【技术实现步骤摘要】
本专利技术涉及空时自适应处理杂波抑制领域，尤其涉及一种基于稀疏贝叶斯学习的稀疏字典校正空时自适应处理方法。
技术介绍
1、空时自适应处理(stap，space-time adaptive processing)是一种在机载雷达系统中广泛用于杂波抑制和目标探测的技术。当前，众多stap研究者致力于解决stap算法中的一个核心问题，即如何准确估计杂波协方差矩阵(ccm，clutter covariance matrix)。准确的ccm估计对于实现stap的有效杂波抑制至关重要。
2、根据著名的rmb(reed-mallett-brennan)准则，该准则支出，若使信杂噪比损失小于3db，则需要的辅助样本数量至少为系统自由度的两倍。由于受到天线阵列结构和复杂杂波环境等因素的限制，传统stap在获取足够均匀的训练样本支持方面存在挑战，导致待检测单元(cut)的ccm估计出现统计特性不匹配问题，从而损害了滤波的准确性。因此，如何在有限的样本情况下提高stap输出信杂噪比(scnr)已成为最近研究的热点问题。
3、为了应对训练样本不足的挑战，研究人员提出了多种部分自适应stap方法。这些方法包括降秩(rr)算法，如对角线加载方法、主成分方法、参数自适应匹配滤波器和多级维纳滤波器，它们可以将所需的样本数量减少到杂波秩的两倍。然而，降秩方法的性能受秩参数选择的影响，选择错误的秩将降低杂波抑制性能。此外，还有降维算法，如辅助信道处理方法、联合域局部化和扩展因子，它们可以将样本需求数量减少到降维系统的两倍自由度。最优通道方法
4、此外，稀疏恢复(sr)理论已成为解决这一问题的另一流行选择，因为它可以利用非常有限的观测样本来高精度重建快速变化的信号。在信号处理、图像处理、计算机视觉和模式识别等领域，sr理论已广泛应用。在雷达应用中，由于回波功率谱在空间-多普勒二维平面上呈现稀疏性，sr stap方法具有在训练样本不足的情况下准确恢复杂波轮廓的显著优势，因此成为stap研究领域的关注焦点。
5、综上所述，常规围绕杂波低维子空间的stap方法效果并不理想，因此，在减小二次数据依赖前提下，通过sr方法进一步提升ccm估计精度重大意义。
技术实现思路
1、本专利技术针对传统sr-stap方法的实施都基于不存在网格失配假设，杂波协方差矩阵估计失准与杂波抑制效果不理想的问题，提出一种基于稀疏贝叶斯学习的稀疏字典校正空时自适应处理方法，在杂波内部运动、阵列误差等非理想因素的影响下，能够仅依赖少数训练样本获取到相比于现有方法具有较强竞争力的优异性能。
2、本专利技术解决上述技术问题的技术方案如下：
3、本专利技术提供了基于稀疏贝叶斯学习的稀疏字典校正空时自适应处理方法，包括以下步骤：
4、步骤100.接收多通道雷达回波信号并进行脉冲压缩，预构造用于稀疏恢复的空时过完备字典，对脉冲压缩后的回波信号利用稀疏贝叶斯学习迭代恢复出稀疏系数矩阵；
5、步骤200.根据迭代恢复出稀疏系数矩阵，构建过完备字典的校正学习矩阵，通过设置字典原子的贡献评价函数，在贝叶斯框架下对过完备字典的校正矩阵进行参数迭代学习，实现字典原子的有效更新，直至达到迭代终止条件；
6、步骤300.利用学习后的校正矩阵构造最终的过完备字典，通过最终的过完备字典的稀疏系数矩阵估计杂波协方差矩阵，计算得到最优权矢量并进行杂波抑制。
7、进一步地，所述步骤100中包括：
8、步骤110.构造过完备字典d，所述过完备字典d包括k个字典原子；
9、将整个空间多普勒平面均匀离散为k个字典原子构成的过完备字典其中，d1,d2,...,dk为字典原子，字典原子个数k＝ns×nd＝ρsm×ρdn，ρs为空间频率，ρd为多普勒频率的分辨率尺度，m为天线阵元数量，n为相干处理间隔内的脉冲数量；
10、l个辅助距离单元的回波数据y＝[y1,y2,...,yl]表示为字典原子的稀疏线型组合：
11、y＝da+no；
12、其中，为待恢复的稀疏系数矩阵，a1,a2,...,al为稀疏系数，y1,y2,...,yl为回波向量；no表示附加误差或者噪声，l表示辅助距离单元的个数；
13、假设稀疏系数矩阵存在稀疏解，稀疏系数矩阵a由以下近似问题描述：
14、
15、其中，||·||2，0表示混合l2,0-范数，||·||f表示f-范数，ξ为误差容限；
16、步骤120.依赖于多观测向量模型，松弛l2,0-范数得到：
17、
18、其中，||·||2，1为l2,1范数；
19、假设噪声no功率为δ2且服从零均值复高斯分布，得到雷达接收阵列回波信号的似然函数：
20、
21、
22、上式中，d表示过完备字典；δ-2表示噪声功率的倒数，p(y|a；δ2)表示矩阵y的似然函数，p(yl|al；δ2)表示yl的似然函数；
23、为稀疏系数向量al赋予零均值复高斯先验，假设al,l＝1,2,...,l相互独立且服从同分布，则稀疏系数矩阵a的先验分布服从：
24、
25、
26、其中，λ＝diag(γ)表示al的协方差矩阵，有γ＝[γ1,γ2,...,γk′]，det(·)表示行列式操作，p(a；λ)表示稀疏系数矩阵a的先验分布，p(al；λ)表示稀疏系数al的先验分布；
27、结合似然函数和a的先验分布，由贝叶斯准则能够得到a的后验分布p(a|y；λ,σ2)：
28、
29、其中，p(y；λ,σ2)表示归一化因子；
30、归一化因子p(y；λ,σ2)为固定值并将其忽略，p(a|y；λ,σ2)服从均值为μa,协方差矩阵σa的复高斯分布：
31、
32、σa＝(δ-2dhd+λ-1)-1；
33、其中，
34、σy＝δ2i+dλdh；
35、其中，为单位矩阵，引入woodbury矩阵恒等式，得到
36、σa＝λ-λdh(δ2i+dλdh)-1dλ；
37、
38、步骤130.当超参数λ和δ2已知时，a的最大后验估计就是后验均值：
39、
40、采用期望最大化迭代方法对未知超参数λ中元素和δ2进行估计：
41、
42、
43、其中，表示在本次迭代中对λ对角线元素的更新，表示在上次迭代中对λ对角线元素的更新，表示在本次迭代中本文档来自技高网...
【技术保护点】
1.基于稀疏贝叶斯学习的稀疏字典校正空时自适应处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于稀疏贝叶斯学习的稀疏字典校正空时自适应处理方法，其特征在于，所述步骤100中包括：
3.根据权利要求2所述的基于稀疏贝叶斯学习的稀疏字典校正空时自适应处理方法，其特征在于，所述步骤200中包括：
4.根据权利要求3所述的基于稀疏贝叶斯学习的稀疏字典校正空时自适应处理方法，其特征在于，所述步骤200中还包括：
5.根据权利要求4所述的基于稀疏贝叶斯学习的稀疏字典校正空时自适应处理方法，其特征在于，所述步骤300中具体包括：
【技术特征摘要】
1.基于稀疏贝叶斯学习的稀疏字典校正空时自适应处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于稀疏贝叶斯学习的稀疏字典校正空时自适应处理方法，其特征在于，所述步骤100中包括：
3.根据权利要求2所述的基于稀疏贝叶斯学习的稀疏字典校正空时自适应处理方...
【专利技术属性】
技术研发人员：国强，刘立超，戚连刚，王亚妮，卡柳日内·尼古拉，斯捷潘·阿纳托利耶维奇·杜帕利，弗拉基米尔·图兹，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。