基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法

杂波谱稀疏恢复空时自适应处理(STAP)是一种有效减少杂波样本数需求的机载雷达杂波抑制方法。然而,空时平面被离散地划分为若干个网格点来构建空时导向矢量字典,当字典在失配时,杂波脊不能准确落在预先离散化的网格点上,稀疏恢复STAP性能严重下降。提出了一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法,首先利用二维泰勒级数建立空时动态字典模型,然后将字典失配误差作为待估超参数构建贝叶斯稀疏恢复模型,并利用失配误差估计值对空时导向矢量字典进行修正,最后利用修正后的空时导向矢量字典重构杂波协方差矩阵,进而计算杂波空时谱。实验证明,该方法能够有效提高字典失配情况下的杂波谱稀疏恢复精度,杂波抑制性能优于已有字典预先离散化的稀疏贝叶斯学习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。

非凸松弛原子范数空时动目标参数估计算法

针对参数稀疏恢复空时自适应处理中的动目标参数估计存在字典失配的问题,提出一种非凸松弛原子范数空时动目标参数估计算法。该方法利用目标回波在角度-多普勒域的稀疏特性,根据连续压缩感知和低秩矩阵恢复理论实现了运动目标方位角和速度的高精度、超分辨率估计,避免了稀疏恢复中的字典失配问题,有效提高了动目标参数估计性能。仿真实验结果表明,相较于已有基于字典网格的稀疏恢复参数估计方法和原子范数估计方法,所提算法具有更高的参数估计精度和对空间紧邻目标的分辨能力。

基于原子范数的无网格动目标参数估计

针对现有参数稀疏恢复空时自适应处理中动目标参数估计方法在字典失配条件下性能下降的问题,提出一种基于原子范数无网格稀疏恢复技术的动目标参数估计方法,该方法利用目标回波在角度-多普勒域的稀疏特性,根据连续压缩感知和低秩矩阵恢复理论实现了运动目标方位角和速度的高精度估计,避免了基于固定离散字典模型进行参数稀疏恢复时遇到的字典失配问题,有效提高了动目标参数的估计性能。仿真结果证实了所提方法参数估计性能优于已有基于字典网格的稀疏恢复参数估计方法。

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。

基于极分解的回溯多分辨率分析GMP算法

为提高贪婪匹配追踪(GMP)算法对信道环境的普适性以及解决字典失配导致的定位误差问题,提出一种基于极分解的回溯多分辨率分析GMP算法。首先将由对数距离损耗模型得到的观测字典进行极分解,使得新的字典满足约束等距性条件;同时使字典和测量向量满足GMP算法的使用条件。然后每次遍历找到对测量向量影响最大的网格,在此网格及邻域中用多分辨率分析来逼近目标位置;最后利用回溯思想评估候选集中所有估计位置的可信赖度,并对信赖度较低的位置再次进行分析,使估计位置更加接近目标位置。实验结果表明,相比于其他算法,该算法在在目标数为14时,丢失概率和虚警概率也能控制在0.4以内,平均定位误差控制在1.87 m以内,具有更好的计数和定位性能。