[发明专利]基于知识辅助的稀疏恢复STAP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方法，该方法包括：构建样本数据集；构建距离单元样本的空时导向矢量矩阵；对样本数据进行稀疏恢复；构建包含先验信息的导向矢量矩阵；基于包含先验信息的导向矢量矩阵，判断稀疏恢复的导向矢量是否对应于杂波，基于判断结果，对稀疏恢复向量和字典进行更新；基于更新后的稀疏恢复向量和字典，对样本数据进行二次稀疏恢复；利用二次稀疏恢复的估计样本进行杂波协方差矩阵估计。本发明借助样本稀疏恢复和杂波分布的先验信息修正了稀疏恢复字典，解决了由off‑grid造成的杂波协方差矩阵估计误差，同时去除了样本中密集干扰的影响，克服了动目标相消现象，提高动目标检测性能。

技术领域

本发明涉及机载雷达动目标检测技术领域，尤其涉及一种基于知识辅助的稀疏恢复STAP方法。

背景技术

机载雷达在进行地面/海面弱小目标检测时，接收的强地/海杂波往往将微弱目标淹没，严重影响了机载雷达动目标的检测性能。空时自适应处理(space-time adaptiveprocessing，STAP)技术，利用空时联合处理设计合适的滤波器权矢量，能够有效地将杂波和目标在空时二维域中分离开来，显著提升了机载雷达对运动目标的检测性能。STAP技术通常需要足够多的独立同分布(independent identically distributed,IID)训练样本来估计杂波协方差矩阵，然而在实际环境中，由于地形变化、电磁环境复杂等因素，杂波在一定地域范围内的分布特性不均匀。因此，实际的机载雷达难以获得足够多的IID样本，进而会导致STAP性能的严重下降。目前，小样本、非均匀条件下机载雷达STAP已经成为了研究的热点问题。

近年来，不少学者将稀疏恢复(sparse recovery,SR)技术引入到STAP中。研究表明，杂波在整个空时二维平面的分布是稀疏的。因此，基于稀疏恢复的STAP方法首先采用SR算法对样本进行稀疏分解，然后采用稀疏恢复出的空时谱来构建杂波协方差矩阵，进而计算STAP权矢量，这类方法被称为SR-STAP技术。SR-STAP技术可以实现小样本、非均匀、非平稳条件下杂波抑制和运动目标检测。

但是，SR-STAP技术在构建STAP超完备字典时，一般通过均匀离散化空时平面的方式获得导向矢量，并且假定离散化后的空时网格点与杂波脊完全对准。然而实际情况下，杂波并不是恰好落在离散化的空时网格点上。因此，利用离散化得到的字典对样本数据进行稀疏恢复会导致计算误差，从而使得杂波协方差矩阵的估计精度严重下降，造成动目标检测误差，称为网格失配(off-grid)STAP问题。另外，如果样本数据中包含密集干扰，现有的SR-STAP方法容易导致动目标相消现象，降低了STAP的动目标检测性能。

发明内容

鉴于现有技术中存在的上述技术问题，本发明实施例提供一种基于知识辅助的稀疏恢复STAP方法，其能够解决现有基于稀疏恢复的STAP方法由于网格失配(off-grid)和样本中密集干扰的存在而导致的杂波协方差矩阵精确估计降低以及动目标检测性能下降的问题。

为了解决上述技术问题，本发明实施例采用了如下技术方案：

一种基于知识辅助的稀疏恢复STAP方法，包括如下步骤：

构建样本数据集；

构建距离单元样本的空时导向矢量矩阵；

对样本数据进行稀疏恢复；

构建包含先验信息的导向矢量矩阵；

基于包含先验信息的导向矢量矩阵，判断稀疏恢复的导向矢量是否对应于杂波，基于判断结果，对稀疏恢复向量和字典进行更新；

基于更新后的稀疏恢复向量和字典，对样本数据进行二次稀疏恢复；

利用二次稀疏恢复的估计样本进行杂波协方差矩阵估计。

进一步地，构建样本数据集，包括：