基于MTI滤波器特性的改进直接数据域算法的研究

《基于MTI滤波器特性的改进直接数据域算法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、文章编号：１６７４７０７０（２００９）０２０１１６０５基于ＭＴＩ滤波器特性的改进直接数据域算法的研究１１１姜晓静吴仁彪卢晓光摘要０引言传统的空时自适应处理方法属于统Ｉｎｔｒｏｄｕｃｔｉｏｎ计方法，一般假设其它相邻距离单元的训练样本满足独立同分布的条件，利用雷达作为探测手段，在军事和民用领域都有广泛应用，且继续向这些训练样本来估计待检测单元中杂波的协方差矩阵．对机载雷达来说，严重非深度和广度发展．为了获取更全面的信息，同时出于安全性考虑要求均匀环境很难满足样本独立同分布的要其机动灵活，将雷达安置于高空高速平台如飞

2、机和卫星上已成为求．直接数据域方法只利用待检测距离趋势．单元本身的数据来获取训练样本，因此得到广泛应用．提出一种改进直接数据对机载雷达来说，如何有效地从强杂波、干扰背景中检测微弱目域算法，在利用空时窗滑动对消目标信标是很大的难题，而又是必须解决的问题．由于平台的运动，静止的号时，基于滤波原理，对空时窗的权系数地物杂波相对于雷达也是运动的，其多普勒谱严重展宽，杂波呈现出进行优化，这样有利于在对消目标的同时保留更多杂波信息，进而求解的自适很强的空时耦合性，空时自适应处理（ＳｐａｃｅＴｉｍｅＡｄａｐｔｉｖｅＰｒｏｃｅｓｓ

3、ｉｎｇ，应权值对杂波的抑制性能更佳．仿真结ＳＴＡＰ）正是在这种情况下应运而生．果表明了改进算法的有效性，相比原始传统的ＳＴＡＰ方法利用待检测距离单元相邻的距离单元（但不包直接数据域算法，具有更窄的改善因子凹口，提高了对慢速目标的检测性能，且含待检测距离单元本身）的数据作为训练样本来估计杂波协方差矩计算量没有增加．阵［１２］．但是对于剧烈变化的非均匀杂波环境，由于不同距离门的干关键词扰样本具有不同的统计特性，如果所有其他距离门样本都不包含待空时自适应处理；直接数据域；杂波抑制；非均匀环境；ＭＴＩ滤波器检测样本中部分甚

4、至全部干扰的信息，自适应算法就不会在待检测样本中将干扰有效抑制．中图分类号ＴＮ９５７为了获得比较好的非均匀杂波的抑制能力，需要探索在很少训文献标志码Ａ练样本甚至没有训练样本时的杂波抑制方法．自Ｓａｒｋａｒ提出直接数据域（ＤｉｒｅｃｔＤａｔａＤｏｍａｉｎ，ＤＤＤ）算法以来，ＤＤＤ算法在ＳＴＡＰ中得到广［３４］［５］泛应用．与传统的ＳＴＡＰ方法相比，该方法根据一次快拍数据来计算自适应权矢量，不需要通过相邻距离门的辅助数据来估计样本协方差矩阵，因而适用于剧烈变化的非均匀环境．本文提出了一种基于运动目标显示（ＭｏｖｉｎｇＴ

5、ａｒｇｅｔＩｎｄｉｃａｔｉｏｎ，ＭＴＩ）滤波原理的改进ＤＤＤ方法．在ＤＤＤ算法中，利用空时窗滑动进行目标对消的过程中，可以根据ＭＴＩ对消原理，对空时窗权系数进行优化，保留更多杂波信息，进而获得的自适应权值具有更佳的杂波抑制性能．收稿日期２００９０６０４资助项目国家自然科学基金（６０７３６００９）作者简介１ＤＤＤ空时自适应处理姜晓静，女，硕士，主要研究方向为空时自ＤｉｒｅｃｔｄａｔａｄｏｍａｉｎＳＴＡＰ适应处理、阵列信号处理．ｊｘｊｉｎｇ１２３＠１６３．ｃｏｍ为了克服统计ＳＴＡＰ方法利用相邻距离单元数据做训练样本的

6、１中国民航大学天津市智能信号与图像处［６７］理重点实验室，天津，３００３００问题，一种仅利用待检测距离门数据的ＤＤＤ方法被提出并得到广学报：自然科学版，２００９，１（２）：１１６１２０ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ：ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ，２００９，１（２）：１１６１２０１１７泛应用．ＤＤＤ方法使用信号滤除算法以防止出现信把得到的新矩阵重新排列成列矢量，这样得到系统号对消，即对待检测距离门的数据做信号滤除

7、处理．矩阵Ｔ的３列元素，然后滑窗向右移动一个位置，得滤除处理后的样本仅包含干扰分量而不包含真实目到另外３列元素，当窗移动到最右边时，向下移动一标分量，可以用做训练样本．行，并平移到最左边，以此类推，这样就可以形成足设天线为Ｎ元等距线阵，阵元间距为ｄ，且ｄ＝够多的列矢量．例如，利用对消式（４）构造系统矩阵λ／２（λ为工作波长），一个相干处理间隔内脉冲数为Ｔ的一列元素，可得对消矩阵．－１－１Ｋ．信号以窄带方式进入阵列天线，其包含目标信号、ｘ１１－ｚ２ｘ２１…ｘ１Ｎｓ－ｚ２ｘ２Ｎｓ杂波、干扰和噪声．．（６）

8、将接收到的待检测距离单元数据写成Ｋ×Ｎ的－１－１ｘＮｔ１－ｚ２ｘ（Ｎｔ＋１×１）…ｘＮｔＮｓ－ｚ２ｘ（Ｎｔ＋１）Ｎｓ矩阵Ｘ，其元素Ｘ（ｋ，ｎ）表示待检测距离门第ｋ个脉将式（６）重新排列成列矢量可得冲第ｎ个阵元的采样数据．ＴＸ（ｋ，ｎ）＝αＳ（ｋ，ｎ）＋Ｘ（ｋ，ｎ）＋[ｘ珋１１ｘ珋２１ｘ珋Ｎｓ１ｘ珋１２…ｘ珋Ｎｓ２…ｘ珋１Ｎｔ…ｘ珋ＮｓＮ