机载雷达空时自适应处理方法研究

哈尔滨工业大学工学硕士学位论文

第一章绪论 (1)

1.1研究背景及意义 (1)

1.2国内外研究现状 (2)

1.3本文的主要内容及工作安排 (3)

第二章机载雷达地杂波模型及仿真 (4)

2.1机载雷达的杂波模型 (4)

2.1.1机载雷达回波的几何关系 (4)

2.1.2雷达杂波的幅度分布模型 (5)

2.1.3杂波单元的后向散射系数 (6)

2.1.4天线方向图对杂波的调制 (7)

2.2 机载雷达地杂波仿真方法 (8)

2.2.1网格映象法 (8)

2.2.3回波叠加 (8)

2.3地杂波仿真 (10)

2.3.1正侧视杂波 (11)

2.3.2斜侧视杂波 (12)

2.3.3正前视杂波 (12)

2.4本章小结 (15)

第三章STAP降维算法及改进 (16)

3.1空时联合处理方法 (16)

3.1.1STAP处理数据模型 (16)

3.1.2STAP算法流程 (18)

3.1.3 STAP处理结果 (19)

3.1.4STAP算法降维的必要性 (21)

3. 3 直接数据域处理算法 (22)

3. 3.1 目标信号的剔除 (22)

3. 3.2 直接数据域处理 (23)

3.4 局域联合处理算法及其改进 (24)

3.4.1JDL算法原理 (24)

3.4.2目标保护原理 (26)

3.4.3 局域选取策略 (27)

3.4.4基于先验知识的JDL方法 (30)

3.5 m-DT处理算法 (35)

3.6 算法性能的综合对比 (36)

本章小结 (38)

第四章非均匀环境下样本选择策略 (39)

-III-

哈尔滨工业大学工学硕士学位论文

4.1.1 功率非均匀 (39)

4.1.2干扰目标 (39)

4.1.3 孤立干扰 (39)

4.1.4阵列摆放造成的非均匀 (39)

4.2几种常用的样本选择策略 (40)

4.2.1广义内积检测器 (40)

4.2.2自适应功率剩余检测器 (43)

4.2.3功率选择训练法 (46)

4.2.4 杂波分段 (48)

4.3改进的自适应功率剩余算法 (53)

4.3.1 处理流程 (53)

4.3.2 处理结果 (53)

4.4改进的加权协方差矩阵估计 (54)

本章小结 (57)

结论 (59)

参考文献 (61)

攻读硕士学位期间发表的论文及其它成果 (64)

哈尔滨工业大学学位论文原创性声明和使用权限 ...........错误!未定义书签。致谢 (66)

-IV-

哈尔滨工业大学工学硕士学位论文

第一章绪论

1.1研究背景及意义

空时自适应处理（Space-Time Adaptive Processing，简称STAP）是一种主要用来抑制机载雷达地杂波的处理方法。对于运动的雷达平台来说，地杂波有一定的角度-多普勒耦合，所以进行空时二维联合滤波比空时级联滤波效果要好。STAP是基于空域和时域二维自适应处理的滤波技术，在杂波出现的位置自适应地形成凹陷，有效的抑制杂波。

然而，二维处理器所需的运算量是非常大的，由于空时联合后系统自由度大大增加，协方差矩阵求逆过程中运算量很大，所以STAP方法的应用只能用于非常小的阵列规模。此外，要对杂波信息进行有效滤除，用来估杂波计协方差矩阵的训练样本数L需要约为2~3倍NM，然而实际情况中，杂波中包含非常多的非均匀情况，难以满足独立同分布的条件，因此很难有足够的训练样本来满足STAP算法的需求，这给STAP应用于实际环境中带来很大的困难，因此如何降低杂波自由度是目前研究的一个热点。

降维STAP有很多种实现方法，比如空时多波束方法、直接数据域处理法（Direct Data Domain，简称D3）和局域联合处理方法(Joint Domain Localized–JDL)以及m-DT方法。其中JDL算法和m-DT算法主要思想就是利用转换矢量T 把数据从空时域转换到变换域，如角度多普勒域或波束多普勒域，并选取一个合适的包含目标的局域来进行处理，该算法针对平稳杂波有较好的抑制作用。直接数据域处理方法是由William AGardner首先提出来的，该算法只在一个快拍数据上进行处理，亦即在某个时刻，N个阵元中每个子阵收到的数据。D3算法，通过在相邻的数据之间的差值构造空时残余矩阵，来求解自适应权值。D3算法不同于传统的STAP统计算法，不需要估计样本的杂波协方差矩阵。适合非平稳杂波的滤除。

多数STAP方法是基于统计进行的，这就需要对杂波的统计特性进行估计，然而很多情况中，杂波并不是均匀的，这就需要对杂波样本进行筛选，涉及到样本选择策略的问题。常规的非均匀检测器包括功率选择训练法、基于广义内积的检测器和基于杂波功率剩余的检测器等，各类非均匀检测器适用于不同的环境。此外，对协方差矩阵进行加权训练也是当前一个比较热门的问题，也有人提出了利用同种策略反复迭代剔除的方法，但其改进性能的同时也会大大增加计算量。

-1-