一种机载前视阵雷达近程杂波谱补偿方法

机载前视阵雷达近程杂波谱在方位-多普勒域随距离变化剧烈,功率谱不重合并严重展宽,直接进行空时自适应处理（STAP）不能在待检测单元形成窄而深的凹口,致使地面动目标检测（GMTI）性能下降。文中提出一种导向矢量矩阵最小二乘拟合方法,该方法利用训练单元和近程待检测单元导向矢量拟合矩阵对杂波数据进行变换,使训练单元的杂波子空间逼近于待检测距离单元,从而实现了机载前视阵雷达近程杂波谱重合。仿真实验表明该方法能够对近程杂波非均匀性进行有效补偿,减轻杂波谱随距离变化对空时自适应处理性能的影响。     

基于相似性度量的非正侧阵杂波谱补偿方法

在非正侧阵雷达中的杂波谱随距离发生变化,造成杂波统计特性估计不准确,空时二维自适应处理中滤波器的杂波凹口变宽.为了克服这个难题,根据杂波模型提出了一种基于相似性度量的谱补偿方法.该方法首先将待检单元的导向矢量与相邻单元的导向矢量进行内积,作为谱结构相似性的度量,然后依此度量值,对接收数据的杂波协方差矩阵进行加权处理,最后用传统的空时自适应算法进行杂波抑制.仿真证明了该方法可以有效地消除杂波谱的非平稳性,提高雷达抑制杂波的性能.     

直接数据域的自适应匹配滤波方法

 研究机载预警雷达非平稳杂波抑制问题. 在获得单个距离门回波数据的最小均方谱分布基础上,利用最小二乘方法和clearing技术拟合杂波谱分布特性并重构无空时孔径损失的杂波子空间,采用自适应匹配滤波方法检测运动目标. 能有效解决传统直接数据域方法存在的空时孔径损失和传统统计空时自适应处理（STAP）方法在非平稳杂波环境存在的性能严重下降,仿真结果表明本文方法能获得良好的动目标检测性能.     

一种稳健的机载面阵雷达非均匀杂波抑制方法

在非均匀杂波和密集目标环境下,由于没有足够的独立同分布(IID)训练样本,传统空时自适应处理(STAP)方法的杂波抑制性能严重下降。针对以上问题,该文提出一种对阵元误差稳健的机载面阵雷达非均匀杂波抑制方法。该方法首先根据雷达系统参数先验知识构造杂波表示基矩阵。然后在考虑阵元误差的情况下,基于最小二乘准则迭代地估计杂波表示系数和阵元误差,最后利用估计得到的最优杂波表示系数和阵元误差直接在阵元脉冲域进行杂波对消。该方法无须估计待检测单元统计特性;没有孔径损失;不需要训练样本;即使在距离模糊情况下也能有效地抑制密集目标环境下机载面阵雷达回波数据中的非均匀杂波。仿真结果验证了该文方法的有效性。     

杂波背景下的时距联合检测前聚焦方法研究

传统相干雷达信号处理流程对跨距离单元走动的目标一般采用脉冲压缩与Radon傅里叶变换(RFT)先后级联的处理方法,但级联方法存在以下问题:一是对高速目标能量积累的过程中目标峰值位置偏移甚至主瓣展宽、增益下降、旁瓣增高;二是缺少有效杂波抑制,影响弱目标检测。为此,该文借鉴多维信号联合以及杂波抑制的思想,提出一种杂波背景条件下将脉冲压缩、RFT与自适应杂波抑制联合的时距联合检测前聚焦方法(A-PCRFT)。该方法首先将脉内时间(快时间)与脉间时间(慢时间)两个雷达信号处理维度相联合,引入与高速目标相对应的二维导向矢量,补偿脉内和脉间的多普勒频移;然后根据辅助数据估计脉冲压缩前的杂波协方差矩阵;最后根据杂波协方差矩阵和导向矢量确定最优滤波器权矢量。在距离-速度二维空间中,该方法能有效地抑制杂波,同时对目标能量进行最佳聚焦。仿真结果表明,该方法与先脉冲压缩后自适应Radon傅里叶变换(ARFT)的级联方法相比性能更优。      

有源干扰条件下机载MIMO雷达降维STAP方法

针对机载多输入多输出雷达杂波与干扰的同时抑制问题,提出一种降维空时自适应处理方法.首先,利用系统参数离线简便构造出杂波子空间,然后,根据杂波基向量与干扰基向量的关系,对杂波加干扰协方差矩阵的秩进行分析.当存在有源干扰时,系统的杂波与干扰自由度进一步提高.最后利用干扰加噪声协方差矩阵的块对角结构,结合离线构造的杂波子空间,通过迫零方法进行空时自适应权矢量求解.该方法能够有效降低运算复杂度,具有接近全维最优处理的杂波与干扰抑制性能.     

基于SA-MUSIC理论的联合稀疏恢复STAP算法

基于子空间扩展多重信号分类(SA-MUSIC)理论对杂波空时二维谱进行联合稀疏恢复,实现小样本情况下空时自适应处理(STAP)性能的显著提升.首先,提出空时导向矢量相关性模型,利用该模型分析杂波在空时二维平面上的稀疏本质,解释用部分空时导向矢量近似整个杂波子空间的合理性.其次,提出基于SA-MUSIC理论的联合稀疏恢复STAP算法(SA-MUSIC-STAP),该算法仅需极少训练样本便可实现对杂波协方差矩阵的准确估计,并实现有效的杂波抑制.仿真实验验证了SA-MUSIC-STAP算法的有效性.     

一种功率修正的多频空时数据自适应处理方法

针对空时自适应处理(STAP)中样本不足导致动目标检测性能下降的问题,该文提出在多频多通道系统下综合利用空-时-频数据的自适应处理方法。该方法在分析不同频率杂波特性差异的基础上,采用杂波协方差矩阵重构以达到自适应修正不同频率下杂波功率的目的,最后通过融合不同频率数据的空时采样协方差矩阵获得高精度的杂波子空间估计效果。仿真结果显示,在样本数较少的情况下,该方法具有良好的动目标检测效果。     

一种基于最小二乘的K-分布参数估计方法

提出了一种基于最小二乘的K-分布参数估计方法,并利用仿真对该方法进行了验证。这种方法利用变量替换将杂波矩量和分布参数之间的关系转换为线性函数,然后通过最小二乘方法求解线性超定方程组获得K-分布参数的估计,这样能够避免常规矩量法在处理实际杂波数据时由于数据长度和噪声所导致的错误估计的发生,利用最小二乘法提高了估计精度。     

幅相误差下基于CMCAP-JDL的低空风切变风速估计

针对机载气象雷达存在幅相误差的情况下，导致杂波抑制性能下降，低空风切变风速估计结果不准确的问题，本文提出了一种基于组合空时主通道-局域联合空时自适应处理（Combined Space-time Main Channel Adaptive Processing, CMCAP-JDL）低空风切变风速估计方法。该方法首先对雷达回波数据进行距离依赖性矫正及杂波协方差矩阵估计；然后对空域和时域加权，形成空域主波束和时域主通道，同时增加多个局域处理区域参与联合处理的方式来构造自适应降维处理器；最后使用权矢量对降维后的回波数据实现自适应滤波，完成幅相误差情况下风场速度的准确估计。仿真结果表明，该方法能够在幅相误差的情况下，实现低空风切变风速的准确估计。      

基于最大似然估计的机载双基地雷达距离模糊杂波抑制方法

针对存在距离模糊情况下机载双基地雷达杂波抑制的难题,本文分析了存在距离模糊时机载双基地雷达的杂波特性,提出了一种基于最大似然估计的机载双基地雷达距离模糊杂波抑制方法.该方法首先通过最大似然估计对训练样本所包含的各个模糊距离环的杂波幅度进行估计,然后通过非均匀采样重构待检测距离门及其模糊距离环的杂波数据,再由重构的杂波数...     

机载共形阵雷达杂波抑制方法研究

 共形阵机载相控阵雷达由于其特殊的几何配置导致杂波统计特性随距离的变化而变化,即杂波呈现严重的非均匀性,从而使得传统空时自适应处理(STAP)方法的性能严重下降.本文首先分析了共形阵机载相控阵雷达的杂波特性,通过对共形阵杂波多普勒频率的数学变换,从理论上说明了共形阵配置导致机载雷达杂波非均匀性的机理,并给出了一种衡量杂波非均匀性强弱的定量准则,然后提出了一种借助最小二乘(LS)参数估计修正传统SMI的共形阵机载相控阵雷达杂波抑制方法,最后针对几种典型共形阵列,通过仿真实验验证了本文方法的有效性.     

基于DDD-GMB的低空风切变风速估计方法

当机载气象雷达在非均匀地杂波环境下探测低空风切变时,会遇到杂波协方差矩阵估计不准确问题,从而影响风速的正确估计。针对上述问题,本文提出一种在非均匀地杂波环境下基于直接数据域-广义相邻多波束（Direct data domin-Generalized adjacent multiple-beam,DDD-GMB）的低空风切变风速估计方法。首先,在非均匀地杂波环境下直接对待检测距离单元进行杂波协方差矩阵估计;然后利用空域相邻多波束和时域相邻多普勒通道构造空时降维处理器,在降低系统自由度的同时,也降低了对训练样本数的要求,最后构造代价函数估计得到风速。仿真结果表明,本文方法可以在非均匀地杂波环境下精确的估计风速。      

Clutter suppression for airborne phased radar with conformal arrays by least squares estimation

The radar clutter statistics for airborne conformal arrays varies by range, i.e., the clutter distributions are nonstationary, which causes performance degradation for the conventional space-time adaptive processing (STAP), which estimates the clutter covariance matrix (CCM) from data at adjacent range cells. In this paper, a novel clutter suppression method for airborne phased radar with conformal arrays is proposed that takes a form of corrected sample matrix inversion (SMI) through the CCM estimated by the least squares (LS) estimation. The estimated CCM can provide partial information about the real CCM in the novel method, which results in improved detection performance for targets in conformal array applications. Simulation results relative to several typical conformal arrays verify the effectivity of the presented method.     

A subspace method for space time adaptive processing

The problem of space-time adaptive processing (STAP) using a nonlinear array is considered. A key part of STAP is the estimation of the space-time covariance matrix of the received data. The conventional method of doing this causes significant performance degradation at short ranges because of the nonstationarity of the data. We present an alternative algorithm which circumvents this problem by projecting the data on the subspace orthogonal to the clutter and jammer subspaces. The clutter subspace is computed from the known array manifold, while the jammer subspace is estimated from clutter-free measurements. Numerical examples illustrate the performance improvement achieved at short ranges.     

稳健的基于参数化协方差矩阵估计的空时自适应处理方法

参数化协方差矩阵估计（Parametric Covariance Matrix Estimation,PCE）方法利用雷达系统参数估计杂波协方差矩阵（Clutter Covariance Matrix,CCM）,显著提升非均匀环境下空时自适应处理（Space-Time Adaptive Processing,STAP）的性能;但是在系统参数和杂波分布存在误差情况下,性能下降严重.本文提出一种稳健的基于PCE方法的STAP杂波抑制方法.首先利用稀疏恢复方法与Radon变换估计杂波分布,然后提出一种归一化广义内积统计量修正杂波的分布,最后利用PCE方法估计CCM并进行STAP杂波抑制.通过分析舰载高频地波雷达仿真和实测数据处理结果表明：所提方法的稳健性大幅提升,相比稀疏恢复STAP方法和前后向空时平滑STAP方法滤波器凹口更加准确且更深,在有效抑制杂波的同时更利于慢速目标的检测.     

Registration-based compensation using sparse representation in conformal-array STAP

Space-time adaptive processing (STAP) is a well-known technique in detecting slow-moving targets in the clutter-spreading environment. When considering the STAP system with conformal radar array (CFA), the training data are range-dependent, which results in poor detection performance of traditional statistical-based algorithms. Current registration-based compensation (RBC) is implemented based on a sub-snapshot spectrum using temporal smoothing. In this case, the estimation accuracy of the configuration parameters and the clutter power distribution is limited. In this paper, the technique of sparse representation is introduced into the spectral estimation, and a new compensation method is proposed, namely RBC with sparse representation (SR-RBC). This method first establishes the relationship between the clutter covariance matrix (CCM) and the clutter spectral distribution. Based on this, it avoids the problem of lacking stationary training data and converts the CCM estimation into the solving of the underdetermined equation only with the test cell. Then sparse representation method, like iterative reweighted least square (IRLS) is used to guide the solution of the underdetermined equation towards the actual clutter distribution. Finally, the transform matrix is designed using the CCM estimation so that the processed training data behaves nearly stationary with the test cell. Because the configuration parameters and the clutter spectral response are obtained with full-snapshot using sparse representation, SR-RBC provides more accurate clutter spectral estimation, and the transformed training data are more stationary so that better signal-clutter-ratio (SCR) improvement is achieved.