一种基于系统辨识的STAP训练样本选择方法技术方案

本发明专利技术公开了一种基于系统辨识的STAP训练样本选择方法，属于雷达技术领域。本发明专利技术首先给出了基于系统辨识的样本选择模型，在此基础上，进一步提出用神经网络辨识CUT的杂波模型，然后利用辨识出的模型对其他距离单元进行滤波，最后根据滤波后输出的方差大小选择出与CUT杂波协方差矩阵相似的样本。本发明专利技术解决了STAP中训练样本不足的问题，估计的杂波协方差矩阵更准确，提高了杂波的抑制性能。

A STAP training sample selection method based on system identification

The invention discloses a STAP training sample selection method based on system identification, belonging to the radar technology field. The invention firstly gives the model of system identification based on sample selection, on this basis, further put forward the clutter model using CUT neural network, and then filtering the other distance unit using the identified model, according to the variance of the output filter size selection with CUT complex wave sample covariance matrix similarity. The invention solves the problem of insufficient training samples in the STAP, and the estimated clutter covariance matrix is more accurate, and the clutter suppression performance is improved.

【技术实现步骤摘要】
一种基于系统辨识的STAP训练样本选择方法
本专利技术属于雷达
，具体涉及到基于系统辨识的STAP训练样本选择方法。
技术介绍
空时自适应处理(STAP)是雷达和通信信号处理中的一项关键技术，被广泛用于雷达及通信信号处理之中。STAP要求设计最优权向量时，使得输出信杂噪比(SCNR)最大。其中，s是目标信号空时导向向量，RCUT为待检测距离单元的杂波协方差矩阵。然而实际中RCUT是未知的，需通过选取的训练样本来估计。设训练样本的杂波协方差矩阵是RTS，则选取的训练样本的要求是：(1)应满足RTS＝RCUT。(2)训练样本要足够多，因为用于估计协方差矩阵的训练样本数至少大于系统自由度的2倍，才能使STAP的输出信噪比损失小于3dB。目前训练样本选择方法主要分为三类。第一类是功率选择训练算法，其基本原理是挑选杂波功率大的样本，从而加深杂波凹口深度。第二类是广义内积(GIP)算法，其基本原理是通过广义内积统计量来剔除掉训练样本中与待检测单元杂波背景统计特性不同的样本。第三类是基于波形相似的方法。其中，基于波形相似的方法尤其受到关注。该类方法通常是在时域或频域上选取与CUT(待检测距离单元)杂波波形相似性较高的样本。文献《ZhangX,YangQ,DengW.WeaktargetdetectionwithinthenonhomogeneousionosphericclutterbackgroundofHFSWRbasedonSTAP[J].InternationalJournalofAntennasandPropagation,2013,2013》中提出根据时域波形相似性选取样本，计算待选样本与CUT杂波的时域波形相关系数，选择相关系数大于所设阈值的样本作为训练样本。但该方法直接舍弃了相似性较低的样本，导致样本的利用率较低。针对该问题，文献《XinZ,YanhuaS,QiangY,etal.Space-timeadaptiveprocessing-basedalgorithmformeteortrailsuppressioninhigh-frequencysurfacewaveradar[J].IETRadar,Sonar&Navigation,2015,9(4):429-436》进一步提出基于相关系数加权的方法估计协方差矩阵。相关系数小的样本被赋予小的权值，从而使得相似性较低的样本也能被用来估计RCUT，从而提高了样本利用率。文献《YifengW,TongW,JianxinW,etal.Robusttrainingsamplesselectionalgorithmbasedonspectralsimilarityforspace–timeadaptiveprocessinginheterogeneousinterferenceenvironments[J].IETRadar,Sonar&Navigation,2015,9(7):778-782》和《WuY,WangT,WuJ,etal.Trainingsampleselectionforspace-timeadaptiveprocessinginheterogeneousenvironments[J].IEEEGeoscienceandRemoteSensingLetters,2015,12(4):691-695》则研究了根据频域波形相似性选择样本，该方法选择与CUT杂波频谱相似的样本作为训练样本，这些方法有效提高了CUT杂波协方差矩阵估计的准确度。训练样本选择问题的本质是寻找与待检测距离单元杂波具有相同协方差矩阵的样本。而在两个信号的协方差矩阵相同时，这两个信号的波形可能完全不相似，因此选取的训练样本中可能存在波形完全不相似的样本，传统基于波形相似性的样本选择方法容易遗漏大量相似性低的可用样本。
技术实现思路
本专利技术针对STAP中基于传统训练样本选择方法的样本漏选问题，提出了一种新型的基于系统辨识的训练样本选择方法。对于包括N个阵元的雷达天线，用M表示一个相干处理间隔(CPI)内的脉冲数，则第k个距离单元的回波信号xk可以如下表示：xk＝ξks+ck+nk(1)其中ck是杂波信号，nk是接收的噪声，s是目标信号空时导向向量，ξk是目标的增益系数，xk,ck,nk,s均为MN维的复向量。用xCUT表示待检测距离单元的回波信号。STAP的最优权向量w可以通过求解如下优化问题得到：其中RCUT为待检测距离单元的杂波协方差矩阵，符号“(·)H”表示共轭转置。计算可求得最优权向量为：上式中RCUT一般是未知的，需要通过训练样本i＝1,2,…,L来估计，L是训练样本的个数。训练样本的协方差矩阵为则RCUT的估计值为为准确估计协方差矩阵以保障STAP性能，理想的训练样本与CUT的杂波协方差矩阵应相同，即并且训练样本的个数L应大于2NM。然而在实际情况中，由于地形、地貌的空间变化，强散射点以及阵列等原因，导致训练样本的统计特性偏离待检测单元的统计特性，即难以满足。此时，应选择与待检测单元杂波协方差矩阵尽可能相似的样本，并且所选训练样本数量应尽可能多。现有STAP训练样本的选择方式是挑选时域或频域波形与CUT相似的样本。然而协方差矩阵相同不等价于波形相似，即，具有相同杂波协方差矩阵的两个距离单元，其波形不一定相似。对上述的结论证明如下：设时间序列分别为x＝(x1,x2,…,xl,…,xn)T，y＝(y1,y2,…,yl,…,yn)T的2个波形满足xxH＝yyH，其中，而中的e表示自然底数，i表示虚数单位，θl,βl表示对应的相位幅角。由于xxH＝yyH，则它们的杂波协方差矩阵相同。为简便起见，此处只写出xxH的表达式：由于xxH＝yyH，x与y的模与辐角应分别满足式(6)与(7)：|y1|2＝|x1|2,|y2|2＝|x2|2,…|yn|2＝|xn|2(6)β1-β2＝θ1-θ2,β1-β3＝θ1-θ3,…,β1-βn＝θ1-θn(7)记α＝β1-θ1＝β2-θ2＝…＝βn-θn，则x与y的相关系数γx,y为：显然只有当α＝0时，x与y才线性相关；当α＝π/2时，则x与y完全不相关。因此，具有相同杂波协方差矩阵的两个距离单元，其波形不一定相似。因此，在现有STAP训练样本的选择方式会漏选波形不相似、杂波协方差矩阵却相似的样本。其训练样本选择的范围变小了，一些性能更好的样本可能被遗漏了。在地貌、地形变化很快的环境下，此类方法可获得的训练样本将更少，协方差矩阵估计的误差将更大，导致STAP的性能严重下降。如果直接选取杂波协方差矩阵与CUT相同的训练样本，将可以避免上述基于波形相似性产生的问题。本专利技术中，通过滤波输出方差来判断判断两个向量的协方差矩阵是否相同。其原理分析如下：设有两时间序列{x(n)}与{y(n)}，记作向量x＝(x(1),x(2),…,x(n))T，y＝(y(1),y(2),…,y(n))T，Rxx与Ryy分别是各自的协方差矩阵。设时间序列{x(n)}的白化滤波器为H，这里的H可以看作是{x(n)}的模型。滤波输出为白噪声{ex(n)}，其方差为用H对{y(n)}滤波，滤波输出是方差为的白噪声{ey(n)}。若则协方差矩阵Rxx＝Ry本文档来自技高网...

【技术保护点】
一种基于系统辨识的STAP训练样本选择方法，其特征在于，包括下列步骤：步骤1：基于待检测距离单元CUT进行多次杂波预测模型训练，取滤波输出方差

【技术特征摘要】
1.一种基于系统辨识的STAP训练样本选择方法，其特征在于，包括下列步骤：步骤1：基于待检测距离单元CUT进行多次杂波预测模型训练，取滤波输出方差最小的杂波预测模型作为CUT杂波模型H；步骤2：通过CUT杂波模型H对待选样本xk进行滤波，得到滤波输出的方差步骤3：若方差小于或等于预设阈值T1...

【专利技术属性】
技术研发人员：胡进峰，鲍伟伟，曹健，姚冯，陈卓，蔡雷雷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51