CN115687931A - 一种极低训练样本数时的空时自适应处理方法与系统 - Google Patents

一种极低训练样本数时的空时自适应处理方法与系统 Download PDF

Info

Publication number
CN115687931A
CN115687931A CN202211463307.6A CN202211463307A CN115687931A CN 115687931 A CN115687931 A CN 115687931A CN 202211463307 A CN202211463307 A CN 202211463307A CN 115687931 A CN115687931 A CN 115687931A
Authority
CN
China
Prior art keywords
covariance matrix
space
adaptive processing
processing method
matrix
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
Application number
CN202211463307.6A
Other languages
English (en)
Other versions
CN115687931B (zh
Inventor
刘维建
吴晓峰
杜庆磊
李槟槟
周必雷
张昭建
陈浩
陈辉
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 CN202211463307.6A priority Critical patent/CN115687931B/zh
Publication of CN115687931A publication Critical patent/CN115687931A/zh
Application granted granted Critical
Publication of CN115687931B publication Critical patent/CN115687931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种极低训练样本数时的空时自适应处理方法与系统，首先确定空域和时域网格数，构建数据模型；然后利用阵列接收到训练样本构造采样协方差矩阵；接着利用阵列信号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，直至达到最大迭代次数或满足协方差矩阵收敛条件；最后利用迭代估计得到的协方差矩阵构造STAP权值，并输出STAP滤波结果。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滤波性能大为提升。

Description

一种极低训练样本数时的空时自适应处理方法与系统
技术领域
本发明属于机载雷达信号处理领域，更具体地，涉及一种极低训练样本数时的空时自适应处理方法与系统。
背景技术
空时自适应处理（Space-Time Adaptive Processing，STAP）被公认为机载雷达强杂波背景下最有效的技术手段之一。最优STAP技术需要事先获得杂波加噪声协方差矩阵，然而实际环境中杂波加噪声协方差矩阵未知，需要用一定训练样本数进行估计。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。然而，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STAP技术的机载雷达，这是由于STAP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STAP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训练样本数时的空时自适应处理方法与系统，其目的在于解决极低训练样本下的机载雷达杂波抑制问题。
为实现上述目的，按照本发明的一个方面，提供了一种极低训练样本数时的空时自适应处理方法，包括：
步骤1：确定阵列信号数据模型对应的空域网格数和时域网格数，构建数据模型；
步骤2：利用阵列接收到的
Figure 980776DEST_PATH_IMAGE001
个样本构造采样协方差矩阵
Figure 507573DEST_PATH_IMAGE002
；
步骤3：利用所述阵列信号数据模型及所述采样协方差矩阵
Figure 645293DEST_PATH_IMAGE003
构造协方差矩阵的初始估计值；
步骤4：迭代估计所述协方差矩阵，直至达到最大迭代次数或满足所述协方差矩阵的收敛条件；
步骤5：利用迭代估计得到的所述协方差矩阵构造STAP权值，并输出STAP滤波结果。
进一步，所述步骤1中，所述空域网格数
Figure 763291DEST_PATH_IMAGE004
和时域网格数
Figure 720882DEST_PATH_IMAGE005
的范围分别为阵元数
Figure 316949DEST_PATH_IMAGE006
的10~20倍和脉冲数
Figure 309175DEST_PATH_IMAGE005
的10~20倍，接收信号表示为：
Figure 565451DEST_PATH_IMAGE007
其中，
Figure 10339DEST_PATH_IMAGE008
和
Figure 144517DEST_PATH_IMAGE009
分别表示第
Figure 991250DEST_PATH_IMAGE010
个空域网格对应的归一化空域频率和第
Figure 185471DEST_PATH_IMAGE011
个时域网格对应的归一化多普勒频率，即
Figure 117655DEST_PATH_IMAGE012
，
Figure 55524DEST_PATH_IMAGE013
，
Figure 22343DEST_PATH_IMAGE014
，
Figure 623351DEST_PATH_IMAGE015
，
Figure 308410DEST_PATH_IMAGE016
Figure 784391DEST_PATH_IMAGE017
Figure 605716DEST_PATH_IMAGE018
Figure 876161DEST_PATH_IMAGE019
为虚数单位，上标
Figure 579675DEST_PATH_IMAGE020
表示转置，
Figure 734712DEST_PATH_IMAGE021
表示Kronecker积，
Figure 535178DEST_PATH_IMAGE022
为第
Figure 117469DEST_PATH_IMAGE023
个空域网格和第
Figure 134710DEST_PATH_IMAGE024
个时域网格对应信号的幅度，
Figure 827860DEST_PATH_IMAGE025
为热噪声，
Figure 482832DEST_PATH_IMAGE026
为网格信号矩阵，
Figure 236024DEST_PATH_IMAGE027
为信号幅度向量。
进一步，所述步骤2中，所述采样协方差矩阵
Figure 976447DEST_PATH_IMAGE028
的表达式为：
Figure 270025DEST_PATH_IMAGE029
其中，
Figure 920450DEST_PATH_IMAGE030
为雷达接收到的第
Figure 969177DEST_PATH_IMAGE031
个真实样本，
Figure 337842DEST_PATH_IMAGE032
的维数为
Figure 998892DEST_PATH_IMAGE033
，
Figure 503823DEST_PATH_IMAGE034
，
Figure 723452DEST_PATH_IMAGE035
为阵列接收到快拍数，上标
Figure 313833DEST_PATH_IMAGE036
表示共轭转置。
进一步，所述步骤3中，协方差矩阵的初始估计值为：
Figure 277110DEST_PATH_IMAGE037
其中，
Figure 902126DEST_PATH_IMAGE038
Figure 292656DEST_PATH_IMAGE039
表示对角矩阵，
Figure 370334DEST_PATH_IMAGE040
，且对角元素分别为
Figure 370257DEST_PATH_IMAGE041
的表达式为：
Figure 849780DEST_PATH_IMAGE042
Figure 411212DEST_PATH_IMAGE043
为矩阵
Figure 976185DEST_PATH_IMAGE044
的第
Figure 15685DEST_PATH_IMAGE045
列，
Figure 615294DEST_PATH_IMAGE046
，在
Figure 347627DEST_PATH_IMAGE047
、
Figure 134317DEST_PATH_IMAGE048
和
Figure 744552DEST_PATH_IMAGE049
的表达式中，上标
Figure 198667DEST_PATH_IMAGE050
表示初始值。
进一步，所述步骤4中，迭代估计协方差矩阵具体包括：
Figure 101901DEST_PATH_IMAGE051
Figure 375888DEST_PATH_IMAGE052
Figure 694874DEST_PATH_IMAGE053
Figure 128129DEST_PATH_IMAGE054
Figure 77630DEST_PATH_IMAGE055
其中，上标
Figure 229126DEST_PATH_IMAGE056
表示矩阵的逆，
Figure 289486DEST_PATH_IMAGE057
，
Figure 677300DEST_PATH_IMAGE058
为最大迭代次数，
Figure 797702DEST_PATH_IMAGE059
为向量欧拉范数，上标
Figure 905336DEST_PATH_IMAGE060
表示第
Figure 769387DEST_PATH_IMAGE061
次迭代的值。
进一步，所述步骤4中，通过迭代估计协方差矩阵，当下述条件满足其中一个时，迭代过程终止：
条件一：
Figure 177234DEST_PATH_IMAGE062
条件二：
Figure 468538DEST_PATH_IMAGE063
，其中，表示
Figure 329047DEST_PATH_IMAGE064
表示绝对值，
Figure 996789DEST_PATH_IMAGE065
。
进一步，所述步骤5中，STAP权值为：
Figure 760607DEST_PATH_IMAGE066
其中，
Figure 222813DEST_PATH_IMAGE067
为步骤4中最终的协方差矩阵估计输出结果，
Figure 242721DEST_PATH_IMAGE068
为目标的空时导向矢量，
Figure 838788DEST_PATH_IMAGE069
和
Figure 831015DEST_PATH_IMAGE070
分别为目标的归一化空域频率和归一化多普勒频率；
所述步骤5中输出STAP滤波结果为：
Figure 588755DEST_PATH_IMAGE071
其中，
Figure 299222DEST_PATH_IMAGE072
表示绝对值，
Figure 167821DEST_PATH_IMAGE073
为待检测距离单元回波接收数据。
另一方面，本发明提供了一种极低训练样本数时的空时自适应处理系统，所述系统实现极低训练样本数时的空时自适应处理方法，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；
协方差矩阵迭代终止模块，用于终止协方差矩阵迭代估计过程，当达到最大迭代次数或满足协方差矩阵收敛条件则迭代过程终止；
权值计算及滤波输出模块，用于利用所述协方差矩阵估计值计算权值，并输出滤波结果。
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及构建高效的数据模型，充分利用了数据的结构信息，使所提出的方法能用于极低训练样本的情形；
2)通过构造合理的协方差矩阵初始值，能够保证所提方法有效估计协方差矩阵；
3)通过协方差矩阵迭代估计，能够精确估计出杂波加噪声的协方差矩阵，为有效抑制杂波打下了良好基础；
4)通过设置协方差矩阵迭代终止方法，保证协方差矩阵的合理估计，避免迭代估计过程难以终止；
5)相比于杂波，噪声功率极低，通过忽略噪声的影响，降低了系统复杂度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明所述一种极低训练样本数时的空时自适应处理方法原理示意图；
图2为本发明所述一种极低训练样本数时的空时自适应处理系统结构框架图；
图3为本发明所提方法与常规方法在不同归一化多普勒频率下的改善因子效果比较示意图之一；
图4为本发明所提方法与常规方法在不同归一化多普勒频率下的改善因子效果比较示意图之二。
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 14554DEST_PATH_IMAGE074
个阵元，每个阵元发射
Figure 707310DEST_PATH_IMAGE075
个脉冲，则接收信号可用
Figure 905073DEST_PATH_IMAGE076
列向量
Figure 577363DEST_PATH_IMAGE077
进行表示，
Figure 278603DEST_PATH_IMAGE078
，接收信号
Figure 909304DEST_PATH_IMAGE077
可表示为：
Figure 63205DEST_PATH_IMAGE079
（1）
其中，
Figure 804765DEST_PATH_IMAGE080
为目标幅度，
Figure 360511DEST_PATH_IMAGE081
（2）
为目标空时二维导向矢量，
Figure 398000DEST_PATH_IMAGE082
（3）
和
Figure 304776DEST_PATH_IMAGE083
（4）
分别为目标时域导向矢量和空域导向矢量，
Figure 584448DEST_PATH_IMAGE084
，
Figure 260280DEST_PATH_IMAGE085
为杂波块的个数，
Figure 967204DEST_PATH_IMAGE086
（5）
Figure 361277DEST_PATH_IMAGE087
（6）
Figure 179060DEST_PATH_IMAGE088
（7）
Figure 974978DEST_PATH_IMAGE089
为虚数单位，上标
Figure 85760DEST_PATH_IMAGE090
表示转置，
Figure 967128DEST_PATH_IMAGE091
表示Kronecker积，
Figure 588602DEST_PATH_IMAGE092
为第
Figure 239026DEST_PATH_IMAGE093
个杂波块对应的杂波幅度，
Figure 287754DEST_PATH_IMAGE094
为热噪声，
Figure 390839DEST_PATH_IMAGE095
（8）为网格信号矩阵，
Figure 550425DEST_PATH_IMAGE096
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 320935DEST_PATH_IMAGE097
（9）
其中，
Figure 212668DEST_PATH_IMAGE098
为杂波协方差矩阵，
Figure 429148DEST_PATH_IMAGE099
为噪声协方差矩阵，
Figure 267791DEST_PATH_IMAGE100
为噪声功率，
Figure 17441DEST_PATH_IMAGE101
表示
Figure 283337DEST_PATH_IMAGE102
的统计期望，上标
Figure 485648DEST_PATH_IMAGE103
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。为了实现强杂波中的机载雷达目标检测，需要抑制掉强杂波信号。对式(1)进行滤波（去除杂波、保留信号），则可得到
Figure 862403DEST_PATH_IMAGE104
（10）
其中，
Figure 200980DEST_PATH_IMAGE105
表示绝对值，
Figure 637778DEST_PATH_IMAGE106
（11）
为最优权值。需要指出的是，在实际环境中
Figure 825920DEST_PATH_IMAGE107
是未知的，需要一定数量的独立同分布训练样本估计。
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
Figure 6366DEST_PATH_IMAGE108
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。然而，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STAP技术的机载雷达。
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训练样本数时的空时自适应处理方法，包括：
步骤1：确定阵列信号数据模型对应的空域网格数和时域网格数，构建数据模型；
步骤2：利用阵列接收到的
Figure 137133DEST_PATH_IMAGE109
个样本构造采样协方差矩阵
Figure 869466DEST_PATH_IMAGE002
；
步骤3：利用所述阵列信号数据模型及所述采样协方差矩阵
Figure 921735DEST_PATH_IMAGE003
构造协方差矩阵的初始估计值；
步骤4：迭代估计所述协方差矩阵，直至达到最大迭代次数或满足所述协方差矩阵的收敛条件；
步骤5：利用迭代估计得到的所述协方差矩阵构造STAP权值，并输出STAP滤波结果。
所述步骤1中，所述空域网格数
Figure 30506DEST_PATH_IMAGE004
和时域网格数
Figure 219042DEST_PATH_IMAGE005
的范围分别为阵元数
Figure 122275DEST_PATH_IMAGE006
的10~20倍和脉冲数
Figure 661841DEST_PATH_IMAGE005
的10~20倍，接收信号表示为：
Figure 810188DEST_PATH_IMAGE007
其中，
Figure 853230DEST_PATH_IMAGE008
和
Figure 927366DEST_PATH_IMAGE009
分别表示第
Figure 954228DEST_PATH_IMAGE010
个空域网格对应的归一化空域频率和第
Figure 139221DEST_PATH_IMAGE011
个时域网格对应的归一化多普勒频率，即
Figure 302349DEST_PATH_IMAGE012
，
Figure 812965DEST_PATH_IMAGE013
，
Figure 858281DEST_PATH_IMAGE014
，
Figure 722332DEST_PATH_IMAGE015
，
Figure 628715DEST_PATH_IMAGE016
Figure 638128DEST_PATH_IMAGE017
Figure 374003DEST_PATH_IMAGE018
Figure 402264DEST_PATH_IMAGE019
为虚数单位，上标
Figure 539984DEST_PATH_IMAGE020
表示转置，
Figure 126824DEST_PATH_IMAGE021
表示Kronecker积，
Figure 349994DEST_PATH_IMAGE022
为第
Figure 680482DEST_PATH_IMAGE023
个空域网格和第
Figure 672708DEST_PATH_IMAGE024
个时域网格对应信号的幅度，
Figure 696028DEST_PATH_IMAGE025
为热噪声，
Figure 406495DEST_PATH_IMAGE026
为网格信号矩阵，
Figure 947198DEST_PATH_IMAGE027
为信号幅度向量。
所述步骤2中，所述采样协方差矩阵
Figure 885942DEST_PATH_IMAGE028
的表达式为：
Figure 486687DEST_PATH_IMAGE029
其中，
Figure 809084DEST_PATH_IMAGE030
为雷达接收到的第
Figure 356740DEST_PATH_IMAGE031
个真实样本，
Figure 448193DEST_PATH_IMAGE032
的维数为
Figure 688681DEST_PATH_IMAGE033
，
Figure 232795DEST_PATH_IMAGE034
，
Figure 584142DEST_PATH_IMAGE035
为阵列接收到快拍数，上标
Figure 31566DEST_PATH_IMAGE036
表示共轭转置。
所述步骤3中，协方差矩阵的初始估计值为：
Figure 442956DEST_PATH_IMAGE037
其中，
Figure 474366DEST_PATH_IMAGE038
Figure 363825DEST_PATH_IMAGE039
表示对角矩阵，
Figure 429870DEST_PATH_IMAGE040
，且对角元素分别为
Figure 12161DEST_PATH_IMAGE041
的表达式为：
Figure 530867DEST_PATH_IMAGE042
Figure 224016DEST_PATH_IMAGE043
为矩阵
Figure 377524DEST_PATH_IMAGE044
的第
Figure 865137DEST_PATH_IMAGE045
列，
Figure 871139DEST_PATH_IMAGE046
，在
Figure 367979DEST_PATH_IMAGE047
、
Figure 143037DEST_PATH_IMAGE048
和
Figure 801552DEST_PATH_IMAGE049
的表达式中，上标
Figure 294850DEST_PATH_IMAGE050
表示初始值。
所述步骤4中，迭代估计协方差矩阵具体包括：
Figure 329802DEST_PATH_IMAGE051
Figure 726411DEST_PATH_IMAGE052
Figure 352564DEST_PATH_IMAGE053
Figure 208525DEST_PATH_IMAGE054
Figure 171801DEST_PATH_IMAGE055
其中，上标
Figure 531238DEST_PATH_IMAGE056
表示矩阵的逆，
Figure 921769DEST_PATH_IMAGE057
，
Figure 999446DEST_PATH_IMAGE058
为最大迭代次数，
Figure 766414DEST_PATH_IMAGE059
为向量欧拉范数，上标
Figure 245937DEST_PATH_IMAGE060
表示第
Figure 305903DEST_PATH_IMAGE061
次迭代的值。
所述步骤4中，通过迭代估计协方差矩阵，当下述条件满足其中一个时，迭代过程终止：
条件一：
Figure 605297DEST_PATH_IMAGE062
条件二：
Figure 910377DEST_PATH_IMAGE063
，其中，表示
Figure 41144DEST_PATH_IMAGE064
表示绝对值，
Figure 648843DEST_PATH_IMAGE065
。
所述步骤5中，STAP权值为：
Figure 825746DEST_PATH_IMAGE066
其中，
Figure 544303DEST_PATH_IMAGE067
为步骤4中最终的协方差矩阵估计输出结果，
Figure 123052DEST_PATH_IMAGE068
为目标的空时导向矢量，
Figure 636073DEST_PATH_IMAGE069
和
Figure 801738DEST_PATH_IMAGE070
分别为目标的归一化空域频率和归一化多普勒频率；
所述步骤5中输出STAP滤波结果为：
Figure 323986DEST_PATH_IMAGE071
其中，
Figure 757241DEST_PATH_IMAGE072
表示绝对值，
Figure 706743DEST_PATH_IMAGE073
为待检测距离单元回波接收数据。
请参阅图2所示，本发明提供了一种极低训练样本数时的空时自适应处理系统，所述系统实现极低训练样本数时的空时自适应处理方法，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；
协方差矩阵迭代终止模块，用于终止协方差矩阵迭代估计过程，当达到最大迭代次数或满足协方差矩阵收敛条件则迭代过程终止；
权值计算及滤波输出模块，用于利用所述协方差矩阵估计值计算权值，并输出滤波结果。
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 858238DEST_PATH_IMAGE110
个阵元，每个阵元发射
Figure 184177DEST_PATH_IMAGE111
个脉冲，则系统总自由度为
Figure 471939DEST_PATH_IMAGE112
。杂噪比（Clutter-to-Noise Ration，CNR）为40 dB，CNR被定义为
Figure 592342DEST_PATH_IMAGE113
。雷达主波束指向对应的归一化空域频率为-0.3，目标的归一化多普勒频率为0.25，空域和时域网格数分别为
Figure 956369DEST_PATH_IMAGE114
和
Figure 945053DEST_PATH_IMAGE115
，最大迭代次数为20次。
图3给出了本发明所提方法与对角加载法的改善因子性能对比结果，其中，训练样本数为
Figure 962688DEST_PATH_IMAGE116
，改善因子（Improvement Factor，IF）定义为
Figure 316309DEST_PATH_IMAGE117
，其中，
Figure 176817DEST_PATH_IMAGE118
表示不同算法的输出信杂噪比（Signal-to-Clutter-plus-Noise Ratio，SCNR），
Figure 844559DEST_PATH_IMAGE119
表示输入SCNR（对应各方法，均相同），例如，对于本申请所提方法，
Figure 841334DEST_PATH_IMAGE120
为
Figure 569119DEST_PATH_IMAGE121
，
Figure 418388DEST_PATH_IMAGE122
为
Figure 624242DEST_PATH_IMAGE123
。从图中可以明显看出本发明所提方法要优于对角加载方法。图例中的“最优”指的是事先获得杂波加噪声协方差矩阵
Figure 741102DEST_PATH_IMAGE124
时最优权对应的改善因子，“性能上限”指的是最大可能的理论结果：
Figure 639788DEST_PATH_IMAGE125
。
图4给出了本发明所提方法与对角加载法的改善因子性能对比结果，其中，训练样本数为
Figure 943730DEST_PATH_IMAGE126
，改善因子（Improvement Factor，IF）定义为
Figure 953275DEST_PATH_IMAGE127
，其中，
Figure 190221DEST_PATH_IMAGE128
表示不同算法的输出信杂噪比（Signal-to-Clutter-plus-Noise Ratio，SCNR），
Figure 994229DEST_PATH_IMAGE129
表示输入SCNR（对应各方法，均相同），例如，对于本申请所提方法，
Figure 815161DEST_PATH_IMAGE130
为
Figure 362817DEST_PATH_IMAGE131
，
Figure 454270DEST_PATH_IMAGE132
为
Figure 429179DEST_PATH_IMAGE133
。从图中可以明显看出本发明所提方法优于对角加载方法。图例中的“最优”指的是事先获得杂波加噪声协方差矩阵
Figure 910976DEST_PATH_IMAGE134
时最优权对应的改善因子，“性能上限”指的是最大可能的理论结果：
Figure 386957DEST_PATH_IMAGE135
。
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)

1.一种极低训练样本数时的空时自适应处理方法，其特征在于，包括：
步骤1：确定阵列信号数据模型对应的空域网格数和时域网格数，构建数据模型；
步骤2：利用阵列接收到的
Figure 79376DEST_PATH_IMAGE001
个样本构造采样协方差矩阵
Figure 615399DEST_PATH_IMAGE002
；
步骤3：利用所述阵列信号数据模型及所述采样协方差矩阵
Figure 522176DEST_PATH_IMAGE003
构造协方差矩阵的初始估计值；
步骤4：迭代估计所述协方差矩阵，直至达到最大迭代次数或满足所述协方差矩阵的收敛条件；
步骤5：利用迭代估计得到的所述协方差矩阵构造STAP权值，并输出STAP滤波结果。
2.根据权利要求1所述的一种极低训练样本数时的空时自适应处理方法，其特征在于，所述步骤1中，所述空域网格数
Figure 772154DEST_PATH_IMAGE004
和时域网格数
Figure 713565DEST_PATH_IMAGE005
的范围分别为阵元数
Figure 154910DEST_PATH_IMAGE006
的10~20倍和脉冲数
Figure 548983DEST_PATH_IMAGE005
的10~20倍，接收信号表示为：
Figure 366766DEST_PATH_IMAGE007
其中，
Figure 959421DEST_PATH_IMAGE008
和
Figure 712614DEST_PATH_IMAGE009
分别表示第
Figure 718616DEST_PATH_IMAGE010
个空域网格对应的归一化空域频率和第
Figure 949877DEST_PATH_IMAGE011
个时域网格对应的归一化多普勒频率，即
Figure 426732DEST_PATH_IMAGE012
，
Figure 475460DEST_PATH_IMAGE013
，
Figure 844124DEST_PATH_IMAGE014
，
Figure 3710DEST_PATH_IMAGE015
，
Figure 508641DEST_PATH_IMAGE016
Figure 728270DEST_PATH_IMAGE017
Figure 584230DEST_PATH_IMAGE018
Figure 783393DEST_PATH_IMAGE019
为虚数单位，上标
Figure 408409DEST_PATH_IMAGE020
表示转置，
Figure 330098DEST_PATH_IMAGE021
表示Kronecker积，
Figure 204513DEST_PATH_IMAGE022
为第
Figure 971480DEST_PATH_IMAGE023
个空域网格和第
Figure 451003DEST_PATH_IMAGE024
个时域网格对应信号的幅度，
Figure 714232DEST_PATH_IMAGE025
为热噪声，
Figure 403839DEST_PATH_IMAGE026
为网格信号矩阵，
Figure 318706DEST_PATH_IMAGE027
为信号幅度向量。
3.根据权利要求2所述的一种极低训练样本数时的空时自适应处理方法，其特征在于，所述步骤2中，所述采样协方差矩阵
Figure 715052DEST_PATH_IMAGE028
的表达式为：
Figure 447385DEST_PATH_IMAGE029
其中，
Figure 499654DEST_PATH_IMAGE030
为雷达接收到的第
Figure 342845DEST_PATH_IMAGE031
个真实样本，
Figure 796961DEST_PATH_IMAGE032
的维数为
Figure 201659DEST_PATH_IMAGE033
，
Figure 741225DEST_PATH_IMAGE034
，
Figure 388107DEST_PATH_IMAGE035
为阵列接收到快拍数，上标
Figure 696729DEST_PATH_IMAGE036
表示共轭转置。
4.根据权利要求3所述的一种极低训练样本数时的空时自适应处理方法，其特征在于，所述步骤3中，协方差矩阵的初始估计值为：
Figure 770864DEST_PATH_IMAGE037
其中，
Figure 266567DEST_PATH_IMAGE038
Figure 717140DEST_PATH_IMAGE039
表示对角矩阵，
Figure 145847DEST_PATH_IMAGE040
，且对角元素分别为
Figure 889419DEST_PATH_IMAGE041
的表达式为：
Figure 403577DEST_PATH_IMAGE042
Figure 392262DEST_PATH_IMAGE043
为矩阵
Figure 409896DEST_PATH_IMAGE044
的第
Figure 91413DEST_PATH_IMAGE045
列，
Figure 827288DEST_PATH_IMAGE046
，在
Figure 354084DEST_PATH_IMAGE047
、
Figure 491805DEST_PATH_IMAGE048
和
Figure 845688DEST_PATH_IMAGE049
的表达式中，上标
Figure 803280DEST_PATH_IMAGE050
表示初始值。
5.根据权利要求4所述的一种极低训练样本数时的空时自适应处理方法，其特征在于，所述步骤4中，迭代估计协方差矩阵具体包括：
Figure 399346DEST_PATH_IMAGE051
Figure 391573DEST_PATH_IMAGE052
Figure 149313DEST_PATH_IMAGE053
Figure 859780DEST_PATH_IMAGE054
Figure 993958DEST_PATH_IMAGE055
其中，上标
Figure 840692DEST_PATH_IMAGE056
表示矩阵的逆，
Figure 533448DEST_PATH_IMAGE057
，
Figure 200053DEST_PATH_IMAGE058
为最大迭代次数，
Figure 137922DEST_PATH_IMAGE059
为向量欧拉范数，上标
Figure 104741DEST_PATH_IMAGE060
表示第
Figure 876387DEST_PATH_IMAGE061
次迭代的值。
6.根据权利要求5所述的一种极低训练样本数时的空时自适应处理方法，其特征在于，所述步骤4中，通过迭代估计协方差矩阵，当下述条件满足其中一个时，迭代过程终止：
条件一：
Figure 686081DEST_PATH_IMAGE062
条件二：
Figure 365324DEST_PATH_IMAGE063
，其中，表示
Figure 186649DEST_PATH_IMAGE064
表示绝对值，
Figure 958558DEST_PATH_IMAGE065
。
7.根据权利要求6所述的一种极低训练样本数时的空时自适应处理方法，其特征在于，所述步骤5中，STAP权值为：
Figure 662072DEST_PATH_IMAGE066
其中，
Figure 817110DEST_PATH_IMAGE067
为步骤4中最终的协方差矩阵估计输出结果，
Figure 820838DEST_PATH_IMAGE068
为目标的空时导向矢量，
Figure 527763DEST_PATH_IMAGE069
和
Figure 921835DEST_PATH_IMAGE070
分别为目标的归一化空域频率和归一化多普勒频率；
所述步骤5中输出STAP滤波结果为：
Figure 411722DEST_PATH_IMAGE071
其中，
Figure 332274DEST_PATH_IMAGE072
表示绝对值，
Figure 85466DEST_PATH_IMAGE073
为待检测距离单元回波接收数据。
8.一种极低训练样本数时的空时自适应处理系统，其特征在于，所述系统实现如权利要求1至7任一项所述的极低训练样本数时的空时自适应处理方法，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；
协方差矩阵迭代终止模块，用于终止协方差矩阵迭代估计过程，当达到最大迭代次数或满足协方差矩阵收敛条件则迭代过程终止；
权值计算及滤波输出模块，用于利用所述协方差矩阵估计值计算权值，并输出滤波结果。
CN202211463307.6A 2022-11-22 2022-11-22 一种极低训练样本数时的空时自适应处理方法与系统 Active CN115687931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211463307.6A CN115687931B (zh) 2022-11-22 2022-11-22 一种极低训练样本数时的空时自适应处理方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211463307.6A CN115687931B (zh) 2022-11-22 2022-11-22 一种极低训练样本数时的空时自适应处理方法与系统

Publications (2)

Publication Number Publication Date
CN115687931A true CN115687931A (zh) 2023-02-03
CN115687931B CN115687931B (zh) 2023-06-27

Family

ID=85053733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211463307.6A Active CN115687931B (zh) 2022-11-22 2022-11-22 一种极低训练样本数时的空时自适应处理方法与系统

Country Status (1)

Country Link
CN (1) CN115687931B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110187584A1 (en) * 2010-01-29 2011-08-04 Man-On Pun Method for Suppressing Clutter in Space-Time Adaptive Processing Systems
US20120249361A1 (en) * 2011-04-04 2012-10-04 Zafer Sahinoglu Method for Detecting Targets Using Space-Time Adaptive Processing
CN109116311A (zh) * 2018-09-19 2019-01-01 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
CN110632571A (zh) * 2019-09-20 2019-12-31 中国人民解放军国防科技大学 一种基于矩阵流形的稳健stap协方差矩阵估计方法
CN113376607A (zh) * 2021-05-27 2021-09-10 西安理工大学 机载分布式雷达小样本空时自适应处理方法
CN114660567A (zh) * 2022-05-25 2022-06-24 中国人民解放军空军预警学院 部分均匀环境中存在野值时的雷达目标检测方法与系统
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110187584A1 (en) * 2010-01-29 2011-08-04 Man-On Pun Method for Suppressing Clutter in Space-Time Adaptive Processing Systems
US20120249361A1 (en) * 2011-04-04 2012-10-04 Zafer Sahinoglu Method for Detecting Targets Using Space-Time Adaptive Processing
CN109116311A (zh) * 2018-09-19 2019-01-01 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
CN110632571A (zh) * 2019-09-20 2019-12-31 中国人民解放军国防科技大学 一种基于矩阵流形的稳健stap协方差矩阵估计方法
CN113376607A (zh) * 2021-05-27 2021-09-10 西安理工大学 机载分布式雷达小样本空时自适应处理方法
CN114660567A (zh) * 2022-05-25 2022-06-24 中国人民解放军空军预警学院 部分均匀环境中存在野值时的雷达目标检测方法与系统
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
段克清等: "稀疏恢复空时自适应处理技术研究综述", 《电子学报》, vol. 47, no. 3, pages 748 - 756 *
邓晶等: "一种基于知识辅助的空时自适应处理新算法", 《电脑知识与技术》, vol. 14, no. 27, pages 253 - 254 *

Also Published As

Publication number Publication date
CN115687931B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN109814073B (zh) 一种mtd雷达解模糊测速方法
CN105652273B (zh) 一种基于混合匹配追踪算法的mimo雷达稀疏成像算法
CN110109051B (zh) 基于频控阵的互耦阵列doa估计方法
CN103245956B (zh) 一种基于稳健波束形成算法的gps抗多径方法
CN106680815B (zh) 基于张量稀疏表示的mimo雷达成像方法
CN111736131A (zh) 一种剔除一比特信号谐波虚假目标的方法及相关组件
CN109669182B (zh) 无源双基地sar动/静目标联合稀疏成像方法
CN104698431B (zh) 基于模糊分量doa估计的多通道sar方位解模糊方法
CN105929397B (zh) 基于正则化的偏置相位中心天线成像方法
CN107064896B (zh) 基于截断修正sl0算法的mimo雷达参数估计方法
CN109932679B (zh) 一种传感器列系统最大似然角度分辨率估计方法
CN109471087B (zh) 基于互质mimo雷达差集和集信号快速傅里叶变换的波达方向估计方法
CN111650574A (zh) 基于稀疏恢复的水下空时自适应处理方法及系统
CN115687931A (zh) 一种极低训练样本数时的空时自适应处理方法与系统
CN114563777B (zh) 基于二维离网稀疏学习的时延多普勒频率联合估计方法
CN111044996A (zh) 一种基于降维近似消息传递的lfmcw雷达目标检测方法
CN110850421A (zh) 基于混响对称谱的空时自适应处理的水下目标检测方法
CN102353960B (zh) 前视避碰声纳浅海稳健高分辨方位估计方法
CN114428244A (zh) 一种基于稀疏学习的超分辨时延估计方法及估计装置
CN114371441A (zh) 虚拟阵列波达方向估计方法、装置、产品及存储介质
CN113325407A (zh) 一种基于自适应脉冲压缩的雷达目标距离超分辨方法
CN112444790A (zh) 一种在强干扰情况下目标检测的方法
CN115575919A (zh) 一种极低样本数时的空时自适应检测方法与系统
CN115792792B (zh) 极低样本下基于协方差矩阵迭代估计的测向方法与系统
CN112068112B (zh) 一种宽窄脉冲测角方法

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