[发明专利]基于字典校正的空时自适应处理方法、装置及存储介质

说明书

本发明公开了一种基于字典校正的空时自适应处理方法、装置及存储介质，该方法包括：对空时导向字典进行初始化；通过迭代自适应算法估计所述空时导向字典中原子的功率，获取与杂波点最相关的空时向量原子；基于确定的所述空时向量原子，获取对应的真杂波多普勒频率；将确定的所述空时向量原子的多普勒频率替换为所述真杂波多普勒频率；通过迭代自适应算法进行全局迭代，获取与杂波脊匹配的原子，形成新的空时导向字典Θsupgt;(k+1)/supgt;。本发明能够有效缓解离网引起的杂波脊展宽问题，提高稀疏恢复STAP的杂波抑制性能；且不依赖确切的环境先验知识，算法性能对参数选择不敏感，仅需很少的训练样本就能精确地估计CNCM，大大降低计算复杂度和计算量。

技术领域

本发明涉及机载雷达运动目标检测技术领域，尤其涉及一种基于字典校正的空时自适应处理方法、装置及存储介质。

背景技术

空时自适应处理(Space-Time Adaptive Processing,STAP)技术可以实现机载雷达在强杂波背景下运动目标的检测。STAP滤波器的性能取决于被测单元中杂波加噪声协方差矩阵(Clutter-plus-noise Covariance Matrix,CNCM)的估计精度。通常使用与被测距离单元相邻的训练样本来估计CNCM。根据RMB(Reed-Mallett-Brennan)准则，需要至少为系统自由度的2倍的独立同分布训练样本，才能保持小于3dB的输出信杂噪比损耗(Signal toCutter plus Noise Ratio Loss，SCNRloss)。因此，传统的STAP算法通常需要足够的来自同质杂波环境的训练样本，但是雷达的工作环境复杂多变，传统的STAP方法在非均匀杂波环境中，会有明显的性能损失。

研究者以减少STAP算法所需的训练样本数为目的，提出了降维STAP、降秩STAP、模型参数化STAP以及平滑STAP等方法。降维STAP方法使用与杂波数据无关的线性变换，减少了训练样本数量，但是降维STAP方法存在系统自由度缺失，导致杂波抑制能力降低、最小可检测速度增大、系统误差容忍变差等问题。降秩STAP方法的性能通常依赖于秩的大小，实际环境中杂波秩缺少明确解析表达式而难以确定，且降秩方法的计算复杂度不一定会减少，导致其应用受到了限制。模型参数化STAP方法将杂波的空间时间二维分布模拟成多通道矢量自回归(Auto-Regressive,AR)模型，首先使用训练样本对AR模型参数进行估计，然后通过估计的AR模型参数建立STAP滤波器的权矢量，实现杂波抑制，该类算法所需的训练样本数量可以减少到AR模型阶数的2倍，但是算法中涉及的模型参数选择、计算复杂度等问题仍需要深入研究。平滑STAP方法使用平滑处理，增加了降低维度的协方差矩阵估计的稳定度，这类方法无法避免由于系统自由度损失而带来的杂波抑制性能的降低。

近年来，稀疏恢复(Sparse Recovery，SR)理论被应用到STAP中，形成了SR-STAP算法，仅需要少量训练样本就可以对杂波功率谱精确恢复，其理论恢复精度主要取决于空时导向矢量构成的字典以及稀疏恢复的具体方法。通常的SR-STAP算法中，字典是通过空时平面均匀离散化构成的，可能存在模型不匹配的问题，即真实杂波脊不在所构造字典的采样网格点上，离网问题会导致STAP滤波器性能的损失。将空间频率和多普勒频率离散的间隔减小，可以在一定程度上减轻离网问题的影响，但是空时导向字典的列相关性会增强，并且大大增加了计算量。

传统的IAA(Iterative Adaptive Approach，迭代自适应)-STAP方法通过信号的稀疏恢复(SR)，可以在少样本的条件下实现杂波功率谱的高分辨估计。然而，传统迭代自适应方法在稀疏恢复过程中并没有考虑字典的离网问题，会导致杂波加噪声协方差矩阵的估计精度下降，从而导致角度多普勒平面上杂波脊展宽(扩展)，杂波抑制性能降低。