[发明专利]沿杂波脊快速收敛稀疏贝叶斯的杂波抑制方法

说明书

本发明属于雷达技术领域，公开了一种沿杂波脊快速收敛稀疏贝叶斯的杂波抑制方法，通过先验知识和直接数据域算法联合估计杂波脊，最大程度上获得杂波脊的位置，确保不遗落杂波信息，结合杂波脊对超完备字典矩阵进行网格点选取重构字典矩阵，利用快速收敛稀疏贝叶斯算法对空时谱进行稀疏恢复，在容许杂波抑制性能下降的范围内减少了运算量，提高了运算速度，更适合在实时自适应处理中采用。

技术领域

本发明属于雷达技术领域，具体涉及一种沿杂波脊快速收敛稀疏贝叶斯的杂波抑制方法。

背景技术

随着压缩感知技术的兴起，稀疏表示技术在雷达技术领域中也展现出了巨大的潜力，该技术的核心是利用信号的稀疏特性，通过在基矩阵中使用最少的取样点实现对信号的线性表示，能够在小样本的条件下实现对杂波谱的稀疏恢复。采用稀疏恢复技术去抑制杂波通常包含两个步骤：一是建立字典矩阵对训练样本数据进行稀疏表示；二是根据稀疏表示构造杂波加噪声协方差矩阵(CCM)，并利用CCM设计STAP滤波器。大多数的稀疏恢复算法需要一个或多个精确的系统参数，不精确的系统参数会严重影响稀疏恢复的准确性，进而降低杂波抑制性能。

稀疏贝叶斯收敛算法是由Tipping在2001年提出的一种稀疏恢复算法，算法的核心思想是假设稀疏系数矢量服从某一稀疏先验分布，联合先验信息和观测得到的数据，利用最大后验估计系数向量或系数矩阵。将稀疏贝叶斯收敛算法应用到STAP算法中，将空时谱等距划分网格点，网格点之间相互独立，网格点对应的稀疏系数服从复高斯先验分布。相比较传统的稀疏算法，稀疏贝叶斯收敛算法具有其他算法所不具备的优势：1.在无噪声情况下，稀疏贝叶斯收敛算法获得的真实解为最稀疏的解，不需要满足一些严格的条件，但大多数稀疏恢复算法做不到这点；2.当字典元素间的相关性很强时，稀疏贝叶斯收敛算法仍适用于这种条件。稀疏贝叶斯收敛算法本质上是迭代加权L₁最小化算法，需要重复迭代取得最稀疏的解，计算成本较大。稀疏贝叶斯收敛算法利用稀疏解的结构信息不停地迭代来提高稀疏恢复的精度，直至收敛才停止迭代。正因如此，稀疏贝叶斯收敛算法受结构信息的影响比较大，先验参数的准确性直接关系到稀疏贝叶斯收敛算法的精度，先验参数不精确的直接结果会极大地降低稀疏贝叶斯收敛算法的稀疏恢复精度。

发明内容

为了解决上述稀疏贝叶斯收敛算法先验参数不精确导致稀疏恢复精度下降的问题，本发明的目的是提出一种沿杂波脊快速收敛稀疏贝叶斯杂波抑制方法，可利用有限的训练样本进行空时处理实现杂波抑制，可以显著降低训练样本数量需求，减少了运算量，提高了运算速度，更适合在实时自适应处理中采用。

本发明的技术原理为：通过先验知识和直接数据域算法联合估计杂波脊，最大程度上获得杂波脊的位置，确保不遗落杂波信息，结合杂波脊对超完备字典矩阵进行网格点选取重构字典矩阵，利用快速收敛稀疏贝叶斯算法对空时谱进行稀疏恢复，在容许杂波抑制性能下降的范围内减少了运算量，提高了运算速度，更适合在实时自适应处理中采用。

为了达到上述目的，本发明采用以下技术方案予以解决。

沿杂波脊快速收敛稀疏贝叶斯的杂波抑制方法，包括以下步骤：

步骤1，通过先验知识和直接数据域算法联合估计杂波脊位置，根据所述杂波脊位置对超完备字典矩阵进行网格点选取重构字典矩阵D；

步骤2，根据所述字典矩阵D得到正侧视阵构型下雷达接收到的杂波数据x；

步骤3，求解所述雷达接收到的杂波数据x的似然函数，通过稀疏贝叶斯迭代方法来先求解系数向量的后验概率密度函数，从而得到均值和方差，再采用期望最大化算法得到超参数向量的估计值，最终通过估计的超参数向量得到系数向量估计值；

步骤4，根据所述系数向量估计值得到杂波加噪声协方差矩阵计算空时自适应滤波处理在稀疏贝叶斯迭代方法下的权向量以及在正侧视阵下雷达杂波抑制改善因子，以此来衡量正侧视阵雷达杂波谱的稀疏恢复效果。

本发明技术方案的特点和进一步的改进为：