[发明专利]自适应稀疏分数阶模糊函数杂波抑制及动目标检测方法

说明书

本发明涉及自适应稀疏分数阶模糊函数SFRAF杂波抑制及动目标检测方法，属于雷达信号处理技术领域。首先，对输入雷达回波信号进行SFRAF处理，并通过分级迭代峰度搜索快速确定最佳变换阶数；然后，进行SFRAF域自适应最小均方滤波LMS运算，包括滤波过程和自适应迭代过程，当滤波器的误差达到稳态时，输出结果；最后，将输出信号的SFRAF幅值作为检测统计量与门限进行比较，得到动目标检测结果。本发明方法改进了时域LMS滤波算法的性能；在大数据量条件下保证较高的运算效率；并且对稀疏度参数变化不敏感，抑制杂波能力强，在低信杂比情况下对机动目标仍具有良好的检测性能。

技术领域

本发明属于雷达信号处理技术领域，更具体地，本发明涉及一种自适应稀疏分数阶模糊函数杂波抑制及动目标检测方法，可用于杂波背景下的雷达机动目标检测。

背景技术

低可观测机动目标的快速、有效检测已成为雷达技术领域的世界性难题。受复杂环境背景和目标复杂运动特性的影响，机动目标回波信杂噪比(SCR)低，且回波多普勒呈现时变特性，目标的速度变化引起的加速度以及目标在高海况条件下的摇摆和起伏运动，容易导致回波出现高次相位，增加了雷达探测的难度。经典的基于傅里叶变换的动目标检测(MTD)方法仅适用于平稳回波信号，对于强杂波和干扰条件下的机动目标，难以实现可靠的检测。广泛使用的短时傅里叶变换(STFT)、分数阶傅里叶变换(FRFT)、Wigner-Vill分布(WVD)、小波变换(WT)等基于时频变换的雷达动目标检测方法实质是时间和多普勒维对MTD方法的扩展，能够提升雷达对非平稳信号的处理性能。但该类方法多为参数搜索类方法，运算效率难以满足实际要求。此外，若变换方法与目标运动特性不相匹配，则相参积累增益低，难以达到显著改善SCR的效果。分数阶模糊函数(FRAF)对机动目标有良好的能量聚集性和检测性能，可有效解决信号高次相位信息提取的问题，但其仍为参数搜索类方法，需要逐个多普勒通道进行旋转角匹配搜索，运算量较大，且参数估计精度受时频分辨率和搜索步长的限制。因此，亟需研究能适应杂波环境的、高效可靠、适用于大数据量处理的机动目标信号分析方法。

近年来，稀疏信号处理技术的发展为雷达探测技术提供了新的研究思路。基于降采样快速FT(FFT)的理论方法因结合FFT和稀疏表示的优势，适合长时间序列的信号分析，具有代表性的有稀疏FT(SFT)、稀疏FRFT(SFRFT)和稀疏FRAF(SFRFT)。SFT已在频谱感知、图像检测、医学成像等方面取得了较好的应用效果，但其仅能处理平稳信号，不适用于雷达机动目标的检测。SFRFT和SFRAF在应用于杂波背景下的机动目标检测时存在以下两方面不足：一方面，SFRAF需要对信号的稀疏度K进行预设，而在实际应用中，信号的稀疏度往往是未知的或者可能发生改变的，降低了算法的稳健性；另一方面，SFRAF本身没有杂波抑制能力，在SCR较低的情况下，信号重构可靠性差，算法的检测性能会明显下降。

最小均方(LMS)自适应滤波器运用递归算法进行内部运算，可以解除先验信息的限制，具有鲁棒性好，结构简单，计算量小的优点，是信号滤波的有力工具。但是，时域LMS自适应算法对信号自相关矩阵特征值的分散程度较为敏感，而非平稳信号自相关矩阵特征值的分散程度较大，导致算法收敛性能下降，达不到很好的滤波效果。本发明专利将自适应滤波方法引入SFRAF域，提出自适应稀疏分数阶模糊函数，并将其用于杂波抑制和机动目标检测，既能利用SFRAF在运算效率方面的优势，又能实现杂波背景中的机动目标检测。

发明内容

本发明的目的在于将自适应滤波方法引入稀疏时频分析，在实现动目标信号稀疏表示的同时利用杂波和目标在SFRAF域的相关性差异抑制杂波，提出一种自适应稀疏分数阶模糊函数杂波抑制及动目标检测方法。其中要解决的技术问题包括：

(1)时域LMS方法对信号自相关矩阵特征值的分散程度较为敏感，而非平稳信号自相关矩阵特征值的分散程度较大，导致算法收敛性能下降，达不到很好的滤波效果；

(2)以FRFT理论体系为基础的变换域动目标检测方法，在大数据量、长时观测脉冲采样点多时运算效率低，难以实现快速计算；