基于认知雷达的非均匀样本剔除方法及装置

本发明涉及雷达，具体地，涉及一种基于认知雷达的非均匀样本剔除方法及装置。

背景技术：

1、stap(space time adaptive processing，空时自适应处理)处理中自适应权向量的计算需要协方差矩阵求逆，所以在干扰和杂波的背景下精确计算协方差矩阵是stap的关键问题。在实际中无法获取外部环境的状况，因此通常协方差矩阵由待检测单元附近的样本来计算。reed等人从理论上证明了这种方法的可行性，并指出当样本数是系统自由度的2倍时，与最优相比，可以将stap的损失控制在3db以内。但前提是待检测单元与估计协方差矩阵的样本都是独立同分布的，实际中难以满足这一条件。随着军事技术和装备的发展，战场中的有人机和无人机越来越多，运动目标污染样本的非均匀问题更加严重，严重影响了协方差矩阵估计的准确性，导致stap处理性能下降，最终导致目标检测性能下降。

2、为此，有学者提出了非均匀检测器(non homogeneity detector，nhd)，nhd能有效地检测并剔除被污染的训练样本，使其不参与权矢量的运算，因而能改善stap的性能。现有的nhd有：广义内积(gip，generalized inner product)，自适应相干估计器(ace，adaptivecoherence estimator)，自适应功率剩余(apr，adaptive power residue)等。gip算法通过选取与杂波特性一致的训练样本，剔除不一致的非奇异样本。但是gip法存在一个问题，就是估计的协方差矩阵要准确，但是在密集目标的情况下，很难做到这一点。apr算法通过利用训练样本和目标导向矢量的相关强度来剔除奇异样本，其性能比gip算法要好。但是在干扰信号较多，信噪比较大时，apr算法的性能变差。ace算法通过使用目标的空时导向矢量与白化后的数据矢量的夹角来确定有无目标信号。以上方法均要求估计的协方差矩阵准确，但是在实际中，很难做到这一点。后来又提出了的不同的改进的方法，对角加载的广义内积检测器(loaded generalized inner product，lgip))，该检测器通过对由训练样本估计出的协方差矩阵对角加载来降低目标信号对检测器的扰动，存在如何选择合适的加载系量以提高检测性能的难题。基于长球波函数的广义内积检测器(prolate spheroidal wavefunctions generalized inner product，pswf-gip)，该检测器通过长球波函数的基向量直接估计待检测样本的杂波协方差矩阵，避免了训练样本中目标信号的影响，在理论上可以取得较好的性能，但在计算长球波函数的基向量时要求雷达构型参数及阵列流型精确已知，而实际情况中的阵列误差以及其他因素会影响阵列流型及雷达构型参数，使得检测性能下降。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于认知雷达的非均匀样本剔除方法及装置。

2、根据本发明实施例的第一方面，提供一种基于认知雷达的非均匀样本剔除方法，所述方法包括：

3、接收雷达的回波数据；

4、利用降维矩阵对所述回波数据进行降维处理，得到降维后的所述回波数据；

5、根据采样协方差矩阵和降维后的所述回波数据得到加权协方差矩阵；其中，所述采样协方差矩阵根据降维后的所述回波数据得到；

6、利用所述加权协方差矩阵剔除降维后的所述回波数据中的非均匀样本，以得到优化后的所述回波数据。

7、可选地，所述利用降维矩阵对所述回波数据进行降维处理，得到降维后的所述回波数据，包括：

8、根据扩展的因子化构建所述降维矩阵；

9、利用所述降维矩阵对所述回波数据进行处理，得到降维后的所述回波数据以及目标导向矢量。

10、可选地，所述根据采样协方差矩阵和降维后的所述回波数据得到加权协方差矩阵，包括：

11、根据降维后的所述回波数据得到所述采样协方差矩阵后，对所述采样协方差矩阵进行对角加载，得到新协方差矩阵；

12、根据所述新协方差矩阵和所述目标导向矢量计算降维后的所述回波数据中各个样本数据的自适应功率剩余值；

13、根据所述各个样本数据的自适应功率剩余值得到重加权的权系数；

14、根据所述重加权的权系数构建所述加权协方差矩阵。

15、可选地，所述利用所述加权协方差矩阵剔除降维后的所述回波数据中的非均匀样本，以得到优化后的所述回波数据，包括：

16、利用所述加权协方差矩阵计算降维后的所述回波数据中各个样本数据的广义内积值；

17、根据所述各个样本数据的广义内积值，将广义内积值大于预设阈值的样本数据进行剔除，得到优化后的所述回波数据。

18、可选地，所述采样协方差矩阵表示为：

19、

20、其中，为所述采样协方差矩阵，l为降维后的所述回波数据中样本数据的数量，表示第i个样本数据，h表示共轭转置操作；

21、所述新协方差矩阵表示为：

22、

23、其中，为所述新协方差矩阵，为噪声功率，i为单位矩阵。

24、可选地，降维后的所述回波数据中各个样本数据的自适应功率剩余值根据以下公式得到：

25、

26、其中，zi为第i个样本数据的自适应功率剩余值，为所述目标导向矢量。

27、可选地，所述重加权的权系数根据以下公式得到：

28、

29、其中，γi为第i个样本数据的重加权的权系数。

30、可选地，所述加权协方差矩阵表示如下：

31、

32、其中，为所述加权协方差矩阵。

33、可选地，降维后的所述回波数据中各个样本数据的广义内积值根据如下公式计算得到：

34、

35、其中，gipi表示第i个样本数据的广义内积值。

36、根据本发明实施例的第二方面，提供一种基于认知雷达的非均匀样本剔除装置，所述装置包括：

37、数据接收模块，用于接收雷达的回波数据；

38、降维模块，用于利用降维矩阵对所述回波数据进行降维处理，得到降维后的所述回波数据；

39、矩阵获取模块，用于根据采样协方差矩阵和降维后的所述回波数据得到加权协方差矩阵；其中，所述采样协方差矩阵根据降维后的所述回波数据得到；

40、剔除模块，用于利用所述加权协方差矩阵剔除降维后的所述回波数据中的非均匀样本，以得到优化后的所述回波数据。

41、本发明的实施例提供的技术方案可以包括以下有益效果：

42、在上述技术方案中，接收雷达的回波数据；利用降维矩阵对回波数据进行降维处理，得到降维后的回波数据；根据采样协方差矩阵和降维后的回波数据得到加权协方差矩阵；其中，采样协方差矩阵根据降维后的回波数据得到；利用加权协方差矩阵剔除降维后的回波数据中的非均匀样本，以得到优化后的回波数据。通过上述技术方案，对回波数据进行降维处理，利用加权协方差矩阵来降低回波数据中含有目标信号的样本的权重，从而使得非均匀样本对采样协方差矩阵的扰动减小，非均匀样本剔除的稳健性由此得到提高，能够有效检测并剔除非均匀样本，显著改善机载雷达在密集目标场景下的杂波抑制与目标检测性能。

43、本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。