基于稀疏贝叶斯学习的稳健空时自适应处理研究

Sparse-recovery space-time adaptive processing (STAP) has considerable potential advantages on moving target detection in nonhomogenious and nonstationary environments for air/space-borne radar systems. The advantages of this technology rely on the accuracy of the clutter sparse model. However, in real systems and environments, array errors, the intrinsic clutter motion and the space-time steering dictionary mismatch lead to the model mismatch compared with nowadays signal model assumptions, which results in the performance degradation of the sparse-recovery STAP. Thus, we first study the intrinsic clutter sparsity and sparse model in non-ideal conditions, including the quantificational definition of the clutter sparsity, the designing of the space-time steering dictionary and the effects of the model mismatch on the clutter sparsity. Then, combing the sparse model and incorporating the sparse Bayesian learning framework, we exploit the structural priori of the space-time power spectrum, jointly estimate the space-time power spectrum and the model mismatch parameters, and build the theory for the robust STAP methods based on sparse Bayesian learning. All in all, this research will enrich the sparse-recovery STAP theory and methods, reduce the distance between the sparse-recovery STAP and the real application, and promote the realization of the sparse-recovery STAP.

稀疏恢复空时自适应处理（STAP）技术在非均匀、非平稳杂波环境机/星载雷达运动目标检测方面具有极大的潜力优势。该技术的优越性能有赖于准确的杂波稀疏模型，然而，实际系统和环境中存在的阵列误差、杂波起伏、空时导向词典失配等非理想情况使得现采用的模型失配，导致稀疏恢复STAP性能下降。为此，本项目首先研究非理想情况下的杂波稀疏机理与模型，包括：杂波稀疏性度量、空时导向词典设计以及模型失配因素对杂波稀疏性影响分析。然后结合杂波稀疏模型，在稀疏贝叶斯学习框架下，挖掘和利用杂波空时功率谱结构先验，联合实现失配参数估计与信号稀疏恢复，形成基于稀疏贝叶斯学习的稳健空时自适应处理理论和方法。研究成果将丰富稀疏恢复STAP理论与方法，缩小稀疏恢复STAP与实际应用的差距，推动稀疏恢复STAP走向实用化。

空时自适应处理(STAP) 技术可实现对机载/星载雷达中强地/海杂波的有效抑制，显著改善机载/星载雷达对空/地运动目标的检测性能。传统STAP方法通常要求有两倍于系统空时自由度的独立同分布的训练样本才能使得最优性能损失低于3dB。然而在实际应用中，受限于雷达系统参数、阵列几何结构、系统内部非理想因素、变化的杂波环境，上述条件常常无法满足。针对上述问题，稀疏恢复STAP具有极大的潜力优势。该技术的优越性能有赖于准确的杂波稀疏模型，然而，实际系统和环境中存在的阵列误差、杂波起伏、空时导向词典失配等非理想情况使得现采用的模型失配，导致稀疏恢复STAP性能下降。为此，本项目围绕非理想情况下的杂波稀疏机理与模型以及模型失配下稳健稀疏恢复STAP方法展开研究，取得了如下成果：.（1）分别建立了阵列误差和杂波起伏下的杂波稀疏模型，分析了阵列误差和杂波起伏对稀疏恢复STAP的性能影响；研究了词典失配与雷达系统参数间的定量化关系；提出了基于先验知识的空时导向词典设计方法；提出了基于时宽带宽积的杂波秩估计方法。.（2）针对阵列误差模型失配，提出了基于最小二乘法和正交匹配追踪交互迭代的稀疏恢复STAP方法；提出了基于阵列流形知识的稳健功率谱稀疏恢复STAP方法；提出了交互更新阵列误差、空时功率谱等待估计参数的稀疏恢复STAP方法。.（3）针对杂波起伏模型失配，提出了空时随机采样以及空时互质采样的稀疏恢复STAP方法；提出了基于角度-多普勒稀疏选择的STAP方法；提出了权矢量方向图稀疏约束的STAP方法；提出了协方差矩阵加权功率谱稀疏恢复直接数据域STAP方法。.（4）针对空时导向词典失配，提出了基于空时平滑思想的稀疏恢复STAP方法；提出了基于阵列流形知识稀疏恢复STAP方法；提出了基于阵列流形先验知识增强的稀疏恢复STAP方法。.本项目研究成果对稀疏表示/ 稀疏重构/压缩感知等理论发展，对系统辨识、运动平台下杂波抑制、运动目标检测等应用均具有一定的理论指导意义和工程应用价值。