机载雷达空时自适应处理算法及其实时实现问题研究

论文摘要

机载雷达空时二维自适应处理（STAP）算法,以其优良的杂波和干扰抑制性能引起雷达界的广泛重视,三十多年来一直是雷达信号处理研究领域的一个热点问题。本文结合实际工程背景,研究了适合工程实现的STAP算法,以及算法的实时实现问题。为了进一步优化现有部分自适应STAP滤波器的结构,深入研究了局域杂波自由度问题。分析了降维变换对干扰协方差矩阵杂波自由度的影响。给出了局域构成与局域杂波自由度之间的函数表达式,并予以证明。通过这一理论成果,我们从局域构成方式就可以知道局域杂波自由度,进而就可以得出局域STAP处理器所需的可调控权数。分析得出现有的降维STAP处理器,特别是只做时域（空域）一维域变换的STAP处理器,存在进一步降低系统自由度的可行性。分别利用仿真数据和实测数据验证了理论研究成果的正确性。针对现有局域STAP处理器的不足,提出了一种对杂波自由度和干扰环境变化更加稳健的局域STAP处理器—FDSP （Flexible DOF STAP Processor）。该处理器根据外部干扰环境的变化情况,依据准则自适应地调整系统自由度。它不仅降低了非主杂波区杂波抑制的计算量,并且可以有效抑制有源干扰。给出了该处理器的实现方法和权值递推求解的快速算法。利用实测数据证明了该处理器的有效性。通过我国某新型机载相控阵雷达的实测数据,比较研究了几种数据独立的样本选取方法的性能,得出分段的方法在这类方法中具有优势。并对分段方法中的最优的分段数目、段内的样本选取方式以及对消形式等问题进行了研究。比较了分段方法和功率选取方法的性能,得出功率选取法更能够发掘输入数据中的信息,对于孤立的强杂波点的消除具有明显的优势。针对功率选取法中强目标信号自相消效应明显这一不足,提出了改进的功率选取法,该方法通过功率-相位联合选取样本,避免了在训练样本集中包含含有目标的样本,明显地去除了强目标的自相消效应。用实测数据比较研究了两种工程中常用的空时二维权值计算算法的性能。实验结果表明这两种算法均具有良好的杂波、干扰抑制性能,传统的SMI算法在杂波抑制性能上较QRD-SMI算法有一定的优势,而QRD-SMI算法对“目标消除效应”较SMI算法有更强的稳健性。综合比较算法性能、数值特性以及可并行实现性,QRD-SMI更适合在STAP的工程实现时采用。针对多DSP并行处理系统,研究了机载雷达空时自适应处理算法的实时实现。在分析了部分自适应STAP算法内在并行性的基础上,提出了一种任务级的STAP并行处理算法。给出了该算法的任务划分、执行模型、任务映射策略以及性能评价函数。该算法在不同的计算阶段之间进行数据重映射。通过数据实验证明这种基于多DSP并行处理系统的STAP并行算法具有较高的实时性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 概述
• 1.2 国内外研究现状
• 1.2.1 部分自适应STAP 算法的研究现状
• 1.2.2 样本选取策略的研究现状
• 1.2.3 权值计算算法的研究现状
• 1.2.4 实测数据采集和STAP 方法的验证
• 1.2.5 STAP 的工程实现
• 1.2.6 STAP 领域的其它研究内容
• 1.3 本文的主要研究内容
• 第二章 局域杂波自由度问题研究
• 2.1 引言
• 2.2 局域杂波自由度
• 2.3 局域杂波自由度分析
• 2.4 数据实验
• 2.5 本章小结
• 第三章 稳健的局域STAP 处理器
• 3.1 引言
• 3.2 局域STAP 处理器
• 3.3 稳健的局域STAP 处理器
• 3.3.1 准则选取
• 3.3.2 系统自由度初始值选取
• 3.3.3 FDSP 权值递推快速算法
• 3.4 数据实验
• 3.5 本章小结
• 第四章 STAP 权值训练样本选取方法比较研究
• 4.1 引言
• 4.2 样本非均匀性及样本选取方法
• 4.3 改进的功率样本选取法
• 4.4 数据实验
• 4.5 本章小结
• 第五章 STAP 的权值计算算法比较研究
• 5.1 引言
• 5.2 SMI 与QRD-SMI STAP 权值计算算法
• 5.2.1 采样矩阵求逆算法（SMI）
• 5.2.2 基于QR 分解的采样矩阵求逆算法（QRD-SMI）
• 5.2.3 两种算法的计算量分析
• 5.3 SMI 与QRD-SMI 算法的性能比较
• 5.4 粗粒度QR 分解并行算法
• 5.5 本章小结
• 第六章 机载雷达空时自适应处理的实时实现问题研究
• 6.1 引言
• 6.2 STAP 算法并行性分析
• 6.3 STAP 算法任务模型
• 6.4 多DSP 并行处理系统
• 6.4.1 高速处理器的性能对比
• 6.4.2 多DSP 并行处理系统
• 6.5 STAP 并行算法的设计与实现
• 6.5.1 执行模型
• 6.5.2 任务映射策略
• 6.5.3 数据重映射
• 6.5.4 性能评估指标
• 6.6 数据试验
• 6.7 本章小结
• 结束语
• 本文主要的创新性工作
• 需要进一步研究的问题
• 致谢
• 参考文献
• 作者在学期间所取得的学术成果
• 附录A Brennan 准则的证明
• 附录B MountainTop 数据分析