一种极低训练样本数时的空时自适应处理方法与系统技术方案

本发明专利技术公开了一种极低训练样本数时的空时自适应处理方法与系统，首先确定空域和时域网格数，构建数据模型；然后利用阵列接收到训练样本构造采样协方差矩阵；接着利用阵列信号数据模型及采样协方差矩阵构造协方差矩阵初始估计值；再迭代估计协方差矩阵，直至达到最大迭代次数或满足协方差矩阵收敛条件；最后利用迭代估计得到的协方差矩阵构造STAP权值，并输出STAP滤波结果。本发明专利技术充分利用了机载雷达空时二维数据的结构信息，使所提出的方法能用于极低训练样本的情形，流程简便，迭代过程对初始值不敏感，可收敛至全局最优解，所提方法相比已有方法，在极低训练样本数时的滤波性能大为提升。大为提升。大为提升。

【技术实现步骤摘要】
一种极低训练样本数时的空时自适应处理方法与系统


[0001]本专利技术属于机载雷达信号处理领域，更具体地，涉及一种极低训练样本数时的空时自适应处理方法与系统。

技术介绍

[0002]空时自适应处理（Space
‑
Time Adaptive Processing，STAP）被公认为机载雷达强杂波背景下最有效的技术手段之一。最优STAP技术需要事先获得杂波加噪声协方差矩阵，然而实际环境中杂波加噪声协方差矩阵未知，需要用一定训练样本数进行估计。根据里德
‑
马利特
‑
布伦南（Reed, Mallett and Brennan，RMB）准则，当采用训练样本对待检测距离单元的杂波加噪声协方差矩阵进行估计时，若要使STAP性能损失量控制在3dB以内（相对于当待检测距离单元杂波加噪声协方差矩阵已知时的最优处理），独立同分布的训练样本数至少为系统自由度的2倍。然而，机载雷达面临的环境复杂多变，往往难以获得这么多的训练样本，尤其对于采用STAP技术的机载雷达，这是由于STAP的系统自由度为相控阵的空域阵元数与脉冲数的乘积，该值往往很大。
[0003]为解决上述难题，常用的方法包括对角加载和降秩法，二者性能相当。但对角加载法的对角加载量难以确定；降秩法需要确定杂波子空间的秩，当该值选择不合适的话，性能下降严重。此外，对角加载法和降秩法仍然需要相对较多的训练样本。
[0004]因此，如何克服极低训练样本数下现有STAP技术的不足，是本领域技术人员亟需解决问题。
专利
技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种极低训练样本数时的空时自适应处理方法与系统，其目的在于解决极低训练样本下的机载雷达杂波抑制问题。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种极低训练样本数时的空时自适应处理方法，包括：步骤1：确定阵列信号数据模型对应的空域网格数和时域网格数，构建数据模型；步骤2：利用阵列接收到的个样本构造采样协方差矩阵；步骤3：利用所述阵列信号数据模型及所述采样协方差矩阵构造协方差矩阵的初始估计值；步骤4：迭代估计所述协方差矩阵，直至达到最大迭代次数或满足所述协方差矩阵的收敛条件；步骤5：利用迭代估计得到的所述协方差矩阵构造STAP权值，并输出STAP滤波结果。
[0007]进一步，所述步骤1中，所述空域网格数和时域网格数的范围分别为阵元数的10~20倍和脉冲数的10~20倍，接收信号表示为：
其中，和分别表示第个空域网格对应的归一化空域频率和第个时域网格对应的归一化多普勒频率，即，，，，，，，为虚数单位，上标表示转置，表示Kronecker积，为第个空域网格和第个时域网格对应信号的幅度，为热噪声，为网格信号矩阵，为信号幅度向量。
[0008]进一步，所述步骤2中，所述采样协方差矩阵的表达式为：其中，为雷达接收到的第个真实样本，的维数为，，为阵列接收到快拍数，上标表示共轭转置。
[0009]进一步，所述步骤3中，协方差矩阵的初始估计值为：其中，其中，表示对角矩阵，，且对角元素分别为的表达式为：
为矩阵的第列，，在、和的表达式中，上标表示初始值。
[0010]进一步，所述步骤4中，迭代估计协方差矩阵具体包括：进一步，所述步骤4中，迭代估计协方差矩阵具体包括：进一步，所述步骤4中，迭代估计协方差矩阵具体包括：进一步，所述步骤4中，迭代估计协方差矩阵具体包括：进一步，所述步骤4中，迭代估计协方差矩阵具体包括：其中，上标表示矩阵的逆，，为最大迭代次数，为向量欧拉范数，上标表示第次迭代的值。
[0011]进一步，所述步骤4中，通过迭代估计协方差矩阵，当下述条件满足其中一个时，迭代过程终止：条件一：条件二：，其中，表示表示绝对值，。
[0012]进一步，所述步骤5中，STAP权值为：其中，为步骤4中最终的协方差矩阵估计输出结果，为目标的空时导向矢量，和分别为目标的归一化空域频率和归一化多普勒频率；所述步骤5中输出STAP滤波结果为：其中，表示绝对值，为待检测距离单元回波接收数据。
[0013]另一方面，本专利技术提供了一种极低训练样本数时的空时自适应处理系统，所述系统实现极低训练样本数时的空时自适应处理方法，还包括：
网格数及数据模型确定模块，用于确定空域和时域网格数，并根据雷达阵列结构确定数据模型；采样协方差矩阵确定模块，用于利用雷达接收到的样本构造采样协方差矩阵；协方差矩阵初始值构造模块，用于利用所述数据模型及所述采样协方差矩阵构造协方差矩阵初始估计值；协方差矩阵迭代估计模块，用于迭代估计协方差矩阵；协方差矩阵迭代终止模块，用于终止协方差矩阵迭代估计过程，当达到最大迭代次数或满足协方差矩阵收敛条件则迭代过程终止；权值计算及滤波输出模块，用于利用所述协方差矩阵估计值计算权值，并输出滤波结果。
[0014]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有如下有益效果：1)通过确定空域和时域网格数及构建高效的数据模型，充分利用了数据的结构信息，使所提出的方法能用于极低训练样本的情形；2)通过构造合理的协方差矩阵初始值，能够保证所提方法有效估计协方差矩阵；3)通过协方差矩阵迭代估计，能够精确估计出杂波加噪声的协方差矩阵，为有效抑制杂波打下了良好基础；4)通过设置协方差矩阵迭代终止方法，保证协方差矩阵的合理估计，避免迭代估计过程难以终止；5)相比于杂波，噪声功率极低，通过忽略噪声的影响，降低了系统复杂度。
[0015]附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0017]图1为本专利技术所述一种极低训练样本数时的空时自适应处理方法原理示意图；图2为本专利技术所述一种极低训练样本数时的空时自适应处理系统结构框架图；图3为本专利技术所提方法与常规方法在不同归一化多普勒频率下的改善因子效果比较示意图之一；图4为本专利技术所提方法与常规方法在不同归一化多普勒频率下的改善因子效果比较示意图之二。
[0018]具体实施方式
[0019]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要
彼此之间未构成冲突就可以相互组合。
[0020] 假设阵列天线含有个阵元，每个阵元发射个脉冲，则接收信号可用列向量进行表示，，接收信号可表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，为目标幅度，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）为目标空时二维导向矢量，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种极低训练样本数时的空时自适应处理方法，其特征在于，包括：步骤1：确定阵列信号数据模型对应的空域网格数和时域网格数，构建数据模型；步骤2：利用阵列接收到的个样本构造采样协方差矩阵；步骤3：利用所述阵列信号数据模型及所述采样协方差矩阵构造协方差矩阵的初始估计值；步骤4：迭代估计所述协方差矩阵，直至达到最大迭代次数或满足所述协方差矩阵的收敛条件；步骤5：利用迭代估计得到的所述协方差矩阵构造STAP权值，并输出STAP滤波结果。2.根据权利要求1所述的一种极低训练样本数时的空时自适应处理方法，其特征在于，所述步骤1中，所述空域网格数和时域网格数的范围分别为阵元数的10~20倍和脉冲数的10~20倍，接收信号表示为：其中，和分别表示第个空域网格对应的归一化空域频率和第个时域网格对应的归一化多普勒频率，即，，，，，，，为虚数单位，上标表示转置，表示Kronecker积，为第个空域网格和第个时域网格对应信号的幅度，为热噪声，为网格信号矩阵，为信号幅度向量。3.根据权利要求2所述的一种极低训练样本数时的空时自适应处理方法，其特征在于，所述步骤2中，所述采样协方差矩阵的表达式为：
其中，为雷达接收到的第个真实样本，的维数为，，为阵列接收到快拍数，上标表示共轭转置。4.根据权利要求3所述的一种极低训练样本数时的空时自适应处理方法，其特征在于，所述步骤3中，协方差矩阵的初始估计值为：其中，其中，表示对角矩阵，，且对角元素分别为的表达式为：的表达式为：为矩阵的第列，，在、和的表达式中，上标表示初始值。5.根据权利要求4所述的一种极低训练样本数时的空时自适应处理方法，其特征在于，所述步骤4中，迭代估计协方差...

【专利技术属性】
技术研发人员：刘维建，吴晓峰，杜庆磊，李槟槟，周必雷，张昭建，陈浩，陈辉，
申请(专利权)人：中国人民解放军空军预警学院，
类型：发明
国别省市：