一种波束域的高速空中动目标检测及参数估计方法

Keystone变换所需的插值运算存在计算量大的问题,尤其是用于空时自适应处理（Space-Time Adaptive Processing,STAP）时需要对每个阵元接收的数据分别进行Keystone变换,给工程实现带来了困难.为了解决这一问题,提出了一种在波束域进行Keystone变换校正目标距离走动的新方法,该方法将传统的对每个阵元数据的Keystone变换转换为在波束域进行Keystone变换,从而将N个阵元对应的N次Keystone变换转换为只在主波束内进行一次Keystone变换,这样做使算法的主要运算量降低为原来的1/N.然后将压缩感知（Compressed Sensing,CS）理论用于空时自适应处理的目标参数估计,取得了良好的估计性能.最后通过仿真实验验证了本文方法的有效性.     

基于提升Keystone变换的声呐宽带自适应波束形成方法

针对Keystone变换在宽带阵列预处理方面的优势和常规Keystone变换存在的阵元数据缺失问题,该文将自回归模型与常规Keystone变换相结合,提出一种基于提升Keystone变换的声呐宽带自适应波束形成算法。该算法首先将常规Keystone变换应用于宽带阵列信号的相位对齐,接着采用自回归模型对变换后各频段缺失的阵元数据进行预测补偿,最后通过稳健自适应波束形成处理获得目标方位输出结果。仿真实验结果表明,基于提升Keystone变换的宽带自适应波束形成算法性能优于常规Keystone自适应算法、指向最小方差自适应算法和聚焦自适应算法。

     

基于波束域预处理的阵列盲信号分离方法

相控阵雷达采用多个阵元进行信号的接收处理,其多通道信号处理可以采用盲信号处理的方法进行目标源信号分离.由于阵元间距导致信号在阵元间产生相位延迟,在进行盲分离的时候一般只能采用卷积混合模型,盲分离过程是较为复杂的多通道反卷积问题.文中对阵列接收信号进行波束域预处理,通过确定的空间波束相位补偿,将阵元域的多时延混合信号变换为瞬时混合信号,从而采用简单的实数分离算法即可完成信号分离,分离信号可用于后置处理.所提方法简单有效,相比常规阵列信号处理方法,可直接适用于宽带信号.仿真实验验证了其有效性.     

阵列内插的波束域ML米波雷达测高方法

针对多径环境下低仰角目标角度估计的最大似然(ML)算法运算量大的问题,提出了一种能有效降低运算复杂度的米波雷达测高方法一基于阵列内插的波束域ML算法.首先对大间距的均匀线阵进行等间隔内插,对波束域变换存在的角度模糊问题实现了解模糊;通过无模糊的波束域变换将阵元接收的数据合成为少数几个波束域的数据;利用波束域的ML算法估计目标的仰角并计算其高度.该算法在获得与传统的ML算法相当的测角和测高精度的同时,运算量仅为传统ML的25%.计算机仿真和某米波雷达实测数据的处理结果验证了该算法的有效性和可行性.     

天波雷达后多普勒自适应波束形成

该文推导了短波干扰在距离-多普勒域上的解析表达式, 表现为平行于距离轴的恒幅谱脊;分析了电离层运动导致的短波干扰空间非平稳性, 其等效为各阵元上相同多普勒频点之间的幅相误差, 对自适应波束形成的影响可以忽略。在上述分析的基础上, 该文提出了天波雷达后多普勒自适应波束形成方法, 首先将各阵元接收信号变换到距离?多普勒域上, 然后在各个频点上分别进行自适应处理。实测数据处理表明该方法的干扰抑制性能良好, 稳健性也较强。      

宽带子阵域特征空间稳健对角减载波束形成

针对宽带子阵域自适应波束形成器在实际使用中稳健性下降、对弱信号的检测能力受信噪比限制的问题,提出了一种宽带子阵域特征空间稳健对角减载自适应波束形成方法.首先提出利用子阵域特征空间投影法修正导引向量并得到球形不确定集的估计,再利用RCB（Robust Capon Beamformer）算法得到约束条件下的最优权值.另一方面,利用子阵域互谱密度矩阵的最小特征值作为子阵域非相关噪声功率的估计并进行对角减载,以最优权值对减载矩阵波束形成得到子带波束输出,对每个窄子带重复上述处理,再将结果非相干叠加即可得到本文方法的最终结果.理论及实验分析表明方法能提高自适应波束形成器的稳健性及输出信噪比.     

机载雷达时-空二维部分联合自适应处理

本文在进一步分析机载侧面阵雷达二维联合处理与级联处理之差异的基础上,提出了一种对阵元误差具有较高容差能力的二维滤波新方法,先用降维变换将时空二维场数据变换到低维空间,再进行联合域波束空间部分自适应处理。     

分布式目标参数估计的波束域处理方法

分布式目标参数估计的阵元域处理方法的运算量较大,将波束域处理方法用于分布式目标参数估计,降低分布式目标高分辨测向算法的运算量,提高输入信噪比,同时降低算法对系统误差的敏感性.在分布式目标源比较集中的情况下,利用较少的几个波束形成波束空间进行参数估计,能实现良好的估计性能.仿真结果验证了此方法的有效性.     

基于斜投影的波束域主瓣抗干扰研究

针对雷达主瓣干扰和计算量大的问题进行深入系统的研究,给出了基于空间谱估计斜投影滤波的主瓣抗干扰方法。首先,将阵元域数据变换到波束域进行处理能够在保证感兴趣区域内性能不变的情况下大大降低计算量。其次,对波束域数据进行斜投影滤波处理,抑制主瓣干扰,具有较高的工程应用价值。最后,通过计算机仿真表明：只有保证接收数据的快拍数大于2倍阵元数目,信号与主瓣干扰方位间隔大于1/4波束宽度,并且信噪比和主瓣干噪比的差异在20dB以内时,处理后的波束域数据在信号估计时不会出现估计误差,能正确地检测出目标信号。     

声矢量阵自适应波束域广义似然比检测算法

为了解决水下强干扰背景下的远程弱目标被动探测问题,基于声矢量阵,本文提出了一种自适应波束域的检测算法。该算法首先对阵列接收数据进行波束域变换,令通带覆盖整个观测扇面,并自适应地抑制扇面外的强干扰信号;然后在波束域进行广义似然比检测。仿真结果表明,该算法能在强干扰背景下实现对远程弱目标的检测,并且具有恒虚警率特性。     

机载雷达高速空中微弱动目标检测新方法

该文分析了机载雷达高速微弱空中动目标检测问题,指出直接对总回波数据进行Keystone变换校正存在多普勒模糊的动目标的距离走动时,会导致杂波脊展宽、杂波自由度增加从而降低STAP性能。为了解决这一问题,该文提出了一种新方法,该方法首先进行杂波抑制,然后利用Keystone变换校正目标距离走动,最后对目标距离走动校正后的数据进行常规空时2维波束形成实现目标积累,从而避免目标与杂波模糊数不同时,直接对回波数据进行Keystone变换校正动目标距离走动的同时影响杂波分布特性进而降低STAP性能的问题。仿真结果证明了该方法的有效性。     

主动声呐混响抑制的空时相三维处理方法

针对主动声呐的混响抑制问题,该文将空时2维的处理方法扩展到空、时、相3个维度。该方法通过3个子阵的相位匹配,利用信号相位对信号方位的依从性,从波束域、多普勒域和相位域上分离混响与目标。区别于空时自适应处理(STAP)方法,它不需要知道信号与混响的统计特性,不用进行混响协方差矩阵的估计,从而对混响的非平稳性具有更好的适应性。仿真数据及试验数据的分析证明,该方法较之传统方法能够从更低信混比中检测出目标。     

基于STAP的高速空中微弱多目标检测

空时自适应处理（Space-time adaptive processing, STAP）是一种有效的机载雷达动目标检测方法。为了对高速微弱空中动目标进行检测,常常要求相干累积时间较长。在此情况下,目标会发生严重的距离走动,一般常用Keystone变换来校正。但由于目标存在严重的速度模糊,此时Keystone变换会对STAP性能产生影响,而且Keystone变换无法对模糊数不同的各目标的线性距离走动进行统一校正。针对这些问题,本文提出了一种基于STAP、Keystone变换及Clean技术的高速微弱空中多目标检测方法。该方法首先进行杂波抑制,从而避免了Keystone变换降低STAP性能的问题,同时借助于Clean技术逐个检测出各目标并将其从总的数据中消除,因此对于模糊数不同的多个目标也是有效的。仿真结果证明了该方法能够有效的实现高速空中微弱多目标检测。      

基于旋转干涉仪圆阵化的多目标参数估计新算法

针对现有的长基线旋转干涉仪存在相位模糊,且不能对多个同频、同时到达的目标信号进行角度估计问题,该文提出一种基于旋转干涉仪虚拟圆阵化的多目标波达参数估计新算法。该方法首先将旋转干涉仪采样得到的两通道数据进行共轭相乘操作,获得虚拟圆阵信号;然后采用波束空间变换法将虚拟圆阵数据从阵元空间转换到波束空间,得到虚拟线阵数据序列;最后在实波束域上实现多目标2维角度无模糊估计。相比于传统旋转干涉仪方法而言,所提方法在不增加接收通道的同时,能够实现多目标角度的无模糊测量。仿真实验验证了所提方法的有效性。     

宽带自适应和差波束形成与测角方法研究

针对宽带自适应空频处理的信噪比要求高、计算量大等问题,本文提出了一种基于均匀线阵的无需预延迟处理宽带空时处理结构的自适应和差波束形成与测角方法。方法利用和波束指向在多频点处的响应来建立多约束条件,以此获得基于线性约束最小方差的自适应和波束权向量,对多频点的空时二维向量修正和波束权向量得到差波束权向量,最后进行和差波束形成,对每个样本和差比幅单脉冲测角。本方法相比于常规的自适应单脉冲测角方法,可有效地处理宽带信号,不需要对每个频带信号进行检测,具有低信噪比条件下可测角、测角精确度高等特点,而且仿真分析验证了当存在主瓣干扰时,该方法仍然有效。      

一种降维空时自适应处理子阵划分方法

针对机载预警雷达降维空时自适应处理的子阵划分问题,提出了一种基于蚁群算法的雷达阵面子阵划分方法。该方法在子阵数给定的情况下,以最大化子阵级空时自适应处理的改善因子为优化准则,利用蚁群算法搜索子阵间的分隔点,从而获取最优的子阵划分方式。子阵划分是一种组合优化问题,蚁群算法非常适合于解决这种问题。仿真结果表明,利用该方法划分子阵并进行子阵级空时自适应处理,其改善因子总体上仅比阵元级的约低2dB,空时自适应方向图无明显的栅瓣,副瓣也较低。     

基于Schur-Hadamard积波束域传播因子的分布式信源参数联合估计

针对分布式信源阵元域参数估计算法在低信噪比时性能下降、计算量大的问题,提出了基于Schur-Hadamard积波束域传播因子的分布式信源参数联合估计算法.根据角度信号密度对称的约束条件,将分布式信源方向向量化简为点信源方向向赶与实矩阵的Sehur-Hadamard积,使其两个子矩阵满足传播因子的线性变换,进而将波束域传播因子方法用于分布式信源参数联合估计,降低了计算量.仿真实验验证了所提算法的有效性,与阵元域DSPE算法相比,基于Schur-Had-amard积的波束域传播因子算法具有更好的信噪比性能.     

一种新的均匀圆阵宽带波束域高分辨测向算法

波束域算法是通过对阵列信号进行波束形成预处理,再进行高分辨测向.本文提出了一种新的均匀圆阵宽带波束域高分辨测向算法,推导出波束域聚焦矩阵的表达式.新方法大大提高了圆阵宽带波束域测向算法的分辨率,估计精度等性能.最后通过计算机仿真,与基于模式空间变换的宽带圆阵波束域算法和宽带圆阵相干信号子空间算法进行了比较,验证了新算法的优良性能.     

基于道路信息的知识辅助空时自适应处理

主波束中的车辆回波信号会污染空时自适应处理(STAP)的训练样本,导致空时自适应处理时的目标自相消,引起漏警。针对这一问题,该文提出一种基于道路信息的知识辅助(KA)空时自适应处理方法。该方法首先根据主波束中道路相对于雷达的位置估计道路上车辆相对于雷达的径向速度,然后得到可能含有主波束车辆回波信号的距离-多普勒单元,接着根据训练样本与杂波导向矢量和主波束导向矢量的匹配程度判断这些训练样本是否包含主波束车辆回波信号,最后在进行空时自适应处理估计杂波协方差矩阵时剔除被主波束车辆回波信号污染的训练样本。理论分析及实验结果表明该方法可以提高道路密集环境中空时自适应处理的信杂噪比输出,改善空时自适应处理雷达的性能。     

基于MIMO模型下的目标定位

Bekermani提出了一种新的空时编码方法,用于雷达或声纳等目标检测和定位系统,该方法将数字波束形成同时应用于天线阵元发射端和接收端。在此基础上,将该方法推广至多目标定位系统,利用该方法可以产生大量虚拟阵元,从而增加了可以检测到的目标数目,提高了阵元的利用率。通过计算机仿真,证明该方法的可行性。