CN114966565B - 基于盲源分离的分布式雷达协同抗主瓣干扰方法及装置 - Google Patents
基于盲源分离的分布式雷达协同抗主瓣干扰方法及装置 Download PDFInfo
- Publication number
- CN114966565B CN114966565B CN202210191162.2A CN202210191162A CN114966565B CN 114966565 B CN114966565 B CN 114966565B CN 202210191162 A CN202210191162 A CN 202210191162A CN 114966565 B CN114966565 B CN 114966565B
- Authority
- CN
- China
- Prior art keywords
- data
- interference
- pulse
- echo
- 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.)
- Active
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 107
- 230000001629 suppression Effects 0.000 claims abstract description 61
- 238000009825 accumulation Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000004806 packaging method and process Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 125
- 230000006835 compression Effects 0.000 claims description 46
- 238000007906 compression Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 44
- 230000001186 cumulative effect Effects 0.000 claims description 28
- 238000011084 recovery Methods 0.000 claims description 24
- 238000005314 correlation function Methods 0.000 claims description 17
- 230000002452 interceptive effect Effects 0.000 claims description 13
- 230000002087 whitening effect Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 230000021615 conjugation Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 238000004321 preservation Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000035485 pulse pressure Effects 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
本公开涉及雷达探测技术领域，公开了一种基于盲源分离的分布式雷达协同抗主瓣干扰方法及装置，方法包括：对第k个发射波位的信号级回波数据，按发射站个数L、接收站个数N的预设数据排列累积规则进行数据累积；按第k个发射波位的信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理；对主瓣干扰抑制处理后的第k个发射波位的信号级回波数据进行打包，完成第k个发射波位的信号级回波数据的抗干扰处理；重复上述步骤，直至完成所有发射波位、所有接收站的信号级回波数据的抗干扰处理。本公开解决了分布式雷达系统抗主瓣干扰问题，可适用于任意压制干扰类型，干扰抑制性能好，易于工程实现。
Description
技术领域
本公开涉及雷达探测技术领域，特别涉及一种基于盲源分离的分布式雷达协同抗主瓣干扰方法及装置。
背景技术
随着电磁环境的日益复杂，主瓣干扰成为当前探测系统面临的重要电磁干扰样式，因此，实现主瓣抗干扰处理是确保协同探测系统正常工作的重要前提。
目前，雷达主动抗干扰的手段主要有：低副瓣天线技术、频率捷变技术、波形捷变技术等。雷达被动抗干扰的手段主要有：自适应数字波束形成技术、旁瓣对消技术、旁瓣匿影技术、基于盲源分离的干扰抑制技术等。
然而，上述抗干扰技术手段应用于抗主瓣干扰时，具有以下缺点：
1、现有雷达抗干扰方法对旁瓣干扰抑制非常有效，而对主瓣干扰的抑制能力非常弱，传统的对抗方法如自适应波束形成、极化信号处理，都会不同程度导致主瓣严重畸变、目标响应显著降低等问题。
2、现有雷达抗主瓣干扰方法，主要是通过增大雷达天线的孔径来提高雷达接收天线的分辨率，实现抗有源主瓣干扰，但是，该方法较难工程实现。
3、现有的基于盲源分离的抗干扰方法，主要应用于单站雷达抗干扰，对于分布式组网雷达，目前仅有少量文献研究分布式雷达的抗主瓣干扰技术，还未有将盲源分离技术应用于分布式雷达抗主瓣干扰的工程应用实例。
发明内容
本公开旨在至少解决现有技术中存在的问题之一，提供一种基于盲源分离的分布式雷达协同抗主瓣干扰方法及装置。
本公开的一个方面，提供了一种基于盲源分离的分布式雷达协同抗主瓣干扰方法，所述方法包括：
对第k个发射波位的信号级回波数据，按照发射站个数L、接收站个数N的预设数据排列累积规则进行数据累积，其中，k＝1、2、…、K，K、L、N均为正整数，K为发射波位的个数；
按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理；
对主瓣干扰抑制处理后的所述第k个发射波位的所述信号级回波数据进行打包，完成所述第k个发射波位的所述信号级回波数据的抗干扰处理；
重复上述步骤，直至完成所有发射波位、所有接收站的信号级回波数据的抗干扰处理。
可选的，所述按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理，包括：
回波数据参数解析：从回波参数头解析出当前脉冲回波数据的参数，所述参数包括带宽、脉组数、每脉组的脉冲个数、距离单元数、脉冲周期时间；
干扰数据对齐：依次以第i个接收站的回波数据作为参考数据，利用相关法对其余各接收站的回波数据进行两两对齐，获得干扰对齐后的回波数据，其中，i＝1、2、…、N；
盲源分离：逐脉冲进行盲源分离，每个脉冲利用当前的参考数据与其余接收站的回波数据两两进行盲源分离，获得分离的干扰信号和目标回波信号；
对分离后的信号进行目标判别：以脉冲压缩矩阵构造滤波器，判别盲源分离后的目标回波信号；
镜像目标协同判别与剔除：通过多站回波脉冲压缩后的峰值点位置，协同判别真实目标位置和镜像目标位置，通过带通滤波器剔除镜像目标位置；
信号幅度恢复：按照处理过程中的幅度变化，计算幅度恢复系数，对干扰抑制后的信号级回波数据进行幅度恢复，获得无干扰的信号级回波数据。
可选的，所述干扰数据对齐的步骤具体包括：
信号长度处理：依次以第i个接收站的回波数据作为参考数据ri(t)，其余接收站的回波数据作为待对齐数据rj(t)，j＝1、2、…、N且j≠i，当参考数据ri(t)与待对齐数据rj(t)长度不同时，按照最短长度进行数据截取，使得参考数据ri(t)与待对齐数据rj(t)长度一致；
计算互相关函数，实现时差估计：参考数据ri(t)和待对齐数据rj(t)的互相关函数表示为：
Rij(τ)＝E{ri(t)rj(t-τ)}≈βiβjRj(τ-(τJi-τJj))，
其中，τ表示时延，E{·}表示均值操作，Rj(τ)为干扰信号的自相关函数，βi表示第i个接收站的干扰回波信号幅度，βj表示除第i个接收站外其余接收站的干扰回波信号幅度，τJi表示干扰目标到第i个接收站的时延，τJj表示干扰目标到除第i个接收站外其余接收站的时延；
计算互相关函数Rij(τ)的最大值，所述最大值所对应的时延τ为干扰相对时延估计，根据此时的时延τ对待对齐数据rj(t)进行时延补偿，使得各接收站中的回波数据两两对齐，获得干扰对齐后的回波数据rj′(t)。
可选的，所述盲源分离的步骤具体包括：
白化：设干扰数据对齐后的接收信号矢量为r(t)＝[ri′(t),rj′(t)]T，其中，ri′(t)为参考数据ri(t)干扰对齐后的回波数据，[·]T表示对矩阵或向量的转置，估计接收信号矢量r(t)的协方差矩阵为：Cr＝E{r(t)rH(t)}，其中，H表示共轭转置操作，对Cr进行特征值分解Cr＝UΛUH，其中，U为特征矩阵，Λ为对角矩阵，得到白化矩阵得到白化信号z(t)＝Wr(t)；
计算白化信号的四阶循环累积量Q；
计算Q前两个最大特征值对应的累积量矩阵Mn，n＝1,2；
对Mn进行近似联合对角化：优化以下代价函数：其中，off(·)表示矩阵非对角元素模平方之和，V表示酉矩阵；根据酉变换的保范性，将代价函数ζ进一步转换为：ζ＝maxv(c,s)TPv(c,s)，其中，v是中间代价函数，c、s均为代价函数的参数，矩阵P为引入的中间变量且矩阵P表示为h(Mn)表示与累积量矩阵Mn相关的函数且h(Mn)＝[mii-mjjmij+miji(mji-mij)]，n＝1,2，mii表示累积量矩阵Mn中的第i行第i列元素，mjj表示累积量矩阵Mn中的第j行第j列元素，mij表示累积量矩阵Mn中的第i行第j列元素，mji表示累积量矩阵Mn中的第j行第i列元素；代价函数ζ在|c|2+|s|2＝1约束下在点(x,y,z)处取得最优值，且c、s同时满足以下条件：/>其中，r表示点(x,y,z)到原点的距离，[x,y,z]T为矩阵P的最大特征值对应的归一化特征向量；
分离信号：计算酉矩阵V，估计出干扰信号和目标回波信号：Y(t)≈VHz(t)，其中，Y(t)＝[y1(t),y2(t)]T为分离后的信号，将Y(t)分离后得到干扰信号y1(t)和目标回波信号y2(t)。
可选的，所述对分离后的信号进行目标判别的步骤具体包括：
以脉冲压缩矩阵构造滤波器：xi(t)＝∫yi(t)s*(t-τ)dτ,i＝1,2，其中，*表示共轭操作；
根据脉冲压缩后干扰信号与目标回波信号包络的不同特征，判别盲源分离后的目标回波信号。
可选的，所述镜像目标协同判别与剔除的步骤具体包括：
对各组盲源分离后的信号分别进行脉冲压缩；
对各组脉冲压缩后的信号分别进行峰值检测，得到对应的峰值检测结果；
根据所述峰值检测结果，判断各组脉冲压缩后的信号峰值点是否均不为空，且包含有相同的峰值点，得到判断结果；
在所述判断结果为否时，计算各组盲源分离后的信号能量，输出能量最大的信号，作为目标回波信号；
在所述判断结果为是时：
根据真实目标位置在各组回波信号中相同，而镜像目标位置会发生偏移的规律，计算各组脉冲压缩后的信号包含的相同的峰值点，作为真实目标位置初值；
根据峰值点出现的次数和峰值能量阈值，共同计算真实目标距离单元、虚假目标距离单元、包含真实目标的回波编号；
构造带通滤波器，在真实目标位置初值中去除镜像目标位置，输出去除镜像目标位置后的回波信号，作为目标回波信号。
本公开的另一个方面，提供了一种基于盲源分离的分布式雷达协同抗主瓣干扰装置，所述装置包括：
数据累积模块，用于对第k个发射波位的信号级回波数据，按照发射站个数L、接收站个数N的预设数据排列累积规则进行数据累积，其中，k＝1、2、…、K，K、L、N均为正整数，K为发射波位的个数；
处理模块，用于按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理；
打包模块，用于对主瓣干扰抑制处理后的所述第k个发射波位的所述信号级回波数据进行打包，完成所述第k个发射波位的所述信号级回波数据的抗干扰处理；
控制模块，用于控制所述数据累积模块、所述处理模块、所述打包模块分别执行对应的功能，直至完成所有发射波位、所有接收站的信号级回波数据的抗干扰处理。
可选的，处理模块，用于按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理，包括：
所述处理模块具体用于：
回波数据参数解析：从回波参数头解析出当前脉冲回波数据的参数，所述参数包括带宽、脉组数、每脉组的脉冲个数、距离单元数、脉冲周期时间；
干扰数据对齐：依次以第i个接收站的回波数据作为参考数据，利用相关法对其余各接收站的回波数据进行两两对齐，获得干扰对齐后的回波数据，其中，i＝1、2、…、N；
盲源分离：逐脉冲进行盲源分离，每个脉冲利用当前的参考数据与其余接收站的回波数据两两进行盲源分离，获得分离的干扰信号和目标回波信号；
对分离后的信号进行目标判别：以脉冲压缩矩阵构造滤波器，判别盲源分离后的目标回波信号；
镜像目标协同判别与剔除：通过多站回波脉冲压缩后的峰值点位置，协同判别真实目标位置和镜像目标位置，通过带通滤波器剔除镜像目标位置；
信号幅度恢复：按照处理过程中的幅度变化，计算幅度恢复系数，对干扰抑制后的信号级回波数据进行幅度恢复，获得无干扰的信号级回波数据。
可选的，所述处理模块具体用于干扰数据对齐，包括：
所述处理模块，用于：
信号长度处理：依次以第i个接收站的回波数据作为参考数据ri(t)，其余接收站的回波数据作为待对齐数据rj(t)，j＝1、2、…、N且j≠i，当参考数据ri(t)与待对齐数据rj(t)长度不同时，按照最短长度进行数据截取，使得参考数据ri(t)与待对齐数据rj(t)长度一致；
计算互相关函数，实现时差估计：参考数据ri(t)和待对齐数据rj(t)的互相关函数表示为：
Rij(τ)＝E{ri(t)rj(t-τ)}≈βiβjRj(τ-(τJi-τJj))，
其中，τ表示时延，E{·}表示均值操作，Rj(τ)为干扰信号的自相关函数，βi表示第i个接收站的干扰回波信号幅度，βj表示除第i个接收站外其余接收站的干扰回波信号幅度，τJi表示干扰目标到第i个接收站的时延，τJj表示干扰目标到除第i个接收站外其余接收站的时延；
计算互相关函数Rij(τ)的最大值，所述最大值所对应的时延τ为干扰相对时延估计，根据此时的时延τ对待对齐数据rj(t)进行时延补偿，使得各接收站中的回波数据两两对齐，获得干扰对齐后的回波数据rj′(t)。
可选的，所述处理模块具体用于盲源分离，包括：
所述处理模块，用于：
白化：设干扰数据对齐后的接收信号矢量为r(t)＝[ri′(t),rj′(t)]T，其中，ri′(t)为参考数据ri(t)干扰对齐后的回波数据，[·]T表示对矩阵或向量的转置，估计接收信号矢量r(t)的协方差矩阵为：Cr＝E{r(t)rH(t)}，其中，H表示共轭转置操作，对Cr进行特征值分解Cr＝UΛUH，其中，U为特征矩阵，Λ为对角矩阵，得到白化矩阵得到白化信号z(t)＝Wr(t)；
计算白化信号的四阶循环累积量Q；
计算Q前两个最大特征值对应的累积量矩阵Mn，n＝1,2；
对Mn进行近似联合对角化：优化以下代价函数：其中，off(·)表示矩阵非对角元素模平方之和，V表示酉矩阵；根据酉变换的保范性，将代价函数ζ进一步转换为：ζ＝maxv(c,s)TPv(c,s)，其中，v是中间代价函数，c、s均为代价函数的参数，矩阵P为引入的中间变量且矩阵P表示为h(Mn)表示与累积量矩阵Mn相关的函数且h(Mn)＝[mii-mjjmij+miji(mji-mij)]，n＝1,2，mii表示累积量矩阵Mn中的第i行第i列元素，mjj表示累积量矩阵Mn中的第j行第j列元素，mij表示累积量矩阵Mn中的第i行第j列元素，mji表示累积量矩阵Mn中的第j行第i列元素；代价函数ζ在|c|2+|s|2＝1约束下在点(x,y,z)处取得最优值，且c、s同时满足以下条件：/>其中，r表示点(x,y,z)到原点的距离，[x,y,z]T为矩阵P的最大特征值对应的归一化特征向量；
分离信号：计算酉矩阵V，估计出干扰信号和目标回波信号：Y(t)≈VHz(t)，其中，Y(t)＝[y1(t),y2(t)]T为分离后的信号，将Y(t)分离后得到干扰信号y1(t)和目标回波信号y2(t)。
可选的，所述处理模块具体用于对分离后的信号进行目标判别，包括：
所述处理模块，用于：
以脉冲压缩矩阵构造滤波器：xi(t)＝∫yi(t)s*(t-τ)dτ,i＝1,2，其中，*表示共轭操作；
根据脉冲压缩后干扰信号与目标回波信号包络的不同特征，判别盲源分离后的目标回波信号。
可选的，所述处理模块具体用于镜像目标协同判别与剔除，包括：
所述处理模块，用于：
对各组盲源分离后的信号分别进行脉冲压缩；
对各组脉冲压缩后的信号分别进行峰值检测，得到对应的峰值检测结果；
根据所述峰值检测结果，判断各组脉冲压缩后的信号峰值点是否均不为空，且包含有相同的峰值点，得到判断结果；
在所述判断结果为否时，计算各组盲源分离后的信号能量，输出能量最大的信号，作为目标回波信号；
在所述判断结果为是时：
根据真实目标位置在各组回波信号中相同，而镜像目标位置会发生偏移的规律，计算各组脉冲压缩后的信号包含的相同的峰值点，作为真实目标位置初值；
根据峰值点出现的次数和峰值能量阈值，共同计算真实目标距离单元、虚假目标距离单元、包含真实目标的回波编号；
构造带通滤波器，在真实目标位置初值中去除镜像目标位置，输出去除镜像目标位置后的回波信号，作为目标回波信号。
本公开的另一个方面，提供了一种基于盲源分离的分布式雷达协同抗主瓣干扰系统，所述系统包括协同处理中心、L个发射站和N个接收站，其中：
所述接收站，用于接收信号级回波数据，并将所述信号级回波数据传输至所述协同处理中心；
所述协同处理中心，用于对第k个发射波位的信号级回波数据，按照发射站个数L、接收站个数N的预设数据排列累积规则进行数据累积，其中，k＝1、2、…、K，K、L、N均为正整数，K为发射波位的个数；按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理；对主瓣干扰抑制处理后的所述第k个发射波位的所述信号级回波数据进行打包，完成所述第k个发射波位的所述信号级回波数据的抗干扰处理；重复上述步骤，直至完成所有发射波位、所有接收站的信号级回波数据的抗干扰处理。
本公开的另一个方面，提供了一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前文记载的所述的方法。
本公开的另一个方面，提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现前文记载的所述的方法。
本公开相对于现有技术而言，通过分布式雷达多个接收站的协同处理，对各接收雷达信号级回波数据进行主瓣干扰抑制处理，得到无干扰的信号级回波数据，解决了广域分布的分布式雷达系统抗主瓣干扰问题，可适用于任意压制干扰类型，干扰抑制性能好，且易于工程实现。
附图说明
一个或多个实施方式通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施方式的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1为本公开一实施方式提供的一种基于盲源分离的分布式雷达协同抗主瓣干扰方法的流程图；
图2为本公开另一实施方式提供的一种基于盲源分离的分布式雷达协同抗主瓣干扰方法的流程图；
图3为本公开另一实施方式提供的一种基于盲源分离的分布式雷达协同抗主瓣干扰方法的流程图；
图4为本公开另一实施方式提供的第k个发射波位信号级回波数据的数据排列累积规则的示意图；
图5为本公开另一实施方式提供的一种基于盲源分离的分布式雷达协同抗主瓣干扰方法的流程图；
图6为本公开另一实施方式提供的一种基于盲源分离的分布式雷达协同抗主瓣干扰方法的流程图；
图7为本公开另一实施方式提供的分布式协同探测系统的干扰场景示意图；
图8为本公开另一实施方式提供的回波数据对齐后的结果示意图；
图9为本公开另一实施方式提供的回波数据盲源分离的结果示意图；
图10为本公开另一实施方式提供的真实目标及镜像目标的判别结果示意图；
图11为图10所示的判别结果剔除镜像目标后的结果示意图；
图12为本公开另一实施方式提供的一种基于盲源分离的分布式雷达协同抗主瓣干扰装置的结构示意图；
图13为本公开另一实施方式提供的电子设备的结构示意图。
具体实施方式
现有技术中，自适应波束形成技术是20世纪80年代以来的一门天线波束形成技术，因其具有数据率高、可同时形成多波束、可实现自适应零点控制等优点，而被广泛应用于雷达、通信等领域。自适应波束形成技术采用多个接收天线分别接收信号，之后将接收到的信号送入后端处理，通过调整各个通道的加权系数，让某一特定方向的信号通过而过滤掉其他方向的信号，从而达到空域滤波的目的。当存在主瓣干扰时，常规的自适应波束形成技术会暴露出两个严重的问题：一是旁瓣水平明显升高，这将导致虚警概率的急剧上升；二是主瓣严重变形且峰值偏移，从而影响了测角的精度。
阻塞矩阵抗干扰方法最早由S J Yu提出，被用于解决波束形成时协方差矩阵估计信号混入问题，之后被用于抗干扰方面的研究。当存在主瓣干扰时，阻塞矩阵抗干扰方法首先对主瓣干扰进行方位估计，构建阻塞矩阵对阵列接收信号进行预处理，抑制掉主瓣干扰，再进行自适应波束形成，从而有效解决了主波束变形及副瓣电平增高的问题。然而，该方法存在主波束指向偏移的问题，主瓣干扰抑制效果并不理想。
盲源分离技术应用于混合信号分析处理，是近年来一个热门的研究领域。基于JADE的盲源分离算法是由Cardoso在1993年首次提出，该算法仅仅利用接收信号和源信号的统计特性，寻找一种合适的滤波器或逆系统，使得处理后的信号尽可能地接近源信号。然而，一方面，现有的盲源分离方法大都针对单站抗主瓣干扰开展研究，通过仿真分离出的源信号都不是很纯净；另一方面，基于盲源分离进行分布式雷达协同抗主瓣干扰的研究较少，都没有完全恢复出无干扰的信号级回波数据。
公开号为CN103728597A的中国专利申请公开了一种基于辅助阵列的网络化雷达抑制压制式主瓣干扰方法，主要解决现有的单站雷达技术不能直接用于网络化雷达的问题。其实现步骤是：1)计算相邻两节点雷达的回波信号；2)分别对相邻两节点雷达的回波信号进行波束形成；3)在相邻两节点雷达基线上插入一个随机布阵的辅助阵列；4)计算辅助阵列接收的回波信号；5)根据相邻两节点雷达各自波束形成后的回波信号以及辅助阵列的回波信号，分别计算辅助阵列对消相邻两节点雷达干扰时所需的权值；6)对辅助阵列分别加两组权值，分别对消相邻两节点雷达中的干扰信号，得到相邻两节点雷达的输出信号。
公开号为CN103728595A的中国专利申请公开了一种基于子空间投影的网络化雷达抑制压制式主瓣干扰方法，主要解决单站雷达只能抑制一种干扰类型的问题。其实现步骤是：1)计算各节点雷达的基带接收信号，在时域上以干扰信号为准对齐，得到节点雷达阵列信号；2)估计节点雷达阵列信号的协方差矩阵，对其进行特征分解，构造噪声子空间，计算向其投影的投影矩阵；3)将节点雷达阵列信号向噪声子空间投影，得到用于目标检测的投影矢量；4)构造广义似然比函数；5)设定检测门限，将广义似然比函数每个时刻点的值与检测门限比较，得到目标检测的输出结果。
公开号为CN103106903A的中国专利申请公开了一种单通道盲源分离法，该方法采用极值点对称延拓的方法，对总体经验模态分解进行去端点效应处理；将单路混合信号转化为本征模态函数(IMFs)并抑制噪声；利用主成分分析对多路IMFs进行降维处理，去掉其中无效成分；将降维后的多路信号进行独立成分分析实现盲源分离。其优点是能将混为一路的多路频谱重叠的信号在不影响后期识别效果的情况下分离出来。
为使本公开实施方式的目的、技术方案和优点更加清楚，下面将结合附图对本公开的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本公开各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施方式的划分是为了描述方便，不应对本公开的具体实现方式构成任何限定，各个实施方式在不矛盾的前提下可以相互结合相互引用。
本公开的一个实施方式涉及一种基于盲源分离的分布式雷达协同抗主瓣干扰方法，其流程如图1所示，包括：
步骤101，对第k个发射波位的信号级回波数据，按照发射站个数L、接收站个数N的预设数据排列累积规则进行数据累积，其中，k＝1、2、…、K，K、L、N均为正整数，K为发射波位的个数。
具体的，预设数据排列累积规则可以是将第k个发射波位的信号级回波数据排列成N行L列的矩阵，以进行数据累积。
步骤102，按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理。
步骤103，对主瓣干扰抑制处理后的所述第k个发射波位的所述信号级回波数据进行打包，完成所述第k个发射波位的所述信号级回波数据的抗干扰处理。
步骤104，重复上述步骤，直至完成所有发射波位、所有接收站的信号级回波数据的抗干扰处理。
本公开实施方式相对于现有技术而言，通过分布式雷达多个接收站的协同处理，对各接收雷达信号级回波数据进行主瓣干扰抑制处理，得到无干扰的信号级回波数据，解决了广域分布的分布式雷达系统抗主瓣干扰问题，可适用于任意压制干扰类型，干扰抑制性能好，且易于工程实现。
可选的，步骤102可以包括以下步骤，如图2所示：
步骤201，回波数据参数解析：从回波参数头解析出当前脉冲回波数据的参数，所述参数包括带宽、脉组数、每脉组的脉冲个数、距离单元数、脉冲周期时间。
步骤202，干扰数据对齐：依次以第i个接收站的回波数据作为参考数据，利用相关法对其余各接收站的回波数据进行两两对齐，获得干扰对齐后的回波数据，其中，i＝1、2、…、N。
步骤203，盲源分离：逐脉冲进行盲源分离，每个脉冲利用当前的参考数据与其余接收站的回波数据两两进行盲源分离，获得分离的干扰信号和目标回波信号。
步骤204，对分离后的信号进行目标判别：以脉冲压缩矩阵构造滤波器，判别盲源分离后的目标回波信号。
步骤205，镜像目标协同判别与剔除：通过多站回波脉冲压缩后的峰值点位置，协同判别真实目标位置和镜像目标位置，通过带通滤波器剔除镜像目标位置。
步骤206，信号幅度恢复：按照处理过程中的幅度变化，计算幅度恢复系数，对干扰抑制后的信号级回波数据进行幅度恢复，获得无干扰的信号级回波数据。
本实施方式相对现有技术而言，基于盲源分离理论，分别以不同雷达接收站的信号级回波数据为参考，对其余各雷达接收站的信号级回波数据进行干扰分量对齐和盲源分离，利用多站联合判别方法，获取回波中真实目标点位置和虚假目标点位置，在信号域剔除由于干扰时延校准引起的虚假目标定位点，最后恢复信号幅度，从而实现分布式雷达系统实时抗主瓣干扰，有效抑制分布式雷达系统受到的多种形式的大功率主瓣压制干扰。
可选的，步骤202具体包括以下步骤：
信号长度处理：依次以第i个接收站的回波数据作为参考数据ri(t)，其余接收站的回波数据作为待对齐数据rj(t)，j＝1、2、…、N且j≠i，当参考数据ri(t)与待对齐数据rj(t)长度不同时，按照最短长度进行数据截取，使得参考数据ri(t)与待对齐数据rj(t)长度一致。
计算互相关函数，实现时差估计：参考数据ri(t)和待对齐数据rj(t)的互相关函数表示为：Rij(τ)＝E{ri(t)rj(t-τ)}≈βiβjRj(τ-(τJi-τJj))，其中，τ表示时延，E{·}表示均值操作，Rj(τ)为干扰信号的自相关函数，βi表示第i个接收站的干扰回波信号幅度，βj表示除第i个接收站外其余接收站的干扰回波信号幅度，τJi表示干扰目标到第i个接收站的时延，τJj表示干扰目标到除第i个接收站外其余接收站的时延。
计算互相关函数Rij(τ)的最大值，所述最大值所对应的时延τ为干扰相对时延估计，根据此时的时延τ对待对齐数据rj(t)进行时延补偿，使得各接收站中的回波数据两两对齐，获得干扰对齐后的回波数据rj′(t)。
可选的，步骤203具体包括以下步骤：
白化：设干扰数据对齐后的接收信号矢量为r(t)＝[ri′(t),rj′(t)]T，其中，ri′(t)为参考数据ri(t)干扰对齐后的回波数据，[·]T表示对矩阵或向量的转置，估计接收信号矢量r(t)的协方差矩阵为：Cr＝E{r(t)rH(t)}，其中，H表示共轭转置操作，对Cr进行特征值分解Cr＝UΛUH，其中，U为特征矩阵，Λ为对角矩阵，得到白化矩阵得到白化信号z(t)＝Wr(t)。
计算白化信号的四阶循环累积量Q。
计算Q前两个最大特征值对应的累积量矩阵Mn，n＝1,2。其中，Q前两个最大特征值指的是将Q的特征值按从大到小排序后，得到的排名前两位的特征值。
对Mn进行近似联合对角化：优化以下代价函数：其中，off(·)表示矩阵非对角元素模平方之和，V表示酉矩阵；根据酉变换的保范性，将代价函数ζ进一步转换为：ζ＝maxv(c,s)TPv(c,s)，其中，v是中间代价函数，c、s均为代价函数的参数，矩阵P为引入的中间变量且矩阵P表示为h(Mn)表示与累积量矩阵Mn相关的函数且h(Mn)＝[mii-mjjmij+miji(mji-mij)]，n＝1,2，mii表示累积量矩阵Mn中的第i行第i列元素，mjj表示累积量矩阵Mn中的第j行第j列元素，mij表示累积量矩阵Mn中的第i行第j列元素，mji表示累积量矩阵Mn中的第j行第i列元素；代价函数ζ在|c|2+|s|2＝1约束下在点(x,y,z)处取得最优值，且c、s同时满足以下条件：/>其中，r表示点(x,y,z)到原点的距离，[x,y,z]T为矩阵P的最大特征值对应的归一化特征向量，x、y、z分别表示点(x,y,z)在坐标系X轴、Y轴、Z轴的坐标。
分离信号：计算酉矩阵V，估计出干扰信号和目标回波信号：Y(t)≈VHz(t)，其中，Y(t)＝[y1(t),y2(t)]T为分离后的信号，将Y(t)分离后得到干扰信号y1(t)和目标回波信号y2(t)。
可选的，步骤204具体包括以下步骤：
以脉冲压缩矩阵构造滤波器：xi(t)＝∫yi(t)s*(t-τ)dτ,i＝1,2，其中，*表示共轭操作。
根据脉冲压缩后干扰信号与目标回波信号包络的不同特征，判别盲源分离后的目标回波信号。
可选的，步骤205具体包括以下步骤：
对各组盲源分离后的信号分别进行脉冲压缩。
对各组脉冲压缩后的信号分别进行峰值检测，得到对应的峰值检测结果。
根据所述峰值检测结果，判断各组脉冲压缩后的信号峰值点是否均不为空，且包含有相同的峰值点，得到判断结果。
在所述判断结果为否时，计算各组盲源分离后的信号能量，输出能量最大的信号，作为目标回波信号。
在所述判断结果为是时：
根据真实目标位置在各组回波信号中相同，而镜像目标位置会发生偏移的规律，计算各组脉冲压缩后的信号包含的相同的峰值点，作为真实目标位置初值；
根据峰值点出现的次数和峰值能量阈值，共同计算真实目标距离单元、虚假目标距离单元、包含真实目标的回波编号；
构造带通滤波器，在真实目标位置初值中去除镜像目标位置，输出去除镜像目标位置后的回波信号，作为目标回波信号。
为使本领域技术人员能够更好地理解上述实施方式，下面以一具体示例为例进行说明。
2部有源雷达、3部无源雷达共5部雷达构建为分布式协同探测系统，其中，2部雷达发射信号分别记为发射站T1和发射站T2，5部雷达接收信号分别记为接收站R1、接收站R2、接收站R3、接收站R4和接收站R5，发射站和接收站之间形成10个接收通道，共11个发射波位。
如图3所示，一种基于盲源分离的分布式雷达协同抗主瓣干扰方法包括以下步骤：
步骤一：对每个发射波位k(k＝1、2、…11)的信号级回波数据，按照发射站T1、发射站T2、接收站R1、接收站R2、接收站R3、接收站R4、接收站R5的数据排列累积规则进行数据累积。
步骤二：按照信号级回波数据累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理。
步骤三：对抗干扰后的信号级回波数据进行打包，完成当前第k个发射波位信号级回波数据的抗干扰处理。
步骤四：重复上述步骤一至步骤三，完成11个发射波位即所有发射波位信号级回波数据的干扰抑制。
上述步骤一至步骤四具体包括以下步骤：
步骤1：设置协同处理中心作为分布式雷达系统的融合处理中心，多雷达接收站将接收的信号级回波数据传输至协同处理中心，在协同处理中心内，对第k(k＝1、2、…11)个发射波位的信号级回波数据，按照发射站T1、发射站T2、接收站R1、接收站R2、接收站R3、接收站R4、接收站R5的数据排列累积规则进行数据累积，形成第k个发射波位的累积回波数据包。其中，第k个发射波位信号级回波数据的数据排列累积规则如图4所示，信号级回波数据中的10个受干扰回波数据包排列成5行2列的矩阵，每一行对应一个接收站，每一列对应一个发射站。
步骤2：按照信号级回波数据累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理。如图5所示，步骤2进一步包括以下步骤：
步骤2.1，回波数据参数解析：由回波参数头解析出当前脉冲回波数据的带宽、脉组数、每脉组的脉冲个数、距离单元数、脉冲周期时间等参数。
步骤2.2，干扰数据对齐：依次以第i(i＝1、2、…、5)个接收站的回波数据作为参考数据，利用相关法对其余各接收站的回波数据进行两两对齐。该步骤进一步包括以下步骤：
1、信号长度处理：依次以第i(i＝1、2、…5)个接收站的回波数据作为参考数据ri(t)，其余接收站的回波数据作为待对齐数据rj(t)，j＝1、2、…、5且j≠i，当参考数据ri(t)与待对齐数据rj(t)长度不同时，按照最短长度进行数据截取，使得参考数据ri(t)与待对齐数据rj(t)长度一致。
2、计算信号互相关性，实现高精度时差估计：在高干信比情况下，参考数据ri(t)和待对齐数据rj(t)的互相关函数表示为：
Rij(τ)＝E{ri(t)rj(t-τ)}≈βiβjRj(τ-(τJi-τJj))，
其中，τ表示时延，E{•}表示均值操作，Rj(τ)为干扰信号的自相关函数，βi表示第i个接收站的干扰回波信号幅度，βj表示除第i个接收站外其余接收站的干扰回波信号幅度，τJi表示干扰目标到第i个接收站的时延，τJj表示干扰目标到除第i个接收站外其余接收站的时延。
3、干扰信号对齐：计算互相关函数Rij(τ)的最大值，其最大值所对应的时延τ为干扰相对时延估计，根据此时的时延τ对待对齐数据rj(t)进行时延补偿，使得各接收站中的回波数据两两对齐，获得干扰对齐后的回波数据rj′(t)。
步骤2.3：多站盲源分离：逐脉冲进行盲源分离，每个脉冲利用当前的参考数据与其余接收站的回波数据两两进行盲源分离，获得分离的干扰信号和目标回波信号。该步骤进一步包括以下步骤：
1、白化：设干扰数据对齐后的接收信号矢量为r(t)＝[ri′(t),rj′(t)]T，其中，ri′(t)为参考数据ri(t)干扰对齐后的回波数据，[•]T表示对矩阵或向量的转置，估计接收信号矢量r(t)的协方差矩阵为：Cr＝E{r(t)rH(t)}，其中，H表示共轭转置操作，对Cr进行特征值分解Cr＝UΛUH，其中，U为特征矩阵，Λ为对角矩阵，得到白化矩阵得到白化信号z(t)＝Wr(t)。
2、计算白化信号的四阶循环累积量Q。
3、计算Q前两个最大特征值对应的累积量矩阵Mn，n＝1,2。
4、对Mn进行近似联合对角化：
优化以下代价函数：其中，off(•)表示矩阵非对角元素模平方之和，V表示酉矩阵。
根据酉变换的保范性，将代价函数ζ进一步转换为：ζ＝maxv(c,s)TPv(c,s)，其中，v是中间代价函数，c、s均为代价函数的参数，矩阵P为引入的中间变量且矩阵P表示为h(Mn)表示与累积量矩阵Mn相关的函数且h(Mn)＝[mii-mjjmij+miji(mji-mij)]，n＝1,2，mii表示累积量矩阵Mn中的第i行第i列元素，mjj表示累积量矩阵Mn中的第j行第j列元素，mij表示累积量矩阵Mn中的第i行第j列元素，mji表示累积量矩阵Mn中的第j行第i列元素。
代价函数在|c|2+|s|2＝1约束下在点(x,y,z)处取得最优值，且c、s同时满足以下条件：其中，r表示点(x,y,z)到原点的距离，[x,y,z]T为矩阵P的最大特征值对应的归一化特征向量。
5、分离信号：计算酉矩阵V，从而估计出干扰信号和目标回波信号：Y(t)≈VHz(t)，其中，Y(t)＝[y1(t),y2(t)]T为分离后的信号，将Y(t)分离后得到干扰信号y1(t)和目标回波信号y2(t)。
步骤2.4：对分离后的信号进行目标判别：以脉冲压缩矩阵构造滤波器，判别盲源分离后的目标回波信号。该步骤进一步包括以下步骤：
1、以脉冲压缩矩阵构造滤波器：xi(t)＝∫yi(t)s*(t-τ)dτ，其中，*表示共轭操作，i＝1、2。
2、根据脉压后干扰信号与目标回波信号包络的不同特征，判别盲源分离后的目标回波信号。
步骤2.5：镜像目标协同判别与剔除：多站两两盲源分离时会产生大量镜像目标，通过多站回波脉压后的峰值点位置，协同判别真实目标位置和镜像目标位置；通过带通滤波器去除镜像目标位置。如图6所示，该步骤进一步包括以下步骤：
1、对第1组至第N组盲源分离后的信号分别进行脉冲压缩。
2、利用峰值点判别方法，分别计算第1组至第N组脉压后信号的峰值和峰值点位置，进行峰值检测，得到对应的峰值检测结果。
3、根据峰值检测结果，判断各组脉压后的信号峰值点是否均不为空，且包含有相同的峰值点，得到判断结果：
(1)判断结果为是时，回波信号中有目标回波信号，则：
根据真实目标位置在各组回波信号中相同，而镜像目标位置会发生偏移的规律，计算各组脉冲压缩后的信号包含的相同的峰值点，作为真实目标位置初值。
根据峰值点出现的次数和峰值能量阈值，共同计算真实目标距离单元、虚假目标距离单元、包含真实目标的回波编号。
构造带通滤波器，在真实目标位置初值中去除镜像目标位置。
输出去除镜像目标位置后的回波信号，作为目标回波信号。
(2)判断结果为否时，回波信号中没有目标回波信号，则：
计算各组盲源分离后的信号能量。
将能量最大的回波信号作为目标回波信号，并输出。
步骤2.6：信号幅度恢复：按照处理过程中的幅度变化，计算幅度恢复系数，对干扰抑制后的信号进行幅度恢复，获得无干扰的信号级回波数据。
步骤3：在协同处理中心对抗干扰后的信号级回波数据进行打包，完成当前第k个发射波位信号级回波数据的抗干扰处理。
步骤4：重复上述步骤1至步骤3，完成所有发射波位、所有接收站信号级回波数据的干扰抑制。
上述5部雷达构建的分布式协同探测系统的性能分析如下：
干扰场景如图7所示，其中，2部有源雷达分别表示为有源节点#1、有源节点#2，3部无源雷达分别表示为无源节点#1、无源节点#2、无源节点#3，当干扰机飞行航线为航迹1，干扰类型为射频噪声压制干扰时，以R1接收站信号级回波主瓣干扰抑制为例，分析算法性能。
经分析，5个接收站均受到压制干扰，接收站R1至接收站R5的回波受干扰通道分别为：通道1、通道2、通道2、通道2、通道1。经过干扰通道数据提取、多站受干扰通道数据累积后，进行抗干扰处理。5个接收站中，各第1个脉冲回波数据，以第1个接收站回波数据作为基准，对其余4个接收站回波数据做互相关计算，根据互相关计算结果进行包络对齐，对齐后的结果如图8所示，其中，横坐标表示采样点数，纵坐标表示信号幅度。
第1个接收站的回波数据中的第1个脉冲与第2个接收站的回波数据中的第1个脉冲的盲源分离结果如图9所示，其中，横坐标表示采样点数，纵坐标表示信号幅度，盲源分离后的干扰信号如图9中的左侧图片所示，盲源分离后的目标回波信号如图9中的右侧图片所示。
盲源分离后，真实目标及镜像目标的判别结果如图10所示。
将图10中的镜像目标剔除后，得到的结果如图11所示。
本公开的另一个实施方式涉及一种基于盲源分离的分布式雷达协同抗主瓣干扰装置，如图12所示，所述装置包括：
数据累积模块1201，用于对第k个发射波位的信号级回波数据，按照发射站个数L、接收站个数N的预设数据排列累积规则进行数据累积，其中，k＝1、2、…、K，K、L、N均为正整数，K为发射波位的个数；
处理模块1202，用于按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理；
打包模块1203，用于对主瓣干扰抑制处理后的所述第k个发射波位的所述信号级回波数据进行打包，完成所述第k个发射波位的所述信号级回波数据的抗干扰处理；
控制模块1204，用于控制所述数据累积模块、所述处理模块、所述打包模块分别执行对应的功能，直至完成所有发射波位、所有接收站的信号级回波数据的抗干扰处理。
可选的，处理模块1202，用于按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理，包括：
所述处理模块1202具体用于：
回波数据参数解析：从回波参数头解析出当前脉冲回波数据的参数，所述参数包括带宽、脉组数、每脉组的脉冲个数、距离单元数、脉冲周期时间；
干扰数据对齐：依次以第i个接收站的回波数据作为参考数据，利用相关法对其余各接收站的回波数据进行两两对齐，获得干扰对齐后的回波数据，其中，i＝1、2、…、N；
盲源分离：逐脉冲进行盲源分离，每个脉冲利用当前的参考数据与其余接收站的回波数据两两进行盲源分离，获得分离的干扰信号和目标回波信号；
对分离后的信号进行目标判别：以脉冲压缩矩阵构造滤波器，判别盲源分离后的目标回波信号；
镜像目标协同判别与剔除：通过多站回波脉冲压缩后的峰值点位置，协同判别真实目标位置和镜像目标位置，通过带通滤波器剔除镜像目标位置；
信号幅度恢复：按照处理过程中的幅度变化，计算幅度恢复系数，对干扰抑制后的信号级回波数据进行幅度恢复，获得无干扰的信号级回波数据。
可选的，所述处理模块1202具体用于干扰数据对齐，包括：
所述处理模块1202，用于：
信号长度处理：依次以第i个接收站的回波数据作为参考数据ri(t)，其余接收站的回波数据作为待对齐数据rj(t)，j＝1、2、…、N且j≠i，当参考数据ri(t)与待对齐数据rj(t)长度不同时，按照最短长度进行数据截取，使得参考数据ri(t)与待对齐数据rj(t)长度一致；
计算互相关函数，实现时差估计：参考数据ri(t)和待对齐数据rj(t)的互相关函数表示为：
Rij(τ)＝E{ri(t)rj(t-τ)}≈βiβjRj(τ-(τJi-τJj))，
其中，τ表示时延，E{·}表示均值操作，Rj(τ)为干扰信号的自相关函数，βi表示第i个接收站的干扰回波信号幅度，βj表示除第i个接收站外其余接收站的干扰回波信号幅度，τJi表示干扰目标到第i个接收站的时延，τJj表示干扰目标到除第i个接收站外其余接收站的时延；
计算互相关函数Rij(τ)的最大值，所述最大值所对应的时延τ为干扰相对时延估计，根据此时的时延τ对待对齐数据rj(t)进行时延补偿，使得各接收站中的回波数据两两对齐，获得干扰对齐后的回波数据rj′(t)。
可选的，所述处理模块1202具体用于盲源分离，包括：
所述处理模块1202，用于：
白化：设干扰数据对齐后的接收信号矢量为r(t)＝[ri′(t),rj′(t)]T，其中，ri′(t)为参考数据ri(t)干扰对齐后的回波数据，[·]T表示对矩阵或向量的转置，估计接收信号矢量r(t)的协方差矩阵为：Cr＝E{r(t)rH(t)}，其中，H表示共轭转置操作，对Cr进行特征值分解Cr＝UΛUH，其中，U为特征矩阵，Λ为对角矩阵，得到白化矩阵得到白化信号z(t)＝Wr(t)；
计算白化信号的四阶循环累积量Q；
计算Q前两个最大特征值对应的累积量矩阵Mn，n＝1,2；
对Mn进行近似联合对角化：优化以下代价函数：其中，off(·)表示矩阵非对角元素模平方之和，V表示酉矩阵；根据酉变换的保范性，将代价函数ζ进一步转换为：ζ＝maxv(c,s)TPv(c,s)，其中，v是中间代价函数，c、s均为代价函数的参数，矩阵P为引入的中间变量且矩阵P表示为h(Mn)表示与累积量矩阵Mn相关的函数且h(Mn)＝[mii-mjjmij+miji(mji-mij)]，n＝1,2，mii表示累积量矩阵Mn中的第i行第i列元素，mjj表示累积量矩阵Mn中的第j行第j列元素，mij表示累积量矩阵Mn中的第i行第j列元素，mji表示累积量矩阵Mn中的第j行第i列元素；代价函数ζ在|c|2+|s|2＝1约束下在点(x,y,z)处取得最优值，且c、s同时满足以下条件：/>其中，r表示点(x,y,z)到原点的距离，[x,y,z]T为矩阵P的最大特征值对应的归一化特征向量；
分离信号：计算酉矩阵V，估计出干扰信号和目标回波信号：Y(t)≈VHz(t)，其中，Y(t)＝[y1(t),y2(t)]T为分离后的信号，将Y(t)分离后得到干扰信号y1(t)和目标回波信号y2(t)。
可选的，所述处理模块1202具体用于对分离后的信号进行目标判别，包括：
所述处理模块1202，用于：
以脉冲压缩矩阵构造滤波器：xi(t)＝∫yi(t)s*(t-τ)dτ,i＝1,2，其中，*表示共轭操作；
根据脉冲压缩后干扰信号与目标回波信号包络的不同特征，判别盲源分离后的目标回波信号。
可选的，所述处理模块1202具体用于镜像目标协同判别与剔除，包括：
所述处理模块1202，用于：
对各组盲源分离后的信号分别进行脉冲压缩；
对各组脉冲压缩后的信号分别进行峰值检测，得到对应的峰值检测结果；
根据所述峰值检测结果，判断各组脉冲压缩后的信号峰值点是否均不为空，且包含有相同的峰值点，得到判断结果；
在所述判断结果为否时，计算各组盲源分离后的信号能量，输出能量最大的信号，作为目标回波信号；
在所述判断结果为是时：
根据真实目标位置在各组回波信号中相同，而镜像目标位置会发生偏移的规律，计算各组脉冲压缩后的信号包含的相同的峰值点，作为真实目标位置初值；
根据峰值点出现的次数和峰值能量阈值，共同计算真实目标距离单元、虚假目标距离单元、包含真实目标的回波编号；
构造带通滤波器，在真实目标位置初值中去除镜像目标位置，输出去除镜像目标位置后的回波信号，作为目标回波信号。
本公开实施方式提供的基于盲源分离的分布式雷达协同抗主瓣干扰装置的具体实现方法，可以参见本公开实施方式提供的基于盲源分离的分布式雷达协同抗主瓣干扰方法所述，此处不再赘述。
本公开实施方式相对于现有技术而言，通过分布式雷达多个接收站的协同处理，对各接收雷达信号级回波数据进行主瓣干扰抑制处理，得到无干扰的信号级回波数据，解决了广域分布的分布式雷达系统抗主瓣干扰问题，可适用于任意压制干扰类型，干扰抑制性能好，且易于工程实现。
本公开的另一个实施方式涉及一种基于盲源分离的分布式雷达协同抗主瓣干扰系统，所述系统包括协同处理中心、L个发射站和N个接收站，其中：
所述接收站，用于接收信号级回波数据，并将所述信号级回波数据传输至所述协同处理中心；
所述协同处理中心，用于对第k个发射波位的信号级回波数据，按照发射站个数L、接收站个数N的预设数据排列累积规则进行数据累积，其中，k＝1、2、…、K，K、L、N均为正整数，K为发射波位的个数；按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理；对主瓣干扰抑制处理后的所述第k个发射波位的所述信号级回波数据进行打包，完成所述第k个发射波位的所述信号级回波数据的抗干扰处理；重复上述步骤，直至完成所有发射波位、所有接收站的信号级回波数据的抗干扰处理。
本公开的另一个实施方式涉及一种电子设备，如图13所示，包括：
至少一个处理器1301；以及，
与所述至少一个处理器1301通信连接的存储器1302；其中，
所述存储器1302存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器1301执行，以使所述至少一个处理器1301能够执行上述实施方式所述的方法。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本公开的另一个实施方式涉及一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述实施方式所述的方法。
即，本领域技术人员可以理解，实现上述实施方式所述方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM(Read-OnlyMemory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本公开的具体实施方式，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本公开的精神和范围。
Claims (9)
1.一种基于盲源分离的分布式雷达协同抗主瓣干扰方法，其特征在于，所述方法包括：
对第k个发射波位的信号级回波数据，按照发射站个数L、接收站个数N的预设数据排列累积规则进行数据累积，其中，k＝1、2、…、K，K、L、N均为正整数，K为发射波位的个数；
按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理；
对主瓣干扰抑制处理后的所述第k个发射波位的所述信号级回波数据进行打包，完成所述第k个发射波位的所述信号级回波数据的抗干扰处理；
重复上述步骤，直至完成所有发射波位、所有接收站的信号级回波数据的抗干扰处理；
所述按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理，包括：
回波数据参数解析：从回波参数头解析出当前脉冲回波数据的参数，所述参数包括带宽、脉组数、每脉组的脉冲个数、距离单元数、脉冲周期时间；
干扰数据对齐：依次以第i个接收站的回波数据作为参考数据，利用相关法对其余各接收站的回波数据进行两两对齐，获得干扰对齐后的回波数据，其中，i＝1、2、…、N；
盲源分离：逐脉冲进行盲源分离，每个脉冲利用当前的参考数据与其余接收站的回波数据两两进行盲源分离，获得分离的干扰信号和目标回波信号；
对分离后的信号进行目标判别：以脉冲压缩矩阵构造滤波器，判别盲源分离后的目标回波信号；
镜像目标协同判别与剔除：通过多站回波脉冲压缩后的峰值点位置，协同判别真实目标位置和镜像目标位置，通过带通滤波器剔除镜像目标位置；
信号幅度恢复：按照处理过程中的幅度变化，计算幅度恢复系数，对干扰抑制后的信号级回波数据进行幅度恢复，获得无干扰的信号级回波数据。
2.根据权利要求1所述的方法，其特征在于，所述干扰数据对齐的步骤具体包括：
信号长度处理：依次以第i个接收站的回波数据作为参考数据ri(t)，其余接收站的回波数据作为待对齐数据rj(t)，j＝1、2、…、N且j≠i，当参考数据ri(t)与待对齐数据rj(t)长度不同时，按照最短长度进行数据截取，使得参考数据ri(t)与待对齐数据rj(t)长度一致；
计算互相关函数，实现时差估计：参考数据ri(t)和待对齐数据rj(t)的互相关函数表示为：
Rij(τ)＝E{ri(t)rj(t-τ)}≈βiβjRj(τ-(τJi-τJj))，
其中，τ表示时延，E{·}表示均值操作，Rj(τ)为干扰信号的自相关函数，βi表示第i个接收站的干扰回波信号幅度，βj表示除第i个接收站外其余接收站的干扰回波信号幅度，τJi表示干扰目标到第i个接收站的时延，τJj表示干扰目标到除第i个接收站外其余接收站的时延；
计算互相关函数Rij(τ)的最大值，所述最大值所对应的时延τ为干扰相对时延估计，根据此时的时延τ对待对齐数据rj(t)进行时延补偿，使得各接收站中的回波数据两两对齐，获得干扰对齐后的回波数据rj′(t)。
3.根据权利要求2所述的方法，其特征在于，所述盲源分离的步骤具体包括：
白化：设干扰数据对齐后的接收信号矢量为r(t)＝[ri′(t),rj′(t)]T，其中，ri′(t)为参考数据ri(t)干扰对齐后的回波数据，[·]T表示对矩阵或向量的转置，估计接收信号矢量r(t)的协方差矩阵为：Cr＝E{r(t)rH(t)}，其中，H表示共轭转置操作，对Cr进行特征值分解Cr＝UΛUH，其中，U为特征矩阵，Λ为对角矩阵，得到白化矩阵得到白化信号z(t)＝Wr(t)；
计算白化信号的四阶循环累积量Q；
计算Q前两个最大特征值对应的累积量矩阵Mn，n＝1,2；
对Mn进行近似联合对角化：优化以下代价函数：其中，off(·)表示矩阵非对角元素模平方之和，V表示酉矩阵；根据酉变换的保范性，将代价函数ζ进一步转换为：ζ＝maxv(c,s)TPv(c,s)，其中，v是中间代价函数，c、s均为代价函数的参数，矩阵P为引入的中间变量且矩阵P表示为/>h(Mn)表示与累积量矩阵Mn相关的函数且h(Mn)＝[mii-mjj mij+mij i(mji-mij)]，n＝1,2，mii表示累积量矩阵Mn中的第i行第i列元素，mjj表示累积量矩阵Mn中的第j行第j列元素，mij表示累积量矩阵Mn中的第i行第j列元素，mji表示累积量矩阵Mn中的第j行第i列元素；代价函数ζ在|c|2+|s|2＝1约束下在点(x,y,z)处取得最优值，且c、s同时满足以下条件：其中，r表示点(x,y,z)到原点的距离，[x,y,z]T为矩阵P的最大特征值对应的归一化特征向量；
分离信号：计算酉矩阵V，估计出干扰信号和目标回波信号：Y(t)≈VHz(t)，其中，Y(t)＝[y1(t),y2(t)]T为分离后的信号，将Y(t)分离后得到干扰信号y1(t)和目标回波信号y2(t)。
4.根据权利要求3所述的方法，其特征在于，所述对分离后的信号进行目标判别的步骤具体包括：
以脉冲压缩矩阵构造滤波器：xi(t)＝∫yi(t)s*(t-τ)dτ,i＝1,2，其中，*表示共轭操作；
根据脉冲压缩后干扰信号与目标回波信号包络的不同特征，判别盲源分离后的目标回波信号。
5.根据权利要求4所述的方法，其特征在于，所述镜像目标协同判别与剔除的步骤具体包括：
对各组盲源分离后的信号分别进行脉冲压缩；
对各组脉冲压缩后的信号分别进行峰值检测，得到对应的峰值检测结果；
根据所述峰值检测结果，判断各组脉冲压缩后的信号峰值点是否均不为空，且包含有相同的峰值点，得到判断结果；
在所述判断结果为否时，计算各组盲源分离后的信号能量，输出能量最大的信号，作为目标回波信号；
在所述判断结果为是时：
根据真实目标位置在各组回波信号中相同，而镜像目标位置会发生偏移的规律，计算各组脉冲压缩后的信号包含的相同的峰值点，作为真实目标位置初值；
根据峰值点出现的次数和峰值能量阈值，共同计算真实目标距离单元、虚假目标距离单元、包含真实目标的回波编号；
构造带通滤波器，在真实目标位置初值中去除镜像目标位置，输出去除镜像目标位置后的回波信号，作为目标回波信号。
6.一种基于盲源分离的分布式雷达协同抗主瓣干扰装置，其特征在于，所述装置包括：
数据累积模块，用于对第k个发射波位的信号级回波数据，按照发射站个数L、接收站个数N的预设数据排列累积规则进行数据累积，其中，k＝1、2、…、K，K、L、N均为正整数，K为发射波位的个数；
处理模块，用于按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理；
打包模块，用于对主瓣干扰抑制处理后的所述第k个发射波位的所述信号级回波数据进行打包，完成所述第k个发射波位的所述信号级回波数据的抗干扰处理；
控制模块，用于控制所述数据累积模块、所述处理模块、所述打包模块分别执行对应的功能，直至完成所有发射波位、所有接收站的信号级回波数据的抗干扰处理；
所述处理模块，用于按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理，包括：
所述处理模块，用于：
回波数据参数解析：从回波参数头解析出当前脉冲回波数据的参数，所述参数包括带宽、脉组数、每脉组的脉冲个数、距离单元数、脉冲周期时间；
干扰数据对齐：依次以第i个接收站的回波数据作为参考数据，利用相关法对其余各接收站的回波数据进行两两对齐，获得干扰对齐后的回波数据，其中，i＝1、2、…、N；
盲源分离：逐脉冲进行盲源分离，每个脉冲利用当前的参考数据与其余接收站的回波数据两两进行盲源分离，获得分离的干扰信号和目标回波信号；
对分离后的信号进行目标判别：以脉冲压缩矩阵构造滤波器，判别盲源分离后的目标回波信号；
镜像目标协同判别与剔除：通过多站回波脉冲压缩后的峰值点位置，协同判别真实目标位置和镜像目标位置，通过带通滤波器剔除镜像目标位置；
信号幅度恢复：按照处理过程中的幅度变化，计算幅度恢复系数，对干扰抑制后的信号级回波数据进行幅度恢复，获得无干扰的信号级回波数据。
7.一种基于盲源分离的分布式雷达协同抗主瓣干扰系统，其特征在于，所述系统包括协同处理中心、L个发射站和N个接收站，其中：
所述接收站，用于接收信号级回波数据，并将所述信号级回波数据传输至所述协同处理中心；
所述协同处理中心，用于对第k个发射波位的信号级回波数据，按照发射站个数L、接收站个数N的预设数据排列累积规则进行数据累积，其中，k＝1、2、…、K，K、L、N均为正整数，K为发射波位的个数；按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理；对主瓣干扰抑制处理后的所述第k个发射波位的所述信号级回波数据进行打包，完成所述第k个发射波位的所述信号级回波数据的抗干扰处理；重复上述步骤，直至完成所有发射波位、所有接收站的信号级回波数据的抗干扰处理；
所述协同处理中心，用于按照所述第k个发射波位的所述信号级回波数据的累积方式，逐发射站、逐接收站、逐受干扰通道、逐脉冲进行主瓣干扰抑制处理，包括：
所述协同处理中心，用于：
回波数据参数解析：从回波参数头解析出当前脉冲回波数据的参数，所述参数包括带宽、脉组数、每脉组的脉冲个数、距离单元数、脉冲周期时间；
干扰数据对齐：依次以第i个接收站的回波数据作为参考数据，利用相关法对其余各接收站的回波数据进行两两对齐，获得干扰对齐后的回波数据，其中，i＝1、2、…、N；
盲源分离：逐脉冲进行盲源分离，每个脉冲利用当前的参考数据与其余接收站的回波数据两两进行盲源分离，获得分离的干扰信号和目标回波信号；
对分离后的信号进行目标判别：以脉冲压缩矩阵构造滤波器，判别盲源分离后的目标回波信号；
镜像目标协同判别与剔除：通过多站回波脉冲压缩后的峰值点位置，协同判别真实目标位置和镜像目标位置，通过带通滤波器剔除镜像目标位置；
信号幅度恢复：按照处理过程中的幅度变化，计算幅度恢复系数，对干扰抑制后的信号级回波数据进行幅度恢复，获得无干扰的信号级回波数据。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5中任一项所述的方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210191162.2A CN114966565B (zh) | 2022-02-28 | 2022-02-28 | 基于盲源分离的分布式雷达协同抗主瓣干扰方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210191162.2A CN114966565B (zh) | 2022-02-28 | 2022-02-28 | 基于盲源分离的分布式雷达协同抗主瓣干扰方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114966565A CN114966565A (zh) | 2022-08-30 |
| CN114966565B true CN114966565B (zh) | 2023-10-27 |
Family
ID=82975646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210191162.2A Active CN114966565B (zh) | 2022-02-28 | 2022-02-28 | 基于盲源分离的分布式雷达协同抗主瓣干扰方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114966565B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520261B (zh) * | 2023-06-26 | 2023-09-08 | 中国科学院空天信息创新研究院 | 一种基于盲源分离的双基sar相位同步干扰抑制方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6018317A (en) * | 1995-06-02 | 2000-01-25 | Trw Inc. | Cochannel signal processing system |
| JP2009162613A (ja) * | 2008-01-07 | 2009-07-23 | Mitsubishi Electric Corp | レーダ装置 |
| CN103728597A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于辅助阵列的网络化雷达抑制压制式主瓣干扰方法 |
| CN105652246A (zh) * | 2015-12-29 | 2016-06-08 | 河海大学 | 一种基于盲源分离的雷达抗主瓣干扰方法 |
| CN108287333A (zh) * | 2018-03-19 | 2018-07-17 | 电子科技大学 | 一种联合jade和clean的主瓣抗干扰方法 |
| CN108828525A (zh) * | 2018-06-25 | 2018-11-16 | 大连大学 | 混响房间内分布式麦克风阵列多声源定位系统 |
| CN109270499A (zh) * | 2018-08-28 | 2019-01-25 | 电子科技大学 | 一种基于特征矩阵联合对角化的多目标主瓣抗干扰方法 |
| CN109490845A (zh) * | 2018-11-01 | 2019-03-19 | 南京邮电大学 | 多站雷达抑制主瓣压制式干扰的方法 |
| CN110554384A (zh) * | 2019-10-22 | 2019-12-10 | 中国电子科技集团公司信息科学研究院 | 一种基于微波信号的成像方法 |
| CN111044979A (zh) * | 2019-12-13 | 2020-04-21 | 电子科技大学 | 一种基于盲源分离的主瓣干扰对消与目标角度估计方法 |
| CN112051552A (zh) * | 2020-08-11 | 2020-12-08 | 清华大学 | 一种基于多站的主瓣抗干扰方法及装置 |
| CN113156380A (zh) * | 2021-03-19 | 2021-07-23 | 哈尔滨工业大学 | 基于收发失配处理的主瓣噪声压制干扰自适应抑制方法 |
| CN113687314A (zh) * | 2021-08-25 | 2021-11-23 | 西安电子科技大学 | 一种雷达抗主瓣干扰方法 |
| CN113740849A (zh) * | 2021-10-29 | 2021-12-03 | 中国电子科技集团公司信息科学研究院 | 一种多雷达自组织协同探测系统及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7848386B2 (en) * | 2006-09-22 | 2010-12-07 | Broadcom Corporation | Frequency hopping RF transceiver with programmable antenna and methods for use therewith |
| EP2429087B1 (en) * | 2009-05-12 | 2016-07-13 | Huawei Technologies Co., Ltd. | Interference cancellation method and data transmission device |
| EP2428814A1 (en) * | 2010-09-13 | 2012-03-14 | France Telecom | Object detection method, device and system |
| US10429491B2 (en) * | 2016-09-12 | 2019-10-01 | The Boeing Company | Systems and methods for pulse descriptor word generation using blind source separation |
-
2022
- 2022-02-28 CN CN202210191162.2A patent/CN114966565B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6018317A (en) * | 1995-06-02 | 2000-01-25 | Trw Inc. | Cochannel signal processing system |
| JP2009162613A (ja) * | 2008-01-07 | 2009-07-23 | Mitsubishi Electric Corp | レーダ装置 |
| CN103728597A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于辅助阵列的网络化雷达抑制压制式主瓣干扰方法 |
| CN105652246A (zh) * | 2015-12-29 | 2016-06-08 | 河海大学 | 一种基于盲源分离的雷达抗主瓣干扰方法 |
| CN108287333A (zh) * | 2018-03-19 | 2018-07-17 | 电子科技大学 | 一种联合jade和clean的主瓣抗干扰方法 |
| CN108828525A (zh) * | 2018-06-25 | 2018-11-16 | 大连大学 | 混响房间内分布式麦克风阵列多声源定位系统 |
| CN109270499A (zh) * | 2018-08-28 | 2019-01-25 | 电子科技大学 | 一种基于特征矩阵联合对角化的多目标主瓣抗干扰方法 |
| CN109490845A (zh) * | 2018-11-01 | 2019-03-19 | 南京邮电大学 | 多站雷达抑制主瓣压制式干扰的方法 |
| CN110554384A (zh) * | 2019-10-22 | 2019-12-10 | 中国电子科技集团公司信息科学研究院 | 一种基于微波信号的成像方法 |
| CN111044979A (zh) * | 2019-12-13 | 2020-04-21 | 电子科技大学 | 一种基于盲源分离的主瓣干扰对消与目标角度估计方法 |
| CN112051552A (zh) * | 2020-08-11 | 2020-12-08 | 清华大学 | 一种基于多站的主瓣抗干扰方法及装置 |
| CN113156380A (zh) * | 2021-03-19 | 2021-07-23 | 哈尔滨工业大学 | 基于收发失配处理的主瓣噪声压制干扰自适应抑制方法 |
| CN113687314A (zh) * | 2021-08-25 | 2021-11-23 | 西安电子科技大学 | 一种雷达抗主瓣干扰方法 |
| CN113740849A (zh) * | 2021-10-29 | 2021-12-03 | 中国电子科技集团公司信息科学研究院 | 一种多雷达自组织协同探测系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| JADE盲源分离算法应用于雷达抗主瓣干扰技术;王文涛;张剑云;刘兴华;李磊;;火力与指挥控制(第09期);108-112 * |
| Radar main-lobe jamming suppression and identification based on robust whitening Blind Source Separation and Convolutional Neural Networks;Gao, Sheng等;IET RADAR SONAR AND NAVIGATION;第16卷(第3期);552-563 * |
| 分布式雷达盲源分离干扰抑制算法;葛萌萌等;信号处理;第33卷(第12期);1562-1570 * |
| 基于GPU平台的多雷达自适应主瓣干扰对消算法实现;陈彦民等;国外电子测量技术;第37卷(第10期);103-108 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114966565A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104020469B (zh) | 一种mimo雷达距离-角度二维超分辨率成像算法 | |
| US6311043B1 (en) | Method and measurement configuration for measuring the characteristics of radio channels | |
| CN104865586B (zh) | 一种阵列天线导航接收机抗干扰及多径抑制方法 | |
| CN103901395B (zh) | 一种冲击噪声环境下相干信号波达方向动态跟踪方法 | |
| CN114966565B (zh) | 基于盲源分离的分布式雷达协同抗主瓣干扰方法及装置 | |
| CN105929378A (zh) | 基于外辐射源联合时延与多普勒频率的直接跟踪方法 | |
| CN101533091A (zh) | 空时二维阻塞窄带干扰方法 | |
| CN107015205A (zh) | 一种分布式mimo雷达检测的虚假目标消除方法 | |
| CN109991479A (zh) | 多波束接收机的快速射电暴实时探测装置、系统与方法 | |
| CN108872932A (zh) | 基于神经网络的超视距目标直接定位结果纠偏方法 | |
| CN109946643B (zh) | 基于music求解的非圆信号波达方向角估计方法 | |
| CN107561511A (zh) | 一种基于副瓣对消的干扰抑制方法 | |
| US11784685B2 (en) | Deep convolutional neural network powered terahertz ultra-massive multi-input-multi-output channel estimation method | |
| CN113466899A (zh) | 高信噪比环境下基于小快拍数的导航接收机波束形成方法 | |
| CN113156380B (zh) | 基于收发失配处理的主瓣噪声压制干扰自适应抑制方法 | |
| CN110727915A (zh) | 一种基于数据相关约束的鲁棒自适应波束形成方法 | |
| CN109696651A (zh) | 一种基于m估计的低快拍数下波达方向估计方法 | |
| CN117574187A (zh) | 一种多辐射源信号分选时延估计方法及系统 | |
| CN108562898A (zh) | 一种前侧视sar的距离和方位两维空变自聚焦方法 | |
| CN115932749A (zh) | 一种基于盲源分离算法的主瓣干扰抑制方法 | |
| CN110865345A (zh) | 一种快速自适应脉冲压缩方法 | |
| CN105044716A (zh) | 一种补偿背景电离层对geosar成像影响的参数化自聚焦方法 | |
| CN110208830B (zh) | 一种基于空时二维稀疏阵列的导航抗干扰方法 | |
| CN108414985A (zh) | 基于三阶循环累积量的近场定位方法 | |
| CN115079119A (zh) | 非理想正交波形的dmimo雷达多目标检测与定位方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |