基于截断核范数正则化的协方差矩阵估计

非均匀杂波环境导致机载雷达用于协方差矩阵估计的样本不足。本文提出了一种基于截断核范数正则化（Truncated Nuclear Norm Regularization, TNNR）的协方差矩阵估计算法以满足小样本条件下机载雷达空时自适应处理（Space Time Adaptive Processing, STAP）应用。本文利用TNNR确保所估计杂波协方差矩阵（Clutter Covariance Matrix, CCM）的低秩特性,并将NP-hard问题转换为凸优化问题。不同于常规的秩最小化算法,如核范数松弛方法,本文所提出的TNNR算法仅最小化与矩阵的秩无关的较小奇异值的和,可以更加准确地约束矩阵的秩。在此基础上本文还利用CCM的块Toeplitz结构先验信息,可确保在连续域上进行信号建模,有效避免网格点失配问题。仿真结果表明本文所提出的算法在小样本条件下可更加准确地估计CCM且STAP性能更优。     

杂波先验数据缺失条件下基于级联优化处理的雷达波形设计方法

认知雷达波形设计往往依赖于精准的杂波先验信息,当先验信息数据存在缺失时,所构建的杂波模型会严重失配,进而影响雷达对杂波的抑制能力。该文针对杂波先验数据缺失条件下的雷达波形优化问题,建立完全随机缺失机制下的点状与块状缺失场景,设计恒模与相似性约束的波形优化模型,提出基于优先级填充-强化学习级联优化的雷达波形训练算法:即采用强化学习智能体与填充算法修复后的杂波环境相交互的级联方法,以最大化信杂噪比为优化目标,通过迭代训练得到雷达最佳波形参数配置策略。最后,仿真验证不同缺失概率条件下所提算法的优越性。结果表明:相比于传统非级联优化算法,该文所提算法均可获得更优的杂波抑制性能,有效提升雷达的探测能力。      

MIMO雷达收发两级STAP 原理与性能讨论

提出了一种基于多输入多输出雷达的收发两级空时自适应处理(STAP)算法。收发两级STAP 与收发联合STAP 不同在于:分别对等效发射端与接收端进行空时处理,从而达到降低运算量效果。文中给出收发两级STAP 所构造的协方差矩阵与收发联合STAP 协方差矩阵关系,并且给出输出信杂噪比(SCNR)表达式。从仿真结果看,收发两级法SCNR 性能与收发联合STAP 相近,且计算量有明显降低。此外,收发两级STAP 也可应用到收发联合降维算法中,得到与收发联合降维算法一样的性能,且运算量进一步降低。     

面向雷达目标检测性能的多弹协同航迹规划

基于多弹平台的空间分布式雷达构型决定了杂波距离环位置,直接影响杂波回波能量的强弱,从而影响目标检测性能。为实现多弹协同航迹规划过程中的杂波抑制,提升目标检测性能,基于多智能体深度强化学习算法对多弹航迹进行智能规划,将目标检测性能作为该算法的优化目标,引入能量约束与动力学约束等约束条件,训练得到多弹协同智能航迹规划策略,通过控制多弹飞行过程中的空间分布降低杂波回波能量,实现动态环境下的杂波抑制。通过仿真验证表明,所提算法能有效降低强杂波对目标检测的影响,提高了多弹在飞行过程中的检测性能。