CN113219432A - 基于知识辅助和稀疏贝叶斯学习的运动目标检测方法 - Google Patents

Abstract

本发明公开了一种基于知识辅助和稀疏贝叶斯学习的运动目标检测方法，该方法包括：获取待检测距离单元的快拍数据；利用稀疏贝叶斯学习估计所述快拍数据中杂波和干扰的突出分量；基于所述突出分量计算字典失配矩阵对空时导向字典进行校准；基于实际导向矢量与理想导向矢量差值的l₂范数，对所述空时导向字典进行再次校准。本发明通过稀疏贝叶斯学习方法对快拍数据的系数向量、空时导向字典进行迭代更新后，利用杂波分布的先验信息，进一步校准字典，能够对密集干扰进行有效抑制，提高运动目标的检测性能。另外，本实施例基于知识辅助可以提高小样本条件下的STAP性能，只需要获取少量的快拍数据即可精确检测到运动目标，适用性强。

Description

基于知识辅助和稀疏贝叶斯学习的运动目标检测方法

技术领域

本发明涉及机载雷达运动目标检测技术领域，尤其涉及一种基于知识辅助和稀疏贝叶斯学习的运动目标检测方法。

背景技术

地面运动目标检测是机载雷达系统的重要应用领域。雷达接收的回波信号中，除了可能存在的运动目标之外，还包含大量的杂波，由于各杂波源具有不同的径向速度，导致回波多普勒谱严重展宽，运动目标被完全掩盖而无法识别。同时，雷达接收的回波信号中往往含有各种类型的干扰，通常会造成动目标相消等问题。

空时自适应处理(STAP)技术通过多脉冲和多阵元的联合处理，可有效抑制杂波，实现慢速目标检测。随着机载雷达应用领域的不断延伸，传统STAP算法面临诸多挑战，包括快变场景散射特性、离散杂波/干扰源、复杂机载阵列下杂波分布的距离相关性，以及实际阵列非理想因素等，学术界将其统称为非均匀杂波环境。在环境非均匀的条件下，检测系统很难得到足够多满足独立同分布(IID)条件的训练样本，传统STAP方法的性能会急剧下降，难以实现有效的运动目标检测。

随着压缩感知理论的发展，基于稀疏恢复的STAP技术(SR-STAP)应运而生，并迅速成为了研究热点。该技术突破了传统统计类STAP对IID训练样本需求的极限，对克服非均匀、非平稳杂波环境下IID训练样本不足的难点拥有巨大优势。然而此方法没有考虑多快拍之间的相关性，仅进行了简单的平均处理，因此极易受到离群点的影响而出现明显的恢复误差，甚至是伪峰。基于稀疏贝叶斯学习的稳健STAP离散干扰抑制方法迭代地执行空时功率谱的估计和空时导向字典的校准，在一次迭代中，首先通过稀疏贝叶斯学习估计空间-时间平面中杂波和离散干扰的突出分量，然后通过计算失配矩阵来校准空时导向字典。由于校正后的空时导向字典仍然存在失配问题，导致该方法对于离散干扰的抑制效果并不明显，同时，由于上述方法无法对密集干扰进行有效抑制，使得杂波协方差矩阵估计精度下降，STAP滤波器性能下降，进而影响目标的检测性能。

发明内容

鉴于现有技术中存在的上述技术问题，本发明实施例提供一种基于知识辅助和稀疏贝叶斯学习的运动目标检测方法，能够解决非均匀杂波场景中密集干扰对运动目标检测的影响，提高运动目标的检测性能。

为了解决上述技术问题，本发明实施例采用了如下技术方案：

一种基于知识辅助和稀疏贝叶斯学习的运动目标检测方法，包括如下步骤：

获取待检测距离单元的快拍数据；

利用稀疏贝叶斯学习估计所述快拍数据中杂波和干扰的突出分量；

基于所述突出分量计算字典失配矩阵对空时导向字典进行校准；

基于实际导向矢量与理想导向矢量差值的l₂范数，对所述空时导向字典进行再次校准。

在一些实施例中，利用稀疏贝叶斯学习估计所述快拍数据中杂波和干扰的突出分量，包括：

构建字典失配矩阵，对所述快拍数据进行稀疏恢复；

根据空时快拍的似然性，确定所述快拍数据的稀疏恢复向量服从拉普拉斯先验分布；

根据最大后验概率准则，改写所述稀疏恢复向量，并最大化对数似然函数；

迭代更新所述稀疏恢复向量；

迭代更新噪声。

进一步地，构建字典失配矩阵，对所述快拍数据进行稀疏恢复，包括：

通过正交阻塞矩阵去除目标回波；

构建字典失配矩阵Λ：Θ＝Φ+ΛΦ，其中，Θ表示实际超完备字典，Λ表示字典失配矩阵，Φ表示空时导向字典；

利用所述字典失配矩阵，将所述快拍数据的稀疏恢复表示为：

其中，λ_α是正则化参数，α是稀疏恢复向量。

进一步地，根据最大后验概率准则，改写所述稀疏恢复向量，包括：

将所述快拍数据的稀疏恢复向量α改写为

其中，p(x,α,η|κ)表示稀疏约束先验概率密度，η表示估计的噪声功率；

基于p(x,α,η|κ)∝p(x,α,η,κ)，将

改写为

进一步地，迭代更新所述稀疏恢复向量，包括：

迭代计算空时频谱的稀疏恢复向量α：

其中，

进一步地，迭代更新所述噪声，包括：

根据公式

迭代更新所述噪声。

进一步地，基于所述突出分量计算字典失配矩阵对空时导向字典进行校准，包括：

定义e_k和p_(k)，其中，

p_(k)＝Φα_(k)；

将所述字典失配矩阵Λ表示为：

基于公式Θ_(k)＝Φ+Λ_(k-1)Φ迭代校准空时导向字典；

在满足收敛条件

时，结束迭代。

在一些实施例中，基于实际导向矢量与理想导向矢量差值的l₂范数，对所述空时导向字典进行再次校准，包括：

将稀疏恢复向量α按照元素值从大到小的顺序记录其位置，构成集合Γ，选取集合Γ中的前若干个显著元素，构成集合Z；

依次选取集合Z中的第i个(i＝1,2,...,N_sN_d)元素，分别计算其对应的基向量Θ(:,Z(i))与理想导向矢量矩阵Ψ中全部列向量θ_k差值的l₂范数，得到l₂范数集合；

将所述l₂范数集合中l₂范数的最小值与预设的门限值进行比较，如果min(z_k)＜τ，表明该点位于杂波脊上，使用杂波脊上的标准导向矢量代替当前的空时导向矢量，对所述空时导向字典进行校正；否则，表明该点为干扰，将迭代系数中对应的元素置为零，对所述稀疏恢复向量进行更新。

在一些实施例中,在所述空时导向字典的校准完成后，所述方法还包括：

基于更新后的稀疏恢复向量和校准后的空时导向字典，进行杂波协方差矩阵估计。

进一步地,基于更新后的稀疏恢复向量和校准后的空时导向字典，进行杂波协方差矩阵估计，包括：

依次估计L个快拍的杂波协方差矩阵R_e(l)：

在所有快拍数据的相关矩阵R_e(l)估计完成后，计算各杂波协方差矩阵R_e(l)的平均值R_av：

计算滤波权W：

其中，V_T为待检测目标的导向矢量。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现上述的基于知识辅助和稀疏贝叶斯学习的运动目标检测方法的步骤。

与现有技术相比，本发明实施例提供的基于知识辅助和稀疏贝叶斯学习的运动目标检测方法，通过稀疏贝叶斯学习方法对快拍数据的系数向量、空时导向字典进行迭代更新后，利用杂波分布的先验信息，进一步校准字典，能够对密集干扰进行有效抑制，提高运动目标的检测性能。另外，本实施例基于知识辅助可以提高小样本条件下的STAP性能，只需要获取少量的快拍数据即可精确检测到运动目标，适用性强。

附图说明

图1为本发明实施例的基于知识辅助和稀疏贝叶斯学习的运动目标检测方法的流程图；

图2(a)为利用本发明实施例的基于知识辅助和稀疏贝叶斯学习的运动目标检测方法仿真出的杂波功率谱图；

图2(b)为利用SBL-STAP方法仿真出的杂波功率谱图；

图3为本发明实施例的基于知识辅助和稀疏贝叶斯学习的运动目标检测方法与SBL-STAP方法在训练样本中包含密集干扰时的改善因子对比曲线图；

图4为本发明实施例的基于知识辅助和稀疏贝叶斯学习的运动目标检测方法与SBL-STAP方法的滤波结果对比图。

具体实施方式

为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。

应理解的是，可以对此处公开的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。

包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。

通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。

还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。

当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。

此后参照附图描述本申请的具体实施例；然而，应当理解，所公开的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。

图1为本发明实施例的基于知识辅助和稀疏贝叶斯学习的运动目标检测方法的流程图。如图1所示，本发明实施例提供的基于知识辅助和稀疏贝叶斯学习的运动目标检测方法包括如下步骤。

步骤S1：获取待检测距离单元的快拍数据。

机载雷达的发射阵列向外发射信号，机载雷达的接收阵列接收回波信号，机载雷达从回波信号中读取观测区域中距离单元的快拍数据。

由正侧视阵机载雷达几何模型可知，某一距离单元的快拍数据x(l)中可能包含杂波、干扰、运动目标和噪声等成分。

假设每个距离单元按照方位角均匀分为N_c个杂波反射点，则雷达接收的杂波信号可以看作N_c个独立反射信号之和。因此任意距离单元的杂波加噪声快拍数据x(l)可以表示为N_c个杂波矢量与噪声矢量n_l之和：

其中，τ_C，i表示第i个杂波分量的复数增益，V_C(f_d，i，f_s，i)表示第i个杂波分量的空时导向矢量。

对于机载雷达，当载机速度与雷达工作波长恒定时，任意杂波散射点的归一化多普勒频率f_d，i与空间锥角ψ_i的余弦值成正比，因此，杂波主要分布在杂波脊上。将杂波空时平面划分为NM×N_sN_d的单元格，N_s＝ρ_sN和N_d＝ρ_dM分别表示空间频率分辨单元数以及归一化多普勒频率分辨单元数，ρ_s(ρ_s＞1)和ρ_d(ρ_d＞1)分别表示空间频率离散化程度参数以及归一化多普勒频率离散化程度参数。

上述N_s×N_d个单元格对应N_s×N_d个空时导向矢量，导向矢量构成了空时导向字典Φ。

因此，快拍数据x(l)可以表示为如下新形式：

其中，

为系数向量，表示空时快拍在字典Φ中的复数幅度(稀疏恢复幅值)，即稀疏恢复向量。

由于杂波占据的空时单元十分有限，主要分布在杂波脊上，所以α具有稀疏性。在字典Φ已知的情况下，系数向量α可通过最小化范数的方法使用很少的训练数据有效地解决。

步骤S2：利用稀疏贝叶斯学习估计所述快拍数据中杂波和干扰的突出分量。

杂波和干扰的突出分量为对运动目标检测影响较大的因子。本实施例中，通过稀疏贝叶斯学习(SBL)对系数向量α等稀疏信号进行统计假设。具体包括：

步骤S21：构建字典失配矩阵，对所述快拍数据进行稀疏恢复。

本步骤中，通过正交阻塞矩阵B去除目标回波，考虑空时导向字典的失配问题，定义字典失配矩阵Λ：

Θ＝Φ+ΛΦ

其中，Θ表示实际超完备字典，Λ表示字典失配矩阵。

因此，快拍数据的稀疏恢复表示为：

其中，λ_α是正则化参数。

步骤S22：根据空时快拍的似然性，确定稀疏恢复向量α服从拉普拉斯先验分布：

其中，κ是表示α稀疏度的参数。

步骤S23：根据最大后验概率准则，改写上述快拍数据的稀疏恢复向量α，并最大化对数似然函数。

具体地，可以将上述快拍数据的稀疏恢复向量α改写为：

其中，p(x,α,η|κ)表示稀疏约束先验概率密度，η表示估计的噪声功率。

由于p(x,α,η|κ)∝p(x,α,η,κ)，因此，上式等效于：

最大化对数似然函数：

通过最大化对数似然函数可以得到最优的稀疏恢复向量α。

步骤S24：迭代更新稀疏恢复向量α。

具体地，基于上述最大化对数似然函数得到的最优的稀疏恢复向量α，迭代计算空时频谱的稀疏恢复向量α：

其中，

步骤S25：迭代更新噪声。

对步骤S23中的估计的噪声功率η进行迭代更新，噪声功率η更新的公式表示为：

步骤S3：基于所述突出分量计算字典失配矩阵对空时导向字典进行校准。

利用稀疏贝叶斯学习估计的快拍数据中杂波和干扰的突出分量即为上述经似然性估计等更新后的稀疏恢复向量α和噪声η。

具体地，步骤S3包括：

步骤S31：定义e_k和p_(k)。

p_(k)＝Φα_(k)

步骤S21中的字典失配矩阵Λ可以表示为：

步骤S32：迭代校准空时导向字典。

Θ_(k)＝Φ+Λ_(k-1)Φ

在对空时导向字典进行校准时，为了降低计算复杂度，设定迭代阈值Th，用于选择后续迭代过程中需要更新的稀疏恢复向量α的复数幅度，并设定Γ，用于记录超过门限值的元素索引。

Γ＝{α_i∈α_(k):|α_i|≥Th},i＝1,2,...,N_sN_d

当满足收敛条件ξ时，迭代结束，收敛条件ξ表示为：

步骤S4：基于实际导向矢量与理想导向矢量差值的l₂范数，对所述空时导向字典进行再次校准。

在利用上述的稀疏贝叶斯学习估计得到的稀疏恢复向量α、噪声η校准空时导向字典后，由于导向矢量仍存在一定的失配，本步骤中，引入知识辅助(Knowledge-Aided，KA)，利用杂波分布的先验知识，结合杂波功率谱分布的稀疏性，对空时导向字典进行再次校准。具体包括：

步骤S41：将稀疏恢复向量α按照元素值从大到小的顺序记录其位置，构成集合Γ，选取集合Γ中的前若干个显著元素，构成集合Z。

步骤S42：依次选取集合Z中的第i个(i＝1,2,...,N_sN_d)元素，分别计算其对应的基向量Θ(:,Z(i))与理想导向矢量矩阵Ψ中全部列向量θ_k差值的l₂范数，得到l₂范数集合。

l₂范数表示为：

z_i,k＝||Θ(:,Z(i))-θ_k||₂

其中，ψ＝[θ₁,θ₂,...,θ_K]_NM×K表示根据杂波脊的先验知识构造的标准导向矢量矩阵。K个l₂范数构成集合z_k＝[z_j1,z_j2,...,z_jK,]。

步骤S43：判断l₂范数是否满足如下条件：

min(z_k)＜τ

其中，τ为设定的门限值，可以根据实验进行确定。

即将上述l₂范数集合中l₂范数的最小值与预设的门限值τ进行比较，如果l₂范数满足min(z_k)＜τ，表明该点位于杂波脊上，用杂波脊上的标准导向矢量代替当前空时导向矢量，进行杂波脊的校正，消除离网失配问题。否则，表明该点为干扰，将迭代系数(稀疏恢复向量α)中对应的元素置为零，对稀疏恢复向量α进行更新，消除干扰的影响。最终得到更新的稀疏恢复向量α'与空时超完备字典Θ'。该空时超完备字典Θ'为通过稀疏贝叶斯学习对空时导向字典以及基于知识辅助对空时导向字典进行进一步校准后的字典。

步骤S4通过选取若干个显著元素，计算这些元素对应的基向量与根据杂波脊的先验知识构造的标准导向矢量矩阵的l₂范数，判断l₂范数的最小值是否满足收敛条件，如果满足收敛条件，则校准空时导向字典，如果不满足收敛条件，将其置零，校准字典网格并抑制干扰，可以有效解决空时导向矢量的失配问题，并抑制密集干扰的影响。

进一步地，在对字典进行校准更新后，所述方法还包括：

步骤S5：基于更新后的稀疏恢复向量α'和校准后的空时导向字典Θ'，进行杂波协方差矩阵估计。

具体地，步骤S5包括如下步骤：

步骤S51：依次估计L个快拍的杂波协方差矩阵R_e(l)：

步骤S52：在所有快拍数据的相关矩阵R_e(l)估计完成后，计算它们的平均值R_av：

步骤S53：计算滤波权W：

其中，V_T为待检测目标的导向矢量。

进一步地，在计算出滤波权W后，所述方法还包括：

步骤S6：根据计算的所述滤波权W对待检测目标的快拍数据进行滤波，以获得待检测目标的位置信息

使用更新后的稀疏恢复向量α'(系数向量)及校准后的空时导向字典估计杂波协方差矩阵，然后计算滤波权、进行自适应滤波，可以有效滤除杂波、干扰及噪声，从而准确检测出运动目标。

本发明实施例提供的基于知识辅助和稀疏贝叶斯学习的运动目标检测方法通过稀疏贝叶斯学习方法对快拍数据的系数向量、空时导向字典进行迭代更新后，利用杂波分布的先验信息，进一步校准字典(将知识辅助应用到基于稀疏贝叶斯学习的STAP方法中)，能够对密集干扰进行有效抑制，提高运动目标的检测性能。另外，本实施例基于知识辅助可以提高小样本条件下的STAP性能，只需要获取少量的快拍数据即可精确检测到运动目标，适用性强。

本发明实施例根据以上步骤进行仿真实验，对本发明实施例的方法的效果进行实验验证和分析。其中，表1示出了根据以上步骤进行算法的仿真实验时的仿真参数。如表1所示，采用10个样本数据进行仿真实验。

表1仿真参数

图2(a)示出了采用本发明的方法(KA-SBL-STAP)计算得到的杂波功率谱仿真结果图，图2(b)示出了采用现有的SBL-STAP方法计算得到的杂波功率谱仿真结果图。如图2(a)和图2(b)所示，采用本发明的方法仿真出的空时功率谱完全集中在杂波脊线上，而现有的SBL-STAP方法仿真出的空时功率谱在密集干扰处有明显输出，表明该方法抑制密集干扰的性能较差。

图3示出了本发明的方法和现有的SBL-STAP方法在训练样本中包含密集干扰时的改善因子曲线。如图3所示，可以明显观察到SBL-STAP方法在密集干扰的多普勒频率位置出现零陷，主要原因在于训练样本中的密集干扰使得杂波协方差矩阵的估计出现偏差。相比较而言，本发明的方法只是在主杂波区产生零陷，且比SBL-STAP方法高30dB左右，说明本发明改进后的算法形成的自适应滤波权不受密集干扰的影响，同时杂波抑制能力较强。

图4示出了本发明的方法和现有的SBL-STAP方法对测试样本的滤波结果。如图4所示，本发明的方法完全克服了密集干扰的影响，成功检测出动目标信号，SBL-STAP方法虽然也检测出了动目标信号，但是算法的输出信噪比相较于本发明的方法大约减少了10dB。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现上述根据本发明的实施例中的基于知识辅助和稀疏贝叶斯学习的运动目标检测方法。

上述执行计算机可执行指令的处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，该处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。

上述的存储介质可以为存储器，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。

以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (10)

1.一种基于知识辅助和稀疏贝叶斯学习的运动目标检测方法，其特征在于，包括如下步骤：

获取待检测距离单元的快拍数据；

利用稀疏贝叶斯学习估计所述快拍数据中杂波和干扰的突出分量；

基于所述突出分量计算字典失配矩阵对空时导向字典进行校准；

基于实际导向矢量与理想导向矢量差值的l₂范数，对所述空时导向字典进行再次校准。

2.根据权利要求1所述的方法，其特征在于，利用稀疏贝叶斯学习估计所述快拍数据中杂波和干扰的突出分量，包括：

构建字典失配矩阵，对所述快拍数据进行稀疏恢复；

根据空时快拍的似然性，确定所述快拍数据的稀疏恢复向量服从拉普拉斯先验分布；

根据最大后验概率准则，改写所述稀疏恢复向量，并最大化对数似然函数；

迭代更新所述稀疏恢复向量；

迭代更新噪声。

3.根据权利要求2所述的方法，其特征在于，构建字典失配矩阵，对所述快拍数据进行稀疏恢复，包括：

通过正交阻塞矩阵去除目标回波；

构建字典失配矩阵Λ：Θ＝Φ+ΛΦ，其中，Θ表示实际超完备字典，Λ表示字典失配矩阵，Φ表示空时导向字典；

利用所述字典失配矩阵，将所述快拍数据的稀疏恢复表示为：

其中，λ_α是正则化参数，α是稀疏恢复向量。

4.根据权利要求3所述的方法，其特征在于，根据最大后验概率准则，改写所述稀疏恢复向量，包括：

将所述快拍数据的稀疏恢复向量α改写为

其中，p(x,α,η|κ)表示稀疏约束先验概率密度，η表示估计的噪声功率；

基于p(x,α,η|κ)∝p(x,α,η,κ)，将

改写为

5.根据权利要求4所述的方法，其特征在于，迭代更新所述稀疏恢复向量，包括：

迭代计算空时频谱的稀疏恢复向量α：

其中，

6.根据权利要求5所述的方法，其特征在于，迭代更新所述噪声，包括：

根据公式

迭代更新所述噪声。

7.根据权利要求5所述的方法，其特征在于，基于所述突出分量计算字典失配矩阵对空时导向字典进行校准，包括：

定义e_k和p_(k)，其中，

p_(k)＝Φα_(k)；

将所述字典失配矩阵Λ表示为：

基于公式Θ_(k)＝Φ+Λ_(k-1)Φ迭代校准空时导向字典；

在满足收敛条件

时，结束迭代。

8.根据权利要求7所述的方法，其特征在于，基于实际导向矢量与理想导向矢量差值的l₂范数，对所述空时导向字典进行再次校准，包括：

将稀疏恢复向量α按照元素值从大到小的顺序记录其位置，构成集合Γ，选取集合Γ中的前若干个显著元素，构成集合Z；

依次选取集合Z中的第i个(i＝1,2,...,N_sN_d)元素，分别计算其对应的基向量Θ(:,Z(i))与理想导向矢量矩阵Ψ中全部列向量θ_k差值的l₂范数，得到l₂范数集合；

将所述l₂范数集合中l₂范数的最小值与预设的门限值进行比较，如果min(z_k)＜τ，表明该点位于杂波脊上，使用杂波脊上的标准导向矢量代替当前的空时导向矢量，对所述空时导向字典进行校正；否则，表明该点为干扰，将迭代系数中对应的元素置为零，对所述稀疏恢复向量进行更新。

9.根据权利要求1所述的方法，其特征在于，在所述空时导向字典的校准完成后，所述方法还包括：

基于更新后的稀疏恢复向量和校准后的空时导向字典，进行杂波协方差矩阵估计。

10.根据权利要求9所述的方法，其特征在于，基于更新后的稀疏恢复向量和校准后的空时导向字典，进行杂波协方差矩阵估计，包括：

依次估计L个快拍的杂波协方差矩阵R_e(l)：

在所有快拍数据的相关矩阵R_e(l)估计完成后，计算各杂波协方差矩阵R_e(l)的平均值R_av：

计算滤波权W：

其中，V_T为待检测目标的导向矢量。

Images