CN110632571A - 一种基于矩阵流形的稳健stap协方差矩阵估计方法 - Google Patents

一种基于矩阵流形的稳健stap协方差矩阵估计方法 Download PDF

Info

Publication number
CN110632571A
CN110632571A CN201910892011.8A CN201910892011A CN110632571A CN 110632571 A CN110632571 A CN 110632571A CN 201910892011 A CN201910892011 A CN 201910892011A CN 110632571 A CN110632571 A CN 110632571A
Authority
CN
China
Prior art keywords
matrix
covariance matrix
manifold
unit
training
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.)
Granted
Application number
CN201910892011.8A
Other languages
English (en)
Other versions
CN110632571B (zh
Inventor
程永强
陈茜茜
王宏强
吴昊
杨政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201910892011.8A priority Critical patent/CN110632571B/zh
Publication of CN110632571A publication Critical patent/CN110632571A/zh
Application granted granted Critical
Publication of CN110632571B publication Critical patent/CN110632571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • 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
    • G01S7/415—Identification of targets based on measurements of movement associated with the target

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于矩阵流形的稳健STAP协方差矩阵估计方法，首先利用数据间的内在结构信息，根据STAP信号模型，计算每个训练单元的正定协方差矩阵；其次，将训练样本的协方差矩阵构建成矩阵流形，并将待检测单元杂波协方差矩阵估计转换成流形上的几何质心估计问题；最后，采用total Jesen Skew散度迭代求解几何质心，获得杂波协方差矩阵的估计。本发明充分利用了数据的内在分布规律，通过构建矩阵流形，然后基于流形上的几何度量来估计协方差矩阵，具有较好的稳健性，适用于非均匀环境独立同分布训练样本不足的情况。

Description

一种基于矩阵流形的稳健STAP协方差矩阵估计方法
技术领域
本发明涉及雷达目标检测领域，特别是强杂波中的雷达动目标检测技术，更为具体地涉及一种适用于复杂环境下面向空时自适应处理(Space-time AdaptiveProcessing，STAP)的稳健协方差矩阵估计方法。
背景技术
机载雷达作为目标探测和监视的主要手段，在空中和海面目标监视以及预警探测等公共和国防安全领域具有广泛应用。复杂环境下，机载雷达杂波强度可达60～90dB，目标极易淹没在强杂波中，检测性能严重下降。
目前，空时自适应处理(STAP)技术在解决机载雷达强杂波抑制方面效果显著，因此被广泛应用于雷达信号处理中。空时自适应处理(STAP)技术的核心问题在于精确估计待检测单元的协方差矩阵，这需要足够多的独立同分布(IID)训练样本。然而，在实际环境中，复杂地/海面杂波分布通常是非均匀的，导致独立同分布训练样本不足，动目标检测性能恶化。
针对独立同分布训练样本不足，小样本条件下稳健STAP协方差矩阵估计问题，传统方法主要集中在两个方面：1、降维/降秩处理；2、利用先验信息减小样本要求。上述方法依赖于杂波的统计特性或先验信息，且当杂波统计模型与实际分布失配或先验信息不准确时性能会显著下降。
发明内容
针对非均匀环境下，STAP杂波协方差矩阵稳健估计问题，本发明的目的是提供一种基于矩阵流形的稳健STAP协方差矩阵估计方法。本发明充分利用了数据的内在分布规律，通过构建矩阵流形，然后基于流形上的几何度量来估计协方差矩阵，具有较好的稳健性，适用于非均匀环境独立同分布训练样本不足的情况。
为了实现上述发明目的，本发明采用的技术方案是：
一种基于矩阵流形的稳健STAP协方差矩阵估计方法，包括
第一步，计算各训练单元的正定协方差矩阵。
第二步，所有训练单元的正定协方差矩阵构建成矩形流形，将待检测单元杂波协方差矩阵估计转换成矩形流形上的几何质心的估计问题。
第三步，计算K个训练单元对应到矩阵流形上K个点的几何质心，获取待检测单元杂波协方差矩阵估计。
本发明的第一步中，利用机载雷达天线接收回波信号，将该回波信号表示成x。根据雷达接收机采样率，雷达所观测到的距离被均匀划分成L个距离单元。设第l个距离单元为待检测单元，其回波信号为xl，该待检测单元对应的待估杂波协方差矩阵为
Figure BDA0002209037600000021
将该待检测单元邻近的不含有目标的K个距离单元作为训练样本，各个训练样本分别作为一个训练单元，各训练单元其回波信号表示为xk，k＝1,…,K，xk为第k个训练单元的接收到的回波信号，设其数据长度为G，可表示为xk＝{x1,…xg,…,xG}。每个训练单元的协方差矩阵可由
Figure BDA0002209037600000022
计算得到。
计算各训练单元的正定协方差矩阵
Figure BDA0002209037600000023
的方法包括但不限于以下三种：
第一种方法：采用对角加载方法，即I表示单位矩阵。
第二种方法：采用Toeplitz方法，即
其中，cj是间隔为j的训练单元间的相关系数，可表示为
Figure BDA0002209037600000031
0≤j≤G-1，xi表示向量xk中的第i个元素，xi+j表示向量xk中的第i+j个元素。表示cj的共轭。
第三种方法：通过下式优化问题求解
Figure BDA0002209037600000033
其最优解可表示为
Figure BDA0002209037600000034
Λk＝diag([κMλk,λk,…,λk])
Figure BDA0002209037600000035
其中，||·||2表示2范数，Uk为
Figure BDA0002209037600000036
特征值为xk 2对应的单位特征向量，κM为条件数，由经验所得。如设定κM大于1，可取1～100。
本发明第二步中，将待检测单元对应的待估杂波协方差矩阵
Figure BDA0002209037600000037
表示成K个训练单元协方差矩阵的函数变换，即
Figure BDA0002209037600000038
其中K表示训练单元个数。
由所有训练单元的正定协方差矩阵构成矩阵流形。每个训练单元的正定协方差矩阵对应于矩阵流形上的一点，定义矩阵流形上点与点的几何距离为dq。由此，待检测单元杂波协方差矩阵估计转换成矩形流形上的几何质心的估计问题。
本发明采用几何均值计算矩形流形上的几何质心。待检测单元杂波协方差矩阵估计可表示为下述问题：
Figure BDA0002209037600000041
其中，
Figure BDA0002209037600000042
表示为
Figure BDA0002209037600000043
与
Figure BDA0002209037600000044
的几何距离度量，
Figure BDA0002209037600000045
为第k个训练单元的加权系数，且在没有先验信息的条件下，
Figure BDA0002209037600000048
本发明第三步中，在矩阵流形上，利用totalSkewJesen散度迭代求解所有训练单元对应到矩阵流形上K个点的几何质心，从而获取待检测单元的杂波协方差矩阵估计值。由第二步可知，协方差矩阵的求解可转换为K个训练单元对应到矩阵流形上K个点的几何质心的求解。本发明采用totalSkewJesen散度(记为
Figure BDA0002209037600000049
)作为矩阵流形上的几何距离度量方式，即
Figure BDA00022090376000000410
其计算公式如下：
其中，表示优化目标函数，α表示skew影响因子，
Figure BDA00022090376000000412
t表示迭代次数，
Figure BDA00022090376000000413
(p:q)表示p和q间的散度，
Figure BDA00022090376000000414
ΔF＝F(q)-F(p)，F表示严格凸且可微函数，·表示内积，(·)2表示平方。
其中，
Figure BDA00022090376000000416
BF(p:q)表示p和q间的Bregman散度。
第t次迭代结果可表示为
Figure BDA00022090376000000417
Figure BDA0002209037600000051
表示函数F的导数。由上述迭代计算可得到待检测单元杂波协方差矩阵估计值。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述基于矩阵流形的稳健STAP协方差矩阵估计方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的基于矩阵流形的稳健STAP协方差矩阵估计方法的步骤。
本发明的有益技术效果：
本发明充分挖掘数据的内在分布规律，通过构建矩阵流形，将待检测单元杂波协方差矩阵估计转换成矩形流形上的几何质心的估计问题来求解。本发明所提方法可降低对训练样本的要求，显著改善非均匀场景下训练样本不足所带来的杂波协方差矩阵估计性能下降问题，有效提升动目标检测性能。
附图说明
图1是本发明所述的STAP观测几何图；
图2是本发明所述的几何质心与算术质心对比示意图；
图3是本发明所述的STAP改善因子随归一化多普勒频率变化图；
图4是本发明所述的输出信杂噪比(SCNR)随样本数变化图；
图5是本发明所述的自适应匹配滤波后的输出结果图。
具体实施方式
为了便于本发明的实施，下面结合具体实例作进一步的说明。
本发明提供一种基于矩阵流形的稳健STAP协方差矩阵估计方法，首先利用数据间的内在结构信息，根据STAP信号模型，计算每个训练单元的正定协方差矩阵；其次，将训练样本的协方差矩阵构建成矩阵流形，并将待检测单元杂波协方差矩阵估计转换成流形上的几何质心估计问题；最后，采用totalJesenSkew散度迭代求解几何质心，获得杂波协方差矩阵的估计。
本发明解决了非均匀环境中独立同分布样本不足情况下，杂波协方差矩阵稳健估计问题，从而提高了STAP杂波抑制和动目标检测性能。本发明通过构建矩阵流形，充分利用数据的分布规律，提出了一种面向STAP的协方差矩阵估计方法，所述方法具有较好的稳健性，估计性能对训练样本数要求较少，在非均匀环境中独立同分布样本不足的情况下仍具有较好的杂波抑制性能和动目标检测性能。
实施例1：
第一步，根据STAP信号模型，计算每个训练单元的正定协方差矩阵。
考虑正侧视矩形阵机载雷达，其矩形阵列为M行N列，每个阵元发射P个脉冲，雷达观测几何模型如图1所示。根据雷达接收机采样率，雷达所观测到的距离被均匀划分成L个距离单元。设第l个距离单元为待检测单元，其回波信号为xl，将该待检测单元邻近的不含有目标的K个距离单元作为训练样本，各个训练样本分别作为一个训练单元，各训练单元其回波信号表示为xk，k＝1,…,K，xk为第k个训练单元的接收到的回波信号，设其数据长度为G，可表示为xk＝{x1,…xg,…,xG}。每个训练单元的协方差矩阵可由
Figure BDA0002209037600000061
计算得到。x为雷达接收到的回波信号，可表示为
Figure BDA0002209037600000062
其中，γ为雷达目标的散射系数，s为信号的空时导向矢量，Nc是杂波块的个数，ρi,si分别表示第i个杂波块的散射截面积和杂波空时导向矢量，n表示噪声。因此，线性约束最小方差(Linear Constraint Minimum Variance,LCMV)约束条件下STAP权矢量wopt可表示为
wopt＝μR-1s
其中，μ＝1/sHR-1s，(·)-1表示矩阵求逆，(·)H表示矩阵共轭，R表示待检测单元的杂波协方差矩阵。R需要利用邻近的K个训练单元的协方差矩阵估计得到，其估计值表示成
Figure BDA0002209037600000071
本实施例中采用对角加载方法，即
Figure BDA0002209037600000072
计算得到每个训练单元的正定协方差矩阵
第二步，将训练样本的协方差矩阵构建成矩阵流形，并将待检测单元杂波协方差矩阵估计转换成流形上的几何质心估计问题。
首先，待检测单元杂波协方差矩阵估计可表示成K个训练单元协方差矩阵的函数变换，即
Figure BDA0002209037600000074
其中K表示训练样本个数。
然后，由所有训练样本的正定协方差矩阵构成矩阵流形。定义矩阵流形
Figure BDA0002209037600000075
表示为
Figure BDA0002209037600000076
其中，R为共轭正定矩阵，为所有正定协方差矩阵构成的集合空间。每个训练单元的协方差矩阵对应于流形上的一点，定义流形上不同点的几何距离为dq。在此基础上，协方差矩阵估计可看作为矩形流形上协方差矩阵几何质心的估计。
传统方法采用算术均值计算质心，本发明采用几何均值计算质心。几何质心与算术质心对比如图2所示。综上所述，待检测单元的协方差矩阵估计可表示下述问题
Figure BDA0002209037600000078
其中，
Figure BDA0002209037600000079
表示为与
Figure BDA00022090376000000711
的几何距离度量，
Figure BDA00022090376000000712
为第k个训练单元的加权系数，
Figure BDA00022090376000000713
且
Figure BDA00022090376000000714
第三步，计算矩形流形上的K个训练单元对应点的几何质心，获取待检测单元杂波协方差矩阵估计。
由上一步可知，协方差矩阵的求解可转换为K个训练单元对应到矩阵流形上K个点的几何质心的求解。本发明采用totalSkewJesen散度(记为
Figure BDA0002209037600000081
)作为矩阵流形上的几何距离度量方式，即其计算公式如下：
其中，
Figure BDA00022090376000000812
表示优化目标函数，α表示skew影响因子，
Figure BDA0002209037600000084
t表示迭代次数，
Figure BDA0002209037600000085
(p:q)表示p和q间的散度，
Figure BDA0002209037600000086
ΔF＝F(q)-F(p)，F表示严格凸且可微函数，·表示内积，(·)2表示平方。
Figure BDA0002209037600000087
其中，
Figure BDA0002209037600000088
BF(p:q)表示p和q间的Bregman散度。
第t次迭代结果可表示为
Figure BDA00022090376000000810
表示函数F的导数。
由上述迭代计算可得到待检测单元杂波协方差矩阵估计值。
实施例2：与实施例1的不同之处在于：本实施例的第一步中采用Toeplitz方法，计算得到每个训练单元的正定协方差矩阵
Figure BDA00022090376000000811
即
Figure BDA0002209037600000091
其中，cj是间隔为j的训练单元间的相关系数，可表示为
Figure BDA0002209037600000092
0≤j≤G-1，xi表示向量xk中的第i个元素，xi+j表示下标与xi相差j的第i+j个元素。
Figure BDA0002209037600000093
表示cj的共轭。
实施例2中的其余步骤方法均与实施例1相同，在此不再赘述。
实施例3：与实施例1的不同之处在于：本实施例的第一步中通过下式优化问题求解每个训练单元的正定协方差矩阵
Figure BDA0002209037600000095
其最优解可表示为
Figure BDA0002209037600000096
Λk＝diag([κMλk,λk,…,λk])
Figure BDA0002209037600000097
其中，||·||2表示2范数，Uk为
Figure BDA0002209037600000098
特征值为||xk||2对应的单位特征向量，κM为条件数，由经验所得。如设定κM大于1，可取1～100。
实施例3中的其余步骤方法均与实施例1相同，在此不再赘述。
在本发明一具体实施例中，将实验参数设定如表1所示，利用本发明提供的方法获取待检测单元杂波协方差矩阵估计值。
在训练样本数为32的条件下，STAP影响因子随归一化多普勒频率变化如图3所示，可以看出本发明相比于传统方法本发明所提方法在小样本条件下，增益高、凹口窄，这表明杂波抑制性能较好。
输出SCNR随样本数变化如图4所示，相比于传统方法，本发明所提方法输出SCNR基本不随样本变化而变化，稳健性较好。
在训练样本数为32的条件下，自适应匹配滤波后的输出结果如图5所示，相比于传统方法，本发明所提方法在小样本条件下，具有更低的旁瓣，因而动目标检测性能较好。
综上所述，本发明所提方法具有较好的稳健性，估计性能对训练样本数要求较少，在非均匀环境中独立同分布样本不足的情况下仍具有较好的杂波抑制性能和动目标检测性能。
表1雷达参数设置
Figure BDA0002209037600000101
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种基于矩阵流形的稳健STAP协方差矩阵估计方法，其特征在于，包括：
第一步，计算各训练单元的正定协方差矩阵；
第二步，所有训练单元的正定协方差矩阵构建成矩形流形，待检测单元杂波协方差矩阵估计转换成矩形流形上的几何质心的估计问题；
第三步，计算K个训练单元对应到矩阵流形上K个点的几何质心，获取待检测单元杂波协方差矩阵估计。
2.根据权利要求1所述的基于矩阵流形的稳健STAP协方差矩阵估计方法，其特征在于，第一步中，利用机载雷达天线接收回波信号，将该回波信号表示成x；根据雷达接收机采样率，雷达所观测到的距离被均匀划分成L个距离单元；设第l个距离单元为待检测单元，其回波信号为xl，该待检测单元对应的待估杂波协方差矩阵为
Figure RE-FDA0002271133800000011
将该待检测单元邻近的不含有目标的K个距离单元作为训练样本，各个训练样本分别作为一个训练单元，各训练单元其回波信号表示为xk，k＝1,…,K，xk为第k个训练单元的接收到的回波信号，设其数据长度为G，可表示为xk＝{x1,…xg,…,xG}；每个训练单元的协方差矩阵可由
Figure RE-FDA0002271133800000012
计算得到。
3.根据权利要求2所述的基于矩阵流形的稳健STAP协方差矩阵估计方法，其特征在于，第一步中，采用对角加载方法，即
Figure RE-FDA0002271133800000013
计算得到每个训练单元的正定协方差矩阵
Figure RE-FDA0002271133800000014
4.根据权利要求2所述的基于矩阵流形的稳健STAP协方差矩阵估计方法，其特征在于，第一步中，采用Toeplitz方法，计算得到每个训练单元的正定协方差矩阵
Figure RE-FDA0002271133800000015
即
Figure RE-FDA0002271133800000021
其中，cj是间隔为j的训练单元间的相关系数，可表示为
Figure RE-FDA0002271133800000022
0≤j≤G-1，xi表示向量xk中的第i个元素，xi+j表示向量xk中的第i+j个元素；
Figure RE-FDA0002271133800000023
表示cj的共轭。
5.根据权利要求2所述的基于矩阵流形的稳健STAP协方差矩阵估计方法，其特征在于，第一步中，通过下式优化问题求解每个训练单元的正定协方差矩阵
Figure RE-FDA0002271133800000024
Figure RE-FDA0002271133800000025
其最优解可表示为
Figure RE-FDA0002271133800000026
Λk＝diag([κMλk,λk,…,λk])
Figure RE-FDA0002271133800000027
其中，I表示单位矩阵，||·||2表示2范数，Uk为
Figure RE-FDA0002271133800000028
特征值为||xk||2对应的单位特征向量，κM为条件数。
6.根据权利要求3、4或5所述的基于矩阵流形的稳健STAP协方差矩阵估计方法，其特征在于，第二步中，将待检测单元对应的待估杂波协方差矩阵
Figure RE-FDA0002271133800000029
表示成K个训练单元协方差矩阵的函数变换，即
Figure RE-FDA0002271133800000031
其中K表示训练单元个数；
由所有训练单元的正定协方差矩阵构成矩阵流形；每个训练单元的正定协方差矩阵对应于矩阵流形上的一点，定义矩阵流形上点与点的几何距离为dq；由此，待检测单元杂波协方差矩阵估计转换成矩形流形上的几何质心的估计问题。
7.根据权利要求6所述的基于矩阵流形的稳健STAP协方差矩阵估计方法，其特征在于，第二步中，待检测单元杂波协方差矩阵估计表示为下述问题：
Figure RE-FDA0002271133800000032
其中，表示为
Figure RE-FDA0002271133800000034
与的几何距离度量，
Figure RE-FDA0002271133800000036
为第k个训练单元的加权系数，且
Figure RE-FDA0002271133800000038
8.根据权利要求1所述的基于矩阵流形的稳健STAP协方差矩阵估计方法，其特征在于，第三步中，在矩阵流形上，利用total Skew Jesen散度迭代求解所有训练单元对应到矩阵流形上K个点的几何质心，从而获取待检测单元的杂波协方差矩阵估计值。
9.根据权利要求8所述的基于矩阵流形的稳健STAP协方差矩阵估计方法，其特征在于，第三步中，采用total Skew Jesen散度
Figure RE-FDA0002271133800000039
作为矩阵流形上的几何距离度量方式，即
Figure RE-FDA00022711338000000310
其计算公式如下：
其中，l表示优化目标函数，α表示skew影响因子，
Figure RE-FDA00022711338000000312
t表示迭代次数，
Figure RE-FDA00022711338000000313
(p:q)表示p和q间的散度，
Figure RE-FDA0002271133800000041
ΔF＝F(q)-F(p)，F表示严格凸且可微函数，<·>表示内积；
其中，
Figure RE-FDA0002271133800000043
BF(p:q)表示p和q间的Bregman散度；
第t次迭代结果可表示为
Figure RE-FDA0002271133800000044
由上述迭代计算可得到待检测单元杂波协方差矩阵估计值。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述基于矩阵流形的稳健STAP协方差矩阵估计方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的基于矩阵流形的稳健STAP协方差矩阵估计方法的步骤。
CN201910892011.8A 2019-09-20 2019-09-20 一种基于矩阵流形的稳健stap协方差矩阵估计方法 Active CN110632571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910892011.8A CN110632571B (zh) 2019-09-20 2019-09-20 一种基于矩阵流形的稳健stap协方差矩阵估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910892011.8A CN110632571B (zh) 2019-09-20 2019-09-20 一种基于矩阵流形的稳健stap协方差矩阵估计方法

Publications (2)

Publication Number Publication Date
CN110632571A true CN110632571A (zh) 2019-12-31
CN110632571B CN110632571B (zh) 2021-05-14

Family

ID=68971922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910892011.8A Active CN110632571B (zh) 2019-09-20 2019-09-20 一种基于矩阵流形的稳健stap协方差矩阵估计方法

Country Status (1)

Country Link
CN (1) CN110632571B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111474526A (zh) * 2020-04-24 2020-07-31 成都航空职业技术学院 一种机载stap杂波协方差矩阵的快速重建方法
CN113311417A (zh) * 2021-05-24 2021-08-27 中国人民解放军国防科技大学 一种基于流形滤波和jbld散度的信号检测方法及***
CN115687931A (zh) * 2022-11-22 2023-02-03 中国人民解放军空军预警学院 一种极低训练样本数时的空时自适应处理方法与***
CN116559819A (zh) * 2023-07-07 2023-08-08 中国人民解放军空军预警学院 一种机载雷达知识辅助色加载杂波抑制方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778669A (zh) * 2012-07-19 2012-11-14 北京理工大学 一种基于协方差矩阵加权的降维空时自适应处理方法
CN106872982A (zh) * 2017-03-24 2017-06-20 中国民航大学 基于多普勒预滤波的降维stap微下击瀑流中心风速估计方法
US20180031690A1 (en) * 2014-06-09 2018-02-01 Src, Inc. Multiplatform GMTI Radar With Adaptive Clutter Suppression
WO2018049595A1 (zh) * 2016-09-14 2018-03-22 深圳大学 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其***
CN108931766A (zh) * 2018-04-28 2018-12-04 河海大学 一种基于稀疏重构的非均匀stap干扰目标滤除方法
CN109061598A (zh) * 2018-08-28 2018-12-21 电子科技大学 一种stap杂波协方差矩阵估计方法
CN109143195A (zh) * 2018-09-19 2019-01-04 中国人民解放军国防科技大学 一种基于全kl散度的雷达目标检测方法
CN110109113A (zh) * 2019-05-07 2019-08-09 电子科技大学 一种基于级联对消的双基前视sar非平稳杂波抑制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778669A (zh) * 2012-07-19 2012-11-14 北京理工大学 一种基于协方差矩阵加权的降维空时自适应处理方法
US20180031690A1 (en) * 2014-06-09 2018-02-01 Src, Inc. Multiplatform GMTI Radar With Adaptive Clutter Suppression
WO2018049595A1 (zh) * 2016-09-14 2018-03-22 深圳大学 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其***
CN106872982A (zh) * 2017-03-24 2017-06-20 中国民航大学 基于多普勒预滤波的降维stap微下击瀑流中心风速估计方法
CN108931766A (zh) * 2018-04-28 2018-12-04 河海大学 一种基于稀疏重构的非均匀stap干扰目标滤除方法
CN109061598A (zh) * 2018-08-28 2018-12-21 电子科技大学 一种stap杂波协方差矩阵估计方法
CN109143195A (zh) * 2018-09-19 2019-01-04 中国人民解放军国防科技大学 一种基于全kl散度的雷达目标检测方法
CN110109113A (zh) * 2019-05-07 2019-08-09 电子科技大学 一种基于级联对消的双基前视sar非平稳杂波抑制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIAOPENG YANG ET AL.: "Geometry-aided subspace projection for mitigating range-dependence of the clutter spectrum in forward-looking airborne radar", 《2012 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
段克清 等: "稀疏恢复空时自适应处理技术研究综述", 《电子学报》 *
阳召成 等: "基于空时功率谱稀疏性的空时自适应处理技术研究进展", 《电子学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111474526A (zh) * 2020-04-24 2020-07-31 成都航空职业技术学院 一种机载stap杂波协方差矩阵的快速重建方法
CN113311417A (zh) * 2021-05-24 2021-08-27 中国人民解放军国防科技大学 一种基于流形滤波和jbld散度的信号检测方法及***
CN115687931A (zh) * 2022-11-22 2023-02-03 中国人民解放军空军预警学院 一种极低训练样本数时的空时自适应处理方法与***
CN115687931B (zh) * 2022-11-22 2023-06-27 中国人民解放军空军预警学院 一种极低训练样本数时的空时自适应处理方法与***
CN116559819A (zh) * 2023-07-07 2023-08-08 中国人民解放军空军预警学院 一种机载雷达知识辅助色加载杂波抑制方法和装置
CN116559819B (zh) * 2023-07-07 2023-09-15 中国人民解放军空军预警学院 一种机载雷达知识辅助色加载杂波抑制方法和装置

Also Published As

Publication number Publication date
CN110632571B (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN110632571B (zh) 一种基于矩阵流形的稳健stap协方差矩阵估计方法
CN106468770B (zh) K分布杂波加噪声下的近最优雷达目标检测方法
CN111965632B (zh) 一种基于黎曼流形降维的雷达目标检测方法
CN105785339B (zh) 非均匀杂波环境下机载雷达杂波协方差矩阵的估计方法
CN104111449B (zh) 一种改进的基于广义内积的空时二维自适应处理方法
CN107436429A (zh) 冲击噪声环境下基于稀疏重构的极化双基地mimo雷达参数估计方法
CN104076360B (zh) 基于压缩感知的二维sar稀疏目标成像方法
CN108318865B (zh) 多通道sar欺骗干扰鉴别与自适应抑制方法
CN112612006B (zh) 基于深度学习的机载雷达非均匀杂波抑制方法
CN103293517B (zh) 基于脊参数估计的对角加载稳健自适应雷达波束形成方法
CN115032623B (zh) 子空间信号失配时双参数加权的扩展目标检测方法与***
CN115453528A (zh) 基于快速sbl算法实现分段观测isar高分辨成像方法及装置
CN107831473B (zh) 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法
CN112255608A (zh) 一种基于正交投影的雷达杂波自适应抑制方法
CN108872961A (zh) 基于低门限的雷达微弱目标检测方法
CN109709526B (zh) 一种知识辅助分组广义似然比检测方法
CN111999715B (zh) 异质杂波下目标知识辅助自适应融合检测方法
CN106772368B (zh) 多随机频率雷达阵列的超分辨三维成像方法
CN107315169B (zh) 基于二阶统计量相似度的杂波协方差矩阵估计方法
CN108008374B (zh) 基于能量中值的海面大型目标检测方法
CN111308436B (zh) 基于体积相关函数的雷达空时自适应处理方法及装置
CN106291472B (zh) 一种外辐射源雷达的干扰抑制方法
CN116540196A (zh) 一种基于距离补偿和低秩稀疏分解的钢筋杂波抑制方法
CN105738882B (zh) 对实测杂波协方差矩阵估计性能的白化度评价方法
CN106371095A (zh) 基于脉冲压缩技术的距离向成像方法和距离向成像***

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