[發明專利]一種基于稀疏貝葉斯學習的字典失配雜波空時譜估計方法

有效

• 申請號: 202011264444.8
• 申請日: 2020-11-13
• 公開（公告）號: CN112415476B
• 公開（公告）日: 2023-01-10
• 發明（設計）人: 章濤;孫剛;張亞娟
• 申請（專利權）人: 中國民航大學
• 主分類號: G01S7/02
• 分類號: G01S7/02;G01S7/292;G06N7/00
• 代理公司: 天津諾德知識產權代理事務所(特殊普通合伙) 12213
• 代理人: 欒志超

一種基于稀疏貝葉斯學習的字典失配雜波空時譜估計方法。其包括建立包含失配誤差的動態空時導向矢量字典；字典失配誤差期望最大化迭代估計；建立字典失配誤差進行補償后的雜波稀疏恢復模型；存在字典失配情況下的雜波空時功率譜稀疏貝葉斯估計等階段。本發明提供的估計方法首先利用二維泰勒級數建立空時動態字典模型，然后將字典失配誤差作為待估超參數構建貝葉斯稀疏恢復模型，并利用失配誤差估計值對空時導向矢量字典進行修正，最后利用修正后的空時導向矢量字典進行雜波協方差矩陣稀疏恢復，進而計算雜波空時譜。本發明具有在存在字典失配情況下雜波譜稀疏恢復精度高的優點。

技術領域

本發明屬于機載陣列雷達空時自適應處理雜波抑制領域，特別是涉及一種基于稀疏貝葉斯學習的字典失配雜波空時譜估計方法。

背景技術

空時自適應處理(Space-Time Adaptive Processing，STAP)是機載陣列雷達抑制雜波的一種有效方法。STAP的雜波抑制性能主要取決于雜波協方差矩陣(Clutter-plus-noise Covariance Matrix，CCM)的估計精度。傳統STAP方法采用統計估計的方法獲得CCM的估計值，若需保證輸出信雜比相較最優值下降不超過3dB，則至少需要系統自由度2倍數量的獨立同分布(Independent Identically Distributed，IId)雜波樣本。然而在實際系統中，當雜波呈現非平穩或非均勻特性時，很難獲得足夠的IID樣本，進而使得STAP雜波抑制性能嚴重損失。

近年來，稀疏恢復方法在信號處理領域快速發展。由于稀疏恢復方法的超分辨性，可以在無自由度損失的情況下進行降維處理，已成為機載雷達雜波抑制的研究熱點。目前比較有代表性的雜波空時譜稀疏恢復方法包括：文獻提出了利用范數最小化實現空時譜稀疏恢復的凸優化方法。文獻利用基于范數(0＜p＜1)的非凸優化欠定系統局部解(Focal Underdetermined System Solution，FOCUSS)方法進行雜波譜稀疏恢復。文獻針對稀疏恢復中正則化參數難以確定的問題，利用稀疏貝葉斯學習(Sparse BayesianLearning，SBL)進行雜波譜稀疏恢復。上述稀疏恢復STAP方法在正側視陣不存在字典失配的情況下只需要3-6個雜波樣本的聯合稀疏恢復，便可以較精確的恢復雜波譜，獲得較好的STAP處理性能。

稀疏恢復STAP方法將雜波信號看作在某些已知基向量下是稀疏的，這些基向量被稱為稀疏恢復字典。由于字典是有限且離散的，稀疏恢復時雜波譜連續參數空間需要進行離散化處理。離散化的字典與連續的雜波譜參數間的誤差問題被稱作字典失配問題，嚴重影響稀疏恢復效果。在正側視陣情況下，若稀疏恢復空時平面網格劃分與雜波脊斜率不匹配，或是當陣列為非正側視架設，雜波脊呈曲線形式時，則雜波大多不會位于預先離散化的空時平面網格點上，字典失配將嚴重影響稀疏恢復STAP的雜波抑制性能。雖然一些方法利用先驗知識通過增加離散化的字典網格劃分密度來減少字典失配誤差，但是過于密集的字典網格會導致字典中基向量的相關性過強，從而降低稀疏恢復的性能。

目前針對雜波空時譜稀疏恢復中二維離散參數字典失配問題的研究還比較少，且有一定的適用局限性。例如，BAI在2013年首次提出了雜波空時譜估計中字典失配問題，并給出了一種利用字典學習的失配補償方法，但該方法僅適用于正側視陣情況。DUAN提出了利用載機平臺運動參數獲得雜波脊先驗信息后細化字典間隔來解決字典失配問題的方法，但這種方法依賴載機平臺傳感器，有些情況并不適用。BAI提出了基于正交匹配追蹤(Orthogonal Matching Pursuit，OMP)的方法，通過梯度下降方法尋找與真實模型匹配的字典向量來解決字典失配問題，但OMP方法的性能對參數選擇依賴性較高。但到目前為止尚未發現基于稀疏貝葉斯學習的字典失配雜波空時譜估計方法方面的報道。

發明內容

為了解決上述問題，本發明的目的在于提供一種基于稀疏貝葉斯學習的字典失配雜波空時譜估計方法。

為了達到上述目的，本發明提供的一種基于稀疏貝葉斯學習的字典失配雜波空時譜估計方法方法包括按順序進行的下列步驟：