ISSN 
下载:
-
机载雷达通常采用空时自适应处理(space-time adaptive processing, STAP)技术抑制强地杂波反射信号，以提升对地面慢速弱小目标的探测能力，而STAP的关键在于目标距离环(cell under test, CUT)的杂波协方差矩阵(clutter covariance matrix, CCM)的估计[1-2]，通常采用与CUT具有独立同分布且不包含目标信号的相邻距离环作为样本进行估计。然而在实际场景下，由于受到各种非理想因素的影响，如离散强散射点、干扰目标信号、杂波内运动、地形变化、天气影响等[3-4]，训练样本的杂波特性可能与CUT不一致，导致利用训练样本对CUT的CCM的估计精度降低，从而使STAP性能恶化。
为解决非均匀训练样本对STAP性能的影响，研究者提出了一系列非均匀检测器，用于剔除非均匀样本。基于广义内积(generalized inner product, GIP)的训练样本选择算法可用于非均匀训练样本的筛选[5]，然而GIP算法采用样本协方差矩阵表征CUT杂波特性，并不能直接表征CUT本身的杂波特性，因此所选择的样本仅能确保与样本协方差矩阵相近，当大部分样本的杂波特性与CUT不一致时，最终所选择的样本杂波特性也将与CUT偏离。文献[6]采用一种基于波形相似性样本选择方法，通过比较样本信号与CUT信号在频谱相似性，剔除差异较大的训练样本，然而样本筛选的根本目的本来是选择与CUT具有相同协方差矩阵的训练样本。根据文献[7]分析，即使波形完全不同的训练样本，也可能具有相同的协方差矩阵，因此该方法会严重降低训练样本的利用率，可能导致有效训练样本不足。采用先验信息辅助样本筛选也是一种常用方法，文献[8]提出一种基于地形数据的训练样本选择方法，其基于地形数据信息选择与CUT具有相似地形的训练样本，用于协方差矩阵的估计，但该方法在实际场景下难以确保地形数据与回波信号精确匹配，会导致筛选结果不准确，且该方法未考虑照射角度对回波信号的影响，也会影响筛选准确性。文献[9]提出一种基于子孔径协方差矩阵的样本选择算法，通过比较CUT与训练样本子孔径协方差矩阵间的差异剔除非均匀样本，然而为消除CUT中目标成分的影响，该方法采用正交投影方法，由于无法保证目标导向矢量与杂波子空间正交，该方法会破坏CUT的杂波特性，降低筛选准确性。
为解决上述方法的缺陷，本文提出了一种基于输出信杂噪比(signal-to-clutter-plus-noise ratio, SCNR)的训练样本选择算法，即利用样本设计的STAP滤波器对CUT的杂波进行抑制，以其输出的SCNR估计值作为检验统计量，当样本杂波特性与CUT越相近，则基于样本数据所设计的STAP滤波器对CUT的杂波抑制效果越好，输出SCNR越高。以输出SCNR作为检验统计量，可直接表征训练样本CUT杂波特性的近似程度。为了完成STAP滤波器的设计和输出SCNR的估计，本文方法采用子孔径协方差矩阵代替各个距离环的CCM，并采用子孔径平滑技术估计各距离环的协方差矩阵，由于各距离环无需采用其他距离环的数据，因此可有效避免训练样本非均匀性对当前距离环杂波特性表征的影响[10]。另外，相比于GIP算法，本文方法采用子孔径协方差矩阵替代样本协方差矩阵表征杂波特性，其估计准确性不受样本数量的限制。为避免CUT中可能存在的目标成分对检验统计量估计的影响，本文方法利用Capon谱在空时平面内沿杂波脊区域对CUT的子孔径协方差矩阵进行积分重构[11]，相比于正交投影方式，可更好保留杂波特性。为确定杂波脊的分布，本文方法采用载机平台飞行状态参数作为先验信息进行估计，通过杂波脊斜率确定杂波脊在空时平面内的分布，其不受地形等外部因素影响。
-
假设机载雷达采用正侧视工作模式，安装均匀线阵 (uniform linear array, ULA)，使用半波长布阵，且发射波长为
$\lambda $ ，则阵元间距$d = \lambda /2$ 。阵列的阵元个数为$N$ ，相干处理间隔内发射$M$ 个脉冲，脉冲重复频率为${f_r}$ 。对于任意距离环，其接收信号${\boldsymbol{x}} \in {\mathbb{{\bf{C}}}^{NM \times 1}}$ 可以表示为[12]：$${\boldsymbol{x}} = {\alpha _T}{{\boldsymbol{a}}_T} + {\boldsymbol{c}} + \sum\limits_{k = 1}^K {{\alpha _k}{{\boldsymbol{a}}_k}} + {\boldsymbol{n}}$$ (1) 式中，
${{\boldsymbol{a}}_T}$ 表示目标的空时导向矢量；${\alpha _T}$ 对应目标的回波信号复幅度；${\boldsymbol{n}}$ 表示加性热噪声向量；杂波信号用${\boldsymbol{c}}$ 表示，其可看作将所选距离环划分为${N_c}$ 个杂波片的回波信号总和，即：$${\boldsymbol{c}} = \sum\limits_{i = 1}^{{N_c}} {{\beta _i}{{\boldsymbol{c}}_i}} {\rm{ = }}\sum\limits_{i = 1}^{{N_c}} {{\beta _i}{\boldsymbol{c}}_i^s \otimes ({\boldsymbol{c}}_i^t \odot {{\boldsymbol{t}}_i})} $$ (2) 式中，
${\beta _i}$ 对应第$i$ 个杂波片的回波信号复幅度；${{\boldsymbol{c}}_i}{\rm{ = }}{\boldsymbol{c}}_i^s \otimes ({\boldsymbol{c}}_i^t \odot {{\boldsymbol{t}}_i})$ 为第$i$ 个杂波片的空时导向矢量；$ \otimes $ 和$ \odot $ 分别表示Kronecker积和Hadamard积；${\boldsymbol{c}}_i^s$ 表示第$i$ 个杂波片的空间导向矢量；${\boldsymbol{c}}_i^t$ 表示第$i$ 个杂波片的时域导向矢量；${{\boldsymbol{t}}_i}$ 用于表示杂波内运动引起的误差，当${{\boldsymbol{t}}_i} = {[1,1, \cdots ,1]^{\rm{T}}} \in {\mathbb{R}^{M \times 1}}$ 表示不存在杂波内运动，当${{\boldsymbol{t}}_i} = {[{t_1},{t_2}, \cdots ,{t_M}]^{\rm{T}}} \in {\mathbb{{\bf{C}}}^{M \times 1}}$ ，则表示存在杂波内运动，${t_i} \in \mathbb{{\bf{C}}}$ 表示杂波内运动在第$i$ 个脉冲域引起的幅相误差。接收信号中可能包含干扰目标信号，可能由地面强散射点或其他运动目标产生，假设存在
$K$ 个干扰目标信号，则可表示为$\displaystyle\sum\limits_{k = 1}^K {{\alpha _k}{{\boldsymbol{a}}_k}} $ ，其中${{\boldsymbol{a}}_k}$ 为第$k$ 个干扰目标信号的空时导向矢量[13]，${\alpha _k}$ 对应第$k$ 个干扰目标信号的回波信号复幅度。STAP滤波器的权向量设计的关键在于CUT的CCM的估计，通常利用与CUT相邻的满足独立同分布的参考距离环作为训练样本进行估计，但是由于各种非理想因素的存在，如杂波内运动、干扰目标信号等，导致所用参考距离环不满足均匀性要求，从而严重影响CCM的估计精度，导致STAP性能下降。
为了剔除非均匀训练样本，研究者提出了一系列非均匀检测器。GIP作为一种典型的非均匀检测器，其采用样本协方差矩阵代表CUT杂波特性，由于其未考虑CUT本身的特性，仅能剔除与大多数距离环分布特性不同的训练样本，从而无法有效确保所选择样本与CUT具有相同特性[9,13]。为此，本文提出一种基于输出SCNR的样本选择算法。
-
为解决现有非均匀检测器的不足，本文提出了一种基于输出SCNR的训练样本选择算法。该方法利用训练样本的子孔径协方差矩阵设计STAP滤波器，对CUT的子孔径杂波信号进行处理，用输出SCNR的估计值作为检验统计量进行样本筛选，当输出的SCNR越高，说明当前样本与CUT的杂波特性越接近，反之则被剔除。
-
将CUT的接收信号表示为矩阵形式
${{\boldsymbol{X}}_{{\rm{CUT}}}} \in {\mathbb{{\bf{C}}}^{N \times M}}$ ，其每个列向量为每个脉冲各阵元的接收信号，即：$${{\boldsymbol{X}}_{{\rm{CUT}}}}{\rm{ = }}\left[ {\begin{array}{*{20}{c}} {x_{1,1}^{{\rm{CUT}}}}&{x_{1,2}^{{\rm{CUT}}}}& \cdots &{x_{1,M}^{{\rm{CUT}}}} \\ {x_{2,1}^{{\rm{CUT}}}}&{x_{2,2}^{{\rm{CUT}}}}& \cdots &{x_{2,M}^{{\rm{CUT}}}} \\ \vdots & \vdots & \vdots & \vdots \\ {x_{N,1}^{{\rm{CUT}}}}&{x_{N,2}^{{\rm{CUT}}}}& \cdots &{x_{N,M}^{{\rm{CUT}}}} \end{array}} \right]$$ (3) 为求解CUT的子孔径协方差矩阵，可将CUT的接收信号划分为一系列阵元数为
${N_1}$ ，相干处理间隔内发射脉冲个数为${M_1}$ 的子孔径信号[2,9]，具体划分方式如图1所示。
图 1 CUT子孔径划分示意图
子孔径信号可表示为：
$$\begin{split} & {\boldsymbol{x}}_{n,m}^{{\rm{CUT}}} = [x_{n,m}^{{\rm{CUT}}},x_{n + 1,m}^{{\rm{CUT}}}, \cdots ,x_{n + {N_1} - 1,m}^{{\rm{CUT}}},x_{n,m + 1}^{{\rm{CUT}}},x_{n + 1,m + 1}^{{\rm{CUT}}}, \cdots ,\\ &\qquad\;\; x_{n + {N_1} - 1,m + 1}^{{\rm{CUT}}}, \cdots ,x_{n + {N_1} - 1,m + {M_1} - 1}^{{\rm{CUT}}}{]^{\rm{T}}} \in {\mathbb{{\bf{C}}}^{{N_1}{M_1} \times 1}} \\[-10pt] \end{split} $$ (4) 式中，
$x_{n,m}^{{\rm{CUT}}}$ 表示${{\boldsymbol{X}}_{{\rm{CUT}}}}$ 的第$n$ 行、第$m$ 列元素。利用子孔径平滑技术估计的CUT子孔径协方差矩阵可表示为：$${{\tilde{\boldsymbol R}}_{{\rm{CUT}}}} = \frac{{\displaystyle\sum\limits_{m = 1}^{M - {M_1} + 1} {\displaystyle\sum\limits_{n = 1}^{N - {N_1} + 1} {{\boldsymbol{x}}_{n,m}^{{\rm{CUT}}}{{({\boldsymbol{x}}_{n,m}^{{\rm{CUT}}})}^{\rm{H}}}} } }}{{(M - {M_1} + 1)(N - {N_1} + 1)}}$$ (5) 在进行雷达子孔径划分时，当
${N_1}$ 或${M_1}$ 的值越大，则空间分辨率或多普勒域分辨率越高；然而对接收信号划分为子孔径信号后所得样本数量为$K = (M - {M_1} + 1)(N - {N_1} + 1)$ ，当${N_1}$ 或${M_1}$ 过大则会导致$K$ 过小，且导致子孔径协方差估计精度降低。因此，为兼顾分辨率和子孔径协方差矩阵的估计精度，本文算法划分子孔径时，在保证$K \geqslant 2{M_1}{N_1}$ 时，${N_1}$ 和${M_1}$ 取最大值[14]。由于检验统计量的估计包含经STAP滤波器处理后输出的CUT杂波信号功率，因此需估计CUT的子孔径CCM。而CUT中可能包含目标信号成分，直接用
${{\tilde{\boldsymbol R}}_{{\rm{CUT}}}}$ 估计STAP滤波器的输出杂波信号功率可能导致估计偏差，故本文采用Capon谱积分重构的方式估计CUT的子孔径CCM。对于正侧视机载雷达，杂波脊在空时平面内的分布可通过杂波脊斜率确定，目标和杂波脊在空时平面内的分布示意图如图2所示。
图 2 目标和杂波在空时平面内的分布示意图
杂波脊斜率
$\beta $ 可表示为：$$\beta {\rm{ = }}\frac{{2v}}{{d{f_r}}}$$ (6) 式中，
$v$ 表示载机平台的飞行速度。将杂波脊上所有点的集合表示为$\varPi $ ，则杂波脊上任一点表示${f'} \in \varPi$ ，Capon谱积分重构的区域可定义为$\varOmega$ ：$$\varOmega = \left\{ {{{f}}:{{\left\| {{{f}} - {{f'}}} \right\|}_2} \leqslant \varepsilon \text{,}{{f'}} \in \varPi } \right\}$$ (7) 式中，
$\varepsilon $ 为常数，用于确定积分区域范围。${{\tilde{\boldsymbol R}}_{{\rm{CUT}}}}$ 的Capon谱可表示为[11]：$$P({f_s},{f_d}) = \frac{1}{{{\boldsymbol{s}}({f_s},{f_d}){\tilde{\boldsymbol R}}_{{\rm{CUT}}}^{ - 1}{{\boldsymbol{s}}^{\rm{H}}}({f_s},{f_d})}}$$ (8) 式中，
${\boldsymbol{s}}({f_s},{f_d}){\rm{ = }}{{\boldsymbol{s}}_d}({f_d}) \otimes {{\boldsymbol{s}}_s}({f_s})$ 表示空时导向矢量；${f_s}$ 表示归一化的空间频率；${f_d}$ 表示归一化的多普勒频率。基于Capon谱重构的CUT子孔径CCM可表示为：
$${{\boldsymbol{R}}_0} = \int\limits_\Omega {P({f_s},{f_d}){\boldsymbol{s}}({f_s},{f_d})} {{\boldsymbol{s}}^{\rm{H}}}({f_s},{f_d}){\rm{d}}{f_s}{\rm{d}}{f_d}$$ (9) 为提升计算效率，可将积分区域
$\varOmega$ 均匀划分为$Q \gg {N_1}{M_1}$ 个网格点，然后用求和代替积分，则重构的CUT子孔径CCM可表示为[11]：$${{\boldsymbol{R}}_0} = \sum\limits_{i = 1}^Q {P({f_{si}},{f_{di}}){\boldsymbol{s}}({f_{si}},{f_{di}}){{\boldsymbol{s}}^{\rm{H}}}({f_{si}},{f_{di}})} $$ (10) 式中，
${\boldsymbol{s}}({f_{si}},{f_{di}})，i = 1,2, \cdots ,Q$ 表示在积分区域$\varOmega$ 内所选择的离散化网格点所对应的空时导向矢量。 -
将第
$l$ 个训练样本同样表示为矩阵形式${\boldsymbol{X}}(l) \in {\mathbb{{\bf{C}}}^{N \times M}}$ ：$${\boldsymbol{X}}(l){\rm{ = }}\left[ {\begin{array}{*{20}{c}} {x_{1,1}^l}&{x_{1,2}^l}& \cdots &{x_{1,M}^l} \\ {x_{2,1}^l}&{x_{2,2}^l}& \cdots &{x_{2,M}^l} \\ \vdots & \vdots & \vdots & \vdots \\ {x_{N,1}^l}&{x_{N,2}^l}& \cdots &{x_{N,M}^l} \end{array}} \right]$$ (11) 采用与CUT相同的子孔径划分方式，对
${\boldsymbol{X}}(l)$ 进行划分得第$l$ 个训练样本的子孔径信号：$$\begin{split} & {\boldsymbol{x}}_{n,m}^{}(l) = [x_{n,m}^l,x_{n + 1,m}^l, \cdots ,x_{n + {N_1} - 1,m}^l,x_{n,m + 1}^l,x_{n + 1,m + 1}^l, \\ &\qquad\;\; \cdots ,x_{n + {N_1} - 1,m + 1}^l, \cdots ,x_{n + {N_1} - 1,m + {M_1} - 1}^l{]^{\rm{T}}} \\[-10pt] \end{split} $$ (12) 式中，
$x_{n,m}^l$ 表示${\boldsymbol{X}}(l)$ 的第$n$ 行、第$m$ 列元素。利用子孔径平滑技术估计第
$l$ 个训练样本的子孔径协方差矩阵为：$${\boldsymbol{R}}(l) = \frac{{\displaystyle\sum\limits_{m = 1}^{M - {M_1} + 1} {\displaystyle\sum\limits_{n = 1}^{N - {N_1} + 1} {{{\boldsymbol{x}}_{n,m}}(l){\boldsymbol{x}}_{n,m}^{\rm{H}}(l)} } }}{{(M - {M_1} + 1)(N - {N_1} + 1)}}$$ (13) -
本文基于输出SCNR作为检验统计量进行训练样本筛选，即利用第
$l$ 个训练样本的子孔径协方差矩阵设计的STAP滤波器的输出SCNR的估计值作为检验统计量。选择积分区域外的子孔径导向矢量作为目标导向矢量
${\boldsymbol{a}} \in {\mathbb{{\bf{C}}}^{{N_1}{M_1} \times 1}}$ ，为便于计算，在计算SCNR时，目标信号幅度均为1，根据最小方差无失真响应准则，求解STAP滤波器的权向量${\boldsymbol{w}}(l)$ ，其求解表达式为：$$\begin{split} & {\rm{min }}{{\boldsymbol{w}}^H}(l){\boldsymbol{R}}(l){\boldsymbol{w}}(l) \\ & {\rm{s}}{\rm{.t}}{\rm{. }}\;\;{{\boldsymbol{w}}^H}(l){\boldsymbol{a}} = 1 \\ \end{split} $$ (14) 可得：
$${\boldsymbol{w}}(l) = \frac{{{{\boldsymbol{R}}^{ - 1}}(l){\boldsymbol{a}}}}{{{{\boldsymbol{a}}^H}{{\boldsymbol{R}}^{ - 1}}(l){\boldsymbol{a}}}}$$ (15) 利用权向量为
${\boldsymbol{w}}(l)$ 的STAP滤波器对CUT子孔径信号进行处理，其输出的输出SCNR作为检验统计量$\eta (l)$ ，其中，CUT的子孔径CCM用${{\boldsymbol{R}}_0}$ 表示，检验统计量$\eta (l)$ 可表示为：$$\eta (l) = \frac{{{{\left| {{{\boldsymbol{w}}^H}(l){\boldsymbol{a}}} \right|}^2}}}{{{{\boldsymbol{w}}^H}(l){{\boldsymbol{R}}_0}{\boldsymbol{w}}(l)}}$$ (16) 式(16)中的检验统计量
$\eta (l)$ 直接表征基于第$l$ 个训练样本设计的STAP滤波器设计对CUT杂波抑制能力的强弱，当训练样本的杂波特性与CUT越相近，则通过样本信号所估计的CCM设计的STAP滤波器对CUT的杂波抑制效果越好，输出的SCNR越高，即$\eta (l)$ 值越大。因此可用$\eta (l)$ 表征第$l$ 个训练样本与CUT的杂波特性相似程度。在基于输出SCNR进行训练样本筛选时，设定好阈值后，剔除掉低于该阈值的训练样本。阈值$\,\mu$ 可通过如下方式确定：$$\mu {\rm{ = }}\frac{k}{L}\sum\limits_{l = 1}^L {\eta (l)} $$ (17) 式中，
$ 0 < k < 1$ 。 -
为验证本文所提出的基于输出SCNR的训练样本选择算法的有效性，本节将采用实测数据对该算法进行验证，并将实验结果与基于广义内积方法、基于波形相似性方法以及基于子孔径协方差矩阵方法进行对比。
采集实测数据的雷达系统采用半波长布阵的均匀线阵，阵元个数为
$N = 16$ ，相干处理间隔内发射脉冲个数为$M = 34$ ，采用正侧视工作模式，载机平台飞行速度为$120\;{\rm{ m/s}}$ ，载波频率$448\;{\rm{ MHz}}$ ，脉冲重复周期为${\rm{0}}.004\;{\rm{ s}}$ ，根据载机平台飞行参数可估计的杂波脊斜率$\,\beta = 2.82$ 。使用2 000个距离环作为原始训练样本，且将第700个距离环作为CUT。在子孔径协方差矩阵估计时，设置${N_1} = {M_1} = 8$ ，从而可以保证用于子孔径协方差矩阵估计的样本数量$(N - {N_1} + 1)(M - {M_1} + 1) = 243 > $ $ 2{N_1}{M_1}$ 。图3为样本协方差矩阵的Capon谱，图4为CUT子孔径协方差矩阵的Capon谱。对比图3和图4可发现，利用子孔径协方差矩阵所估计的杂波脊的分布与样本协方差矩阵所估计的杂波脊分布轨迹一致，说明利用子孔径协方差矩阵也能对所选距离环杂波特性进行表征，也证明了本文所提出的利用Capon谱沿子孔径协方差矩阵的杂波脊区域进行协方差矩阵重构方法的可行性。同时，根据图4中杂波脊的分布，将Capon谱重构的积分范围控制参数设置为
$\varepsilon = 0.025$ 。此外，由于STAP滤波器的设计需确定目标导向矢量，根据杂波脊的分布情况，选择目标导向矢量${\boldsymbol{a}}$ 的归一化空间频率为0.1，归一化多普勒频率为−0.1。
图 3 样本协方差矩阵的Capon谱
图 4 CUT子孔径协方差矩阵的Capon谱
图5为所有距离环的距离−多普勒分布图，对比图5中各距离环多普勒频率分布可发现，待筛选的距离环处于非均匀杂波环境，因此可利用这些距离环作为训练样本验证本文方法的性能。
图 5 所有距离环的距离−多普勒分布图
为对比不同样本选择算法的性能，将所有算法最终选择的训练样本的数量固定为1400，当所选择的训练样本与CUT的杂波特性越相近，则对CUT的CCM估计越准确，其STAP性能越好。
图6展示了利用不同样本选择算法筛选的样本估计的CCM设计的STAP滤波器对不同输入SCNR的CUT进行处理后的输出SCNR，其中目标信号采用模拟方式产生，并采用2000个距离环估计各实验结果的输入SCNR。从图6发现，在输入SCNR相同的情况下，本文提出的基于输出SCNR的训练样本选择算法所对应的STAP滤波器可获得更高的输出SCNR，相比其他样本选择算法，输出SCNR至少高2.8 dB，这是因为相比其他样本选择算法，本文算法所选择的训练样本与CUT的杂波特性更加相近，因而可以更加准确地估计CUT的CCM，其对应的STAP滤波器可获得更加出色的杂波抑制性能。此外，由图6可发现，当输入SCNR超过−23.3 dB时，PST算法的输出SCNR随输入SCNR的增加呈现显著的非线性，这是由于PST算法是基于信号功率进行的，其选择杂波更强的样本以产生更深的杂波零陷，但是当目标信号与杂波信号强相关时，则会产生目标自消的问题，目标信号功率越强，即输入SCNR越高，则目标自消现象越严重，从而导致输出SCNR下降。
图 6 不同输入SCNR下的杂波抑制性能
图7展示了不同样本选择算法在不同输入SCNR下的检测器性能，其中本文实验采用单元平均恒虚假检测器，虚警概率设置为10−3，共进行105次蒙特卡洛实验，目标信号采用模拟方式随机产生，且采用2 000个距离环估计各实验结果的输入SCNR。由图7可发现，当输入SCNR高于−33 dB时，基于输出SCNR的样本选择算法的检测概率明显高于其他方法，这是由于本文算法所选择的训练样本杂波特性与CUT更加相近，利用所选择的训练样本所估计的CUT的CCM更加准确，从而可更加出色地抑制杂波信号，提升检测器的检测概率；而当输入SCNR低于−40 dB时，各算法的检测概率接近0，这是由于输入SCNR过低，目标信号功率过于微弱，所有算法均难以检测；而当输入SCNR高于−10 dB时，所有样本选择算法对应的检测概率接近1，这是因为输入SCNR足够高，输入目标信号强度足够强，因此目标可被轻松检测到。
图 7 不同输入SCNR下的检测器性能
-
本文提出了一种基于输出SCNR的非均匀杂波环境下训练样本选择算法，通过采用基于训练样本的子孔径协方差矩阵设计的STAP滤波器对CUT的杂波进行处理，估计其输出SCNR作为检验统计量，从而可直接衡量当前样本与CUT杂波特性的近似程度。本文通过在实测数据上进行实验论证了所提方法的有效性与优势。通过与多种经典的样本选择算法相比，实验结果结果显示本文算法选择的样本与CUT的杂波特性相似度更高，可更加准确的估计CUT的CCM，从而可确保更好的STAP性能。
Output SCNR-Based Training Samples Selection Method For Airborne Radar
-
摘要: 在非均匀杂波环境下，被干扰目标污染的训练样本会严重影响空时自适应处理(space-time adaptive processing, STAP)性能，需进行剔除。该文提出一种基于输出信杂噪比(signal-to-clutterplus-noise ratio, SCNR)的训练样本选择算法，以输出SCNR值作为检验统计量进行样本筛选，当样本的杂波特性与目标距离环(cell under test, CUT)越相近，则基于样本设计的STAP 滤波器对CUT 的杂波抑制性能就越好，输出SCNR 越高。此外，该文利用子孔径协方差矩阵直接表征CUT 和样本的杂波特性，可确保各距离环杂波特性的表征不受其他距离环的影响，且准确性不受样本数量的限制。最后，通过实测数据验证了该样本筛选算法的性能。Abstract: In heterogeneous clutter environment, the training samples contaminated by outliers seriously degrade the performance of space-time adaptive processing (STAP) and needs to be eliminated. Therefore, this paper proposes an output signal-to-clutter-plus-noise ratio (SCNR) based training sample selection algorithm. The output SCNR is acted as the test statistic for training samples selection. When the clutter property of the training sample is more similar to the cell under test (CUT), the clutter suppression performance is better, and the output SCNR is higher. Moreover, this paper exploits the subaperture’s covariance matrix to directly characterize the clutter property of each range cell, ensuring the characterization is not affected by others, and the estimation accuracy does not depend on the number of the samples. Finally, the numerical experiments with measured data demonstrate the performance of the proposed training samples selection method.
-
[1] PANG X J, ZHAO Y B, CAO C H, et al. A STAP method based on atomic norm minimization for transmit beamspace-based airborne MIMO radar[J]. Digital Signal Processing, 2021, 111: 102938-102950. doi: 10.1016/j.dsp.2020.102938 [2] LI M, SUN G H, TONG J, et al. Training-free moving target detection with uncertain a priori knowledge for airborne radar[J]. IET Radar, Sonar & Navigation, 2020, 14(3): 372-380. [3] SHI Y L, SHUI P L. Target detection in high-resolution sea clutter via block-adaptive clutter suppression[J]. IET Radar Sonar & Navigation, 2010, 5(1): 48-57. [4] XIANG D L, TANG T, ZHAO L J, et al. Superpixel generating algorithm based on pixel intensity and location similarity for SAR image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(6): 1414-1418. doi: 10.1109/LGRS.2013.2259214 [5] TANG B, TANG J, PENG Y N. Detection of heterogeneous samples based on loaded generalized inner product method[J]. Digital Signal Processing, 2012, 22(4): 605-613. doi: 10.1016/j.dsp.2012.03.001 [6] WU Y F, WANG T, WU J X, et al. Robust training samples selection algorithm based on spectral similarity for space-time adaptive processing in heterogeneous interference environments[J]. IET Radar Sonar & Navigation, 2015, 9(7): 778-782. [7] LI H Y, BAO W W, HU J F, et al. A training samples selection method based on system identification for STAP[J]. Signal Processing, 2018, 142: 119-124. doi: 10.1016/j.sigpro.2017.07.008 [8] CAPRARO C, CAPRARO G, BRADARIC I, et al. Implementing digital terrain data in knowledge-aided space-time adaptive processing[J]. IEEE Transactions on Aerospace & Electronic Systems, 2006, 42(3): 1080-1099. [9] WU Y F, WANG T, WU J X, et al. Training sample selection for space-time adaptive processing in heterogeneous environments[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 12(4): 691-695. [10] LI M, SUN G H, TONG J, et al. Covariance matrix whitening-based training sample selection method for airborne radar[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(4): 647-651. doi: 10.1109/LGRS.2020.2984371 [11] LI Z H, ZHANG Y S, LIU H W, et al. Training samples selection method for space-time adaptive processing based on clutter covariance matrix reconstruction[J]. Electronics Letters, 2017, 53(14): 953-954. doi: 10.1049/el.2017.1549 [12] ZHANG S M, HE Z S, LI J, et al. A generalized covariance matrix taper model for KA-STAP in knowledge-aided adaptive radar[J]. IEICE Transactions on Fundamentals of Electronics Communications & Computer Sciences, 2016, 99(6): 1163-1170. [13] YUAN H D, XU H, DUAN K Q, et al. Cross-spectral metric smoothing-based GIP for space-time adaptive processing[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(9): 1388-1392. doi: 10.1109/LGRS.2019.2897400 [14] PILLAI S U, LIM Y L. Generalized forward/backward subaperture smoothing techniques for sample starved STAP[J]. IEEE Transactions on Signal Processing, 2000, 48(12): 3569-3574. doi: 10.1109/78.887049 -
点击查看大图
图(7)
计量
- 文章访问数: 6129
- HTML全文浏览量: 2249
- PDF下载量: 52
- 被引次数: 0
