CN113655458A - 基于字典校正的空时自适应处理方法、装置及存储介质 - Google Patents
基于字典校正的空时自适应处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113655458A CN113655458A CN202111026863.2A CN202111026863A CN113655458A CN 113655458 A CN113655458 A CN 113655458A CN 202111026863 A CN202111026863 A CN 202111026863A CN 113655458 A CN113655458 A CN 113655458A
- Authority
- CN
- China
- Prior art keywords
- space
- time
- clutter
- dictionary
- atoms
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 52
- 238000012937 correction Methods 0.000 title claims abstract description 36
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 66
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 230000000875 corresponding effect Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 2
- 230000001629 suppression Effects 0.000 abstract description 20
- 238000012549 training Methods 0.000 abstract description 14
- 238000011084 recovery Methods 0.000 abstract description 11
- LWGJTAZLEJHCPA-UHFFFAOYSA-N n-(2-chloroethyl)-n-nitrosomorpholine-4-carboxamide Chemical compound ClCCN(N=O)C(=O)N1CCOCC1 LWGJTAZLEJHCPA-UHFFFAOYSA-N 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 101000624524 Homo sapiens Leucine-tRNA ligase, cytoplasmic Proteins 0.000 description 1
- 102100023339 Leucine-tRNA ligase, cytoplasmic Human genes 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G01S7/41—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
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于字典校正的空时自适应处理方法、装置及存储介质,该方法包括:对空时导向字典进行初始化;通过迭代自适应算法估计所述空时导向字典中原子的功率,获取与杂波点最相关的空时向量原子;基于确定的所述空时向量原子,获取对应的真杂波多普勒频率;将确定的所述空时向量原子的多普勒频率替换为所述真杂波多普勒频率;通过迭代自适应算法进行全局迭代,获取与杂波脊匹配的原子,形成新的空时导向字典Θ(k+1)。本发明能够有效缓解离网引起的杂波脊展宽问题,提高稀疏恢复STAP的杂波抑制性能;且不依赖确切的环境先验知识,算法性能对参数选择不敏感,仅需很少的训练样本就能精确地估计CNCM,大大降低计算复杂度和计算量。
Description
技术领域
本发明涉及机载雷达运动目标检测技术领域,尤其涉及一种基于字典校正的空时自适应处理方法、装置及存储介质。
背景技术
空时自适应处理(Space-Time Adaptive Processing,STAP)技术可以实现机载雷达在强杂波背景下运动目标的检测。STAP滤波器的性能取决于被测单元中杂波加噪声协方差矩阵(Clutter-plus-noise Covariance Matrix,CNCM)的估计精度。通常使用与被测距离单元相邻的训练样本来估计CNCM。根据RMB(Reed-Mallett-Brennan)准则,需要至少为系统自由度的2倍的独立同分布训练样本,才能保持小于3dB的输出信杂噪比损耗(Signal toCutter plus Noise Ratio Loss,SCNRloss)。因此,传统的STAP算法通常需要足够的来自同质杂波环境的训练样本,但是雷达的工作环境复杂多变,传统的STAP方法在非均匀杂波环境中,会有明显的性能损失。
研究者以减少STAP算法所需的训练样本数为目的,提出了降维STAP、降秩STAP、模型参数化STAP以及平滑STAP等方法。降维STAP方法使用与杂波数据无关的线性变换,减少了训练样本数量,但是降维STAP方法存在系统自由度缺失,导致杂波抑制能力降低、最小可检测速度增大、系统误差容忍变差等问题。降秩STAP方法的性能通常依赖于秩的大小,实际环境中杂波秩缺少明确解析表达式而难以确定,且降秩方法的计算复杂度不一定会减少,导致其应用受到了限制。模型参数化STAP方法将杂波的空间时间二维分布模拟成多通道矢量自回归(Auto-Regressive,AR)模型,首先使用训练样本对AR模型参数进行估计,然后通过估计的AR模型参数建立STAP滤波器的权矢量,实现杂波抑制,该类算法所需的训练样本数量可以减少到AR模型阶数的2倍,但是算法中涉及的模型参数选择、计算复杂度等问题仍需要深入研究。平滑STAP方法使用平滑处理,增加了降低维度的协方差矩阵估计的稳定度,这类方法无法避免由于系统自由度损失而带来的杂波抑制性能的降低。
近年来,稀疏恢复(Sparse Recovery,SR)理论被应用到STAP中,形成了SR-STAP算法,仅需要少量训练样本就可以对杂波功率谱精确恢复,其理论恢复精度主要取决于空时导向矢量构成的字典以及稀疏恢复的具体方法。通常的SR-STAP算法中,字典是通过空时平面均匀离散化构成的,可能存在模型不匹配的问题,即真实杂波脊不在所构造字典的采样网格点上,离网问题会导致STAP滤波器性能的损失。将空间频率和多普勒频率离散的间隔减小,可以在一定程度上减轻离网问题的影响,但是空时导向字典的列相关性会增强,并且大大增加了计算量。
传统的IAA(Iterative Adaptive Approach,迭代自适应)-STAP方法通过信号的稀疏恢复(SR),可以在少样本的条件下实现杂波功率谱的高分辨估计。然而,传统迭代自适应方法在稀疏恢复过程中并没有考虑字典的离网问题,会导致杂波加噪声协方差矩阵的估计精度下降,从而导致角度多普勒平面上杂波脊展宽(扩展),杂波抑制性能降低。
目前,针对SR-STAP中离网问题,相关学者提出一些解决措施。例如,在文献“DuanK,Liu W,Duan G,Wang Y.Off-grid effects mitigation exploiting knowledge of theclutter ridge for sparse recovery STAP”(IET Radar Sonar&Navigation,2018,12(5):557-564.)中,提出了基于知识辅助的非均匀网格划分方法,用来缓解离网问题带来的不利影响,但该方法依赖于载机速度和偏航角度等先验知识的准确性。在文献“ZHU H,LEUS G,GIANNAKIS G B.Sparsity-Cognizant Total Least-Squares for PerturbedCompressive Sampling”(IEEE Transactions on Signal Processing,2011,59(5):2002-2016.)中,提出了一种稀疏总体最小二乘方法,结合动态字典模型解决一维波达方向估计中的字典失配问题,但该方法受限于一维离散参数字典的补偿方面。在文献“BAI GT,TAOR,ZHAO J,et al.Parameter-searched OMP method for eliminating basis mismatchin space-time spectrum estimation”(Signal Processing,2017,138(1):11-15.)中,提出了基于正交匹配追踪的方法,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,但正交匹配追踪方法的性能取决于参数,在非理想环境中参数的盲目性会导致STAP滤波器的性能下降。在文献YUAN H,XU H,DUAN K,et al.Sparse BayesianLearning-Based Space-Time Adaptive Processing With Off-Grid Self-Calibrationfor Airborne Radar[J].(IEEE Access,2018,6:47296-47307.)中,提出了一种基于稀疏贝叶斯学习的STAP(SBL-STAP),采用离网自校准方法缓解离网效应。该方法中杂波加噪声协方差矩阵是通过SBL估计的,同时,使用自适应方法构建了一个小规模的互补字典来校准均匀离散化的字典。在SBL的每次迭代中,互补字典的原子通过基于加权最小二乘法的方法自我更新。这样,当离网发生时,互补字典的原子可以自适应地收敛到杂波脊。但是,上述方法计算复杂度较大,计算量较大,利用上述算法处理时,无法实现实时计算,无法实现离网效应的实时缓解。同时,采用加权最小二乘法的方法更新互补字典原子,会增加互补字典,虽然能够缓解杂波脊展宽,但是杂波脊收敛程度不够,准确性较差。
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字典校正的空时自适应处理方法,能够有效缓解离网引起的杂波脊展宽问题,提高稀疏恢复STAP的杂波抑制性能;且不依赖确切的环境先验知识,算法性能对参数选择不敏感,仅需很少的训练样本就能精确地估计CNCM,大大降低计算复杂度和计算量。
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:
本发明实施例提供了一种基于字典校正的空时自适应处理方法,其特征在于,包括:
对空时导向字典进行初始化;
通过迭代自适应算法估计所述空时导向字典中原子的功率,获取与杂波点最相关的空时向量原子;
基于确定的所述空时向量原子,获取对应的真杂波多普勒频率;
将确定的所述空时向量原子的多普勒频率替换为所述真杂波多普勒频率;
通过迭代自适应算法进行全局迭代,获取与杂波脊匹配的原子,形成新的空时导向字典Θ(k+1)。
在一些实施例中,对空时导向字典进行初始化,包括:
对原始空时导向字典Φ中所有原子的功率进行初始化。
在一些实施例中,通过迭代自适应算法估计所述空时导向字典中原子的功率,获取与杂波点最相关的空时向量原子,包括:
通过迭代自适应算法估计原始空时导向字典Φ中所有原子的功率;
比较所述原始空时导向字典Φ中每个量化空间频率对应的原子的功率,查找与杂波点最相关的所述空时向量原子;
其中,与杂波点最相关的所述空时向量原子为所有原子的功率中最大功率对应的原子。
在一些实施例中,查找与杂波点最相关的所述空时向量原子,包括:
查找最大功率对应的原子在多普勒轴上的多普勒频率fd,pos,计算过程如下:
在一些实施例中,基于确定的所述空时向量原子,获取对应的真杂波多普勒频率,包括:
围绕确定的所述空时向量原子进行局部网格划分,得到搜索区域;
在一些实施例中,围绕确定的所述空时向量原子进行局部网格划分,得到搜索区域,包括:
将所述空时向量原子附近的多普勒频率均匀离散成一个集合;
其中,所述空时向量原子附近的多普勒频率区间表示为:
在一些实施例中,在形成新的空时导向字典Θ(k+1)之后,所述方法还包括:
判断形成的新的所述空时导向字典Θ(k+1)是否满足预设收敛条件;
若满足,则迭代停止,新的所述空时导向字典Θ(k+1)为自适应校正后的空时导向字典;若不满足,则继续进行迭代,自适应校正所述空时导向字典,直至满足所述预设收敛条件。
在一些实施例中,在形成新的空时导向字典Θ(k+1)之后,所述方法还包括:
利用新的所述空时导向字典Θ(k+1)估计杂波加噪声协方差矩阵以及空时功率谱;
其中,在所述杂波加噪声协方差矩阵的估计过程中,根据最后一次迭代中的R(k+1)计算STAP滤波器的最优权矢量:
其中,vt为待检测目标的空时导向矢量,vt H为待检测目标的空时导向矢量的共轭转置。
本发明实施例还提供了一种基于字典校正的空时自适应处理装置,包括:
初始化模块,配置为对空时导向字典进行初始化;
第一获取模块,配置为通过迭代自适应算法估计所述空时导向字典中原子的功率,获取与杂波点最相关的空时向量原子;
第二获取模块,配置为基于确定的所述空时向量原子,获取对应的真杂波多普勒频率;
替换模块,配置为将确定的所述空时向量原子的多普勒频率替换为所述真杂波多普勒频率;
形成模块,配置为通过迭代自适应算法进行全局迭代,获取与杂波脊匹配的原子,形成新的空时导向字典Θ(k+1)。
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,实现上述的基于字典校正的空时自适应处理方法。
与现有技术相比,本发明实施例提供的基于字典校正的空时自适应处理方法、装置及存储介质,可以在某些量化的空间频率的杂波斑块发生离网时,通过迭代自适应算法自动校正空时导向字典,校正后的新的空时导向字典的原子可以自适应地收敛到杂波脊,能量集中分布,能够有效缓解离网引起的杂波脊展宽问题,提高稀疏恢复STAP的杂波抑制性能;同时,该方法不依赖确切的环境先验知识,算法性能对参数选择不敏感,仅需很少的训练样本就能精确地估计CNCM,大大降低计算复杂度和计算量,提高计算效率。
附图说明
图1示出本发明实施例的基于字典校正的空时自适应处理方法的流程图;
图2(a)示出没有发生离网时空时二维平面上杂波的分布图;
图2(b)示出发生离网时空时二维平面上杂波的分布图;
图3示出本发明实施例的基于字典校正的空时自适应处理方法的示意图;
图4(a)示出利用SMI算法估计的杂波Capon谱示意图;
图4(b)示出利用传统IAA-STAP算法估计的杂波Capon谱示意图;
图4(c)示出利用文献所提的SBL-STAP算法估计的杂波Capon谱示意图;
图4(d)示出利用本发明实施例的基于字典校正的空时自适应处理方法估计的杂波Capon谱示意图;
图5示出离网情况下采用不同方法得到的SCNRloss与归一化多普勒频率的关系图。
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字典校正的空时自适应处理方法的流程图。如图1所示,本发明实施例提供的基于字典校正的空时自适应处理方法包括如下步骤。
S1:对空时导向字典进行初始化。
具体地,对原始空时导向字典Φ中所有原子的功率进行初始化。
功率初始化计算公式如下:
其中,L表示快拍数,xl表示任意距离单元的杂波加噪声快拍数据,v(fs,i,fd,i)表示第i个杂波分量的空时导向矢量,fs,i表示空间频率,fd,i表示多普勒频率;v(fs,i,fd,i)H表示v(fs,i,fd,i)的共轭转置。
在利用机载雷达进行空时快拍时,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xl,L即表示获取的快拍数据的个数(快拍数)。
Ns=ρsN,Nd=ρdM,N为阵元个数,M为在相干处理间隔内以恒定的脉冲重复频率发送的脉冲数,且ρs(ρs>1)和ρd(ρd>1)分别表示沿角度和多普勒轴的分辨率标度。
杂波空时平面被划分为Ns×Nd个单元格(网格),Ns=ρsN和Nd=ρdM分别表示空间频率分辨单元数(沿空间频率轴的网格点数)以及归一化多普勒频率分辨单元数(沿时间/多普勒频率轴的网格点数)。上述Ns×Nd个单元格对应Ns×Nd个空时导向矢量,Ns×Nd个空时导向矢量的集合构成了原始空时导向字典Φ。
图2(a)和图2(b)示出了空时二维平面上杂波的分布图,其中,图2(a)为没有发生离网时空时二维平面上杂波的分布图,图2(b)为发生离网时空时二维平面上杂波的分布图。如图2(a)所示,没有发生离网时,杂波脊正好落在采样网格上;如图2(b)所示,发生离网时,杂波脊不落在采样网格上(采样网格的坐标点)。本实施例中,假设在空间域中存在离网,从多普勒轴来看,杂波斑块的真多普勒频率不在均匀离散的多普勒网格上,因此,需要对离网的原始空时导向字典Φ进行校正。
本步骤中,对原始空时导向字典Φ中每个原子的功率pi (0)均进行初始化,便得到空时导向字典初始值Θ(0),上标(0)代表未进行迭代。通过对每个原子的功率初始化可以提供校正基准,保证后续字典校正的准确性。
S2:通过迭代自适应算法估计所述空时导向字典中原子的功率,获取与杂波点最相关的空时向量原子。
步骤S2具体包括:
步骤S21:通过迭代自适应算法估计原始空时导向字典Φ中所有原子的功率。
通过步骤S1获得初始化后的每个原子的初始化功率后,利用迭代自适应算法(IAA)估计原始空时导向字典Φ中所有原子的功率。
IAA算法具体为求解下列加权最小二乘的优化问题:
Qi=R-piv(fs,i,fd,i)v(fs,i,fd,i)H
通过求解最优化问题,参数pi(每个原子的功率)可以估计为:
其中,上标(k+1)表示第k+1次迭代。
步骤S22:比较原始空时导向字典Φ中每个量化空间频率对应的原子的功率,查找与杂波点最相关的所述空时向量原子。
其中,与杂波点最相关的空时向量原子为所有原子的功率中最大功率对应的原子。
具体地,设原始空时导向字典Φ的空间频率为fs,i(i=1,2,...,Ns),多普勒频率为fd,j(j=1,2,...,Nd),组成的原子功率为比较原始空时导向字典Φ中每个量化空间频率fs,i(i=1,2,...,Ns)对应原子的功率并查找最大功率对应的原子在多普勒轴上的多普勒频率fd,pos,计算过程如下:
其中,pos表示确定的原子的多普勒频率在多普勒轴上的第pos位。如图3所示的A点即为查找出的最大功率对应的原子。
本实施例中,在IAA算法的每次迭代中,基于加权最小二乘的方法估计原始空时导向字典中所有原子的功率,并查找与杂波点最相关的空时向量原子。
本实施例中,将原子的功率中最大功率对应的原子确定为与杂波点最相关的空时向量原子,即在找出的最大功率网格原子附近搜索杂波原子(使用最大功率挑选杂波原子)简单明了,从而可以根据确定的杂波原子位置构造空时导向字典,有效避免离网发生,造成性能损失。
S3:基于确定的与杂波点最相关的所述空时向量原子,获取对应的真杂波多普勒频率。
围绕确定的空时向量原子(A点)将其附近的多普勒频率均匀离散成一个集合,并通过最大化联合似然函数在局域中搜索真杂波多普勒频率,以匹配真实的杂波点。
步骤S3具体包括:
S31:围绕确定的所述空时向量原子进行局部网格划分,得到搜索区域。
具体地,将所述空时向量原子附近的多普勒频率均匀离散成一个集合。
其中,所述空时向量原子附近的多普勒频率区间表示为:
真杂波多普勒频率的最大化联合似然函数表示为:
图3所示的B点对应的多普勒频率即为搜索到的真杂波多普勒频率,即B点为杂波脊上的杂波点。
S4:将确定的所述空时向量原子的多普勒频率替换为所述真杂波多普勒频率。
将图3所示的A点替换为B点,便得到真实杂波点。
S5:通过迭代自适应算法进行全局迭代,获取与杂波脊匹配的原子,形成新的空时导向字典Θ(k+1)。
通过IAA算法进行全局迭代获取全部的真实杂波点,以与杂波脊匹配,并利用全部真实杂波点的真杂波多普勒频率替换离网的杂波斑块的多普勒频率,从而实现字典的自动校正,校正后的新的空时导向字典Θ(k+1)的原子可以自适应地收敛到杂波脊。
具体实施中,可以预先设置迭代次数,当达到预设的迭代次数时,迭代停止,反之,重复步骤S2至步骤S5,直至迭代完成。
在一些实施例中,迭代次数无需预先设置,可以通过判断形成的新的空时导向字典Θ(k+1)是否满足预设收敛条件ξ来判断迭代是否完成,若满足,则确定迭代完成,迭代停止,该新的空时导向字典Θ(k+1)即为自适应校正后的空时导向字典;若不满足,重复步骤S2至步骤S5继续进行迭代计算,自适应校正空时导向字典,直至收敛,迭代停止。
本发明实施例提供的基于字典校正的空时自适应处理方法可以在某些量化的空间频率的杂波斑块发生离网时,通过迭代自适应算法自动校正空时导向字典,校正后的新的空时导向字典的原子可以自适应地收敛到杂波脊,能量集中分布,能够有效缓解离网引起的杂波脊展宽问题,提高稀疏恢复STAP的杂波抑制性能;同时,该方法不依赖确切的环境先验知识,算法性能对参数选择不敏感,仅需很少的训练样本就能精确地估计CNCM,大大降低计算复杂度和计算量,提高计算效率。
进一步地,在形成新的空时导向字典Θ(k+1)之后,所述方法还包括:
S6:利用新的空时导向字典Θ(k+1)估计杂波加噪声协方差矩阵以及空时功率谱。
在杂波加噪声协方差矩阵的估计过程中,根据最后一次迭代中的R(k+1)计算STAP滤波器的最优权矢量(滤波权矢量):
其中,vt为待检测目标的空时导向矢量,vt H为待检测目标的空时导向矢量的共轭转置。
进一步地,在计算出最优权矢量w后,所述方法还包括:
根据计算得到的所述最优权矢量w对待检测目标(待检测距离单元)的样本数据进行滤波,以获得待检测目标的位置信息。
本实施例中,使用自动校正更新后的空时导向字典Θ(k+1)计算滤波权,进行自适应滤波,可以有效滤除杂波及噪声,从而准确检测出运动目标。
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性能进行评估。实验使用的机载正侧视脉冲多普勒雷达系统参数见表1。
与本发明实施例的方法(具有离网校正功能的IAA-STAP方法)进行对比的算法分别为SMI算法(Sample Matrix Inversion,基于采样矩阵求逆的空时自适应处理算法)、传统IAA-STAP算法(未考虑离网效应)、文献YUAN H,XU H,DUAN K,et al.Sparse BayesianLearning-Based Space-Time Adaptive Processing With Off-Grid Self-Calibrationfor Airborne Radar[J].(IEEE Access,2018,6:47296-47307.)所提的基于稀疏贝叶斯学习的STAP(SBL-STAP)。
表1机载雷达系统参数
根据杂波脊的斜率计算公式可得杂波脊斜率为:本实施例中分别设置分辨率标度ρs=6和ρd=6,即Ns=60和Nd=60,由于Ns和Nd的比值不等于杂波脊斜率的整数倍,此时,发生离网,且采用的训练样本数(天线阵元数)为10。
图4(a)至图4(d)分别为发生离网时,利用不同算法估计的杂波功率谱的估计结果。图4(a)为SMI算法采用10个样本得到的Capon谱,该方法的功率谱估计精度较低,能量分布比较分散。图4(b)为传统IAA-STAP算法使用10个样本估计的Capon谱。图4(c)为文献所提的SBL-STAP算法使用10个样本估计的Capon谱,通过基于IAA方法估计杂波协方差矩阵,增加字典校正过程得到结果。图4(d)为本发明方法使用10个样本估计的Capon谱。
在较少样本的条件下,与SMI算法相比,本发明形成的杂波谱均集中在杂波脊上,能量分布比较集中。传统的IAA-STAP算法由于离网效应的影响,杂波脊有一定展宽,频谱展宽会导致STAP滤波器中出现一个宽而浅的陷波,导致杂波抑制不充分,低速动目标检测性能变差。文献所提的SBL-STAP算法和本发明形成的杂波谱均集中在杂波脊上,缓解离网引起的杂波脊展宽,杂波抑制性能显著提高,但是,文献所提的SBL-STAP仍存在一定的杂波,杂波脊收敛程度不够。
图5示出离网情况下采用不同方法得到的SCNRloss与归一化多普勒频率的关系图。如图5所示,本发明实施例中,采用输出SCNRloss作为杂波抑制性能的评价指标,对比了在发生离网效应时,SMI算法、传统IAA-STAP方法、文献所提的SBL-STAP算法以及本发明实施例的方法的SCNRloss曲线。
SCNRloss(signal-to-clutter-noise ratio loss)为信号杂波噪声比损耗,SCNRloss尽可能保持小于3dB,以保证较佳的杂波抑制性能。
从SCNRloss曲线可知,SMI算法的最低SCNRloss仍较大,杂波抑制性能较差。传统的IAA-STAP方法由于主瓣性能损失严重,旁瓣过高,导致杂波抑制的性能严重损失。相比而言,本发明实施例的方法利用10个样本形成的滤波权得到的SCNRloss效果较好,利用较少样本即可达到较佳的杂波抑制性能。文献所提的SBL-STAP算法虽然也能达到较佳的杂波抑制性能,但是其旁瓣相较于本发明实施例的方法仍较高,因此,本发明实施例的方法的杂波抑制能力优于传统IAA-STAP方法和文献所提的方法,仅需很少的训练样本就能精确地估计CNCM,并有效缓解离网引起的杂波脊展宽问题,提高稀疏恢复STAP的杂波抑制性能。
表2单个样本的平均计算复杂度比较
传统IAA-STAP算法的计算复杂度较低且性能也较差。文献所提的算法是基于稀疏贝叶斯学习的字典校正STAP算法,该算法的计算复杂度远高于其他两个算法。
通过上述对比分析相关算法的杂波功率谱、输出SCNRloss曲线、计算复杂度可知,本发明所提的方法的杂波抑制性能优于传统IAA-STAP算法,计算复杂度低于基于文献SBL-STAP字典校正算法。因此,本发明所提的方法在提高了STAP性能的基础上降低了计算量,改善了算法的实时性。
本发明实施例还提供了一种基于字典校正的空时自适应处理装置,包括:
初始化模块,配置为对空时导向字典进行初始化;
第一获取模块,配置为通过迭代自适应算法估计所述空时导向字典中原子的功率,获取与杂波点最相关的空时向量原子;
第二获取模块,配置为基于确定的所述空时向量原子,获取对应的真杂波多普勒频率;
替换模块,配置为将确定的所述空时向量原子的多普勒频率替换为所述真杂波多普勒频率;
形成模块,配置为通过迭代自适应算法进行全局迭代,获取与杂波脊匹配的原子,形成新的空时导向字典Θ(k+1)。
本发明实施例提供的基于字典校正的空时自适应处理装置与上述实施例中基于字典校正的空时自适应处理方法相对应,基于上述的基于字典校正的空时自适应处理方法,本领域的技术人员能够了解本公开实施例中基于字典校正的空时自适应处理装置具体实施方式以及其各种变化形式,基于字典校正的空时自适应处理方法实施例中的任何可选项也适用于基于字典校正的空时自适应处理装置,在此不再赘述。
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字典校正的空时自适应处理方法。
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)
1.一种基于字典校正的空时自适应处理方法,其特征在于,包括:
对空时导向字典进行初始化;
通过迭代自适应算法估计所述空时导向字典中原子的功率,获取与杂波点最相关的空时向量原子;
基于确定的所述空时向量原子,获取对应的真杂波多普勒频率;
将确定的所述空时向量原子的多普勒频率替换为所述真杂波多普勒频率;
通过迭代自适应算法进行全局迭代,获取与杂波脊匹配的原子,形成新的空时导向字典Θ(k+1)。
2.根据权利要求1所述的方法,其特征在于,对空时导向字典进行初始化,包括:
对原始空时导向字典Φ中所有原子的功率进行初始化。
3.根据权利要求1所述的方法,其特征在于,通过迭代自适应算法估计所述空时导向字典中原子的功率,获取与杂波点最相关的空时向量原子,包括:
通过迭代自适应算法估计原始空时导向字典Φ中所有原子的功率;
比较所述原始空时导向字典Φ中每个量化空间频率对应的原子的功率,查找与杂波点最相关的所述空时向量原子;
其中,与杂波点最相关的所述空时向量原子为所有原子的功率中最大功率对应的原子。
7.根据权利要求1所述的方法,其特征在于,在形成新的空时导向字典Θ(k+1)之后,所述方法还包括:
判断形成的新的所述空时导向字典Θ(k+1)是否满足预设收敛条件;
若满足,则迭代停止,新的所述空时导向字典Θ(k+1)为自适应校正后的空时导向字典;若不满足,则继续进行迭代,自适应校正所述空时导向字典,直至满足所述预设收敛条件。
9.一种基于字典校正的空时自适应处理装置,其特征在于,包括:
初始化模块,配置为对空时导向字典进行初始化;
第一获取模块,配置为通过迭代自适应算法估计所述空时导向字典中原子的功率,获取与杂波点最相关的空时向量原子;
第二获取模块,配置为基于确定的所述空时向量原子,获取对应的真杂波多普勒频率;
替换模块,配置为将确定的所述空时向量原子的多普勒频率替换为所述真杂波多普勒频率;
形成模块,配置为通过迭代自适应算法进行全局迭代,获取与杂波脊匹配的原子,形成新的空时导向字典Θ(k+1)。
10.一种计算机可读存储介质,其特征在于,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,实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111026863.2A CN113655458B (zh) | 2021-09-02 | 2021-09-02 | 基于字典校正的空时自适应处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111026863.2A CN113655458B (zh) | 2021-09-02 | 2021-09-02 | 基于字典校正的空时自适应处理方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113655458A true CN113655458A (zh) | 2021-11-16 |
CN113655458B CN113655458B (zh) | 2023-06-02 |
Family
ID=78493458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111026863.2A Active CN113655458B (zh) | 2021-09-02 | 2021-09-02 | 基于字典校正的空时自适应处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113655458B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6756935B1 (en) * | 2003-01-31 | 2004-06-29 | The Boeing Company | Full polarization ground moving target indicator radar automatic target detection algorithm |
US20050237236A1 (en) * | 2004-04-26 | 2005-10-27 | Budic Robert D | Method and apparatus for performing bistatic radar functions |
US20140035776A1 (en) * | 2011-04-14 | 2014-02-06 | Nir Asher Sochen | Method and system for target detection |
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 |
US9297886B1 (en) * | 2013-03-12 | 2016-03-29 | Lockheed Martin Corporation | Space time adaptive technique for suppression of spaceborne clutter |
US20170102458A1 (en) * | 2014-06-09 | 2017-04-13 | Src, Inc. | Multiplatform GMTI Radar With Adaptive Clutter Suppression |
US20170315221A1 (en) * | 2016-05-01 | 2017-11-02 | Technion Research & Development Foundation Ltd. | Target recovery in multiple input multiple output (mimo) radar system |
WO2018014166A1 (zh) * | 2016-07-18 | 2018-01-25 | 深圳大学 | 一种波束-多普勒通道自适应选择stap方法 |
WO2018045601A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 一种阵列误差下的稀疏恢复stap方法及其系统 |
WO2018045567A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 一种基于存在测量误差的阵列流形先验知识的稳健stap方法 |
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 |
CN109324315A (zh) * | 2018-11-26 | 2019-02-12 | 清华大学 | 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 |
WO2020026151A2 (en) * | 2018-07-30 | 2020-02-06 | University Of Kansas | Method to improve ground moving target detection through partially adaptive post pulse compression multi-waveform space-time adaptive processing |
CN110764069A (zh) * | 2019-11-14 | 2020-02-07 | 内蒙古工业大学 | 一种基于知识辅助的稀疏恢复stap色加载方法 |
CN111580065A (zh) * | 2020-07-06 | 2020-08-25 | 内蒙古工业大学 | 基于知识辅助的稀疏恢复stap方法 |
CN112415476A (zh) * | 2020-11-13 | 2021-02-26 | 中国民航大学 | 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 |
CN112904298A (zh) * | 2021-01-20 | 2021-06-04 | 西安电子科技大学 | 一种基于局部网格分裂的网格偏离空时自适应处理方法 |
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 |
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 |
-
2021
- 2021-09-02 CN CN202111026863.2A patent/CN113655458B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6756935B1 (en) * | 2003-01-31 | 2004-06-29 | The Boeing Company | Full polarization ground moving target indicator radar automatic target detection algorithm |
US20050237236A1 (en) * | 2004-04-26 | 2005-10-27 | Budic Robert D | Method and apparatus for performing bistatic radar functions |
US20140035776A1 (en) * | 2011-04-14 | 2014-02-06 | Nir Asher Sochen | Method and system for target detection |
US9297886B1 (en) * | 2013-03-12 | 2016-03-29 | Lockheed Martin Corporation | Space time adaptive technique for suppression of spaceborne clutter |
US20170102458A1 (en) * | 2014-06-09 | 2017-04-13 | Src, Inc. | Multiplatform GMTI Radar With Adaptive Clutter Suppression |
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 |
US20170315221A1 (en) * | 2016-05-01 | 2017-11-02 | Technion Research & Development Foundation Ltd. | Target recovery in multiple input multiple output (mimo) radar system |
WO2018014166A1 (zh) * | 2016-07-18 | 2018-01-25 | 深圳大学 | 一种波束-多普勒通道自适应选择stap方法 |
WO2018045601A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 一种阵列误差下的稀疏恢复stap方法及其系统 |
WO2018045567A1 (zh) * | 2016-09-09 | 2018-03-15 | 深圳大学 | 一种基于存在测量误差的阵列流形先验知识的稳健stap方法 |
WO2020026151A2 (en) * | 2018-07-30 | 2020-02-06 | University Of Kansas | Method to improve ground moving target detection through partially adaptive post pulse compression multi-waveform space-time adaptive processing |
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 |
CN109324315A (zh) * | 2018-11-26 | 2019-02-12 | 清华大学 | 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 |
CN110764069A (zh) * | 2019-11-14 | 2020-02-07 | 内蒙古工业大学 | 一种基于知识辅助的稀疏恢复stap色加载方法 |
CN111580065A (zh) * | 2020-07-06 | 2020-08-25 | 内蒙古工业大学 | 基于知识辅助的稀疏恢复stap方法 |
CN112415476A (zh) * | 2020-11-13 | 2021-02-26 | 中国民航大学 | 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 |
CN112904298A (zh) * | 2021-01-20 | 2021-06-04 | 西安电子科技大学 | 一种基于局部网格分裂的网格偏离空时自适应处理方法 |
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 |
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 |
Non-Patent Citations (12)
Also Published As
Publication number | Publication date |
---|---|
CN113655458B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275166B (zh) | 基于admm的快速稀疏孔径isar自聚焦与成像方法 | |
CN109975807B (zh) | 一种适用于毫米波车载雷达的降维子空间测角方法 | |
WO2018049595A1 (zh) | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统 | |
CN109061554B (zh) | 一种基于空间离散网格动态更新的目标到达角度估计方法 | |
WO2018045567A1 (zh) | 一种基于存在测量误差的阵列流形先验知识的稳健stap方法 | |
CN108919220B (zh) | 基于嵌入式gpu的弹载sar前侧视成像方法 | |
WO2019047210A1 (zh) | 基于知识的稀疏恢复空时自适应处理方法及系统 | |
CN109324322A (zh) | 一种基于被动相控阵天线的测向与目标识别方法 | |
CN107290732B (zh) | 一种量子大爆炸的单基地mimo雷达测向方法 | |
CN111965632A (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN110161489A (zh) | 一种基于伪框架的强弱信号测向方法 | |
CN113219432B (zh) | 基于知识辅助和稀疏贝叶斯学习的运动目标检测方法 | |
CN108931766A (zh) | 一种基于稀疏重构的非均匀stap干扰目标滤除方法 | |
CN108020834B (zh) | 基于改进edpca的运动目标检测方法、装置及电子设备 | |
CN104991237A (zh) | 基于稳健空时自适应处理的目标检测方法 | |
CN113219433B (zh) | 基于知识辅助的sr-stap方法及存储介质 | |
CN113671485B (zh) | 基于admm的米波面阵雷达二维doa估计方法 | |
CN112763972B (zh) | 基于稀疏表示的双平行线阵二维doa估计方法及计算设备 | |
CN112946640A (zh) | 一种快速距离-多普勒域的自旋目标isar成像方法 | |
Aboutanios et al. | Fast iterative interpolated beamforming for high fidelity single snapshot DOA estimation | |
CN113655458B (zh) | 基于字典校正的空时自适应处理方法、装置及存储介质 | |
CN116699511A (zh) | 一种多频点信号波达方向估计方法、系统、设备及介质 | |
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 | |
CN113093111A (zh) | 基于压缩感知和遗传算法的均匀圆阵解调二维相干信号方法及系统 | |
CN114910906A (zh) | 一种双基地isar稀疏孔径机动目标成像方法及系统 |
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 |