空时自适应处理中基于知识的训练 样本选择策略

针对空时自适应处理中样本协方差矩阵受干扰目标污染时检测性能下降的问题，提出了一种基于知识的空时自适应处理（knowledge aided space time adaptive processing, KA STAP）方法。该方法将待测距离单元杂波的先验知识与广义内积非同态检测器（general inner product nonhomogeneity detector, GIP NHD）结合，对训练样本进行有效选择。通过仿真证明该方法能有效剔除存在干扰目标的样本，提高训练样本被干扰目标污染时空时自适应处理的检测性能。     

直接数据域空时自适应单脉冲方法

机载雷达空时自适应处理(space time adaptive processing,STAP)与单脉冲技术相结合可以实现对运动目标空、时参数的估计。然而,在非均匀环境下,由于同分布快拍数有限,杂波协方差矩阵难以准确估计,常常导致STAP方法性能急剧下降甚至失效,进而无法有效实现目标检测和参数估计。本文提出一种直接数据域的动目标空时参数估计方法,该方法首先应用幅相估计谱(amplitude and phase estimation,APES)谱估计由被检测单元数据估计出杂波干扰协方差矩阵,然后利用STAP技术抑制杂波和干扰,并结合单脉冲理论实现对目标角度和多普勒频率的估计。仿真结果表明,与传统单脉冲方法相比,新方法具有自适应抑制杂波干扰的能力和更好的估计性能;同时由于无需参考数据,该方法更适应于非均匀环境。     

基于S变换的机载雷达稳健空时自适应算法

非均匀杂波环境中的离群点会导致空时自适应处理(space time adaptive processing,STAP)性能的下降。针对此问题,该文提出一种新的基于S变换的稳健STAP(S transform STAP, ST-STAP)算法。该算法主要利用杂波和离群点的S变换在时频平面上分布特性的不同来实现非均匀杂波的抑制。ST-STAP算法首先将样本数据对应的快时间序列作S变换得到时频分布矩阵,舍弃部分高频分量以去掉离群点的影响,然后用时频矩阵的剩余部分计算相关矩阵和自适应滤波权。蒙特卡罗实验证明ST STAP方法的稳健性和动目标检测性能均优于传统的STAP算法。     

非正侧面阵的近程STAP

空时自适应处理(STAP)作为一种地杂波环境下机载雷达自适应检测小目标的方法已得到广泛研究,非正侧面阵也是其中的一个重要方面。由距离变化引起的地杂波脊的非平稳性是非正侧面阵STAP在近距性能下降的主要原因。利用扩展样本矩阵求逆(ESMI)     

基于稀疏样本选优的机载雷达动目标检测算法

针对存在干扰目标的非均匀样本中机载雷达动目标检测性能下降问题,基于信号稀疏恢复技术,提出一种基于稀疏样本选优的机载雷达动目标检测算法,利用训练样本和待检测距离单元的稀疏性,选择训练样本中杂波的位置和检测单元中杂波的位置相似的训练样本,去除选优后训练样本中的干扰目标,克服干扰目标对机载雷达动目标检测性能的影响,采用处理后的训练样本和待检测距离单元的数据构建杂波协方差矩阵。通过仿真实验进行改善因子、距离单元输出功率、目标信号提取的比较,说明了本文算法能够提高机载雷达动目标检测性能。     

不敏空时自适应处理算法

针对空时自适应处理(STAP)的非均匀检测环境,提出了一种新的不敏空时自适应处理算法.该算法通过对有限的非独立同分布(non-i.i.d)数据应用不敏变换(UT)来获得近似估计的协方差矩阵,即将原始的非均匀数据到其所对应的均匀数据看作一种特殊的非线性变换,利用不敏变换(UT)估计非均匀数据经非线性变换后所对应均匀数据的协方差矩阵,有效地降低了非均匀特性的影响.仿真结果验证了该算法在非均匀环境下具有良好的运动目标检测性能.     

基于稀疏恢复谱相似度的自适应样本筛选算法

非均匀环境下的空时自适应处理算法需对参考单元样本进行筛选。针对小系统自由度下,已有的基于傅里叶谱相似度(Fourier spectral similarity, FSPS)的筛选算法在污染样本剔除以及相似样本选择环节都存在分辨率不足的问题,提出一种基于稀疏恢复技术的自适应样本筛选算法。该方法利用参考单元样本及待检测单元(cell under test, CUT)样本的高精度稀疏恢复谱筛选出与CUT杂波特征相近的样本,保留了FSPS算法在非均匀杂波环境下的鲁棒性,同时提升对非均匀样本的分辨精度。仿真结果表明,所提算法在小系统自由度情况下具有优于FSPS算法的样本筛选效果及系统输出性能。     

基于有序统计和自动删除平均的恒虚警检测器

为了增强检测器对干扰的鲁棒性,基于有序统计(OS)方法和自动删除单元平均(ACCA)方法提出一种新的恒虚警检测器(MOSAC),其前沿和后沿滑窗分别采用OS和ACCA产生两个局部估计,然后取二者的和作为背景功率水平估计,从而设置自适应检测门限。在Swerling Ⅱ型目标假设下,推导出MOSAC在均匀背景下虚警概率Pfa的解析表达式,并与其它现有方案进行了比较。仿真结果表明MOSAC在均匀背景及多目标和杂波边缘引起的非均匀背景中,均具有较好的检测性能。在杂波边缘引起的非均匀背景中,虚警尖峰比MOSCM减少了一个数量级,并且样本排序时间只有OS和ACCA的1/2。     

弹载雷达和差通道稳健自适应杂波抑制方法

当前弹载雷达普遍采用和差通道体制,在超低空目标检测应用中,由于超低空目标与地海面存在严重的电磁耦合场,形成的镜像虚假目标出现在训练样本中,会造成目标信号相消,严重恶化协方差矩阵估计和动目标检测性能。针对此问题,提出了在目标及其临近空时二维域进行幅相联合多点约束的稳健空时自适应处理(space time adaptive processing,STAP)方法,实现了STAP二维响应的主瓣保形,克服了目标污染造成的动目标检测性能损失,提高了多普勒估计的精度和稳健性。针对弹载雷达前视阵配置带来的杂波谱扩散问题,则通过最小二乘法进行补偿。仿真实验验证了所提方法的有效性。     

机载相控阵雷达灵巧干扰信号模型及抑制方法研究0

目前对灵巧干扰的研究主要集中在常规地面雷达,对于机载雷达下的干扰模型及其抑制方法的研究较少。针对此种情况,建立了机载雷达背景下噪声卷积干扰、随机移频干扰和延时转发干扰3种典型灵巧干扰的空时信号模型,并从杂波自由度、空时功率谱图和距离-多普勒谱图的角度分析了干扰分布特性以及影响空时自适应处理(space-time adaptive processing, STAP)性能的内在机理,在此基础上提出了一种基于单元平均选小检测的机载雷达杂波和干扰同时抑制方法。该方法从杂波空时功率谱角度准确估计干扰来向,并据此形成干扰辅助波束,最后通过STAP实现干扰和杂波的有效抑制。仿真结果表明,所提方法相对于传统级联抑制方法,对延时转发灵巧干扰的抑制性能改善5 dB以上,验证了所提方法的有效性。     

知识辅助的机载MIMO雷达STAP非均匀样本检测方法

When the covariance matrix is estimated with training samples contaminated by target like signals, the performance of target detection in multiple input multiple output (MIMO) radar space time adaptive processing (STAP) decreases. Aiming at this deficiency, a knowledge aided (KA) generalized inner product (GIP) method for non homogeneous samples detection is proposed. Firstly the clutter subspace knowledge estimated by prolate spheroidal wave functions is utilized to construct the clutter covariance matrix offline. Then the GIP non homogeneity detector (GIP NHD) is integrated to realize the effective selection of training samples, which eliminates the effect of the target like signals in training samples on target detection. The simulation results show that compared with the conventional GIP method, the KA GIP method can screen out contaminated training samples more effectively and the target detection performance of MIMO radar STAP can be improved significantly. 〖JP2〗Thus the proposed KA GIP method is more valuable for practical engineering application.     

基于稀疏重构的机载雷达训练样本挑选方法

针对空时自适应处理中训练样本受目标信号污染时检测性能下降的问题,提出了一种基于稀疏重构技术的训练样本选取方法。该方法首先将接收数据由阵元脉冲距离域转换到阵元多普勒距离域,然后采用改进的正则化FOCUSS算法进行空域稀疏重构,估计待检测多普勒通道对应的阵元距离域数据得到高分辨角度距离谱,利用杂波多普勒与角度的先验关系,剔除角度距离谱上明显偏离角度期望的样本,实现对训练样本的有效选择。仿真表明,相比传统样本选择方法,该方法无须估计协方差矩阵,在小样本集情况下依然能够剔除被污染的样本,有较大优势。     

基于同伦稀疏STAP的低空风切变风速估计

在机载气象雷达前视阵下,由于杂波的距离依赖性导致独立同分布(independent identically distributed, IID)训练样本严重不足,传统的空时自适应处理(space-time adaptive processing, STAP)算法性能下降,风场速度估计不准。针对此问题,提出一种基于同伦稀疏STAP的低空风切变风速估计方法,该方法仅需少量IID训练样本就能够达到较好的风场速度估计效果。首先,利用同伦稀疏恢复算法估计杂波协方差矩阵,从而重构出高分辨率的杂波空时二维谱。然后,通过求解STAP处理器的最优权矢量自适应滤除杂波。最后,实现对风场风速的准确估计。仿真结果证明所提方法的有效性。     

基于杂波脊先验信息的非均匀杂波抑制方法

机载雷达回波数据非均匀会在很大程度上削弱传统空时自适应处理算法的杂波抑制性能。为此,提出一种基于杂波脊先验信息的非均匀杂波抑制方法,利用机载雷达杂波信号在角度多普勒平面的谱分布信息构造导向矢量基,并在考虑阵元误差影响情况下,对待检测单元数据进行迭代的最小二乘拟合,最后对拟合后的剩余数据进行恒虚警检测处理。该方法充分利用了雷达系统参数及杂波谱分布等先验信息,并且不需要训练样本,可以较好地抑制非均匀杂波,从而改善机载雷达的检测性能。仿真实验验证了该方法的有效性。