[发明专利]一种基于功率特征值提取的改进块稀疏贝叶斯抗干扰方法

权利要求书

1.一种基于功率特征值提取的改进块稀疏贝叶斯抗干扰方法，其特征在于：

1)采集雷达中频回波数据，构造稀疏恢复感知原理系统模型，雷达中频回波系统数学模型为：

E_cho'＝Φ'[Re(σ_I^T)Re(σ_U^T)Im(σ_I^T)Im(σ_U^T)]^T+[ε_IU]^T；

其中感知矩阵Φ'是一个2N×2M维度的矩阵，矩阵按照行展开的数学表达式可以表示为[Re(D)-Im(D)Im(D)Re(D)]，D表示复数字典；ε_IU表示回波信号除干扰之外的额外叠加；并假设实数部分和复数部分分别都为M维向量；待提取的回波信号表示为[Re(σ_I^T)Re(σ_U^T)Im(σ_I^T)Im(σ_U^T)]^T并定义为2N×1的向量；

2)初始化感知矩阵相关参数、自适应学习类型adaptive、超参数pure_gama、分块矩阵元素大小f_g、其中干扰信号和有用回波信号的分块分别独立进行，并根据信号干扰噪声比SINR设置分块最小结构F_g的大小，同时需要判断如果信号干扰噪声比SINRT_△dB，就设定分块最小结构为F_g＝10；否则设定分块最小结构F_g＝6；T_△根据实际雷达背景选择；按照上述设定分块结构对采集得到的复数雷达回波信号进行复数分割成实数的对应划分，雷达受到干扰信号元素块结构为Θ_I＝{[1:g_I],[g_I+g_U+1:2g_I+g_U]}；有用目标回波信号元素块结构表示为Θ_U＝{[g_I+1:g_I+g_U],[2g_I+g_U+1:2g_I+2g_U]}；设置学习速率learn_lamda和最大迭代次数max_iter大小；

3)构造系统优化代价函数，代价优化函数设定为：

其中表示似然函数，γ_i是一个非负的超参数，B_i代表一个正定矩阵用于表征块之间的内部互联关系；利用初始信息和雷达回波矩阵信息对改进后的块稀疏贝叶斯架构下的期望最大化算法相关参数进行估计；

4)根据功率特征值门限判断是否是干扰信号的特征功率，特征功率的定义，根据矩阵特征值的物理含义定义为：

上述门限计算式在干扰信号空间内部完成，每个被分成块的向量对应的主协方差矩阵为γ_iB_i，干扰信号被最终分成的块序号为g_I；l设定为0.5表征加权系数；如果判断干扰信号超过此计算门限，则分别构造有用目标回波矩阵子字典D_U和干扰信号矩阵子字典D_I如下：

上述公式的W_N和Ε_mn示为W_N＝exp(-j2π/N),Ε_mn＝exp(jπkt²)，其中k表示发射信号的调频斜率；干扰信号的子字典D_I是N×N维，有用目标回波信号子字典是N×M维；如果超过功率特征值门限，则进行干扰信号和有用回波信号的数据恢复的迭代运算，否则遍历下一个数据；

5)判断当达到迭代最大值后，利用字典信息进行干扰信号的重构和有用回波信号的重构；干扰信号和雷达有用回波信号的具体重构方式为：

其中，和分别是干扰信号和有用回波信号经过本方法恢复的各自的有效反射系数。