[发明专利]一种基于知识辅助的稀疏恢复STAP色加载方法

说明书

本发明公开了一种基于知识辅助的稀疏恢复STAP色加载方法，步骤包括：建立样本数据模型；计算先验空时导向矢量矩阵；计算稀疏恢复向量；计算样本杂波信息；计算样本协方差矩阵和先验杂波协方差矩阵；计算STAP色加载矩阵并进行滤波。本发明的方案将色加载与稀疏方法的结合，也就是色加载的样本协方差矩阵，是将样本进行稀疏处理后的稀疏样本求协方差矩阵；在样本进行稀疏恢复处理的过程中，进行了抑制密集干扰的算法。色加载样本协方差矩阵求解过程中进行了样本稀疏处理；抑制密集干扰运用的基于知识辅助的方法，以及判断杂波元素的极小门限值法，解决了动目标相消问题，算法具有较好的稳健性。

技术领域

本发明属于机载雷达主检测领域，主要是特别是针对小样本和密集干扰条件下的稳健空时自适应方法，具体地是一种基于知识辅助的稀疏恢复STAP色加载方法。

背景技术

机载雷达主要应用就是用于检测运动的目标，但在一些地区，杂波分布的范围比较广、功率比较大，大大的影响了检测动目标的准确度。空时自适应处理(STAP)技术对空时二维回波数据进行联合处理，能够有效的抑制杂波，提高机载雷达的动目标检测性能。STAP技术的应用面临的难点之一是杂波的环境不均匀、复杂多变。传统的STAP技术要求的足够多的满足独立同分布(IID)的训练样本，且训练样本中不能包含运动目标信号等杂质信息。这些要求在实际中很难满足。近几年来，一些学者将稀疏恢复处理引入到机载雷达的STAP技术中，提出了基于稀疏功率谱恢复的STAP方法(SR-STAP)，这类方法利用了信号稀疏表示的思想，只需要很少的训练样本就可以恢复出杂波的功率谱。

此后很多学者针对于提高STAP技术的稳健性的问题，提出了各种去除杂波、干扰的方法。其中基于知识辅助的STAP方法近年来受到了广泛关注，其研究成果表明，基于知识辅助的STAP方法可以大大地减少所需要计算的训练样本的数目，且算法性能稳健。现有技术中提出了一种稳健的知识辅助STAP色加载系数优化算法(CPW-STAP)，该算法利用部分参考单元样本实现对待检测距离单元色加载矩阵预白化能力的评估，可以根据样本估计协方差矩阵以及CUT单元先验信息性能的变化对色加载系数进行合理调整，在不同场景下均能得到性能较好的色加载系数。但CPW-STAP法存在的问题是需要数量足够多的满足独立同分布(IID)的样本，与稀疏处理的方法相比，CPW-STAP所需要的IID样本是稀疏的几十倍，而实际的雷达动目标检测场景无法提供CPW-STAP方法需求的样本数量。在待检测距离单元(CUT)中存在离群点或密集干扰时，CPW-STAP法无法避免其性能不被其影响，稳健性较低。

现有技术中存在的技术缺陷为：现有的色加载算法中计算样本杂波协方差矩阵所需要的满足IID条件的样本数比较多，实际应用中，没有那么多满足条件的样本，因此STAP算法结果达不到稳健的结果；其次，现有的色加载算法没有利用杂波分布的先验知识抑制掉样本中的离群点、密集干扰等。因此，现有STAP算法无法避免目标与离群点相消、或者产生虚警的现象发生。

发明内容

为了解决上述问题，本发明提供了一种稳健的基于知识辅助的色加载稀疏处理STAP方法，可以解决需要的满足IID条件的样本数比较多的问题，其次抑制掉了样本中的密集干扰，提高了STAP方法的稳健性。

为达到以上目的，本发明提出了一种基于知识辅助的稀疏恢复STAP色加载方法，包括以下步骤：

步骤S1、建立样本数据模型；

步骤S2、计算先验空时导向矢量矩阵；

步骤S3、计算稀疏恢复向量；

步骤S4、计算样本杂波信息；

步骤S5、计算样本协方差矩阵和先验杂波协方差矩阵；

步骤S6、计算STAP色加载矩阵并进行滤波。

优选地，所述步骤S1的样本数据X包括杂波、干扰、单个目标和噪声，此时其稀疏矩阵为：X＝Φ×α+n，其中，Φ为空时导向矢量矩阵，α为稀疏恢复向量，n为噪声。