具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

下面结合附图，对本申请实施例作进一步阐述。

参照图1，本发明实施例提出一种无人机载雷达主瓣干扰抑制方法，包括：

S1.多个分布式无人机载雷达同时对空间目标进行探测，获得回波数据；

S2.从所述回波数据中选取样本数据，所述样本数据为全部距离单元的回波数据；

S3.计算所述样本数据的第一协方差矩阵；

S4.根据所述样本数据的第一协方差矩阵，计算所述样本数据中每个距离单元的第一广义内积值；

S5.根据所述第一广义内积值，提取所述样本数据中的奇异样本数据，所述奇异样本数据为干扰目标不在回波距离单元上均匀分布的数据；

S6.剔除所述奇异样本数据；

S7.获取剔除后的样本数据作为训练样本对干扰信息进行估计。

广义内积(Generalized Inner Product,GIP)是目前主要采用的一种非均匀检测器。其基本思想是，首先计算训练样本数据的协方差矩阵，此时得到的协方差矩阵主要反映的是数据中分布较均匀的噪声或干扰的特征，使用该协方差值对各距离单元的广义内积检测量进行检测，不含奇异样本单元的检测量会远小于含有奇异样本的单元，通过设置合适的门限就可以检测出奇异样本，然后剔除这些样本就可以对干扰信息进行更准确的估计。

本实施例中，所述的雷达为脉冲体制，雷达被置于无人机载机上，雷达可以是多个阵元构成的阵列雷达，也可以是单个阵元的雷达，每个无人机载机及其所搭载的雷达形成一个分布式节点。多个分布式节点同时对空间目标进行探测，获得回波数据。

本实施例中，在获得回波数据后，还将对回波数据进行预处理，预处理包括但不仅限于脉冲压缩、脉冲多普勒等处理技术，经过预处理后数据中的噪声、杂波等得到抑制，目标信息得到增强。任一观测时刻获得的数据预处理后形成一个数据矩阵，记为X＝(x_i,j)_N×L，其中N为阵元数目(如果数据经过子阵合成或降维处理，那么这里指合成后的通道数)，L为脉冲对应的距离单元数，x_i,j表示预处理后第i个阵元接收的第j个距离单元的数据。

本实施例中，剔除所有可能的奇异样本，使用剔除后的样本作为训练样本对干扰信息进行估计之后，还将进一步根据设置的门限值和广义内积值判断是否存在会形成密集假目标的干扰。具体地，参照图2，若判断结果为存在会形成密集假目标的干扰，则进一步执行以下步骤：

S8.当所述奇异样本数据的数目大于第一阈值时，从所述奇异样本数据中抽取第一数据，所述第一数据为所述第一广义内积值大于所述剔除门限值的样本数据；

S9.计算所述第一数据的第三协方差矩阵；

S10.根据所述第三协方差矩阵，计算所述第一数据中每个距离单元的第三广义内积值；

S11.设置第二剔除门限值；

S12.将所述第一数据中所有所述第三广义内积值大于所述第二剔除门限值的数据剔除，得到第二数据；

S13.计算所述第二数据的第四协方差矩阵；

S14.根据所述第四协方差矩阵，计算所述第二数据中每个距离单元的第四广义内积值；

S15.根据所述第四广义内积值进行目标检测。

本实施例通过计算样本数据的广义内积值，剔除训练样本中的奇异样本从而取得对均匀压制干扰的更好抑制效果，对于剔除出的干扰、运动目标利用广义内积再次进行剔除筛选，获得会形成假目标的干扰，同时直接选用待检样本作为训练样本，计算完样本的广义内积值后无需进行自适应处理，直接对广义内积值进行目标检测，减小处理的复杂度和计算量。

参照图3，本实施例中，无人机载雷达主瓣干扰抑制方法的具体执行步骤如下：

(1)对雷达接收的回波数据进行预处理，任一观测时刻获得的数据预处理后形成一个数据矩阵，记为X＝(x_i,j)_N×L；

本步骤中，为了对抗回波中的噪声、杂波和干扰等影响目标检测的不利因素，脉冲压缩通过对发射信号进行特定调制使雷达波形具有一定的带宽，通过对回波信号进行匹配接收利用相关性提高目标的信噪比；脉冲多普勒是指利用不同物体的运动特征引起的多普勒特性的差异，将数据变换到频率域进行处理，也可以设计一系列多普勒滤波器在时间域对数据进行滤波，将杂波信息和目标信息进行分离。此外，还可以通过脉冲对消、脉冲积累等处理方法对数据进行处理。预处理进行的处理不改变回波数据矩阵的维度，但处理后数据的信噪比得到改善，杂波基本得到抑制，预处理后的数据中影响目标检测的主要因素是干扰和噪声。

(2)计算X的协方差矩阵，计算方法为：R_X＝E[XX^H]，式中，R_X表示X的协方差矩阵，E[]表示均值运算，H表示协方差矩阵的共轭转置；

本步骤中，回波数据中除了目标信息外，还包含干扰和噪声数据，假设回波数据中含有P个目标、N_J个干扰以及噪声的信息，干扰既有在回波中各距离单元均有分布的压制式干扰，也有在部分距离窗分布较密集分布的密集假目标干扰或经多次切片转发的欺骗式干扰，还可以有孤立的假目标干扰，回波的数学模型可以表示为其中t表示接收时刻，a_i(θ_i)、a_j(θ_j)分别表示目标和干扰数据的导向矢量，θ_i、θ_j为目标或干扰源的空间角度信息，导向矢量表征了当前阵列构型对来波信号的空间相位差，在目标和雷达相距较远的情况(远场条件)下，来波方向的方位角为θ，俯仰角为时(这里方位角定义方位上为与空间三维笛卡尔坐标系中x轴正半轴的夹角，俯仰角定义为俯仰上与y轴正半轴的夹角)，对空间中位于[x_k y_k z_k]位置的阵元，以坐标原点为参考阵元，该来波信号对于当前阵元导向矢量表示为当目标和雷达距离不满足远场条件时，导向矢量可以直接用不同阵元的波程差进行表示；s_i(t)、s_j(t)表示复包络信息，n(t)表示观测噪声。选取全部距离单元的回波数据作为样本数据，估计样本数据的协方差矩阵

(3)计算矩阵R_X的逆，使用计算每个距离单元广义内积值，计算方法为：式中，GIP_i表示第i个距离单元的第一广义内积值，X_i表示N个阵元第i个距离单元的数据向量，H表示第一协方差矩阵的共轭转置，表示样本数据的第一协方差矩阵R_X的逆计算；

(4)剔除样本数据中所有可能的奇异样本，使用剔除后的样本作为训练样本对干扰信息进行估计。可以选用以下两种剔除方式：一是根据设置的门限值和广义内积值对数据进行划分，取广义内积值低于门限值的数据作为样本计算均匀干扰的协方差矩阵R_j1；二是设定一定的剔除样本数目，剔除设定数目的样本，取剩下的数据作为训练样本计算均匀干扰的协方差矩阵R_j1；

本实施中，根据步骤(3)，广义内积可以理解为使用矩阵对向量进行白化后的向量的能量，因此如果向量X_i的分布与计算协方差矩阵R_X使用的训练样本X的分布相差较大时，计算出的广义内积值就会较大，当向量X_i的分布与计算协方差矩阵R_X使用的训练样本X的分布情况较为接近时，计算出的广义内积值就会较小。如果向量X_i的分布与计算协方差矩阵R_X使用的训练样本X的分布为独立同分布(independent and identicallydistributed，i.i.d)，那么计算出的广义内积值会收敛于E[GIP_i],即向量X_i的长度N。由于在训练样本中，奇异样本只在部分距离单元分布，R_X会更多的反应噪声和压制干扰的情况，且由于奇异样本的分布较噪声和压制相对不分散，在目标的信噪比与假目标干扰的干噪比不是特别低的情况下，步骤(3)得到的广义内积结果中，奇异样本的值会较大，利用广义内积值的差别可以提出奇异样本，获得较为纯净的压制干扰信息估计。剔除可用以下两个方法完成，基于门限的剔除法和固定数目迭代剔除法。下面参考图4、图5对这两种方法具体实施进行说明。

(5)对于门限剔除的方法，计算协方差矩阵R_j1的逆使用计算每个距离单元广义内积值；对于特定数目剔除的方法，计算协方差矩阵R_j1的逆使用计算每个距离单元广义内积值(可以迭代进行剔除特定数目的样本，计算协方差和广义内积值的过程，一般迭代次数3次以上，剔除样本数主要参考当前数据中奇异样本的数目多少情况以及剔除后的样本数目多少情况)；

如图4所示为基于门限的剔除方法，如前所述，广义内积的物理意义为白化向量的能量，如果当前样本的分布与样本X的分布为独立同分布，那么广义内积值就收敛于N，因此无奇异样本单元的广义内积值理论上不会超过N，但考虑到训练样本中含有奇异样本，实际中可以根据数据情况选择合适的门限，如奇异样本显然较多时，那么可以将门限调低，如将门限值设定为数据长度N甚至略小于N，当奇异样本较少时，可以调高门限，如1.2～1.5N。

如图5所示为基于固定剔除数目迭代剔除的方法，基于门限的剔除方法依赖于剔除门限的选择，需要根据实际的情况选择合适的门限，如果固定剔除门限，就有可能出现奇异样本剔除不干净或者剔除后剩余样本过少的情况。而基于固定剔除数目就可以控制剔除情况，奇异样本的广义内积值会较只存在压制干扰的样本小，因此可以通过剔除一定数目的大广义内积值样本完成奇异样本剔除。此外，通过迭代逐步剔除大广义内积值的样本，随着奇异样本越来越少，奇异样本的广义内积值会越来越大，直至剩余样本的情况收敛于实际的压制干扰分布情况。根据实际应用，一般选择剔除1/3～1/2的样本，迭代次数为3次左右就可以使得剩余样本的干扰分布接近于实际的压制干扰分布情况。

本实施例中，使用剔除后的数据作为干扰估计的样本，估计干扰的协方差矩阵R_j1，并使用R_j1的逆重新计算广义内积值，根据广义内积的计算方式可以认为使用作为权矢量，对回波数据做波束形成，因此广义内积运算既完成了干扰的自适应抑制，又完成了回波数据的非相参积累。因此当各分布式节点的空间位置时变目标导向矢量无法获得时，广义内积可以作为非相参的自适应干扰抑制方法，在完成广义内积运算之后，可以直接对广义内积结果进行目标检测，而不需要再对回波进行自适应处理。

(6)根据设置的门限值和广义内积值判断是否存在会形成密集假目标的干扰。将广义内积值高于门限值的距离单元认为存在假目标干扰和目标的距离单元；如果高于门限的距离单元明显大于目标数，认为存在会形成密集假目标的干扰，这些干扰可以是敌方释放的密集假目标干扰形成的，也可能是敌方对雷达信号进行多次切片转发形成的欺骗干扰，计算这些距离单元数据的协方差矩阵R′_X；如果高于门限的距离单元数较少，可以判断回波中无会形成密集假目标的干扰，此时高于门限的距离单元可能是目标或孤立干扰，直接将此时计算的广义内积结果进行目标检测，执行步骤(10)；

本实施例中，剔除的目的是为了避免奇异样本对压制干扰协方差估计的影响，从而对压制干扰进行更好的抑制，但是剔除出的数据没有进行处理，无论是进而对数据进行自适应处理那么就会形成假目标，还是如步骤(5)所述，直接对广义内积结果进行检测，如果存在密集干扰，那么密集干扰就会形成大量虚警，如果干噪比大于目标信噪比，且干扰分布在目标附近的距离单元时，干扰会淹没目标，造成漏检。因此最好的方法是对这些剔除的奇异样本中的密集假目标干扰进行进一步的处理。

要对密集假目标干扰处理，首先要对是否存在密集假目标干扰进行判断，可以仍然使用广义内积进行判断。当存在密集干扰时，在步骤(5)中大广义内积值的样本相较于只有少量目标和孤立干扰时相比是多的，可以在这里设置较高门限，如3倍或更大倍数数据长度作为门限，根据高于门限值的样本数判断是否存在密集假目标。如果高于门限的样本单元明显大于目标和孤立干扰的数目，那么可以认为存在密集干扰。如果存在密集假目标干扰，那么继续对这些干扰进行处理，如果判断不存在密集假目标干扰，对步骤(5)获得结果进行目标检测。

对于密集假目标干扰，无论干扰来自于敌方释放的大量干扰源还是敌方对雷达信号进行的多次切片转发，干扰的分布特性相近且数目通常远大于目标数目，使用这些剔除出数据的协方差矩阵来计算这些样本单元的广义内积值，由于目标的分布特性与干扰分布特性存在差异，目标存在的距离单元的广义内积值会较大，此时目标和孤立干扰对于密集干扰而言是奇异样本，重复前面的奇异样本剔除过程，就可以获得密集干扰的协方差矩阵估计R′_X。需要注意的是，如果阵元数目较多，比如大型的机载相控阵雷达，阵元数大于剔除后剩余的样本数，获得的R′_X不是满秩的，使用非满秩的奇异矩阵进行后续处理肯定无法获得理想的处理结果。但若对回波进行子阵合成，当合成通道数小于剔除后的样本数时就可以获得R′_X的满秩估计即可。只要合成后阵列的自由度大于干扰数目，就可以完成对干扰的抑制。

(7)计算矩阵R′_X的逆(R′_X)^-1，使用(R′_X)^-1计算步骤(6)得到的高于门限的距离单元的广义内积值；

本实施例中，与步骤(3)类似，使用R′_X的逆(R′_X)^-1重新计算剔除出样本所在距离单元的广义内积值。

(8)与步骤(4)类似，采用门限剔除或特定样本数目剔除的方法，剔除可能的运动目标或孤立干扰等数据，获得会形成较密集假目标干扰的协方差矩阵R_j2；

本实施例中，与步骤(4)类似，根据步骤(7)计算得到的广义内积结果，剔除奇异样本数据，如步骤(6)所述，此时的奇异样本对应目标或孤立干扰。将本次剔除后的样本作为密集假目标干扰的估计样本，估计其协方差矩阵R_j2。

(9)计算矩阵R_j2的逆使用计算步骤(6)得到的高于门限的距离单元的广义内积值；

本实施例中，使用步骤(8)获得的的逆对步骤(5)获得的高于检测门限的奇异样本所在的距离单元重新计算广义内积值，此时密集假目标干扰已经得到抑制。

(10)对计算的广义内积结果进行检测。

本实施例中，还通过以下仿真实验对本发明实施例所述的无人机载雷达主瓣干扰抑制方法进行进一步的验证：

仿真设置：为了说明本发明提出的方法对于所述的奇异样本的剔除效果，设计如下实验。分布式系统发射接收信号为线性调频信号，载频的中心频率为300MHz，调频带宽为5MHz，脉冲宽度为20us，脉冲重复周期为200us，系统由6个探测节点组成，包含一个由100个阵元的组成的大阵和五个由20个阵元组成的小阵，回波数据进行子阵合成，主阵合成5个通道，各辅助阵合成一个通道，布阵位置如图6所示，分布式阵列为非均匀稀疏平面阵，位于xoy面上。目标原始单通道信噪比为-20dB，目标距离为300km,方位和俯仰为(0°，20°)。

实验1)中设置有两组压制干扰，干扰源距离与目标距离相同，方位和俯仰分别为(0.078°，20°)、(-0.078°，20°)，都位于主雷达的主瓣内，带宽为5MHz，单通道原始干噪比为30dB。

实验2)回波中包含有两组切片转发的欺骗式干扰。每组切片采样片段重复转发次为16次，干扰的干噪比为30dB(指预处理前单个通道原始的干噪比)。

1)实验内容1：无密集假目标时本方法对主瓣压制干扰抑制的仿真验证：

实验内容：本组实验中未添加密集假目标干扰，由于样本中奇异样本数目只有目标，目标所在距离单元的广义内积值会明显大于其他距离单元，无论何种剔除方法都很容易剔除目标这个奇异样本，获得压制干扰的正确估计两种剔除方法的异同在第2组实验中进行进一步的说明。这里给出剔除奇异样本后计算广义内积并进行检测的结果，如图7所示。

结果分析：可以看出使用广义内积结果可以获得足够的阵列合成增益，使目标被检测到。虽然广义内积从原理上来说是一种非相参的阵列合成积累方式，但是在阵列构型无法获得理想的相参积累增益时，基于广义内积对目标进行检测完全是可行的，且相比于先剔除奇异样本估计协方差矩阵再进行自适应处理的方法，无需进行自适应处理的操作，处理的复杂度和计算量可以有所降低。

2)实验内容2：同时存在压制干扰和密集假目标干扰时本方法的仿真验证：

2-1奇异样本剔除方法的仿真验证：

实验内容：本组实验除目标外，添加了会引起大量假目标，对回波数据而言是奇异样本的切片转发欺骗式干扰。在奇异样本较多的情况下，对本发明提出的奇异样本剔除效果进行验证。图8所示为使用全部回波数据作为训练样本估计协方差矩阵得到的进行剔除前的广义内积值。图9为使用1倍数据长度作为门限剔除后再计算广义内积值的结果。图10为剔除1/3样本，迭代次数为3时的结果，其中图10(a)为第一次剔除后计算得到的广义内积结果，图10(b)为迭代后计算得到的广义内积结果。

结果分析：可以看出两种方法都能够找到两组干扰对应的奇异样本，但迭代剔除的结果中剔除效果优于门限剔除，因为距离较近的一组干扰干噪比小，影响到其广义内积值也较小，门限剔除未能够将其剔除干净，迭代剔除可以保证每次剔大留小，多次迭代后，会尽可能多的剔除所有可能的奇异样本。在干扰干噪比足够大时，两种方法都可以较好的剔除奇异样本，当干扰的干噪比较小时，基于迭代剔除的方法更容易保证好的剔除效果。

2-2假目标干扰的抑制：

实验内容：如前所述，如果直接对2-1所得结果进行检测，会出现大量的假目标，这些是剔除出的切片转发干扰形成的，为了保证对压制干扰的抑制效果，将这些干扰剔除出来，剔除后这些干扰就会形成假目标。因此本发明提出对剔除出的奇异样本再次进行剔除以完成对会形成假目标干扰的抑制。所获得的结果如果本组实验除目标外，添加了会引起假目标的大量对回波数据而言是奇异样本的密集假目标干扰和切片转发欺骗式干扰。在奇异样本较多的情况下，对本发明提出的奇异样本剔除效果进行验证。图11是对剔除出奇异样本再次进行剔除和检测结果图。

结果分析：可以看出通过对剔除出的奇异样本再次进行剔除和广义内积计算，由于目标和假目标干扰分布的差异，假目标的广义内积值逐渐得到抑制，由于对形成假目标的干扰进行抑制，图9、图10中本干扰掩盖的目标也逐渐变大可以被检测到，可以看出本方法可以处理会形成密集假目标的切片转发式欺骗干扰或敌方释放的无源密集假目标干扰，完成对目标的正确检测。

根据实验验证可知，本发明实施例所述无人机载雷达主瓣干扰抑制方法具有以下技术效果：

(1)本发明实施例所述的方法解决了会引起密集假目标的干扰问题，现有的基于广义内积的方法只是将这些干扰剔除，避免其对均匀的压制干扰抑制的影响，没有解决剔除出来数据中的会形成密集假目标的干扰；

(2)本发明实施例所述的方法适用于分布情况时变的分布式机载雷达协同探测时目标导向矢量无法的问题，在使用广义内积剔除非均匀数据的同时利用广义内积的非相参积累的物理特性，同时完成了干扰抑制和目标数据的非相参积累；

(3)本发明实施例所述的方法直接用广义内积结果进行目标检测，大大减少在获得干扰信息后再进行自适应处理获得滤波结果再进行检测的处理复杂度和计算量。

参照图12，本发明实施例还提供了一种无人机载雷达主瓣干扰抑制装置200，具体包括：

至少一个处理器210；

至少一个存储器220，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器210执行，使得所述至少一个处理器210实现如图1和图2所示的方法。

其中，存储器220作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。存储器220可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器220可选包括相对于处理器210远程设置的远程存储器，这些远程存储器可以通过网络连接至处理器210。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

可以理解到，图12中示出的装置结构并不构成对装置200的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图12所示的装置200中，处理器210可以调取存储器220中储存的程序，并执行但不限于图1和图2所示实施例的步骤。

以上所描述的装置200实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现实施例的目的。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现如图1和图2所示的方法。

本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1和图2所示的方法。

可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。