WO2018045601A1 - 一种阵列误差下的稀疏恢复stap方法及其系统 - Google Patents

一种阵列误差下的稀疏恢复stap方法及其系统 Download PDF

Info

Publication number
WO2018045601A1
WO2018045601A1 PCT/CN2016/099302 CN2016099302W WO2018045601A1 WO 2018045601 A1 WO2018045601 A1 WO 2018045601A1 CN 2016099302 W CN2016099302 W CN 2016099302W WO 2018045601 A1 WO2018045601 A1 WO 2018045601A1
Authority
WO
WIPO (PCT)
Prior art keywords
clutter
array
phase error
error
doppler image
Prior art date
Application number
PCT/CN2016/099302
Other languages
English (en)
French (fr)
Inventor
阳召成
朱轶昂
黄建军
Original Assignee
深圳大学
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 深圳大学 filed Critical 深圳大学
Publication of WO2018045601A1 publication Critical patent/WO2018045601A1/zh

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
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures

Definitions

  • the invention relates to the field of radar signal processing, and in particular to a sparse recovery STAP method and system thereof under array error.
  • STAP Space-time adaptive processing
  • the sparse recovery STAP method based on the assumption that the spurious space-time power spectrum satisfies the sparsity is developed. This method is capable of exhibiting efficient performance with a small number of samples.
  • the methods include: sparse recovery STAP method based on multiple training samples, direct data domain sparse recovery STAP method, Bayesian compressed sensing (BCS) STAP method, knowledge-based sparse recovery STAP method and so on. All of the methods mentioned above rely on the ideal signal model, and their clutter suppression and target detection capabilities are severely affected by array error conditions.
  • an object of the present invention is to provide a sparse recovery STAP method and system thereof under array error, which aims to solve the problem of performance degradation caused by the existence of array errors in the prior art.
  • the invention provides a sparse recovery STAP method under array error, which mainly comprises:
  • Joint estimation step joint estimation of clutter angle-Doppler image and array amplitude and phase error based on OMP and least squares iterative algorithm
  • Filter design step According to the estimated clutter angle-Doppler image and array amplitude and phase error, an adaptive space-time filter is designed to perform clutter suppression.
  • the joint estimating step specifically includes:
  • the clutter angle-Doppler image is obtained by solving the following problem: among them ⁇ is the allowable noise error associated with the regularization parameter ⁇ ; for the amplitude and phase error estimation of the array in the p-th iteration, the array amplitude and phase error is obtained by solving the following optimization problem: among them And ⁇ l,p are estimated from the sparse recovery in the p-th iteration, respectively.
  • the filter design step specifically includes:
  • An adaptive space-time filter is designed by using the clutter plus noise covariance matrix.
  • the present invention also provides a sparse recovery STAP system under array error, the system comprising:
  • Joint estimation module for joint estimation of clutter angle-Doppler image and array amplitude and phase error based on OMP and least squares iterative algorithm
  • the filter design module is configured to design an adaptive space-time filter according to the estimated clutter angle-Doppler image and array amplitude phase error, thereby performing clutter suppression.
  • the joint estimation module specifically includes:
  • An iterative sub-module for obtaining a clutter angle-Doppler image by solving the following problem for sparse recovery in the p-th iteration: among them ⁇ is the allowable noise error associated with the regularization parameter ⁇ ; for the amplitude and phase error estimation of the array in the p-th iteration, the array amplitude and phase error is obtained by solving the following optimization problem: among them And ⁇ l,p are estimated from the sparse recovery in the p-th iteration, respectively.
  • the filter design module is specifically configured to:
  • An adaptive space-time filter is designed by using the clutter plus noise covariance matrix.
  • the technical solution provided by the invention adopts an alternating iterative algorithm based on OMP and least squares method to realize joint estimation of clutter angle-Doppler image and array amplitude and phase error, and then design adaptive space-time filter to perform miscellaneous Wave suppression.
  • the technical solution provided by the invention can greatly improve the influence of the performance degradation caused by the amplitude and phase errors of the array, thereby further improving the clutter suppression and target detection capability of the radar system.
  • FIG. 1 is a flowchart of a sparse recovery space-time adaptive processing method according to an embodiment of the present invention
  • FIG. 2 is a schematic diagram showing the internal structure of a sparse recovery space-time adaptive processing system 10 according to an embodiment of the present invention
  • Fig. 3 is a view showing the advantageous effects of an embodiment of the present invention.
  • the technical solution provided by the invention adopts an OMP and least squares alternating iterative algorithm to realize joint estimation of the clutter angle-Doppler image and the array amplitude and phase error, and then design an adaptive space-time filter to perform the hybrid. Wave suppression.
  • the technical solution provided by the invention can greatly improve the influence of the performance degradation caused by the amplitude and phase errors of the array, thereby further improving the clutter suppression and target detection capability of the radar system.
  • NM ⁇ 1 dimension space-free snapshot without target can be expressed as:
  • x c is the space-time snapshot corresponding to the clutter
  • n is the NM ⁇ 1 dimension receiver thermal noise
  • N d N s ⁇ 1 dimension
  • ( ⁇ ) T is a transposition operation.
  • v d ( ⁇ ) and v s ( ⁇ ) are the time domain steering vector and the spatial domain steering vector, respectively
  • (f d,i , f s,k ) is the ith time domain grid point.
  • N d N s N d N s
  • NM NM
  • N is a column vector of N ⁇ 1 dimension and all elements are 1 , so the above formula can also be expressed as:
  • the sparse recovery STAP method under array error is a sparse recovery space-time adaptive processing method based on orthogonal matching tracking and least squares alternating iteration under array error condition, and the following provides a The sparse recovery STAP method under array error is described in detail.
  • FIG. 1 is a flowchart of a sparse recovery space-time adaptive processing method according to an embodiment of the present invention.
  • step S1 the joint estimation step, the OMP based and the least squares iterative algorithm are jointly estimated for the clutter angle-Doppler image and the array amplitude and phase error.
  • the joint estimation step specifically includes a construction sub-step and an iteration sub-step.
  • each iteration based on the OMP and least squares iterative algorithm can be divided into two-step alternating processes: OMP based sparse recovery and least squares based array amplitude and phase error estimation.
  • the iterative substep for sparse recovery in the pth iteration, obtains a clutter angle-Doppler image by solving the following problem: among them ⁇ is the allowable noise error associated with the regularization parameter ⁇ ; for the amplitude and phase error estimation of the array in the p-th iteration, the array amplitude and phase error is obtained by solving the following optimization problem: among them And ⁇ l,p are estimated from the sparse recovery in the p-th iteration, respectively.
  • the array amplitude and phase error can be obtained by solving the above formula: among them,
  • step S2 the filter design step designs an adaptive space-time filter based on the estimated clutter angle-Doppler image and array amplitude phase error, thereby performing clutter suppression.
  • the filter design step S2 specifically includes:
  • An adaptive space-time filter is designed by using the clutter plus noise covariance matrix.
  • the sparse recovery STAP method under array error provided by the invention adopts an OMP and least squares alternating iterative algorithm to realize joint estimation of clutter angle-Doppler image and array amplitude and phase error, and then design adaptive Space-time filter for clutter suppression.
  • the technical solution provided by the invention can greatly improve the influence of the performance degradation caused by the amplitude and phase errors of the array, thereby further improving the clutter suppression and target detection capability of the radar system.
  • the sparse recovery STAP system under array error provided by the present invention is a sparse recovery space-time adaptive processing system based on orthogonal matching tracking and least squares alternating iteration under array error conditions, and the following provides a The sparse recovery STAP system under array error is described in detail.
  • FIG. 2 a schematic structural diagram of a sparse recovery space-time adaptive processing system 10 according to an embodiment of the present invention is shown.
  • the sparse recovery space time adaptive processing system 10 mainly includes a joint estimation module 11 and a filter design module 12.
  • the joint estimation module 11 is configured to jointly estimate the clutter angle-Doppler image and the array amplitude and phase error based on the OMP and least squares alternating iterative algorithm.
  • the joint estimation module 11 specifically includes a construction submodule and an iteration submodule.
  • An iterative sub-module for obtaining a clutter angle-Doppler image by solving the following problem for sparse recovery in the p-th iteration: among them ⁇ is the allowable noise error associated with the regularization parameter ⁇ ; for the amplitude and phase error estimation of the array in the p-th iteration, the array amplitude and phase error is obtained by solving the following optimization problem: among them And ⁇ l,p are estimated from the sparse recovery in the p-th iteration, respectively.
  • the filter design module 12 is configured to design an adaptive space-time filter according to the estimated clutter angle-Doppler image and array amplitude phase error, thereby performing clutter suppression.
  • the filter design module 12 is specifically configured to:
  • An adaptive space-time filter is designed by using the clutter plus noise covariance matrix.
  • the sparse recovery STAP system 10 under array error provided by the invention adopts an OMP and least squares alternating iterative algorithm to realize joint estimation of the clutter angle-Doppler image and the array amplitude and phase error, and then designs from Adapt to the space-time filter for clutter suppression.
  • the technical solution provided by the invention can greatly improve the influence of the performance degradation caused by the amplitude and phase errors of the array, thereby further improving the clutter suppression and target detection capability of the radar system.
  • FIG. 3 The beneficial effect diagram of the present invention is shown in FIG. 3.
  • the maximum array phase error is b o , the ordinate represents the signal to interference and noise ratio (SINR) performance, and the abscissa represents the normalized Doppler frequency.
  • each unit included is only performed according to functional logic.
  • the divisions are not limited to the above-mentioned divisions, as long as the corresponding functions can be implemented; in addition, the specific names of the respective functional units are only for the purpose of facilitating mutual differentiation, and are not intended to limit the scope of protection of the present invention.

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

本发明提供一种阵列误差下的稀疏恢复STAP方法，其中，所述方法包括：联合估计步骤、基于正交匹配追踪(orthogonal matching pursuit，OMP)和最小二乘迭代算法对杂波角度-多普勒像与阵列幅相误差进行联合估计；滤波器设计步骤、根据估计出的杂波角度-多普勒像与阵列幅相误差，设计自适应空时滤波器，从而进行杂波抑制。本发明还提供一种阵列误差下的稀疏恢复STAP系统。本发明提供的技术方案可以在很大程度上改善阵列幅相误差所带来的性能下降的影响，从而进一步提高雷达系统杂波抑制与目标检测能力。

Description

一种阵列误差下的稀疏恢复STAP方法及其系统 技术领域
本发明涉及雷达信号处理领域，尤其涉及一种阵列误差下的稀疏恢复STAP方法及其系统。
背景技术
空时自适应处理(space-time adaptive processing，STAP)是提高机载雷达检测运动目标性能的关键技术，但该技术却面临着滤波器训练样本受限的问题，而且该问题在非均匀杂波环境更为突出。近十年来，该技术已取得了一定发展，如已提出的降维(reduced-dimension)STAP方法，降秩(reduced-rank)STAP方法，模型参数化(model-based)STAP方法，基于知识的(knowledge-aided)STAP方法等等。
随着压缩感知(compressed sensing，CS)理论的发展，以杂波空时功率谱满足稀疏性为前提的稀疏恢复STAP方法得到发展。该方法能够在少许样本的情况下表现出高效的性能。目前该类方法有：基于多训练样本的稀疏恢复STAP方法，直接数据域稀疏恢复STAP方法，贝叶斯压缩感知(BCS)STAP方法，基于知识的稀疏恢复STAP方法等等。以上提及的所有方法都依赖于理想的信号模型，而且在阵列误差条件下，其杂波抑制与目标检测能力都会受到严重影响。
发明内容
有鉴于此，本发明的目的在于提供一种阵列误差下的稀疏恢复STAP方法及其系统，旨在解决现有技术中由于阵列误差存在而导致的性能下降的问题。
本发明提出一种阵列误差下的稀疏恢复STAP方法，主要包括：
联合估计步骤：基于OMP和最小二乘迭代算法对杂波角度-多普勒像与阵列幅相误差进行联合估计；
滤波器设计步骤：根据估计出的杂波角度-多普勒像与阵列幅相误差，设计自适应空时滤波器，从而进行杂波抑制。
优选的，所述联合估计步骤具体包括：
构造子步骤：构造如下优化问题：
Figure PCTCN2016099302-appb-000001
Figure PCTCN2016099302-appb-000002
其中，β＞0为权衡稀疏度与总均方误差的正则化参数，
Figure PCTCN2016099302-appb-000003
表示复数的实部，λ为拉格朗日乘子，Λ＝(γ1，γ2，…，γL)，γl为第l个快拍xl所对应的杂波角度-多普勒像，
Figure PCTCN2016099302-appb-000004
L为快拍数且L≥1，
Figure PCTCN2016099302-appb-000005
为一正常数；
迭代子步骤：对于第p次迭代中稀疏恢复而言，通过求解如下问题来获得杂波角度-多普勒像：
Figure PCTCN2016099302-appb-000006
其中
Figure PCTCN2016099302-appb-000007
∈为与正则化参数β相关的允许噪声误差；对于第p次迭代中阵列幅相误差估计而言，通过求解如下优化问题而获得阵列幅相误差：
Figure PCTCN2016099302-appb-000008
其中和γl，p分别由第p次迭代中的稀疏恢复估计得到。
优选的，所述滤波器设计步骤具体包括：
根据得到的所述阵列幅相误差与所述杂波角度-多普勒像，计算杂波协方差矩阵和杂波加噪声协方差矩阵；
利用所述杂波加噪声协方差矩阵设计自适应空时滤波器。
另一方面，本发明还提供一种阵列误差下的稀疏恢复STAP系统，所述系统包括：
联合估计模块，用于基于OMP和最小二乘迭代算法对杂波角度-多普勒像与阵列幅相误差进行联合估计；
滤波器设计模块，用于根据估计出的杂波角度-多普勒像与阵列幅相误差，设计自适应空时滤波器，从而进行杂波抑制。
优选的，所述联合估计模块具体包括：
构造子模块，用于构造如下优化问题：
Figure PCTCN2016099302-appb-000010
其中，β＞0为权衡稀疏度与总均方误差的正则化参数，
Figure PCTCN2016099302-appb-000012
表示复数的实部，λ为拉格朗日乘子，Λ＝(γ1，γ2，…，γL)，γl为第l个快拍xl所对应的杂波角度-多普勒像，
Figure PCTCN2016099302-appb-000013
L为快拍数且L≥1，
Figure PCTCN2016099302-appb-000014
为一正常数；
迭代子模块，用于对于第p次迭代中稀疏恢复而言，通过求解如下问题来获得杂波角度-多普勒像：
Figure PCTCN2016099302-appb-000015
其中
Figure PCTCN2016099302-appb-000016
∈为与正则化参数β相关的允许噪声误差；对于第p次迭代中阵列幅相误差估计而言，通过求解如下优化问题而获得阵列幅相误差：
Figure PCTCN2016099302-appb-000017
其中
Figure PCTCN2016099302-appb-000018
和γl，p分别由第p次迭代中的稀疏恢复估计得到。
优选的，所述滤波器设计模块具体用于：
根据得到的所述阵列幅相误差与所述杂波角度-多普勒像，计算杂波协方差矩阵和杂波加噪声协方差矩阵；
利用所述杂波加噪声协方差矩阵设计自适应空时滤波器。
本发明提供的技术方案，采用基于OMP和最小二乘法交替迭代算法，实现对杂波角度-多普勒像与阵列幅相误差的联合估计，然后再设计自适应空时滤波器，从而进行杂波抑制。本发明提供的技术方案可以在很大程度上改善阵列幅相误差所带来的性能下降的影响，从而进一步提高雷达系统杂波抑制与目标检测能力。
附图说明
图1为本发明一实施方式中稀疏恢复空时自适应处理方法流程图；
图2为本发明一实施方式中稀疏恢复空时自适应处理系统10的内部结构示意图；
图3为本发明一实施方式中的有益效果图。
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。
本发明提供的技术方案，采用基于OMP和最小二乘交替迭代算法，实现对杂波角度-多普勒像与阵列幅相误差的联合估计，然后再设计自适应空时滤波器，从而进行杂波抑制。本发明提供的技术方案可以在很大程度上改善阵列幅相误差所带来的性能下降的影响，从而进一步提高雷达系统杂波抑制与目标检测能力。
假设一脉冲-多普勒正侧视机载雷达天线为均匀线阵，包含M个接收阵元，该雷达在一个相干处理单元内发射N个脉冲，理想情况下(即：阵列不存在幅相误差)，NM×1维的不含目标的空时快拍可以表示为：
x＝xc+n＝Φγ+n；
其中xc为杂波所对应的空时快拍，n为NM×1维的接收机热噪声，NdNs×1维的
Figure PCTCN2016099302-appb-000019
为杂波在空时导向词典中所对应的复幅度(或称为角度-多普勒像)，矩阵
Figure PCTCN2016099302-appb-000020
为NM×NdNs维的完备理想(无阵列误差时)的空时导向词典，(·)T为转置操作。NM×1维向量
Figure PCTCN2016099302-appb-000021
为理想的空时导向矢量，vd(·)与vs(·)分别为时域导向矢量与空域导向矢量，(fd，i，fs，k)为第i个时域网格点与第k个空域网格点，即将整个空时平面划分为NdNs(NdNs＞＞NM)个网格，Ns与Nd分别为沿着空间频率轴与时间/多普勒频率轴的网格点数。
假设t＝[t1，t2，…，tM]T为天线阵列的幅相误差，ti为第i个阵元的幅度与相位误差，则阵列幅相误差下的空时导向矢量可表示为
Figure PCTCN2016099302-appb-000022
令
Figure PCTCN2016099302-appb-000023
其中IN为N×N维的单位矩阵，diag(t)为t对角化后的对角矩阵，
Figure PCTCN2016099302-appb-000024
为Kronecker积，⊙为Hadamard积。于是，阵列误差下完备空时导向词典可 表示为ΓΦ，此时阵列误差下所接收到的快拍(不含目标)为：
x＝ΓΦγ+n；
为方便起见，定义
Figure PCTCN2016099302-appb-000025
其中
Figure PCTCN2016099302-appb-000026
1N为N×1维且所有元素全为1的列向量，因此，上式也可以表示为：
x＝Qt+n。
本发明提供的一种阵列误差下的稀疏恢复STAP方法是阵列误差条件下一种基于正交匹配追踪和最小二乘交替迭代的稀疏恢复空时自适应处理方法，以下将对本发明所提供的一种阵列误差下的稀疏恢复STAP方法进行详细说明。
请参阅图1，为本发明一实施方式中稀疏恢复空时自适应处理方法流程图。
在步骤S1中，联合估计步骤、基于OMP和最小二乘迭代算法对杂波角度-多普勒像与阵列幅相误差进行联合估计。
在本实施方式中，所述联合估计步骤具体包括构造子步骤和迭代子步骤。
在本实施方式中，构造子步骤、构造如下优化问题：
Figure PCTCN2016099302-appb-000027
Figure PCTCN2016099302-appb-000028
其中，β＞0为权衡稀疏度与总均方误差的正则化参数，
Figure PCTCN2016099302-appb-000029
表示复数的实部，λ为拉格朗日乘子，Λ＝(γ1，γ2，…，γL)，γl为第l个快拍xl所对应的杂波角度-多普勒像，
Figure PCTCN2016099302-appb-000030
L为快拍数且L≥1，
Figure PCTCN2016099302-appb-000031
为一正常数。
在本实施方式中，基于OMP和最小二乘迭代算法的每一次迭代可以分成两步交替过程：基于OMP的稀疏恢复与基于最小二乘法的阵列幅相误差估计。
在本实施方式中，迭代子步骤、对于第p次迭代中稀疏恢复而言，通过求解如下问题来获得杂波角度-多普勒像：
Figure PCTCN2016099302-appb-000032
Figure PCTCN2016099302-appb-000033
其中
Figure PCTCN2016099302-appb-000034
∈为与正则化参数β相关的允许噪声误差；对于第p次迭代中阵列幅相误差估计而言，通过求解如下优化问题而获得阵列幅相误差：
Figure PCTCN2016099302-appb-000035
其中
Figure PCTCN2016099302-appb-000036
和γl，p分别由第p次迭代中的稀疏恢复估计得到。
通过求解上述公式就可以得到阵列幅相误差：
Figure PCTCN2016099302-appb-000037
其中，
Figure PCTCN2016099302-appb-000038
Figure PCTCN2016099302-appb-000039
这里，yl，m和xl，m分别为向量y＝Φγl，p中的第m个元素与第l个快拍xl中第m个元素，随即有：
Figure PCTCN2016099302-appb-000040
以上所提出方法的交替迭代过程可用Matlab伪代码描述为表1所示。
表1
Figure PCTCN2016099302-appb-000041
其中，表1中所采用的OMP算法如表2所示。
表2
Figure PCTCN2016099302-appb-000042
在步骤S2中，滤波器设计步骤、根据估计出的杂波角度-多普勒像与阵列幅相误差，设计自适应空时滤波器，从而进行杂波抑制。
在本实施方式中，所述滤波器设计步骤S2具体包括：
根据得到的所述阵列幅相误差t与所述杂波角度-多普勒像，计算杂波协方差 矩阵和杂波加噪声协方差矩阵；
利用所述杂波加噪声协方差矩阵设计自适应空时滤波器。
在本实施方式中，通过步骤S1得到阵列幅相误差t与杂波角度-多普勒Λ后，则计算杂波协方差矩阵为：
Figure PCTCN2016099302-appb-000043
其中γl为第l个快拍中杂波角度-多普勒像，所以计算杂波加噪声协方差矩阵为：R＝Rc+σ2INM，这里，σ2为估计的噪声功率，INM为NM×NM维的单位矩阵。最后，利用所述杂波加噪声协方差矩阵设计自适应空时滤波器权矢量为w＝μR-1Γs，其中μ＝(sHΓHR-1Γs)-1为正实数，s为假设目标的空时导向矢量。
本发明提供的一种阵列误差下的稀疏恢复STAP方法，采用基于OMP和最小二乘交替迭代算法，实现对杂波角度-多普勒像与阵列幅相误差的联合估计，然后再设计自适应空时滤波器，从而进行杂波抑制。本发明提供的技术方案可以在很大程度上改善阵列幅相误差所带来的性能下降的影响，从而进一步提高雷达系统杂波抑制与目标检测能力。
本发明提供的一种阵列误差下的稀疏恢复STAP系统是阵列误差条件下一种基于正交匹配追踪和最小二乘交替迭代的稀疏恢复空时自适应处理系统，以下将对本发明所提供的一种阵列误差下的稀疏恢复STAP系统进行详细说明。
请参阅图2，所示为本发明一实施方式中稀疏恢复空时自适应处理系统10的结构示意图。
在本实施方式中，稀疏恢复空时自适应处理系统10，主要包括联合估计模块11以及滤波器设计模块12。
联合估计模块11，用于基于OMP和最小二乘交替迭代算法对杂波角度-多普勒像与阵列幅相误差进行联合估计。
在本实施方式中，所述联合估计模块11具体包括构造子模块与迭代子模块。
构造子模块，用于构造如下优化问题：
Figure PCTCN2016099302-appb-000044
Figure PCTCN2016099302-appb-000045
其中，β＞0为权衡稀疏度与总均方误差的正则化参数，
Figure PCTCN2016099302-appb-000046
表示复数的实部，λ为拉格朗日乘子，Λ＝(γ1，γ2，…，γL)，γl为第l个快拍xl所对 应的杂波角度-多普勒像，
Figure PCTCN2016099302-appb-000047
L为快拍数且L≥1，
Figure PCTCN2016099302-appb-000048
为一正常数；
迭代子模块，用于对于第p次迭代中稀疏恢复而言，通过求解如下问题来获得杂波角度-多普勒像：
Figure PCTCN2016099302-appb-000049
其中
Figure PCTCN2016099302-appb-000050
∈为与正则化参数β相关的允许噪声误差；对于第p次迭代中阵列幅相误差估计而言，通过求解如下优化问题而获得阵列幅相误差：
Figure PCTCN2016099302-appb-000051
其中
Figure PCTCN2016099302-appb-000052
和γl，p分别由第p次迭代中的稀疏恢复估计得到。
滤波器设计模块12，用于根据估计出的杂波角度-多普勒像与阵列幅相误差，设计自适应空时滤波器，从而进行杂波抑制。
在本实施方式中，所述滤波器设计模块12具体用于：
根据得到的所述阵列幅相误差与所述杂波角度-多普勒像，计算杂波协方差矩阵和杂波加噪声协方差矩阵；
利用所述杂波加噪声协方差矩阵设计自适应空时滤波器。
本发明提供的一种阵列误差下的稀疏恢复STAP系统10，采用基于OMP和最小二乘交替迭代算法，实现对杂波角度-多普勒像与阵列幅相误差的联合估计，然后再设计自适应空时滤波器，从而进行杂波抑制。本发明提供的技术方案可以在很大程度上改善阵列幅相误差所带来的性能下降的影响，从而进一步提高雷达系统杂波抑制与目标检测能力。
本发明的有益效果图如图3所示，在图3中，Nd＝11N，Ns＝11M，“|G/Pmax|：a％/bo”表示最大阵列幅度误差为a％，最大阵列相位误差为bo，纵坐标表示信干噪比(SINR)性能，横坐标表示归一化的多普勒频率。表1中ξ＝10-2，k＝70，表2中稀疏度k＝90。由图3可知，当阵列幅相误差未得到校正时，系统性能严重下降，可见本发明可以很大程度的改善阵列幅相误差所带来的性能下降的影响。
值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行 划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例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，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。
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 (6)

  1. 一种阵列误差下的稀疏恢复STAP方法，其特征在于，所述方法包括：
    联合估计步骤：基于OMP和最小二乘迭代算法对杂波角度-多普勒像与阵列幅相误差进行联合估计；
    滤波器设计步骤：根据估计出的杂波角度-多普勒像与阵列幅相误差，设计自适应空时滤波器，从而进行杂波抑制。
  2. 如权利要求1所述的稀疏恢复空时自适应处理方法，其特征在于，所述联合估计步骤具体包括：
    构造子步骤：构造如下优化问题：
    Figure PCTCN2016099302-appb-100001
    Figure PCTCN2016099302-appb-100002
    其中，β＞0为权衡稀疏度与总均方误差的正则化参数，
    Figure PCTCN2016099302-appb-100003
    表示复数的实部，λ为拉格朗日乘子，Λ＝(γ1，γ2，…，γL)，γl为第l个快拍xl所对应的杂波角度-多普勒像，
    Figure PCTCN2016099302-appb-100004
    L为快拍数且L≥1，
    Figure PCTCN2016099302-appb-100005
    为一正常数；
    迭代子步骤：对于第p次迭代中稀疏恢复而言，通过求解如下问题来获得杂波角度-多普勒像：
    Figure PCTCN2016099302-appb-100006
    其中
    Figure PCTCN2016099302-appb-100007
    ε为与正则化参数β相关的允许噪声误差；对于第p次迭代中阵列幅相误差估计而言，通过求解如下优化问题而获得阵列幅相误差：
    Figure PCTCN2016099302-appb-100008
    其中
    Figure PCTCN2016099302-appb-100009
    和γl，p分别由第p次迭代中的稀疏恢复估计得到。
  3. 如权利要求2所述的稀疏恢复空时自适应处理方法，其特征在于，所述滤波器设计步骤具体包括：
    根据得到的所述阵列幅相误差与所述杂波角度-多普勒像，计算杂波协方差矩阵和杂波加噪声协方差矩阵；
    利用所述杂波加噪声协方差矩阵设计自适应空时滤波器。
  4. 一种阵列误差下的稀疏恢复STAP系统，其特征在于，所述系统包括：
    联合估计模块，用于基于OMP和最小二乘迭代算法对杂波角度-多普勒像与阵列幅相误差进行联合估计；
    滤波器设计模块，用于根据估计出的杂波角度-多普勒像与阵列幅相误差，设计自适应空时滤波器，从而进行杂波抑制。
  5. 如权利要求4所述的稀疏恢复空时自适应处理系统，其特征在于，所述联合估计模块具体包括：
    构造子模块，用于构造如下优化问题：
    Figure PCTCN2016099302-appb-100010
    Figure PCTCN2016099302-appb-100011
    其中，β＞0为权衡稀疏度与总均方误差的正则化参数，
    Figure PCTCN2016099302-appb-100012
    表示复数的实部，λ为拉格朗日乘子，Λ＝(γ1，γ2，…，γL)，γl为第l个快拍xl所对应的杂波角度-多普勒像，
    Figure PCTCN2016099302-appb-100013
    L为快拍数且L≥1，
    Figure PCTCN2016099302-appb-100014
    为一正常数；
    迭代子模块，用于对于第p次迭代中稀疏恢复而言，通过求解如下问题来获得杂波角度-多普勒像：
    Figure PCTCN2016099302-appb-100015
    其中
    Figure PCTCN2016099302-appb-100016
    ε为与正则化参数β相关的允许噪声误差；对于第p次迭代中阵列幅相误差估计而言，通过求解如下优化问题而获得阵列幅相误差：
    Figure PCTCN2016099302-appb-100017
    其中
    Figure PCTCN2016099302-appb-100018
    和γl，p分别由第p次迭代中的稀疏恢复估计得到。
  6. 如权利要求5所述的稀疏恢复空时自适应处理系统，其特征在于，所述滤波器设计模块具体用于：
    根据得到的所述阵列幅相误差与所述杂波角度-多普勒像，计算杂波协方差矩阵和杂波加噪声协方差矩阵；
    利用所述杂波加噪声协方差矩阵设计自适应空时滤波器。
PCT/CN2016/099302 2016-09-09 2016-09-19 一种阵列误差下的稀疏恢复stap方法及其系统 WO2018045601A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610813884.1A CN106324569B (zh) 2016-09-09 2016-09-09 一种阵列误差下的稀疏恢复stap方法及其系统
CN201610813884.1 2016-09-09

Publications (1)

Publication Number Publication Date
WO2018045601A1 true WO2018045601A1 (zh) 2018-03-15

Family

ID=57787819

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/099302 WO2018045601A1 (zh) 2016-09-09 2016-09-19 一种阵列误差下的稀疏恢复stap方法及其系统

Country Status (2)

Country Link
CN (1) CN106324569B (zh)
WO (1) WO2018045601A1 (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109324315A (zh) * 2018-11-26 2019-02-12 清华大学 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法
CN109509217A (zh) * 2018-11-06 2019-03-22 辽宁工程技术大学 一种运动结构相似性的低秩序列影像匹配点粗差检测方法
CN110376561A (zh) * 2019-06-04 2019-10-25 西安电子科技大学 一种时域降维的多快拍迭代阵元幅相误差估计方法
CN110426670A (zh) * 2018-12-26 2019-11-08 西安电子科技大学 基于tls-cs的外辐射源雷达超分辨doa估计方法
CN111896930A (zh) * 2020-08-28 2020-11-06 西安电子科技大学 基于运动平台空时自适应杂波抑制的子阵划分方法
CN112114289A (zh) * 2020-08-25 2020-12-22 西安电子科技大学 基于框架理论的最小阵元数稀疏阵的优化方法
CN112612006A (zh) * 2020-11-25 2021-04-06 中山大学 基于深度学习的机载雷达非均匀杂波抑制方法
CN112649799A (zh) * 2020-12-04 2021-04-13 浙江大学 一种mimo雷达幅相误差矫正方法
CN112748404A (zh) * 2020-12-24 2021-05-04 西安电子科技大学 基于双对称结构和赋权优化的空基雷达杂波抑制方法
CN112924947A (zh) * 2020-11-28 2021-06-08 海南大学 一种基于实值稀疏贝叶斯学习的mimo雷达稳健doa估计方法
CN112946615A (zh) * 2021-01-29 2021-06-11 浙江大学 一种相控阵系统幅相误差矫正方法
CN113012017A (zh) * 2021-04-06 2021-06-22 广东工业大学 一种基于稀疏基的瞬态场景图像重构方法及相关装置
CN113030939A (zh) * 2021-02-05 2021-06-25 中国人民解放军空军预警学院 一种主瓣干扰下基于子阵空间平滑的稀疏测角方法
CN113126047A (zh) * 2021-04-15 2021-07-16 西安电子科技大学 基于远场点源的自适应通道校正方法
CN113156363A (zh) * 2021-03-04 2021-07-23 西北工业大学 阵元互耦和幅相误差下的近场源智能定位方法
CN113466797A (zh) * 2021-06-24 2021-10-01 电子科技大学 基于杂波脊匹配稀疏恢复的双基sar空-时杂波抑制方法
CN113466800A (zh) * 2021-05-11 2021-10-01 西安电子科技大学 基于smv模型利用尾部优化的哈达玛积快速doa估计方法
CN113655458A (zh) * 2021-09-02 2021-11-16 内蒙古工业大学 基于字典校正的空时自适应处理方法、装置及存储介质
CN113820679A (zh) * 2021-08-10 2021-12-21 西安电子科技大学 雷达回波数据的滤波方法、装置、设备和存储介质
CN113901863A (zh) * 2021-08-18 2022-01-07 北京理工大学 基于加权组稀疏贝叶斯学习的人体活动分类方法
CN114706056A (zh) * 2022-04-28 2022-07-05 珠海微度芯创科技有限责任公司 基于协方差拟合的毫米波雷达高分辨测角方法、装置和介质
CN114966640A (zh) * 2022-07-29 2022-08-30 宁波博海深衡科技有限公司 基于阵列背景噪声统计协方差估计的方位估计方法及系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019047210A1 (zh) * 2017-09-11 2019-03-14 深圳大学 基于知识的稀疏恢复空时自适应处理方法及系统
CN107544061A (zh) * 2017-09-11 2018-01-05 深圳大学 基于知识的稀疏恢复空时自适应处理方法及系统
CN108717189B (zh) * 2018-06-01 2022-07-15 西安电子科技大学 基于压缩感知理论的双基地mimo雷达成像方法
CN110764069B (zh) * 2019-11-14 2021-08-10 内蒙古工业大学 一种基于知识辅助的稀疏恢复stap色加载方法
CN111474526B (zh) * 2020-04-24 2022-03-08 成都航空职业技术学院 一种机载stap杂波协方差矩阵的快速重建方法
CN111537975B (zh) * 2020-05-26 2022-03-08 成都航空职业技术学院 一种高自由度的机载雷达空时自适应信号处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160170019A1 (en) * 2014-07-09 2016-06-16 Bae Systems Information & Electronic Systems Integration Inc. Radar detection of endo-clutter high-value targets using tracker feedback
CN105738879A (zh) * 2016-02-29 2016-07-06 西安电子科技大学 基于稀疏恢复的雷达杂波空时自适应预滤波方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101644765B (zh) * 2009-04-23 2012-03-14 中国科学院声学研究所 一种用于水声换能器线阵的幅相误差校正方法
CN103885048B (zh) * 2014-03-20 2016-02-03 西安电子科技大学 双基地mimo雷达收发阵列幅相误差的校正方法
CN104459606A (zh) * 2014-12-25 2015-03-25 武汉大学 一种阵列空间信号稀疏构建及其重建方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160170019A1 (en) * 2014-07-09 2016-06-16 Bae Systems Information & Electronic Systems Integration Inc. Radar detection of endo-clutter high-value targets using tracker feedback
CN105738879A (zh) * 2016-02-29 2016-07-06 西安电子科技大学 基于稀疏恢复的雷达杂波空时自适应预滤波方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANG, ZHAOCHENG ET AL.: "An Overview of Space-Time Adaptive Processing Technology based on Sparsity of Space-Time power Spectrum", CHINESE JOURNAL OF ELECTRONICS, vol. 42, no. 6, 30 June 2014 (2014-06-30), pages 1194 - 1201 *
YANG, ZHAOCHENG: "Knowledge-aided STAP with sparse-recovery by exploiting spatio-temporal sparsity", IET SIGNAL PROCESSING, vol. 10, no. 2, 28 March 2016 (2016-03-28), pages 150 - 161, XP006055928, DOI: 10.1049/iet-spr.2014.0255 *

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509217A (zh) * 2018-11-06 2019-03-22 辽宁工程技术大学 一种运动结构相似性的低秩序列影像匹配点粗差检测方法
CN109509217B (zh) * 2018-11-06 2022-11-15 辽宁工程技术大学 一种运动结构相似性的低秩序列影像匹配点粗差检测方法
CN109324315A (zh) * 2018-11-26 2019-02-12 清华大学 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法
CN109324315B (zh) * 2018-11-26 2023-03-28 清华大学 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法
CN110426670A (zh) * 2018-12-26 2019-11-08 西安电子科技大学 基于tls-cs的外辐射源雷达超分辨doa估计方法
CN110426670B (zh) * 2018-12-26 2022-09-23 西安电子科技大学 基于tls-cs的外辐射源雷达超分辨doa估计方法
CN110376561A (zh) * 2019-06-04 2019-10-25 西安电子科技大学 一种时域降维的多快拍迭代阵元幅相误差估计方法
CN112114289B (zh) * 2020-08-25 2023-12-26 西安电子科技大学 基于框架理论的最小阵元数稀疏阵的优化方法
CN112114289A (zh) * 2020-08-25 2020-12-22 西安电子科技大学 基于框架理论的最小阵元数稀疏阵的优化方法
CN111896930A (zh) * 2020-08-28 2020-11-06 西安电子科技大学 基于运动平台空时自适应杂波抑制的子阵划分方法
CN111896930B (zh) * 2020-08-28 2023-05-30 西安电子科技大学 基于运动平台空时自适应杂波抑制的子阵划分方法
CN112612006A (zh) * 2020-11-25 2021-04-06 中山大学 基于深度学习的机载雷达非均匀杂波抑制方法
CN112612006B (zh) * 2020-11-25 2023-08-22 中山大学 基于深度学习的机载雷达非均匀杂波抑制方法
CN112924947A (zh) * 2020-11-28 2021-06-08 海南大学 一种基于实值稀疏贝叶斯学习的mimo雷达稳健doa估计方法
CN112924947B (zh) * 2020-11-28 2023-10-27 海南大学 一种基于实值稀疏贝叶斯学习的mimo雷达稳健doa估计方法
CN112649799A (zh) * 2020-12-04 2021-04-13 浙江大学 一种mimo雷达幅相误差矫正方法
CN112649799B (zh) * 2020-12-04 2022-09-23 浙江大学 一种mimo雷达幅相误差矫正方法
CN112748404B (zh) * 2020-12-24 2023-07-28 西安电子科技大学 基于双对称结构和赋权优化的空基雷达杂波抑制方法
CN112748404A (zh) * 2020-12-24 2021-05-04 西安电子科技大学 基于双对称结构和赋权优化的空基雷达杂波抑制方法
CN112946615A (zh) * 2021-01-29 2021-06-11 浙江大学 一种相控阵系统幅相误差矫正方法
CN112946615B (zh) * 2021-01-29 2023-07-21 浙江大学 一种相控阵系统幅相误差矫正方法
CN113030939A (zh) * 2021-02-05 2021-06-25 中国人民解放军空军预警学院 一种主瓣干扰下基于子阵空间平滑的稀疏测角方法
CN113030939B (zh) * 2021-02-05 2022-11-29 中国人民解放军空军预警学院 一种主瓣干扰下基于子阵空间平滑的稀疏测角方法
CN113156363A (zh) * 2021-03-04 2021-07-23 西北工业大学 阵元互耦和幅相误差下的近场源智能定位方法
CN113156363B (zh) * 2021-03-04 2023-10-10 西北工业大学 阵元互耦和幅相误差下的近场源智能定位方法
CN113012017A (zh) * 2021-04-06 2021-06-22 广东工业大学 一种基于稀疏基的瞬态场景图像重构方法及相关装置
CN113012017B (zh) * 2021-04-06 2023-06-20 广东工业大学 一种基于稀疏基的瞬态场景图像重构方法及相关装置
CN113126047A (zh) * 2021-04-15 2021-07-16 西安电子科技大学 基于远场点源的自适应通道校正方法
CN113126047B (zh) * 2021-04-15 2023-06-16 西安电子科技大学 基于远场点源的自适应通道校正方法
CN113466800B (zh) * 2021-05-11 2024-02-06 西安电子科技大学 基于smv模型利用尾部优化的哈达玛积快速doa估计方法
CN113466800A (zh) * 2021-05-11 2021-10-01 西安电子科技大学 基于smv模型利用尾部优化的哈达玛积快速doa估计方法
CN113466797B (zh) * 2021-06-24 2023-04-28 电子科技大学 基于杂波脊匹配稀疏恢复的双基sar空-时杂波抑制方法
CN113466797A (zh) * 2021-06-24 2021-10-01 电子科技大学 基于杂波脊匹配稀疏恢复的双基sar空-时杂波抑制方法
CN113820679A (zh) * 2021-08-10 2021-12-21 西安电子科技大学 雷达回波数据的滤波方法、装置、设备和存储介质
CN113820679B (zh) * 2021-08-10 2023-12-26 西安电子科技大学 雷达回波数据的滤波方法、装置、设备和存储介质
CN113901863A (zh) * 2021-08-18 2022-01-07 北京理工大学 基于加权组稀疏贝叶斯学习的人体活动分类方法
CN113655458A (zh) * 2021-09-02 2021-11-16 内蒙古工业大学 基于字典校正的空时自适应处理方法、装置及存储介质
CN114706056A (zh) * 2022-04-28 2022-07-05 珠海微度芯创科技有限责任公司 基于协方差拟合的毫米波雷达高分辨测角方法、装置和介质
CN114966640A (zh) * 2022-07-29 2022-08-30 宁波博海深衡科技有限公司 基于阵列背景噪声统计协方差估计的方位估计方法及系统

Also Published As

Publication number Publication date
CN106324569B (zh) 2019-01-01
CN106324569A (zh) 2017-01-11

Similar Documents

Publication Publication Date Title
WO2018045601A1 (zh) 一种阵列误差下的稀疏恢复stap方法及其系统
WO2018049595A1 (zh) 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统
Duan et al. Sparsity‐based STAP algorithm with multiple measurement vectors via sparse Bayesian learning strategy for airborne radar
Wang et al. Clutter suppression algorithm based on fast converging sparse Bayesian learning for airborne radar
WO2018094565A1 (zh) 脉冲噪声下的波束成形方法及装置
Yang et al. Knowledge‐aided STAP with sparse‐recovery by exploiting spatio‐temporal sparsity
Zhang et al. Computationally efficient sparse aperture ISAR autofocusing and imaging based on fast ADMM
WO2018014166A1 (zh) 一种波束-多普勒通道自适应选择stap方法
WO2019047210A1 (zh) 基于知识的稀疏恢复空时自适应处理方法及系统
Tao et al. A knowledge aided SPICE space time adaptive processing method for airborne radar with conformal array
Duan et al. Deep learning for high‐resolution estimation of clutter angle‐Doppler spectrum in STAP
CN113032721A (zh) 一种低计算复杂度的远场和近场混合信号源参数估计方法
He et al. An off-grid STAP algorithm based on local mesh splitting with bistatic radar system
Yang et al. Performance analysis of STAP algorithms based on fast sparse recovery techniques
CN111474527B (zh) 机载stap雷达快速去互耦的杂波协方差矩阵估计方法
Wu et al. Phase adjustment for polarimetric ISAR with compressive sensing
Yang et al. Hybrid direct data domain sigma-delta space–time adaptive processing algorithm in non-homogeneous clutter
Xu et al. A generalized sample weighting method in heterogeneous environment for space-time adaptive processing
Wang et al. Space time adaptive processing algorithm for multiple‐input–multiple‐output radar based on Nyström method
Li et al. Sparse Bayesian learning based space-time adaptive processing against unknown mutual coupling for airborne radar using middle subarray
Quan et al. Sparsity-based space-time adaptive processing in random pulse repetition frequency and random arrays radar
Tan et al. An iterative adaptive dictionary learning approach for multiple snapshot DOA estimation
Yang et al. Robust generalized inner products algorithm using prolate spheroidal wave functions
Li et al. Altitude measurement of low‐elevation target for VHF radar based on weighted sparse bayesian learning
Yang et al. Knowledge-aided STAP using low rank and geometry properties

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16915535

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 11.07.2019)

122 Ep: pct application non-entry in european phase

Ref document number: 16915535

Country of ref document: EP

Kind code of ref document: A1