阅读说明：本技术 一种基于特征波束的自适应波束域fsa的杂波抑制降维方法 (Clutter suppression dimension reduction method of self-adaptive beam domain FSA based on characteristic beam ) 是由 杨志伟 李婧雅 田敏 雷赫 黄帅 于 2019-07-31 设计创作，主要内容包括：本发明公开了一种基于特征波束的自适应波束域FSA的杂波抑制降维方法,包括：获取FSA数据矢量；获取特征空间；根据所述特征空间对所述FSA数据矢量进行波束域自适应降维处理得到降维后的数据矢量；对所述降维后的数据矢量进行杂波抑制和自适应滤波处理得到杂波抑制后的距离-多普勒域数据。本发明提供的杂波抑制降维方法具有一定的自适应性,在实现杂波抑制的同时,降低了自适应处理维数,降低了挑选样本的标准,减少了处理所需的均匀杂波样本数和运算量,提高了算法的实用性。(The invention discloses a clutter suppression and dimension reduction method of self-adaptive beam domain FSA based on characteristic beams, which comprises the following steps: obtaining an FSA data vector; acquiring a feature space; carrying out beam domain self-adaptive dimensionality reduction on the FSA data vector according to the feature space to obtain a dimensionality reduced data vector; and performing clutter suppression and self-adaptive filtering processing on the data vector after the dimension reduction to obtain the range-Doppler domain data after the clutter suppression. The clutter suppression dimension reduction method provided by the invention has certain self-adaptability, reduces the self-adaptive processing dimension while realizing clutter suppression, reduces the standard of selecting samples, reduces the number of uniform clutter samples and the operand required by processing, and improves the practicability of the algorithm.)

一种基于特征波束的自适应波束域FSA的杂波抑制降维方法

技术领域

本发明属于运动平台雷达技术领域，具体涉及一种基于特征波束的自 适应波束域FSA的杂波抑制降维方法。

背景技术

雷达是利用电磁波探测目标的电子设备。通常为了有效的提高空中监 视能力，将雷达系统安装在飞机或者人造卫星上。由于机载/星载雷达平台 具有高速运动的特性，使得当雷达工作在下视状态时，场景主瓣杂波多普 勒谱严重展宽，从而导致微弱慢目标淹没在杂波中，无法得到直接检测。 因此，利用机载/星载雷达实现动目标检测任务的前提是将场景中的强杂波 抑制掉，使原本被淹没的微弱运动目标凸显出来，改善目标信杂噪比(SCNR)， 提高检测概率。由于运动平台下杂波谱具有时空耦合特性，仅通过一维空 域或时域滤波难以将目标和杂波区分开，这表明杂波抑制应在空-时二维平 面上进行，同时，由于杂波随环境、地形变化，所以一般采取自适应处理 的方式。

Brennan、Reed等人在文献《Theory of adaptive radar》(IEEE Transactions onAerospace and Electronic Systems，1973，9(2))中将一维空域滤波技术推 广到空时二维域中，提出一种空时自适应处理(Space Time Adaptive Processing，STAP)方法，即全维空时自适应处理方法；该滤波器可以在空 时二维杂波分布处形成杂波抑制凹口，有效抑制杂波，降低目标的最小可 检测速度(Minimum Detectable Velocity，MDV)。Brennan等人在文献 《Comparison of space-time adaptive processing approaches usingexperimental airborne radar data》(The Record of 1993IEEE National RadarConference,Massacusetts，USA，1993：176-181)中提出一种先时域滑窗后时 空联合的处理方法(F$A)，该方法通过时域滑窗处理，致使相对一个多普勒 通道的杂波自由度大为减小，可用较少的时域自由度和较多的空域自由度 进行时空联合处理。

然而，全维空时自适应处理方法由于其利用所有空间等效阵元和时域 脉冲采样，系统维数大，运算复杂度高，且其对训练样本要求高，在实际 处理中难以实现。先时域滑窗后时空联合的处理方法在工程中的实测数据 处理时，随着空间通道数的增加，其系统维数增高，处理时仍具有较大的 运算量，同时，该方法对训练样本仍具有较高的要求，无法满足实际应用 要求。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于特征波 束的自适应波束域FSA的杂波抑制降维方法。本发明要解决的技术问题通 过以下技术方案实现：

一种基于特征波束的自适应波束域FSA的杂波抑制降维方法，包括： 获取FSA数据矢量；

获取特征空间；

根据所述特征空间对所述FSA数据矢量进行波束域自适应降维处理得 到降维后的数据矢量；

对所述降维后的数据矢量进行杂波抑制和自适应滤波处理得到杂波抑 制后的距离-多普勒域数据。

在本发明的一个实施例中，所述获取FSA数据矢量包括：

对雷达的N个空间等效阵元进行A/D采样，获得一个CPI内的K+2 个脉冲回波数据；其中，所述K+2个脉冲回波数据包含L个样本的回波信 息；

在每个空间等效阵元对所述K+2个脉冲数据进行三次时域滑窗处理， 得到第1～K、2～K+1和3～K+2个脉冲组成的三组数据；

分别对所述三组数据进行K点的DFT转到多普勒域，得到FSA数据 矢量；其中，对同一多普勒通道，三组数据分别将N个空间等效阵元的L 个样本数据排成N×L维的数据矢量。

在本发明的一个实施例中，所述FSA数据矢量的表达式为：

x(k)＝[x₀(k)^T,x₁(k)^T,x₂(k)^T]^T；

其中，x(k)表示FSA数据矢量，x₀(k)表示第k个多普勒通道中数据不 滑窗对应的数据矢量，x₁(k)表示第k个多普勒通道中数据滑动一个脉冲对 应的数据矢量，x₂(k)表示第k个多普勒通道中数据滑动两个脉冲对应的数 据矢量，(·)^T表示转置。

在本发明的一个实施例中，所述获取特征空间包括：

分别计算所述第k个多普勒通道中不滑窗、滑动一个脉冲和滑动两个 脉冲数据的协方差矩阵，得到三个协方差矩阵；

对所述协方差矩阵进行特征分解并提取有限个特征波束构造特征空间。

在本发明的一个实施例中，所述协方差矩阵的计算公式为：

其中，R₀(k)表示不滑窗数据对应的协方差矩阵，R₁(k)表示滑动一个脉 冲数据对应的协方差矩阵，R₂(k)表示滑动两个脉冲数据对应的协方差矩阵， (·)^H表示共轭转置。

在本发明的一个实施例中，对所述协方差矩阵进行特征分解并提取有 限个特征波束构造特征空间包括：

分别对所述三个协方差矩阵进行特征值分解，得到特征值；

对所述特征值由大到小排序，分别获得前M(1≤M≤N)个大特征值λ_i,j对 应的特征向量v_i,j；其中，λ_i,j(i＝0,1,2,j＝1,2,...,M)表示第i组数据协方差矩阵 R_i(k)的第j个大特征值，v_i,j表示特征值λ_i,j对应的特征波束；

根据所述特征波束v_i,j构造三组数据的特征空间。

在本发明的一个实施例中，所述特征空间的表达式为：

C₀(k)＝[v_0,1,...,v_0,M]；

C₁(k)＝[v_1,1,...,v_1,M]；

C₂(k)＝[v_2,1,...,v_2,M]；

其中，C₀(k)表示不滑窗数据对应的杂波特征空间，C₁(k)表示滑动一个 脉冲数据对应的杂波特征空间，C₂(k)表示滑动两个脉冲数据对应的杂波特 征空间。

在本发明的一个实施例中，根据所述特征空间对所述FSA数据矢量进 行波束域自适应降维处理得到降维后的数据矢量包括：

根据所述特征空间构造三组数据的波束域投影矩阵；

根据所述波束域投影矩阵得到波束域降维矩阵；

根据所述波束域降维矩阵对所述FSA数据矢量进行波束域降维处理得 到降维后的数据矢量。

在本发明的一个实施例中，根据所述特征空间构造三组数据的波束域 投影矩阵包括：

根据波束中心的空域导向s_s和所述特征空间构造三组数据的波束域投 影矩阵，所述波束投影矩阵的表达式为：

P₀(k)＝[s_s,C₀(k)]；

P₁(k)＝[s_s,C₁(k)]；

P₂(k)＝[s_s,C₂(k)]；

其中，P₀(k)表示不滑窗数据对应的波束投影矩阵，P₁(k)表示滑动一个 脉冲数据对应的波束投影矩阵，P₂(k)表示滑动两个脉冲数据对应的波束投 影矩阵。

本发明的有益效果：

1、本发明提供的杂波抑制降维方法在抑制杂波的同时，大大降低了处 理器系统维数，减小了运算量，节约了运算资源，并具有更优的处理效率；

2、本发明提供的杂波抑制降维方法由于降低了处理器维数，使得构造 协方差矩阵时所需求的训练样本数减少，降低了挑选样本的标准，使得本 发明实用性更强；

3、本发明提供的杂波抑制降维方法中降维矩阵由原数据协方差矩阵特 征分解后的特征波束构成，克服了现有技术的降维矩阵不依赖数据的问题， 使得本发明的方法具有一定的自适应性。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种基于特征波束的自适应波束域FSA的 杂波抑制降维方法流程示意图；

图2是本发明实施例提供的另一种杂波抑制降维方法流程示意图；

图3是本发明实施例提供的传统FSA处理和本发明方法运算复杂度随 空间通道数的变化曲线图；

图4a～4b是本发明实施例提供的传统FSA和本发明方法处理后的目标 输出信杂噪比(SCNR)曲线图；

图5是本发明实施例提供的杂波抑制处理后输出SCNR随样本数变化 的曲线图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施 方式不限于此。

实施例一

请参见图1，图1是本发明实施例提供的一种基于特征波束的自适应波 束域FSA的杂波抑制降维方法流程示意图，包括：

步骤1：获取FSA数据矢量；

首先对雷达的N个空间等效阵元进行A/D采样，获得一个CPI内的 K+2个脉冲回波数据；其中，所述K+2个脉冲回波数据包含L个样本的回 波信息；

然后在每个空间等效阵元对K+2个脉冲数据进行三次时域滑窗处理， 分别获得第1～K、2～K+1和3～K+2个脉冲组成的三组数据；

最后分别对所述三组数据进行K点的DFT转到多普勒域，得到FSA 数据矢量；其中，对同一多普勒通道，三组数据分别将N个空间等效阵元 的L个样本数据排成N×L维的数据矢量。

设x₀(k)、x₁(k)和x₂(k)表示第k个多普勒通道中不滑窗、滑动一个脉冲 和滑动两个脉冲对应的数据矢量，均为N×L维，FSA数据矢量x(k)的表达式 为：分别表示

x(k)＝[x₀(k)^T,x₁(k)^T,x₂(k)^T]^T；

其中，表示(·)^T转置，x(k)为3N×L维。

步骤2：获取特征空间；

分别计算所述第k个多普勒通道中不滑窗、滑动一个脉冲和滑动两个 脉冲数据的协方差矩阵，得到三个协方差矩阵；

在本实施例中，设不滑窗、滑动一个脉冲和滑动两个脉冲数据的协方 差矩阵分别为R₀(k)、R₁(k)和R₂(k)，计算式为：

其中，(·)^H表示共轭转置；

对所述协方差矩阵进行特征分解并提取有限个特征波束构造特征空间。

通过对三个协方差矩阵进行特征分解，提取有限个特征波束构造特征 空间，步骤如下：

1)分别对所述三个协方差矩阵R₀(k)、R₁(k)和R₂(k)进行特征值分解，得 到特征值；

2)对特征值由大到小排序，分别获得前M(1≤M≤N)个大特征值对应的 特征向量，设λ_i,j(i＝0,1,2,j＝1,2,...,M)表示第i组数据协方差矩阵R_i(k)的第j 个大特征值，v_i,j表示特征值λ_i,j对应的特征向量，即第i组数据的特征波束；

3)根据所述特征波束v_i,j构造三组数据的特征空间。

在本实施例中，由M个特征波束构造的三组数据的杂波特征空间为：

C₀(k)＝[v_0,1,...,v_0,M]；

C₁(k)＝[v_1,1,...,v_1,M]；

C₂(k)＝[v_2,1,...,v_2,M]；

其中，C₀(k)表示不滑窗数据对应的杂波特征空间，C₁(k)表示滑动一个 脉冲数据对应的杂波特征空间，C₂(k)表示滑动两个脉冲数据对应的杂波特 征空间。

步骤3：根据所述特征空间对所述FSA数据矢量进行波束域自适应降 维处理得到降维后的数据矢量，具体如下：

根据所述特征空间构造三组数据的波束域投影矩阵；

在本实施例中，用波束中心的空域导向s_s和特征空间构造三组数据的 波束域投影矩阵，三组波束域投影矩阵表达式如下：

P₀(k)＝[s_s,C₀(k)]；

P₁(k)＝[s_s,C₁(k)]；

P₂(k)＝[s_s,C₂(k)]；

其中，P₀(k)表示不滑窗数据对应的波束投影矩阵，P₁(k)表示滑动一个 脉冲数据对应的波束投影矩阵，P₂(k)表示滑动两个脉冲数据对应的波束投 影矩阵。

根据所述波束域投影矩阵得到波束域降维矩阵，波束域降维矩阵为：

对所述FSA数据矢量进行波束域降维处理得到降维后的数据矢量z(k)， 其表达式为：

z(k)＝T(k)^Hx(k)。

步骤4：对所述降维后的数据矢量进行杂波抑制和自适应滤波处理得到 杂波抑制后的距离-多普勒域数据。

在本实施例中，对降维后的数据矢量用最小均方误差准则(LCMV)求解 杂波抑制权，并进行杂波抑制处理。

降维后数据的杂波加噪声协方差矩阵R_z(k)的计算式为：

R_z(k)＝E[z(k)z(k)^H]；

对降维后的数据用最小均方误差准则(LCMV)进行自适应权求解，求得 权矢量w_opt为：

w_opt(k)＝μR_z(k)^-1s_r；

其中，(·)^-1表示矩阵求逆，为一常数，s_r为降维后的目 标导向约束矢量；

利用杂波自适应权对原数据进行杂波抑制处理，第k个多普勒通道的L 个样本滤波后输出为：

y(k)＝w_opt(k)^Hz(k)；

对每个多普勒通道均作以上处理，即可得到杂波抑制后的距离-多普勒 域数据。

请参见图2，图2是本发明实施例提供的另一种杂波抑制降维方法流程 示意图；在本实施例中，首先获取雷达回波的空时数据，从中获取三次时 域脉冲滑窗的数据并进行DFT转换到距离-多普勒域，针对同一多普勒通道 将三组距离多普勒域的数据排成FSA数据矢量；然后，求出每组数据的协 方差矩阵并对其进行特征值分解，提取有限个特征波束构造特征空间，接 着，利用特征空间构造每组数据的自适应投影矩阵，对原FSA数据进行波束域降维处理，最后，用降维后的数据矢量求解杂波抑制自适应权并进行 杂波抑制处理；该方法在实现杂波抑制的同时，降低了自适应处理维数， 减少了处理所需的均匀杂波样本数和运算量，在工程应用中具有更高的处 理效率。

实施例二

下面结合仿真实验对本发明的效果进行进一步说明。

1、仿真条件

本发明实验仿真中的机载多通道雷达采用一发多收模式，工作于正侧 视，波束中心与阵列天线平面夹角为90度，有10个等效阵元接收，阵元 间距为0.123米，一个CPI内积累的脉冲数为200个，脉冲重频为3000赫 兹，工作波长为0.246米，雷达最短探测距离为7千米，距离分辨力为20 米，样本数为600个，平台飞行高度为6千米，速度为100米每秒，目标位于波束中心，径向速度为53米每秒。

2、仿真内容与结果分析

仿真实验一：

假设空间等效阵元数为N，计算传统FSA处理和本发明选取M个特征 波束时对应的运算复杂度，如表1所示：

表1不同杂波抑制方法的运算复杂度

请参见图3，图3是本发明实施例提供的传统FSA处理和本发明方法 运算复杂度随空间通道数的变化曲线图；由表1和图3可以得到，本发明 的降维方法运算复杂度低于原方法，特别地，随着空间通道数的增多，本 发明的运算复杂度比原方法降低得更显著。

仿真实验二：

采用传统FSA方法和本发明方法对仿真的回波数据进行杂波抑制处理， 本发明方法在对协方差矩阵进行特征分解后，分别选取前1～3个特征波束 构造降维矩阵。请参见图4a～4b，图4a是本发明实施例提供的传统FSA 和本发明方法处理后的目标输出信杂噪比(SCNR)曲线图，图4b是局部放大 图。

SCNR计算式为：

其中，b为目标的幅度。

从图4a～4b可以看出，本发明的方法在选取2～3个特征波束(构造特 征空间时选取2～3个特征波束)时，输出SCNR与传统FSA处理后的输出 SCNR相近。

仿真实验三：

计算样本数对输出SCNR的影响。选取某一多普勒通道k，根据仿真实 验二中得到该多普勒通道的FSA数据协方差矩阵R_FSA(k)，通过下式产生新 的样本数据：

式中，v为高斯白噪声列向量。此时产生的新数据样本x_new与原协方差 矩阵中的样本服从相同的分布。通过该方法产生150个样本，选取1，2，…， 150个样本计算自适应杂波抑制权，进而计算输出SCNR。

请参见图5，图5是本发明实施例提供的杂波抑制处理后输出SCNR 随样本数变化的曲线图。由图5可以得出当样本数不足时，SCNR会有损失， 本发明的方法因系统处理维数更低，收敛到稳定SCNR时比传统FSA需要 的样本数少，所以在小样本下SCNR损失更低。

通过仿真实验结果，可以证明本发明方法具有杂波抑制的能力，同时具 有更低的系统处理维数，运算量和估计协方差矩阵所需的样本数降低。综合 图3的运算复杂度分析、图4a～4b的输出SCNR曲线和图5输出SCNR随 样本数的变化曲线，优选取2～3个特征波束(对原协方差矩阵特征分解后选 取2～3个特征波束构造特征空间)时的基于特征波束的自适应波束域 FSA(AB-FSA)杂波抑制降维方法。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明， 不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域 的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简 单推演或替换，都应当视为属于本发明的保护范围。