阅读说明：本技术 一种基于知识辅助的稀疏恢复stap色加载方法 (Sparse recovery STAP color loading method based on knowledge assistance ) 是由 高志奇 武志霞 徐伟 黄平平 于 2019-11-14 设计创作，主要内容包括：本发明公开了一种基于知识辅助的稀疏恢复STAP色加载方法,步骤包括：建立样本数据模型；计算先验空时导向矢量矩阵；计算稀疏恢复向量；计算样本杂波信息；计算样本协方差矩阵和先验杂波协方差矩阵；计算STAP色加载矩阵并进行滤波。本发明的方案将色加载与稀疏方法的结合,也就是色加载的样本协方差矩阵,是将样本进行稀疏处理后的稀疏样本求协方差矩阵；在样本进行稀疏恢复处理的过程中,进行了抑制密集干扰的算法。色加载样本协方差矩阵求解过程中进行了样本稀疏处理；抑制密集干扰运用的基于知识辅助的方法,以及判断杂波元素的极小门限值法,解决了动目标相消问题,算法具有较好的稳健性。(The invention discloses a sparse recovery STAP color loading method based on knowledge assistance, which comprises the following steps of: establishing a sample data model; calculating a priori space-time steering vector matrix; calculating a sparse recovery vector; calculating sample clutter information; calculating a sample covariance matrix and a prior clutter covariance matrix; and calculating the STAP color loading matrix and filtering. The scheme of the invention combines color loading with a sparse method, namely a color-loaded sample covariance matrix, and the covariance matrix is obtained from a sparse sample after sparse processing is carried out on the sample; in the process of sparse recovery processing of the sample, an algorithm for inhibiting dense interference is carried out. Sample sparse processing is carried out in the process of solving the covariance matrix of the color loading sample; the method for restraining the dense interference application based on knowledge assistance and the minimum threshold value method for judging clutter elements solve the problem of moving target cancellation, and the algorithm has better robustness.)

一种基于知识辅助的稀疏恢复STAP色加载方法

技术领域

本发明属于机载雷达主检测领域，主要是特别是针对小样本和密集干扰条件下的稳健空时自适应方法，具体地是一种基于知识辅助的稀疏恢复STAP色加载方法。

背景技术

机载雷达主要应用就是用于检测运动的目标，但在一些地区，杂波分布的范围比较广、功率比较大，大大的影响了检测动目标的准确度。空时自适应处理(STAP)技术对空时二维回波数据进行联合处理，能够有效的抑制杂波，提高机载雷达的动目标检测性能。STAP技术的应用面临的难点之一是杂波的环境不均匀、复杂多变。传统的STAP技术要求的足够多的满足独立同分布(IID)的训练样本，且训练样本中不能包含运动目标信号等杂质信息。这些要求在实际中很难满足。近几年来，一些学者将稀疏恢复处理引入到机载雷达的STAP技术中，提出了基于稀疏功率谱恢复的STAP方法(SR-STAP)，这类方法利用了信号稀疏表示的思想，只需要很少的训练样本就可以恢复出杂波的功率谱。

此后很多学者针对于提高STAP技术的稳健性的问题，提出了各种去除杂波、干扰的方法。其中基于知识辅助的STAP方法近年来受到了广泛关注，其研究成果表明，基于知识辅助的STAP方法可以大大地减少所需要计算的训练样本的数目，且算法性能稳健。现有技术中提出了一种稳健的知识辅助STAP色加载系数优化算法(CPW-STAP)，该算法利用部分参考单元样本实现对待检测距离单元色加载矩阵预白化能力的评估，可以根据样本估计协方差矩阵以及CUT单元先验信息性能的变化对色加载系数进行合理调整，在不同场景下均能得到性能较好的色加载系数。但CPW-STAP法存在的问题是需要数量足够多的满足独立同分布(IID)的样本，与稀疏处理的方法相比，CPW-STAP所需要的IID样本是稀疏的几十倍，而实际的雷达动目标检测场景无法提供CPW-STAP方法需求的样本数量。在待检测距离单元(CUT)中存在离群点或密集干扰时，CPW-STAP法无法避免其性能不被其影响，稳健性较低。

现有技术中存在的技术缺陷为：现有的色加载算法中计算样本杂波协方差矩阵所需要的满足IID条件的样本数比较多，实际应用中，没有那么多满足条件的样本，因此STAP算法结果达不到稳健的结果；其次，现有的色加载算法没有利用杂波分布的先验知识抑制掉样本中的离群点、密集干扰等。因此，现有STAP算法无法避免目标与离群点相消、或者产生虚警的现象发生。

发明内容

为了解决上述问题，本发明提供了一种稳健的基于知识辅助的色加载稀疏处理STAP方法，可以解决需要的满足IID条件的样本数比较多的问题，其次抑制掉了样本中的密集干扰，提高了STAP方法的稳健性。

为达到以上目的，本发明提出了一种基于知识辅助的稀疏恢复STAP色加载方法，包括以下步骤：

步骤S1、建立样本数据模型；

步骤S2、计算先验空时导向矢量矩阵；

步骤S3、计算稀疏恢复向量；

步骤S4、计算样本杂波信息；

步骤S5、计算样本协方差矩阵和先验杂波协方差矩阵；

步骤S6、计算STAP色加载矩阵并进行滤波。

优选地，所述步骤S1的样本数据X包括杂波、干扰、单个目标和噪声，此时其稀疏矩阵为：X＝Φ×α+n，其中，Φ为空时导向矢量矩阵，α为稀疏恢复向量，n为噪声。

优选地，所述步骤S2的先验空时导向矢量矩阵Ψ是在理想条件下天线轴与飞机飞行方向的夹角-多普勒平面杂波脊线构成的矩阵。

优选地，所述步骤S3的稀疏恢复向量α是根据凸优化方法求解得到。

优选地，所述步骤S4的计算过程为：

步骤S41、预设杂波元素判定2-范数门限值ε；

步骤S42、将所述稀疏恢复向量α的列向量按元素值大小排序，将其位置序号放入矩阵Γ，取矩阵Γ前若干列对应的空时导向矢量矩阵列向量构成矩阵Ω；

步骤S43、将矩阵Ω列向量与先验导向矢量矩阵Ψ每一列进行差值计算，求取差值2-范数z；

步骤S44、当2-范数z小于门限值ε，该2-范数对应列向量包含杂波信息；

步骤S45、将所有列向量Φ(:,Ω(j))与其位置对应的稀疏恢复系数α(Ω(m),l)相乘叠加得到第l个样本杂波信息。

优选地，所述步骤S6的STAP色加载矩阵R_rs由样本协方差矩阵R_cs和先验杂波协方差矩阵R_x线性加权得到，色加载系数θ根据最优化约束方法进行确定。

优选地，所述步骤S6的滤波过程为：

步骤S61、根据STAP滤波权重W，对待检测距离单元的样本数据进行滤波，得到滤波输出Y；

步骤S62、根据滤波输出Y最小值，求出色加载系数θ最优解；

步骤S63、根据色加载系数θ更新STAP滤波权重W。

技术效果

与现有技术相比，本发明的有益效果在于：解决了色加载方法所需要的满足IID条件的样本数多的情况，使用4-10个样本(约为传统STAP方法所需样本数的2％-5％)就可以达到很好的滤波效果；克服了样本中的密集干扰对自适应滤波的影响，解决了动目标相消问题，算法具有较好的稳健性。

附图说明

以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：

图1示出本发明的一种基于知识辅助的稀疏恢复STAP色加载方法流程图；

图2示出本发明实施例中样本杂波信息计算的流程图；

图3示出本发明实施例中对STAP色加载矩阵滤波的流程图；

图4示出本发明实施例经仿真实验得到的杂波功率谱图；

图5示出本发明仿真实验复现现有的一种稳健的知识辅助STAP色加载系数优化算法CPW-STAP的杂波功率谱图；

图6示出本发明实施例与现有的一种稳健的知识辅助STAP色加载系数优化算法CPW-STAP的改善因子曲线图；

图7是本发明实施例的输出功率图；

图8是现有的一种稳健的知识辅助STAP色加载系数优化算法CPW-STAP的输出功率图。

具体实施方式

为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。下面结合附图和具体实施方式对本发明作进一步描述。

实施例

本发明将色加载与稀疏方法的结合，也就是色加载的样本协方差矩阵，是将样本进行稀疏处理后的样本求协方差矩阵；在样本进行稀疏恢复处理的过程中，进行了抑制密集干扰的算法。色加载样本协方差矩阵求解过程中进行了样本稀疏处理；抑制密集干扰运用的基于知识辅助的方法，以及判断杂波元素的极小门限值法。

图1示出本发明的一种基于知识辅助的稀疏恢复STAP色加载方法流程图，包括以下步骤：

步骤S1、建立样本数据模型。既有研究表明，任意距离单元的样本数据X可以表示为：杂波+干扰+单个目标+噪声，又由其稀疏表示模型，可将X写为：空时导向矢量矩阵Φ

稀疏恢复向量α+噪声n。

步骤S2、计算先验空时导向矢量矩阵。确认天线轴与飞机飞行方向夹角，如果是正侧视的均匀线性阵列，因为空间锥角ψ_i与其归一化多普勒频率f_d,i之间存在耦合关系，所以杂波应位于杂波脊上，即在杂波功率谱的对角线上。构造满足上述条件的导向矢量矩阵Ψ，因为其表示理想条件下角度-多普勒平面中杂波脊线所构成的矩阵，所以包含杂波信息。因此，矩阵Ψ表示了杂波脊的先验知识。

步骤S3、计算稀疏恢复向量。样本数据X进行稀疏表示，根据凸优化方法求解最优化问题，进行稀疏处理，最后求解出稀疏向量α。

步骤S4、计算样本杂波信息。计算过程如图2所示。预先设置杂波元素判定2-范数门限值ε；将所得的稀疏向量α中的元素按元素值的大小排序，将其位置序号放入一个新的矩阵Γ，只取矩阵Γ前K个元素，也就是只取空时导向矢量矩阵中对应的K列向量，该K个向量构成矩阵Ω。将矩阵Ω取出的K列向量与包含先验信息的导向矢量矩阵Ψ中的每一列进行差值计算，最后求取差值的2-范数z。将每一个差值2-范数z与设置的最小门限值ε进行对比。如果z小于ε值，说明该列向量包含的是杂波信息；最后将满足条件的所有列向量Φ(:,Ω(j))与其位置α(Ω(m),l)相乘叠加，此结果就是第l个样本的杂波信息。

步骤S5、计算样本协方差矩阵和先验杂波协方差矩阵。根据上述步骤，求取出所有样本的平均协方差矩阵R_cs；根据先验空时导向矢量矩阵，可以求解先验杂波协方差矩阵R_x。

步骤S6、计算STAP色加载矩阵并进行滤波。滤波过程如图3所示。色加载矩阵为R_rs，STAP滤波权重可以计算为W，然后对待检测距离单元的样本数据进行滤波，求解滤波输出Y。求解色加载系数θ时，运用最优化选择法，θ∈(0,1)，根据输出最小值Y，可以反求出θ的具体取值，求解出最优θ，进行最优W求解，之后进行滤波。

本发明方法实施例的效果通过以下仿真实验进一步说明。仿真实验的比较对象是可以参考一种稳健的知识辅助STAP色加载系数优化算法CPW-STAP。

根据表1的仿真参数，编写正侧视雷达检测动目标的程序。

表1 仿真参数

仿真实验中的两种算法采用了相同的10个快拍样本，其中5个样本中包含干扰信号。

首先根据杂波功率谱的仿真结果，观察稳健的知识辅助STAP色加载系数优化算法CPW-STAP与本发明方法的结果。图4给出的是本发明方法计算得到的杂波功率谱估计结果，从图中可以看出，杂波的功率完全集中在杂波脊线位置，且功率谱宽度较窄、幅度较高，与理论推导的理想功率谱分布情况极为接近，说明本发明方法在小样本和密集干扰的条件下可以准确估计杂波功率谱。图5给出的是稳健的知识辅助STAP色加载系数优化算法CPW-STAP的杂波功率谱估计结果。从图5可以明显看出，CPW-STAP方法估计的杂波功率谱在杂波脊线位置的功率宽度较大、幅度较低，且在非杂波脊线位置有明显的功率输出，说明CPW-STAP方法的杂波功率谱估计准确性不高，易受干扰影响，不能克服样本中的密集干扰的影响。

图6为本发明方法和CPW-STAP方法在样本中包含密集干扰条件下的改善因子曲线。可以看出，CPW-STAP方法的改善因子除了在零多普勒频率位置即杂波区形成了零陷外，在其它多普勒频率位置也形成了零陷，说明该方法不能克服样本中密集干扰的影响，在STAP过程中极易产生动目标相消现象，其动目标检测性能较差。本发明的改善因子曲线在密集干扰多普勒频率位置没有出现零陷，只在主杂波区产生零陷，且深度比CPW-STAP方法要深很多，说明本发明形成的自适应滤波权不受密集干扰的影响，算法稳健性很好，同时杂波抑制能力很强，具有很好的动目标检测性能。

最后，对于本发明方法和CPW-STAP方法对于测试样本中的动目标的检测能力。仿真选择了从100号200号距离单元的快拍数据作为测试样本，在第150号距离单元的样本数据中包含一个待检测动目标信号，该信号与训练样本中的密集干扰具有相同的多普勒频率和方位角。利用前述10个包含密集干扰的样本数据，本发明方法和CPW-STAP方法分别形成滤波权重W，然后对测试样本数据进行滤波处理，分别计算得到各测试样本滤波输出的归一化功率。图7显示了本发明方法对测试样本滤波后输出的归一化功率，可以看出，本发明方法可完全克服密集干扰的影响，较好地检测出第150号距离单元中的动目标信号，其它不含动目标的距离单元的信号在滤波后的输出功率很低，表明本发明方法具有较好的稳健性、杂波抑制能力和动目标检测能力。图8显示了CPW-STAP方法对测试样本滤波后输出的归一化功率，可以看出，第150号距离单元的信号在滤波后输出功率较小，不易检测出其中包含的动目标信号。

仿真对比结果说明，本发明方法在小样本、密集干扰的条件下，可以准确估计杂波功率谱，有效克服密集干扰带来的动目标相消现象，算法的稳健性和动目标性能均优于现有STAP算法。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。