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 PDF

Info

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
Application number
CN202211467458.9A
Other languages
English (en)
Other versions
CN115575919A (zh
Inventor
刘维建
杜庆磊
李槟槟
周必雷
张昭建
陈浩
陈辉
王永良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Air Force Early Warning Academy
Original Assignee
Air Force Early Warning Academy
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Air Force Early Warning Academy filed Critical Air Force Early Warning Academy
Priority to CN202211467458.9A priority Critical patent/CN115575919B/zh
Publication of CN115575919A publication Critical patent/CN115575919A/zh
Application granted granted Critical
Publication of CN115575919B publication Critical patent/CN115575919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

一种极低样本数时的空时自适应检测方法与系统
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2：利用雷达接收到的
Figure 430035DEST_PATH_IMAGE001
个样本构造采样协方差矩阵/>
Figure 206230DEST_PATH_IMAGE002
；
步骤3：利用所述数据模型及所述采样协方差矩阵
Figure 454809DEST_PATH_IMAGE002
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
Figure 944958DEST_PATH_IMAGE003
的表达式为：
Figure 228172DEST_PATH_IMAGE004
其中，
Figure 644110DEST_PATH_IMAGE005
为雷达接收到的第/>
Figure 379984DEST_PATH_IMAGE006
个真实样本，维数为/>
Figure 172360DEST_PATH_IMAGE007
，/>
Figure 310080DEST_PATH_IMAGE008
，/>
Figure 896919DEST_PATH_IMAGE009
为阵元数，/>
Figure 120090DEST_PATH_IMAGE010
为脉冲数，/>
Figure 949113DEST_PATH_IMAGE011
为阵列接收到快拍数，上标/>
Figure 941339DEST_PATH_IMAGE012
表示共轭转置。
进一步，所述步骤1中，确定的空域网格数
Figure 964659DEST_PATH_IMAGE013
和时域网格数/>
Figure 3022DEST_PATH_IMAGE014
的范围分别为阵元数/>
Figure 746987DEST_PATH_IMAGE015
的10~20倍和脉冲数/>
Figure 249513DEST_PATH_IMAGE016
的10~20倍，相应地，网格信号矩阵为：
Figure 53521DEST_PATH_IMAGE017
其中，
Figure 877383DEST_PATH_IMAGE018
为/>
Figure 159459DEST_PATH_IMAGE019
维单位矩阵，/>
Figure 250912DEST_PATH_IMAGE020
和/>
Figure 756980DEST_PATH_IMAGE021
分别表示第/>
Figure 301094DEST_PATH_IMAGE022
个空域网格对应的归一化空域频率和第/>
Figure 652441DEST_PATH_IMAGE023
个时域网格对应的归一化多普勒频率，即/>
Figure 598400DEST_PATH_IMAGE024
，
Figure 744210DEST_PATH_IMAGE025
，
Figure 563172DEST_PATH_IMAGE026
，
Figure 452631DEST_PATH_IMAGE027
，
Figure 518676DEST_PATH_IMAGE028
Figure 100967DEST_PATH_IMAGE029
Figure 822935DEST_PATH_IMAGE030
为虚数单位，上标/>
Figure 906298DEST_PATH_IMAGE031
表示转置，/>
Figure 436636DEST_PATH_IMAGE032
表示Kronecker积。
进一步，所述步骤3中，协方差矩阵的初始估计值为：
Figure 815927DEST_PATH_IMAGE033
其中，
Figure 697295DEST_PATH_IMAGE034
Figure 318770DEST_PATH_IMAGE035
表示对角矩阵，/>
Figure 969194DEST_PATH_IMAGE036
，且对角元素分别为
Figure 752342DEST_PATH_IMAGE037
, />
Figure 121007DEST_PATH_IMAGE038
的表达式为：/>
Figure 280592DEST_PATH_IMAGE039
, />
Figure 51102DEST_PATH_IMAGE040
Figure 706949DEST_PATH_IMAGE041
为矩阵/>
Figure 687544DEST_PATH_IMAGE042
的第/>
Figure 526187DEST_PATH_IMAGE043
列，/>
Figure 275837DEST_PATH_IMAGE044
，在/>
Figure 541733DEST_PATH_IMAGE045
、/>
Figure 744044DEST_PATH_IMAGE046
和/>
Figure 215739DEST_PATH_IMAGE047
的表达式中，上标/>
Figure 695262DEST_PATH_IMAGE048
表示初始值。
进一步，所述步骤4中，迭代估计协方差矩阵的具体为：
Figure 256693DEST_PATH_IMAGE049
Figure 87246DEST_PATH_IMAGE050
Figure 392326DEST_PATH_IMAGE051
Figure 726355DEST_PATH_IMAGE052
Figure 458688DEST_PATH_IMAGE053
其中，上标
Figure 337389DEST_PATH_IMAGE054
表示矩阵的逆；/>
Figure 55946DEST_PATH_IMAGE055
，/>
Figure 634695DEST_PATH_IMAGE056
为最大迭代次数；
Figure 413295DEST_PATH_IMAGE057
，/>
Figure 77494DEST_PATH_IMAGE058
为向量欧拉范数；上标/>
Figure 865322DEST_PATH_IMAGE059
表示第/>
Figure 298577DEST_PATH_IMAGE060
次迭代的值；迭代/>
Figure 248079DEST_PATH_IMAGE061
次后，最终的协方差矩阵估计值为：
Figure 635460DEST_PATH_IMAGE062
其中，
Figure 961399DEST_PATH_IMAGE063
为/>
Figure 452423DEST_PATH_IMAGE064
是前/>
Figure 369564DEST_PATH_IMAGE065
列，/>
Figure 8355DEST_PATH_IMAGE066
为迭代/>
Figure 872406DEST_PATH_IMAGE067
次后/>
Figure 14675DEST_PATH_IMAGE068
的前/>
Figure 571558DEST_PATH_IMAGE069
列和前/>
Figure 930602DEST_PATH_IMAGE069
行，
Figure 598343DEST_PATH_IMAGE070
，/>
Figure 595118DEST_PATH_IMAGE071
为迭代/>
Figure 322903DEST_PATH_IMAGE072
次后对角矩阵/>
Figure 670708DEST_PATH_IMAGE073
的第/>
Figure 204457DEST_PATH_IMAGE074
个对角元素；迭代次数设置为/>
Figure 196684DEST_PATH_IMAGE075
。
进一步，所述步骤5中，空时自适应检测器为：
Figure 721468DEST_PATH_IMAGE076
其中，
Figure 166356DEST_PATH_IMAGE077
为目标的空时导向矢量，/>
Figure 300534DEST_PATH_IMAGE078
和/>
Figure 678426DEST_PATH_IMAGE079
分别为目标的归一化空域频率和归一化多普勒频率，/>
Figure 607068DEST_PATH_IMAGE080
为待检测距离单元回波接收数据，/>
Figure 804831DEST_PATH_IMAGE081
表示绝对值。
进一步，所述步骤6中，根据虚警概率确定的检测门限为：
Figure 211541DEST_PATH_IMAGE082
式中，
Figure 443940DEST_PATH_IMAGE083
，/>
Figure 42018DEST_PATH_IMAGE084
为蒙特卡洛仿真次数，/>
Figure 54973DEST_PATH_IMAGE085
为系统设定的虚警概率值，/>
Figure 406320DEST_PATH_IMAGE086
为取整操作，/>
Figure 352279DEST_PATH_IMAGE087
为序列/>
Figure 763669DEST_PATH_IMAGE088
由大到小排列第/>
Figure 795079DEST_PATH_IMAGE089
个最大值，/>
Figure 684538DEST_PATH_IMAGE090
为第/>
Figure 252047DEST_PATH_IMAGE091
次蒙特卡洛仿真时的协方差矩阵估计值，表达式为：
Figure 568759DEST_PATH_IMAGE092
其中，
Figure 87465DEST_PATH_IMAGE093
为迭代/>
Figure 780615DEST_PATH_IMAGE094
次后/>
Figure 966746DEST_PATH_IMAGE095
的前/>
Figure 719938DEST_PATH_IMAGE096
列和前/>
Figure 725940DEST_PATH_IMAGE096
行，/>
Figure 783633DEST_PATH_IMAGE097
，/>
Figure 434057DEST_PATH_IMAGE098
为迭代/>
Figure 482784DEST_PATH_IMAGE099
次后对角矩阵/>
Figure 117028DEST_PATH_IMAGE100
的第/>
Figure 276614DEST_PATH_IMAGE101
个对角元素；
则第
Figure 781544DEST_PATH_IMAGE102
次蒙特卡洛仿真迭代过程为：
Figure 1173DEST_PATH_IMAGE103
Figure 857134DEST_PATH_IMAGE104
Figure 56296DEST_PATH_IMAGE105
Figure 9209DEST_PATH_IMAGE106
Figure 275105DEST_PATH_IMAGE107
Figure 477416DEST_PATH_IMAGE108
，/>
Figure 119750DEST_PATH_IMAGE109
为训练样本矩阵的第/>
Figure 723907DEST_PATH_IMAGE110
次实现；
在第
Figure 160704DEST_PATH_IMAGE110
次蒙特卡洛仿真迭代过程，初始值设置为：
Figure 348847DEST_PATH_IMAGE111
其中，
Figure 263713DEST_PATH_IMAGE112
Figure 987956DEST_PATH_IMAGE113
表示对角矩阵，/>
Figure 595654DEST_PATH_IMAGE114
，且对角元素分别为/>
Figure 38137DEST_PATH_IMAGE115
、
Figure 756694DEST_PATH_IMAGE116
、…、/>
Figure 335443DEST_PATH_IMAGE117
，/>
Figure 114043DEST_PATH_IMAGE118
的表达式为：
Figure 482970DEST_PATH_IMAGE119
,/>
Figure 395431DEST_PATH_IMAGE120
Figure 704053DEST_PATH_IMAGE121
为矩阵/>
Figure 778188DEST_PATH_IMAGE122
的第/>
Figure 539471DEST_PATH_IMAGE123
列，/>
Figure 990044DEST_PATH_IMAGE124
，
Figure 153172DEST_PATH_IMAGE125
的表达式为：
Figure 365585DEST_PATH_IMAGE126
/>
其中，
Figure 4377DEST_PATH_IMAGE127
为第/>
Figure 868428DEST_PATH_IMAGE128
次蒙特卡洛仿真迭代过程中雷达接收到的第/>
Figure 479537DEST_PATH_IMAGE129
个真实样本，/>
Figure 364317DEST_PATH_IMAGE130
为仅含干扰和噪声分量的待检测数据的第/>
Figure 726290DEST_PATH_IMAGE131
次实现，/>
Figure 721928DEST_PATH_IMAGE132
。
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：
若
Figure 859648DEST_PATH_IMAGE133
，则判决目标存在；
若
Figure 712067DEST_PATH_IMAGE134
，则判决目标不存在。
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。
假设阵列天线含有
Figure 669658DEST_PATH_IMAGE135
个阵元，每个阵元发射/>
Figure 265725DEST_PATH_IMAGE136
个脉冲，则接收信号可用/>
Figure 54689DEST_PATH_IMAGE137
列向量/>
Figure 350165DEST_PATH_IMAGE138
进行表示，/>
Figure 60632DEST_PATH_IMAGE139
，接收信号/>
Figure 194810DEST_PATH_IMAGE138
可表示为：
Figure 307122DEST_PATH_IMAGE140
（1）
其中，
Figure 501343DEST_PATH_IMAGE141
为目标幅度，
Figure 433527DEST_PATH_IMAGE142
（2）
为目标空时二维导向矢量，
Figure 574659DEST_PATH_IMAGE143
（3）
和
Figure 167576DEST_PATH_IMAGE144
（4）
分别为目标时域导向矢量和空域导向矢量，
Figure 142485DEST_PATH_IMAGE145
和/>
Figure 952179DEST_PATH_IMAGE146
分别目标的归一化多普勒频率和归一化空域频率，/>
Figure 303525DEST_PATH_IMAGE147
，/>
Figure 249485DEST_PATH_IMAGE148
为杂波块的个数，/>
Figure 395295DEST_PATH_IMAGE149
为第/>
Figure 426705DEST_PATH_IMAGE150
个杂波块对应的空时导向向量，具有结构：
Figure 581743DEST_PATH_IMAGE151
（5）
Figure 146323DEST_PATH_IMAGE152
（6）
Figure 728614DEST_PATH_IMAGE153
（7）
Figure 247320DEST_PATH_IMAGE154
为虚数单位，上标/>
Figure 268366DEST_PATH_IMAGE155
表示转置，/>
Figure 64284DEST_PATH_IMAGE156
表示Kronecker积，/>
Figure 942110DEST_PATH_IMAGE157
为第/>
Figure 557899DEST_PATH_IMAGE158
个杂波块对应的杂波幅度，/>
Figure 680838DEST_PATH_IMAGE159
为热噪声，
Figure 331262DEST_PATH_IMAGE160
（8）
为网格信号矩阵，
Figure 379990DEST_PATH_IMAGE161
为信号幅度向量。
式（1）中的杂波加噪声协方差矩阵可以表示为
Figure 14233DEST_PATH_IMAGE162
（9）
其中，
Figure 173819DEST_PATH_IMAGE163
为杂波协方差矩阵，/>
Figure 6646DEST_PATH_IMAGE164
为噪声协方差矩阵，/>
Figure 101641DEST_PATH_IMAGE165
为噪声功率，/>
Figure 580770DEST_PATH_IMAGE166
表示/>
Figure 419413DEST_PATH_IMAGE167
的统计期望，上标/>
Figure 169064DEST_PATH_IMAGE168
表示共轭。杂波功率很强，往往高于信号功率及噪声功率几个数量级。
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
Figure 434960DEST_PATH_IMAGE169
（10）
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
Figure 840533DEST_PATH_IMAGE170
（11）
其中，
Figure 341922DEST_PATH_IMAGE171
表示绝对值，/>
Figure 821445DEST_PATH_IMAGE172
为杂波加噪声的协方差矩阵，即：
Figure 149920DEST_PATH_IMAGE173
（12）
Figure 714894DEST_PATH_IMAGE174
表示统计期望，/>
Figure 19973DEST_PATH_IMAGE175
。
需要指出的是，在实际环境中
Figure 619582DEST_PATH_IMAGE176
是未知的，需要大量的独立同分布训练样本估计。然而，机载雷达面临的环境复杂多变，往往难以获得足够多的训练样本。
值得指出的是，式（12）可进一步表示为
Figure 351914DEST_PATH_IMAGE177
（13）
其中，
Figure 466501DEST_PATH_IMAGE178
表示杂波块的相关矩阵，/>
Figure 450637DEST_PATH_IMAGE179
为噪声功率，/>
Figure 793501DEST_PATH_IMAGE180
为/>
Figure 572101DEST_PATH_IMAGE181
维单位矩阵。
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2：利用雷达接收到的
Figure 970721DEST_PATH_IMAGE001
个样本构造采样协方差矩阵/>
Figure 492969DEST_PATH_IMAGE002
；
步骤3：利用所述数据模型及所述采样协方差矩阵
Figure 926225DEST_PATH_IMAGE002
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
Figure 875726DEST_PATH_IMAGE003
的表达式为：
Figure 27222DEST_PATH_IMAGE004
其中，
Figure 87582DEST_PATH_IMAGE005
为雷达接收到的第/>
Figure 142388DEST_PATH_IMAGE006
个真实样本，维数为/>
Figure 262790DEST_PATH_IMAGE007
，/>
Figure 636003DEST_PATH_IMAGE008
，/>
Figure 500054DEST_PATH_IMAGE009
为阵元数，/>
Figure 907901DEST_PATH_IMAGE010
为脉冲数，/>
Figure 199205DEST_PATH_IMAGE011
为阵列接收到快拍数，上标/>
Figure 59714DEST_PATH_IMAGE012
表示共轭转置。/>
所述步骤1中，确定的空域网格数
Figure 727456DEST_PATH_IMAGE013
和时域网格数/>
Figure 488345DEST_PATH_IMAGE014
的范围分别为阵元数/>
Figure 950550DEST_PATH_IMAGE015
的10~20倍和脉冲数/>
Figure 298355DEST_PATH_IMAGE016
的10~20倍，相应地，网格信号矩阵为：
Figure 769788DEST_PATH_IMAGE182
其中，
Figure 886648DEST_PATH_IMAGE018
为/>
Figure 519755DEST_PATH_IMAGE019
维单位矩阵，/>
Figure 354856DEST_PATH_IMAGE020
和/>
Figure 193761DEST_PATH_IMAGE021
分别表示第/>
Figure 40494DEST_PATH_IMAGE022
个空域网格对应的归一化空域频率和第/>
Figure 234715DEST_PATH_IMAGE023
个时域网格对应的归一化多普勒频率，即/>
Figure 166899DEST_PATH_IMAGE024
，
Figure 104768DEST_PATH_IMAGE025
，
Figure 806008DEST_PATH_IMAGE026
，
Figure 436709DEST_PATH_IMAGE027
，
Figure 856189DEST_PATH_IMAGE028
Figure 33967DEST_PATH_IMAGE029
Figure 979927DEST_PATH_IMAGE030
为虚数单位，上标/>
Figure 391317DEST_PATH_IMAGE031
表示转置，/>
Figure 422726DEST_PATH_IMAGE032
表示Kronecker积。
所述步骤3中，协方差矩阵的初始估计值为：
Figure 843343DEST_PATH_IMAGE033
其中，
Figure 643809DEST_PATH_IMAGE034
Figure 55461DEST_PATH_IMAGE035
表示对角矩阵，/>
Figure 449534DEST_PATH_IMAGE036
，且对角元素分别为
Figure 267317DEST_PATH_IMAGE037
, />
Figure 63235DEST_PATH_IMAGE038
的表达式为：
Figure 941061DEST_PATH_IMAGE039
, />
Figure 822429DEST_PATH_IMAGE040
Figure 443903DEST_PATH_IMAGE041
为矩阵/>
Figure 94327DEST_PATH_IMAGE042
的第/>
Figure 844852DEST_PATH_IMAGE043
列，/>
Figure 72571DEST_PATH_IMAGE044
，在/>
Figure 107523DEST_PATH_IMAGE045
、/>
Figure 2667DEST_PATH_IMAGE046
和/>
Figure 97662DEST_PATH_IMAGE047
的表达式中，上标/>
Figure 78256DEST_PATH_IMAGE048
表示初始值。
所述步骤4中，迭代估计协方差矩阵的具体为：
Figure 916899DEST_PATH_IMAGE049
Figure 168014DEST_PATH_IMAGE050
Figure 433911DEST_PATH_IMAGE051
/>
Figure 839484DEST_PATH_IMAGE052
Figure 340873DEST_PATH_IMAGE053
其中，上标
Figure 820396DEST_PATH_IMAGE054
表示矩阵的逆；/>
Figure 381827DEST_PATH_IMAGE055
，/>
Figure 946801DEST_PATH_IMAGE056
为最大迭代次数；
Figure 750415DEST_PATH_IMAGE057
，/>
Figure 84444DEST_PATH_IMAGE058
为向量欧拉范数；上标/>
Figure 816777DEST_PATH_IMAGE059
表示第/>
Figure 869047DEST_PATH_IMAGE060
次迭代的值；迭代/>
Figure 977817DEST_PATH_IMAGE061
次后，最终的协方差矩阵估计值为：
Figure 166353DEST_PATH_IMAGE062
其中，
Figure 69587DEST_PATH_IMAGE063
为/>
Figure 609153DEST_PATH_IMAGE064
是前/>
Figure 757499DEST_PATH_IMAGE065
列，/>
Figure 66121DEST_PATH_IMAGE066
为迭代/>
Figure 140256DEST_PATH_IMAGE067
次后/>
Figure 167118DEST_PATH_IMAGE068
的前/>
Figure 617691DEST_PATH_IMAGE069
列和前/>
Figure 515240DEST_PATH_IMAGE069
行，
Figure 25856DEST_PATH_IMAGE070
，/>
Figure 274434DEST_PATH_IMAGE071
为迭代/>
Figure 50671DEST_PATH_IMAGE072
次后对角矩阵/>
Figure 333885DEST_PATH_IMAGE073
的第/>
Figure 484243DEST_PATH_IMAGE074
个对角元素；迭代次数设置为/>
Figure 344752DEST_PATH_IMAGE075
。
所述步骤5中，空时自适应检测器为：
Figure 638592DEST_PATH_IMAGE076
其中，
Figure 776313DEST_PATH_IMAGE077
为目标的空时导向矢量，/>
Figure 363152DEST_PATH_IMAGE078
和/>
Figure 586323DEST_PATH_IMAGE079
分别为目标的归一化空域频率和归一化多普勒频率，/>
Figure 916810DEST_PATH_IMAGE080
为待检测距离单元回波接收数据，/>
Figure 909037DEST_PATH_IMAGE183
表示绝对值。
所述步骤6中，根据虚警概率确定的检测门限为：
Figure 932356DEST_PATH_IMAGE082
式中，
Figure 908403DEST_PATH_IMAGE083
，/>
Figure 478799DEST_PATH_IMAGE084
为蒙特卡洛仿真次数，/>
Figure 715745DEST_PATH_IMAGE085
为系统设定的虚警概率值，/>
Figure 519753DEST_PATH_IMAGE086
为取整操作，/>
Figure 842150DEST_PATH_IMAGE087
为序列/>
Figure 655385DEST_PATH_IMAGE088
由大到小排列第/>
Figure 746838DEST_PATH_IMAGE089
个最大值，/>
Figure 987327DEST_PATH_IMAGE090
为第/>
Figure 32905DEST_PATH_IMAGE091
次蒙特卡洛仿真时的协方差矩阵估计值，表达式为：
Figure 712148DEST_PATH_IMAGE092
其中，
Figure 533474DEST_PATH_IMAGE093
为迭代/>
Figure 69497DEST_PATH_IMAGE094
次后/>
Figure 976273DEST_PATH_IMAGE095
的前/>
Figure 990366DEST_PATH_IMAGE096
列和前/>
Figure 197356DEST_PATH_IMAGE096
行，/>
Figure 402816DEST_PATH_IMAGE097
，/>
Figure 796888DEST_PATH_IMAGE098
为迭代/>
Figure 817934DEST_PATH_IMAGE099
次后对角矩阵/>
Figure 472906DEST_PATH_IMAGE100
的第/>
Figure 226099DEST_PATH_IMAGE101
个对角元素；
则第
Figure 497680DEST_PATH_IMAGE102
次蒙特卡洛仿真迭代过程为：
Figure 994520DEST_PATH_IMAGE103
Figure 271043DEST_PATH_IMAGE104
/>
Figure 257454DEST_PATH_IMAGE105
Figure 626118DEST_PATH_IMAGE106
Figure 785704DEST_PATH_IMAGE107
Figure 821793DEST_PATH_IMAGE108
，/>
Figure 775843DEST_PATH_IMAGE109
为训练样本矩阵的第/>
Figure 631803DEST_PATH_IMAGE110
次实现；
在第
Figure 93615DEST_PATH_IMAGE110
次蒙特卡洛仿真迭代过程，初始值设置为：
Figure 780949DEST_PATH_IMAGE111
其中，
Figure 46845DEST_PATH_IMAGE112
Figure 249156DEST_PATH_IMAGE113
表示对角矩阵，/>
Figure 891490DEST_PATH_IMAGE114
，且对角元素分别为/>
Figure 495647DEST_PATH_IMAGE115
、
Figure 932444DEST_PATH_IMAGE116
、…、/>
Figure 123516DEST_PATH_IMAGE117
，/>
Figure 303962DEST_PATH_IMAGE118
的表达式为：
Figure 762625DEST_PATH_IMAGE119
,/>
Figure 370324DEST_PATH_IMAGE120
Figure 547227DEST_PATH_IMAGE121
为矩阵/>
Figure 265785DEST_PATH_IMAGE122
的第/>
Figure 844534DEST_PATH_IMAGE123
列，/>
Figure 623134DEST_PATH_IMAGE124
，
Figure 785868DEST_PATH_IMAGE125
的表达式为：
Figure 308117DEST_PATH_IMAGE126
其中，
Figure 741372DEST_PATH_IMAGE127
为第/>
Figure 690874DEST_PATH_IMAGE128
次蒙特卡洛仿真迭代过程中雷达接收到的第/>
Figure 576790DEST_PATH_IMAGE129
个真实样本，/>
Figure 902729DEST_PATH_IMAGE130
为仅含干扰和噪声分量的待检测数据的第/>
Figure 456070DEST_PATH_IMAGE131
次实现，/>
Figure 576473DEST_PATH_IMAGE132
。
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
Figure 716729DEST_PATH_IMAGE133
，则判决目标存在；
若
Figure 580780DEST_PATH_IMAGE134
，则判决目标不存在。
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
Figure 191890DEST_PATH_IMAGE184
个阵元，每个阵元发射/>
Figure 873407DEST_PATH_IMAGE185
个脉冲，则系统总自由度为
Figure 609282DEST_PATH_IMAGE186
，空域网格数为/>
Figure 604920DEST_PATH_IMAGE187
，时域网格数为/>
Figure 100230DEST_PATH_IMAGE188
，训练样本数为/>
Figure 828014DEST_PATH_IMAGE189
，归一化空域频率为/>
Figure 441398DEST_PATH_IMAGE190
，目标的归一化多普勒频率为/>
Figure 647252DEST_PATH_IMAGE191
，虚警概率设置为/>
Figure 967375DEST_PATH_IMAGE192
，信杂噪比（Signal-to-Clutter-plus-Noise Ratio，SCNR）定义为/>
Figure 990694DEST_PATH_IMAGE193
。
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：
Figure FDA0004121845810000011
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。
2.根据权利要求1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1中，确定的空域网格数Ka和时域网格数Kp的范围分别为阵元数Na的10～20倍和脉冲数Np的10～20倍，相应地，网格信号矩阵为：
Figure FDA0004121845810000012
…
Figure FDA0004121845810000013
其中，IN为N×N维单位矩阵，
Figure FDA0004121845810000014
和/>
Figure FDA0004121845810000015
分别表示第k1个空域网格对应的归一化空域频率和第k2个时域网格对应的归一化多普勒频率，即
Figure FDA0004121845810000016
k1＝1，2，…，Ka，
k2＝1，2，…，Kp，
Figure FDA0004121845810000021
Figure FDA0004121845810000022
j为虚数单位，上标(·)T表示转置，
Figure FDA0004121845810000023
表示Kronecker积。
3.根据权利要求2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3中，协方差矩阵的初始估计值为：
Figure FDA0004121845810000024
其中，
Figure FDA0004121845810000025
Figure FDA0004121845810000026
表示对角矩阵，K＝KaKp，且对角元素分别为/>
Figure FDA0004121845810000027
的表达式为：
Figure FDA0004121845810000028
ak为矩阵A的第k列，k＝1，2，…，K+N，在
Figure FDA0004121845810000029
和/>
Figure FDA00041218458100000210
的表达式中，上标(·)(0)表示初始值。
4.根据权利要求3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4中，迭代估计协方差矩阵的具体为：
Figure FDA00041218458100000211
Figure FDA00041218458100000212
Figure FDA0004121845810000031
Figure FDA0004121845810000032
Figure FDA0004121845810000033
其中，上标(·)-1表示矩阵的逆；q＝1，2，…，Q，Q为最大迭代次数；Y＝[y1，y2，…，yL]，||·||为向量欧拉范数；上标(·)(q)表示第q次迭代的值；迭代Q次后，最终的协方差矩阵估计值为：
Figure FDA0004121845810000034
其中，AK为A的前K列，
Figure FDA0004121845810000035
为迭代Q次后/>
Figure FDA0004121845810000036
的前K列和前K行，/>
Figure FDA0004121845810000037
Figure FDA0004121845810000038
为迭代Q次后对角矩阵/>
Figure FDA0004121845810000039
的第k个对角元素；迭代次数设置为Q＝10～20。
5.根据权利要求4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5中，空时自适应检测器为：
Figure FDA00041218458100000310
其中，
Figure FDA00041218458100000311
为目标的空时导向矢量，θt和ft分别为目标的归一化空域频率和归一化多普勒频率，y为待检测距离单元回波接收数据，|·|表示绝对值。
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*)
式中，
Figure FDA0004121845810000041
V为蒙特卡洛仿真次数，μ为系统设定的虚警概率值，/>
Figure FDA0004121845810000042
为取整操作，t(i)为序列/>
Figure FDA0004121845810000043
自大到小排列第i个最大值，/>
Figure FDA0004121845810000044
为第v次蒙特卡洛仿真时的协方差矩阵估计值，表达式为：
Figure FDA0004121845810000045
其中，
Figure FDA0004121845810000046
为迭代Q次后/>
Figure FDA0004121845810000047
的前K列和前K行，/>
Figure FDA0004121845810000048
Figure FDA0004121845810000049
为迭代Q次后对角矩阵/>
Figure FDA00041218458100000410
的第k个对角元素；
则第v次蒙特卡洛仿真迭代过程为：
Figure FDA00041218458100000411
Figure FDA00041218458100000412
Figure FDA00041218458100000413
Figure FDA00041218458100000414
Figure FDA00041218458100000415
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：
Figure FDA00041218458100000416
其中，
Figure FDA0004121845810000051
Figure FDA0004121845810000052
表示对角矩阵，K＝KaKp，且对角元素分别为
Figure FDA0004121845810000053
的表达式为：
Figure FDA0004121845810000054
ak为矩阵A的第k列，k＝1，2，…，K+N，
Tv的表达式为：
Figure FDA0004121845810000055
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。
CN202211467458.9A 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 Active CN115575919B (zh)

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)

* Cited by examiner, † Cited by third party
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

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