基于学习的空时自适应处理方法研究

摘要

空时自适应处理（Space Time Adaptive Processing，STAP）技术从空间和时间二维的角度出发，能够有效抑制杂波，检测出相对慢速的运动目标。然而，传统STAP方法估计干扰协方差矩阵时，要求有大量的辅助数据（Secondary Data），现实条件很难得到。其次，估计完干扰协方差之后要对该协方差矩阵求逆，实际中的阵元个数和一个相干处理时间内发射的脉冲个数均比较多，求逆过程会造成大量的运算量，极大的提高了对硬件设备的要求。为了解决STAP技术面临的问题，研究者们针对STAP算法使用了降维的手段，使得辅助数据数目要求和运算量均有所降低。
　　然而，目前并没有一种算法在所有环境条件下均能占得优势。在辅助数据数目受到限制的情况下，降维STAP（Reduced Rank STAP，RRSTAP）算法在提高性能的同时也会损失在空间或时间上的自适应。鉴于此，针对辅助数据受限的情况，本文做了以下工作：
　　1.研究了STAP算法的动目标模型、杂波模型、人为干扰模型和噪声模型，并针对传统STAP方法，用实验结果验证了在辅助数据满足RMB（Reed，Mallett，Brennan）准则下，该方法能够有效的检测动目标，而当辅助数据不满足RMB准则时，该方法不能正确的检测动目标。
　　2.研究了稀疏贝叶斯学习（Sparse Bayesian learning，SBL）的基本原理，并根据杂波在空间频率和归一化多普勒频率的稀疏性，将SBL和STAP方法结合，运用远少于传统STAP方法的辅助数据，即可估计协方差矩阵，检测动目标。另外，根据感兴趣距离门和周围辅助数据共享非零杂波支持(Clutter Support)的特点，研究了一种基于群稀疏贝叶斯（Group Sparse Bayesian learning，GSBL）的STAP方法，相较于SBL的方法而言，基于GSBL的STAP方法使用的辅助数据更少，并且运算量也更低。
　　3.研究了传统基于模式分类的STAP方法，包括基于线性最小二乘的STAP方法和基于二项式的STAP方法，并提出了一种基于Adaboost的STAP方法。经过理论分析和仿真实验发现，基于线性最小二乘的方法要求被检测动目标的能量较高，而基于二项式的方法相对而言对被检测动目标的要求要低。对于基于Adaboost的方法，该方法使用线性最小二乘方法作为弱学习模型，能够在较低能量下检测动目标，并且其输出性能相较于基于二项式的STAP方法要好。另外，从使用辅助数据量的角度来看，基于模型分类的STAP方法是传统STAP方法和基于GSBL的STAP方法的一种折中。

目录

声明

第一章 绪论

1.1 课题研究背景和意义

1.2 STAP技术的研究现状

1.3 本文工作安排

第二章 STAP基本原理和信号模型

2.1 引言

2.2 STAP信号模型

2.3 STAP算法的基本原理和权值计算

2.4 仿真和分析

2.5 本章小结

第三章 基于GSBL的STAP方法研究

3.1 引言

3.2 测量矩阵的构建与杂波表示

3.3 基于SBL的STAP方法

3.4 基于GSBL的STAP方法

3.5 仿真分析

3.6 本章小结

第四章 基于模式分类的STAP方法研究

4.1 引言

4.2 训练数据和目标矩阵的构建

4.3 基于模式分类的STAP方法

4.4 仿真分析

4.5 本章小结

第五章 总结与展望

5.1 本文工作总结

5.2 未来工作展望

致谢

参考文献

攻读硕士学位期间取得的成果