稳健的自适应波束形成与空时自适应处理算法研究

论文摘要

本文针对自适应波束形成和空时自适应处理(STAP)在导向矢量和协方差矩阵存在误差时的性能下降问题,开展稳健算法研究,主要工作有:1.针对基于加权矢量模约束的稳健波束形成算法,提出了稳健性更强的等式约束,并进行了有效的求解。由于约束参数决定算法的性能,故对约束参数的选择进行了分析,并给出了选取的依据和范围。得出只要模约束参数在允许的范围内选择,模约束稳健波束形成算法的指向性能变化不是很明显,但是对于相同的模约束参数,等式约束明显优于不等式约束,即最优的负加载可以获得最优的性能改善。2.针对基于导向矢量不确定集约束的稳健波束形成算法,提出了有效的求解方法,解决了加权矢量的求解难题,给出了对角加载表达式中加载电平的求解方法。不仅使得不确定集约束参数的选择更加简单,而且使得最优化问题得到有效的求解,并使波束形成算法的性能达到最优。而且得出了最优负加载可以获得最优的性能改善,而约束参数选择的越大,波束形成算法的性能越接近于最优。3.针对非均匀条件下的STAP协方差矩阵估计问题,分别提出了用于样本选择的对角加载广义内积算法和用于数据加权的加权系数求解方法,并进行了详细的性能分析和仿真试验。同时还将原始的非均匀数据到其所对应的均匀数据看作一种特殊的非线性变换,提出利用不敏变换(UT)估计非均匀数据的近似协方差矩阵,有效地降低了非均匀特性的影响,且具有良好的运动目标检测性能。4.考虑将对角加载应用于克服STAP的协方差矩阵失配,即通过对角加载改善STAP的稳健性。对于对角加载,关键是选择加载电平,其中给出了具体的选择方法。并对对角加载对检测概率和输出信噪比的性能影响进行了深入的分析,即得出合理的对角加载可以提高STAP的检测概率和输出信噪比。5.针对STAP在导向矢量失配和协方差矩阵失配时的最差情况,提出了基于最差性能最优的稳健STAP算法,并将其等价转换成可以处理的加载样本矩阵求逆(LSMI)STAP算法模型,得到了加权矢量的具体表达式,并给出了LSMI STAP算法中加载量的求解方法。仿真分析验证了理论分析的正确性和有效性。6.通过对FRACTA算法及其增强型进行深入的研究,提出了新的改进算法:FAGATA。该算法利用多种离群点检测算法进行全局检查将原算法的反复检查减少到一次,同时也将检测层数从三层降低到两层,极大地改善了计算效率,其不仅能够准确地检测运动目标、精确地估计目标参数,而且具有更高的检测效率和稳健性。仿真分析验证了FAGATA较好地克服了FRACTA算法的缺点并继承其优点。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及其意义
• 1.2 研究历史与现状
• 1.2.1 稳健自适应波束形成的发展概述
• 1.2.2 空时自适应处理的发展概述
• 1.3 本文主要工作
• 第二章 基于模约束的稳健波束形成算法
• 2.1 引言
• 2.2 基于模约束的稳健 Capon 波束形成算法
• 2.2.1 标准Capon波束形成算法
• 2.2.2 模不等式约束Capon波束形成算法
• 2.2.3 模不等式约束参数的选择
• 2.2.4 模等式约束Capon波束形成算法
• 2.2.5 仿真分析
• 2.2.6 算法小结
• 2.3 基于二次约束的稳健LCMP波束形成算法
• 2.3.1 LCMP 波束形成算法
• 2.3.2 二次不等式约束LCMP波束形成算法
• 2.3.3 二次不等式约束参数的选择
• 2.3.4 二次等式约束LCMP波束形成算法
• 2.3.5 仿真分析
• 2.3.6 算法小结
• 2.4 本章小结
• 第三章 基于不确定集约束的稳健波束形成算法
• 3.1 引言
• 3.2 导向矢量不确定集约束的稳健 Capon 波束形成算法
• 3.2.1 稳健Capon波束形成算法
• 3.2.2 稳健Capon波束形成算法的求解
• 3.2.3 最优Lagrange乘数的求解
• 3.2.4 仿真分析
• 3.2.5 算法小结
• 3.3 稳健的LSMI波束形成算法
• 3.3.1 加载样本矩阵求逆（LSMI）波束形成算法
• 3.3.2 Lagrange乘数的求解
• 3.3.3 仿真分析
• 3.3.4 算法小结
• 3.4 基于线性干扰参数约束的稳健LSMI波束形成算法
• 3.4.1 基于线性干扰参数约束的LSMI波束形成算法
• 3.4.2 仿真分析
• 3.4.3 算法小结
• 3.5 通用信号模型稳健波束形成算法
• 3.5.1 稳健波束形成算法的模型
• 3.5.2 稳健波束形成算法的求解
• 3.5.3 稳健波束形成算法的对角加载解释
• 3.5.4 稳健波束形成算法的扩充
• 3.5.5 仿真分析
• 3.5.6 算法小结
• 3.6 本章小结
• 第四章 稳健的STAP协方差矩阵估计算法
• 4.1 引言
• 4.2 基于对角加载的稳健广义内积算法
• 4.2.1 广义内积 NHD
• 4.2.2 对角加载广义内积 NHD
• 4.2.3 加载电平的确定
• 4.2.4 性能分析
• 4.2.5 仿真分析
• 4.2.6 算法小结
• 4.3 基于相对距离准则的稳健STAP协方差矩阵估计算法
• 4.3.1 加权最大似然估计
• 4.3.2 基于相对距离准则的数据加权算法
• 4.3.3 加权系数的求解
• 4.3.4 性能分析
• 4.3.5 仿真分析
• 4.3.6 算法小结
• 4.4 基于 Bayes 准则的稳健 STAP 协方差矩阵估计算法
• 4.4.1 基于Bayes准则的协方差矩阵估计
• 4.4.2 仿真分析
• 4.4.3 算法小结
• 4.5 基于不敏变换的稳健STAP协方差矩阵估计算法
• 4.5.1 不敏变换（UT）
• 4.5.2 基于不敏变换的STAP协方差矩阵估计
• 4.5.3 仿真分析
• 4.5.4 算法小结
• 4.6 本章小结
• 第五章 STAP中的对角加载技术
• 5.1 引言
• 5.2 基于对角加载的STAP性能改善
• 5.2.1 问题描述
• 5.2.2 性能分析
• 5.2.3 仿真分析
• 5.2.4 算法小结
• 5.3 本章小结
• 第六章 稳健的STAP算法
• 6.1 引言
• 6.2 基于最差性能最优的稳健STAP算法
• 6.2.1 算法的建模与求解
• 6.2.2 Lagrange乘数λ的求解
• 6.2.3 仿真分析
• 6.2.4 算法小结
• 6.3 有效稳健的STAP GMTI算法FAGATA
• 6.3.1 FRACTA 算法描述
• 6.3.2 FRACTA算法的缺点
• 6.3.3 改进的 FRACTA 算法:FAGATA
• 6.3.4 仿真分析
• 6.3.5 算法小结
• 6.4 本章小结
• 第七章 总结与展望
• 7.1 总结
• 7.2 展望
• 致谢
• 参考文献
• 作者在攻读博士学位期间撰写与发表的学术论文