非均匀环境下利用杂波脊信息的杂波滤除方法研究

该文针对空时自适应检测训练样本中含有干扰目标会导致目标检测性能下降的问题,提出一种利用杂波脊先验信息滤除杂波的方法,使目标检测不受训练样本中干扰目标的影响,并且提高了小样本情况下的检测性能。利用机载雷达地杂波在角度多普勒空间的分布特点,结合杂波2维高斯功率谱密度模型,构造杂波协方差矩阵用于滤除对目标有遮蔽影响区域内的杂波。模型参数的设定充分结合了环境先验信息,使参数设定快速准确。通过仿真数据和MCARM实测数据的仿真实验,结果表明在训练样本被干扰目标污染和小样本情况下,利用杂波脊信息的杂波滤除方法均能有效滤除杂波,检测性能高于传统的自适应检测方法。     

一种分数低阶局部最优目标检测方法

:针对传统局部最优检测器在显著非高斯杂波背景下导致检测性能下降的问题,该文提出一种分数低阶局部最优雷达目标检测方法。首先对局部最优检测器的模型进行简化,在此基础上,根据分数低阶统计量理论,利用分数低阶相关矩阵描述杂波的相关特征,并以分数低阶二次型作为局部最优检测器的权值,改善了显著非高斯杂波背景下的雷达目标检测性能。利用仿真数据和IPIX雷达数据进行实验分析,结果表明,针对显著的非高斯杂波背景下的弱目标信号,相对于传统的局部最优检测方法,该文方法的检测性能显著提高。     

基于贝叶斯的高斯杂波背景下MIMO雷达自适应检测算法

对于集中式多输入多输出(Multiple-Input Multiple-Output, MIMO)雷达,该文研究了高斯杂波背景下的目标检测问题。该文假设杂波的协方差矩阵是未知随机的,且服从逆复Wishart分布,基于贝叶斯方法和广义似然比检验准则设计了两种新型自适应检测器。该文提出的贝叶斯检测器具有两个显著的优点:(1)不需要训练数据;(2)杂波的先验知识体现在设计方案中,从而提高了检测性能。仿真结果显示该文提出的贝叶斯检测器的检测性能优于目前常用的非贝叶斯检测器,特别是在发射波形采样数较少时。另外,该贝叶斯检测器在参数失配条件下的性能会有一定程度下降。      

无参考数据的分布目标知识辅助检测

该文利用待检测单元杂波协方差矩阵的先验信息，基于贝叶斯方法，研究无参考数据条件下的分布目标的知识辅助检测问题。首先针对非均匀场景，假定各个距离单元杂波协方差矩阵依概率1不相等，给出了广义似然比检验和最大后验-广义似然比检验两种检测器。然后针对均匀杂波场景，给出了单步和双步广义似然比检验两种检测器。进一步利用计算机仿真分析了先验模型失配条件下的检测器性能。分析结果表明，先验模型参数u较小时，检测器性能与先验模型匹配程度密切相关。当u趋于无穷大时，该文给出的几种检测算法性能趋于相同。     

复合高斯杂波下抑制失配信号的自适应检测器

随着雷达分辨率的提高及擦地角的减小,海杂波幅度分布明显偏离瑞利分布,表现出很强的非高斯特性,复合高斯模型得到广泛应用。因此该文以复合高斯杂波为背景,研究当信号发生失配时的雷达目标检测问题。该文基于两步广义似然比(GLRT)检验,设计了复合高斯杂波下对失配信号具有选择性的自适应检测器。为了设计选择性检测器,在零假设下引入虚假干扰以修正原始二元假设,并假设该虚假干扰与实际目标信号在白化空间正交。该文提出的检测器对海杂波纹理分量及协方差矩阵恒虚警(CFAR)。最后利用仿真及实测海杂波数据,通过蒙特卡洛实验验证该检测器的有效性。实验表明,该文所提检测器有效提高了对失配信号的选择性,同时对距离扩展目标匹配信号的检测性能也有1～3 dB的提升。      

基于AR模型的距离扩展目标自适应检测器

针对非高斯杂波背景中扩展目标的检测问题,将自回归(AR)模型与广义杂波分组模型相结合,提出了基于AR的广义杂波分组模型。并在该杂波模型背景下,利用近似广义似然比检测(AGLRT)原理,结合迭代估计方法,提出了广义杂波背景下迭代近似广义似然比检测器(RAGLRT-GCC)。该检测器不需要利用辅助距离单元估计杂波协参数就可以实现目标的自适应检测。RAGLRT-GCC利用了杂波分组信息,有效提高了对稀疏扩展目标的检测性能。仿真结果表明,在相同检测概率下,RAGLRT-GCC性能优于现有的复合高斯杂波背景下迭代近似广义似然比检测器(RAGLRT-CG)。     

非高斯杂波下知识辅助检测器敏感性分析

先验信息的使用可以提高知识辅助检测器的探测性能,若先验信息与当前探测环境不匹配,检测器性能可能会受到影响。该文考虑一种复合高斯杂波下的知识辅助检测器,其采用逆伽马分布作为纹理分量先验分布,分析该检测器在不同杂波纹理分量模型参数条件下的检测性能。首先给出了先验模型参数失配条件下,虚警概率和Swerling I型目标检测概率的计算方法。然后在给定先验模型参数条件下,分析了杂波纹理分量分布参数对检测器性能的影响。理论分析表明,若杂波纹理分量分布参数位于某个区域以内时,检测器可以获得比模型匹配时更好的检测性能,计算机仿真验证了上述结论。     

基于知识的海杂波背景下距离扩展目标检测

该文针对在辅助数据有限的情况下自适应检测器出现检测性能损失,提出基于杂波的先验知识分布的距离扩展目标自适应检测算法。复合高斯杂波的纹理和散斑的协方差矩阵分别被建模为服从逆伽玛分布的随机变量和逆复Wishart分布的随机矩阵。利用先验知识推导了纹理分量的最大后验估计,并结合广义似然比检验设计了不依赖辅助数据的距离扩展目标自适应检测器。仿真结果表明,提出的检测器在参数失配条件下具有好的鲁棒性,而且在辅助数据有限情况下检测性能优于传统的广义似然比检测器的检测性能。     

OSGO-和OSSO-CFAR在K分布杂波背景下的性能分析

该文证明了形状因子已知条件下OSGO-CFAR和OSSO-CFAR检测器在均匀统计独立的K分布杂波背景下具有恒虚警性能,分析了两种检测器在均匀杂波背景、杂波边缘和存在强干扰目标情况下的检测性能。并与OS-CFAR进行了比较,结果表明OSGO-CFAR在均匀杂波背景和存在强干扰目标情况下带来的附加检测损失很小, 在杂波边缘具有更好的虚警控制能力。所以,OSGO-CFAR是K分布杂波背景下一种性能比较好的恒虚警检测器。     

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。     

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。      

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.     

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。     

基于CNN的机载气象雷达气象目标检测方法

机载气象雷达系统进行气象探测时易受到强地杂波的干扰,从而导致目标信息丢失。为准确检测地杂波中的气象目标,获取完整的目标信息,本文提出了一种基于卷积神经网络(Convolution Neural Networks, CNN)的机载气象雷达目标检测方法。该方法联合时域、多普勒域和俯仰维空域信息,将杂波相位对准指标、多普勒速度和干涉相位作为CNN的输入,并给出详细的网络结构。本文通过模拟雷达回波仿真产生训练集和测试集,并对所提网络进行训练和测试。仿真结果表明,与目前的气象目标检测方法相比,该方法具有较高的检测概率,而且在谱矩信息变化的情况下仍可维持较好的检测性能,具有很好的鲁棒性。此外,仿真结果表明CNN比传统的贝叶斯分类器和支持向量机等分类网络具有更好的分类性能。     

一种有效色加载因子的知识辅助STAP方法

 针对非均匀杂波环境里独立同分布训练样本较少的问题,本文提出了一种知识辅助的LCMV-STAP方法.该方法首先求解出知识辅助的LCMV-STAP模型中的权矢量表达式,然后推导出色加载因子与约束常数的关系式,最后求解出两个色加载因子.仿真结果表明,与传统STAP方法相比,知识辅助的LCMV-STAP方法在非均匀杂波环境下仍能获得较好的输出信干噪比,自适应匹配滤波器检测目标的概率优于传统STAP方法.     

基于流形等距映射的矩阵信息几何检测方法

雷达目标检测常面临复杂的杂波特性,经典的检测方法通常适合于某些特定的场景,当检测背景发生变化时,其检测性能急剧下降。为有效提升不同杂波背景下的检测性能,提出一种基于流形等距映射(ISOMAP)的矩阵信息几何检测器。该方法首先将信号检测问题转化为矩阵流形上两点之间的区分性问题;然后基于样本数据和流形等距映射原理,自适应地学习出矩阵流形的投影变换矩阵,将矩阵流形变换为可区分的低维流形,最大程度地保持每一个矩阵与其邻域内矩阵之间几何距离大小,增强矩阵流形的可分性;最后利用仿真杂波和实测数据对算法进行验证。实验结果表明,相比于经典的检测方法,所提方法能有效提升目标检测性能。     

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。      

基于稀疏贝叶斯学习的机载双基雷达杂波抑制

机载双基雷达杂波与构型有关且具有严重的距离依赖性,因此杂波脊复杂多变,独立同分布(IID)的样本很少。传统的空时自适应处理(STAP)方法受独立同分布样本数的限制,对机载双基雷达杂波的抑制性能有限。基于机载雷达杂波在角度-多普勒域分布的稀疏特性和稀疏贝叶斯学习(SBL)在稀疏信号重建方面的优势,该文将SBL算法应用于较为复杂的机载双基雷达双动模式下杂波抑制,该方法可以用少量训练单元杂波估计待测距离单元的杂波协方差矩阵(CCM),然后进行空时自适应处理;同时,该算法不需要样本独立同分布,在双基双动模式下对杂波的抑制性能较好,仿真结果验证了算法的有效性。