CN114660562A - 自适应滤波方法及滤波器 - Google Patents
自适应滤波方法及滤波器 Download PDFInfo
- Publication number
- CN114660562A CN114660562A CN202210263650.XA CN202210263650A CN114660562A CN 114660562 A CN114660562 A CN 114660562A CN 202210263650 A CN202210263650 A CN 202210263650A CN 114660562 A CN114660562 A CN 114660562A
- Authority
- CN
- China
- Prior art keywords
- interference
- adaptive filtering
- signal
- target
- reflected signal
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 111
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000009131 signaling function Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000008859 change Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010408 sweeping Methods 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
- G01S7/417—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 involving the use of neural networks
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0043—Adaptive algorithms
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0043—Adaptive algorithms
- H03H2021/0056—Non-recursive least squares algorithm [LMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及信号处理技术领域,具体涉及一种自适应滤波方法及滤波器。一种自适应滤波方法,包括以下步骤:接收反射信号,基于反射信号判断干扰类型,干扰类型包括噪声干扰和欺骗干扰;针对噪声干扰,采用第一自适应滤波算法滤除反射信号中的干扰信号以得到有用信号;针对欺骗干扰,采用第二自适应滤波算法以求得真实目标的参数估计值,参数估计值包括距离估计值、速度估计值或角度估计值。将本方发明提供的方法或系统应用在雷达系统中时,可有效提高雷达的抗干扰能力及目标探测的准确率。
Description
技术领域
本发明涉及信号处理技术领域,具体涉及一种自适应滤波方法及滤波器。
背景技术
日益拥挤的电磁波频谱应用环境和有源欺骗干扰的广泛使用,使得雷达面临严重的电磁频谱压制干扰和欺骗干扰,降低了目标探测性能。自适应滤波是一种有效抑制距离旁瓣和多普勒旁瓣的技术手段,能够提高检测性能。因此,将该技术应用于雷达抗干扰领域,具有提高雷达系统探测能力的巨大潜力。
但通常雷达的回波信号受到的干扰是多样性的,而针对不同的干扰类型需要采取针对性的滤波措施,才能保证信号处理的实时性。因此,准确地识别干扰的类型,并调用相应的滤波方法以滤除回波信号中的干扰信号,对于提高雷达的目标探测性能具有重大意义。
发明内容
为克服上述问题或部分解决上述问题,本发明的目的在于提供一种自适应滤波方法及滤波器,以提高雷达的抗干扰能力及目标探测的准确率。
本发明通过下述技术方案实现:
第一方面,本发明实施例提供一种自适应滤波方法,包括以下步骤:S101、接收反射信号,基于上述反射信号判断干扰类型,上述干扰类型包括噪声干扰和欺骗干扰;S102、针对上述噪声干扰,采用第一自适应滤波算法滤除反射信号中的干扰信号以得到有用信号;S103、针对上述欺骗干扰,采用第二自适应滤波算法以求得真实目标的参数估计值,上述参数估计值包括距离估计值、速度估计值或角度估计值。
基于第一方面,在本发明一些实施例中,上述基于上述反射信号判断干扰类型包括:以雷达未受到干扰时接收到的回波信号和雷达受到干扰时接收到的反射信号为训练样本训练神经网络模型;通过上述神经网络模型判断干扰类型。
基于第一方面,在本发明一些实施例中,采用自适应滤波系统,上述自适应滤波系统包括信号接收模块、加减法模块和自适应滤波模块,信号接收模块接收反射信号d(n),上述反射信号d(n)中包括目标回波信号s(n)和噪声信号N(n);自适应滤波模块的输入为与噪声信号N(n)具有相关性的参考噪声信号X(n),自适应滤波模块的输出信号为y(n),加减法模块对上述反射信号d(n)进行加运算,对输出信号y(n)进行减运算,以获得自适应滤波系统的输出信号e(n),并将输出信号e(n)反馈至自适应滤波模块;
上述第一自适应滤波法包括变步长LMS自适应滤波算法,记为:
式中,T为矩阵转置,W(n)为自适应滤波模块在时刻n的权值向量,ψ(n)为步长控制函数,J(n)为误差信号函数,||·||为向量求模运算,α、β为Sigmoid函数类变步长LMS算法的参数,α(n)、β(n)分别为α、β的变化函数形式,γ为接近1的常数,用于控制参数β(n)的变化,α(n)结合误差信号e(n)和参数k控制步长ψ(n)的变化,kn为参数k的变化函数形式,ε为常数,其取值为0<ε<1。
基于第一方面,在本发明一些实施例中,上述欺骗干扰包括距离欺骗干扰和速度欺骗干扰。
基于第一方面,在本发明一些实施例中,针对距离欺骗干扰模型y=GTXT+GJXJ+b,其中,y为反射信号,GT和GJ分别为真实目标和干扰假目标对应的发射波采样矩阵,XT为真实目标距离像,XJ为假目标距离像,b是功率为1的高斯白噪声;上述第二自适应滤波算法包括以下步骤:步骤1:对反射信号y采取匹配滤波的方法进行预估计,预估得到初始真实目标的距离像和初始假目标的距离像分别以作为初始值进行迭代,对于第u=1,...,U次迭代,已知信息为第(u-1)次迭代中的距离像步骤2:直到进行U次迭代后停止,得到真实目标和干扰假目标的距离像估计值。
基于第一方面,在本发明一些实施例中,针对速度欺骗干扰模型y=FTdT+FJdJ+v,其中,y为反射信号,FT和FJ分别为真实目标和干扰假目标对应的反射波采样矩阵,dT、dJ分别表示真实目标和干扰假目标多普勒离散采样估计值,v为高斯白噪声向量;步骤1:对反射信号y进行预处理,以得到初始真实目标的多普勒离散采样估计值和初始假目标的多普勒离散采样估计值分别以作为初始值进行迭代;对于第q=1,...,Q次迭代,已知信息为第(q-1)次迭代中的多普勒离散采样估计值步骤2:直到进行Q次迭代后停止,得到真实目标和干扰假目标的速度估计值。
基于第一方面,在本发明一些实施例中,上述预处理包括:采用真实目标的回波信号sT对反射信号y进行相位补偿,再对补偿结果进行傅里叶变换以得到初始真实目标的多普勒离散采样估计值采用假目标的回波信号sJ对反射信号y进行相位补偿,再对补偿结果进行傅里叶变换以得到初始假目标的多普勒离散采样估计值
第二方面,本发明提供一种自适应滤波器,包括:判断模块:用于接收反射信号,基于上述反射信号判断干扰类型,上述干扰类型包括噪声干扰和欺骗干扰;第一执行模块:用于针对上述噪声干扰,采用第一自适应滤波算法滤除反射信号中的干扰信号以得到有用信号;第二执行模块:用于针对上述欺骗干扰,采用第二自适应滤波算法以求得真实目标的参数估计值,上述参数估计值包括距离估计值、速度估计值或角度估计值。
基于第二方面,在本发明一些实施例中,上述第二执行模块包括:第一滤波单元,用于针对距离欺骗干扰模型y=GTXT+GJXJ+b,其中,y为反射信号,GT和GJ分别为真实目标和干扰假目标对应的发射波采样矩阵,XT为真实目标距离像,XJ为假目标距离像,b是功率为1的高斯白噪声;上述第二自适应滤波算法包括以下步骤:步骤1:对反射信号y采取匹配滤波的方法进行预估计,预估得到初始真实目标的距离像和初始假目标的距离像分别以作为初始值进行迭代,对于第u=1,...,U次迭代,已知信息为第(u-1)次迭代中的距离像步骤2:直到进行U次迭代后停止,得到真实目标和干扰假目标的距离像估计值。
基于第二方面,在本发明一些实施例中,上述第二执行模块还包括:第二滤波单元,用于针对速度欺骗干扰模型y=FTdT+FJdJ+v,其中,y为反射信号,FT和FJ分别为真实目标和干扰假目标对应的反射波采样矩阵,dT、dJ分别表示真实目标和干扰假目标多普勒离散采样估计值,v为高斯白噪声向量;步骤1:对反射信号y进行预处理,以得到初始真实目标的多普勒离散采样估计值和初始假目标的多普勒离散采样估计值分别以作为初始值进行迭代;对于第q=1,...,Q次迭代,已知信息为第(q-1)次迭代中的多普勒离散采样估计值步骤2:直到进行Q次迭代后停止,得到真实目标和干扰假目标的速度估计值。
本发明与现有技术相比,至少具有如下的优点和有益效果:
第一,针对噪声干扰,提出了一种变步长LMS自适应滤波算法,相较于传统LMS自适应滤波算法,该算法能迅速有效的接近最佳权系数值,具有更好的滤波效果和实时性,使自适性滤波更加接近雷达实战环境的要求,更具实用价值。
第二,针对距离欺骗干扰,提出了抗距离欺骗自适应滤波算法,该方法通过有效抑制真实目标回波和干扰假目标回波的自相关旁瓣和互相关旁瓣,分别估计真实目标和干扰假目标的距离像。相较于传统的匹配滤波处理干扰的方法,采用本发明实施例提供的距离欺骗自适应滤波算法可有效抑制旁瓣,提高真实目标距离像的估计精度。
第三,针对速度欺骗干扰,提出了抗速度欺骗自适应滤波算法,该算法能够有效抑制多普勒旁瓣,分别估计真实目标和干扰假目标的速度。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。在附图中:
图1为一种自适应滤波方法一实施例的流程示意图;
图2为一种自适应滤波方法的原理图;
图3为一种自适应滤波器的结构框图。
图标:1-判断模块;2-第一执行模块;3-第二执行模块;31-第一滤波单元;32-第二滤波单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
需要说明的是,在本发明的描述中,出现的术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
请参照图1,在本发明实施例提供本发明实施例提供一种自适应滤波方法,包括以下步骤:
S101、接收反射信号,基于上述反射信号判断干扰类型,上述干扰类型包括噪声干扰和欺骗干扰;
干扰类型的判断可采用预先训练好的神经网络模型进行判断,模型的训练样本可采用雷达未受到干扰时接收到的回波信号和雷达受到干扰时接收到的反射信号。例如,针对噪声干扰的判断,在每一帧雷达回波信号的被跟踪目标常规检测中,对当前帧的AGC值进行突变判断,若AGC值未发生突变则判断当前无干扰,若AGC值发生突变,则对当前二维检测平面进行波形熵突变判断,若波形熵有突变,则认为此时平面噪声已非纯高斯白噪声,雷达已受到瞄准式或扫频式噪声压制干扰,确认干扰类型为噪声干扰,若波形熵无突变,则认为出现超出本识别方法范围的其他情况,确认为无干扰。因此,示例性的,针对上述噪声干扰的判断则可采用决策树模型进行判断。
S102、针对上述噪声干扰,采用第一自适应滤波算法滤除反射信号中的干扰信号以得到有用信号;
示例性的,本实施例中采用一种sigmoid函数类变步长LMS自适应滤波算法,以滤除反射信号中的干扰信号。如图2所示的自适应滤波系统的自适应滤波原理图,上述自适应滤波系统包括信号接收模块、加减法模块和自适应滤波模块,信号接收模块接收反射信号d(n),上述反射信号d(n)中包括目标回波信号s(n)和噪声信号N(n);自适应滤波模块的输入为与噪声信号N(n)具有相关性的参考噪声信号X(n),自适应滤波模块的输出信号为y(n),加减法模块对上述反射信号d(n)进行加运算,对输出信号y(n)进行减运算,以获得自适应滤波系统的输出信号e(n),并将输出信号e(n)反馈至自适应滤波模块;
具体的,传统的Sigmoid函数类变步长LMS自适应算法如式(1)所示:
上式中,T为矩阵转置,X(n)=[x(n),x(n-1),x(n-2),...,x(n-L+1)]T表示时刻n时的输入信号矢量;W(n)=[ω0(n),ω1(n),ω2(n),...,,ωL-1(n)]T表示时刻n时的自适应滤波模块的权系数,L是自适应滤波器的阶数,μ(n)是控制自适应滤波稳定性和收敛速度的参数,称之为步长因子,ψj(n),j=1,2控制步长函数的变化形状,J(n)是误差信号的函数,比如J(n)可取e(n)X(n)、e2(n)或e(n)的正整数次方等,α、β为大于零的常数,LMS算法收敛的条件为0<μ(n)<1/λmax,λmax为输入信号自相关矩阵的最大特征值。为了得到更快的收敛速度、更高的收敛精度和快速的跟踪系统时变的性能,可采用当前误差与上一步误差的自相关估计来控制||J(n)||,提出如下的自适应变步长更新公式(2):
式中,0<γ<1,为接近1的常数,控制参数β的变化,α(n)结合误差信号e(n)和参数k控制步长ψ(n)变化的形状和速度,为了保证算法收敛,μ(n)需要满足如下约束条件:
其中,0<μmax<1/λmax,λmax为输入信号自相关矩阵的最大特征值。
在上述算法中,k需要在实际使用中来人为设定,k的值越大,步长变化越迅速,但滤波效果越差;k的值越小,步长变化越慢,但滤波效果好,这样就产生了新的矛盾。如果能对k进行合理的取值,使之能同时兼顾算法的实时性和精度,则具有重要的使用价值和实际意义。
为了使算法具有较高的收敛速度和较好的稳定性。可通过估计自适应滤波器的均方误差的来调节k值,具体的,将k记为:
k(n)=εk(n-1)+(1-ε)e2(n) (4)
上式中,0<ε<1,用来控制算法的失调和收敛时间。于是,新的变步长LMS自适应滤
波算法可记为:
并且k(n)满足如下条件:
由式(4)、(5)可知,这种滤波算法在自适应的初始阶段由于系统输出误差较大,因此k(n)的值也较大,以使系统具有较大的步长μ(n)来加速系统的收敛;当各系数接近最优值时,系统输出的误差较小,相应的k(n)的值也较小,使系统具有较小的步长μ(n),在最优值的附近进行较小的调整。式(6)的作用是防止步长因子由于信号的突变而产生过大或过小的剧烈变化,从而影响滤波的性能。
S103、针对上述欺骗干扰,采用第二自适应滤波算法以求得真实目标的参数估计值,上述参数估计值包括距离估计值、速度估计值或角度估计值。
欺骗干扰具有多种干扰类型,具体包括距离欺骗干扰、速度欺骗干扰及角度欺骗干扰等,本实施例中则主要以距离欺骗干扰和速度欺骗两种干扰为例进行说明。
1)针对距离欺骗干扰
示例性的,本实施中的距离欺骗干扰形式为:不改变截获的发射信号形式,只对其产生不同延时,在距离维上形成距离假目标干扰。距离假目标干扰是指干扰机对截获到的雷达发射波形延时并进行转发,雷达对接收到干扰信号进行接收处理,产生增益,检测得到假目标。
示例性的,距离欺骗干扰模型为y=GTXT+GJXJ+b,式中,y为反射信号,GT和GJ分别为真实目标和干扰假目标对应的发射波采样矩阵,XT为真实目标距离像,XJ为假目标距离像,b是功率为1的高斯白噪声。
自适应滤波算法是基于最小化均方误差(MMSE)准则的估计方法,针对雷达图像中的每个距离单元求滤波器系数wT[l],则距离像估计结果为XT[l]=wT[l]Hy[l],wT[l]表示以第l个距离单元为中心的距离像采样的连续片段的滤波器系数,相应的,XT[l]为该连续片段的真实目标距离像,y[l]为该连续片段的反射信号。该算法的优化准则是保证无偏估计{wT[l]}HsT=1的情况下(其中sT为发射信号采样值),使估计结果的总能量E[|wT[l]Hy[l]|2]最小,即,使有用信号获得最大信干燥比,用数学表达式表示为:
根据优化准则,为求wT[l],利用拉格朗日乘数法有:
求Γ关于各变量的偏导并令各偏导为0解得:
令
式(10)中分别表示真实目标和距离假目标距离像散射系数协方差矩阵,由于各真实目标之间和假目标之间距离像采样相互独立,因此ΠT[l]和Πj[l]为对角阵,对角元素使相应的距离单元的功率参数,用其散射系数的先验信息代替,对于长度为(2N-1)的距离像采样的连续片段:
和
分别表示估计的真实目标和假目标距离像的协方差矩阵。经过数学运算和代换,得到自适应滤波算法的优化滤波器系数为:
第l,l=N,...,L-(N-1)个距离单元真实目标的距离像估计值
XT[l]={wT[l]}Hy[l] (14)
因此根据上述推导的滤波器系数计算公式,进行循环迭代。由上次迭代得到的估计值ΠT[l]、ΠJ[l]作为先验信息,求此次迭代的新的估计值ΠT[l]、ΠJ[l],进而求得滤波器系数。
具体的,针对上述模型采用第二自适应滤波算法估计得到真实目标距离像的步骤包括:
步骤1:步骤1:对反射信号y采取匹配滤波的方法进行预估计,预估得到初始真实目标的距离像和初始假目标的距离像分别以作为初始值进行迭代,对于第u=1,...,U次迭代,已知信息为第(u-1)次迭代中的距离像
步骤2:直到进行U次迭代后停止,得到真实目标和干扰假目标的距离像估计值。
对第l(L≤l≤L-(N-1))个距离单元,由上次迭代的距离像估计值构成对角矩阵,最终求得第u次迭代各个距离单元的真实目标距离像估计
和第u次迭代各个距离单元干扰假目标的距离像估计
式(15)、(16)中L表示该连续片段包括L个距离单元。
2)针对速度欺骗干扰
示例性的,本实施例中,采用速度欺骗干扰信号模型可写成与上述距离欺骗干扰模型类似的形式(y=FTdT+FJdJ+v,其中,y为反射信号,FT和FJ分别为真实目标和干扰假目标对应的反射波采样矩阵,dT、dJ分别表示真实目标和干扰假目标多普勒离散采样估计值,v为高斯白噪声向量),均将已知反射信号表示为需要估计量的线性变换形式,因此采用自适应滤波算法能够改善估计真实目标的速度。
示例性的,抗速度欺骗干扰的自适应滤波算法利用最小化均方误差(MMSE)的滤波器系数设计方法。针对第k个多普勒采样点求大小为M×1的滤波器系数向量wT[k],则估计结果为wT[k]Hy,优化准则为保证无偏估计{wT[k]}HFT,k=1的情况下,使估计结果的能量E[|{wT[k]}Hy|2]最小。用数学表达式表示如下:
其中,fT,k是矩阵FT的第k列,是与第k个频率采样点的真实目标回波对应有关的向量,根据优化准则,利用拉格朗日乘数法求wT[k],有
求I关于各变量的偏导并令各偏导为0解得
令
其中单位阵I=E[vvH]是噪声的协方差矩阵。和分比如为真实目标和干扰假目标多普勒采样点的协方差矩阵,由于各个多普勒采样点目标之间相互独立,因此DT和DJ均为对角阵,对角元素为各多普勒采样点的真实目标功率,是未知的,可以用目标幅度的估计值和作为其近似,即
得到第k个多普勒采样点对应的滤波器系数为
第k个多普勒采样点上,真实目标对应的估计结果为
dT[k]={wT[k]}Hy (24)
取k=1,,K。得到真实目标的多普勒离散采样估计值
dT=[dT[1],dT[2],...,dT[K]]T (25)
同理,对干扰假目标,对应的滤波器系数为
第k个多普勒采样点上,干扰假目标对应的估计结果为
dJ[k]={wJ[k]}Hy (27)
取k=1,,K。求出干扰假目标的多普勒离散采样估计值
dJ=[dJ[1],dJ[2],...,dJ[K]]T (28)
假设共N次迭代,多普勒离散采样估计的步骤如下:
步骤1:对反射信号y进行预处理,以得到初始真实目标的多普勒离散采样估计值和初始假目标的多普勒离散采样估计值分别以作为初始值进行迭代;对于第q=1,...,Q次迭代,已知信息为第(q-1)次迭代中的多普勒离散采样估计值
具体的,先用sT(真实目标回波采样信号)的共轭去乘以接收反射信号y进行相位补偿,再对此结果(sT)*⊙y进行傅里叶变换得到反射信号先用sJ的共轭乘以反射信号y进行相位补偿,对(sJ)*⊙y进行傅里叶变换求得干扰假目标的距离像估计
进而求得
步骤2:直到进行Q次迭代后停止,得到真实目标和干扰假目标的速度估计值。
第k个多普勒采样值对应的滤波器系数为
得到第k个多普勒采样值的估计
令k=1,...,K,得到真实目标多普勒估计结果。类似地,求得干扰假目标的多普勒估计结果。
实施例2
请参照图3,在本发明些实施例提供一种自适应滤波器,包括:
判断模块1:用于接收反射信号,基于上述反射信号判断干扰类型,上述干扰类型包括噪声干扰和欺骗干扰;第一执行模块2:用于针对上述噪声干扰,采用第一自适应滤波算法滤除反射信号中的干扰信号以得到有用信号;第二执行模块3:用于针对上述欺骗干扰,采用第二自适应滤波算法以求得真实目标的参数估计值,上述参数估计值包括距离估计值、速度估计值或角度估计值。
示例性的,上述第二执行模块3包括:第一滤波单元31,用于针对距离欺骗干扰模型y=GTXT+GJXJ+b,其中,y为反射信号,GT和GJ分别为真实目标和干扰假目标对应的发射波采样矩阵,XT为真实目标距离像,XJ为假目标距离像,b是功率为1的高斯白噪声;上述第二自适应滤波算法包括以下步骤:步骤1:对反射信号y采取匹配滤波的方法进行预估计,预估得到初始真实目标的距离像和初始假目标的距离像分别以作为初始值进行迭代,对于第u=1,...,U次迭代,已知信息为第(u-1)次迭代中的距离像 步骤2:直到进行U次迭代后停止,得到真实目标和干扰假目标的距离像估计值。
示例性的,上述第二执行模块3还包括:第二滤波单元32,用于针对速度欺骗干扰模型y=FTdT+FJdJ+v,其中,y为反射信号,FT和FJ分别为真实目标和干扰假目标对应的反射波采样矩阵,dT、dJ分别表示真实目标和干扰假目标多普勒离散采样估计值,v为高斯白噪声向量;步骤1:对反射信号y进行预处理,以得到初始真实目标的多普勒离散采样估计值和初始假目标的多普勒离散采样估计值分别以作为初始值进行迭代;对于第q=1,...,Q次迭代,已知信息为第(q-1)次迭代中的多普勒离散采样估计值步骤2:直到进行Q次迭代后停止,得到真实目标和干扰假目标的速度估计值。
本发明实施例所提供的系统可用于执行上述实施例所描述的方法,具体方法步骤见实施例1。在此不作赘述。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种自适应滤波方法,其特征在于,包括以下步骤:
接收反射信号,基于所述反射信号判断干扰类型,所述干扰类型包括噪声干扰和欺骗干扰;
针对所述噪声干扰,采用第一自适应滤波算法滤除反射信号中的干扰信号以得到有用信号;
针对所述欺骗干扰,采用第二自适应滤波算法以求得真实目标的参数估计值,所述参数估计值包括距离估计值、速度估计值或角度估计值。
2.根据权利要求1所述的自适应滤波方法,其特征在于,所述基于所述反射信号判断干扰类型包括:
以雷达未受到干扰时接收到的回波信号和雷达受到干扰时接收到的反射信号为训练样本训练神经网络模型;
通过所述神经网络模型判断干扰类型。
3.根据权利要求1所述的自适应滤波方法,其特征在于,采用自适应滤波系统,所述自适应滤波系统包括信号接收模块、加减法模块和自适应滤波模块,信号接收模块接收反射信号d(n),所述反射信号d(n)中包括目标回波信号s(n)和噪声信号N(n);自适应滤波模块的输入为与噪声信号N(n)具有相关性的参考噪声信号X(n),自适应滤波模块的输出信号为y(n),加减法模块对所述反射信号d(n)进行加运算,对输出信号y(n)进行减运算,以获得自适应滤波系统的输出信号e(n),并将输出信号e(n)反馈至自适应滤波模块;
所述第一自适应滤波法包括变步长LMS自适应滤波算法,记为:
式中,T为矩阵转置,W(n)为自适应滤波模块在时刻n的权值向量,ψ(n)为步长控制函数,J(n)为误差信号函数,||·||为向量求模运算,α、β为Sigmoid函数类变步长LMS算法的参数,α(n)、β(n)分别为α、β的变化函数形式,γ为接近1的常数,用于控制参数β(n)的变化,α(n)结合误差信号e(n)和参数k控制步长ψ(n)的变化,kn为参数k的变化函数形式,ε为常数,其取值为0<ε<1。
4.根据权利要求1所述的自适应滤波方法,其特征在于,所述欺骗干扰包括距离欺骗干扰和速度欺骗干扰。
8.一种自适应滤波器,其特征在于,包括:
判断模块:用于接收反射信号,基于所述反射信号判断干扰类型,所述干扰类型包括噪声干扰和欺骗干扰;
第一执行模块:用于针对所述噪声干扰,采用第一自适应滤波算法滤除反射信号中的干扰信号以得到有用信号;
第二执行模块:用于针对所述欺骗干扰,采用第二自适应滤波算法以求得真实目标的参数估计值,所述参数估计值包括距离估计值、速度估计值或角度估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210263650.XA CN114660562A (zh) | 2022-03-17 | 2022-03-17 | 自适应滤波方法及滤波器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210263650.XA CN114660562A (zh) | 2022-03-17 | 2022-03-17 | 自适应滤波方法及滤波器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114660562A true CN114660562A (zh) | 2022-06-24 |
Family
ID=82029263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210263650.XA Pending CN114660562A (zh) | 2022-03-17 | 2022-03-17 | 自适应滤波方法及滤波器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114660562A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116016787A (zh) * | 2022-12-30 | 2023-04-25 | 南方医科大学南方医院 | 基于Sigmoid变换及RLS算法的非线性回波消除 |
CN116609033A (zh) * | 2023-07-18 | 2023-08-18 | 山东莱恩光电科技股份有限公司 | 一种光电保护器的故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104283528A (zh) * | 2014-09-18 | 2015-01-14 | 河海大学 | 一种变步长lms自适应滤波方法 |
CN105954729A (zh) * | 2016-04-29 | 2016-09-21 | 电子科技大学 | 雷达抗距离-速度联合欺骗干扰的自适应迭代滤波方法 |
CN106249209A (zh) * | 2016-07-12 | 2016-12-21 | 电子科技大学 | 一种抗速度欺骗干扰的自适应迭代估计方法 |
CN107102189A (zh) * | 2017-04-14 | 2017-08-29 | 西南交通大学 | 基于s函数的变步长lms谐波电流检测方法 |
CN107462873A (zh) * | 2017-07-03 | 2017-12-12 | 上海无线电设备研究所 | 一种雷达干扰快速识别方法 |
CN111814515A (zh) * | 2019-04-11 | 2020-10-23 | 哈尔滨工业大学 | 基于改进变步长lms自适应的有源噪声对消方法 |
-
2022
- 2022-03-17 CN CN202210263650.XA patent/CN114660562A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104283528A (zh) * | 2014-09-18 | 2015-01-14 | 河海大学 | 一种变步长lms自适应滤波方法 |
CN105954729A (zh) * | 2016-04-29 | 2016-09-21 | 电子科技大学 | 雷达抗距离-速度联合欺骗干扰的自适应迭代滤波方法 |
CN106249209A (zh) * | 2016-07-12 | 2016-12-21 | 电子科技大学 | 一种抗速度欺骗干扰的自适应迭代估计方法 |
CN107102189A (zh) * | 2017-04-14 | 2017-08-29 | 西南交通大学 | 基于s函数的变步长lms谐波电流检测方法 |
CN107462873A (zh) * | 2017-07-03 | 2017-12-12 | 上海无线电设备研究所 | 一种雷达干扰快速识别方法 |
CN111814515A (zh) * | 2019-04-11 | 2020-10-23 | 哈尔滨工业大学 | 基于改进变步长lms自适应的有源噪声对消方法 |
Non-Patent Citations (1)
Title |
---|
龙戈农等: "改进的LMS算法及其在雷达干扰对消系统中的应用", 《空军工程大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116016787A (zh) * | 2022-12-30 | 2023-04-25 | 南方医科大学南方医院 | 基于Sigmoid变换及RLS算法的非线性回波消除 |
CN116609033A (zh) * | 2023-07-18 | 2023-08-18 | 山东莱恩光电科技股份有限公司 | 一种光电保护器的故障诊断方法 |
CN116609033B (zh) * | 2023-07-18 | 2023-10-31 | 山东莱恩光电科技股份有限公司 | 一种光电保护器的故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114660562A (zh) | 自适应滤波方法及滤波器 | |
CN110646769B (zh) | 一种适用于lte外辐射源雷达的时域杂波抑制方法 | |
CN106772253B (zh) | 一种非均匀杂波环境下的雷达杂波抑制方法 | |
JP2787855B2 (ja) | 不要信号抑圧装置 | |
CN104166136A (zh) | 一种基于干扰子空间跟踪的高效自适应单脉冲测角方法 | |
CN106970368B (zh) | 一种基于模糊函数局部优化的雷达波形设计方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
WO2003050559A1 (en) | System and method for auto calibrated reduced rank adaptive processor | |
CN109031227B (zh) | 一种共轭梯度空时自适应处理方法及系统 | |
CN113075625B (zh) | 一种谱共存下的抗距离欺骗干扰波形设计方法 | |
CN115577207A (zh) | 一种辐射源目标时差和频差估计方法 | |
CN108896963B (zh) | 机载雷达空时自适应降维处理方法 | |
CN113376607B (zh) | 机载分布式雷达小样本空时自适应处理方法 | |
CN108196238B (zh) | 高斯背景下基于自适应匹配滤波的杂波图检测方法 | |
CN112014807A (zh) | 一种频率捷变雷达的自适应杂波抑制方法 | |
CN116299490B (zh) | 一种基于自适应多普勒滤波-Radon Fourier变换的水声多目标检测方法 | |
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 | |
CN112731292B (zh) | 局部imf能量加权的低空飞行目标信号时延估计方法 | |
CN112505665B (zh) | 适用于部分均匀混响环境的空时自适应检测方法及系统 | |
CN115097428A (zh) | 一种基于稀疏表示的nmf主动声纳抗混响方法 | |
CN108646238A (zh) | 一种基于副瓣对消系数映射的干扰源跟踪方法 | |
CN114779199A (zh) | 端射阵机载雷达自适应互耦补偿与杂波抑制方法 | |
CN114779198B (zh) | 共形阵机载雷达空时杂波谱自适应补偿与杂波抑制方法 | |
CN110133603A (zh) | 基于求根欧几里得几何重心的高频地波雷达海杂波抑制方法 | |
CN110196412B (zh) | 一种联合稀疏的stap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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220624 |