基于道路信息的知識輔助空時自適應(yīng)處理

吳億鋒 王 彤吳建新 代保全 同亞龍

(西安電子科技大學(xué)雷達信號處理國家重點實驗室 西安 710071)

基于道路信息的知識輔助空時自適應(yīng)處理

吳億鋒 王 彤*吳建新 代保全 同亞龍

(西安電子科技大學(xué)雷達信號處理國家重點實驗室 西安 710071)

主波束中的車輛回波信號會污染空時自適應(yīng)處理(STAP)的訓(xùn)練樣本，導(dǎo)致空時自適應(yīng)處理時的目標(biāo)自相消，引起漏警。針對這一問題，該文提出一種基于道路信息的知識輔助(KA)空時自適應(yīng)處理方法。該方法首先根據(jù)主波束中道路相對于雷達的位置估計道路上車輛相對于雷達的徑向速度，然后得到可能含有主波束車輛回波信號的距離-多普勒單元，接著根據(jù)訓(xùn)練樣本與雜波導(dǎo)向矢量和主波束導(dǎo)向矢量的匹配程度判斷這些訓(xùn)練樣本是否包含主波束車輛回波信號，最后在進行空時自適應(yīng)處理估計雜波協(xié)方差矩陣時剔除被主波束車輛回波信號污染的訓(xùn)練樣本。理論分析及實驗結(jié)果表明該方法可以提高道路密集環(huán)境中空時自適應(yīng)處理的信雜噪比輸出，改善空時自適應(yīng)處理雷達的性能。

空時自適應(yīng)處理；知識輔助；道路信息；目標(biāo)自相消

1 引言

空時自適應(yīng)處理(Space Time Adaptive Processing, STAP)需要雜波的協(xié)方差矩陣來計算自適應(yīng)權(quán)值，該矩陣通常是未知的，需要通過訓(xùn)練樣本估計得到[1]。為了估計雜波的協(xié)方差矩陣，經(jīng)典的滑窗法[2]通常選擇待處理單元附近的距離采樣數(shù)據(jù)作為訓(xùn)練樣本。例如，如果需要0L個訓(xùn)練樣本，那么在檢測單元前后(為了防止目標(biāo)自相消和目標(biāo)信號在距離維的擴展，需要剔除待處理單元及其附近的若干保護單元)各選擇0/2L個訓(xùn)練樣本來估計雜波的協(xié)方差矩陣。此時，假設(shè)這種使用滑窗方法挑選出的訓(xùn)練樣本能夠代表待處理單元的雜波。然而，在非均勻雜波環(huán)境中，這種假設(shè)是不成立的。為了保證所估計的雜波協(xié)方差矩陣的性能，訓(xùn)練樣本的數(shù)量要大于系統(tǒng)自由度的2倍[3]。根據(jù)雷達系統(tǒng)參數(shù)和距離分辨率可以得知，訓(xùn)練樣本數(shù)據(jù)所跨越的地面長度可長達數(shù)百米甚至數(shù)千米。雷達工作的范圍如此之大以至于環(huán)境中存在的離散雜波點、功率非均勻性以及海陸交界等地形差異使得不同距離門的雜波具有不同的統(tǒng)計特性[45]，，用滑窗法挑選出的訓(xùn)練樣本與待處理單元的雜波統(tǒng)計特性并不一定相同，由此估計的協(xié)方差矩陣與待處理單元的實際的雜波協(xié)方差矩陣存在偏差，此時空時自適應(yīng)處理抑制雜波的性能會下降；當(dāng)訓(xùn)練樣本中含有目標(biāo)信號時，所估計的雜波協(xié)方差矩陣中包含目標(biāo)信號(稱為奇異樣本)，由此得到的自適應(yīng)權(quán)值進行STAP時會造成目標(biāo)相消[6-8]，引起漏警。

為了防止STAP時目標(biāo)自相消現(xiàn)象的發(fā)生，在估計雜波協(xié)方差矩陣的時候必須剔除被目標(biāo)信號污染的訓(xùn)練樣本。一些學(xué)者提出了基于先驗知識的STAP[9-11]，用已有的雷達數(shù)據(jù)、地圖數(shù)據(jù)和道路信息等來輔助空時自適應(yīng)信號處理，取得了不錯的效果，證明了先驗知識在STAP中的價值。主波束內(nèi)道路上的車輛回波信號與目標(biāo)信號具有相似的形式，如果用含有這種車輛回波信號的訓(xùn)練樣本來估計雜波協(xié)方差矩陣，STAP時會造成目標(biāo)自相消[9]。文獻

[9]將所有包含道路的距離單元剔除，可以在一定程度上改進STAP性能，然而這種方法在道路密集的環(huán)境中會剔除大量訓(xùn)練樣本，從而導(dǎo)致STAP的訓(xùn)練樣本不足而使其性能下降[12]。

針對文獻[9]的不足，本文提出了一種改進的基于道路信息的STAP算法，根據(jù)道路信息剔除被主波束內(nèi)車輛回波信號污染的訓(xùn)練樣本。道路上存在許多運動目標(biāo)，雷達主波束中的車輛相對于雷達的多普勒頻率有可能與待處理單元中目標(biāo)的多普勒頻率相同，那么車輛與待處理單元中所要檢測的真實目標(biāo)具有相同的空時導(dǎo)向矢量，這樣，在空時自適應(yīng)處理估計協(xié)方差矩陣時如果訓(xùn)練樣本中含有主波束的車輛回波信號，就相當(dāng)于訓(xùn)練樣本中含有目標(biāo)信號，所求得的自適應(yīng)權(quán)值作用于待處理單元時就會造成目標(biāo)相消而使其性能下降，所以空時自適應(yīng)處理估計協(xié)方差矩陣挑選訓(xùn)練樣本時剔除主波束內(nèi)車輛回波所在的距離門可以提高STAP的性能。為了防止訓(xùn)練樣本過度剔除問題，本文根據(jù)一定的準(zhǔn)則判斷訓(xùn)練樣本是否被主波束內(nèi)車輛回波信號污染，進而由此剔除被主波束車輛回波信號污染的訓(xùn)練樣本。

本文算法首先根據(jù)雷達構(gòu)型、慣導(dǎo)信息及道路網(wǎng)信息計算雷達主波束內(nèi)道路所在的距離-多普勒單元；然后根據(jù)道路相對于雷達的角度和車輛的速度范圍計算出道路上車輛相對于雷達的徑向速度范圍，從而得到可能包含主波束車輛回波信號的距離-多普勒單元；接著，對于某待處理單元，在其相同多普勒通道中挑選與其臨近的距離單元(剔除保護單元)作為原始訓(xùn)練樣本，根據(jù)原始訓(xùn)練樣本數(shù)據(jù)矢量與雜波導(dǎo)向矢量及道路導(dǎo)向矢量的匹配程度判斷其是否為車輛回波，從而剔除被主波束車輛回波信號污染的原始訓(xùn)練樣本；最后，用挑選出的訓(xùn)練樣本計算自適應(yīng)權(quán)值進行STAP。

2 信號模型

以機載正側(cè)視均勻線陣?yán)走_為例進行分析，假設(shè)該雷達包含N個間距為d的陣元，雷達與雜波散射點的幾何關(guān)系如圖1所示。載機的速度v平行于地面沿X軸正方向，雷達軸向與載機速度平行，雜波散射點相對于雷達的俯仰角、方位角和直線距離分別為φ,θ和lR。

圖1 雷達與雜波散射點的幾何關(guān)系圖

N個陣元在第l個距離門所接收到的M個脈沖回波數(shù)據(jù)矩陣可表示為

式中Cl和Nl分別為雜波和噪聲信號，ρl為目標(biāo)幅度，目標(biāo)空時導(dǎo)向矢量S=b(?)aT(υ)，其中?表示Kronecker積，(?)T表示轉(zhuǎn)置運算符。

為歸一化空間頻率等于υ的空域?qū)蚴噶浚?/p>

為歸一化多普勒頻率等于?的時域?qū)蚴噶俊?/p>

雜波信號可表示為

其中rN為距離模糊次數(shù)，cN為每個距離門劃分的雜波散射點的個數(shù)，ikla,iklb和iklρ分別為第i次距離模糊在第l個距離門的第k個雜波塊對應(yīng)的空域?qū)蚴噶?、時域?qū)蚴噶亢突夭◤?fù)幅度，具有形式為

式中

分別為第i次距離模糊在第l個距離門的第k個雜波塊對應(yīng)的歸一化空域頻率和歸一化多普勒頻率，ilkφ和iklθ分別為對應(yīng)的俯仰角和錐角，λ和rf分別為雷達發(fā)射波長和脈沖重復(fù)頻率。

3 基于道路信息的STAP

3.1 問題描述

全空時自適應(yīng)處理由于計算量大并且所需的訓(xùn)練樣本較多，在實際應(yīng)用中通常是不可行的，實際應(yīng)用中經(jīng)常采用降維的空時自適應(yīng)處理。本文以常用的因子方法(Factor Approach, FA)[13]方法為例進行分析。首先將陣元脈沖域數(shù)據(jù)lX通過MM×的傅里葉變換矩陣F轉(zhuǎn)換到陣元多普勒域：

式中μ表示歸一化系數(shù)，subR表示待處理單元的雜波協(xié)方差矩陣，在實際處理中是通過其周圍具有獨立同分布的訓(xùn)練樣本估計得到的。如果挑選的訓(xùn)練樣本含有目標(biāo)信號，由此計算的自適應(yīng)權(quán)值進行STAP時會造成目標(biāo)相消，降低STAP的性能。

針對以上問題，本文根據(jù)先驗的道路信息剔除可能被目標(biāo)污染的訓(xùn)練樣本。為了描述方便，本文以多通道機載雷達測量(Multi-Channel Airborne Radar Measurement, MCARM)數(shù)據(jù)[15]為例進行分析。MCARM數(shù)據(jù)是由工作于L波段的2行11列的機載相控陣?yán)走_(為減小運算量和所需的訓(xùn)練樣本個數(shù)，本文僅采用上面一行的陣元)錄取的，一個相干處理間隔內(nèi)具有128個脈沖。本文所用的MCARM數(shù)據(jù)的錄取環(huán)境如圖2所示。由圖2可以看出雷達工作區(qū)域內(nèi)有很多道路，由于道路上的車輛可能會引起STAP時目標(biāo)自相消現(xiàn)象的發(fā)生，所以本文根據(jù)訓(xùn)練樣本中是否包含主波束內(nèi)的車輛回波信號挑選訓(xùn)練樣本。

3.2 雷達信號與道路的配準(zhǔn)

圖2 MCARM數(shù)據(jù)的錄取環(huán)境及其內(nèi)的道路信息

由于本文中所用雷達數(shù)據(jù)的照射區(qū)域是相對平整的(最高點和最低點的高程差小于90 m)并且非常接近于水平面，所以本文假設(shè)地面處于同一海拔高度。根據(jù)雷達系統(tǒng)參數(shù)及慣導(dǎo)信息，可以計算雷達照射范圍對應(yīng)的經(jīng)緯度，文獻[11]詳細(xì)介紹了該過程，本文就不再贅述。在地形高度變化很大的情況下，配準(zhǔn)方程要用數(shù)字高程數(shù)據(jù)進行校正才能進行配準(zhǔn)。通過谷歌地圖可以獲得道路采樣的經(jīng)緯度信息。雷達的照射范圍及其內(nèi)的道路信息如圖3所示，灰色區(qū)域表示雷達照射范圍，黑色的線條表示該區(qū)域的道路。

3.3 剔除被主波束車輛回波信號污染的訓(xùn)練樣本

高速公路上存在車輛，車輛的運動會引起多普勒頻率的變化，主波束照射區(qū)域內(nèi)道路上的車輛有可能與目標(biāo)具有相同的多普勒頻率，如果用含有這種車輛回波信號的訓(xùn)練樣本來估計雜波協(xié)方差矩陣，就相當(dāng)于在協(xié)方差矩陣中加入了目標(biāo)信號分量，STAP時會造成目標(biāo)相消，降低實際目標(biāo)的功率，因此，在挑選訓(xùn)練樣本估計雜波協(xié)方差矩陣時需要剔除這種被主波束內(nèi)車輛回波信號污染的訓(xùn)練樣本。根據(jù)第3.2節(jié)雷達信號與道路的配準(zhǔn)方法，將雷達照射區(qū)域內(nèi)的道路轉(zhuǎn)換到距離-多普勒域，如圖4所示。根據(jù)雷達系統(tǒng)參數(shù)可計算出道路對應(yīng)的距離-多普勒單元的集合記為RDroa。

道路上的車輛具有速度，其相對于雷達會有一定的多普勒頻移，假設(shè)車輛的速度vc∈[60～120] km/h，由車輛相對于雷達運動而引起的多普勒通道偏移：

式中θc為車輛速度與雷達下視點(雷達下方的地表點)連線的夾角，φc為雷達相對于車輛的俯仰角，可通過車輛相對于雷達的距離確定。因為車輛一般沿著道路行駛，所以本文認(rèn)為車輛速度方向與其所在道路的走向平行，從而可以通過道路走向及其相對于雷達的方位確定θc。本文中一個距離多普勒單元中含有十幾個道路采樣點，通過計算相鄰兩個采樣點連線與采樣點-雷達下視點連線的夾角并取平均值，得到該距離多普勒單元對應(yīng)的θc。車輛的運動使得其回波信號發(fā)生多普勒頻率偏移，假設(shè)道路上布滿速度為vc的車輛，對應(yīng)于RDroa的車輛所在的距離-多普勒單元集合記為RDveh，其如圖5所示。

本文通過式(13)-式(18)判斷訓(xùn)練樣本是否被主波束內(nèi)車輛回波信號污染。圖1中靜止的地面散射點的歸一化多普勒頻率為

歸一化空間頻率為

從而可得

從式(15)可以看出，在多普勒頻率不模糊的情況下不同的多普勒通道的雜波對應(yīng)的歸一化空間頻率不同。對于第m個多普勒通道，由傅里葉變換的性質(zhì)可知該通道對應(yīng)的歸一化多普勒頻率為(1)m-/0.5M-，從而得到該多普勒通道中相對于地面靜止的雜波塊對應(yīng)的空域?qū)蚴噶繛?/p>

由于道路上的車輛是運動的，車輛的運動引起多普勒頻率偏移。假設(shè)車輛的歸一化多普勒頻率為(m-1)/M-0.5，根據(jù)RDroa與RDveh的對應(yīng)關(guān)系可以查找到該車輛所在道路的回波信號所在的多普勒通道，假設(shè)為第m1個多普勒通道，則其歸一化多普勒頻率為(m1-1)/M-0.5，那么該道路的空域?qū)蚴噶繛閍sr。

道路的回波信號和其上車輛的回波信號具有相同的空域?qū)蚴噶?；車輛的回波信號與其所在多普勒通道相對地面靜止的雜波具有不同的空域?qū)蚴噶?，可根?jù)這一不同點判斷訓(xùn)練樣本是否被主波束車輛回波信號污染，本文根據(jù)與sca和sra的匹配程度判定

式中γ為調(diào)解匹配程度的判別系數(shù)。如果判定lmx~為車輛，則將其從訓(xùn)練樣本集合中剔除，反之則保留。由此就完成了剔除被主波束車輛回波信號污染的訓(xùn)練樣本的過程。需要注意的是RDveh中的一個距離多普勒單元有可能對應(yīng)RDroa中的多個距離多普勒單元，在這種情況下需要對其所對應(yīng)的多個距離-多普勒單元做式(18)的判定處理；當(dāng)存在多普勒模糊時，一個多普勒通道的靜止地面雜波對應(yīng)多個空域?qū)蚴噶浚藭r需要計算與多個導(dǎo)向矢量的匹配程度。

綜上所述，基于道路信息的知識輔助(Knowledge Aided, KA) STAP流程圖如圖6所示，具體步驟為：

步驟1 將雷達回波數(shù)據(jù)在脈沖域做FFT變換，得到多普勒域的雷達回波數(shù)據(jù)；根據(jù)公路信息、雷達系統(tǒng)參數(shù)和慣導(dǎo)信息等計算雷達主波束內(nèi)公路所在的距離-多普勒單元的集合RDroa，并計算公路上對應(yīng)的車輛回波信號所在的距離-多普勒單元集合RDveh。

步驟2 對于某待處理單元，從其附近距離挑選原始訓(xùn)練樣本，并記所挑選原始樣本距離門的集合為?。由于脈沖壓縮存在旁瓣，與待處理單元臨近距離門的訓(xùn)練樣本中可能含有目標(biāo)信號通過脈沖壓縮旁瓣泄露的能量，在挑選原始訓(xùn)練樣本時要把待處理單元周圍的若干保護單元剔除，以防目標(biāo)自相消現(xiàn)象的發(fā)生。

步驟3 從原始訓(xùn)練樣本集合中挑選有可能被主波束車輛回波信號污染的訓(xùn)練樣本。如果步驟2中挑選的原始訓(xùn)練樣本屬于RDveh，則這些樣本就是有可能被主波束車輛回波信號污染的訓(xùn)練樣本。

圖3 雷達照射范圍及其內(nèi)的道路信息

圖4 雷達照射區(qū)域內(nèi)高速公路對應(yīng)的距離-多普勒圖

圖5 車輛多普勒頻率偏移后對 應(yīng)的距離多普勒單元

圖6 基于道路信息的知識輔助STAP流程圖

步驟4 判斷步驟3中挑選出來的訓(xùn)練樣本是否被主波束車輛回波信號污染。以步驟3挑出的某一樣本x~lm∈RDveh為例進行分析，根據(jù)式(15)由樣本的多普勒頻率確定其空間頻率，并由此得到該多普勒通道的地面雜波的空域?qū)蚴噶縜sc；根據(jù)步驟1中的計算，查找訓(xùn)練樣本對應(yīng)在RDroa中的道路所在距離-多普勒單元，并由該單元的多普勒頻率確定道路的空域?qū)蚴噶縜sr；根據(jù)x~lm與asc和asr的匹配程度，由式(18)判斷訓(xùn)練樣本是否被車輛回波信號污染。

步驟5 將被車輛回波信號污染的訓(xùn)練樣本從原始訓(xùn)練樣本中剔除，用剩余的訓(xùn)練樣本估計待處理單元的雜波協(xié)方差矩陣，并對待處理單元進行STAP。

步驟 6 對所有的待處理單元進行步驟2～步驟5的處理，由此就完成了基于道路信息的知識輔助STAP。

4 實驗結(jié)果

為說明本文所提算法的性能，本節(jié)將所提方法挑選訓(xùn)練樣本的實驗結(jié)果與滑窗法挑選訓(xùn)練樣本的實驗結(jié)果加以對比。所有的訓(xùn)練樣本都是從對應(yīng)于待處理單元的多普勒通道挑選的。需要注意的是：在不包含主波束車輛回波信號的區(qū)域，本文所提方法與滑窗法的效果相同，兩者挑選出的訓(xùn)練樣本是一樣的。

在第360號距離門注入一個歸一化多普勒頻率為0.1094的仿真目標(biāo)。圖7畫出了目標(biāo)所在多普勒通道經(jīng)FA處理后的功率剩余。本文采用輸出的信號功率與雜波加噪聲功率之比作為性能評價指標(biāo)，記為SCNRout，其中，輸出的雜波加噪聲功率是通過距離平均得到的。由圖7可以看出滑窗STAP的目標(biāo)功率為-58.2 dB，本文所提方法的目標(biāo)功率為-55.0 dB，也就是說本文所提方法相對于滑窗STAP使得目標(biāo)功率改善了3.2 dB。這是因為滑窗STAP所用訓(xùn)練樣本中有可能包含被車輛回波信號污染的訓(xùn)練樣本，在進行STAP時會引起目標(biāo)自相消現(xiàn)象的發(fā)生，而本文方法剔除了被車輛回波信號污染的訓(xùn)練樣本，因此可以克服由車輛回波信號引起的目標(biāo)自相消現(xiàn)象的發(fā)生，從而改善目標(biāo)輸出功率。另外，從圖7中可以看出滑窗STAP在無目標(biāo)距離單元的雜波噪聲功率平均值為-90.1 dB，本文方法在無目標(biāo)距離單元的雜波噪聲功率平均值為-92.6 dB，也就是說本文方法可以更好地抑制雜波。這是由于滑窗STAP在估計雜波協(xié)方差矩陣時所用訓(xùn)練樣本有可能被車輛回波信號污染，其估計的雜波協(xié)方差矩陣不準(zhǔn)確；本文方法在估計雜波協(xié)方差矩陣的時候剔除被車輛污染的訓(xùn)練樣本，從而可以比傳統(tǒng)的滑窗STAP更精確地估計雜波的協(xié)方差矩陣，因此可以更好地抑制雜波，所以本文方法對無目標(biāo)距離單元的雜波抑制性能有改善。實驗結(jié)果中滑窗法的SCNRout=31.9dB ，本文算法的SCNRout= 37.6dB，本文方法輸出信雜噪比要比滑窗法的結(jié)果高5.7dB，說明本文方法可以提高輸出信雜噪比，改善STAP的性能。

式(18)中的γ值的大小影響系統(tǒng)對車輛回波信號的敏感程度，可根據(jù)車輛回波對訓(xùn)練樣本的污染程度設(shè)定。γ值越大則系統(tǒng)對車輛污染信號越敏感，所剔除的訓(xùn)練樣本就越多。在實際處理中，如果訓(xùn)練樣本與asc的匹配程度大于訓(xùn)練樣本與asr的匹配程度，即，則該訓(xùn)練樣本中車輛回波信號占相對弱勢，通過多個訓(xùn)練樣本平均后所估計的雜波協(xié)方差矩陣中車輛回波信號更弱，因此在估計雜波協(xié)方差矩陣時可以不用剔除，本實驗中取γ=1。

圖7 STAP后的雜波剩余圖

需要注意的是，公路信息要與雷達回波數(shù)據(jù)匹配才能取得較好的性能改進，但是實際處理中多種因素會引起公路信息與雷達回波信號的失配(例如公路信息過于陳舊而使得公路信息有變動，或者公路信息投影到雷達距離-多普勒單元時的不準(zhǔn)確以及雷達慣導(dǎo)信息的不準(zhǔn)確等)，如果公路信息與雷達回波數(shù)據(jù)失配則不能有效剔除雷達回波數(shù)據(jù)中被車輛回波信號污染的訓(xùn)練樣本，進而不能改進系統(tǒng)性能。

5 結(jié)束語

本文展示了一種利用先驗道路信息改進STAP性能的方法，解決了文獻[9]中所提方法在道路密集環(huán)境中訓(xùn)練樣本不足的問題。根據(jù)道路信息剔除被主波束車輛回波信號污染的訓(xùn)練樣本，可以防止空時自適應(yīng)處理時目標(biāo)自相消現(xiàn)象的發(fā)生，從而改進雷達信號處理性能。為說明本方法性能，我們將本文所提方法與經(jīng)典的滑窗方法挑選訓(xùn)練樣本進行了對比。實驗結(jié)果表明本文所提方法可以明顯改進空時自適應(yīng)處理的性能。

[1] Herbert G M. Clutter modelling for space-time adaptive processing in airborne radar[J]. IET Radar, Sonar & Navigation, 2010, 4(2): 178-186.

[2] 吳建新, 王彤, 索志勇, 等. 空時自適應(yīng)處理的滑窗遞推 QR算法[J]. 電子與信息學(xué)報, 2008, 30(10): 2338-2342.

[3] Reed I S, Mallett J D, and Brennan L E. Rapid convergence rate in adaptive arrays[J]. IEEE Transactions on Aerospace and Electronic Systems, 1974, (6): 853-863.

[4] Xiang D, Tang T, Zhao L, et al.. Superpixel generating algorithm based on pixel intensity and location similarity for SAR image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(6): 114-118.

[5] 尚秀芹, 宋紅軍, 陳倩, 等. 非均勻環(huán)境中分布目標(biāo)的參量廣義似然比檢測[J]. 電子與信息學(xué)報, 2012, 34(1): 128-133.

[6] 許京偉, 廖桂生, 朱圣棋, 等. 前視陣高速雷達空時處理方法研究[J]. 電子與信息學(xué)報, 2013, 35(3): 509-515.

Xu Jing-wei, Liao Gui-sheng, Zhu Sheng-qi, et al.. Research on STAP approach of forward looking array radar with high-velocity[J]. Journal of Electronics & Information Technology, 2013, 35(3): 509-515.

[7] 郭佳佳, 廖桂生, 楊志偉, 等. 利用廣義內(nèi)積值迭代加權(quán)的空時協(xié)方差矩陣估計方法[J]. 電子與信息學(xué)報, 2014, 36(2): 422-427.

Guo Jia-jia, Liao Gui-sheng, Yang Zhi-wei, et al.. Iterative weighted covariance matrix estimation method for STAP based on generalized inner products[J]. Journal of Electronics & Information Technology, 2014, 36(2): 422-427.

[8] Cristallini D and Burger W. A robust direct data domain approach for STAP[J]. IEEE Transactions on Signal Processing, 2012, 60(3): 1283-1294.

[9] Guerci J R and Baranoski E J. Knowledge-aided adaptive radar at DARPA: an overview[J]. IEEE Signal Processing Magazine, 2006, 23(1): 41-50.

[10] Tang B, Zhang Y, Tang J, et al.. Close form maximum likelihood covariance matrix estimation under a knowledgeaided constraint[J]. IET Radar, Sonar & Navigation, 2013, 7(8): 904-913.

[11] Christopher T C, Gerard T C, Ivan B, et al.. Implementing digital terrain data in knowledge-aided space-time adaptive processing[J]. IEEE Transactions on Aerospace and Electronic Systems, 2006, 42(3): 1080-1099.

[12] Ginolhac G, Forster P, Pascal F, et al.. Performance of two low-rank STAP filters in a heterogeneous noise[J]. IEEE Transactions on Signal Processing, 2013, 61(1): 57-61.

[13] Dipietro R. Extended factored space-time processing for airborne radar system[C]. Proceedings of the 26th Asilomar Conference on Signals, Systems and Computing, Pacific Grove, United States, 1992: 425-430.

[14] Ward J. Space-time adaptive processing for airborne radar [R]. Lincoln Lab., MIT, Lexington, MA, 1994.

[15] Suresh Babu B N, Torres J A, and Melvin W L. Processing and evaluation of multichannel airborne radar measurements (MCARM) measured data[C]. Proceedings of the IEEE International Symposium on Phased Array Systems and Technology, United States, 1996: 395-399.

吳億鋒： 男，1988年生，博士生，研究方向為空時自適應(yīng)信號處理和陣列信號處理.

王 彤： 男，1974年生，博士，教授，研究方向為信號與信息處理、特別是陣列信號處理、空時自適應(yīng)信號處理、雷達成像和動目標(biāo)檢測等.

吳建新： 男，1982年生，博士，副教授，研究方向為動目標(biāo)檢測和自適應(yīng)信號處理.

A Knowledge Aided Space Time Adaptive Processing Based on Road Network Data

Wu Yi-feng Wang Tong Wu Jian-xin Dai Bao-quan Tong Ya-long
(National Laboratory of Radar Signal Processing, Xidian University, Xi’an 710071, China)

The echo of the vehicle from the main lobe may contaminate the training samples of Space Time Adaptive Processing (STAP), which results in target self nulling effect, and therefore degrades the probability of detection. To mitigate this problem, this paper proposes a Knowledge Aided (KA) STAP which is based on the road network data to select the training samples. This study firstly estimates the radial velocity of vehicle to the radar; then the range-Doppler cells which may contain vehicle echo are obtained according to the velocity; in the following, this study distinguish whether the training samples contain vehicle echo according to the matching degree of the training samples with the steering vector of the main lobe and the clutter; finally, the samples containing vehicle echo are discarded when the covariance matrix for the STAP is estimated. The theory analysis and experimental results illustrate that the proposed method advances the output of signal to clutter plus noise ratio, and improves the performance of STAP in the road network environments.

Space Time Adaptive Processing (STAP); Knowledge Aided (KA); Road network data; Target self nulling

TN957.51

A

1009-5896(2015)03-0613-06

10.11999/JEIT140626

2014-05-14收到，2014-08-18改回

國家自然科學(xué)基金(61372133, 61471285, 61401500)和國家留學(xué)基金資助課題

*通信作者：王彤 twang@mail.xidian.edu.cn