[发明专利]一种基于稀疏贝叶斯学习的空时自适应处理方法

说明书

本发明公开一种基于稀疏贝叶斯学习的空时自适应处理方法，首先，合理地运用雷达回波数据构建训练数据，将空时自适应处理的杂波抑制问题转化为模式分类的问题；而后采用SBL方法进行杂波抑制，实现动目标检测。该方法充分运用SBL方法训练权值稀疏的特点，提高了可用回波数据较少的情况下动目标检测的性能，同时有效减少了检测过程中的运算量。

技术领域

本发明属于雷达技术领域，特别涉及脉冲多普勒雷达的动目标检测技术。

背景技术

空时自适应处理(space-time adaptive processing,简称STAP)是应用于机载地面动目标指示(ground moving target indication，简称GMTI)一项关键技术。其根据机载雷达的地物杂波呈现的空时二维耦合谱特性，对空间不同位置采集信号(空间采样信号)的处理就是利用波达方向信息进行区分的方向滤波，而同时对时域和空域采样信号进行处理，以期同时利用多普勒谱和波达方向信息来区分运动目标和静止的地杂波。STAP技术可以应用于预警飞机，其中包含STAP技术的机载预警雷达对动目标的检测能力在战争中意义重大，即使在和平时期，其对国家的安全也发挥着重要作用。

STAP技术虽然有卓越的性能，但是由于传统STAP算法会产生较大的数据量，在发展之初，由于STAP技术面临很大的计算压力而很少应用于实际雷达系统中。众所周知，STAP技术自适应权值的计算是动目标检测的必要前提。但是在实际应用中的系统却很难实现，一是因为系统的输出信杂噪比(Signal to Interference plus Noise Ratio，SINR)是由估计杂波协方差矩阵的近距杂波环的数目决定，即估计杂波协方差矩阵的近距杂波环的数目必须遵循Reed，Mallett，Brennan所提出准则，其要求的距离门数之多难满足，详见参考文献L.S.Reed，J.D.Mallett，and L.E.Brennan,“Rapid convergence rate in adaptivearrays,”IEEE Transactions on Aerospace and Electronic Systems,vol.47,no.1pp.569-585,2011；二是自适应权值的计算需要对高维的杂波协方差矩阵进行估计和求逆，其运算量之大难处理。

为了降低运算量，减少辅助距离门数据数量，提高STAP在实际系统中的实用性，研究者对传统STAP方法进行了改进，提出了多种改进STAP方法。近年来，基于学习的STAP方法成为研究者们研究的热点，代表性文献可见文献1：El Khatib A,Assaleh K and Mir H,“Space-Time Adaptive Processing Using Pattern Classification,”IEEETransactions on Signal Processing,vol 63,no.3 pp.766-779,2015该方法利用二项式分类器进行动目标检测，能够在距离门较少的情况下相对于传统STAP有较大的性能提升。然而，该方法要求回波有较高的信杂比，当回波信号信杂比较低时，其输出性能较差。2016年，研究者提出一种基于支持向量回归机(Support Vector Regression，SVR)的方法(中国发明专利“一种基于支持向量机的空时自适应处理方法”，申请号201610814854.2)，该方法可以克服基于二项式STAP方法的缺陷，在信杂比较低的情况下，仍可获得较好的检测性能。然而，该方法权值不稀疏，在检测动目标时存在运算量大的缺点。

发明内容

本发明为了进一步提升STAP性能，克服基于二项式分类器STAP、基于SVR的STAP方法的不足，提出了一种基于稀疏贝叶斯学习的STAP方法，从STAP问题模型出发，将原始的动目标检测的滤波问题转化模式识别的问题，然后采用稀疏贝叶斯学习(Sparse BayesianLearning,SBL)的方法实现动目标检测，在距离门较少的情况下，不仅有良好的输出性能，而且在检测时，运算量较小。

本发明采用的技术方案是：一种基于稀疏贝叶斯学习的空时自适应处理方法，包括：