运动速度vp=40m/s。实验二阵列采用非正侧视阵,载机运动速度vp=50m/s。空时导向矢量字典网格ρs=ρd=4的等间隔划分,由于杂波脊斜率与字典网格不匹配,杂波脊不能完全落在空时导向矢量字典网格上,两种实验场景存在字典失配问题。
图3为实验一正侧视阵β=0.8存在字典失配问题时本方法的杂波谱估计结果。
可以看出本方法利用动态字典实现字典失配误差的估计补偿,能够形成较为清晰的杂波脊,连续性和展宽情况上都获得了比较理想的结果。
图5为实验一正侧视阵β=0.8存在字典失配问题时本方法的信杂噪比损失曲线,其中,‘——’为利用CCM真实值进行STAP处理获得的信杂噪比损失,称为最优情况,‘-□-’为本方法估计CCM进行STAP处理获得的信杂噪比损失。
图6为实验二非正侧视阵存在字典失配问题时本方法的信杂噪比损失曲线,其中,‘——’为利用CCM真实值进行STAP处理获得的信杂噪比损失,称为最优情况,‘-□-’为本方法估计CCM进行STAP处理获得的信杂噪比损失。
可以看出本方法主杂波区形成较窄的零陷,在抑制杂波的同时,能够获得了较好的运动目标检测性能。
Claims (5)
1.一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法,其特征在于,包括如下步骤:
1)建立包含失配误差的动态空时导向矢量的S1阶段;
2)建立字典失配误差修正后的杂波稀疏恢复模型的S2阶段;
3)杂波信号的贝叶斯稀疏恢复和超参数期望最大化迭代估计的S3阶段;
4)字典失配情况下的杂波空时谱估计的S4阶段。
2.根据权利要求1所述的一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法,其特征在于:在步骤1)中,所述的建立包含失配误差的动态空时导向矢量的方法是首先将空时平面等间隔的划分成若干网格点,构建初始空时导向矢量字典,然后利用二维一阶泰勒级数展开形式表示失配误差,建立动态空时导向矢量,为存在字典失配情况下的杂波空时功率谱稀疏贝叶斯估计做准备。
3.根据权利要求1所述的一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法,其特征在于:在步骤2)中,所述的建立字典失配误差修正后的杂波稀疏恢复模型的方法是首先利用字典失配误差估计值修正初始空时导向矢量字典,得到修正后的空时导向矢量字典,然后利用修正后的空时导向矢量字典构建杂波稀疏恢复模型;为存在字典失配情况下的杂波空时功率谱稀疏贝叶斯估计做准备。
4.根据权利要求1所述的一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法,其特征在于:在步骤3)中,所述的杂波信号的贝叶斯稀疏恢复和超参数期望最大化迭代估计的方法是在得到修正后的空时导向矢量字典的基础上,构建杂波信号的贝叶斯稀疏恢复模型,并利用期望最大化方法对超参数及字典失配空间频率误差和多普勒频率误差进行迭代估计,直至达到设定的估计精度;为存在字典失配情况下的杂波空时功率谱稀疏贝叶斯估计做准备。
5.根据权利要求1所述的一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法,其特征在于:在步骤4)中,所述的字典失配情况下的杂波空时谱估计的方法是利用修正后的空时导向矢量字典,重构杂波协方差矩阵,并估计杂波空时谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011264444.8A CN112415476B (zh) | 2020-11-13 | 2020-11-13 | 一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011264444.8A CN112415476B (zh) | 2020-11-13 | 2020-11-13 | 一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112415476A true CN112415476A (zh) | 2021-02-26 |
CN112415476B CN112415476B (zh) | 2023-01-10 |
Family
ID=74831087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011264444.8A Active CN112415476B (zh) | 2020-11-13 | 2020-11-13 | 一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112415476B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219433A (zh) * | 2021-05-26 | 2021-08-06 | 内蒙古工业大学 | 基于知识辅助的sr-stap方法及存储介质 |
CN113219432A (zh) * | 2021-05-14 | 2021-08-06 | 内蒙古工业大学 | 基于知识辅助和稀疏贝叶斯学习的运动目标检测方法 |
CN113376606A (zh) * | 2021-05-21 | 2021-09-10 | 西安电子科技大学 | 沿杂波脊快速收敛稀疏贝叶斯的杂波抑制方法 |
CN113466797A (zh) * | 2021-06-24 | 2021-10-01 | 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 |
CN113655458A (zh) * | 2021-09-02 | 2021-11-16 | 内蒙古工业大学 | 基于字典校正的空时自适应处理方法、装置及存储介质 |
CN113777563A (zh) * | 2021-09-13 | 2021-12-10 | 内蒙古工业大学 | 基于稀疏表示的杂波抑制方法、装置及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101858976A (zh) * | 2010-05-25 | 2010-10-13 | 重庆大学 | 一种基于单通道sar多子孔径的运动目标检测方法 |
US20120249361A1 (en) * | 2011-04-04 | 2012-10-04 | Zafer Sahinoglu | Method for Detecting Targets Using Space-Time Adaptive Processing |
CN104215937A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 基于环境动态感知的机载雷达空时自适应处理方法 |
CN104345300A (zh) * | 2014-10-30 | 2015-02-11 | 河海大学 | 杂波空时谱线性补偿的机载非正侧视阵雷达stap方法 |
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 |
CN107247250A (zh) * | 2017-05-23 | 2017-10-13 | 中国民航大学 | 一种基于粒子滤波的相干分布源波达方向跟踪方法 |
CN108761419A (zh) * | 2018-06-15 | 2018-11-06 | 中国民航大学 | 基于组合空时主通道自适应处理的低空风切变风速估计方法 |
CN108957390A (zh) * | 2018-07-09 | 2018-12-07 | 东南大学 | 一种存在互耦时基于稀疏贝叶斯理论的到达角估计方法 |
CN109375178A (zh) * | 2018-10-29 | 2019-02-22 | 中国电子科技集团公司第十四研究所 | 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 |
WO2019047210A1 (zh) * | 2017-09-11 | 2019-03-14 | 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 |
-
2020
- 2020-11-13 CN CN202011264444.8A patent/CN112415476B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101858976A (zh) * | 2010-05-25 | 2010-10-13 | 重庆大学 | 一种基于单通道sar多子孔径的运动目标检测方法 |
US20120249361A1 (en) * | 2011-04-04 | 2012-10-04 | Zafer Sahinoglu | Method for Detecting Targets Using Space-Time Adaptive Processing |
CN104215937A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 基于环境动态感知的机载雷达空时自适应处理方法 |
CN104345300A (zh) * | 2014-10-30 | 2015-02-11 | 河海大学 | 杂波空时谱线性补偿的机载非正侧视阵雷达stap方法 |
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 |
CN107247250A (zh) * | 2017-05-23 | 2017-10-13 | 中国民航大学 | 一种基于粒子滤波的相干分布源波达方向跟踪方法 |
WO2019047210A1 (zh) * | 2017-09-11 | 2019-03-14 | 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 |
CN108761419A (zh) * | 2018-06-15 | 2018-11-06 | 中国民航大学 | 基于组合空时主通道自适应处理的低空风切变风速估计方法 |
CN108957390A (zh) * | 2018-07-09 | 2018-12-07 | 东南大学 | 一种存在互耦时基于稀疏贝叶斯理论的到达角估计方法 |
CN109375178A (zh) * | 2018-10-29 | 2019-02-22 | 中国电子科技集团公司第十四研究所 | 一种基于稀疏重构的机会阵机载雷达非均匀杂波检测方法 |
Non-Patent Citations (7)
Title |
---|
YUJIE GU: "Atomic Decomposition-based Sparse Recovery for Space-Time Adaptive Processing", 《IEEE XPLORE》 * |
ZAI YANG: "Off-Grid Direction of Arrival Estimation Using Sparse Bayesian Inference", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
吕晓德: "基于稀疏贝叶斯学习的机载双基雷达杂波抑制", 《电子与信息学报》 * |
李志汇等: "基于局部搜索OMP的网格失配STAP算法", 《系统工程与电子技术》 * |
李海等: "基于多载频的分布式目标DOA估计", 《火控雷达技术》 * |
阳召成: "基于空时功率谱稀疏性的空时自适应处理技术研究进展", 《电子学报》 * |
魏民等: "改进的最佳子集降维STAP方法", 《信号处理》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219432A (zh) * | 2021-05-14 | 2021-08-06 | 内蒙古工业大学 | 基于知识辅助和稀疏贝叶斯学习的运动目标检测方法 |
CN113376606A (zh) * | 2021-05-21 | 2021-09-10 | 西安电子科技大学 | 沿杂波脊快速收敛稀疏贝叶斯的杂波抑制方法 |
CN113219433A (zh) * | 2021-05-26 | 2021-08-06 | 内蒙古工业大学 | 基于知识辅助的sr-stap方法及存储介质 |
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 |
CN113466797A (zh) * | 2021-06-24 | 2021-10-01 | 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 |
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 |
CN113655458A (zh) * | 2021-09-02 | 2021-11-16 | 内蒙古工业大学 | 基于字典校正的空时自适应处理方法、装置及存储介质 |
CN113655458B (zh) * | 2021-09-02 | 2023-06-02 | 内蒙古工业大学 | 基于字典校正的空时自适应处理方法、装置及存储介质 |
CN113777563A (zh) * | 2021-09-13 | 2021-12-10 | 内蒙古工业大学 | 基于稀疏表示的杂波抑制方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112415476B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112415476B (zh) | 一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法 | |
CN110275166B (zh) | 基于admm的快速稀疏孔径isar自聚焦与成像方法 | |
CN110068805B (zh) | 基于变分贝叶斯推论的高速目标hrrp重构方法 | |
Wang et al. | Clutter suppression algorithm based on fast converging sparse Bayesian learning for airborne radar | |
CN109212526B (zh) | 用于高频地波雷达的分布式阵列目标角度测量方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN110726992B (zh) | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 | |
CN107219511B (zh) | 波束-多普勒方向图稀疏约束的stap方法及装置 | |
CN110703249B (zh) | 稳健高效合成孔径雷达多元特征增强成像方法 | |
CN109507666B (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN112415475A (zh) | 一种基于原子范数的无网格稀疏恢复非正侧视阵stap方法 | |
Zhao et al. | Structured sparsity-driven autofocus algorithm for high-resolution radar imagery | |
Tao et al. | A knowledge aided SPICE space time adaptive processing method for airborne radar with conformal array | |
Zhang et al. | Bayesian high resolution range profile reconstruction of high-speed moving target from under-sampled data | |
Kang et al. | SAR image reconstruction via incremental imaging with compressive sensing | |
CN112766304A (zh) | 一种基于稀疏贝叶斯学习的机动阵列方位估计方法 | |
CN110954860B (zh) | 一种doa和极化参数估计方法 | |
Yang et al. | Doppler beam sharpening imaging based on fast iterative adaptive approach | |
CN113376569A (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp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 | |
CN113466864B (zh) | 快速联合免逆稀疏贝叶斯学习超分辨isar成像算法 | |
CN113671485B (zh) | 基于admm的米波面阵雷达二维doa估计方法 | |
CN115356678B (zh) | 基于dpnalm算法的稀疏阵列doa估计方法 | |
CN115356729A (zh) | 一种近场非均匀采样的直接稀疏成像方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210226 Assignee: Tianjin Hangda Zhixing Technology Co.,Ltd. Assignor: CIVIL AVIATION University OF CHINA Contract record no.: X2024980002541 Denomination of invention: A Dictionary Mismatched Clutter Space Time Spectral Estimation Method Based on Sparse Bayesian Learning Granted publication date: 20230110 License type: Common License Record date: 20240305 |
|
EE01 | Entry into force of recordation of patent licensing contract |