[发明专利]基于深度学习的机载雷达非均匀杂波抑制方法

说明书

本发明提供一种基于深度学习的机载雷达非均匀杂波抑制方法，包括：构建机载雷达阵元级杂波模型，生成各距离门空时数据集和杂波协方差矩阵数据集；构建深度神经网络，利用生成初始MVDR谱集合作输入数据集；将生成MVDR谱集合作输出数据集，对深度神经网络进行训练；将模数转换后的待检测距离门相邻的nsubgt;2/subgt;份距离门数据估计得到杂波MVDR空时谱，输入深度神经网络得到空时二维杂波谱；并结合空时导向字典重构待检测距离门数据的杂波协方差矩阵，结合目标空时导向矢量得到空时自适应权值，实现对机载雷达待检测距离门数据进行杂波抑制和目标积累处理；再进行恒虚警处理，完成对运动目标的检测。本发明能实现在实际非均匀条件下对杂波进行有效抑制，具有样本需求少、工程实现简单的特点。

技术领域

本发明涉及雷达信号处理技术领域，更具体地，涉及一种基于深度学习的机载雷达非均匀杂波抑制方法、机载雷达、存储介质。

背景技术

目前，以空中飞行的飞机为载体，对低空或超低空飞行目标的可视距离要比地基雷达远的多，大大增加了雷达所提供的预警时间和监控范围，且可灵活、快速地部署在需要的地方，因此机载雷达在预警、探测、警戒、侦察及精确打击等领域发挥了其它传感器不可替代的作用，成为我国打赢未来高技术条件下局部战争制胜的关键。

由于工作于下视状态，机载雷达面临比地基雷达更为严重的地(海)杂波问题，而且其杂波分布范围广、强度大，尤其在丘陵和山区地带，杂波强度可达60-90dB；同时，由于载机运动，不同方向的地(海)杂波相对于载机的速度不同，使杂波谱大大展宽，从而导致目标常淹没在杂波中，目标检测能力受到严重影响，因此杂波抑制问题成为机载雷达必须解决的问题。

目前主要采用空时自适应处理(STAP)技术通过在空域时域联合自适应滤波来抑制杂波，已经成为目前机载雷达抑制杂波最为有效和关键的技术。然而，空时自适应权值计算所需要的待检测距离单元的杂波协方差矩阵是未知的，因此需由该距离单元相邻距离单元的杂波数据(训练样本)经最大似然估计得到。据已有准则，确保杂波抑制性能损失小于3dB以内所需最小均匀训练样本数为两倍的系统自由度。

在实际杂波环境中，地理环境的空间变化(如海陆交界、平原与山地交界、城乡交界、植被)、人造的孤立强点(如桥梁、电线杆、市中心、铁塔、角反射器)固定杂波等都会导致杂波功率在距离上产生明显的变化。在这种复杂地貌环境下，杂波功率通常沿距离变化而发生变化，使得用于估计杂波协方差矩阵的均匀训练样本数严重不足，估计得到的杂波协方差矩阵与真实杂波协方差矩阵之间存在较大误差，从而导致机载雷达杂波抑制性能显著降低。

同时解决以上问题的方式有三大类，具体如下：

第一类是功率选择训练法(PST)，即利用非自适应或自适应的方法来选择功率较强的距离单元作为训练样本，估计杂波协方差矩阵，从而形成理想的杂波抑制凹口来抑制杂波。然而，由于杂波在距离上的相关性随距离增大而降低，采用这种方法选取的强杂波训练区域，如果距待检测距离单元较远，则由于其相关性较差而大大削弱杂波抑制能力。

第二类是直接数据域法(DDD)，即仅利用待检测距离单元数据通过平滑后形成多个样本来估计杂波协方差矩阵。该方法无需利用除待检测距离单元外其它距离单元数据作为样本，因此避免了由杂波非均匀带来的一系列问题。然而，平滑处理会导致较大的孔径损失。此外，由于要提前滤除待检测距离单元的目标信号，因此在存在阵元误差和通道误差等情况下，会发生由目标信号滤除不彻底引起的目标相消问题。