基于稀疏重构的机载雷达KA-STAP杂波抑制算法

机载雷达非均匀杂波环境下的空时自适应处理（STAP）算法会因杂波协方差矩阵估计不准导致其杂波抑制性能下降。传统知识辅助 STAP (KA-STAP)算法性能依赖于先验知识的准确程度以及配准精度,先验信息的失配可能会导致算法性能恶化。本文提出一种基于稀疏恢复技术构造杂波加噪声协方差矩阵的KA-STAP算法。该算法不依赖于先验信息,首先利用稀疏贝叶斯学习技术通过少量回波样本估计出稳健的辅助协方差矩阵,然后结合采样协方差矩阵进行空时处理。在小样本非均匀杂波场景下,该算法的输出性能优于传统KA-STAP算法。仿真结果表明了本文方法的有效性。     

基于环境动态感知的空时自适应处理

在非均匀环境中,缺乏独立同分布的训练样本会使空时自适应处理(Space-Time Adaptive Processing, STAP)算法性能严重下降。针对这个问题,该文提出一种基于环境动态感知的空时自适应处理方法。该方法首先通过发射一组正交信号感知观测场景获取杂波信息;然后利用杂波信息结合平台参数及系统参数预测未来一段时间内杂波的协方差矩阵;最后将预测的协方差矩阵与样本协方差矩阵进行组合以构造空时滤波器。仿真结果表明,与传统的知识辅助类STAP算法相比,该方法在缺乏准确先验知识的情况下依然可以有效地抑制非均匀环境中的杂波。     

基于多帧观测联合感知的空时自适应处理

在机载雷达体制中,空时自适应处理STAP(Space-Time Adaptive Processing)可有效抑制杂波并显著提高雷达对慢动目标的检测性能.但是在非均匀环境中,缺乏独立同分布的训练样本会使STAP性能严重下降.针对这个问题,本文提出一种基于多帧观测联合感知的空时自适应处理方法.该方法交替发射正交信号和普通的相控阵信号.检测前,通过当前及先前的环境回波感知观测场景获取杂波信息;检测时,先利用杂波信息结合平台参数及系统参数估计杂波协方差矩阵,再将估计的协方差矩阵与样本协方差矩阵进行组合以构造空时滤波器,抑制杂波,提高输出信杂比.仿真结果表明,与现有的知识辅助类STAP算法和降维算法相比,该方法在缺乏准确先验知识的情况下,可以有效地抑制非均匀杂波.     

基于俯仰维信息的机载雷达非均匀杂波抑制方法

 针对机载雷达天线非正侧放置导致的非均匀杂波抑制问题,从利用阵面俯仰维信息的角度出发给出了一类解决方法.本文首先分析了机载雷达阵面非正侧放置情况下待检测距离单元的杂波构成,得到由俯仰副瓣引入的近程杂波是导致杂波非均匀的关键因素这一结论;然后给出了利用俯仰自适应波束形成级联两维空时自适应处理(2D STAP)方法来抑制非均匀杂波,同时从本质上阐述了俯仰-方位-多普勒3D STAP方法在非均匀杂波环境下具有良好杂波抑制性能的内在机理.最后通过仿真验证表明,利用俯仰维信息类STAP方法在非正侧阵导致的非均匀杂波环境下具有良好的杂波抑制性能.     

知识辅助机载雷达杂波抑制方法研究进展

现有研究表明,有效利用先验知识可以较好地解决机载雷达自适应信号处理中的非均匀杂波问题.分析了当前知识辅助机载雷达杂波抑制方法研究的基本情况,从外信息源数据与雷达观测数据的关联、智能样本选取与滤波器选择两个方面分析了间接利用先验知识方法的研究进展,从先验协方差估计、预白化类空时自适应处理(STAP)算法以及贝叶斯滤波STAP算法三个方面分析了直接利用先验知识的方法的研究进展,分析了基于先验知识的CFAR处理方法以及高逼真度杂波建模与仿真的研究进展.建立在对现有研究分析的基础上,从对更多信息源的使用和更有效融合先验知识的STAP方法两个方面提出了一些值得进一步深入研究的问题.     

一种基于历史CPI数据的近程杂波抵制方法

文中对空时二维自适应处理（STAP）技术进行了基本原理性的论述,指出近程非均匀杂波由于样本不足导致STAP效果严重下降。针对机载相控阵雷达低重复频率数据中近程杂波难抑制的问题,根据机载平台在相邻相干积累时间（CPI）内运动距离短,雷达波束覆盖区域基本相同的特点,提出了一种利用前一CPI数据作为辅助知识抑制当前帧数据近程杂波的方法,算法根据历史CPI数据引入引起样本增加的特点,对近程非均匀杂波区进行精细分段处理,提升非均匀杂波抑制能力,改善非均匀杂波区的目标信杂噪比,文中对算法的原理进行了描述并通过实测数据实验验证了算法的性能。     

复杂地形环境下基于CL-KA-STAP的低空风切变风速估计方法

针对机载气象雷达在复杂的地形环境下探测低空风切变时,地杂波呈现的非均匀特征导致难以准确获得杂波统计特性,进而影响杂波抑制效果,使得风切变风速估计不准的问题,该文提出一种色加载知识辅助STAP(CL-KA-STAP)的低空风切变风速估计方法。该方法首先构造降维联合时空变换矩阵,并对待检测距离单元的回波信号进行降维处理,然后将由数字高程模型(DEM)和国家土地覆盖数据库(NLCD)获取的先验知识融入到组合空时主通道自适应处理器(CMCAP)中,构造色加载系数优化函数求解色加载系数,最后构造滤波器,实现杂波自适应滤波并准确估计风速。后续仿真结果证明了所提方法的有效性。     

一种非均匀环境下的MIMO雷达STAP算法

用来处理机载天线阵列所获数据的自适应技术被称作空时自适应处理技术。为了准确估计出检测距离单元杂波干扰的统计特性,传统的STAP算法要求训练样本和待检测样本中的杂波干扰应该是独立同分布（IID）的。但对于MIMO雷达体制和在雷达实际工作的非均匀杂波环境下很难做到这一点。本文将适用于均匀杂波环境的子空间算法推广到了非均匀环境下,仿真结果表明推广后的子空间算法在非均匀杂波环境下有着优秀的性能。     

基于自适应局域变换的离散干扰抑制算法

在非均匀杂波环境中,针对待检测距离单元的离散干扰严重影响统计空时自适应处理(STAP)杂波抑制性能的问题,提出了基于自适应局域变换的离散干扰抑制算法。该方法利用自适应局域变换矩阵具有局域变换和自适应滤波的双重特性,在较低计算复杂度条件下有效消除离散干扰对统计STAP方法的影响。仿真数据和MCARM实测数据分析表明,该方法能有效抑制待检测距离单元中的离散干扰和均匀杂波,显著改善STAP在非均匀杂波中的性能。     

基于联合稀疏功率谱恢复的机载雷达稳健STAP算法研究

机载雷达信号的空时自适应处理（STAP,Space-Time Adaptive Processing）需要利用样本数据来估计杂波协方差矩阵.非均匀杂波环境中的离群点会使协方差矩阵的估计出现偏差,从而导致信号相消现象.针对此问题,本文提出一种基于联合稀疏功率谱恢复的STAP算法（JSR-STAP）处理非均匀杂波,以克服离群点对正侧视模式机载雷达的STAP性能的影响.JSR-STAP算法在高分辨稀疏恢复的条件下,利用多快拍间杂波和离群点的分布规律和相关性不同,通过范数选择合适的稀疏恢复系数来实现离群点的抑制.Monte Carlo实验证明JSR-STAP算法的稳健性和动目标检测性能均优于传统的STAP算法.     

Knowledge-aided Bayesian radar adaptive detection in heterogeneous environment: GLRT, Rao and Wald tests

Adaptive filtering is an effective method for clutter suppression and radar detection. However, the performances degrade severely if the environment is heterogeneous. To solve this problem, we resort to a Bayesian framework and design knowledge-aided detectors under partially homogeneous model assumption, which outperform their conventional counterparts in heterogeneous environment. It is also proved that the proposed Bayesian generalized likelihood ratio test (GLRT) coincides with the Bayesian Rao and Wald tests, under the assumption that the covariance matrix of the cell under test is proportional to that of the training data.     

机载非正侧视阵知识辅助STAP方法

机载非正侧视阵的近程杂波具有严重的距离依赖性,在距离模糊条件下,现有的空时自适应处理(Space-Time Adap-tive Processing,STAP)算法难以对其进行有效抑制,为此提出了知识辅助的STAP处理方法。通过使用新的样本选择策略,以及改进的针对近程杂波的知识辅助协方差矩阵模型,该方法在处理非正侧视阵近程杂波时的性能接近最优,远高于一般的基于样本估计协方差矩阵的方法,并克服了缺少训练样本的问题。仿真结果证明了该方法的有效性。     

Target Detection for Heterogeneous Cyclostationary Sea Clutter

This paper mainly deals with the problem of target detection under the heterogeneous background of cyclostationary sea clutter. Conventional approaches generally assume the ideal condition requiring the secondary data to be homogeneous with the primary data in order to exactly estimate the clutter covariance matrix and implement the adaptive filters. To the contrary, the realistic clutter environments appear heterogeneous, leading to the performance degradation of these traditional processors. For the sake of alleviating the effect of the heterogeneity, the non-homogeneous detectors, especially with knowledge-aided (KA) method based on the prior knowledge, are presented under the heterogeneous Gaussian condition. However, the experimental data manifest that the compound-Gaussian distribution is successfully applied in modeling the heterogeneous sea clutter, which also presents the cyclostationarity. Accordingly, when lacking prior information as used in the KA method, a new non-homogeneous detector based on mean value (M-NHD) is proposed against the heterogeneous sea clutter with cyclostationarity by operating solely on the primary data, in terms of the generalized likelihood ratio test (GLRT) criterion. The expressions of the probabilities of detection and false alarm are subsequently given. Since the detection performance depends on the steering vector, an adaptive non-homogeneous detector based on the steering vector (SV-NHD) is proposed subject to the design method for the optimal steering vector. Finally, the numerical results evaluate the performance of the two proposed detectors with Monte Carlo method under heterogeneity.     

基于DEM的机载认知雷达均匀样本选择方法

认知雷达作为一种新概念雷达,还有一些关键技术亟待解决,杂波/干扰的抑制技术就是其中之一。真实环境下杂波/干扰一般是非均匀的,机载认知雷达为了达到抑制杂波和干扰的目的,通常需要事先选择均匀样本并剔除干扰样本。样本质量的好坏直接影响到机载认知雷达杂波和干扰抑制性能的好坏。为此,文中设计了一种基于数字高程模型数据的样本选择方法。新方法首先从数字高程模型数据中提取雷达照射区域内的多种地形因子;接着,根据地形因子选择均匀样本;最后,采用知识辅助的非均匀检测器剔除含干扰的样本。仿真结果表明:文中设计的方法可以很好地完成对均匀样本的挑选以及对干扰目标的剔除,明显优于现有相关方法,可以有效地提高机载认知雷达的杂波和干扰抑制能力。     

知识辅助的APR非均匀样本检测方法

针对空时自适应处理(STAP)中样本协方差矩阵受强干扰目标污染时检测性能下降的问题,提出了一种知识辅助的自适应功率剩余(KA-APR)非均匀样本检测方法。该方法将杂波先验知识与自适应功率剩余非均匀检测器(APR NHD)相结合,对训练样本进行有效选择。仿真结果表明,相对于传统的APR 方法,KA-APR 方法能更有效剔除存在强干扰目标的样本,提高训练样本被强干扰目标污染时空时自适应处理的检测性能。     

一种基于多级维纳滤波的多通道SAR动目标检测算法

该文针对机载多通道SAR-GMTI系统及实测数据,提出一种新的地面慢动目标检测算法。新算法利用多级维纳滤波器实现多通道SAR系统杂波抑制,同时结合对角加载技术和非均匀检测器,进一步改善SAR系统在非均匀环境下的动目标检测性能。实测数据实验结果表明:与常规的自适应检测方法相比,新算法能够明显提高系统对杂波的抑制能力及非均匀环境下系统的动目标检测性能。     

非均匀环境下基于知识辅助的扩展目标Wald检测器

针对分布式多输入多输出（Multiple Input Multiple Output, MIMO）雷达中运动扩展目标的检测问题,本文首先假设每个发射-接收天线组的干扰信号协方差矩阵为互不相同的随机矩阵,以模拟实际的非均匀工作环境。然后引入知识辅助模型,建立先验信息矩阵,描述非均匀环境下的干扰信号特性,其中所有发射-接收天线组的干扰协方差矩阵服从以先验信息矩阵为基础的逆Wishart分布。在此基础上,设计了一种基于知识辅助的Wald（KA-Wald）检测器。仿真实验表明,在小样本的情况下,本文设计的KA-Wald检测器在检测性能上优于传统Wald检测器。而与已有的基于知识辅助的广义似然比检验（KA-GLRT）检测器相比,检测性能相近,但是计算效率更高。