基于學(xué)習(xí)的空時自適應(yīng)處理方法研究.pdf

1、空時自適應(yīng)處理（Space Time Adaptive Processing，STAP）技術(shù)從空間和時間二維的角度出發(fā)，能夠有效抑制雜波，檢測出相對慢速的運(yùn)動目標(biāo)。然而，傳統(tǒng)STAP方法估計干擾協(xié)方差矩陣時，要求有大量的輔助數(shù)據(jù)（Secondary Data），現(xiàn)實條件很難得到。其次，估計完干擾協(xié)方差之后要對該協(xié)方差矩陣求逆，實際中的陣元個數(shù)和一個相干處理時間內(nèi)發(fā)射的脈沖個數(shù)均比較多，求逆過程會造成大量的運(yùn)算量，極大的提高了對硬件設(shè)備的

2、要求。為了解決STAP技術(shù)面臨的問題，研究者們針對STAP算法使用了降維的手段，使得輔助數(shù)據(jù)數(shù)目要求和運(yùn)算量均有所降低。
　　然而，目前并沒有一種算法在所有環(huán)境條件下均能占得優(yōu)勢。在輔助數(shù)據(jù)數(shù)目受到限制的情況下，降維STAP（Reduced Rank STAP，RRSTAP）算法在提高性能的同時也會損失在空間或時間上的自適應(yīng)。鑒于此，針對輔助數(shù)據(jù)受限的情況，本文做了以下工作：
　　1.研究了STAP算法的動目標(biāo)模型、雜波模型

3、、人為干擾模型和噪聲模型，并針對傳統(tǒng)STAP方法，用實驗結(jié)果驗證了在輔助數(shù)據(jù)滿足RMB（Reed，Mallett，Brennan）準(zhǔn)則下，該方法能夠有效的檢測動目標(biāo)，而當(dāng)輔助數(shù)據(jù)不滿足RMB準(zhǔn)則時，該方法不能正確的檢測動目標(biāo)。
　　2.研究了稀疏貝葉斯學(xué)習(xí)（Sparse Bayesian learning，SBL）的基本原理，并根據(jù)雜波在空間頻率和歸一化多普勒頻率的稀疏性，將SBL和STAP方法結(jié)合，運(yùn)用遠(yuǎn)少于傳統(tǒng)STAP方法的輔

4、助數(shù)據(jù)，即可估計協(xié)方差矩陣，檢測動目標(biāo)。另外，根據(jù)感興趣距離門和周圍輔助數(shù)據(jù)共享非零雜波支持(Clutter Support)的特點，研究了一種基于群稀疏貝葉斯（Group Sparse Bayesian learning，GSBL）的STAP方法，相較于SBL的方法而言，基于GSBL的STAP方法使用的輔助數(shù)據(jù)更少，并且運(yùn)算量也更低。
　　3.研究了傳統(tǒng)基于模式分類的STAP方法，包括基于線性最小二乘的STAP方法和基于二項式的

5、STAP方法，并提出了一種基于Adaboost的STAP方法。經(jīng)過理論分析和仿真實驗發(fā)現(xiàn)，基于線性最小二乘的方法要求被檢測動目標(biāo)的能量較高，而基于二項式的方法相對而言對被檢測動目標(biāo)的要求要低。對于基于Adaboost的方法，該方法使用線性最小二乘方法作為弱學(xué)習(xí)模型，能夠在較低能量下檢測動目標(biāo)，并且其輸出性能相較于基于二項式的STAP方法要好。另外，從使用輔助數(shù)據(jù)量的角度來看，基于模型分類的STAP方法是傳統(tǒng)STAP方法和基于GSBL的S