基于非线性回归的杂波重构STAP方法

空时自适应处理(STAP)相较于传统的脉冲多普勒雷达信号处理,扩展了信号的处理维度,使得杂波和目标在空时联合域得以区分。基于稀疏表示理论和杂波谱的稀疏性,稀疏恢复STAP(SR-STAP)实现了小样本条件下的杂波抑制。针对SR-STAP方法存在未知偏航角时性能下降的问题,提出了一种基于非线性回归的杂波重构STAP方法。首先,基于SR杂波谱,以离群度为收敛目标迭代地剔除脊外散点,并进行坐标加权的非线性回归,实现杂波脊模型参数的精确估计;然后,基于一次筛选的结果,再次通过非线性回归的方法精确估计杂波谱;最后,基于以上的估计结果完成杂波的重构和抑制。仿真结果验证了该杂波重构STAP方法的有效性,且相较于现有STAP方法,取得了更优的空时频率响应和SINR损失,有效提高了杂波抑制和动目标检测的性能。     

基于杂波谱稀疏恢复的空时自适应处理

在机载雷达体制中,空时自适应处理(STAP)可有效抑制杂波并完成动目标检测.但在实际杂波环境中,由于缺乏独立同分布的训练样本,传统STAP算法性能下降严重.针对这一问题,我们利用STAP体制下杂波在角度-多普勒域上的稀疏性,提出基于稀疏恢复的SR-STAP方法,可在少量训练样本下实现高分辨空时杂波谱及相应杂波协方差矩阵...     

一种利用双先验知识的稳健STAP算法

空时自适应信号处理（Space-Time Adaptive Processing, STAP）技术在空域和时域上联合地自适应抑制杂波,以实现对动目标检测。稀疏恢复空时自适应处理方法（Sparse Recovery STAP, SR-STAP）由于利用了杂波谱的稀疏性先验知识,可以缓解在机载雷达在非均匀环境下训练数据不足时,杂波抑制效果性能显著下降的问题。尽管SR-STAP只需要少量样本即可恢复出杂波谱并重构杂波协方差矩阵（Clutter Covariance Matrix, CCM）,其重构性能仍然受到训练样本数量的制约,当增加训练样本数量时,杂波谱恢复精度具有进一步提升的潜力。另一方面,当机载雷达的接收阵列为等间隔均匀线阵并且系统在一个相干处理间隔中脉冲重复频率恒定时,CCM可具有斜对称特性。该先验知识若被充分利用,可以将等效训练样本数量扩展为原来的两倍。本文将CCM的斜对称特性结合入SR-STAP的框架中,提出了一种稳健的SR-STAP算法,该算法同时利用CCM的斜对称特性和杂波谱稀疏性两种先验知识,能够在相同训练样本量下进一步提升杂波谱的恢复精度和CCM的估计精度。算法首先利用斜对称变换矩阵对从待检测单元中的数据和训练样本进行预处理,将等效训练样本数量扩展至原来的两倍;随后结合预处理后训练样本和一种协方差稀疏迭代算法,实现对CCM的准确重构并设计相应STAP滤波器。算法无需设置超参数,实际应用中易于操作。仿真结果表明,新算法能够有效提升杂波谱恢复的准确度,具有较好的杂波抑制性能。      

一种基于联合稀疏恢复的空时自适应处理方法

基于杂波谱稀疏恢复的空时自适应处理(STAP)技术可显著降低对训练样本的需求,因此适用于非均匀杂波环境。然而,现有杂波谱稀疏恢复STAP 方法均是基于单样本恢复或多样本分别独立恢复后联合处理,并没有同时利用多个样本中的信息,而且恢复性能易受噪声影响。针对上述问题,该文提出一种基于杂波子空间的联合稀疏恢复STAP 方法。该方法可充分利用多个训练样本中的杂波信息对杂波谱进行恢复,并在噪声环境下具有稳健的杂波抑制性能。仿真实验结果验证了所提方法的有效性。      

距离多普勒域多雷达信号融合

传统的单雷达目标检测算法在低信杂噪比(SCNR)场景下,其检测性能较差,对低空微弱目标检测时,由于杂波信号很强,目标回波信号可能在单个雷达的回波中被杂波淹没,导致不能检测到目标。所以,文中提出一种多雷达信号融合算法检测动目标,在距离多普勒域对多个雷达回波信号进行融合,增强目标信杂噪比。最后,通过仿真来验证提出的算法的有效性。     

非均匀杂波背景下STAP降维算法研究

机载雷达对地观测时，面临由于平台运动引起杂波谱展宽，平台偏航引入垂直基线使杂波谱对高程敏感，导致方位与距离模糊。复杂地物场景局部杂波散射强度变化以及大量目标干扰等非理想因素，致使杂波分布非均匀，严重制约了杂波抑制性能与动目标检测性能。针对上述问题，本文所采用的空时自适应处理(STAP)降维算法可以有效解决慢速运动目标低检出问题，提高非均匀杂波背景下杂波的抑制能力，增强运动目标的检测性能。其特点在于：利用多维域数据实现在线地物区域划分，增大有效样本容量，样本充足条件下直接估计杂波加噪声协方差矩阵实现杂波抑制。针对孤立离散杂波、干扰，结合杂波谱重构解决单样本下的地形杂波抑制与干扰对消，通过实测数据分析证明了本文所提算法的有效性。     

一种基于谱认知的海杂波中运动目标检测方法

海面运动运动目标的检测中,不同海杂波环境需要不同的信号处理方法,本文提出一种以杂波谱峰值杂噪比为环境认知参数的自适应目标检测算法.该算法首先对杂波谱进行参数估计,再根据参数,选择频率域或频空域联合处理.其中:频空域处理方法先通过子空间分解实现海杂波的空间特性均衡,再进行海杂波的对消,提高了慢速小目标的检测能力.最后,通...     

海杂波背景下基于FRFT的自适应动目标检测方法

本文主要研究了海杂波背景下微弱动目标检测问题,将基于统计理论的LMS算法和基于分数阶Fourier变换的动目标检测方法相结合,引入到海杂波微弱动目标检测中,并在此基础上提出一种分数阶Fourier域自适应动目标检测算法.首先建立了时变幅度的动目标检测模型,采用峰度检测的方法,通过计算目标回波分数阶Fourier域幅值的峰度值,分级迭代运算,确定最佳变换角度,既保证了参数估计精度,又降低了计算量.然后,构造分数阶Fourier域自适应谱线增强器,抑制海杂波,提高信杂比;将泄漏因子引入到加权矢量的迭代公式中,降低记忆效应对谱线增强器的影响;并对自适应步长进行功率归一化,提高收敛速度;输出信号在分数阶Fourier域与门限进行比较后判断目标的有无,估计出目标的运动参数.最后,采用X波段IPIX雷达海杂波数据进行验证,结果表明算法具有较快的收敛速率和较小的均方误差,在低信杂比条件下(sCR=-5dB)具有较高的检测概率(Pd=0.9),证明了算法的有效性和稳健性.     

基于多尺度自适应稀疏字典的小弱目标检测方法

针对单尺度固定函数的滤波器难以有效剔除杂波和提高小弱目标检测性能的不足,文中研究建立多尺度自适应稀疏字典,提出了一种多尺度自适应形态稀疏字典检测小弱目标方法。首先根据图像信号内容建立多尺度自适应形态稀疏字典,并将图像信号在多尺度稀疏字典中进行稀疏分解;然后在分析小原子稀疏表示系数的基础上建立稀疏表示系数直方图,并利用指数函数拟合小尺度原子的稀疏表示系数直方图;最后,根据指数函数拟合参数在杂波、噪声和目标表现出的差异检测小弱目标。该多尺度稀疏字典利用大尺度原子描述图像背景杂波,小尺度原子捕获图像细小特征。实验结果表明,与小波算法和Contourlet 算法相比,文中方法能更为有效地抑制背景杂波,减少背景残留,从而提高小弱目标检测性能。     

端射阵机载雷达稀疏恢复非平稳杂波抑制方法

针对端射阵机载雷达杂波谱存在的距离非平稳问题,提出了一种基于稀疏恢复的距离模糊杂波抑制方法。该方法首先通过稀疏恢复理论建立杂波回波数据的欠定方程,并结合欠定系统局灶解法求得杂波的空时谱分布,重构出每个距离门的杂波协方差矩阵;然后,以最远可检测距离单元为参考单元对杂波数据进行补偿,并进行目标约束;最后,基于补偿后的数据进行空时自适应杂波抑制处理。与传统端射阵距离模糊杂波谱补偿方法相比,该方法的杂波协方差矩阵估计精度高,杂波抑制性能更优。理论分析和仿真结果验证了该方法的有效性。     

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.     

基于lp 范数的离格稀疏空时自适应处理算法

稀疏恢复（Sparse Recovery, SR）空时自适应信号处理（Space Time Adaptive Processing, STAP）仅需要少量的杂波样本即可有效抑制杂波,但是稀疏恢复空时自适应信号处理依赖于空时字典,当载机运动方向与天线放置方向存在偏航角时,杂波脊偏离空时字典格点,出现离格问题,从而导致杂波抑制性能下降。已有的基于l1范数类的离格稀疏恢复算法在存在噪声时性能下降,没有充分利用杂波的稀疏性,文章提出一种基于lp(0<p<1)范数的离格空时自适应处理算法,首先将建立基于空时字典更新的稀疏恢复空时自适应模型,然后将该模型松弛为lp(0<p<1)范数的非凸优化问题,最后利用主函数最大化算法将该优化问题转化成凸优化问题,利用两层迭代求解的方法得到该问题的解,最后利用模型的解估计杂波协方差矩阵。通过仿真实验表明,提出的算法能够提高存在离格问题时的杂波恢复精度,抑制杂波的性能也优于已有的基于变分推断的算法。      

复杂地形环境下基于GAMP-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,地杂波呈现非均匀特征和难以获取足够的独立同分布(IID)样本,导致空时自适应处理(STAP)杂波抑制性能变差,使得风切变风速估计不准的问题。该文基于杂波信号稀疏特性,提出一种广义近似消息传递(GAMP)STAP方法,GAMP-STAP仅利用少量的样本在复杂地形环境下实现了风速较准确的估计。该方法首先利用杂波脊的先验信息构造稀疏字典,然后在贝叶斯框架下利用GAMP算法估计杂波幅度,恢复杂波功率谱,进而计算杂波协方差矩阵,最后构造STAP滤波器实现杂波抑制以及风切变风速估计。后续实验仿真结果证明了该方法的有效性。     

基于鲁棒主成分分析的多域联合杂波抑制算法

奇异值分解等传统算法在处理穿墙成像中的杂波抑制问题时,杂波消除不够彻底,目标成像质量不高,严重影响后续的目标检测与识别.为解决这一问题,该文基于鲁棒主成分分析理论,在回波域和图像域分别建立联合低秩稀疏模型,以光滑化快速交替线性化(SFAL)方法来求解模型,并对目标图像进行指数加权联乘多域图像融合处理,从而得到最终成像结...     

基于稀疏迭代协方差矩阵的谐波参数快速估计方法

针对稀疏迭代协方差估计(sparse iterative covariance-based estimation, SPICE)方法功率谱估计精度较低和计算复杂度较高的局限性,提出了一种基于稀疏迭代协方差矩阵的谐波信号功率谱和频率参数的快速估计方法。该方法主要结合渐近最小方差准则和快速傅里叶变换,对功率谱参数进行快速迭代校正估计。首先,使用SPICE算法得到功率谱和频率参数的初估计。然后,通过渐近最小方差准则得到功率谱参数的迭代校正表达式。最后,利用功率谱迭代校正式获得谐波信号的功率谱和频率参数的估计。为提高算法的计算效率,利用观测数据协方差矩阵的Toeplitz结构和导向矢量的指数形式,对协方差矩阵进行(Gohberg-Semencul, G-S)分解,通过快速傅里叶变换对协方差矩阵求逆和矩阵与向量相乘部分进行求解,从而使参数估计的计算时间大大减少。仿真实验表明,验证了所提算法对谐波功率谱和频率参数具有较高的估计精度,并且计算复杂度较低。      

基于贪婪-快速阈值迭代的SAR地面动目标稀疏表征算法

合成孔径雷达地面动目标成像(Synthetic Aperture Radar Ground Moving Target Imaging, SAR-GMTIm)技术通过在静止场景的SAR图像中检测运动目标响应,实现针对运动目标的重聚焦成像。通常情况下,地面运动目标回波响应相对于静止场景的回波(即杂波)具有较强的稀疏性,增强SAR-GMTIm成像结果的稀疏特征有利于目标分类和识别。现有的一阶算法如阈值迭代算法(Iterative Shrinkage-thresholding Algorithm,ISTA)及其改进方法,快速阈值迭代算法(Fast Iterative Shrinkage-thresholding Algorithm,FISTA)都可用于SAR-GMTIm稀疏特征增强,但都存在运算效率偏低,收敛速度较慢的问题。针对以上问题,本文提出了一种贪婪-快速阈值迭代算法(Greedy Fast Iterative Shrinkage-thresholding Algorithm,Greedy FISTA)用于SAR-GMTIm稀疏特征恢复。该算法基于重启动框架对FISTA进行改进,缩短了算法重启间隔和振荡周期,拥有比FISTA更快的收敛速度。本文利用Greedy FISTA针对SAR-GMTIm的仿真复数据以及美国空军实验室的Gotcha实测雷达数据进行成像实验,并对比Greedy FISTA和FISTA、ISTA在SAR动目标成像中达到同等精度所需的迭代次数,再结合相变热力图分析法对比三种算法的恢复性能。实验结果表明Greedy FISTA应用于SAR-GMTIm系统具有良好的成像效果, 且在收敛速度和稀疏信号恢复方面相较传统阈值迭代算法及快速阈值迭代算法有明显优势。      

相参处理间隔较短条件下基于稀疏重构及形态成分分析的航管雷达风电场杂波抑制

近些年来,世界各国越来越重视风力发电的发展。风电场的存在可能对航管监视雷达性能产生负面影响,因此风电场杂波抑制技术的研究对于提升航管监视雷达工作性能、保障空中交通安全具有重大意义。形态成分分析(MCA)算法根据信号稀疏特征的不同应用于风电场杂波抑制时,计算量较低且性能较好。但是针对实际雷达参数中相参处理间隔(CPI)较短造成的谱分辨率降低及信号特征不明显时,MCA算法的杂波抑制性能受到影响,因此选择将稀疏重构算法与MCA算法结合用于短CPI情况下的风电场杂波抑制。该文认为短CPI接收回波数据为较长CPI雷达回波数据基础上发生尾部数据缺省,继而利用稀疏重构算法对缺省数据进行恢复,再利用MCA算法抑制风电场杂波。实验结果验证了该方法的有效性。     

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.