一种融合广义对称结构信息的知识辅助空时自适应处理方法

文档序号:6243583阅读:602来源:国知局
一种融合广义对称结构信息的知识辅助空时自适应处理方法
【专利摘要】本发明提供一种融合广义对称结构信息的知识辅助空时自适应处理方法,该方法的步骤为:(1)利用酉变换矩阵进行线性变换,将原空时自适应处理问题转化成与之等价的形式,使其协方差矩阵由复广义对称矩阵变成相同维数的实对称矩阵;(2)利用样本数据获得变换后协防差矩阵的一个估计;(3)求先验协方差矩阵在最小欧氏距离准则下的最优实对称估计;(4)利用广义线性结合和凸结合方法结合训练样本和先验协防差矩阵求得真实协方差矩阵的最小均方误差估计;(5)根据两步设计得到部分均匀模型和随机非均匀模型假设下的检测器形式,实现对目标的检测。本发明有效降低了空时自适应处理中协方差矩阵估计时对训练样本的需求量,显著提升了检测器的性能且实现简单。
【专利说明】一种融合广义对称结构信息的知识辅助空时自适应处理方 法

【技术领域】
[0001] 本发明属于空时自适应处理(STAP)领域,特别涉及一种融合广义对称结构信息 的知识辅助空时自适应处理(KA-STAP)方法。

【背景技术】
[0002] 空时自适应处理(Space-Time Adaptive Processing, STAP)是动平台雷达系统抑 制杂波和干扰,提升目标检测能力的核心技术。总干扰加噪声协方差矩阵的估计精度很大 程度上影响着STAP的性能。在传统的STAP中,假设训练样本数据满足独立同分布且和待 测单元数据具有相同的协方差矩阵(均匀环境),通常用采样协方差矩阵(SCM)作为总干 扰加噪声协方差矩阵的估计。然而,杂波环境通常是非均匀的,例如,杂波反射系数具有空 变性、训练数据中通常存在类目标信号等。因此,在实际应用中由于缺乏足够的均匀训练样 本,SCM通常并不是总干扰加噪声协方差矩阵的准确估计。
[0003] 为了获得总干扰加噪声协方差矩阵更精确的估计,利用先验知识的STAP方法 (KA-STAP)近年来受到了广泛关注。在KA-STAP中,可以从土地利用和覆盖数据、已有对同 一地区的扫描数据、雷达参数等先验信息源中推导获得先验协方差矩阵。剩下的问题就是 如何在STAP中利用已经获得的先验知识基于知识的处理可以被分为直接方法和间接方法 两大类,其中间接方法利用先验知识选择合适的训练数据,然后进行协方差矩阵估计,而直 接方法将先验知识直接运用于自适应处理器的设计中。直接方法和间接方法与传统方法相 t匕,都有效地提升了协方差矩阵的估计性能,然而,与直接方法不同,间接方法未能减小对 训练样本的需求。
[0004] 除了上述基于知识的方法已经用到的各种先验信息外,协方差矩阵广泛存在的特 殊结构特征也可以加以利用。在雷达系统中,如果线性阵列对称分布并且脉冲重复间隔固 定,那么其总干扰加噪声协方差矩阵具有广义对称结构。这种广义对称结构已经被广泛用 于检测器性能的提升中。


【发明内容】

[0005] 本发明要解决的技术问题是:针对STAP应用中由于非均匀环境和雷达相关参数 限制,难以获得足够均匀样本的问题,提出了一种融合广义对称结构信息的知识辅助空时 自适应处理方法。该方法首先利用线性变换将原空时自适应处理问题转化成与之等价的形 式。其协方差矩阵由复广义对称矩阵变成相同维数的实对称矩阵,自由度减小为原来的一 半。随后,利用广义线性结合和凸结合方法结合训练样本和先验协防差矩阵求得真实协方 差矩阵的最小均方误差估计,进一步提升了 STAP的性能。此外,将上述协方差矩阵估计方 法引入到检测器的设计中,分别给出了部分均匀环境下的知识辅助广义对称自适应余弦估 计器(KA-P-ACE)和随机非均匀模型下的知识辅助广义对称GLRT检测器(KA-P-GLRT)。所 提的检测器在利用协方差矩阵广义对称结构特性的同时,利用线性结合或凸结合的方法将 先验知识引入到了检测器的设计中,显著地提升了检测器的性能。
[0006] 本发明解决其技术问题所采用的技术方案是:一种融合广义对称结构信息的知识 辅助空时自适应处理方法,其实现步骤如下:
[0007] 步骤(1)、利用酉变换矩阵进行线性变换,将原空时自适应处理问题转化成与之等 价的形式,使其协方差矩阵由复广义对称矩阵变成相同维数的实对称矩阵;
[0008] 步骤(2)、利用样本数据获得变换后协防差矩阵的一个估计;
[0009] 步骤(3)、求先验协方差矩阵在最小欧氏距离准则下的最优实对称估计;
[0010] 步骤(4)、利用广义线性结合和凸结合方法结合训练样本和先验协防差矩阵求得 真实协方差矩阵的最小均方误差估计;
[0011] 步骤(5)、根据两步设计得到部分均匀模型和随机非均匀模型假设下的检测器形 式,实现对目标的检测。
[0012] 本发明与现有技术相比优点在于:
[0013] (1)、本发明提出的一种融合广义对称结构信息的知识辅助(Knowledge Aided, KA)空时自适应处理方法既结合先验环境知识,又充分利用总干扰加噪声协方差矩阵特殊 结构,更大程度地降低了协方差矩阵估计时对训练样本的需求量;
[0014] (2)、本发明针对非均匀环境下的目标检测问题,分别针对部分均匀模型和随机非 均匀模型提出了相应的知识辅助广义对称检测器。与现有知识辅助检测器以及广义对称检 测器相比,本发明所提方法显著提升了检测性能,尤其在训练样本缺乏的情况下;
[0015] (3)、本发明实现简单,自适应计算。

【专利附图】

【附图说明】
[0016] 图1为本发明一种融合广义对称结构信息的知识辅助空时自适应处理方法流程 图;
[0017] 图2为本发明所提方法SINR损失随样本数变化示意图(〇2 = 0. 3),其中图2(a) 为本发明所提PCC-I方法结果;图2(b)为本发明所提PCC-II方法结果;图2(c)为本发明 所提PGLC-I方法结果;图2(d)为本发明所提PGLC-II方法结果;
[0018] 图3为不同方法SINR损失随样本数变化示意图(〇2 = 0. 03);
[0019] 图4为不同检测器性能对比图(样本数Κ = 28, 〇2 = 0· 1);
[0020] 图5为本发明所提方法检测器性能受先验信息影响的示意图(样本数Κ = 24),其 中图5 (a)为本发明所提KA-P-ACE检测器结果;图5 (b)为本发明所提KA-P-GLRT检测器结 果。

【具体实施方式】
[0021] 下面结合附图及【具体实施方式】详细介绍本发明。
[0022] 本发明实施流程如图1所示,具体包含以下5个步骤:
[0023] 1、利用酉变换矩阵进行线性变换,将原空时自适应处理问题转化成与之等价的形 式,使其协方差矩阵由复广义对称矩阵变成相同维数的实对称矩阵。
[0024] STAP的目的是在存在杂波,干扰以及热噪声的环境中检测相应目标,检测问题可 以描述成如下二元统计假设检验问题:
[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维复向量,表示待测单元(⑶T)的回波数据。

【权利要求】
1. 一种融合广义对称结构信息的知识辅助空时自适应处理方法,其特征在于实现步骤 如下: 步骤(1)、利用酉变换矩阵进行线性变换,将原空时自适应处理问题转化成与之等价的 形式,使其协方差矩阵由复广义对称矩阵变成相同维数的实对称矩阵; 步骤(2)、利用样本数据获得变换后协防差矩阵的一个估计; 步骤(3)、求先验协方差矩阵在最小欧氏距离准则下的最优实对称估计; 步骤(4)、利用广义线性结合和凸结合方法结合训练样本和先验协防差矩阵求得真实 协方差矩阵的最小均方误差估计; 步骤(5)、根据两步设计得到部分均匀模型和随机非均匀模型假设下的检测器形式,实 现对目标的检测。
2. 根据权利要求1所述的一种融合了广义对称结构信息的知识辅助空时自适应处理 方法,其特征在于:所述步骤(1)利用酉变换矩阵进行线性变换,将原空时自适应处理问题 转化成与之等价的形式,使其协方差矩阵由复广义对称矩阵变成相同维数的实对称矩阵, 具体指: xp = Tx, xp'k = Txk(k = 1,…,K) Rp = TRTh,Σρ = ΤΣΤη 其中,T为如下所示的酉矩阵:
其中,X是MX 1维复向量,表示待测单元(⑶T)的回波数据,是通常在待测单元 周围选取的训练样本;Μ为系统维数,K为训练样本数;R为原问题的总干扰加噪声协方差矩 阵,Σ为训练数据的协方差矩阵;Xj^PXp,k分别表示变换后的待测单元数据和训练样本数 据,相应的,&和Σ ρ分别表示变换后的总干扰加噪声协方差矩阵和训练数据协方差矩阵; (·)Η表示共轭转置运算。
3. 根据权利要求1所述的一种融合了广义对称结构信息的知识辅助空时自适应处理 方法,其特征在于:所述步骤(2)利用样本数据获得变换后协防差矩阵的一个估计,具体 为:
其中,Re( ·)表示取实数部分,
为采样协方差矩阵(SCM),即:
4. 根据权利要求1所述的一种融合了广义对称结构信息的知识辅助空时自适应处理 方法,其特征在于:所述步骤(3)求先验协方差矩阵在最小欧氏距离准则下的最优实对称 估计具体为: Rp;0 = Re(TR〇TH) 其中R〇为从先验环境信息和雷达相关参数中获得的先验协方差矩阵。
5. 根据权利要求1所述的一种融合了广义对称结构信息的知识辅助空时自适应处理 方法,其特征在于:所述步骤(4)利用广义线性结合和凸结合方法结合训练样本和先验协 防差矩阵求得真实协方差矩阵的最小均方误差估计,具体为:利用在最小均方误差准则下
和RPi(l的最优线性结启
作为Rp的估计,具体可以分别描述成如下优化问题:
α > Ο, β >0 称为广义对称广义线性结合方法(PGLC),
a e (〇, 1) 称为广义对称凸结合方法(PCC),其中Ε{ · }表示统计期望。
6. 根据权利要求1所述的一种融合了广义对称结构信息的知识辅助空时自适应处理 方法,其特征在于:所述步骤(5)根据两步设计得到部分均匀模型和随机非均匀模型假设 下的检测器形式,实现对目标的检测,具体可以表述为: 对于部分均勻模型(Partially Homogeneous Environment): 步骤a.假设样本数据的协防矩阵Σ已知,在部分均匀模型假设下求得广义似然比检 测(GLRT)的检测统计量; 步骤b.考虑到ΤΗ Σ ρΤ = Σ,且ΤΗ = Γ1,得到变换后问题的GLRT检测统计量形式; 步骤c.将上述检测统计量中真实协防差矩阵Σρ用其最小均方误差(MMSE)估计
代 替,得到最终的检测器; 对于随机非均勻模型(Stochastic Heterogeneous Model): 步骤a.假定随机非均匀模型中R和Σ满足的关系为
其中
表示自由度为1的逆Wishart分布; 步骤b.假设样本数据的协防矩阵Σ已知,在随机非均匀模型假设下求得GLRT的检测 统计量; 步骤c.考虑到ΤΗΣρΤ = Σ,且ΤΗ = Γ1,得到变换后问题的GLRT检测统计量形式; 步骤d.将上述检测统计量中真实协防差矩阵Σρ用其MMSE估计
代替,得到最终的 检测器。
【文档编号】G01S7/02GK104215939SQ201410532770
【公开日】2014年12月17日 申请日期:2014年10月10日 优先权日:2014年10月10日
【发明者】孙进平, 赵宇, 王欢, 王文光, 雷鹏 申请人:北京航空航天大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1