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。     

基于KA⁃SRCN⁃pSTAP的低空风切变风速估计方法

针对由于独立同分布（IID）样本严重不足,导致极化空时自适应（pSTAP）处理性能下降,进而导致低空风切变风速估计不准确的问题,本文提出了一种基于知识辅助的稀疏表示杂波零陷极化空时自适应（KA?SRCN?pSTAP）的低空风切变风速估计方法。该方法首先利用杂波脊的先验知识辅助构造极化空时稀疏字典,然后利用极化空时稀疏字典,通过SRCN算法挑选原子并对到杂波线性子空间补空间上的投影矩阵进行估计,从而得到pSTAP权矢量,最后构造pSTAP滤波器对地杂波进行抑制,准确估计低空风切变风速。该方法仅使用少量IID样本,将SRCN算法与极化?空时域相结合,完成对风切变风速的有效估计。仿真实验结果证明该方法可以有效实现少样本情况下的风速准确估计。     

机载柱形共形阵低空风切变风速估计方法

针对机载柱形共形阵气象雷达在探测低空风切变时,有用信号会受到强地杂波影响的问题,提出了一种机载柱形共形阵体制下的低空风切变风速估计方法。该方法首先从柱形共形阵特殊阵列流型引起杂波抑制困难的本质原因出发,利用空域角频率补偿法对各个距离单元的回波数据进行补偿,获得多个独立同分布(Independent and Identically Distributed, IID)的样本后估计杂波协方差矩阵,然后构造适用于低空风切变目标的空时自适应(Space-Time Adaptive Processing, STAP)处理器,在自适应抑制地杂波的同时积累风切变信号,最终实现风场速度的精确估计。仿真结果表明,该方法可有效实现地杂波的抑制并精确地估计风速。     

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。     

基于双极化通道数据融合的低空风切变风速估计方法

本文提出了一种基于双极化通道数据融合的低空风切变风速估计方法。该方法首先计算同极化通道和交叉极化通道地杂波的平均功率,从而确定同极化通道和交叉极化通道功率加权系数;其次将同极化通道和交叉极化通道地杂波数据融合,得到双极化通道数据融合杂波协方差矩阵;然后通过求解空时自适应(Space-Time Adaptive Processing, STAP)处理器的最优权矢量自适应滤除杂波,实现地杂波抑制;最后实现对低空风切变风速的准确估计。仿真结果证明所提方法可以有效地实现杂波抑制并估计低空风切变风速。     

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。     

回波功率筛选与数字地表分类数据辅助的低空风切变风速估计方法

针对非均匀杂波环境下,低空风切变风速估计不准的问题,该文提出一种回波功率筛选与数字地表分类数据(DLCD)辅助的低空风切变风速估计方法。该方法首先利用样本回波功率对训练样本进行初选,然后利用DLCD计算各样本间的相似度,并从功率较大的训练样本中选取样本相似度较高的训练样本估计待测距离单元的杂波协方差矩阵,最后利用广义相邻多波束(GMB)-局域联合处理(JDL)的方法实现低空风切变风速的有效估计。     

回波功率筛选与数字地表分类数据辅助的低空风切变风速估计方法

针对非均匀杂波环境下,低空风切变风速估计不准的问题,该文提出一种回波功率筛选与数字地表分类数据(DLCD)辅助的低空风切变风速估计方法.该方法首先利用样本回波功率对训练样本进行初选,然后利用DLCD计算各样本间的相似度,并从功率较大的训练样本中选取样本相似度较高的训练样本估计待测距离单元的杂波协方差矩阵,最后利用广义相邻多波束(GMB)-局域联合处理(JDL)的方法实现低空风切变风速的有效估计.     

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。     

基于原子范数的无网格稀疏恢复非正侧视阵空时自适应处理算法

基于杂波谱稀疏恢复的空时自适应处理(STAP)方法可以显著降低对杂波样本数的要求,十分适合缺少样本情况下的机载雷达杂波抑制。然而,现有稀疏恢复STAP方法利用离散化空时导向矢量字典进行重构,在非正侧视阵情况下,由于杂波脊不在字典网格点上,字典失配问题严重影响杂波抑制性能。针对上述问题,该文提出了一种基于原子范数的无网格稀疏恢复空时自适应处理方法(ANM-STAP),利用低秩矩阵恢复理论实现连续空时平面的稀疏恢复,克服了稀疏恢复中的字典失配问题,获得了非正侧视阵情况下的高分辨率杂波空时谱,有效提高了STAP杂波抑制性能。Monte Carlo实验证明,该文方法STAP处理性能在非正侧视阵情况下优于已有字典离散化处理的稀疏恢复STAP方法。     

稀疏贝叶斯字典学习空时机动目标参数估计算法

针对基于稀疏恢复的空时自适应处理(STAP)目标参数估计方法中字典失配导致估计性能下降的问题,该文提出一种基于稀疏贝叶斯字典学习的高精度目标参数估计方法。该方法首先通过目标方位信息补偿多个阵元数据构建联合稀疏恢复数据,然后对补偿后的每个阵元数据利用双线性变换进行加速度和速度项分离。最后构建速度参数和加速度参数的泰勒级数动态字典,对机动目标参数进行高精度贝叶斯字典学习稀疏恢复。仿真实验证明,该方法能有效提高字典失配情况下目标参数估计精度,估计性能优于已有字典固定离散化的稀疏恢复空时目标参数估计方法。     

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。      

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。     

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。