时变加权的机载双基雷达降维空时自适应处理

针对机载双基雷达传统降维空时自适应处理方法杂波抑制性能较差的问题,提出了一种新的降维方法.该方法对杂波协方差估计矩阵进行降维处理,利用时变加权技术对降维后的权值矢量进行更新,以补偿杂波的距离相关性,提高杂波协方差估计准确度.理论分析和仿真结果表明:在不同的双基雷达配置情况下,该方法均可以对非均匀杂波进行有效抑制;且相对时变加权技术最优空时自适应处理,运算量和所需训练样本数大幅减少.此外,与多普勒补偿或角度多普勒补偿方法相比,该方法无需了解有关雷达平台和配置场景的先验知识,适于工程实现.     

距离模糊下天空双基地预警雷达杂波抑制方法

天空双基地预警雷达杂波具有严重的非平稳性,同时存在距离模糊,使得杂波抑制变得困难。针对考虑距离模糊时天空双基地预警雷达杂波抑制问题,基于子孔径平滑处理和重构杂波协方差矩阵的思想,提出了一种非平稳杂波抑制方法。首先对某一距离环杂波数据进行子孔径平滑处理,估计出子孔径下的杂波协方差矩阵;然后计算该距离环功率谱并作为幅度值,重构模糊距离环的杂波数据和协方差矩阵;最后利用重构数据对距离模糊杂波进行空时自适应处理。仿真结果验证了所提方法的有效性。     

直接基于目标距离环杂波特性的样本选择

提出了一种基于CUT杂波特性直接估计的机载雷达训练样本选择算法.该方法直接利用CUT的子孔径协方差矩阵对杂波进行表征,由于估计过程不依赖训练样本,可不受样本中干扰目标影响.考虑到目标距离环中可能存在目标信号,所提算法采用CUT子孔径协方差矩阵的Capon谱对目标可能存在的区域以外进行积分重构,从而剔除协方差矩阵中的目标...     

机载双基地雷达杂波距离依赖补偿方法

针对杂波距离依赖造成空时自适应处理器性能下降问题,提出一种基于最小二乘估计的聚焦矩阵补偿方法。首先,利用最小二乘方法估计杂波幅度,选取幅度较大的杂波点;其次,根据杂波点的空时导向矢量求解聚焦矩阵,通过聚焦矩阵直接对训练数据进行线性变换;最后,根据变换后的数据估计出待检测单元的杂波噪声协方差矩阵,进而求出自适应权值矢量。该方法采用非均匀采样求解聚焦矩阵,杂波抑制性能更好,仿真实验验证了所提方法的有效性。      

机载雷达平面阵前视杂波距离依赖性补偿

机载前视阵雷达下,杂波具有距离依赖性,杂波脊有明显的展宽,这会影响杂波协方差矩阵的估计,并降低杂波抑制的效果。自适应角度多普勒补偿(A2DC)算法通过估计训练样本杂波频率特性,对杂波进行自适应补偿,从而改善杂波抑制性能。但是,当天线阵元数与积累脉冲数较少时,该算法有较明显的性能衰减。文中利用平面阵俯仰维的阵元数据信息,对估计得到的杂波频率取统计平均,增加了A2DC算法可用样本数,使得估计的杂波频率信息更精准,杂波补偿效果更好,仿真结果证明了该算法的有效性。     

基于单通道SAR图像序列特征值分解的动目标检测方法

该文提出了一种基于单通道图像序列间协方差矩阵分解的动目标检测方法。首先给出基于方位频谱划分获取子图像的处理过程,分析了子孔径划分在图像序列间所产生的误差来源,结合二维自适应方法对幅度和相位上存在的误差同时校正,实现了子图像间的配准,构造出类似于多通道的子图像。在此基础上,结合多通道杂波抑制的思想,详细分析了两子孔径间协方差矩阵特征值分解实现目标与杂波分离的原理,并针对在图像域估计采样协方差引起的精度与目标能量损失之间的矛盾,提出了在距离多普勒域的改进处理。最后,经过仿真实验验证了该方法的有效性。     

对运动目标约束的机载前视阵雷达杂波谱补偿方法

在机载前视阵雷达中,由于地面杂波存在距离依赖性,使得杂波协方差矩阵估计不准确,进而导致空时自适应处理(STAP)的杂波抑制性能严重下降。基于配准的杂波补偿方法(RBC)能够有效地对地面杂波的距离依赖性进行补偿,但当杂波数据中含有运动目标时,使用该方法对杂波补偿后,包含在杂波中的运动目标信息会在空时平面散开,导致其无法被检测。针对上述问题,提出一种运动目标约束的杂波补偿方法,即在基于配准的方法中,根据运动目标与杂波的多普勒频率不同来添加运动目标约束保护。计算机仿真结果表明:该方法不仅能够降低杂波距离依赖性,而且可以有效地对运动目标信息进行保护。     

载机偏航下基于广义相邻多波束自适应处理的低空风切变风速估计

该文提出一种载机偏航下基于广义相邻多波束(GMB)自适应处理的低空风切变风速估计的方法,该方法首先利用基于回波数据的杂波距离依赖性补偿方法对杂波进行距离依赖性矫正,估计出杂波协方差矩阵。然后同时组合空域的相邻多个波束与时域的相邻多个多普勒通道来计算降维变换矩阵,并对待测距离单元内的雷达回波数据进行降维处理,进而构造GMB自适应处理器的最优自适应权矢量对降维后的回波数据实现自适应滤波。最后完成载机偏航下风场速度的准确估计。仿真结果验证了该方法能够在载机偏航情况下,获得风场速度的有效估计。     

一种基于改进A2DC的机载双基杂波谱补偿方法

机载双基预警雷达目标探测系统具有较高的安全性和稳健的探测性能,但其非理想探测构型会造成杂波的非平稳性。传统自适应角度多普勒补偿(A2DC)方法对每个距离门的杂波数据进行空-时两维谱中心的估计,能够有效地补偿双基杂波因复杂构型引入的非平稳误差。然而,当回波中有较强的目标干扰信号时,自适应角度多普勒补偿方法会错误地估计该距离门杂波信号的空-时中心频率,造成目标信号产生相消现象。针对该问题,文中提出一种基于改进的A2DC的双基杂波谱补偿方法。所提方法将自适应角度多普勒补偿和广义内积法相结合,在杂波非平稳误差初步补偿之后剔除含有“疑似目标”的非均匀距离样本;并用该距离门附近样本的杂波谱中心估计参数构成相应的补偿矩阵,对该距离单元杂波数据进行角度-多普勒域的谱误差精确补偿;最终根据双基杂波非平稳误差精细化补偿后的样本数据,实现地理杂波的有效抑制,且有效避免了动目标信号因空域相消导致信杂噪比严重降低的问题。机载双基雷达杂波抑制和动目标检测的仿真实验结果表明,所提方法在面对多目标信号干扰时具有优良的双基杂波距离依赖补偿效果,从而完成稳健的地理杂波对消和动目标信号的可靠探测。     

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。     

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.     

基于传播算子的机载前视阵雷达杂波谱补偿方法

 针对机载前视阵中杂波多普勒频率随距离发生变化,导致杂波谱在距离上呈现严重的非平稳性,因此根据杂波模型提出了一种新的杂波谱补偿方法,该方法首先对接收数据进行分块处理来构造传播算子以获得杂波子空间,再将训练单元的杂波子空间向待检单元的杂波子空间进行投影得到一个变换矩阵,然后用这个变换矩阵对数据进行处理,使杂波谱得到补偿,最后利用空时自适应算法对补偿后的数据进行杂波抑制.仿真结果表明此方法有效地抑制杂波的非平稳性,提高了雷达抑制杂波的性能.     

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.     

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.     

基于协方差矩阵双层重构的稳健自适应单脉冲测角

常规自适应单脉冲方法在主瓣干扰下会引起自适应波束形成性能恶化并导致其单脉冲比曲线严重失真,影响被动雷达的测角精度与跟踪性能。针对此问题,提出了一种适用于平面阵的基于协方差矩阵双层重构的稳健自适应单脉冲测角方法。首先,利用Capon功率谱通过稀疏重构法初步估计出干扰加噪声协方差矩阵,通过干扰导向矢量估计完成对协方差矩阵的优化校正以提高自适应波束形成性能;然后,基于线性约束最小方差(Linearly Constrained Minimum Variance, LCMV)准则对方位角和俯仰角进行联合线性约束以避免单脉冲比曲线在主瓣干扰下严重失真;最后,根据自适应单脉冲比值求出目标与波束指向之间的偏转角以实现目标测角。与常规方法相比,所提方法在干扰抑制能力与测角精度上都有显著提升。     

基于空时自适应处理的低空风切变风速估计方法

针对机载气象雷达在探测低空风切变时,有用信号会淹没在强杂波背景中的问题,该文提出一种基于空时自适应处理(STAP)的低空风切变风速估计方法。该方法首先利用空时插值原理校正机载前视阵地杂波的距离依赖性,获得多个独立同分布(IID)样本后估计地杂波协方差矩阵,然后构造适用于分布式低空风切变目标的空时自适应处理器,在自适应抑制地杂波的同时积累低空风切变信号,最终实现风场速度的精确估计。仿真结果表明,在高杂噪比、低信噪比的情况下,该方法可有效地自适应抑制地杂波并精确地估计风场速度。     

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。