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 PDFInfo
- 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
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
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$A等。
基于后多普勒处理的降维方法虽然降低了系统维数,但是,大规模阵列在高动态环境中存在回波数据统计特征随着时间和空间快速变化(即回波数据非平稳)的问题,系统无法获得足够的同分布训练样本,标准自适应滤波算法不再奏效,性能显著下降。在不损失回波数据信息前提下,进一步降低处理器维数是大规模阵列提升抗杂波、抗干扰能力的关键。
发明内容
本发明的目的在于,针对大规模阵列在高动态环境下的回波数据统计特征随着时间和空间快速变化导致标准自适应滤波算法性能显著下降的瓶颈问题,提出一种基于最小冗余特征波束的阵列回波数据降维处理方法,该方法克服了非均匀环境无法提供足够同分布训练样本的难题,能够大大降低系统处理维数、减少运算量,降低了训练样本的数量,同时,能够显著提高大规模阵列在回波数据非平稳的条件下的抗杂波、抗干扰能力。
为了达到上述目的,本发明采用如下技术方案予以解决:
一种基于最小冗余特征波束的阵列回波数据降维处理方法,包括如下步骤:
步骤1:获取一个CPI内N个空间通道的K+2个脉冲的雷达回波数据;对各个空间通道的K+2个脉冲数据进行三次时域滑窗处理,分别获得各个空间通道对应的第1~K、2~ K+1、3~ K+2个脉冲组成的三路数据;其中,N表示空间通道的个数,K表示脉冲个数,L表示距离单元数;
步骤6:对步骤5中的杂波特征波束空间进行奇异值分解,
进一步的,所述步骤2中:
进一步的,所述步骤3中,三路滑窗的空域数据矢量分别为:
进一步的,所述步骤4包括如下操作:
进一步的,所述步骤5包括如下子步骤:
步骤52:分别对阻塞后的三路数据对应的空域协方差矩阵和进行特征值分解,对特征值由大到小排序,分别获得前个大特征值对应的特征向量,设和分别表示空域协方差矩阵和对应的第j个大特征值,和分别表示特征值和对应的特征向量,即特征波束;;
则波束域降维矩阵为:
进一步的,所述步骤6包括如下子步骤:
进一步的,所述步骤7包括如下操作:
本发明与现有技术相比具有如下优点:
1、大大降低系统处理维数,减少运算量
空时处理的主要运算量集中在协方差矩阵求逆的问题上,在后多普勒数据中,杂波在空域波束方向比较集中,同时待检测通道与辅助通道间数据相关性强,通过构造杂波的特征波束空间和波束最小冗余空间,对数据大大降维,减小了运算量,节约了运算资源,提高了处理效率;
2、降低训练样本需求量
本发明的降维方法由于降低了处理器维数,使得构造协方差矩阵时所需的训练样本数大大减少,降低了挑选样本的标准,使得本发明的实用性更强;
3、具有自适应性
本发明中的降维方法非固定降维结构,降维矩阵的选取依赖于数据,使得本发明的方法具有一定的自适应性。
附图说明
图1是本发明的整体流程图;
图2是本发明的实施例提供的传统F$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52:分别对阻塞后的三路数据对应的空域协方差矩阵和进行特征值分解,对特征值由大到小排序,分别获得前个大特征值对应的特征向量,设和分别表示空域协方差矩阵和对应的第个大特征值,和分别表示特征值和对应的特征向量,即特征波束;
则波束域降维矩阵为:
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;
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:
表1 不同杂波抑制方法的运算复杂度
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,选取4~6个奇异向量构造降维矩阵。请参见图3a~3b,图3a是本发明实施例提供的传统F$A和本发明方法处理后的目标输出信杂噪比(SCNR)曲线图,图3b是局部放大图。
SCNR计算式为:
其中,b为目标的幅度。
从图3可以看出,本发明的方法在选取3个特征波束,5~6个奇异向量时,输出SCNR与传统F$A方法处理后的输出SCNR相近。
仿真实验三:
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6:对步骤5中的杂波特征波束空间进行奇异值分解,
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:
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)
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 |
-
2022
- 2022-01-20 CN CN202210063473.0A patent/CN114137494A/zh active Pending
Cited By (1)
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 |