CN107219511B - 波束-多普勒方向图稀疏约束的stap方法及装置 - Google Patents
波束-多普勒方向图稀疏约束的stap方法及装置 Download PDFInfo
- Publication number
- CN107219511B CN107219511B CN201710418125.XA CN201710418125A CN107219511B CN 107219511 B CN107219511 B CN 107219511B CN 201710418125 A CN201710418125 A CN 201710418125A CN 107219511 B CN107219511 B CN 107219511B
- Authority
- CN
- China
- Prior art keywords
- space
- norm
- doppler
- time
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明适用于雷达信号处理领域,提供了一种波束‑多普勒方向图稀疏约束的空时自适应处理STAP方法及装置,所述方法包括:根据波束‑多普勒方向图的稀疏性,联合空时滤波器输出的l2范数和波束‑多普勒方向图的l1范数的最小化,建立L1范数‑L2范数混合最小化目标函数;根据所述L1范数‑L2范数混合最小化目标函数求解空时滤波器的权矢量wp;其中,上标p代表独立同分布训练样本数,p为正整数;本发明提供的方法参数易设置且计算简单,可以在独立同分布训练样本数有限的条件下,提高雷达***杂波抑制水平与目标检测能力。
Description
技术领域
本发明属于雷达信号处理领域,尤其涉及一种波束-多普勒方向图稀疏约束的STAP方法及装置。
背景技术
相控阵机载雷达中,STAP(Space-Time Adaptive Processing,空时自适应处理)技术是提高目标检测性能的极具优势的一项技术之一。由于在非均匀环境下,很难获得较多的独立同分布训练样本数,那么怎样在独立同分布训练样本数有限的条件下,提高传统空时自适应滤波器的杂波抑制水平与目标检测能力的问题,成为STAP研究主要关注的问题。
针对该问题,学者们提出一些相关方法,如降维(Reduced Dimension)STAP方法(如局域联合处理方法(Joint Domain Localized,JDL))、降秩(Reduced Rank)STAP方法(如主分量法(Principle Components,PC))、基于模型参数化的STAP方法、基于知识的(Knowledge-Aided,KA)STAP方法、基于权矢量稀疏性的稀疏空时波束形成方法、最小-最大STAP方法等等。降维STAP方法利用降低***自由度的方法,提高了独立同分布训练样本有限下的杂波抑制能力和目标检测性能,但该算法减少了***自由度,相较于全空时最优***下的杂波抑制性能来说,性能有所降低。降秩(Reduced Rank)STAP方法尽管可以实时根据环境变化和样本数据设计滤波器权矢量,也能获得比降维STAP方法更优越的性能,但是降秩STAP方法的性能通常依赖于实际杂波环境中杂波秩估计的准确性,而实际杂波环境中杂波秩的估计精确性仍需更多研究。基于模型参数化的STAP方法利用模型参数法解决了独立同分布训练样本有限的问题,但是该类方法计算复杂度较高,且算法的性能依赖于模型参数选择的合理性。基于知识的STAP方法,在解决在独立同分布训练样本数有限的问题拥有巨大优势,但该类方法的性能依赖于知识的准确性。基于权矢量稀疏性的稀疏空时波束形成方法利用了权矢量稀疏性的先验知识,在独立同分布训练本数有限具有潜在优势,但存在模型失配时,其杂波性能有所降低。最小-最大STAP方法利用迭代最小-最大方法选择天线脉冲对来降低对空时快拍的需求,因此能够在有限快拍下获得较好的杂波抑制能力,但是算法中涉及的迭代最小-最大过程计算复杂度较高,而且当天线脉冲对选择不当时,算法性能严重恶化。
即学者们提出的上述相关方法中,在独立同分布训练样本数有限的条件下,一些算法由于在执行过程中存在一定问题,导致不能很好的提高传统空时自适应滤波器的杂波抑制水平与目标检测能力的问题;另一些算法存在计算复杂度高的问题,或者参数设置困难的问题;因此,需要一种参数易设置且计算简单的算法,能够在独立同分布训练样本数有限的条件下,提高传统空时自适应滤波器的杂波抑制水平与目标检测能力。
发明内容
本发明提供一种波束-多普勒方向图稀疏约束的STAP方法及装置,旨在在独立同分布训练样本数有限的条件下,提供一种参数易设置且计算简单的算法来提高传统空时自适应滤波器的杂波抑制水平与目标检测能力。
本发明提供了一种波束-多普勒方向图稀疏约束的空时自适应处理STAP方法,所述方法包括:
根据波束-多普勒方向图的稀疏性,联合空时滤波器输出的l2范数和波束-多普勒方向图的l1范数的最小化,建立L1范数-L2范数混合最小化目标函数;
根据所述L1范数-L2范数混合最小化目标函数求解空时滤波器的权矢量wp;
其中,上标p代表独立同分布训练样本数,p为正整数。
进一步地,所述L1范数-L2范数混合最小化目标函数为:
s.t.(wp)Hs=1.
其中,wp表示由p个空时快拍计算得到NM×1维空时滤波器的权矢量,J1(wp)表示以wp为变量的函数,(wp)HRpwp表示由p个空时快拍计算得到的空时滤波器输出的l2范数,Rp表示由p个空时快拍计算得到的阵列协方差矩阵,κ||zp||1表示由p个空时快拍计算得到的波束-多普勒方向图zp的l1稀疏约束项,||·||1表示取l1范数,表示波束-多普勒空间的波束-多普勒方向图,上标T、H分别表示转置、共轭转置,表示多普勒频率为fd;i、空间频率为fs;j的波束-多普勒方向图,为NM×NdNs维矩阵,Nd表示整个多普勒域多普勒频率采样点数,Ns表示整个波束域空间频率采样点数,κ为权衡波束-多普勒方向图稀疏性与滤波器输出l2范数的正则化参数;表示取最小值对应的参数wp,s.t.表示约束条件;
NM×1维空时快拍表示为:
x=αts+xu,
进一步地,所述根据所述L1范数-L2范数混合最小化目标函数求解空时滤波器的权矢量wp,包括:
将所述L1范数-L2范数混合最小化目标函数转化为以下公式:
利用上述公式对(wp)*求导,并令结果为0,然后将结果代入(wp)Hs=1,即可得到权矢量wp的表达式,根据权矢量wp的表达式求解权矢量wp,其中,wp的表达式为:
其中,
其中,(·)*表示取共轭,diag{·}表示以大括号中元素为对角元素构成的对角矩阵,ε表示很小的一个正常数。
进一步地,参数Rp的求解公式为:
其中,β为遗忘因子,xi表示第i个空时快拍,xp表示第p个空时快拍,上标H分别表示共轭转置,Rp-1表示前p-1个空时快拍计算得到的协方差矩阵。
进一步地,正则化参数κ的求解公式为:
其中,
本发明还提供了一种波束-多普勒方向图稀疏约束的空时自适应处理STAP装置,所述装置包括:
最小化目标函数建立模块,用于根据波束-多普勒方向图的稀疏性,联合空时滤波器输出的l2范数和波束-多普勒方向图的l1范数的最小化,建立L1范数-L2范数混合最小化目标函数;
权矢量wp求解模块,用于根据所述L1范数-L2范数混合最小化目标函数求解空时滤波器的权矢量wp;
其中,上标p代表独立同分布训练样本数,p为正整数。
进一步地,所述L1范数-L2范数混合最小化目标函数为:
s.t.(wp)Hs=1.
其中,wp表示由p个空时快拍计算得到NM×1维空时滤波器的权矢量,J1(wp)表示以wp为变量的函数,(wp)HRpwp表示由p个空时快拍计算得到的空时滤波器输出的l2范数,Rp表示由p个空时快拍计算得到的阵列协方差矩阵,κ||zp||1表示由p个空时快拍计算得到的波束-多普勒方向图zp的l1稀疏约束项,||·||1表示取l1范数,表示波束-多普勒空间的波束-多普勒方向图,上标T、H分别表示转置、共轭转置,表示多普勒频率为fd;i、空间频率为fs;j的波束-多普勒方向图,为NM×NdNs维矩阵,Nd表示整个多普勒域多普勒频率采样点数,Ns表示整个波束域空间频率采样点数,κ为权衡波束-多普勒方向图稀疏性与滤波器输出l2范数的正则化参数;表示取最小值对应的参数wp,s.t.表示约束条件;
NM×1维空时快拍表示为:
x=αts+xu,
进一步地,所述权矢量wp求解模块,具体用于将所述L1范数-L2范数混合最小化目标函数转化为以下公式:
并利用上述公式对(wp)*求导,并令结果为0,然后将结果代入(wp)Hs=1,即可得到权矢量wp的表达式,根据权矢量wp的表达式求解权矢量wp,其中,wp的表达式为:
其中,
其中,(·)*表示取共轭,diag{·}表示以大括号中元素为对角元素构成的对角矩阵,ε表示很小的一个正常数。
进一步地,参数Rp的求解公式为:
其中,β为遗忘因子,xi表示第i个空时快拍,xp表示第p个空时快拍,上标H分别表示共轭转置,Rp-1表示前p-1个空时快拍计算得到的协方差矩阵。
进一步地,正则化参数κ的求解公式为:
其中,
本发明与现有技术相比,有益效果在于:本发明提供的一种波束-多普勒方向图稀疏约束的STAP方法及装置,在独立同分布训练样本数为p的情况下,通过在传统STAP滤波器设计的基础上引入波束-多普图方向图的稀疏性,将STAP滤波器设计问题描述为L1范数-L2范数混合最小化优化问题,联合空时滤波器输出的l2范数和波束-多普勒方向图的l1范数的最小化,建立L1范数-L2范数混合最小化目标函数,并根据所述L1范数-L2范数混合最小化目标函数求解空时滤波器的权矢量wp,从而求解了上述最小化优化问题;本发明提供的方法参数易设置且计算简单,可以在独立同分布训练样本数有限的条件下,提高雷达***杂波抑制水平与目标检测能力。
附图说明
图1是本发明实施例提供的一种波束-多普勒方向图稀疏约束的空时自适应处理STAP方法的流程示意图;
图2是本发明实施例提供的SINR损失与训练样本数关系的示意图;
图3是本发明实施例提供的SINR损失与目标多普勒频率关系的示意图;
图4是本发明实施例提供的检测概率与目标输入信噪比(SNR)的关系的示意图;
图5是本发明实施例提供的一种波束-多普勒方向图稀疏约束的空时自适应处理STAP装置的模块示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明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发明,并不用于限定本发明。
本发明的主要实现思想为:在独立同分布训练样本数为p的情况下,通过在传统STAP滤波器设计的基础上引入波束-多普图方向图的稀疏性,将STAP滤波器设计问题描述为L1范数-L2范数混合最小化优化问题,联合空时滤波器输出的l2范数和波束-多普勒方向图的l1范数的最小化,建立L1范数-L2范数混合最小化目标函数,并根据所述L1范数-L2范数混合最小化目标函数求解空时滤波器的权矢量wp,从而求解了上述最小化优化问题。
下面具体介绍这种波束-多普勒方向图稀疏约束的空时自适应处理STAP方法,如图1所示,所述方法包括:
步骤S1,根据波束-多普勒方向图的稀疏性,联合空时滤波器输出的l2范数和波束-多普勒方向图的l1范数的最小化,建立L1范数-L2范数混合最小化目标函数;
具体地,波束-多普勒方向的稀疏性是指波束-多普勒方向图在目标方向形成高增益,而在除目标方向以外的其它方向形成非常小的增益,即一个矢量中大多数分量的值较小,只有几个分量的值较大,即说信号具有稀疏性。本发明实施例是在传统STAP设计的输出功率最小化问题上,假设空时快拍个数为p(p为正整数),利用空时滤波器权矢量形成的波束-多普勒方向图的稀疏性,联合空时滤波器输出功率(空时滤波器输出功率的数学意义是l2范数)和波束-多普勒方向图的l1范数最小化,得目标优化问题。
具体地,关于空时快拍的表示方法解释如下:
假设一脉冲多普勒雷达,其天线阵列为均匀线阵,包含M个阵元,一个相干处理时间内以恒定脉冲重复频率(PRF)fr发送N个相干脉冲,感兴趣距离单元只有一个目标,则NM×1维空时快拍x表示为:
x=αts+xu (1)
具体地,所述L1范数-L2范数混合最小化目标函数为:
其中,wp表示由p个空时快拍计算得到NM×1维空时滤波器的权矢量,J1(wp)表示以wp为变量的函数,(wp)HRpwp表示由p个空时快拍计算得到的空时滤波器输出的l2范数,Rp表示由p个空时快拍计算得到的阵列协方差矩阵,κ||zp||1表示由p个空时快拍计算得到的波束-多普勒方向图zp的l1稀疏约束项,||·||1表示取l1范数,表示波束-多普勒空间的波束-多普勒方向图,其中,上标T、H分别表示转置、共轭转置,表示多普勒频率为fd;i、空间频率为fs;j的波束-多普勒方向图,v(.,.)表示空时导向矢量,fd;i的取值范围是-0.5到0.5,fs;j的取值范围是-0.5到0.5,为NM×NdNs维矩阵,Nd表示整个多普勒域多普勒频率采样点数,Ns表示整个波束域空间频率采样点数,κ为权衡波束-多普勒方向图稀疏性与滤波器输出l2范数的正则化参数;表示取最小值对应的参数wp,s.t.表示约束条件。
步骤S2,根据所述L1范数-L2范数混合最小化目标函数求解空时滤波器的权矢量wp。
具体地,先将所述L1范数-L2范数混合最小化目标函数转化为以下公式:
然后,为求解式(3)中的权矢量wp,利用上述公式(3)对(wp)*求导,并令结果为0,然后将结果代入(wp)Hs=1,即可得到权矢量wp的表达式,根据权矢量wp的表达式即可求解权矢量w,其中,wp的表达式为:
其中,公式(4)为空时滤波器权矢量表达式;
其中,
其中,(·)*表示取共轭,diag{·}表示以大括号中元素为对角元素构成的对角矩阵,ε表示很小的一个正常数。
具体地,对于公式(4)中的Rp,按以下迭代方法进行求解:
其中,β为遗忘因子,p个空时快拍表示为X=[x1,x2,…,xp],xi表示第i个空时快拍,i=1,2,…,p,xp表示第p个空时快拍,上标H分别表示共轭转置,Rp-1表示前p-1个空时快拍计算得到的协方差矩阵。
具体地,为进一步求解公式(4)中的wp,将参数κ采用如下迭代形式
其中,公式(7)为正则化参数自适应交替迭代算法,κp(zp)表示由p个空时快拍计算得到的正则化参数κ,为保证算法能收敛到全局最优值,令
即结合公式(6)和公式(7),并利用公式(4)即可求得权矢量wp。
本发明实施例提出的一种波束-多普勒方向图稀疏约束的STAP方法,在独立同分布训练样本数为p的情况下,首先通过在传统STAP滤波器设计的基础上引入波束-多普勒方向图的稀疏性,并建立L1范数-L2范数混合最小化目标函数,然后利用自适应交替迭代算法更新最优权矢量和正则化参数,求解得到空时滤波器的权矢量wp。本发明所提方法能在有限独立同分布训练样本数和存在阵列误差的条件下,提高雷达***杂波抑制水平与目标检测能力。
下面举一具体实施例,将本发明提供的波束-多普勒方向图稀疏约束的空时自适应处理STAP方法与JDL、STMB(Space-Time Multiple-Beam,空时多波束)、PC以及基于权矢量稀疏性的稀疏空时波束形成方法(Sparsity-Aware Beamformer)进行对比,来说明本发明提供的技术方案在杂波抑制性能和目标检测性能方面取得的有益效果。
考虑正侧视均均线阵机载雷达平台,阵元数为M=12,一个相干处理时间内发送脉冲数N=12,载波频率为1.2GHz,脉冲重复频率fr=2kHz,平台速度为125米每秒,平台高度为8千米,杂噪比(CNR)为45dB,两个干扰方向为-45度和60度,干噪比(JNR)为30dB,考虑存在阵列幅相误差:阵列幅度和相位误差满足零均值高斯分布,幅度误差和相位误差的方差分别为0.05,0.05*π/2。各算法参数设置如下:JDL算法中,选择3个多普勒通道和3个波束通道;STMB算法中,选择8个多普勒频率通道和3个波束通道;PC算法中,大特征值个数设置为50;本发明技术所提出算法中,w0=s,β=0.9998,ε=10-6,
关于杂波抑制性能:
为考察所提算法的杂波抑制性能,比较本发明所提方法与现有JDL、STMB、PC及权矢量稀疏性的稀疏空时波束形成方法的输出信干噪比(SINR)损失,通常可定义为
需要说明的是,对于本发明所提方法,是将公式(9)中的w取wp,即wH取(wp)H,利用本发明提供的技术方案计算出空时滤波器的权矢量wp,并带入上述公式(9),来得到性干燥比(SINR)。
在图2中,设感兴趣目标的归一化多普勒频率为0.25。由图2可以看出,相比其他几种算法,本发明表现出更快的收敛速度和更高的稳定状态输出SINR。
在图3中,设各算法的训练样本数即空时快拍个数均为50。由图3可以看出,当归一化多普勒频率小于等于0.1时,所提算法的输出SINR略小于JDL算法,但是在其他多普勒频率值上,所提算法输出SINR都明显优于其他算法。
关于检测性能:
本发明所提方法与其他方法的检测性能,即检测概率曲线如图4所示,仿真中,虚警率Pfa设为10-3,检测门限和检测概率获得的蒙特卡洛次数均设为10/Pfa,感兴趣目标归一化多普勒频率为0.25。由图4可得:本发明相比其他传统算法有最高的检测概率,即目标检测性能优于其他算法。
由以上实施例可得,本发明所提供的方法在有限独立同分布训练样本数和存在阵列误差的条件下,能获得优于JDL、STMB、PC以及权矢量稀疏性的稀疏空时波束形成方法的杂波抑制性能。
本发明还提供了一种波束-多普勒方向图稀疏约束的空时自适应处理STAP装置,如图5所示,所述装置包括:
最小化目标函数建立模块1,用于根据波束-多普勒方向图的稀疏性,联合空时滤波器输出的l2范数和波束-多普勒方向图的l1范数的最小化,建立L1范数-L2范数混合最小化目标函数;
权矢量wp求解模块2,用于根据所述L1范数-L2范数混合最小化目标函数求解空时滤波器的权矢量wp。
本发明实施例通过在传统STAP滤波器设计的基础上引入波束-多普图方向图的稀疏性,将STAP滤波器设计问题描述为L1范数-L2范数混合最小化优化问题,即建立L1范数-L2范数混合最小化目标函数,然后根据所述L1范数-L2范数混合最小化目标函数求解空时滤波器的权矢量wp。本发明实施例可以应用于运动平台雷达杂波抑制领域,在有限独立同分布训练样本数和存在阵列误差的条件下,提高雷达***杂波抑制水平与目标检测能力。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种波束-多普勒方向图稀疏约束的空时自适应处理STAP方法,其特征在于,所述方法包括:
根据波束-多普勒方向图的稀疏性,联合空时滤波器输出的l2范数和波束-多普勒方向图的l1范数的最小化,建立L1范数-L2范数混合最小化目标函数;
根据所述L1范数-L2范数混合最小化目标函数求解空时滤波器的权矢量wp;
其中,上标p代表独立同分布训练样本数,p为正整数;
所述L1范数-L2范数混合最小化目标函数为:
s.t.(wp)Hs=1.
其中,wp表示由p个空时快拍计算得到NM×1维空时滤波器的权矢量,J1(wp)表示以wp为变量的函数,(wp)HRpwp表示由p个空时快拍计算得到的空时滤波器输出的l2范数,Rp表示由p个空时快拍计算得到的阵列协方差矩阵,κ||zp||1表示由p个空时快拍计算得到的波束-多普勒方向图zp的l1稀疏约束项,||·||1表示取l1范数,表示波束-多普勒空间的波束-多普勒方向图,上标T、H分别表示转置、共轭转置,表示多普勒频率为fd;i、空间频率为fs;j的波束-多普勒方向图,为NM×NdNs维矩阵,Nd表示整个多普勒域多普勒频率采样点数,Ns表示整个波束域空间频率采样点数,κ为权衡波束-多普勒方向图稀疏性与滤波器输出l2范数的正则化参数;表示取最小值对应的参数wp,s.t.表示约束条件;
NM×1维空时快拍表示为:
x=αts+xu,
5.一种波束-多普勒方向图稀疏约束的空时自适应处理STAP装置,其特征在于,所述装置包括:
最小化目标函数建立模块,用于根据波束-多普勒方向图的稀疏性,联合空时滤波器输出的l2范数和波束-多普勒方向图的l1范数的最小化,建立L1范数-L2范数混合最小化目标函数;
权矢量wp求解模块,用于根据所述L1范数-L2范数混合最小化目标函数求解空时滤波器的权矢量wp;
其中,上标p代表独立同分布训练样本数,p为正整数;
所述L1范数-L2范数混合最小化目标函数为:
s.t.(wp)Hs=1.
其中,wp表示由p个空时快拍计算得到NM×1维空时滤波器的权矢量,J1(wp)表示以wp为变量的函数,(wp)HRpwp表示由p个空时快拍计算得到的空时滤波器输出的l2范数,Rp表示由p个空时快拍计算得到的阵列协方差矩阵,κ||zp||1表示由p个空时快拍计算得到的波束-多普勒方向图zp的l1稀疏约束项,||·||1表示取l1范数,表示波束-多普勒空间的波束-多普勒方向图,上标T、H分别表示转置、共轭转置,表示多普勒频率为fd;i、空间频率为fs;j的波束-多普勒方向图,为NM×NdNs维矩阵,Nd表示整个多普勒域多普勒频率采样点数,Ns表示整个波束域空间频率采样点数,κ为权衡波束-多普勒方向图稀疏性与滤波器输出l2范数的正则化参数;表示取最小值对应的参数wp,s.t.表示约束条件;
NM×1维空时快拍表示为:
x=αts+xu,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418125.XA CN107219511B (zh) | 2017-06-06 | 2017-06-06 | 波束-多普勒方向图稀疏约束的stap方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418125.XA CN107219511B (zh) | 2017-06-06 | 2017-06-06 | 波束-多普勒方向图稀疏约束的stap方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107219511A CN107219511A (zh) | 2017-09-29 |
CN107219511B true CN107219511B (zh) | 2020-05-19 |
Family
ID=59947460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710418125.XA Active CN107219511B (zh) | 2017-06-06 | 2017-06-06 | 波束-多普勒方向图稀疏约束的stap方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107219511B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018223285A1 (zh) * | 2017-06-06 | 2018-12-13 | 深圳大学 | 波束-多普勒方向图稀疏约束的stap方法及装置 |
CN109031227B (zh) * | 2018-06-25 | 2021-03-23 | 深圳大学 | 一种共轭梯度空时自适应处理方法及*** |
WO2020000123A1 (zh) * | 2018-06-25 | 2020-01-02 | 深圳大学 | 一种共轭梯度空时自适应处理方法及*** |
CN110677179B (zh) * | 2019-10-09 | 2020-11-10 | 河北科技大学 | 接收天线选择方法、装置及终端设备 |
CN110658517B (zh) * | 2019-10-11 | 2021-08-31 | 深圳大学 | 一种基于不确定先验知识的降维稀疏stap方法及装置 |
CN110764069B (zh) * | 2019-11-14 | 2021-08-10 | 内蒙古工业大学 | 一种基于知识辅助的稀疏恢复stap色加载方法 |
CN111624556A (zh) * | 2020-06-08 | 2020-09-04 | 河海大学 | 基于形态成分分析的气象雷达wtc抑制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199052A (zh) * | 2014-09-22 | 2014-12-10 | 哈尔滨工程大学 | 一种基于范数约束的波束旁瓣抑制方法 |
CN106662645A (zh) * | 2016-07-18 | 2017-05-10 | 深圳大学 | 一种波束‑多普勒通道自适应选择stap方法 |
CN106772304A (zh) * | 2016-12-23 | 2017-05-31 | 西北大学 | 基于空域多级分解的机载mimo雷达后多普勒自适应处理方法 |
-
2017
- 2017-06-06 CN CN201710418125.XA patent/CN107219511B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199052A (zh) * | 2014-09-22 | 2014-12-10 | 哈尔滨工程大学 | 一种基于范数约束的波束旁瓣抑制方法 |
CN106662645A (zh) * | 2016-07-18 | 2017-05-10 | 深圳大学 | 一种波束‑多普勒通道自适应选择stap方法 |
CN106772304A (zh) * | 2016-12-23 | 2017-05-31 | 西北大学 | 基于空域多级分解的机载mimo雷达后多普勒自适应处理方法 |
Non-Patent Citations (2)
Title |
---|
Fast STAP Method Based on PAST with Sparse Constraint for Airborne Phased Array Radar;Xiaopeng Yang etal;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;20160930;第64卷(第17期);4550-4561 * |
脉冲噪声下加权稀疏约束稳健波束形成方法;汪小叶 等;《信号处理》;20170331;第33卷(第3期);288-293 * |
Also Published As
Publication number | Publication date |
---|---|
CN107219511A (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107219511B (zh) | 波束-多普勒方向图稀疏约束的stap方法及装置 | |
Wang et al. | Clutter suppression algorithm based on fast converging sparse Bayesian learning for airborne radar | |
CN107271993B (zh) | 一种基于最大后验的扫描雷达角超分辨成像方法 | |
CN110146881B (zh) | 一种基于改进全变差的扫描雷达超分辨成像方法 | |
CN113391260B (zh) | 一种基于低秩和稀疏先验的mimo雷达doa估计方法 | |
CN111474527B (zh) | 机载stap雷达快速去互耦的杂波协方差矩阵估计方法 | |
CN109031227B (zh) | 一种共轭梯度空时自适应处理方法及*** | |
He et al. | An off-grid STAP algorithm based on local mesh splitting with bistatic radar system | |
Mao et al. | Angular superresolution of real aperture radar using online detect-before-reconstruct framework | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
Guo et al. | Off-grid space alternating sparse Bayesian learning | |
Wei et al. | Learning-based split unfolding framework for 3-D mmW radar sparse imaging | |
CN113484859A (zh) | 一种基于融合技术的二维超分辨雷达成像方法 | |
CN113051739A (zh) | 一种基于稀疏约束的鲁棒性自适应处理方法 | |
CN110895327B (zh) | 基于直接凸优化建模的鲁棒性自适应波束形成方法 | |
Yang et al. | Hybrid direct data domain sigma-delta space–time adaptive processing algorithm in non-homogeneous clutter | |
Yu et al. | Multi‐mode propagation mode localisation and spread‐Doppler clutter suppression method for multiple‐input multiple‐output over‐the‐horizon radar | |
Hu et al. | Off‐Grid DOA Estimation Based on Compressed Sensing on Multipath Environment | |
Qiu et al. | Robust adaptive monopulse algorithm based on main lobe constraints and subspace tracking | |
CN109298381A (zh) | 一种基于变分贝叶斯推断的互质阵相干信号方位角估计方法 | |
CN115436909A (zh) | 一种基于矩阵重构Root-MUSIC算法的FMCW雷达测距方法 | |
Duan et al. | Three‐dimensional sparse recovery space‐time adaptive processing for airborne radar | |
CN111474526B (zh) | 一种机载stap杂波协方差矩阵的快速重建方法 | |
Jin et al. | Radar target detection via GAMP: A sparse recovery strategy Off the grid | |
WO2018223285A1 (zh) | 波束-多普勒方向图稀疏约束的stap方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |