CN115575919B - 一种极低样本数时的空时自适应检测方法与系统 - Google Patents
一种极低样本数时的空时自适应检测方法与系统 Download PDFInfo
- Publication number
- CN115575919B CN115575919B CN202211467458.9A CN202211467458A CN115575919B CN 115575919 B CN115575919 B CN 115575919B CN 202211467458 A CN202211467458 A CN 202211467458A CN 115575919 B CN115575919 B CN 115575919B
- Authority
- CN
- China
- Prior art keywords
- space
- covariance matrix
- time
- matrix
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 97
- 230000003044 adaptive effect Effects 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013499 data model Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011068 loading method Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 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
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000002087 whitening 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
- 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
本发明公开了一种极低样本数时的空时自适应检测方法与系统,属于雷达目标检测领域,首先确定空域和时域网格数,构建数据模型;然后利用雷达接收到的样本构造采样协方差矩阵;接着利用数据模型及采样协方差矩阵构造协方差矩阵初始估计值;再迭代估计协方差矩阵;利用迭代估计得到的协方差矩阵构造空时自适应检测器;再利用空时自适应检测器及系统设定的虚警概率确定检测门限;最后比较检测器与门限的大小,判决目标是否存在。本发明充分利用了机载雷达空时二维数据的结构信息,使所提出的方法能用于极低训练样本的情形,流程简便,迭代过程对初始值不敏感,可收敛至全局最优解,所提方法相比已有方法,在极低训练样本数时的检测性能大为提升。
Description
技术领域
本发明属于雷达目标检测领域,更具体地,涉及一种极低样本数时的空时自适应检测方法与系统。
背景技术
相对地基雷达,机载雷达视野开阔,能够发现低空飞行的目标,能够提供更多的预警时间。然而,由于载机的运动,地杂波多普勒谱扩展严重,且杂波能量远远高于目标回波。为了进行目标检测,常用的方法是采用空时自适应处理(Space-Time AdaptiveProcessing,STAP)。STAP通过利用地杂波空时耦合特性,采用二维滤波,极大提高了信杂噪比。然而,STAP属于滤波技术,为实现目标检测仍然需要恒虚警处理。与STAP不同,空时自适应检测(Space-Time Adaptive Detection,STAD)直接滤波杂波的空时二维耦合特性,联合利用机载雷达接收的空时二维数据进行自适应检测器,一体化实现了滤波和恒虚警处理,不仅流程简便,而且性能更优。
然而,机载雷达空时二维数据中的杂波加噪声协方差矩阵通常未知,根据里德-马利特-布伦南(Reed, Mallett and Brennan,RMB)准则,当采用训练样本对待检测距离单元的杂波加噪声协方差矩阵进行估计时,若要使STAP性能损失量控制在3dB以内(相对于当待检测距离单元杂波加噪声协方差矩阵已知时的最优处理),独立同分布的训练样本数至少为系统自由度的2倍。机载雷达面临的环境复杂多变,往往难以获得这么多的训练样本,尤其对于采用空时二维处理流程的机载雷达,这是由于空时二维处理的系统自由度为相控阵的空域阵元数与脉冲数的乘积,该值往往很大。
为解决上述难题,常用的方法包括对角加载和降秩法,二者性能相当。但对角加载法的对角加载量难以确定;降秩法需要确定杂波子空间的秩,当该值选择不合适的话,性能下降严重。此外,对角加载法和降秩法仍然需要相对较多的训练样本。
因此,如何克服极低训练样本数下现有机载雷达目标检测技术的不足,是本领域技术人员亟需解决问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种极低样本数时的空时自适应检测方法与系统,目的在于解决极低训练样本下的机载雷达强杂波中的目标检测问题。
为实现上述目的,按照本发明的一个方面,提供了一种极低样本数时的空时自适应检测方法,包括:
步骤1:确定空域和时域网格数,构建数据模型;
步骤4:迭代估计协方差矩阵;
步骤5:利用迭代估计得到的协方差矩阵构造空时自适应检测器;
步骤6:利用所述空时自适应检测器及系统设定的虚警概率确定检测门限;
步骤7:比较所述空时自适应检测器与所述检测门限的大小,判决目标是否存在;
进一步,所述步骤3中,协方差矩阵的初始估计值为:
其中,
进一步,所述步骤4中,迭代估计协方差矩阵的具体为:
进一步,所述步骤5中,空时自适应检测器为:
进一步,所述步骤6中,根据虚警概率确定的检测门限为:
其中,
进一步,所述步骤7中,比较所述空时自适应检测器与所述检测门限的大小及判决过程为:
进一步,一种极低样本数时的空时自适应检测系统,所述系统用于实现极低样本数时的空时自适应检测方法,
还包括:
网格数及数据模型确定模块,用于确定空域和时域网格数,并根据雷达阵列结构确定数据模型;
采样协方差矩阵确定模块,用于利用雷达接收到的样本构造采样协方差矩阵;
协方差矩阵初始值构造模块,用于利用所述数据模型及所述采样协方差矩阵构造协方差矩阵初始估计值;
协方差矩阵迭代估计模块,用于迭代估计协方差矩阵;
空时自适应检测器构造模块,用于利用迭代估计得到的协方差矩阵构造空时自适应检测器;
检测门限确定模块,用于利用所述空时自适应检测器及系统设定的虚警概率确定检测门限;
目标判决模块,用于比较所述空时自适应检测器与所述检测门限的大小,判决目标是否存在。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有如下有益效果:
1)通过确定空域和时域网格数,构建的数据模型能够很好的刻画真实接收数据的数据结构;
2)通过迭代估计协方差矩阵,解决了训练样本不足时协方差矩阵估计的问题;
3)通过利用噪声功率估计值的平均值,作为最终的噪声功率估计结果,保证了迭代协方差矩阵估计值的非奇异性,为构造自适应检测器奠定了良好基础;
4)通过利用迭代估计得到的协方差矩阵构造空时自适应检测器,确保了优良的检测性能;
5)通过利用所述空时自适应检测器及系统设定的虚警概率确定检测门限,确保所设计检测器在未知杂波的虚警概率的稳健特性。
附图说明
图1为本发明所述一种极低样本数时的空时自适应检测方法原理示意图;
图2为本发明所述一种极低样本数时的空时自适应检测系统结构框架图;
图3为本发明所提方法与常规方法在不同信杂噪比下的检测概率比较示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为目标空时二维导向矢量,
和
式(1)中的杂波加噪声协方差矩阵可以表示为
式(1)中的数据模型是在待检测数据单元含有目标的前提下得到的,若待检测单元不含有目标,则式(1)应该修正为
综上所述,机载雷达目标检测,就是判决待检测数据应该用式(1)中的模型表示还是式(10)中的模型表示。相应的最优检测器为白化匹配滤波器,其检测统计量为
值得指出的是,式(12)可进一步表示为
本发明的目的在于解决极低样本下的机载雷达杂波抑制难题。为了实现上述目的,请参阅图1所示,本实施例提供了一种极低样本数时的空时自适应检测方法,其特征在于,包括:
步骤1:确定空域和时域网格数,构建数据模型;
步骤4:迭代估计协方差矩阵;
步骤5:利用迭代估计得到的协方差矩阵构造空时自适应检测器;
步骤6:利用所述空时自适应检测器及系统设定的虚警概率确定检测门限;
步骤7:比较所述空时自适应检测器与所述检测门限的大小,判决目标是否存在;
所述步骤3中,协方差矩阵的初始估计值为:
其中,
所述步骤4中,迭代估计协方差矩阵的具体为:
所述步骤5中,空时自适应检测器为:
所述步骤6中,根据虚警概率确定的检测门限为:
其中,
所述步骤7中,比较所述空时自适应检测器与所述检测门限的大小及判决过程为:
请参阅图2,本发明提供了一种极低样本数时的空时自适应检测系统,所述系统用于实现极低样本数时的空时自适应检测方法,
还包括:
网格数及数据模型确定模块,用于确定空域和时域网格数,并根据雷达阵列结构确定数据模型;
采样协方差矩阵确定模块,用于利用雷达接收到的样本构造采样协方差矩阵;
协方差矩阵初始值构造模块,用于利用所述数据模型及所述采样协方差矩阵构造协方差矩阵初始估计值;
协方差矩阵迭代估计模块,用于迭代估计协方差矩阵;
空时自适应检测器构造模块,用于利用迭代估计得到的协方差矩阵构造空时自适应检测器;
检测门限确定模块,用于利用所述空时自适应检测器及系统设定的虚警概率确定检测门限;
目标判决模块,用于比较所述空时自适应检测器与所述检测门限的大小,判决目标是否存在。
下面结合仿真实验对本发明的效果做进一步说明。
假设机载雷达含有个阵元,每个阵元发射/>个脉冲,则系统总自由度为,空域网格数为/>,时域网格数为/>,训练样本数为/>,归一化空域频率为/>,目标的归一化多普勒频率为/>,虚警概率设置为/>,信杂噪比(Signal-to-Clutter-plus-Noise Ratio,SCNR)定义为/>。
图3给出了本发明所提方法与常规方法在不同信杂噪比下的检测概率比较结果,图中的“GLRT-DL”表示基于对角加载的广义似然比检测器。从图3中可以明显看出本发明所提方法的检测性能要明显高于GLRT-DL。特别地,当检测概率为0.8时,本发明所提方法的信杂噪比增益接近10 dB。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种极低样本数时的空时自适应检测方法,其特征在于,包括:
步骤1:确定空域和时域网格数,构建数据模型;
步骤2:利用雷达接收到的L个样本构造采样协方差矩阵T;
步骤3:利用所述数据模型及所述采样协方差矩阵T构造协方差矩阵初始估计值;
步骤4:迭代估计协方差矩阵;
步骤5:利用迭代估计得到的协方差矩阵构造空时自适应检测器;
步骤6:利用所述空时自适应检测器及系统设定的虚警概率确定检测门限;
步骤7:比较所述空时自适应检测器与所述检测门限的大小,判决目标是否存在;
所述步骤2中,采样协方差矩阵T的表达式为:
其中,yl为雷达接收到的第l个真实样本,维数为N×1,N=NaNp,Na为阵元数,Np 为脉冲数,L为阵列接收到快拍数,上标(·)H表示共轭转置。
6.根据权利要求5所述的一种极低样本数时的空时自适应检测方法,其特征在于,所述步骤6中,根据虚警概率确定的检测门限为:
η=t(n*)
则第v次蒙特卡洛仿真迭代过程为:
q=1,2,…,Q,Yv为训练样本矩阵的第v次实现;
在第v次蒙特卡洛仿真迭代过程,初始值设置为:
其中,
ak为矩阵A的第k列,k=1,2,…,K+N,
Tv的表达式为:
其中,yl,v为第v次蒙特卡洛仿真迭代过程中雷达接收到的第l个真实样本,yv为仅含干扰和噪声分量的待检测数据的第v次实现,v=1,2,…,V。
7.根据权利要求6所述的一种极低样本数时的空时自适应检测方法,其特征在于:所述步骤7中,比较所述空时自适应检测器与所述检测门限的大小及判决过程为:
若t≥η,则判决目标存在;
若t<η,则判决目标不存在。
8.一种极低样本数时的空时自适应检测系统,其特征在于:所述系统用于实现如权利要求1至7中任一项所述的极低样本数时的空时自适应检测方法,
还包括:
网格数及数据模型确定模块,用于确定空域和时域网格数,并根据雷达阵列结构确定数据模型;
采样协方差矩阵确定模块,用于利用雷达接收到的样本构造采样协方差矩阵;
协方差矩阵初始值构造模块,用于利用所述数据模型及所述采样协方差矩阵构造协方差矩阵
初始估计值;
协方差矩阵迭代估计模块,用于迭代估计协方差矩阵;
空时自适应检测器构造模块,用于利用迭代估计得到的协方差矩阵构造空时自适应检测器;
检测门限确定模块,用于利用所述空时自适应检测器及系统设定的虚警概率确定检测门限;
目标判决模块,用于比较所述空时自适应检测器与所述检测门限的大小,判决目标是否存在。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467458.9A CN115575919B (zh) | 2022-11-22 | 2022-11-22 | 一种极低样本数时的空时自适应检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467458.9A CN115575919B (zh) | 2022-11-22 | 2022-11-22 | 一种极低样本数时的空时自适应检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115575919A CN115575919A (zh) | 2023-01-06 |
CN115575919B true CN115575919B (zh) | 2023-06-06 |
Family
ID=84589392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211467458.9A Active CN115575919B (zh) | 2022-11-22 | 2022-11-22 | 一种极低样本数时的空时自适应检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115575919B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6028388B2 (ja) * | 2012-05-11 | 2016-11-16 | 富士通株式会社 | 到来方向推定装置、及び到来方向推定方法 |
CN104459635B (zh) * | 2014-12-08 | 2017-03-01 | 西安科技大学 | 基于迭代收缩加权融合的自适应空滤滤波方法 |
CN109116311B (zh) * | 2018-09-19 | 2022-12-06 | 西安电子科技大学 | 基于知识辅助稀疏迭代协方差估计的杂波抑制方法 |
CN109212492B (zh) * | 2018-10-19 | 2023-04-11 | 西安电子科技大学 | 基于知识辅助的时域重构机载雷达杂波抑制方法 |
CN112835000B (zh) * | 2020-12-29 | 2022-05-20 | 中国人民解放军空军预警学院 | 一种非均匀杂波及干扰条件下的自适应检测方法 |
CN113238211B (zh) * | 2021-02-05 | 2022-05-10 | 中国人民解放军空军预警学院 | 一种干扰条件下参数化自适应阵列信号检测方法与系统 |
CN115166666A (zh) * | 2022-06-17 | 2022-10-11 | 西安电子科技大学 | 一种非均匀环境下多普勒域降维迭代自适应stap方法 |
-
2022
- 2022-11-22 CN CN202211467458.9A patent/CN115575919B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115575919A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Conte et al. | Recursive estimation of the covariance matrix of a compound-Gaussian process and its application to adaptive CFAR detection | |
CN106125053B (zh) | 脉冲多普勒雷达极化抗干扰方法 | |
Hurtado et al. | Polarimetric detection of targets in heavy inhomogeneous clutter | |
CN109444820B (zh) | 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法 | |
Tsakalides et al. | Robust space–time adaptive processing (STAP) in non-Gaussian clutter environments | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN110361760B (zh) | 基于子空间跟踪的gnss接收机多波束指向抗干扰方法 | |
CN112612005B (zh) | 基于深度学习的雷达抗主瓣干扰方法 | |
CN112949846B (zh) | 一种适用于直扩系统下的生成式欺骗干扰信号构造方法 | |
CN112835000B (zh) | 一种非均匀杂波及干扰条件下的自适应检测方法 | |
Li et al. | Dimension-reduced space-time adaptive clutter suppression algorithm based on lower-rank approximation to weight matrix in airborne radar | |
CN112051552B (zh) | 一种基于多站的主瓣抗干扰方法及装置 | |
CN101644760A (zh) | 一种适用于高分辨阵列的快速鲁棒的信源个数检测方法 | |
Du et al. | NLOS target localization with an L-band UWB radar via grid matching | |
CN111007487A (zh) | 一种基于时间反演的多基地雷达目标检测方法 | |
CN113391281B (zh) | 一种信号失配时的极化雷达加权扩展目标检测方法与系统 | |
CN113267758B (zh) | 一种复合高斯环境下存在干扰时的目标检测方法与系统 | |
CN115575919B (zh) | 一种极低样本数时的空时自适应检测方法与系统 | |
CN115575921B (zh) | 一种基于俯仰向多通道多干扰基压制干扰抑制方法 | |
CN112255608A (zh) | 一种基于正交投影的雷达杂波自适应抑制方法 | |
CN111044996A (zh) | 一种基于降维近似消息传递的lfmcw雷达目标检测方法 | |
De Maio et al. | KB-GLRT: exploiting knowledge of the clutter ridge in airborne radar | |
CN113030928B (zh) | 非均匀环境中极化雷达扩展目标自适应检测方法与系统 | |
CN112612007B (zh) | 基于近场效应的超稀疏阵列机载雷达动目标距离解模糊方法 | |
CN115687931B (zh) | 一种极低训练样本数时的空时自适应处理方法与系统 |
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 |