郭佳佳 廖桂生 楊志偉 杜文韜

(西安電子科技大學雷達信號處理國家重點實驗室 西安 710071)

1 引言

由于存在地雜波的干擾，機載下視雷達對慢速運動目標的檢測能力較差，而空時自適應處理(STAP)能夠有效地分離雜波與目標信號。最優(yōu)STAP處理需要準確地知道待檢測單元雜波的空時協(xié)方差矩陣。在實際情況中，雜波協(xié)方差矩陣是未知的，通常需要估計獲得。而且，雜波環(huán)境往往是非均勻的[1,2]，一方面是由于地形本身的特點[3]；另一方面是由陣列的幾何結(jié)構(gòu)造成[4]。此時，不同距離門的雜波樣本不再滿足獨立同分布條件，且難以獲得兩倍以上自由度的均勻樣本數(shù)，利用最大似然方法估計獲得的雜波協(xié)方差矩陣與待檢測單元的失配，使STAP性能下降[5]。

針對非均勻雜波造成的STAP性能下降問題，目前主要有3類解決方法：第1類是采用降維(RD)或降秩(RR)變換[6]降低自適應處理器的系統(tǒng)自由度，緩解對訓練樣本數(shù)的要求，提高了自適應算法的收斂速度；第2類是尋求統(tǒng)計的方法選取與待檢測單元統(tǒng)計相似的訓練單元，典型方法如廣義內(nèi)積(GIP)[7,8]、關聯(lián)維數(shù)[9]等；第 3類是在算法設計過程中利用先驗信息[10,11]，如結(jié)合先驗知識和貝葉斯模型的方法[5,12]，但該類方法的性能依賴于先驗知識及其精確程度。當先驗知識及其精確程度不足時該類方法性能下降[13]。

在不依賴于先驗知識且簡單可行的前提下，上述第2類方法中基于GIP的樣本挑選方法獲得了廣泛應用。傳統(tǒng)GIP方法[7,14,15]需要初始化所謂的“均勻”雜波協(xié)方差矩陣進行樣本挑選，但是在非均勻環(huán)境下，模型失配導致樣本篩選不合理，協(xié)方差估計性能下降。文獻[16]提出的迭代GIP方法也只是重復利用GIP進行樣本篩選，通常會導致最終可用樣本不足，且同樣依賴于初始均勻雜波的協(xié)方差矩陣。文獻[17]提出了依據(jù)廣義內(nèi)積值與理論均值的距離對樣本進行自適應加權(quán)的協(xié)方差矩陣估計方法，能緩解可用樣本不足的問題。但是，該方法需要選取相對均勻的場景來估計初始協(xié)方差矩陣，若初始協(xié)方差矩陣存在誤差，加權(quán)值無法正確反映樣本的非均勻程度，協(xié)方差矩陣估計精度下降。

為了解決上述問題，本文提出利用GIP迭代加權(quán)的空時協(xié)方差矩陣估計方法。該方法利用廣義內(nèi)積值與其統(tǒng)計均值的差距對所有訓練樣本進行自適應的加權(quán)處理，并采用迭代的方式更新權(quán)值，從而避免了樣本剔除帶來的潛在性能下降的問題。同時為了緩解非均勻樣本的廣義內(nèi)積值對廣義內(nèi)積均值的影響，本文采用建立廣義內(nèi)積值概率分布直方圖的方式對參與計算廣義內(nèi)積均值的樣本進行自適應的選擇。仿真結(jié)果表明本文方法在非均勻環(huán)境下具有良好的協(xié)方差估計性能。

2 信號模型

圖1為機載陣列雷達正側(cè)視示意圖。載機沿X軸飛行，速度為v，高度為H。雷達天線是由N個陣元組成的均勻線陣，陣元間隔為半波長，以原點處的陣元作為參考，其它陣元與其距離分別表示為β和θc分別表示雜波地塊相對于陣列的方位角，俯仰角和空間錐角。

設一個相干處理間隔(CPI)內(nèi)，每個陣元接收脈沖數(shù)為K。則每個距離單元雷達接收的回波數(shù)據(jù)可以表示為

圖1 正側(cè)視示意圖

其中H表示共軛轉(zhuǎn)置，R為雜波協(xié)方差矩陣，s為信號的空時導向矢量。

式(2)中，協(xié)方差矩陣R一般是未知的，需要通過估計獲得。在實際的情況中，由于密集目標干擾、海陸交界等復雜的因素，STAP涉及的檢測環(huán)境往往是非均勻的。這時，基于極大似然方法估計的協(xié)方差矩陣存在誤差，進而導致利用式(2)進行空時處理時，STAP性能下降。因此，非均勻環(huán)境下準確估計雜波協(xié)方差矩陣是應用空時自適應處理的關鍵。

3 加權(quán)迭代方法

針對非均勻雜波環(huán)境下的相關矩陣估計問題，采用基于廣義內(nèi)積值的樣本挑選方法及其改進的迭代方法能夠緩解樣本污染問題，提高雜波協(xié)方差矩陣的估計精度。不過，此類方法依賴雜波協(xié)方差矩陣的初始估計值，如果初始估計值存在較大誤差，則難以挑選出有效樣本；此外，空時自適應處理需要大量的訓練樣本來精確地估計雜波協(xié)方差矩陣，簡單地剔除方法將減少訓練樣本的個數(shù)，造成檢測性能下降。

為解決上述問題，下面采用加權(quán)方式來估計協(xié)方差矩陣，為便于分析，這里假設環(huán)境由兩部分區(qū)域組成。

由式(5)知，最優(yōu)權(quán)的分子只與均勻樣本有關，在樣本一定時，最優(yōu)權(quán)與非均勻程度成反比。從而可以得出非均勻程度越大，非均勻樣本所加的權(quán)值應越小。

由文獻[7]知，廣義內(nèi)積值與廣義內(nèi)積均值的差距越大非均勻性越強，且在有限樣本下，廣義內(nèi)積的均值不再是理論均值[13]。

經(jīng)過上述分析，本文利用樣本廣義內(nèi)積值與其統(tǒng)計均值的差距對所有樣本進行變加權(quán)處理，降低相對“非均勻”樣本在雜波協(xié)方差矩陣中的比重，從而改善樣本剔除造成的估計精度下降問題。為緩解非均勻的“壞點”對廣義內(nèi)積統(tǒng)計均值的影響，本文通過建立廣義內(nèi)積直方圖來輔助計算廣義內(nèi)積統(tǒng)計均值?？紤]到有限樣本數(shù)下協(xié)方差矩陣估計存在誤差，本文采用迭代模式進一步地提高雜波協(xié)方差矩陣的估計精度。本方法的流程圖如圖2所示：

下面詳細介紹本文方法的主要步驟：

(1)設置初始協(xié)方差矩陣： 使用傳統(tǒng)的樣本協(xié)方差矩陣(SCM)方法估計初始雜波協(xié)方差矩陣：

其中M為總的訓練樣本個數(shù)。

圖2 算法流程圖

(2)計算廣義內(nèi)積值并統(tǒng)計其概率分布情況：首先利用獲得的協(xié)方差矩陣計算各個樣本單元的廣義內(nèi)積值zi：

其中是第j次迭代獲得的雜波協(xié)方差矩陣，初始迭代計算時利用矩陣。

然后通過直方圖統(tǒng)計獲得廣義內(nèi)積值的概率分布P(zi),i= 1 ,2,… ,M。

(3)計算權(quán)值：所有樣本的權(quán)值是通過計算其廣義內(nèi)積值與廣義內(nèi)積均值之間的差距獲得的，因此合理權(quán)值的關鍵在于獲得反映均勻數(shù)據(jù)的廣義內(nèi)積均值。

一般情況下，可認為訓練樣本中均勻數(shù)據(jù)占主要部分，非均勻數(shù)據(jù)相對較少，同時由于均勻數(shù)據(jù)的廣義內(nèi)積值近似程度較高，與非均勻數(shù)據(jù)的廣義內(nèi)積值有著明顯的差異，因此在廣義內(nèi)積值的統(tǒng)計概率分布中，均勻數(shù)據(jù)的概率應大于非均勻數(shù)據(jù)。

根據(jù)上述分析，為獲得合理的廣義內(nèi)積均值，避免非均勻樣本的廣義內(nèi)積值對均值的影響，僅使概率大的樣本參與均值的計算。

綜上，本文采用GIP概率直方圖對樣本數(shù)據(jù)自適應加權(quán)迭代方法，提高了協(xié)方差矩陣的估計精度，改善系統(tǒng)的檢測性能。

4 仿真實驗

下面通過計算機仿真來驗證本文方法的有效性。仿真參數(shù)設置為：天線陣為8個陣元的正側(cè)視理想均勻線陣，陣元間距d=λ/2，機載高度H=8 km，機載的速度v=140 m/s，雷達工作波長λ=0.23 m，相干時間內(nèi)的脈沖數(shù)K=8，雷達的重復頻率fr=2500 Hz。

為分析方法性能，首先給出輸出信雜噪比(SCNR)的計算式：

式中Rs為目標信號的協(xié)方差矩陣，Rcn為雜波加噪聲的協(xié)方差矩陣。定義輸出SCNR損失為自適應處理輸出SCNR與最優(yōu)權(quán)處理輸出SCNR最大值的差。

仿真對比了文獻[17]方法和傳統(tǒng)GIP方法[7,8]，其中將文獻[17]的方法記為一次加權(quán)算法。傳統(tǒng)GIP方法是通過雜波單元 GIP與理論均值進行比較，剔除偏離均值較大的樣本。

(1)連續(xù)非均勻場景 非均勻的樣本由來自 4個不同雜波區(qū)域的數(shù)據(jù)組成。樣本個數(shù)為 640，其中各個區(qū)域所占比例分別為0.55, 0.10, 0.20, 0.15；雜噪比分別為35 dB, 45 dB, 60 dB, 60 dB。各個區(qū)域的雜波協(xié)方差矩陣不同，分別表示為R1,R2,R3,R4，其中R1與待檢測單元的雜波協(xié)方差矩陣相同。對R1添加擾動產(chǎn)生其它3個區(qū)域的協(xié)方差矩陣i= 2 , 3, 4，其中⊙表示Hadamard矩陣乘積，ti表示高斯隨機矢量，均值為1，方差分別為0.1, 0.4, 1.0。各區(qū)域雜波數(shù)據(jù)由式(12)產(chǎn)生。

其中Ri為雜波協(xié)方差矩陣，v為復高斯隨機矢量(滿足均值為0，協(xié)方差矩陣為單位陣I)。

圖4是一次加權(quán)方法和本文方法收斂時各區(qū)域的權(quán)值分布對比圖。分別對樣本進行編號，1~352為第1區(qū)域，353~416為第2區(qū)域，417~544為第3區(qū)域，545~640為第4區(qū)域。圖4(a)顯示一次加權(quán)方法雖然利用了所用樣本，但是第2區(qū)域和第3區(qū)域的權(quán)值均大于第1區(qū)域。可見，一次加權(quán)方法不能有效地根據(jù)樣本的非均勻程度進行差別加權(quán)。在圖4(b)中第2區(qū)域的權(quán)值小于第1區(qū)域，第3區(qū)域和第4區(qū)域的權(quán)值則明顯小于第1區(qū)域，即非均勻程度越大加權(quán)值越小，說明本文方法能夠有效地對樣本進行差別加權(quán)。

圖5給了輸出SCNR損失隨歸一化多普勒頻率變化的曲線。圖5中，傳統(tǒng)GIP方法的性能略差于SCM方法，這是由大量的剔除樣本和不合理的樣本選擇造成的。一次加權(quán)方法和SCM方法性能近似。而本文方法可以有效地改善協(xié)方差的估計精度，減少性能損失。

圖6是非均勻程度與本文方法迭代收斂次數(shù)之間的關系。橫坐標表示非均勻樣本與均勻樣本的雜噪比之差；縱坐標表示非均勻樣本占總樣本數(shù)量的比例，基于均勻樣本占主要部分的原則，縱坐標最大值應小于 0.5。由圖 6可知，當非均勻樣本數(shù)增大時，迭代收斂次數(shù)增加。在非均勻樣本數(shù)一定時，迭代次數(shù)隨著非均勻樣本的CNR的增加略有減少。這是因為當非均勻樣本的CNR增加時，非均勻樣本的廣義內(nèi)積值偏離廣義內(nèi)積均值的差距變大，其權(quán)值更小，協(xié)方差矩陣收斂更快。

(2)離散的非均勻場景 陣列回波快拍中存在多個類目標而形成離散非均勻場景。設有201個距離單元，11個目標點。目標離散地等距離地分布在距離單元56至156之間，信噪比依次遞增。目標信號歸一化多普勒頻率2fd/fr在0.4左右取值，目標空間角cosθc= 0 。雜噪比為40 dB。

圖3 加權(quán)迭代方法收斂曲線

圖4 一次加權(quán)方法和迭代加權(quán)方法權(quán)值分布對比

圖7給出的是本文方法收斂時各距離單元的樣本權(quán)值。仿真時以中間目標所處的距離單元為待檢測單元?？梢钥吹剑?0個存在干擾的距離單元樣本的權(quán)值相對非常小，且隨著干擾強度的增大而減小，達到了依據(jù)非均勻樣本非均勻程度加權(quán)的效果。

圖8為輸出SCNR損失曲線。仿真結(jié)果表明傳統(tǒng)的GIP方法在歸一化多普勒頻率0.2~0.6處出現(xiàn)很大的輸出SCNR損失。圖8中本文方法的性能和最優(yōu)處理的性能近似，可以得到很好的輸出效果。

5 總結(jié)

雜波協(xié)方差矩陣估計是空時自適應處理的關鍵。在非均勻的環(huán)境下，基于最大似然的樣本協(xié)方差矩陣估計方法不再適用。針對非均勻環(huán)境下的雜波協(xié)方差矩陣的估計問題，本文在建立GIP概率分布直方圖的基礎上提出迭代加權(quán)的協(xié)方差估計方法。通過計算樣本廣義內(nèi)積值與其統(tǒng)計均值的差距對所有樣本進行加權(quán)處理，并通過迭代的方式提高雜波協(xié)方差矩陣的估計精度，有效解決了基于GIP樣本篩選方法存在的潛在性能下降的問題。仿真結(jié)果表明本文方法在非均勻環(huán)境中可以得到很好的協(xié)方差矩陣估計性能。

圖5 輸出SCNR損失對比

圖6 非均勻程度與迭代收斂次數(shù)之間的關系

圖7 迭代收斂時各距離單元的樣本權(quán)值

圖8 傳統(tǒng)GIP方法和本文方法的性能比較

[1] Melvin W L. A STAP overview[J].IEEE Aerospace Electronic Systems Magazine, 2004, 19(1): 19-35.

[2] 周宇, 張林讓, 劉楠, 等. 非均勻環(huán)境下利用雜波脊信息的雜波濾除方法研究[J]. 電子與信息學報, 2010, 32(6): 1332-1337.Zhou Yu, Zhang Lin-rang, Liu Nan,et al.. Study on exploring knowledge of the clutter ridge for clutter suppression in heterogeneous environments[J].Journal of Electronics&Information Technology, 2010, 32(6): 1332-1337.

[3] Besson O, Bidon S, and Tourneret J Y. Covariance matrix estimation with heterogeneous samples[J].IEEE Transactions on Signal Processing, 2008, 56(3): 909-920.

[4] Bidon S, Besson O, and Tourneret J Y. A bayesian approach to adaptive detection in nonhomogeneous environments[J].IEEE Transactions on Signal Processing, 2008, 56(1):205-217.

[5] Reed I S, Mallett J D, and Brennan L E. Rapid convergence rate in adaptive arrays[J].IEEE Transactions on Aerospace and Electronic Systems, 1974, 10(6): 853-863.

[6] Fa Rui and de Lamare R C. Reduced-rank STAP algorithms using joint iterative optimization of filers[J].IEEE Transactions on Aerospace and Electronic Systems, 2011,47(3): 1668-1684.

[7] Melvin W L and Wicks M C. Improving practical space-time adaptive radar[C]. IEEE National Radar conference on Aerospace and Components, Syracuse, NY, 1997: 48-53.

[8] Yang Xiao-peng, Liu Yong-xu, Hu Xiao-na,et al.. Robust generalized inner products algorithm using prolate spheroidal wave functions[C]. Radar Conference(RADAR)on Aerospace, Components and Signal Processing, Atlanta,GA, 2012: 581-584.

[9] Wang Yong-liang, Chen Jian-wen, Bao Zheng,et al.. Robust space-time adaptive processing for airborne radar in nonhomogeneous clutter environments[J].IEEE Transactions on Aerospace and Electronic Systems, 2003,39(1): 70-81.

[10] Zhu Xu-min, Li Jian, and Stoica P. Knowledge-aided space-time adaptive processing[J].IEEE Transactions on Aerospace and Electronic Systems, 2011, 47(2): 1325-1336.

[11] 高永嬋, 廖桂生, 朱圣棋, 等. 一種有效色加載因子的知識輔助STAP方法[J]. 電子學報, 2012, 40(10): 2101-2106.Gao Yong-chan, Liao Gui-sheng, Zhu Sheng-qi,et al.. A knowledge-aided STAP approach with effective color loading factors[J].Acta Electronica Sinica, 2012, 40(10): 2101-2106.

[12] 謝洪森, 鄒鯤. 一種非均勻場景符合高斯雜波背景下的自適應檢測器[J]. 電子與信息學報, 2011, 33(10): 2433-2437.Xie Hong-sen and Zou Kun. An adaptive detector in compound Gaussian clutter of nonhomogeneous environments[J].Journal of Electronics & Information Technology, 2011, 33(10): 2433-2437.

[13] 吳迪軍, 徐振海, 熊子源, 等. 機載雷達極化空時聯(lián)合域雜波抑制性能分析[J]. 電子學報, 2012, 40(7): 1429-1433.Wu Di-jun, Xu Zhen-hai, Xiong Zi-yuan,et al.. Performance analysis of polarization-space-time joint domain processing for clutter suppression in airborne radars[J].Acta Electronica Sinica, 2012, 40(7): 1429-1433.

[14] Rangaswamy M, James H M, and Himed B. Statistical analysis of the non-homogeneity detector for STAP applications[J].Digital Signal Processing, 2004, 14(3):253-267.

[15] Yang Xiao-peng, Liu Yong-xu, and Long Teng. Robust non-homogeneity detection algorithm based on prolate spheroidal wave functions for space-time adaptive processing[J].IET Radar, Sonar&Navigation, 2013, 7(1):47-54.

[16] Schoening G N, Picciolo M L, Mili L,et al.. Adaptive processor convergence improvement using reiterative projection statistics[C]. 2006 IEEE Radar conference on Aerospace, Devices and Systems, Verona, NY, 2006:725-730.

[17] 曾操, 廖桂生, 楊志偉, 等. 基于樣本加權(quán)的三通道SAR-GMTI機載數(shù)據(jù)處理及性能分析[J]. 電子學報, 2009,37(3): 506-512.Zeng Cao, Liao Gui-sheng, Yang Zhi-wei,et al.. Airborne data processing and performance analysis based on three aperture SAR GMTI system using weighted sample[J].Acta Electronica Sinica, 2009, 37(3): 506-512.