CN115166664A - 一种基于二维匹配滤波结果的快速自适应旁瓣抑制方法 - Google Patents
一种基于二维匹配滤波结果的快速自适应旁瓣抑制方法 Download PDFInfo
- Publication number
- CN115166664A CN115166664A CN202210658737.7A CN202210658737A CN115166664A CN 115166664 A CN115166664 A CN 115166664A CN 202210658737 A CN202210658737 A CN 202210658737A CN 115166664 A CN115166664 A CN 115166664A
- Authority
- CN
- China
- Prior art keywords
- matrix
- dimension
- doppler
- iteration
- iterative
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000001629 suppression Effects 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 134
- 239000013598 vector Substances 0.000 claims description 55
- 230000003044 adaptive effect Effects 0.000 claims description 41
- 238000005070 sampling Methods 0.000 claims description 38
- 230000000875 corresponding effect Effects 0.000 claims description 20
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000010363 phase shift Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 5
- 239000000126 substance Substances 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于二维匹配滤波结果的快速自适应旁瓣抑制方法,该方法首先对回波信号进行二维匹配滤波处理,然后构建距离维迭代自适应滤波器,在距离维进行多次迭代,抑制距离旁瓣,然后再构建多普勒维迭代自适应滤波器,在多普勒维进行多次迭代,抑制多普勒旁瓣。该方法能够有效抑制距离‑多普勒旁瓣,且具有较低的计算复杂度;该方法能够有效抑制二维匹配滤波结果中的距离‑多普勒旁瓣,获得较好的距离‑多普勒响应,与现有方法相比,能够大幅降低计算复杂度。
Description
技术领域
本发明属于雷达信号处理技术领域,具体涉及一种基于二维匹配滤波结果的快速自适应 旁瓣抑制方法。
背景技术
在脉冲雷达系统中,二维匹配滤波被广泛用于距离-多普勒成像。然而,二维匹配滤波处 理会在距离维和多普勒维分别产生距离旁瓣和多普勒旁瓣。在多目标场景下,强目标的距离- 多普勒旁瓣会淹没弱目标或者被当作假目标造成虚警,严重影响雷达目标检测和参数估计性 能。在2009年《IEEE Transactions on Signal Process》的第57卷第3期第1084页至1097 页,Tan Xing等人发表的“Range–Doppler imaging via a train ofprobing pulses”一 文中提出了一种迭代自适应方法(IAA),该方法能够抑制距离-多普勒旁瓣,但其运算复杂度较 大,难以应用于实时系统。在2011年《IEEE CIE InternationalConference on Radar》的 第1809页至1812页,Zhao Bin等人发表的“Range-Dopplersidelobe and clutter suppression via time range adaptive processing”一文中提出了一种自适应多脉冲压缩方 法(AMPC),该方法能实现距离-多普勒旁瓣的抑制,但是具有较大的运算复杂度。在2012年 《IEEE International Radar Conference》的第435页至440页,Kong Lingjiang等人发表 的“Fast implementation of adaptive multi-pulsecompression via dimensionality reduction technique”一文中提出了一种快速自适应多脉冲压缩方法(FAMPC),该方法通过对 回波信号进行分段处理,能够降低运算量,但是会存在弱目标丢失问题。
发明内容
有鉴于此,本发明的目的是提供一种基于二维匹配滤波结果的快速自适应旁瓣抑制方法, 能够快速有效抑制距离-多普勒旁瓣。
一种基于二维匹配滤波结果的旁瓣抑制方法,包括如下步骤:
步骤1:建立目标回波信号模型,对回波信号进行二维匹配滤波处理,具体方法如下:
假设脉冲雷达共发射M个脉冲,脉内采样点数为N,脉冲采样向量可以表示为:
s=[s1 s2 … sN]T (1)
其中,sn表示发射信号的第n个采样点;雷达接收到的第m个脉冲的第l个采样单元对 应的N个连续采样向量ym(l)=[ym(l) ym(l+1) … ym(l+N-1)]T可以表示为:
其中,y(l)中各元素表示回波信号中各个采样点;m=1,2,...,M;G是一个 N×(2N-1)维的发射信号矩阵,L表示距离单元数,K表示多普勒单元数,X表示L×K 维的距离-多普勒像,X(l)是X中第l行向量的前N-1到后N-1行向量组成的子矩阵,是 (2N-1)×K维的X的子矩阵;F是M×K维的多普勒矩阵,表示矩阵FT的第m列, nm(l)=[nm(l) nm(l+1)…nm(l+N-1)]T是N×1维的加性白噪声,各元素表示相 应位置的噪声;
M个脉冲的基带回波信号的第l个采样单元对应的N个连续采样矩阵可以表示为 Y(l)=[y1(l) y2(l) … yM(l)],则第(l,k)个距离-多普勒单元的二维匹配滤波结果 为
其中fk表示矩阵F的第k列,N(l)=[n1(l) n2(l) … nM(l)]表示N×M维的噪 声矩阵,r=(sHG)T=[r-N+1 r-N+2 … rN-1]T;
二维匹配滤波结果表示为:
步骤2:构建距离维迭代自适应滤波器,在距离维进行迭代滤波,具体方法如下:
对二维匹配滤波结果XMF按行分块,得
其中,Z=FTF*;xMF(1)表示XMF中第一行,其它以此类推;
令:
A=XZ
基于矩阵X和矩阵Z计算得到矩阵A中各元素的值,将各元素表示为αk(l),将矩阵A写成如下形式:
其中,a1,a2,...,aK表示矩阵A中各列;则有:
A(l)表示矩阵A中第l行向量的前N-1到后N-1行向量组成的子矩阵;
第(l,k)个距离-多普勒单元的二维匹配滤波结果可以进一步表示为:
其中:
其中,f(m,k)表示fk中的元素,也表示矩阵F的第m行、第k列元素; 基于二维匹配滤波结果的距离维代价函数为:
其中,E[·]表示求期望;wk(l)表示滤波器;
假设不同单元的αk(l)互不相关,噪声是均值为零、功率为σ2的高斯白噪声,αk(l)与 噪声不相关,因此求得:
Rk,l=DΛk,lDH (21)
矩阵A的初值为A=XMFZ;
则求得:
得到矩阵A的估计值后,用估计值更新矩阵A,完成距离维第一次迭代计算;利用公式(20)计算当前的wk(l),再将当前的wk(l)代入公式(23),再次得到矩阵A的估 计值完成距离维第二次迭代计算;然后再利用公式(20)计算的当前的wk(l)的代入公 式(23)完成距离维第三次迭代,以此类推,多次迭代后即可抑制距离旁瓣;
步骤3:构建多普勒维迭代自适应滤波器,在多普勒维进行迭代滤波,具体方法如下:
令:
其中,β1,β2,…,βL表示矩阵B中各列,βl(k)表示矩阵B中第l列第k行的元素;
Z=[z1 z2 … zK] (26)
xl=[xl(1) xl(2) … xl(K)]T (27)
则有:
基于距离维迭代结果的多普勒维代价函数为:
其中:
假设不同单元的xl(k)互不相关,因此求得
其中,
q(k)=[Z(k,k-kd1) Z(k,k-kd1+1) … Z(k,k+kd2)]T (34)
Z(i,j)表示矩阵Z的第i行第j列的元素;
其中:
因此,多普勒维迭代自适应滤波器系数向量可以表示为:
则求得:
根据公式(38),遍历l∈[1,L],k∈[1,K],得xl(k)的估计值由此得到矩阵X的 估计值完成第一次多普勒维迭代;其中,在第一次迭代时,公式(36)中的矩阵X的初值为步骤2迭代完成输出的矩阵A的估计值;
较佳的,所述距离维迭代计算次数和多普勒维迭代次数相同。
较佳的,所述距离维迭代计算次数和多普勒维迭代次数为8次。
一种基于二维匹配滤波结果的旁瓣抑制方法,包括如下步骤:
步骤1:建立目标回波信号模型,对回波信号进行二维匹配滤波处理,具体方法如下:
假设脉冲雷达共发射M个脉冲,脉内采样点数为N,脉冲采样向量可以表示为:
s=[s1 s2 … sN]T (1)
其中,sn表示发射信号的第n个采样点;雷达接收到的第m个脉冲的第l个采样单元对 应的N个连续采样向量ym(l)=[ym(l) ym(l+1) … ym(l+N-1)]T可以表示为:
其中,y(l)中各元素表示回波信号的各个采样点;m=1,2,...,M;G是一个 N×(2N-1)维的发射信号矩阵,L表示距离单元数,K表示多普勒单元数,X表示L×K 维的距离-多普勒像,X(l)是X中第l行向量的前N-1到后N-1行向量组成的子矩阵,是 (2N-1)×K维的X的子矩阵;F是M×K维的多普勒矩阵,表示矩阵FT的第m列, nm(l)=[nm(l) nm(l+1)…nm(l+N-1)]T是N×1维的加性白噪声,各元素表示相 应位置的噪声;
M个脉冲的基带回波信号的第l个采样单元对应的N个连续采样矩阵可以表示为 Y(l)=[y1(l) y2(l) … yM(l)],则第(l,k)个距离-多普勒单元的二维匹配滤波结果 为
其中fk表示矩阵F的第k列,N(l)=[n1(l) n2(l) … nM(l)]表示N×M维的噪 声矩阵,r=(sHG)T=[r-N+1 r-N+2 … rN-1]T;
二维匹配滤波结果表示为:
步骤2:构建距离维迭代自适应滤波器,在距离维进行迭代滤波,具体方法如下:
对二维匹配滤波结果XMF按行分块,得
其中,Z=FTF*;xMF(1)表示XMF中第一行,其它以此类推;
令:
A=XZ
基于矩阵X和矩阵Z计算得到矩阵A中各元素的值,将各元素表示为αk(l),将矩阵A写成如下形式:
其中,a1,a2,...,aK表示矩阵A中各列;则有:
A(l)表示矩阵A中第l行向量的前N-1到后N-1行向量组成的子矩阵;
第(l,k)个距离-多普勒单元的二维匹配滤波结果可以进一步表示为:
其中:
其中,f(m,k)表示fk中的元素,也表示矩阵F的第m行、第k列元素;
基于二维匹配滤波结果的距离维代价函数为:
其中,E[·]表示求期望;wk(l)表示滤波器;
假设不同单元的αk(l)互不相关,噪声是均值为零、功率为σ2的高斯白噪声,αk(l)与 噪声不相关,因此求得:
Rk,l=DΛk,lDH (21)
矩阵A的初值为A=XMFZ;
则求得:
步骤3:构建多普勒维迭代自适应滤波器,在多普勒维进行迭代滤波,具体方法如下:
令:
其中,β1,β2,…,βL表示矩阵B中各列,βl(k)表示矩阵B中第l列第k行的元素;
Z=[z1 z2 … zK] (26)
xl=[xl(1) xl(2) … xl(K)]T (27)
则有:
基于距离维迭代结果的多普勒维代价函数为:
其中:
假设不同单元的xl(k)互不相关,求得:
其中:
q(k)=[Z(k,k-kd1) Z(k,k-kd1+1) … Z(k,k+kd2)]T (34)
Z(i,j)表示矩阵Z的第i行第j列的元素;
其中:
因此,多普勒维迭代自适应滤波器系数向量可以表示为:
则求得:
根据公式(38),遍历l∈[1,L],k∈[1,K],得xl(k)的估计值由此得到矩阵X的 估计值完成第一次多普勒维迭代;其中,在第一次迭代时,公式(36)中的矩阵X的初值为步骤2迭代完成输出的矩阵A的估计值;
依次类推,每次利用公式(20)完成一次距离维迭代计算后,再利用公式(38)进行一 次多普勒维迭代,经过设定次迭代后,完成距离维和多普勒维旁瓣抑制。
较佳的,所述距离维迭代计算次数和多普勒维迭代次数为8次。
本发明具有如下有益效果:
本发明提出了一种基于二维匹配滤波结果的快速自适应旁瓣抑制方法,该方法首先对回波 信号进行二维匹配滤波处理,然后构建距离维迭代自适应滤波器,在距离维进行多次迭代,抑 制距离旁瓣,然后再构建多普勒维迭代自适应滤波器,在多普勒维进行多次迭代,抑制多普勒 旁瓣。该方法能够有效抑制距离-多普勒旁瓣,且具有较低的计算复杂度;
该方法能够有效抑制二维匹配滤波结果中的距离-多普勒旁瓣,获得较好的距离-多普勒响 应,与现有方法相比,能够大幅降低计算复杂度;
附图说明
图1为本发明的方法流程图;
图2(a)为理想距离-多普勒响应;
图2(b)为二维匹配滤波结果;
图2(c)为本发明所提方法的迭代结果。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
步骤1:建立目标回波信号模型,对回波信号进行二维匹配滤波处理,具体方法如下:
假设脉冲雷达共发射M个脉冲,脉内采样点数为N,脉冲采样向量可以表示为:
s=[s1 s2 … sN]T (1)
其中,sn表示发射信号的第n个采样点。雷达接收到的第m个脉冲的第l个采样单元对 应的N个连续采样向量ym(l)=[ym(l) ym(l+1) … ym(l+N-1)]T可以表示为:
其中,y(l)中各元素表示回波信号中各个采样点;m=1,2,...,M;G是一个N×(2N-1)维 的发射信号矩阵,L表示距离单元数,K表示多普勒单元数,X表示L×K维的距离-多普勒像,X(l)是X中第l行向量的前N-1到后N-1行向量组成的子矩阵,是(2N-1)×K维 的X的子矩阵;F是M×K维的多普勒矩阵,表示矩阵FT的第m列, nm(l)=[nm(l) nm(l+1) … nm(l+N-1)]T是N×1维的加性白噪声,各元素表示相 应位置的噪声;
M个脉冲的基带回波信号的第l个采样单元对应的N个连续采样矩阵可以表示为 Y(l)=[y1(l) y2(l) … yM(l)],则第(l,k)个距离-多普勒单元的二维匹配滤波结果 为
其中fk表示矩阵F的第k列,N(l)=[n1(l) n2(l) … nM(l)]表示N×M维的噪声矩阵,r=(sHG)T=[r-N+1 r-N+2 … rN-1]T。
二维匹配滤波结果表示为:
步骤2:构建距离维迭代自适应滤波器,在距离维进行迭代滤波,具体方法如下:
对二维匹配滤波结果XMF按行分块,得
其中,Z=FTF*;xMF(1)表示XMF中第一行,其它以此类推;
令:
A=XZ
基于矩阵X和矩阵Z计算得到矩阵A中各元素的值,将各元素表示为αk(l),将矩阵A写成如下形式:
其中,a1,a2,...,aK表示矩阵A中各列;则有:
A(l)表示矩阵A中第l行向量的前N-1到后N-1行向量组成的子矩阵;
第(l,k)个距离-多普勒单元的二维匹配滤波结果可以进一步表示为:
其中:
其中,f(m,k)表示fk中的元素,也表示矩阵F的第m行、第k列元素。
基于二维匹配滤波结果的距离维代价函数为:
其中,E[·]表示求期望;wk(l)表示滤波器;
假设不同单元的αk(l)互不相关,噪声是均值为零、功率为σ2的高斯白噪声,αk(l)与 噪声不相关,因此求得:
Rk,l=DΛk,lDH (21)
矩阵A的初值为A=XMFZ;
则求得:
得到矩阵A的估计值后,用估计值更新矩阵A,完成距离维第一次迭代计算;利用 公式(20)计算当前的wk(l),再将当前的wk(l)代入公式(23),再次得到矩阵A的估计 值完成距离维第二次迭代计算;然后再利用公式(20)计算的当前的wk(l)的代入公式(23)完成距离维第三次迭代,以此类推,多次迭代后即可抑制距离旁瓣。
步骤3:构建多普勒维迭代自适应滤波器,在多普勒维进行迭代滤波,具体方法如下:
令:
其中,β1,β2,…,βL表示矩阵B中各列,βl(k)表示矩阵B中第l列第k行的元素;
Z=[z1 z2 … zK] (26)
xl=[xl(1) xl(2) … xl(K)]T (27)
则有:
基于距离维迭代结果的多普勒维代价函数为:
其中:
假设不同单元的xl(k)互不相关,因此求得
其中,
q(k)=[Z(k,k-kd1) Z(k,k-kd1+1) … Z(k,k+kd2)]T (34)
Z(i,j)表示矩阵Z的第i行第j列的元素。
其中:
因此,多普勒维迭代自适应滤波器系数向量可以表示为:
则求得:
根据公式(38),遍历l∈[1,L],k∈[1,K],可得xl(k)的估计值由此得到矩阵X 的估计值完成第一次多普勒维迭代;其中,在第一次迭代时,公式(36)中的矩阵X的初值为步骤2迭代完成输出的矩阵A的估计值;
需要说明的是,本发明也可以先利用步骤2进行一次距离维迭代,再执行步骤3,进行一 次多普勒维迭代,然后再返回步骤2进行第二次距离维迭代,继而进行步骤3的多普勒维迭 代;以此类推,多次重复步骤2和步骤3,完成距离旁瓣和多普勒旁瓣的抑制。
实施例:
本实例中,采用脉冲宽度为TP=4μs,带宽为B=4MHZ的线性调频信号,采样频率为fs=8MHZ,采样点数为N=32,脉冲数为M=32,距离单元数为L=100,多普勒单元 数为K=64,载频为fc=3GHZ,脉冲重复周期为Tr=1ms,采用长度为Kr=5和Kd=3 的滤波器,目标参数如表1所示。
目标参数
通过本发明的方法,在距离维和多普勒维分别进行八次迭代后,可成功抑制距离-多普勒 旁瓣。图2(a)、图2(b)和图2(c)所示分别为理想的距离-多普勒响应、二维匹配滤波结果和该方法的迭代结果。如图所示,该方法可以有效抑制距离-多普勒旁瓣,其计算复杂度 分别比IAA、AMPC、FAMPC方法低3个、5个、6个数量级。
综上所述,以上仅为本发明的较佳实施例而已,并非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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护 范围之内。
Claims (5)
1.一种基于二维匹配滤波结果的旁瓣抑制方法,其特征在于,包括如下步骤:
步骤1:建立目标回波信号模型,对回波信号进行二维匹配滤波处理,具体方法如下:
假设脉冲雷达共发射M个脉冲,脉内采样点数为N,脉冲采样向量可以表示为:
s=[s1 s2…sN]T (1)
其中,sn表示发射信号的第n个采样点;雷达接收到的第m个脉冲的第l个采样单元对应的N个连续采样向量ym(l)=[ym(l) ym(l+1)…ym(l+N-1)]T可以表示为:
其中,y(l)中各元素表示回波信号中各个采样点;m=1,2,...M,;G是一个N×(2N-1)维的发射信号矩阵,L表示距离单元数,K表示多普勒单元数,X表示L×K维的距离-多普勒像,X(l)是X中第l行向量的前N-1到后N-1行向量组成的子矩阵,是(2N-1)×K维的X的子矩阵;F是M×K维的多普勒矩阵,表示矩阵FT的第m列,nm(l)=[nm(l) nm(l+1)…nm(l+N-1)]T是N×1维的加性白噪声,各元素表示相应位置的噪声;
M个脉冲的基带回波信号的第l个采样单元对应的N个连续采样矩阵可以表示为Y(l)=[y1(l) y2(l)…yM(l)],则第(l,k)个距离-多普勒单元的二维匹配滤波结果为
其中fk表示矩阵F的第k列,N(l)=[n1(l) n2(l)…nM(l)]表示N×M维的噪声矩阵,r=(sHG)T=[r-N+1 r-N+2…rN-1]T;
二维匹配滤波结果表示为:
步骤2:构建距离维迭代自适应滤波器,在距离维进行迭代滤波,具体方法如下:
对二维匹配滤波结果XMF按行分块,得
其中,Z=FTF*;xMF(1)表示XMF中第一行,其它以此类推;
令:
A=XZ
基于矩阵X和矩阵Z计算得到矩阵A中各元素的值,将各元素表示为αk(l),将矩阵A写成如下形式:
其中,a1,a2,...,aK表示矩阵A中各列;则有:
A(l)表示矩阵A中第l行向量的前N-1到后N-1行向量组成的子矩阵;
第(l,k)个距离-多普勒单元的二维匹配滤波结果可以进一步表示为:
其中:
其中,f(m,k)表示fk中的元素,也表示矩阵F的第m行、第k列元素;
基于二维匹配滤波结果的距离维代价函数为:
其中,E[·]表示求期望;wk(l)表示滤波器;
假设不同单元的αk(l)互不相关,噪声是均值为零、功率为σ2的高斯白噪声,αk(l)与噪声不相关,因此求得:
Rk,l=DΛk,lDH (21)
矩阵A的初值为A=XMFZ;
则求得:
得到矩阵A的估计值后,用估计值更新矩阵A,完成距离维第一次迭代计算;利用公式(20)计算当前的wk(l),再将当前的wk(l)代入公式(23),再次得到矩阵A的估计值完成距离维第二次迭代计算;然后再利用公式(20)计算的当前的wk(l)的代入公式(23)完成距离维第三次迭代,以此类推,多次迭代后即可抑制距离旁瓣;
步骤3:构建多普勒维迭代自适应滤波器,在多普勒维进行迭代滤波,具体方法如下:
令:
其中,β1,β2,…,βL表示矩阵B中各列,βl(k)表示矩阵B中第l列第k行的元素;
Z=[z1 z2…zK] (26)
xl=[xl(1) xl(2)…xl(K)]T (27)
则有:
基于距离维迭代结果的多普勒维代价函数为:
其中:
假设不同单元的xl(k)互不相关,因此求得
其中,
q(k)=[Z(k,k-kd1) Z(k,k-kd1+1)…Z(k,k+kd2)]T (34)
Z(i,j)表示矩阵Z的第i行第j列的元素;
其中:
因此,多普勒维迭代自适应滤波器系数向量可以表示为:
则求得:
根据公式(38),遍历l∈[1,L],k∈[1,K],得xl(k)的估计值由此得到矩阵X的估计值完成第一次多普勒维迭代;其中,在第一次迭代时,公式(36)中的矩阵X的初值为步骤2迭代完成输出的矩阵A的估计值;
2.如权利要求1所述的一种基于二维匹配滤波结果的旁瓣抑制方法,其特征在于,所述距离维迭代计算次数和多普勒维迭代次数相同。
3.如权利要求1所述的一种基于二维匹配滤波结果的旁瓣抑制方法,其特征在于,所述距离维迭代计算次数和多普勒维迭代次数为8次。
4.一种基于二维匹配滤波结果的旁瓣抑制方法,其特征在于,包括如下步骤:
步骤1:建立目标回波信号模型,对回波信号进行二维匹配滤波处理,具体方法如下:
假设脉冲雷达共发射M个脉冲,脉内采样点数为N,脉冲采样向量可以表示为:
s=[s1 s2…sN]T (1)
其中,sn表示发射信号的第n个采样点;雷达接收到的第m个脉冲的第l个采样单元对应的N个连续采样向量ym(l)=[ym(l) ym(l+1)…ym(l+N-1)]T可以表示为:
其中,y(l)中各元素表示回波信号的各个采样点;m=1,2,...M,;G是一个N×(2N-1)维的发射信号矩阵,L表示距离单元数,K表示多普勒单元数,X表示L×K维的距离-多普勒像,X(l)是X中第l行向量的前N-1到后N-1行向量组成的子矩阵,是(2N-1)×K维的X的子矩阵;F是M×K维的多普勒矩阵,表示矩阵FT的第m列,nm(l)=[nm(l) nm(l+1)…nm(l+N-1)]T是N×1维的加性白噪声,各元素表示相应位置的噪声;
M个脉冲的基带回波信号的第l个采样单元对应的N个连续采样矩阵可以表示为Y(l)=[y1(l) y2(l)…yM(l)],则第(l,k)个距离-多普勒单元的二维匹配滤波结果为
其中fk表示矩阵F的第k列,N(l)=[n1(l) n2(l)…nM(l)]表示N×M维的噪声矩阵,r=(sHG)T=[r-N+1 r-N+2…rN-1]T;
二维匹配滤波结果表示为:
步骤2:构建距离维迭代自适应滤波器,在距离维进行迭代滤波,具体方法如下:
对二维匹配滤波结果XMF按行分块,得
其中,Z=FTF*;xMF(1)表示XMF中第一行,其它以此类推;
令:
A=XZ
基于矩阵X和矩阵Z计算得到矩阵A中各元素的值,将各元素表示为αk(l),将矩阵A写成如下形式:
其中,a1,a2,...,aK表示矩阵A中各列;则有:
A(l)表示矩阵A中第l行向量的前N-1到后N-1行向量组成的子矩阵;第(l,k)个距离-多普勒单元的二维匹配滤波结果可以进一步表示为:
其中:
其中,f(m,k)表示fk中的元素,也表示矩阵F的第m行、第k列元素;
基于二维匹配滤波结果的距离维代价函数为:
其中,E[·]表示求期望;wk(l)表示滤波器;
假设不同单元的αk(l)互不相关,噪声是均值为零、功率为σ2的高斯白噪声,αk(l)与噪声不相关,因此求得:
Rk,l=DΛk,lDH (21)
矩阵A的初值为A=XMFZ;
则求得:
步骤3:构建多普勒维迭代自适应滤波器,在多普勒维进行迭代滤波,具体方法如下:
令:
其中,β1,β2,…,βL表示矩阵B中各列,βl(k)表示矩阵B中第l列第k行的元素;
Z=[z1 z2…zK] (26)
xl=[xl(1) xl(2)…xl(K)]T (27)
则有:
基于距离维迭代结果的多普勒维代价函数为:
其中:
假设不同单元的xl(k)互不相关,求得:
其中:
q(k)=[Z(k,k-kd1) Z(k,k-kd1+1)…Z(k,k+kd2)]T (34)
Z(i,j)表示矩阵Z的第i行第j列的元素;
其中:
因此,多普勒维迭代自适应滤波器系数向量可以表示为:
则求得:
根据公式(38),遍历l∈[1,L],k∈[1,K],得xl(k)的估计值由此得到矩阵X的估计值完成第一次多普勒维迭代;其中,在第一次迭代时,公式(36)中的矩阵X的初值为步骤2迭代完成输出的矩阵A的估计值;
依次类推,每次利用公式(20)完成一次距离维迭代计算后,再利用公式(38)进行一次多普勒维迭代,经过设定次迭代后,完成距离维和多普勒维旁瓣抑制。
5.如权利要求1所述的一种基于二维匹配滤波结果的旁瓣抑制方法,其特征在于,所述距离维迭代计算次数和多普勒维迭代次数为8次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210658737.7A CN115166664B (zh) | 2022-06-12 | 2022-06-12 | 一种基于二维匹配滤波结果的快速自适应旁瓣抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210658737.7A CN115166664B (zh) | 2022-06-12 | 2022-06-12 | 一种基于二维匹配滤波结果的快速自适应旁瓣抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115166664A true CN115166664A (zh) | 2022-10-11 |
CN115166664B CN115166664B (zh) | 2024-05-10 |
Family
ID=83485460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210658737.7A Active CN115166664B (zh) | 2022-06-12 | 2022-06-12 | 一种基于二维匹配滤波结果的快速自适应旁瓣抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115166664B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7439906B1 (en) * | 2007-01-25 | 2008-10-21 | The United States Of America As Represented By The Secretary Of The Navy | Doppler-compensated radar pulse compression processing system and method |
CN104793194A (zh) * | 2015-04-21 | 2015-07-22 | 电子科技大学 | 基于改进的自适应多脉冲压缩的距离-多普勒估计方法 |
CN110865344A (zh) * | 2019-11-22 | 2020-03-06 | 北京理工大学 | 一种脉冲多普勒雷达体制下副瓣快速抑制方法 |
CN110865345A (zh) * | 2019-11-22 | 2020-03-06 | 北京理工大学 | 一种快速自适应脉冲压缩方法 |
CN111060879A (zh) * | 2019-11-22 | 2020-04-24 | 北京理工大学 | 一种基于二维匹配滤波结果的联合副瓣抑制方法 |
CN113702934A (zh) * | 2021-06-25 | 2021-11-26 | 北京理工大学 | 适用于mimo雷达的距离-多普勒-角度三维副瓣抑制方法 |
WO2022068097A1 (zh) * | 2020-09-29 | 2022-04-07 | 惠州市德赛西威汽车电子股份有限公司 | 一种改进调频连续波雷达目标检测的降噪方法 |
-
2022
- 2022-06-12 CN CN202210658737.7A patent/CN115166664B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7439906B1 (en) * | 2007-01-25 | 2008-10-21 | The United States Of America As Represented By The Secretary Of The Navy | Doppler-compensated radar pulse compression processing system and method |
CN104793194A (zh) * | 2015-04-21 | 2015-07-22 | 电子科技大学 | 基于改进的自适应多脉冲压缩的距离-多普勒估计方法 |
CN110865344A (zh) * | 2019-11-22 | 2020-03-06 | 北京理工大学 | 一种脉冲多普勒雷达体制下副瓣快速抑制方法 |
CN110865345A (zh) * | 2019-11-22 | 2020-03-06 | 北京理工大学 | 一种快速自适应脉冲压缩方法 |
CN111060879A (zh) * | 2019-11-22 | 2020-04-24 | 北京理工大学 | 一种基于二维匹配滤波结果的联合副瓣抑制方法 |
WO2022068097A1 (zh) * | 2020-09-29 | 2022-04-07 | 惠州市德赛西威汽车电子股份有限公司 | 一种改进调频连续波雷达目标检测的降噪方法 |
CN113702934A (zh) * | 2021-06-25 | 2021-11-26 | 北京理工大学 | 适用于mimo雷达的距离-多普勒-角度三维副瓣抑制方法 |
Non-Patent Citations (1)
Title |
---|
邵江雨;石星;: "基于MSN准则的自适应脉冲压缩修复处理", 电讯技术, no. 12, 20 December 2010 (2010-12-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN115166664B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110865344B (zh) | 一种脉冲多普勒雷达体制下副瓣快速抑制方法 | |
CN110275166B (zh) | 基于admm的快速稀疏孔径isar自聚焦与成像方法 | |
CN111060879B (zh) | 一种基于二维匹配滤波结果的联合副瓣抑制方法 | |
CN108169727B (zh) | 一种基于fpga的动目标雷达散射截面测量方法 | |
CN106680815B (zh) | 基于张量稀疏表示的mimo雷达成像方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN111551928B (zh) | 一种基于墙体低秩稀疏约束的穿墙雷达成像方法 | |
CN110297233B (zh) | Lfmcw阵列雷达信号并行流水化处理方法 | |
CN109507666B (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN110146881B (zh) | 一种基于改进全变差的扫描雷达超分辨成像方法 | |
CN109884625B (zh) | 基于卷积神经网络的雷达关联成像方法 | |
CN111913157A (zh) | 一种基于雷达信号空-时去相关模型的海杂波抑制方法 | |
CN105911527B (zh) | 基于efa与mwf的机载雷达空时自适应处理方法 | |
CN110865345B (zh) | 一种快速自适应脉冲压缩方法 | |
Fortune et al. | Statistical autofocus of synthetic aperture sonar images using image contrast optimisation | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
CN109669184A (zh) | 一种基于全卷积网络的合成孔径雷达方位模糊消除方法 | |
CN110109098B (zh) | 一种扫描雷达快速超分辨成像方法 | |
CN115453528A (zh) | 基于快速sbl算法实现分段观测isar高分辨成像方法及装置 | |
Hou et al. | Sparse coding-inspired high-resolution ISAR imaging using multistage compressive sensing | |
CN114371478A (zh) | 基于单天线系统的机载雷达对舰船目标三维成像方法 | |
CN115166664A (zh) | 一种基于二维匹配滤波结果的快速自适应旁瓣抑制方法 | |
Gabriel | Superresolution techniques and ISAR imaging | |
CN114780911B (zh) | 一种基于深度学习的海洋宽测绘带距离解模糊方法 | |
CN116243313A (zh) | 一种基于距离分区的sar快速智能稀疏自聚焦技术 |
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 |