CN114137494A - 基于最小冗余特征波束的阵列回波数据降维处理方法 - Google Patents

基于最小冗余特征波束的阵列回波数据降维处理方法 Download PDF

Info

Publication number
CN114137494A
CN114137494A CN202210063473.0A CN202210063473A CN114137494A CN 114137494 A CN114137494 A CN 114137494A CN 202210063473 A CN202210063473 A CN 202210063473A CN 114137494 A CN114137494 A CN 114137494A
Authority
CN
China
Prior art keywords
data
dimension reduction
matrix
clutter
vector
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.)
Pending
Application number
CN202210063473.0A
Other languages
English (en)
Inventor
杨剑
杨志伟
余志勇
李婧雅
姚志成
王海洋
卢建
涂育维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202210063473.0A priority Critical patent/CN114137494A/zh
Publication of CN114137494A publication Critical patent/CN114137494A/zh
Pending legal-status Critical Current

Links

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
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/42—Simultaneous measurement of distance and other co-ordinates

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于最小冗余特征波束的阵列回波数据降维处理方法：步骤1：对雷达回波数据做时域滑窗处理获得三路数据；步骤2：对三路数据通过方位多普勒滤波器组处理；步骤3：得到时空联合数据矢量；步骤4：获得阻塞后的杂波数据；步骤5：得到波束域降维矩阵；步骤6：对步骤5中的杂波特征波束空间进行奇异值分解，降维得到数据；步骤7：构造降维数据的协方差矩阵和权向量；步骤8：对待测单元的数据进行杂波抑制得到杂波抑制结果。本发明降低了处理维数，大大提高了运算效率，同时克服了非均匀环境无法提供足够同分布训练样本的难题，显著提高了大规模阵列在回波数据非平稳条件下的抗杂波、抗干扰能力。

Description

基于最小冗余特征波束的阵列回波数据降维处理方法
技术领域
本发明涉及雷达对地面动目标检测领域，特别涉及一种对多通道相控阵雷达的场景数据基于后多普勒（Post-Doppler）处理进行降维杂波抑制方法，具体是一种基于最小冗余特征波束的阵列回波数据降维处理方法。
背景技术
雷达是利用电磁波探测目标的电子设备，为了有效提高空中监视能力，通常将雷达系统安装在飞机或者人造卫星上。由于机载/星载雷达平台具有高速运动的特性，使得当雷达工作在下视状态时，场景主瓣杂波多普勒谱严重展宽，从而导致微弱慢目标淹没在杂波中，无法得到直接检测。因此，利用机载/星载雷达实现动目标检测任务的前提是将场景中的强杂波抑制掉，使原本被淹没的微弱运动目标凸显出来，改善目标信杂噪比(SCNR)，提高检测概率。
Brennan、Reed等人在文献《Theory of adaptive radar》(IEEE Transactions onAerospace and Electronic Systems，1973，9(2))中提出一种空时自适应处理(SpaceTime Adaptive Processing，STAP)方法，即全维空时自适应处理方法；该滤波器可以在空时二维杂波分布处形成杂波抑制凹口，有效抑制杂波，降低目标的最小可检测速度(Minimum Detectable Velocity，MDV)。然而，全维空时自适应处理方法由于其利用所有空间等效阵元和时域脉冲采样，系统维数大、运算复杂度高，且其对训练样本要求高，在实际处理中难以实现。后多普勒处理是一类先对数据进行时域滤波然后再联合空域进行自适应处理的方法，典型方法有3DT、F$A等。
基于后多普勒处理的降维方法虽然降低了系统维数，但是，大规模阵列在高动态环境中存在回波数据统计特征随着时间和空间快速变化（即回波数据非平稳）的问题，系统无法获得足够的同分布训练样本，标准自适应滤波算法不再奏效，性能显著下降。在不损失回波数据信息前提下，进一步降低处理器维数是大规模阵列提升抗杂波、抗干扰能力的关键。
发明内容
本发明的目的在于，针对大规模阵列在高动态环境下的回波数据统计特征随着时间和空间快速变化导致标准自适应滤波算法性能显著下降的瓶颈问题，提出一种基于最小冗余特征波束的阵列回波数据降维处理方法，该方法克服了非均匀环境无法提供足够同分布训练样本的难题，能够大大降低系统处理维数、减少运算量，降低了训练样本的数量，同时，能够显著提高大规模阵列在回波数据非平稳的条件下的抗杂波、抗干扰能力。
为了达到上述目的，本发明采用如下技术方案予以解决：
一种基于最小冗余特征波束的阵列回波数据降维处理方法，包括如下步骤：
步骤1：获取一个CPI内N个空间通道的K+2个脉冲的雷达回波数据；对各个空间通道的K+2个脉冲数据进行三次时域滑窗处理，分别获得各个空间通道对应的第1~K、2~ K+1、3~ K+2个脉冲组成的三路数据；其中，N表示空间通道的个数，K表示脉冲个数，L表示距离单元数；
步骤2：对各个空间通道对应的三路数据通过方位多普勒滤波器组进行处理，得到
Figure DEST_PATH_IMAGE001
、
Figure 765254DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE003
三路数据，分别表示处理后空间通道
Figure 407588DEST_PATH_IMAGE004
对应的三路距离-多普勒数据；
步骤3：构造三路滑窗的空域数据矢量，得到时空联合的数据矢量
Figure DEST_PATH_IMAGE005
；
步骤4：根据广义旁瓣相消器结构，计算下支路的阻塞矩阵并获得阻塞后的杂波数据
Figure 621532DEST_PATH_IMAGE006
；
步骤5：计算阻塞后的三路数据分别对应的空域协方差矩阵，并对其进行特征值分解，选取前
Figure DEST_PATH_IMAGE007
个特征波束，分别得到三组数据对应的杂波特征波束空间
Figure 776438DEST_PATH_IMAGE008
，得到波束域降维矩阵：
Figure DEST_PATH_IMAGE009
降维后的杂波数据
Figure 341412DEST_PATH_IMAGE010
为：
Figure DEST_PATH_IMAGE011
其中
Figure 521858DEST_PATH_IMAGE012
对矢量或矩阵做共轭转置操作；
步骤6：对步骤5中的杂波特征波束空间进行奇异值分解，
Figure DEST_PATH_IMAGE013
其中，S为
Figure 72531DEST_PATH_IMAGE014
阶的奇异值矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，U为
Figure DEST_PATH_IMAGE015
阶的矩阵，V为
Figure 680230DEST_PATH_IMAGE016
阶的矩阵；
在U中选取前
Figure DEST_PATH_IMAGE017
个奇异值对应的奇异向量，构造最小冗余特征波束空间的降维矩阵
Figure 716188DEST_PATH_IMAGE018
，再次降维后得到数据
Figure DEST_PATH_IMAGE019
为：
Figure 434745DEST_PATH_IMAGE020
；
步骤7：构造降维数据
Figure 888860DEST_PATH_IMAGE019
的协方差矩阵
Figure DEST_PATH_IMAGE021
和权向量
Figure 401881DEST_PATH_IMAGE022
；
步骤8：对待检测单元
Figure 957759DEST_PATH_IMAGE024
的时空联合的数据矢量
Figure 745586DEST_PATH_IMAGE005
进行杂波抑制，得到待检测单元
Figure 319787DEST_PATH_IMAGE024
的杂波抑制结果：
Figure DEST_PATH_IMAGE025
其中，
Figure 3709DEST_PATH_IMAGE026
表示待检测单元
Figure 30571DEST_PATH_IMAGE024
对应的杂波抑制结果。
Figure DEST_PATH_IMAGE027
为广义旁瓣相消器结构中上支路的匹配权矢量。
进一步的，所述步骤2中：
Figure 605778DEST_PATH_IMAGE028
；
进一步的，所述步骤3中，三路滑窗的空域数据矢量分别为：
Figure DEST_PATH_IMAGE029
时空联合的数据矢量
Figure 441010DEST_PATH_IMAGE005
为：
Figure 315075DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
表示对矢量或矩阵做转置操作。
进一步的，所述步骤4包括如下操作：
上支路设置匹配滤波器的匹配权矢量为
Figure 829233DEST_PATH_IMAGE027
，输出为：
Figure 958863DEST_PATH_IMAGE032
下支路构造阻塞矩阵
Figure DEST_PATH_IMAGE033
为：
Figure 710918DEST_PATH_IMAGE034
其中，I表示
Figure DEST_PATH_IMAGE035
维的单位阵，
Figure 251490DEST_PATH_IMAGE036
表示对矢量或矩阵做共轭转置操作；
下支路对步骤3中的数据矢量
Figure DEST_PATH_IMAGE037
进行阻塞处理，得到阻塞后的杂波数据
Figure 721785DEST_PATH_IMAGE006
为：
Figure 655106DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE039
和
Figure 12400DEST_PATH_IMAGE040
分别表示阻塞后的三路数据。
进一步的，所述步骤5包括如下子步骤：
步骤51：计算步骤4得到的阻塞后的三路数据分别对应的空域协方差矩阵
Figure DEST_PATH_IMAGE041
和
Figure 474606DEST_PATH_IMAGE042
为：
Figure DEST_PATH_IMAGE043
；
步骤52：分别对阻塞后的三路数据对应的空域协方差矩阵
Figure 697777DEST_PATH_IMAGE044
和
Figure DEST_PATH_IMAGE045
进行特征值分解，对特征值由大到小排序，分别获得前
Figure 887318DEST_PATH_IMAGE007
个大特征值对应的特征向量，设
Figure 145124DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE047
分别表示空域协方差矩阵
Figure 778231DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE049
对应的第j个大特征值，
Figure 223119DEST_PATH_IMAGE050
和
Figure DEST_PATH_IMAGE051
分别表示特征值
Figure 714887DEST_PATH_IMAGE052
和
Figure 92778DEST_PATH_IMAGE047
对应的特征向量，即特征波束；
Figure DEST_PATH_IMAGE053
；
步骤53：选取前
Figure 896786DEST_PATH_IMAGE007
个特征波束构造的三路数据的杂波特征波束空间为：
Figure 360129DEST_PATH_IMAGE054
；
则波束域降维矩阵为：
Figure 157052DEST_PATH_IMAGE009
降维后的杂波数据
Figure 389450DEST_PATH_IMAGE010
为：
Figure 629939DEST_PATH_IMAGE011
。
进一步的，所述步骤6包括如下子步骤：
步骤61：由于步骤53中的杂波特征波束空间
Figure 580577DEST_PATH_IMAGE008
的特征波束空间相近，波束域降维后的杂波数据具有冗余性，因此，对步骤53中的杂波特征波束空间进行奇异值分解：
Figure DEST_PATH_IMAGE055
其中，S为
Figure 666345DEST_PATH_IMAGE014
阶的奇异值矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，U为
Figure 753250DEST_PATH_IMAGE015
阶的矩阵，V为
Figure 180951DEST_PATH_IMAGE016
阶的矩阵；
步骤62：对S中的奇异值由大到小排序，设
Figure 353307DEST_PATH_IMAGE056
表示S中第
Figure DEST_PATH_IMAGE057
个大奇异值，令
Figure 977186DEST_PATH_IMAGE058
表示奇异值
Figure DEST_PATH_IMAGE059
在U中对应的奇异向量，其中，
Figure 918597DEST_PATH_IMAGE058
为U的列向量，U由
Figure 500888DEST_PATH_IMAGE060
按原奇异值顺序排列组成；
步骤63：在U中选取前
Figure 144228DEST_PATH_IMAGE017
个奇异值对应的奇异向量，构造最小冗余特征波束空间的降维矩阵
Figure 102957DEST_PATH_IMAGE018
为：
Figure DEST_PATH_IMAGE061
其中，
Figure 898874DEST_PATH_IMAGE062
；
对步骤5得到的降维后的杂波数据
Figure DEST_PATH_IMAGE063
再次降维后的数据
Figure 386488DEST_PATH_IMAGE019
为：
Figure 298816DEST_PATH_IMAGE064
。
进一步的，所述步骤7包括如下操作：
构造降维数据
Figure 530077DEST_PATH_IMAGE019
的协方差矩阵
Figure 180501DEST_PATH_IMAGE021
Figure DEST_PATH_IMAGE065
计算下支路自适应处理器的权向量
Figure 104595DEST_PATH_IMAGE022
为：
Figure 738839DEST_PATH_IMAGE066
其中，
Figure DEST_PATH_IMAGE067
表示对复数取共轭；
Figure 757479DEST_PATH_IMAGE068
为步骤3得到的时空联合的数据矢量。
本发明与现有技术相比具有如下优点：
1、大大降低系统处理维数，减少运算量
空时处理的主要运算量集中在协方差矩阵求逆的问题上，在后多普勒数据中，杂波在空域波束方向比较集中，同时待检测通道与辅助通道间数据相关性强，通过构造杂波的特征波束空间和波束最小冗余空间，对数据大大降维，减小了运算量，节约了运算资源，提高了处理效率；
2、降低训练样本需求量
本发明的降维方法由于降低了处理器维数，使得构造协方差矩阵时所需的训练样本数大大减少，降低了挑选样本的标准，使得本发明的实用性更强；
3、具有自适应性
本发明中的降维方法非固定降维结构，降维矩阵的选取依赖于数据，使得本发明的方法具有一定的自适应性。
附图说明
图1是本发明的整体流程图；
图2是本发明的实施例提供的传统F$A处理和本发明方法运算复杂度随空间通道数的变化曲线图；
图3a是本发明的实施例提供的传统F$A和本发明方法处理后的目标输出信杂噪比(SCNR)曲线图；
图3b是局部放大图；
图4是本发明的实施例提供的杂波抑制处理后输出SCNR随样本数变化的曲线图。
具体实施方式
本发明中涉及的技术术语：
CPI：Coherent Processing Interval的简称，指相干处理间隔。
F$A：先时域滑窗后时空联合的处理方法。
本发明的思路是：首先获取多通道的雷达回波数据；对各空间通道的数据进行时域滑窗处理，每个空间通道获得三路滑窗数据，并将每路数据经方位傅里叶变换转到距离-多普勒域；选取待检测通道及辅助通道对应的数据，基于广义旁瓣相消器结构，对上通道数据进行阻塞，得到下通道杂波数据；对三组滑窗数据分别构造特征波束空间，并对三路数据分别进行降维；将三路数据降维后得到数据，再次进行奇异值分解，得到最小冗余波束空间，进一步降低杂波数据维数；计算自适应权矢量并进行杂波抑制。
参照图1，本发明的基于最小冗余特征波束的阵列回波数据降维处理方法，具体实施步骤如下：
步骤1：获取一个CPI 内N个空间通道的K+2个脉冲的雷达回波数据，雷达回波数据中包含L个距离单元的回波信息；对各个空间通道的K+2个脉冲数据进行三次时域滑窗处理，分别获得各个空间通道对应的第1~K、2~ K+1、3~ K+2个脉冲组成的三路数据，即各个空间通道对应的不滑窗、滑一个脉冲和滑两个脉冲后的三路数据；其中，N表示空间通道的个数，K表示脉冲个数，L表示距离单元数。
步骤2：对各个空间通道对应的三路数据通过方位多普勒滤波器组，由脉冲域转换到多普勒域，得到
Figure 527989DEST_PATH_IMAGE001
、
Figure DEST_PATH_IMAGE069
和
Figure 357405DEST_PATH_IMAGE003
三路数据，分别表示处理后空间通道
Figure 478945DEST_PATH_IMAGE004
对应的三路距离-多普勒数据，均为
Figure 68320DEST_PATH_IMAGE070
维；
设第
Figure DEST_PATH_IMAGE071
个距离单元在第
Figure 427757DEST_PATH_IMAGE072
个空间通道、第
Figure DEST_PATH_IMAGE073
个多普勒通道的三路数据分别为
Figure 693653DEST_PATH_IMAGE074
和
Figure DEST_PATH_IMAGE075
：
Figure 755019DEST_PATH_IMAGE028
；
步骤3：对于第k个待检测多普勒通道的第
Figure 662932DEST_PATH_IMAGE076
个距离单元，构造三路滑窗的空域数据矢量分别为：
Figure 408035DEST_PATH_IMAGE029
从而得到时空联合的数据矢量
Figure 110411DEST_PATH_IMAGE005
为：
Figure 675385DEST_PATH_IMAGE030
其中，
Figure 855830DEST_PATH_IMAGE031
表示对矢量或矩阵做转置操作；
步骤4：根据广义旁瓣相消器结构，上支路设置匹配滤波器的匹配权矢量为
Figure 721018DEST_PATH_IMAGE027
，输出为：
Figure 342099DEST_PATH_IMAGE032
下支路构造阻塞矩阵
Figure 659948DEST_PATH_IMAGE033
为：
Figure 644084DEST_PATH_IMAGE034
其中，I表示
Figure 98200DEST_PATH_IMAGE035
维的单位阵，
Figure 142379DEST_PATH_IMAGE036
表示对矢量或矩阵做共轭转置操作；
下支路对步骤3中的数据矢量
Figure 947524DEST_PATH_IMAGE037
进行阻塞处理，得到阻塞后的杂波数据
Figure 735351DEST_PATH_IMAGE006
为：
Figure 558820DEST_PATH_IMAGE038
其中，
Figure 773900DEST_PATH_IMAGE039
和
Figure 800762DEST_PATH_IMAGE040
分别表示阻塞后的三路数据。
步骤5：计算步骤4得到的阻塞后的三路数据分别对应的空域协方差矩阵
Figure 392281DEST_PATH_IMAGE041
和
Figure 820988DEST_PATH_IMAGE042
，并对其进行特征值分解，选取前
Figure 941391DEST_PATH_IMAGE007
个特征波束，分别得到三路数据的杂波特征波束空间
Figure DEST_PATH_IMAGE077
，得到波束域降维矩阵，最后得到降维后的杂波数据；
步骤51：计算步骤4得到的阻塞后的三路数据分别对应的空域协方差矩阵
Figure 206281DEST_PATH_IMAGE041
和
Figure 335911DEST_PATH_IMAGE042
为：
Figure 619125DEST_PATH_IMAGE043
；
步骤52：分别对阻塞后的三路数据对应的空域协方差矩阵
Figure 176008DEST_PATH_IMAGE044
和
Figure 443041DEST_PATH_IMAGE045
进行特征值分解，对特征值由大到小排序，分别获得前
Figure 845204DEST_PATH_IMAGE078
个大特征值对应的特征向量，设
Figure 248503DEST_PATH_IMAGE052
和
Figure 491135DEST_PATH_IMAGE047
分别表示空域协方差矩阵
Figure 714306DEST_PATH_IMAGE048
和
Figure 185738DEST_PATH_IMAGE049
对应的第
Figure DEST_PATH_IMAGE079
个大特征值，
Figure 177965DEST_PATH_IMAGE050
和
Figure 76651DEST_PATH_IMAGE051
分别表示特征值
Figure 52697DEST_PATH_IMAGE046
和
Figure 81483DEST_PATH_IMAGE080
对应的特征向量，即特征波束；
步骤53：选取前
Figure 928216DEST_PATH_IMAGE007
个特征波束构造的三路数据的杂波特征波束空间为：
Figure 263383DEST_PATH_IMAGE054
则波束域降维矩阵为：
Figure 461146DEST_PATH_IMAGE009
降维后的杂波数据
Figure 539960DEST_PATH_IMAGE010
为：
Figure 772358DEST_PATH_IMAGE011
；
步骤6：对步骤53中的杂波特征波束空间进行奇异值分解，构造最小冗余特征波束空间，对步骤5得到的降维后的杂波数据进一步降维，得到再次降维后的数据；
步骤61：由于步骤53中的杂波特征波束空间
Figure 12847DEST_PATH_IMAGE008
的特征波束空间相近，波束域降维后的杂波数据具有冗余性，因此，对步骤53中的杂波特征波束空间进行奇异值分解：
Figure 947174DEST_PATH_IMAGE055
其中，S为
Figure 564100DEST_PATH_IMAGE014
阶的奇异值矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，U为
Figure 651004DEST_PATH_IMAGE015
阶的矩阵，V为
Figure 62394DEST_PATH_IMAGE016
阶的矩阵；
步骤62：对S中的奇异值由大到小排序，设
Figure 234750DEST_PATH_IMAGE056
表示S中第
Figure 389787DEST_PATH_IMAGE057
个大奇异值，令
Figure 81931DEST_PATH_IMAGE058
表示奇异值
Figure 929801DEST_PATH_IMAGE059
在U中对应的奇异向量，其中，
Figure 589453DEST_PATH_IMAGE058
为U的列向量，U由
Figure 548182DEST_PATH_IMAGE060
按原奇异值顺序排列组成；
步骤63：在U中选取前
Figure 609678DEST_PATH_IMAGE017
个奇异值对应的奇异向量，构造最小冗余特征波束空间的降维矩阵
Figure 628450DEST_PATH_IMAGE018
为：
Figure 509818DEST_PATH_IMAGE061
其中，
Figure 272238DEST_PATH_IMAGE062
；
对步骤5得到的降维后的杂波数据
Figure 437509DEST_PATH_IMAGE063
再次降维后的数据
Figure 627182DEST_PATH_IMAGE019
为：
Figure 261426DEST_PATH_IMAGE064
Figure 561957DEST_PATH_IMAGE019
的维数为
Figure DEST_PATH_IMAGE081
；
步骤7：构造降维数据
Figure 801308DEST_PATH_IMAGE019
的协方差矩阵
Figure 427462DEST_PATH_IMAGE021
和权向量
Figure 283422DEST_PATH_IMAGE022
；具体是：
构造降维数据
Figure 135447DEST_PATH_IMAGE019
的协方差矩阵
Figure 760464DEST_PATH_IMAGE021
为：
Figure 291939DEST_PATH_IMAGE065
计算下支路自适应处理器的权向量
Figure 635196DEST_PATH_IMAGE022
为：
Figure 277530DEST_PATH_IMAGE066
其中，
Figure 757053DEST_PATH_IMAGE067
表示对复数取共轭；
Figure 708697DEST_PATH_IMAGE068
为步骤3得到的时空联合的数据矢量；
步骤8：对待检测单元
Figure 539250DEST_PATH_IMAGE024
的时空联合的数据矢量
Figure 985275DEST_PATH_IMAGE082
进行杂波抑制，得到待检测单元
Figure 850462DEST_PATH_IMAGE024
的杂波抑制结果：
Figure 458161DEST_PATH_IMAGE025
其中，
Figure 510431DEST_PATH_IMAGE026
表示待检测单元
Figure 760147DEST_PATH_IMAGE024
对应的杂波抑制结果，
Figure 230573DEST_PATH_IMAGE027
为广义旁瓣相消器结构中上支路的匹配权矢量。
本发明的杂波抑制性能可通过以下仿真实验进一步验证：
下面结合仿真实验对本发明的技术效果进行进一步说明。
1、仿真条件
本发明实验仿真中的机载多通道雷达采用一发多收模式，工作于正侧视，波束中心与阵列天线平面夹角为90度，有10个等效阵元接收，阵元间距为0.123米，一个CPI内积累的脉冲数为200个，脉冲重频为3000赫兹，工作波长为0.246米，雷达最短探测距离为7千米，距离分辨力为20米，样本数为600个，平台飞行高度为6千米，速度为100米每秒，目标位于波束中心，径向速度为53米每秒。
2、仿真内容与结果分析
仿真实验一：
假设空间等效阵元数为N，计算传统F$A方法和本发明选取
Figure DEST_PATH_IMAGE083
个特征波束构造特征波束空间，选
Figure 9174DEST_PATH_IMAGE084
个奇异向量构造最小冗余波束空间时，对应的运算复杂度，如表1所示：
表1 不同杂波抑制方法的运算复杂度
Figure DEST_PATH_IMAGE085
请参见图2，图2是本发明实施例提供的传统F$A方法和本发明方法运算复杂度随空间通道数的变化曲线图；由表1和图3可以得到，本发明的降维方法运算复杂度低于原方法，特别地，随着空间通道数的增多，本发明的运算复杂度比原方法降低得更显著。
仿真实验二：
采用传统F$A方法和本发明的方法对仿真的回波数据进行杂波抑制处理，本发明方法在对协方差矩阵进行特征分解后，分别选取前3个特征波束构造降维矩阵
Figure 17581DEST_PATH_IMAGE086
，选取4~6个奇异向量构造降维矩阵
Figure DEST_PATH_IMAGE087
。请参见图3a～3b，图3a是本发明实施例提供的传统F$A和本发明方法处理后的目标输出信杂噪比(SCNR)曲线图，图3b是局部放大图。
SCNR计算式为：
Figure 539829DEST_PATH_IMAGE088
；
其中，b为目标的幅度。
从图3可以看出，本发明的方法在选取3个特征波束，5~6个奇异向量时，输出SCNR与传统F$A方法处理后的输出SCNR相近。
仿真实验三：
计算样本数对输出SCNR的影响。选取某一多普勒通道k，根据仿真实验二中得到该多普勒通道的F$A数据协方差矩阵
Figure DEST_PATH_IMAGE089
，通过下式产生新的样本数据：
Figure 832139DEST_PATH_IMAGE090
式中，
Figure DEST_PATH_IMAGE091
为高斯白噪声列向量。此时产生的新数据样本
Figure 781640DEST_PATH_IMAGE092
与原协方差矩阵中的样本服从相同的分布。通过该方法产生150个样本，选取1，2，…，150个样本计算自适应杂波抑制权，进而计算输出SCNR。
请参见图4，图4是本发明实施例提供的杂波抑制处理后输出SCNR随样本数变化的曲线图。由图4可以得出当样本数不足时，SCNR会有损失，本发明的方法因系统处理维数更低，收敛到稳定SCNR时比传统F$A需要的样本数少，所以在小样本下SCNR损失更低。
通过仿真实验结果，可以证明本发明方法具有杂波抑制的能力，同时具有更低的系统处理维数，运算量和估计协方差矩阵所需的样本数降低。综合图2的运算复杂度分析、图3的输出SCNR曲线和图4输出SCNR随样本数的变化曲线，优选取3个特征波束和5~6个奇异向量时的本发明的方法。
综上所述，本发明的方法通过构造特征波束空间和波束最小冗余空间，极大地降低了系统处理维数，减小运算量，使得构造协方差矩阵时所需的训练样本数大大减少，降低了挑选样本的标准，同时能保证较好的杂波抑制性能。

Claims (7)

1.一种基于最小冗余特征波束的阵列回波数据降维处理方法，其特征在于，包括如下步骤：
步骤1：获取一个CPI内N个空间通道的K+2个脉冲的雷达回波数据；对各个空间通道的K +2个脉冲数据进行三次时域滑窗处理，分别获得各个空间通道对应的第1~K、2~ K+1、3~ K+ 2个脉冲组成的三路数据；其中，N表示空间通道的个数，K表示脉冲个数，L表示距离单元数；
步骤2：对各个空间通道对应的三路数据通过方位多普勒滤波器组进行处理，得到
Figure 454606DEST_PATH_IMAGE001
、
Figure 155846DEST_PATH_IMAGE002
和
Figure 130755DEST_PATH_IMAGE003
三路数据，分别表示处理后空间通道
Figure 799503DEST_PATH_IMAGE004
对应的三路距离-多普勒数据；
步骤3：构造三路滑窗的空域数据矢量，得到时空联合的数据矢量
Figure 150850DEST_PATH_IMAGE005
；
步骤4：根据广义旁瓣相消器结构，计算下支路的阻塞矩阵并获得阻塞后的杂波数据
Figure 768913DEST_PATH_IMAGE006
；
步骤5：计算阻塞后的三路数据分别对应的空域协方差矩阵，并对其进行特征值分解，选取前
Figure 180303DEST_PATH_IMAGE007
个特征波束，分别得到三组数据对应的杂波特征波束空间
Figure 87079DEST_PATH_IMAGE008
，得到波束域降维矩阵：
Figure 724340DEST_PATH_IMAGE009
降维后的杂波数据
Figure 400172DEST_PATH_IMAGE010
为：
Figure 779201DEST_PATH_IMAGE011
；
步骤6：对步骤5中的杂波特征波束空间进行奇异值分解，
Figure 173273DEST_PATH_IMAGE012
其中，S为
Figure 600843DEST_PATH_IMAGE013
阶的奇异值矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，U为
Figure 646029DEST_PATH_IMAGE014
阶的矩阵，V为
Figure 930380DEST_PATH_IMAGE015
阶的矩阵；
在U中选取前
Figure 546169DEST_PATH_IMAGE016
个奇异值对应的奇异向量，构造最小冗余特征波束空间的降维矩阵
Figure 43009DEST_PATH_IMAGE017
，再次降维后得到数据
Figure 490171DEST_PATH_IMAGE018
为：
Figure 414265DEST_PATH_IMAGE019
；
步骤7：构造降维数据
Figure 2503DEST_PATH_IMAGE018
的协方差矩阵
Figure 834193DEST_PATH_IMAGE020
和权向量
Figure 339123DEST_PATH_IMAGE021
；
步骤8：对待检测单元
Figure 434118DEST_PATH_IMAGE023
的时空联合的数据矢量
Figure 821237DEST_PATH_IMAGE005
进行杂波抑制，得到待检测单元
Figure 659880DEST_PATH_IMAGE023
的杂波抑制结果：
Figure 268585DEST_PATH_IMAGE024
其中，
Figure 331219DEST_PATH_IMAGE025
表示待检测单元
Figure 143317DEST_PATH_IMAGE023
对应的杂波抑制结果，
Figure 316810DEST_PATH_IMAGE026
为广义旁瓣相消器结构中上支路的匹配权矢量。
2.如权利要求1所述的基于最小冗余特征波束的阵列回波数据降维处理方法，其特征在于，所述步骤2中：
Figure 530753DEST_PATH_IMAGE027
。
3.如权利要求2所述的基于最小冗余特征波束的阵列回波数据降维处理方法，其特征在于，所述步骤3中，三路滑窗的空域数据矢量分别为：
Figure 967551DEST_PATH_IMAGE028
时空联合的数据矢量
Figure 329262DEST_PATH_IMAGE005
为：
Figure 986072DEST_PATH_IMAGE029
其中，
Figure 116839DEST_PATH_IMAGE030
表示对矢量或矩阵做转置操作。
4.如权利要求3所述的基于最小冗余特征波束的阵列回波数据降维处理方法，其特征在于，所述步骤4包括如下操作：
上支路设置匹配滤波器的匹配权矢量为
Figure 458959DEST_PATH_IMAGE026
，输出为：
Figure 307966DEST_PATH_IMAGE031
下支路构造阻塞矩阵
Figure 292102DEST_PATH_IMAGE032
为：
Figure 215059DEST_PATH_IMAGE033
其中，I表示
Figure 790397DEST_PATH_IMAGE034
维的单位阵，
Figure 579230DEST_PATH_IMAGE035
表示对矢量或矩阵做共轭转置操作；
下支路对步骤3中的数据矢量
Figure 835899DEST_PATH_IMAGE036
进行阻塞处理，得到阻塞后的杂波数据
Figure 941258DEST_PATH_IMAGE006
为：
Figure 625181DEST_PATH_IMAGE037
其中，
Figure 652042DEST_PATH_IMAGE038
和
Figure 509140DEST_PATH_IMAGE039
分别表示阻塞后的三路数据。
5.如权利要求4所述的基于最小冗余特征波束的阵列回波数据降维处理方法，其特征在于，所述步骤5包括如下子步骤：
步骤51：计算步骤4得到的阻塞后的三路数据分别对应的空域协方差矩阵
Figure 157421DEST_PATH_IMAGE040
和
Figure 340141DEST_PATH_IMAGE041
为：
Figure 588720DEST_PATH_IMAGE042
；
步骤52：分别对阻塞后的三路数据对应的空域协方差矩阵
Figure 187191DEST_PATH_IMAGE043
和
Figure 267143DEST_PATH_IMAGE044
进行特征值分解，对特征值由大到小排序，分别获得前
Figure 292868DEST_PATH_IMAGE007
个大特征值对应的特征向量，设
Figure 278010DEST_PATH_IMAGE045
和
Figure 742489DEST_PATH_IMAGE046
分别表示空域协方差矩阵
Figure 614630DEST_PATH_IMAGE047
和
Figure 873573DEST_PATH_IMAGE048
对应的第j个大特征值，
Figure 831165DEST_PATH_IMAGE049
和
Figure 37019DEST_PATH_IMAGE050
分别表示特征值
Figure 825983DEST_PATH_IMAGE051
和
Figure 206892DEST_PATH_IMAGE052
对应的特征向量，即特征波束；
Figure 917359DEST_PATH_IMAGE053
；
步骤53：选取前
Figure 458062DEST_PATH_IMAGE007
个特征波束构造的三路数据的杂波特征波束空间为：
Figure 304795DEST_PATH_IMAGE054
；
则波束域降维矩阵为：
Figure 905541DEST_PATH_IMAGE009
降维后的杂波数据
Figure 837725DEST_PATH_IMAGE010
为：
Figure 634649DEST_PATH_IMAGE011
其中
Figure 398205DEST_PATH_IMAGE055
对矢量或矩阵做共轭转置操作。
6.如权利要求1所述的基于最小冗余特征波束的阵列回波数据降维处理方法，其特征在于，所述步骤6包括如下子步骤：
步骤61：由于步骤53中的杂波特征波束空间
Figure 373114DEST_PATH_IMAGE008
的特征波束空间相近，波束域降维后的杂波数据具有冗余性，因此，对步骤53中的杂波特征波束空间进行奇异值分解：
Figure 792594DEST_PATH_IMAGE056
其中，S为
Figure 940679DEST_PATH_IMAGE013
阶的奇异值矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，U为
Figure 496425DEST_PATH_IMAGE014
阶的矩阵，V为
Figure 658548DEST_PATH_IMAGE015
阶的矩阵；
步骤62：对S中的奇异值由大到小排序，设
Figure 362061DEST_PATH_IMAGE057
表示S中第
Figure 985941DEST_PATH_IMAGE058
个大奇异值，令
Figure 927352DEST_PATH_IMAGE059
表示奇异值
Figure 306381DEST_PATH_IMAGE060
在U中对应的奇异向量，其中，
Figure 434874DEST_PATH_IMAGE059
为U的列向量，U由
Figure 377291DEST_PATH_IMAGE061
按原奇异值顺序排列组成；
步骤63：在U中选取前
Figure 704367DEST_PATH_IMAGE062
个奇异值对应的奇异向量，构造最小冗余特征波束空间的降维矩阵
Figure 191980DEST_PATH_IMAGE017
：
Figure 73348DEST_PATH_IMAGE063
其中，
Figure 366926DEST_PATH_IMAGE064
；
对步骤5得到的降维后的杂波数据
Figure 751771DEST_PATH_IMAGE065
再次降维后的数据
Figure 429527DEST_PATH_IMAGE018
为：
Figure 798192DEST_PATH_IMAGE066
。
7.如权利要求1所述的基于最小冗余特征波束的阵列回波数据降维处理方法，其特征在于，所述步骤7包括如下操作：
构造降维数据
Figure 567564DEST_PATH_IMAGE018
的协方差矩阵
Figure 134812DEST_PATH_IMAGE020
Figure 964228DEST_PATH_IMAGE067
计算下支路自适应处理器的权向量
Figure 803877DEST_PATH_IMAGE021
为：
Figure 439257DEST_PATH_IMAGE068
其中，
Figure 533115DEST_PATH_IMAGE069
表示对复数取共轭；
Figure 799012DEST_PATH_IMAGE070
为步骤3得到的时空联合的数据矢量。
CN202210063473.0A 2022-01-20 2022-01-20 基于最小冗余特征波束的阵列回波数据降维处理方法 Pending CN114137494A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210063473.0A CN114137494A (zh) 2022-01-20 2022-01-20 基于最小冗余特征波束的阵列回波数据降维处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210063473.0A CN114137494A (zh) 2022-01-20 2022-01-20 基于最小冗余特征波束的阵列回波数据降维处理方法

Publications (1)

Publication Number Publication Date
CN114137494A true CN114137494A (zh) 2022-03-04

Family

ID=80381560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210063473.0A Pending CN114137494A (zh) 2022-01-20 2022-01-20 基于最小冗余特征波束的阵列回波数据降维处理方法

Country Status (1)

Country Link
CN (1) CN114137494A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114527462A (zh) * 2022-04-22 2022-05-24 中国人民解放军国防科技大学 全息穿透成像雷达杂波抑制方法、装置、系统及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114527462A (zh) * 2022-04-22 2022-05-24 中国人民解放军国防科技大学 全息穿透成像雷达杂波抑制方法、装置、系统及介质

Similar Documents

Publication Publication Date Title
CN105738879B (zh) 基于稀疏恢复的雷达杂波空时自适应预滤波方法
US8179300B2 (en) Method for suppressing clutter in space-time adaptive processing systems
Zhang et al. Reduced dimension STAP based on sparse recovery in heterogeneous clutter environments
CN106772253B (zh) 一种非均匀杂波环境下的雷达杂波抑制方法
CN112612005B (zh) 基于深度学习的雷达抗主瓣干扰方法
CN107064926B (zh) 空域色噪声背景下的双基地mimo雷达角度估算方法
CN107290732B (zh) 一种量子大爆炸的单基地mimo雷达测向方法
CN112612006B (zh) 基于深度学习的机载雷达非均匀杂波抑制方法
CN114895260B (zh) 一种俯仰向空时编码星载sar系统回波分离方法
Fuchs et al. Single-snapshot direction-of-arrival estimation of multiple targets using a multi-layer perceptron
Li et al. Dimension-reduced space-time adaptive clutter suppression algorithm based on lower-rank approximation to weight matrix in airborne radar
RU2735216C2 (ru) Способ пространственно-временной адаптивной обработки сигналов в моноимпульсной корабельной радиолокационной станции с активной фазированной антенной решеткой
CN104345299A (zh) 基于简化ec的机载mimo雷达空时自适应处理方法
CN110196417B (zh) 基于发射能量集中的双基地mimo雷达角度估计方法
CN115932749A (zh) 一种基于盲源分离算法的主瓣干扰抑制方法
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
CN109946663B (zh) 一种线性复杂度的Massive MIMO目标空间方位估计方法和装置
CN114137494A (zh) 基于最小冗余特征波束的阵列回波数据降维处理方法
CN113805139A (zh) 基于聚焦变换的宽带信号稀疏表示波达方向估计方法
Wu et al. Time-varying space–time autoregressive filtering algorithm for space–time adaptive processing
CN110376561B (zh) 一种时域降维的多快拍迭代阵元幅相误差估计方法
Guan et al. A CFAR detector for MIMO array radar based on adaptive pulse compression-Capon filter
CN110609255B (zh) 一种基于特征波束的自适应波束域fsa的杂波抑制降维方法
CN105319538A (zh) 基于辅助通道的空时自适应杂波抑制方法
Pandey et al. Space Time Adaptive Processing for High Signal to Clutter Ratio Target's Detection Radar System

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