基于道路信息的知识辅助空时自适应处理

主波束中的车辆回波信号会污染空时自适应处理(STAP)的训练样本,导致空时自适应处理时的目标自相消,引起漏警。针对这一问题,该文提出一种基于道路信息的知识辅助(KA)空时自适应处理方法。该方法首先根据主波束中道路相对于雷达的位置估计道路上车辆相对于雷达的径向速度,然后得到可能含有主波束车辆回波信号的距离-多普勒单元,接着根据训练样本与杂波导向矢量和主波束导向矢量的匹配程度判断这些训练样本是否包含主波束车辆回波信号,最后在进行空时自适应处理估计杂波协方差矩阵时剔除被主波束车辆回波信号污染的训练样本。理论分析及实验结果表明该方法可以提高道路密集环境中空时自适应处理的信杂噪比输出,改善空时自适应处理雷达的性能。

知识辅助空时自适应处理技术研究

在非均匀环境中,由于独立同分布样本严重不足,导致空时自适应处理的效果急剧下降。知识辅助的方法是目前解决非均匀环境下空时自适应处理问题的流行方法,目前研究较多的是假定已知先验协方差矩阵如何提升空时自适应处理性能的方法,而先验协方差如何获取则没有相应的研究。本文基于历史数据、数字地图和地理信息等先验知识的利用,通过直接或间接的方法,获取先验样本和先验协方差矩阵,从而达到提升空时自适应处理性能的目的。

一种改进的知识辅助MIMO雷达空时自适应处理方法

针对机载多输入多输出(MIMO)雷达杂波抑制问题,该文提出一种改进的基于知识辅助的空时自适应信号处理算法(KA-STAP)。根据杂波在空时2维平面的先验分布离线构造杂波子空间,以此替代基于扁长椭球波函数(PSWF)估计的杂波子空间,避免了复杂运算。仿真结果表明,所提方法不仅能减小运算量,还能获得更深的零陷以及更优的旁瓣性能。

基于杂波知识图谱驱动的空时自适应处理方法

在隐藏体目标故障探测识别中,由于埋体材质以及信号微弱的小埋藏体信号混合等杂波干扰,导致多目标信号难以捕捉。为此,设计了杂波知识图谱驱动的空时自适应处理方法,可有效抑制杂波并完成动目标检测。通过仿真实验发现,场景中的主要杂波集中在-15°的角度范围内,并且归一化多普勒值接近0.25。使用空时自适应处理和空时谱估计算法,确定真实运动目标具体位置在146帧附近,得到的方位角和归一化多普勒数值与仿真实验一致,表明所提方法的正确性和有效性。

空时自适应处理中基于知识的训练样本选择策略

针对空时自适应处理中样本协方差矩阵受干扰目标污染时检测性能下降的问题,提出了一种基于知识的空时自适应处理(knowledge aided space time adaptive processing,KA-STAP)方法。该方法将待测距离单元杂波的先验知识与广义内积非同态检测器(general inner product nonhomogeneity detector,GIP NHD)结合,对训练样本进行有效选择。通过仿真证明该方法能有效剔除存在干扰目标的样本,提高训练样本被干扰目标污染时空时自适应处理的检测性能。

基于可解释深度卷积网络的空时自适应处理方法

在实际应用中,空时自适应处理(STAP)算法的性能受限于足够多独立同分布(IID)样本的获取。然而,目前可有效减少IID样本需求的算法仍面临一些问题。针对这些问题,该文融合数据驱动和模型驱动思想,构建了具有明确数学含义的多模块深度卷积神经网络(MDCNN),实现了小样本条件下对杂波协方差矩阵快速、准确、稳定估计。所构建MDCNN网络由映射模块、数据模块、先验模块和超参数模块组成。其中,前后端映射模块分别对应数据的预处理和后处理;单组数据模块和先验模块共同完成一次迭代优化,网络主体由多组数据模块和先验模块构成,可实现多次等效迭代优化;超参数模块则用来调整等效迭代中可训练参数。上述子模块均具有明确数学表述和物理含义,因此所构造网络具有良好的可解释性。实测数据处理结果表明,在实际非均匀杂波环境下该文所提方法杂波抑制性能优于现有典型小样本STAP方法,且运算时间较后者大幅降低。

一种基于知识辅助的空时自适应处理新算法

空时自适应处理(STAP)是一种用于运动平台雷达对运动目标检测的有效技术,能够显著提升现有雷达装的检测性能。在实际应用中,该技术需要大量的训练样本对接收信号中的杂波、噪声协方差矩阵进行估计。然而,由于在大多数探测环境中杂噪背景变化较快,可用于估计的独立样本较少,从而导致该技术性能损失严重。针对这种情况,本文提出了一种基于知识辅助(KA)的新型STAP算法,该算法通过先验知识首先对杂噪协方差矩阵进行推算,并将推算的结果与少量样本估计结果进行融合,从而极大地减少了精确估计所需样本的数量。仿真实验结果表明,本文算法能够显著提升现有STAP技术的收敛速度,克服其在实际应用中的障碍。

基于空时功率谱稀疏性的空时自适应处理技术研究进展

随着压缩感知理论的兴起和发展,基于空时功率谱稀疏性的空时自适应处理(STAP)技术受到越来越广泛的关注.本文首先简单回顾了空时自适应处理技术的传统方法,接着从三个不同角度分析了空时功率谱的稀疏性并探讨了基于空时功率谱稀疏性的STAP技术的潜在优势,然后总结了基于空时功率谱稀疏性STAP基本原理和三种实现方式,根据稀疏支撑集先验信息知晓情况对现有基于空时功率谱稀疏性的STAP方法进行了分类,包括:基于阵列流形知识的STAP技术、基于空时功率谱稀疏恢复的STAP技术以及基于阵列流形知识和空时功率谱稀疏恢复的STAP技术,并对其研究现状进行了综述.最后在已有研究的基础上,着眼于提高杂波抑制和运动目标检测能力的发展需要,提出了未来该技术需要重点解决和关注的若干问题,包括稀疏性的本质机理分析、空时导向字典的设计、参数设置简单,快速和低复杂度算法设计、对模型误差稳健的算法设计、多种先验知识融合的基于空时功率谱稀疏性的STAP算法设计、基于空时功率谱稀疏性STAP方法的恒虚警检测器设计以及实测数据验证等方面.

基于杂波谱稀疏恢复的空时自适应处理

在机载雷达体制中,空时自适应处理(STAP)可有效抑制杂波并完成动目标检测.但在实际杂波环境中,由于缺乏独立同分布的训练样本,传统STAP算法性能下降严重.针对这一问题,我们利用STAP体制下杂波在角度-多普勒域上的稀疏性,提出基于稀疏恢复的SR-STAP方法,可在少量训练样本下实现高分辨空时杂波谱及相应杂波协方差矩阵的估计.Mountaintop实际数据和仿真实验均表明,SR-STAP收敛速度更快,从而在实际杂波环境中获得更高的信杂噪比改善.

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。

机载雷达空时自适应处理技术研究综述

空时自适应处理(Space Time Adaptive Processing,STAP)技术通过空域和时域2维联合自适应滤波的方式,实现了机载雷达对强杂波与干扰的有效抑制。作为提升机载雷达性能的一项关键技术,近年来备受雷达领域的关注与世界军事强国的重视。该文从方法、实验系统和应用3个方面回顾了空时自适应处理技术的发展过程和研究现状,着重阐述了其发展过程中遇到的关键技术问题,介绍了STAP技术在装备上的应用情况,并讨论了下一步的发展趋势,提出了需要或值得进一步研究的方向。

稀疏恢复空时自适应处理技术研究综述

相较于传统空时自适应处理(STAP)技术,稀疏恢复(SR)STAP技术在小样本条件下杂波抑制性能显著提升,因此适用于现实非均匀杂波环境.本文首先阐述了SR STAP基本原理,分析了机载雷达杂波空时稀疏特性;然后总结了SR STAP发展历史与现状,并在此基础上针对其相关科学问题进行了探讨,包括:空时谱估计还是杂波抑制、单观测样本还是多观测样本、白化还是置零、重构算法参数依赖还是不依赖、非平稳杂波下是否适用及干扰条件下是否可行;最后给出了当前SR STAP技术走向实用化过程中所面临的关键问题,即网格失配和空域误差影响,并分别讨论了无网格压缩感知和字典自校正的解决途径.

修正空时自适应处理在水下自导系统中的应用

为了将空时自适应处理(STAP)抑制杂波的理论应用于水下环境,从而解决浅水抗混响问题,提出了应用于水下自导系统的修正空时自适应方法。结合雷达目标回波模型分析了空时自适应的原理;比较了雷达和水下自导系统目标回波模型,针对水下自导系统目标模型和混响空-时耦合项对空时自适应方法进行修正,并提出了应用空时耦合导向矢量进行空时处理;将该修正方法用于最优处理和目标检测。仿真结果表明,修正空时自适应方法有利于水下目标检测,应用空-时耦合导向矢量有助于提高目标方位估计能力。

适于非均匀杂波环境的空时自适应处理方法

本文针对非均匀杂波环境，提出了一种空时自适应处理的新方法．该方法具有系统自由度低，稳健性强、低速目标检测性能好、工程实现方便等特点，与局域联合处理方法及和差波束法相比，它在非正侧面阵机载雷达的实际系统中具有明显的性能优势．

空时二维自适应处理的统一理论、模型与局域处理方法

本文提出了机载相控阵雷达空时二维自适应处理的统一理论，并建立了空时二维处理器系统设计的统一数学模型。根据信号处理域的不同类型，本文把处理器系统分为四大类。本文对这四大类局域处理系统进行了深入研究与分析，给出与提出了多种可能的降维变换。同时提出了局域杂波自由度的概念，为简化处理器的设计提供了理论依据。结合计算机模拟就几种典型的局域处理器进行了性能考察与比较。

降维空时自适应处理研究

该文首先分析了降维空时自适应处理(STAP)的一般原理,接着从理论上证明了在处理器维数和辅助样本数相同的条件下降维STAP的互谱方法(CSM)提供了特征空间内所有降维处理方法的性能上界。文中还通过仿真将两种固定结构的降维方法与CSM做了性能比较,结果表明时域预滤波级联局域空时联合处理法(3DT-SAP)非常接近性能上界,是一种非常有效的降维方法。

空时自适应处理的通用平台设计与实现

该文利用多个高性能数字信号处理器,结合FPGA和通用处理器,实现了一个空时自适应处理(STAP)的通用实时平台系统。借鉴Valiant(1990)提出的BSP模型,采用多重流水线,提出一个空时自适应处理(STAP)计算模型。该模型可以弥补STAP算法和实际并行系统的差距,为开发提供了统一框架;同时,方便了对算法的性能评估。在基于该模型的具体开发过程中,选择可扩展簇式多处理机结构作为系统硬件架构,采用数据块静态分配方案进行算法的分解与映射,并采取一系列通信和程序优化的方法。结果表明,系统能满足实时要求,可扩展性好,方便类似系统的系列开发。

机载雷达三维空时降维自适应处理

基于机载雷达空时三维自适应处理,提出了一种空时可分离的降维自适应算法。该算法首先利用三个低维(俯仰、方位和时域)权矢量的直积近似表示最优权矢量,然后基于循环迭代的思想依次固定其中两个权矢量,并由此构造相应的降维变换矩阵,在低维空间上优化另一个权矢量。理论分析和实验仿真结果表明,所提算法能有效降低系统计算量和对训练样本的需求,在小样本情况下具有较好的杂波抑制性能和较强的误差稳健性。

基于稀疏恢复的空时二维自适应处理技术研究现状

该文介绍了基于稀疏恢复(Sparse Recovery,SR)的空时2维自适应处理技术(Space-Time Adaptive Processing,STAP)的研究背景、意义和具体实现方法。首先探讨了将稀疏恢复引入STAP领域的意义和价值,揭示了在杂波非均匀环境下引入稀疏恢复的潜在优势,分析了稀疏恢复STAP技术的数学意义。并在此基础上,系统梳理和总结了该研究方向的研究现状和已有成果,介绍了均匀线性阵列条件下稀疏恢复STAP技术的基本框架、多观测向量问题、格点对不准问题、直接数据域稀疏恢复STAP、共型阵条件下基于稀疏恢复的STAP方法等具体研究内容。最后,总结了基于稀疏恢复STAP技术的框架和结构,并以此为基础对后续研究工作的方向和前景进行了探讨。

直接数据域迭代空时自适应处理方法

针对常规空时自适应处理(space-time adaptive processing,STAP)在机载雷达非均匀杂波环境下杂波抑制性能下降的问题,提出一种直接数据域(direct data domain,DDD)迭代空时自适应处理方法。首先利用数据的特殊结构和空时谱的稀疏性引入一种新的迭代自适应(iterative adaptive approach,IAA)空时二维谱估计算法,然后在获得待检测单元空时谱分布的基础上重构无孔径损失的协方差矩阵,最后根据目标信号在空时平面的分布特点,提出一种新的目标剔除算法对协方差矩阵进行修正,以避免目标自相消。仿真实验结果表明,在存在3%阵列误差的情况下,所提方法在旁瓣杂波区的改善因子比传统直接数据域方法高出约10dB、比多普勒平移法高出约5dB。