基于先验知识的机载雷达自适应训练样本选取的方法.pdf

第37卷 第2期2023年4月空 天 预 警 研 究 学 报Journal of Air&Space Early Warning ResearchVol.37 No.2Apr.2023收稿日期：2023-04-30基金项目：国防科技卓越青年科学基金项目(2019-JCJQ-ZQ-006)作者简介：李虎(1990-)，男，硕士生，主要从事空时自适应处理研究基于先验知识的机载雷达自适应训练样本选取的方法李虎，谢文冲，熊元燚，侯铭（空军预警学院，武汉 430019）摘要：针对实际复杂环境下机载雷达面临的均匀样本数量严重不足的问题，提出了一种基于先验知识的机载雷达自适应训练样本选取方法；针对选取得到的训练样本距离间隔较远导致明显功率差异的问题，本文方法对训练样本进行了进一步修正该方法从距离-多普勒单元角度出发，在考虑地形遮蔽影响的同时，基于地貌类型和地貌坡度构建了各训练单元的加权欧氏距离测度，实现了对均匀训练样本的有效选取仿真结果表明，相对于现有KA-STAP方法，基于本文所提样本选取方法的STAP处理后的杂波抑制性能得到显著改善关键词：先验知识；机载雷达；训练样本选取；空时自适应处理；非均匀杂波抑制中图分类号：TN958文献标识码：A文章编号：2097-180X(2023)02-0089-05空时自适应处理(STAP)技术对于机载雷达在下视工作时面临的强杂波信号具有良好的抑制效果，能够有效提高预警系统的检测性能STAP 的核心在于构造出待检测单元的杂波协方差矩阵在实际中，杂波协方差矩阵是未知的，通常的做法是利用待检测单元两侧的训练样本做最大似然估计，用估计出的样本协方差矩阵代替未知的杂波协方差矩阵然而，外部环境的变化，比如地形变化与起伏、天气状况、季节变化、人为开发、离散强散射点等造成杂波分布非均匀，用来估计的训练样本与待检测单元的杂波分布不一致，使得估计出的样本协方差矩阵存在偏差，导致 STAP 杂波抑制性能严重下降为了解决非均匀杂波抑制问题，国内外学者从两方面展开了研究一方面，为了筛选出均匀训练样本，研究者提出了多种非均匀检测器来检测和剔除奇异样本，其中广义内积(GIP)非均匀检测器1是典型代表但是 GIP 用待检测单元的估计协方差矩阵来表征杂波特性，并不能直接表征待检测单元自身的杂波特性，所选出的训练样本仅是与待检测单元杂波协方差矩阵结构上相近，有可能与待检测单元自身的杂波特性并不相符另一方面，知识辅助 STAP(KA-STAP)方法2-9利用地理环境的先验知识改善了非均匀环境下的杂波抑制性能，是当前 STAP 领域的研究热点在 KA-STAP 方法中，文献7提出的根据先验地形数据信息选取样本的方法是间接利用先验知识类 STAP 方法的代表本文在文献7方法基础上，提出一种基于先验知识的自适应训练样本选取方法该方法首先利用机载雷达平台参数、地形地貌参数、地理高程参数构建先验知识信息数据库；其次确定各距离-多普勒(RD)单元对应的信息点；再次构建基于地貌类型和地貌坡度的加权欧式距离测度，完成均匀样本的选取；最后对选取的样本进行功率差异性修正1经典的根据地貌类型属性选取训练样本方法经典的根据地貌类型属性选取训练样本方法7的思路是，首先将单个距离单元按照多普勒划分为若干个 RD 单元；然后将 RD 单元的地理信息量化为地形矢量，地形矢量中归类每种地形所占的比例，基于训练 RD 单元与待检测 RD 单元的地形矢量求二者之间的欧氏距离；最后利用距离测度挑选样本图 1 为文献7的 RD 单元划分区域经度abcd纬度O图 1文献7的 RD 单元划分区域文献7方法的具体步骤如下：DOI:10.3969/j.issn.2097-180X.2023.02.002空 天 预 警 研 究 学 报2023年90Step 1 找出 RD 单元中 4 个顶点的最大最小值经纬度，而后划定矩形范围作为该 RD 单元的范围，矩形方框中的圆点为该 RD 单元区域的信息点(本文的信息点是指以经纬栅格形式存储的地表覆盖信息与高程信息的点)Step 2 根据中国科学院空天信息创新研究院提供 的 全 球 30m 精细 地 表 覆 盖 数 据(GLC_FCS30-2020)10-11统计 RD 单元的地貌类型属性由于该数据库包含有 29 种地貌类型，则该 RD 单元的地貌类型属性可以用一个包含 29 个元素的向量来表示(每一个元素对应一种地貌类型)，将该地貌类型的信息点数除以 RD 单元内总的信息点数，得到该地貌类型在 RD 单元中的占比，从而形成含有 29 个元素的归一化向量第 l 个待检测 RD 单元的地貌类型归一化向量可以表示为tl=tl1tl2 tl29TStep 3 计算第l个训练单元与第 l 个待检测RD 单元的地貌类型归一化向量的欧氏距离为dl=i=129(tli-tli)2；选取距离最小的前 L 个样本作为训练样本，L 需满足 RMB 准则12Step 4 利用选取的训练样本估计杂波噪声协方差矩阵经典的根据地貌类型属性选取训练样本的方法存在以下不足：RD 单元的划分区域粗糙，将矩形虚线框内的所有信息点默认为 RD 单元的信息点，而且这种划分方式只适合地形平坦的区域，当地形出现较大起伏时，矩形框中的点由于具有不同的海拔高度导致到载机雷达的视距发生明显变化，可能不在同一距离单元内；选取的地貌类型属性分类太细，如阔叶林、针叶林、混叶林的经验后向散射系数差别不大，将其单独分类时，选取的训练样本会放大相近地貌类型间的细微差异，不能得到足够数量的有效样本；在求取欧氏距离时，各地貌类型赋予相同的权重，忽视了不同地貌类型间后向散射系数区别大导致回波功率区别大的特点，从而选取的训练样本不够准确；该方法是从地貌类型角度出发，考虑待检测 RD 单元与训练单元的杂波特性，忽略了地貌坡度变化对后向散射系数的影响；未考虑距离、天线方向图调制对 RD 单元回波功率造成的影响2基于先验知识的自适应训练样本选取方法针对以上经典的根据地貌类型属性选取训练样本方法不足，本文提出一种基于先验知识的自适应训练样本选取方法2.1信息点与杂波块的映射关系将地理信息数据库中的每一个信息点精准对应到杂波信号模型划分的杂波块，是基于地理信息进行训练样本筛选的重要前提首先完成数据库中各信息点和载机的大地坐标系数值到平面直角坐标系的转换13，然后统一在平面直角坐标系下将各信息点映射到不同距离单元考虑到地球曲率的影响，为了使数据库与雷达杂波模型相匹配，计算信息点对应的俯仰角时应考虑地球曲率的影响假设地球等效半径为Re，载机坐标为(xayaHa)，信息点坐标为(xcycHc)，有=arcsin(Re+Ha)2+R2-(Re+Hc)2)/(2R(Re+Ha)Rcos=(xa-xc)2+(ya-yc)2)1/2(1)通过上述方程组即可求得信息点相对于载机的距离 R 和俯仰角信息点对应的方位角为=arccos(xc/(xa-xc)2+(ya-yc)2)1/2)(2)根据得到的各信息点的距离和方位角参数，即可将信息点映射到对应的距离单元内2.2基于先验知识的自适应训练样本选取方法本文所提的知识辅助训练样本选取方法基本思路为：首先确定各 RD 单元对应的信息点，并将受地形遮蔽影响的信息点进行剔除；然后基于地貌类型和地貌坡度构建各 RD 单元的加权归一化向量，通过欧式距离选取出距离较近的若干个 RD 单元作为训练样本；最后对选取得到的训练样本进行俯仰天线增益和距离导致的功率差异性修正具体方法步骤如下Step 1 RD 单元划分本文提出的基于地理信息的样本选取方法是针对当前实际装备中采用的多普勒后处理STAP 方法该类方法是针对每一个待检测多普勒单元，在训练样本中选取独立同分布的多普勒单元作为训练样本因此将相同距离环内的信息点按照多普勒频率重新进行划分，划分后的单元称为 RD 单元假设第 l 个距离单元对应的距离为Rl，俯仰角为l，则l=arcsin(Ha/Rl+(R2l-H2a)/(Rl(Re+Ha)(3)该距离环上杂波块的最大归一化多普勒频率为fl=2Vrcosl/(fr)(4)式中，Vr为载机速度，fr为雷达脉冲重复频率，第2期李虎，等：基于先验知识的机载雷达自适应训练样本选取的方法91为雷达工作波长因此，第 l 个距离单元的归一化多普勒频率取值区间为-fl fl假设划分的多普勒单元数为 J，则第 j 个多普勒频点的频率公式为flj=-fl+2fl(j-1)/Jj=1J+1(5)对应的方位角为lj=arccos(fljfr/(2Vrcosl)(6)则第 l 个距离单元的方位角集合为l=l1l2lJ+1以J+1个方位角组成边界点，形成 J个多普勒单元根据信息点对应的方位角信息，即可将信息点映射到对应的多普勒单元Step 2 统计地貌类型分类占比，形成地貌类型归一化向量经过合并后各 RD 单元的地貌类型属性可以用一个包含 8 个元素的向量表示14每一个元素代表一个地貌类型，剔除受遮蔽的信息点15后，将该地貌类型的信息点数除以 RD 单元内总的信息点数，得到该地貌类型在 RD 单元中的占比，从而形成含有 8 个元素的归一化向量，则第l 个 RD 单元的地貌类型归一化向量表示为Il=i1i8TStep 3 统计地貌坡度分类占比，形成地貌坡度归一化向量坡度系数是表示地表单元陡缓的程度，反映了地面在该点的倾斜度信息点坡度模型如图 2 所示载机位置dkBB1B2X3Y3Z3O3图 2信息点坡度模型设B1、B2表示与B相邻的信息点，k为由3个信息点组成的面元的法线向量，d为平面O3X3Y3的法线向量，为向量k和d的夹角则信息点B的坡度为=arccos(kd)(7)经过大量实验对数据统计分析得到的经验值发现16，对于同一地貌类型，不同的坡度范围对应有不同的经验散射系数通常将坡度值分为 3 个区间，即1、12因此，RD 单元的地表坡度属性可以用一个包含 3 个元素的向量表示，每一个元素代表一个坡度范围剔除受遮蔽的信息点后，将该坡度范围的信息点数除以 RD 单元内总的信息点数，得到该坡度范围在 RD 单元中的占比，从而形成含有 3 个元素的归一化向量则第 l 个 RD 单元的地貌坡度归一化向量表示为Ql=q1 q2 q3TStep 4 合并 RD 单元的地貌类型与地貌坡度归一化向量形成新归一化向量，计算对应欧氏距离，选取均匀训练样本同时考虑地貌类型和坡度后的第 l 个待检测 RD 单元对应的归一化向量为Wl=Il;Ql，式中合并后的归一化向量的维数为 111第l个训练单元与第 l 个待检测距离多普勒单元之间的欧氏距离为El=i=111(Wli-Wli)2(8)式中，Wl=WlAl，表示 Hardmard 积；Al=a1 a2a81/31/31/3T，ai为第 i 种地貌类型相对于所有 8 种地貌类型的归一化散射强度通过权值Al，增大了散射系数较大的地貌类型的权重由式(8)得到各训练单元的欧氏距离，将其从小到大排序，选出距离最小的前 L 个样本作为训练样本，其中 L 需满足 RMB 准则Step 5 修正影响因素，估计杂波噪声协方差矩阵当根据地形地貌等先验信息进行样本选取时，选取的训练样本距离待检测单元有可能较远，导致训练样本与待检测单元之间存在较大的功率差异因此需要对选取的训练样本数据进行修正来补偿功率非均匀的影响从雷达距离方程可知，影响不同 RD 单元杂波功率的因素包括距离、所包含信息点对应的擦地角、俯仰天线方向图等假设经过空时滤波后的待检测 RD 单元的回波功率为Pj，则对待检测距离单元的 J 个多普勒频点的功率值求平均，即P=1Jj=1JPj(9)同 样 可 得 到 第 l 个 训 练 单 元 的 平 均 功 率Pl通过待检测距离单元回波功率对第 l 个训练单元进行归一化处理，即cl=Pl/P(10)经过修正后的第 l 个距离单元第 k 个多普勒单元的回波信号为xlk=xlk/cl(11)式中，xlk为第 l 个距离单元、第 k 个多普勒单元的原始回波信号Step 6 利用修正后的训练样本数据估计杂空 天 预 警 研 究 学 报2023年92波噪声协方差矩阵，形成空时自适应权值，完成空时自适应杂波抑制处理3仿真实验假设载机在某地向正北飞行，波束指向为正东方向，载机飞行中的偏航角、俯仰角、横滚角均为 0，雷达采用正侧视均匀线阵，具体仿真参数：载机高度为 8km，载机速度为 140m/s，波束指向0，目标俯视角为 1，峰值发射功率为 230kW，工作波长为 0.23 m，脉冲重复频率为 2 434.8 Hz，接收机带宽为 5MHz，相参脉冲数为 16，接收子阵数为 16机载雷达探测区域位于岛屿与海域交界处为了便于比较本文所提样本选取方法的有效性，本文基于 1DT 方法进行验证，由 RMB 准则可知，仅需要 32 个训练样本即可设定待检测单元距离门编号为 101，仅在待检测单元左右两侧相邻的各 100 个距离门内选取训练样本1)地貌坡度情况图 3 给出了机载雷达探测区域内地貌坡度情况(其中蓝紫色区域坡度值较小，地形平坦；黄绿色区域坡度值较大，地形陡峭；海域区域没有坡度起伏)从图 3 可以看出：该区域地表坡度分布范围为 060，坡度分布不均匀；待检测距离单元的第 13 号多普勒通道处为海岛、水域交错分布区域，该待检测 RD 单元的地貌坡度取值最不均匀；本文方法中利用地貌坡度分类占比进行样本选取是合理的待检测距离单元1 34 08 01 2 01 6 02 0 00距离单元00.5 1.0 1.5-0.5-1.0-1.5方位角/()1 02 03 004 05 06 0图 3机载雷达探测区域内地貌坡度情况2)影响因素修正效果图 4 给出了第 10 号多普勒通道经过功率影响因素修正前后的效果对比由图 4 可知，修正后的数据较修正前功率更均匀，体现在 2 个方面：待检测多普勒通道的功率为 117.375dB，修正前多普勒通道的均值为 120.154dB，修正后多普勒通道的均值为 118.308dB，修正后的均值更接近待检测通道功率；修正前数据方差为 81.2，修正后数据方差为 52.8，修正后的数据方差显著减小04 08 01 2 01 6 02 0 0距离单元8 01 0 01 2 01 4 01 6 0多普勒单元功率/d B(a)修正前04 08 01 2 01 6 02 0 0距离单元8 01 0 01 2 01 4 01 6 0多普勒单元功率/d B(b)修正后图 4功率影响因素修正前后效果对比3)信杂噪比(SCNR)损失图 5 从 SCNR 损失角度给出了分别选用 32个训练样本和 60 个训练样本情况下的修正效果(fd/fr为归一化多普勒频率)从图 5 可以看出，选取 60 个样本后的修正效果更为明显，其原因是经本文方法选取的 60 个样本中包含的离待检测单元距离远的样本相对更多，功率差异较大，因此修正后的补偿效果更好-0.3-0.5-0.1 0.10.30.5fd/fr-1 2 0-1 0 0-8 0-6 0-4 0-2 00S C N R 损失/d B修正前修正后(a)32 个样本-0.3-0.5-0.1 0.10.30.5fd/fr-1 2 0-1 0 0-8 0-6 0-4 0-2 00S C N R 损失/d B修正前修正后(b)60 个样本图 5不同样本数情况下修正效果选取的训练样本数均为 32 个并且训练样本均已经过功率差异性修正，图 6 给出了文献7方法与本文方法的信杂噪比损失情况从图 6 可以看出，本文方法的信杂噪比损失在主瓣杂波和副瓣杂波区域均优于文献7方法用文献7方第2期李虎，等：基于先验知识的机载雷达自适应训练样本选取的方法93法的 SCNR 损失减去本文方法的 SCNR 得到本文方法相对于文献7方法的改善效果图 7 给出了在不同归一化多普勒频率情形下本文方法相对于文献7方法的改善效果由图 7 可知：在归一化多普勒频率为 0.22 时改善效果最好，此时对应的待检测 RD 单元地貌坡度分布非常不均匀；在归一化多普勒频率为 0.30.4 时，此处对应的待检测 RD 单元位于岛屿区域，坡度取值普遍大于 2，此时坡度分布均匀，相比于文献7方法改善效果一般-0.5-0.3-0.1 0.10.30.5fd/fr-1 2 0-1 0 0-8 0-6 0-4 0-2 00S C N R 损失/d B文献 7 方法本文方法图 62 种方法的 SCNR 损失情况-0.5-0.3-0.1 0.10.30.5fd/fr024681 01 2改善效果图 7本文方法相对于文献7方法的改善效果4结论1)本文提出了一种基于先验知识的机载雷达自适应训练样本选取方法该方法从距离-多普勒单元出发，基于地貌类型和地貌坡度先验知识构建了加权欧氏距离测度，实现了对均匀训练样本的有效选取2)仿真结果表明，相对于文献7方法，本文方法具有更好的非均匀杂波抑制性能3)本文方法是针对每一个距离-多普勒单元进行样本选取的，因此本文所提方法仅适用于阵元-多普勒域 STAP 的典型 1DT 方法如何构建面向实际工程中常用的 3DT 方法的先验知识样本选取技术将是后续工作的重点参考文献：1MELVIN W L,WICKS M C,BROWN R D.Assessmentof multichannel airborne radar measurements for analysisand design of space-time processing architectures and al-gorithmsC/Proceedings of IEEE National Radar Con-ference.AnnArbor,Michigan,1996:130-135.2GUERCI J R,BARANOSKI E J.Knowledge-aided adap-tive radar at DARPA:an overviewJ.IEEE Signal Pro-cessing Magazine,2006,23(1):41-50.3MELVIN W L,GUERCI J R.Knowledge-aided signal pro-cessing:a new paradigm for radar and other advanced sen-sorsJ.IEEE Transactions on Aerospace and ElectronicSystems,2006,42(3):983-996.4MELVIN W L,SHOWMAN G A.An approach to knowl-edge-aided covariance estimationJ.IEEE Transactions onAerospace and Electronic Systems,2006,42(3):1021-1042.5GURRAM P R,GOODMAN N A.Spectral-domain covari-ance estimation with a priori knowledgeJ.IEEE Transac-tions on Aerospace and Electronic Systems,2006,42(3):1010-1020.6BERGIN J S,TEIXEIRA C M,TECHAU P M,et al.Im-proved clutter mitigation performance using knowledge-aided space-time adaptive processingJ.IEEE Transac-tions on Aerospace and Electronic Systems,2006,42(3):997-1009.7CAPRARO C T,CAPRARO G T,BRADARIC I,et al.Im-plementing digital terrain data in knowledge-aided space-time adaptive processingJ.IEEE Transactions on Aero-space and Electronic Systems,2006,42(3):1080-1099.8BIDON S,BESSON O,TOURNERET J Y.Knowledge-aided STAP in heterogeneous clutter using a hierarchicalBayesian algorithmJ.IEEE Transactions on Aerospaceand Electronic Systems,2011,47(3):1863-1879.9CONTE E,MAIO A D,FARINAA,et al.Design and analy-sis of a knowledge-aided radar detector for Doppler pro-cessingJ.IEEE Transactions on Aerospace and Electron-ic Systems,2006,42(3):1058-1079.10 ZHANG Xiao,LIU Liangyun,WU Changshan,et al.Devel-opment of a global 30 m impervious surface map usingmultisource and multitemporal remote sensing datasetswith the Google Earth Engine platformJ.Earth SystemScience Data,2020,12(3):1625-1648.11 ZHANG Xiao,LIU Liangyun,CHEN Xidong,et al.Fineland-cover mapping in China using Landsat datacube andan operational SPECLib-based approachJ.Remote Sens-ing,2019,11(9):1056.12 REED I S,MALLETT J D,BRENNAN L E.Rapid conver-gencerateinadaptivearraysJ.IEEETransactionsonAero-space and Electronic Systems,1974,10(6):853-863.13 蒋峰.机载阵列雷达认知信号处理与杂波抑制技术D.成都:电子科技大学,2020:17-33.14 李虎,谢文冲,熊元燚,等.面向多普勒后STAP的基于先验知识训练样本选取方法J.空天预警研究学报,2023,37(1):8-14.15 乔格阁.知识辅助的机载雷达杂波抑制方法研究D.西安:西安电子科技大学,2020:20-62.16 BILLINGSLEYJ B.Low-angle radar land clutter:measure-ments and empirical modelsM.Norwich,NY:WilliamAn-drew Publishing,2002:853-863.(下转第104页)空 天 预 警 研 究 学 报2023年104Deep complex-valued network for ego-velocity estima-tion with millimeter-wave radarC/Proceedings of 2020IEEE Sensors Conference.Rotterdam,Netherlands:IEEE,2020:1-4.11 黄强,王建卫.线性调频信号高耦合系数条件下的目标跟踪J.现代雷达,2014,36(8):22-25.12 李国君,赵栋华,赵永铁.距离多普勒耦合对雷达滤波精度影响分析J.舰船电子工程,2018,38(4):51-53.13 WONG W,BLAIR W D.Steady-state tracking with LFMwaveformsJ.IEEETransactionsonAerospaceand Eletro-nic Systems,2000,36(2):701-709.14 BAR-SHALOM Y.Negative correlation and optimal track-ing with Doppler measurementsJ.IEEE Transactions onAerospace and Eletronic Systems,2001,37(3):1117-1120.A range estimation method in the case of high coupling coefficient basedon stochastic differential equationLI Zheng1,2,JIN Junfeng1,2,CHEN Fei3(1.No.38 Research Institute,China Electronics Technology Group Corporation,Hefei 230088,China；2.Key LaboratoryApertureArrayand SpaceApplication,Hefei 230088,China；3.No.63768 Unit,the PLA,Xi an 710600,China)Abstract：Range-Doppler coupling effect seriously affects the range accuracy of LFM radar in the case ofhigh coupling coefficient.In order to solve the problem above,this paper presents a target range estimation meth-od.Based on stochastic differential equation theory,the paper constructs a stochastic process to estimate targetrange,then theoretically deduces the concrete quantitative relationship between the estimation error of this methodand the data rate,the coupling coefficient and the random difference parameters of radar ranging,and finallyproves that the method can significantly improve the accuracy of radar ranging under appropriate conditions.Thesimulation result verifies the feasibility of the proposed method.Key words：linear frequency modulation(LFM)signals；range-Doppler coupling effect；stochastic differen-tial equation(上接第93页)Prior knowledge-based adaptive training sample selection methodfor airborne radarLI Hu,XIE Wenchong,XIONG Yuanyi,HOU Ming(Air Force Early WarningAcademy,Wuhan 430019,China)Abstract：In order to solve the problem of seriously insufficient uniform sample quantity of airborne radar inthe actual complex environment,this paper proposes an adaptive training sample selection method for airborne ra-dar based on prior knowledge.Aiming at the problem that the selected training samples have obvious power differ-ences due to the far distance interval,the proposed method further modifies the training sample.Starting from theperspective of range-Doppler element,while considering the influence of terrain occlusion,the paper constructsthe weighted Euclidean distance measures for each training unit based on terrain type and terrain slope,achievingeffective selection of uniform training samples.The simulation results show that compared with the existingKA-STAP method,the clutter suppression performance after STAP processing based on the sample selection meth-od proposed in this paper has been significantly improved.Key words：prior knowledge；airborne radar；training sample selection；space-time adaptive processing；non-homogeneous clutter suppression