一種融合廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助空時(shí)自適應(yīng)處理方法
【專利摘要】本發(fā)明提供一種融合廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助空時(shí)自適應(yīng)處理方法，該方法的步驟為：(1)利用酉變換矩陣進(jìn)行線性變換，將原空時(shí)自適應(yīng)處理問題轉(zhuǎn)化成與之等價(jià)的形式，使其協(xié)方差矩陣由復(fù)廣義對(duì)稱矩陣變成相同維數(shù)的實(shí)對(duì)稱矩陣；(2)利用樣本數(shù)據(jù)獲得變換后協(xié)防差矩陣的一個(gè)估計(jì)；(3)求先驗(yàn)協(xié)方差矩陣在最小歐氏距離準(zhǔn)則下的最優(yōu)實(shí)對(duì)稱估計(jì)；(4)利用廣義線性結(jié)合和凸結(jié)合方法結(jié)合訓(xùn)練樣本和先驗(yàn)協(xié)防差矩陣求得真實(shí)協(xié)方差矩陣的最小均方誤差估計(jì)；(5)根據(jù)兩步設(shè)計(jì)得到部分均勻模型和隨機(jī)非均勻模型假設(shè)下的檢測(cè)器形式，實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)。本發(fā)明有效降低了空時(shí)自適應(yīng)處理中協(xié)方差矩陣估計(jì)時(shí)對(duì)訓(xùn)練樣本的需求量，顯著提升了檢測(cè)器的性能且實(shí)現(xiàn)簡(jiǎn)單。
【專利說明】一種融合廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助空時(shí)自適應(yīng)處理方 法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于空時(shí)自適應(yīng)處理（STAP)領(lǐng)域，特別涉及一種融合廣義對(duì)稱結(jié)構(gòu)信息 的知識(shí)輔助空時(shí)自適應(yīng)處理（KA-STAP)方法。

【背景技術(shù)】
[0002] 空時(shí)自適應(yīng)處理（Space-Time Adaptive Processing, STAP)是動(dòng)平臺(tái)雷達(dá)系統(tǒng)抑 制雜波和干擾，提升目標(biāo)檢測(cè)能力的核心技術(shù)?？偢蓴_加噪聲協(xié)方差矩陣的估計(jì)精度很大 程度上影響著STAP的性能。在傳統(tǒng)的STAP中，假設(shè)訓(xùn)練樣本數(shù)據(jù)滿足獨(dú)立同分布且和待 測(cè)單元數(shù)據(jù)具有相同的協(xié)方差矩陣（均勻環(huán)境），通常用采樣協(xié)方差矩陣（SCM)作為總干 擾加噪聲協(xié)方差矩陣的估計(jì)。然而，雜波環(huán)境通常是非均勻的，例如，雜波反射系數(shù)具有空 變性、訓(xùn)練數(shù)據(jù)中通常存在類目標(biāo)信號(hào)等。因此，在實(shí)際應(yīng)用中由于缺乏足夠的均勻訓(xùn)練樣 本，SCM通常并不是總干擾加噪聲協(xié)方差矩陣的準(zhǔn)確估計(jì)。
[0003] 為了獲得總干擾加噪聲協(xié)方差矩陣更精確的估計(jì)，利用先驗(yàn)知識(shí)的STAP方法 (KA-STAP)近年來受到了廣泛關(guān)注。在KA-STAP中，可以從土地利用和覆蓋數(shù)據(jù)、已有對(duì)同 一地區(qū)的掃描數(shù)據(jù)、雷達(dá)參數(shù)等先驗(yàn)信息源中推導(dǎo)獲得先驗(yàn)協(xié)方差矩陣。剩下的問題就是 如何在STAP中利用已經(jīng)獲得的先驗(yàn)知識(shí)基于知識(shí)的處理可以被分為直接方法和間接方法 兩大類，其中間接方法利用先驗(yàn)知識(shí)選擇合適的訓(xùn)練數(shù)據(jù)，然后進(jìn)行協(xié)方差矩陣估計(jì)，而直 接方法將先驗(yàn)知識(shí)直接運(yùn)用于自適應(yīng)處理器的設(shè)計(jì)中。直接方法和間接方法與傳統(tǒng)方法相 t匕，都有效地提升了協(xié)方差矩陣的估計(jì)性能，然而，與直接方法不同，間接方法未能減小對(duì) 訓(xùn)練樣本的需求。
[0004] 除了上述基于知識(shí)的方法已經(jīng)用到的各種先驗(yàn)信息外，協(xié)方差矩陣廣泛存在的特 殊結(jié)構(gòu)特征也可以加以利用。在雷達(dá)系統(tǒng)中，如果線性陣列對(duì)稱分布并且脈沖重復(fù)間隔固 定，那么其總干擾加噪聲協(xié)方差矩陣具有廣義對(duì)稱結(jié)構(gòu)。這種廣義對(duì)稱結(jié)構(gòu)已經(jīng)被廣泛用 于檢測(cè)器性能的提升中。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的技術(shù)問題是：針對(duì)STAP應(yīng)用中由于非均勻環(huán)境和雷達(dá)相關(guān)參數(shù) 限制，難以獲得足夠均勻樣本的問題，提出了一種融合廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助空時(shí) 自適應(yīng)處理方法。該方法首先利用線性變換將原空時(shí)自適應(yīng)處理問題轉(zhuǎn)化成與之等價(jià)的形 式。其協(xié)方差矩陣由復(fù)廣義對(duì)稱矩陣變成相同維數(shù)的實(shí)對(duì)稱矩陣，自由度減小為原來的一 半。隨后，利用廣義線性結(jié)合和凸結(jié)合方法結(jié)合訓(xùn)練樣本和先驗(yàn)協(xié)防差矩陣求得真實(shí)協(xié)方 差矩陣的最小均方誤差估計(jì)，進(jìn)一步提升了 STAP的性能。此外，將上述協(xié)方差矩陣估計(jì)方 法引入到檢測(cè)器的設(shè)計(jì)中，分別給出了部分均勻環(huán)境下的知識(shí)輔助廣義對(duì)稱自適應(yīng)余弦估 計(jì)器（KA-P-ACE)和隨機(jī)非均勻模型下的知識(shí)輔助廣義對(duì)稱GLRT檢測(cè)器（KA-P-GLRT)。所 提的檢測(cè)器在利用協(xié)方差矩陣廣義對(duì)稱結(jié)構(gòu)特性的同時(shí)，利用線性結(jié)合或凸結(jié)合的方法將 先驗(yàn)知識(shí)引入到了檢測(cè)器的設(shè)計(jì)中，顯著地提升了檢測(cè)器的性能。
[0006] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種融合廣義對(duì)稱結(jié)構(gòu)信息的知識(shí) 輔助空時(shí)自適應(yīng)處理方法，其實(shí)現(xiàn)步驟如下：
[0007] 步驟（1)、利用酉變換矩陣進(jìn)行線性變換，將原空時(shí)自適應(yīng)處理問題轉(zhuǎn)化成與之等 價(jià)的形式，使其協(xié)方差矩陣由復(fù)廣義對(duì)稱矩陣變成相同維數(shù)的實(shí)對(duì)稱矩陣；
[0008] 步驟（2)、利用樣本數(shù)據(jù)獲得變換后協(xié)防差矩陣的一個(gè)估計(jì)；
[0009] 步驟（3)、求先驗(yàn)協(xié)方差矩陣在最小歐氏距離準(zhǔn)則下的最優(yōu)實(shí)對(duì)稱估計(jì)；
[0010] 步驟（4)、利用廣義線性結(jié)合和凸結(jié)合方法結(jié)合訓(xùn)練樣本和先驗(yàn)協(xié)防差矩陣求得 真實(shí)協(xié)方差矩陣的最小均方誤差估計(jì)；
[0011] 步驟（5)、根據(jù)兩步設(shè)計(jì)得到部分均勻模型和隨機(jī)非均勻模型假設(shè)下的檢測(cè)器形 式，實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)。
[0012] 本發(fā)明與現(xiàn)有技術(shù)相比優(yōu)點(diǎn)在于：
[0013] (1)、本發(fā)明提出的一種融合廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助（Knowledge Aided， KA)空時(shí)自適應(yīng)處理方法既結(jié)合先驗(yàn)環(huán)境知識(shí)，又充分利用總干擾加噪聲協(xié)方差矩陣特殊 結(jié)構(gòu)，更大程度地降低了協(xié)方差矩陣估計(jì)時(shí)對(duì)訓(xùn)練樣本的需求量；
[0014] (2)、本發(fā)明針對(duì)非均勻環(huán)境下的目標(biāo)檢測(cè)問題，分別針對(duì)部分均勻模型和隨機(jī)非 均勻模型提出了相應(yīng)的知識(shí)輔助廣義對(duì)稱檢測(cè)器。與現(xiàn)有知識(shí)輔助檢測(cè)器以及廣義對(duì)稱檢 測(cè)器相比，本發(fā)明所提方法顯著提升了檢測(cè)性能，尤其在訓(xùn)練樣本缺乏的情況下；
[0015] (3)、本發(fā)明實(shí)現(xiàn)簡(jiǎn)單，自適應(yīng)計(jì)算。

【專利附圖】

【附圖說明】
[0016] 圖1為本發(fā)明一種融合廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助空時(shí)自適應(yīng)處理方法流程 圖；
[0017] 圖2為本發(fā)明所提方法SINR損失隨樣本數(shù)變化示意圖（〇2 = 0. 3)，其中圖2(a) 為本發(fā)明所提PCC-I方法結(jié)果；圖2(b)為本發(fā)明所提PCC-II方法結(jié)果；圖2(c)為本發(fā)明 所提PGLC-I方法結(jié)果；圖2(d)為本發(fā)明所提PGLC-II方法結(jié)果；
[0018] 圖3為不同方法SINR損失隨樣本數(shù)變化示意圖（〇2 = 0. 03);
[0019] 圖4為不同檢測(cè)器性能對(duì)比圖（樣本數(shù)Κ = 28, 〇2 = 0· 1);
[0020] 圖5為本發(fā)明所提方法檢測(cè)器性能受先驗(yàn)信息影響的示意圖（樣本數(shù)Κ = 24)，其 中圖5 (a)為本發(fā)明所提KA-P-ACE檢測(cè)器結(jié)果；圖5 (b)為本發(fā)明所提KA-P-GLRT檢測(cè)器結(jié) 果。

【具體實(shí)施方式】
[0021] 下面結(jié)合附圖及【具體實(shí)施方式】詳細(xì)介紹本發(fā)明。
[0022] 本發(fā)明實(shí)施流程如圖1所示，具體包含以下5個(gè)步驟：
[0023] 1、利用酉變換矩陣進(jìn)行線性變換，將原空時(shí)自適應(yīng)處理問題轉(zhuǎn)化成與之等價(jià)的形 式，使其協(xié)方差矩陣由復(fù)廣義對(duì)稱矩陣變成相同維數(shù)的實(shí)對(duì)稱矩陣。
[0024] STAP的目的是在存在雜波，干擾以及熱噪聲的環(huán)境中檢測(cè)相應(yīng)目標(biāo)，檢測(cè)問題可 以描述成如下二元統(tǒng)計(jì)假設(shè)檢驗(yàn)問題：
[0025] H〇:x = n，xk = nk(k = 1，...，K) (1)
[0026] 1?: x = av+n, xk = nk (k = 1，...，K)
[0027] 其中，x是MX1維復(fù)向量，表示待測(cè)單元（⑶T)的回波數(shù)據(jù)。

【權(quán)利要求】
1. 一種融合廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助空時(shí)自適應(yīng)處理方法，其特征在于實(shí)現(xiàn)步驟 如下： 步驟（1)、利用酉變換矩陣進(jìn)行線性變換，將原空時(shí)自適應(yīng)處理問題轉(zhuǎn)化成與之等價(jià)的 形式，使其協(xié)方差矩陣由復(fù)廣義對(duì)稱矩陣變成相同維數(shù)的實(shí)對(duì)稱矩陣； 步驟（2)、利用樣本數(shù)據(jù)獲得變換后協(xié)防差矩陣的一個(gè)估計(jì)； 步驟（3)、求先驗(yàn)協(xié)方差矩陣在最小歐氏距離準(zhǔn)則下的最優(yōu)實(shí)對(duì)稱估計(jì)； 步驟（4)、利用廣義線性結(jié)合和凸結(jié)合方法結(jié)合訓(xùn)練樣本和先驗(yàn)協(xié)防差矩陣求得真實(shí) 協(xié)方差矩陣的最小均方誤差估計(jì)； 步驟（5)、根據(jù)兩步設(shè)計(jì)得到部分均勻模型和隨機(jī)非均勻模型假設(shè)下的檢測(cè)器形式，實(shí) 現(xiàn)對(duì)目標(biāo)的檢測(cè)。
2. 根據(jù)權(quán)利要求1所述的一種融合了廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助空時(shí)自適應(yīng)處理 方法，其特征在于：所述步驟（1)利用酉變換矩陣進(jìn)行線性變換，將原空時(shí)自適應(yīng)處理問題 轉(zhuǎn)化成與之等價(jià)的形式，使其協(xié)方差矩陣由復(fù)廣義對(duì)稱矩陣變成相同維數(shù)的實(shí)對(duì)稱矩陣， 具體指： xp = Tx, xp'k = Txk(k = 1，…，K) Rp = TRTh，Σρ = ΤΣΤη 其中，T為如下所示的酉矩陣：
其中，X是MX 1維復(fù)向量，表示待測(cè)單元（⑶T)的回波數(shù)據(jù)，是通常在待測(cè)單元 周圍選取的訓(xùn)練樣本;Μ為系統(tǒng)維數(shù)，K為訓(xùn)練樣本數(shù)；R為原問題的總干擾加噪聲協(xié)方差矩 陣，Σ為訓(xùn)練數(shù)據(jù)的協(xié)方差矩陣；Xj^PXp，k分別表示變換后的待測(cè)單元數(shù)據(jù)和訓(xùn)練樣本數(shù) 據(jù)，相應(yīng)的，&和Σ ρ分別表示變換后的總干擾加噪聲協(xié)方差矩陣和訓(xùn)練數(shù)據(jù)協(xié)方差矩陣； (·)Η表示共軛轉(zhuǎn)置運(yùn)算。
3. 根據(jù)權(quán)利要求1所述的一種融合了廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助空時(shí)自適應(yīng)處理 方法，其特征在于：所述步驟（2)利用樣本數(shù)據(jù)獲得變換后協(xié)防差矩陣的一個(gè)估計(jì)，具體 為：
其中，Re( ·)表示取實(shí)數(shù)部分，
為采樣協(xié)方差矩陣（SCM)，即：
4. 根據(jù)權(quán)利要求1所述的一種融合了廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助空時(shí)自適應(yīng)處理 方法，其特征在于：所述步驟（3)求先驗(yàn)協(xié)方差矩陣在最小歐氏距離準(zhǔn)則下的最優(yōu)實(shí)對(duì)稱 估計(jì)具體為： Rp；0 = Re(TR〇TH) 其中R〇為從先驗(yàn)環(huán)境信息和雷達(dá)相關(guān)參數(shù)中獲得的先驗(yàn)協(xié)方差矩陣。
5. 根據(jù)權(quán)利要求1所述的一種融合了廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助空時(shí)自適應(yīng)處理 方法，其特征在于：所述步驟（4)利用廣義線性結(jié)合和凸結(jié)合方法結(jié)合訓(xùn)練樣本和先驗(yàn)協(xié) 防差矩陣求得真實(shí)協(xié)方差矩陣的最小均方誤差估計(jì)，具體為：利用在最小均方誤差準(zhǔn)則下
和RPi(l的最優(yōu)線性結(jié)啟
作為Rp的估計(jì)，具體可以分別描述成如下優(yōu)化問題：
α > Ο, β >0 稱為廣義對(duì)稱廣義線性結(jié)合方法（PGLC)，
a e (〇, 1) 稱為廣義對(duì)稱凸結(jié)合方法（PCC)，其中Ε{ · }表示統(tǒng)計(jì)期望。
6. 根據(jù)權(quán)利要求1所述的一種融合了廣義對(duì)稱結(jié)構(gòu)信息的知識(shí)輔助空時(shí)自適應(yīng)處理 方法，其特征在于：所述步驟（5)根據(jù)兩步設(shè)計(jì)得到部分均勻模型和隨機(jī)非均勻模型假設(shè) 下的檢測(cè)器形式，實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)，具體可以表述為： 對(duì)于部分均勻模型（Partially Homogeneous Environment): 步驟a.假設(shè)樣本數(shù)據(jù)的協(xié)防矩陣Σ已知，在部分均勻模型假設(shè)下求得廣義似然比檢 測(cè)（GLRT)的檢測(cè)統(tǒng)計(jì)量； 步驟b.考慮到ΤΗ Σ ρΤ = Σ，且ΤΗ = Γ1，得到變換后問題的GLRT檢測(cè)統(tǒng)計(jì)量形式； 步驟c.將上述檢測(cè)統(tǒng)計(jì)量中真實(shí)協(xié)防差矩陣Σρ用其最小均方誤差（MMSE)估計(jì)
代 替，得到最終的檢測(cè)器； 對(duì)于隨機(jī)非均勻模型（Stochastic Heterogeneous Model): 步驟a.假定隨機(jī)非均勻模型中R和Σ滿足的關(guān)系為
其中
表示自由度為1的逆Wishart分布； 步驟b.假設(shè)樣本數(shù)據(jù)的協(xié)防矩陣Σ已知，在隨機(jī)非均勻模型假設(shè)下求得GLRT的檢測(cè) 統(tǒng)計(jì)量； 步驟c.考慮到ΤΗΣρΤ = Σ，且ΤΗ = Γ1，得到變換后問題的GLRT檢測(cè)統(tǒng)計(jì)量形式； 步驟d.將上述檢測(cè)統(tǒng)計(jì)量中真實(shí)協(xié)防差矩陣Σρ用其MMSE估計(jì)
代替，得到最終的 檢測(cè)器。
【文檔編號(hào)】G01S7/02GK104215939SQ201410532770
【公開日】2014年12月17日 申請(qǐng)日期:2014年10月10日 優(yōu)先權(quán)日:2014年10月10日
【發(fā)明者】孫進(jìn)平, 趙宇, 王歡, 王文光, 雷鵬 申請(qǐng)人:北京航空航天大學(xué)