摘要
机载雷达的首要任务是进行目标检测，但在雷达接收到的回波信号中不仅包含目标信号，也同时不可避免的包含了场景中的一些杂波信号，且杂波信号严重影响了雷达的目标检测性能。因此，有效目标检测的前提是需要对回波信号进行杂波抑制。空时自适应处理（Space-TimeAdaptiveProcessing,STAP）是一种经典的杂波抑制算法，但由于雷达在非均匀环境下难以获得足够数量的样本估计协方差矩阵，这会使得STAP算法性能严重下降。针对样本不足问题，知识辅助STAP（Knowledge-AidedSTAP,KA-STAP）技术被证明是一种有效的解决方案，故本文围绕机载雷达中的KA-STAP技术展开研究，主要研究内容为： （1）研究了基于KA的Persymmetric结构协方差矩阵估计。首先，在欧几里得距离下根据杂波先验知识和Persymmetric特性，研究了Persymmetric结构协方差矩阵收缩估计方法，并对该方法进行了仿真实现和性能分析。其次，针对上述方法最优解表达式无法评估先验协方差矩阵和真实协方差矩阵之间差距的问题，研究了基于白化能力的机载雷达降维STAP方法。利用先验知识和Persymmetric协方差结构，并基于理想协方差矩阵的预白化能力，提出了一种基于Persymmetric的待检测单元（CellUnderTest,CUT）预白化性能评估算法。该算法对不同精度的先验知识具有较强的鲁棒性，能够对观测到的干扰数据进行最大化白化处理。同时，考虑到高维STAP带来的巨大计算量，采用扩展因子化方法（ExtendedFactoredApproach,EFA）对所提算法进行降维优化处理。仿真结果表明，即使在先验知识存在一定误差的情况下，该算法也能够有效地提高信干噪比（Signal-to-Interference-plus-NoiseRatio,SINR），提升STAP性能。 （2）研究了基于几何方法的结构化协方差矩阵估计。由于（1）中算法依赖于利用杂波先验知识构造的先验协方差矩阵，不适用于无先验知识可用时的情形。针对该情形，遵循几何范式，提出了两种结构化协方差矩阵估计算法。具体地，算法从一组训练数据出发，考虑不同的协方差矩阵结构信息（Persymmetric或Toeplitz结构），构造了两种结构样本协方差矩阵，通过利用正定矩阵空间特性并施加条件数上限约束，以理想协方差矩阵和结构样本协方差矩阵之间的Frobenius范数作为目标函数建立极小化问题，并对该问题进行转化，最终得到估计器的闭式解。在两种场景下的仿真结果表明了所提算法可更加精确地估计协方差矩阵，有效地提高了SINR，提升了雷达干扰抑制性能，且在小样本情况下的优化效果更为显著。
NETL