基于白化滤波器的地杂波抑制方法与流程

本发明涉及雷达信号处理中的杂波抑制技术，特别是一种基于白化滤波器的地杂波抑制方法。
背景技术：
：自20世纪30年代雷达诞生以来，雷达技术获得了高速的发展。近年来，各种雷达处理技术的理论与应用研究成为一大热门和关键性课题。在雷达进行目标检测时，目标周围存在着各种背景干扰，也称为杂波，即雷达所需探测的运动目标以外的一切无源反射物的反射回波，雷达目标回波信号中往往夹杂着强度更大的环境杂波，如果弱目标淹没在强杂波中，特别是当强杂波使接收机过载时，这些目标的发现将会变得非常困难。而即使目标并没有处于杂波背景内，想要在成片的杂波中很快地分辨出运动目标回波也是一项很难完成的工作。为了应付日益复杂的雷达工作环境，提高检测能力，降低虚警率，国内外很早就开始了在各种杂波背景下检测目标信号的研究工作，杂波抑制技术是其中的关键技术之一。对地面侦察雷达而言，其主要功能是在复杂地杂波环境中探测敌方运动中的人员、车辆、坦克及低空直升机等活动目标，测定其位置、运动速度和运动方向，判明其性质。慢速目标检测中的杂波抑制一直是地面侦查雷达目标检测中一个难点，慢速目标频谱如果位于杂波的频谱附近，则目标的功率往往会低于杂波的功率，难以进行有效的信号检测。而且由于慢速目标的频率处于杂波谱展宽附近，传统的MTI、AMTI等杂波抑制技术由于地面侦查雷达的多普勒分辨率不高，在抑制杂波的同时也会抑制目标信号本身，难以起到效果。近年来，提出了许多新的杂波抑制技术，如基于小波分解和中值滤波，基于杂波图技术的杂波抑制方法，基于EMD分解和Hilbert变换的滤波方法等，但是对存在慢速目标情况下的杂波抑制效果并不是很理想。发明专利201210211297.7公开了一种基于支持向量回归的水下混响抑制方法，主要针对水下混响，将水下混响建立为自回归过程，并对其进行白化滤波，实现混响干扰的消除。发明专利201110409933.2公开了一种自适应杂波抑制动目标信号处理技术及实现方法，主要针对地杂波干扰，将脉压后的信号进行一次对消处理，然后送入窄带FIR滤波器组，各滤波器组输出分别进行距离单元恒虚警处理，经过选大输出得到检测结果，但是并未专门对目标速度情况做出讨论。国内外有关地面侦查雷达存在慢速目标情况下的杂波抑制方法的专利尚未查到。技术实现要素：本发明的目的在于提供一种基于白化滤波器的地杂波抑制方法。实现本发明的技术方案为：一种基于白化滤波器的地杂波抑制方法，包括以下步骤：步骤1，将含有杂波和噪声的雷达回波数据进行脉冲压缩处理，并按照距离门重排数据；步骤2，将脉冲压缩后的第K个距离门设为参考单元，并将慢时间维的雷达回波数据建立为自回归过程，通过基于三阶累积量的Burg算法估计参考单元自回归模型参数；K为与当前处理单元相隔两个距离门的距离门数；步骤3，通过参考单元自回归模型参数构造白化滤波器；步骤4，利用构造出的白化滤波器对当前检测单元的数据进行白化滤波处理；步骤5，对滤波后的时域信号进行动目标检测处理，完成地杂波抑制。本发明与现有的杂波抑制技术相比，其显著优点为：(1)本发明能够对存在慢速目标情况下的杂波进行抑制，将原本在零频附近聚集的杂波有效抑制，分散其功率使杂波在频域表现为近似白噪声的形式，功率分散后的杂波对于慢速目标检测的影响明显减小；(2)现有的MTI、AMTI等技术在抑制杂波的同时会对目标信号也造成较大的损失，本发明对于目标信号造成的滤波损失较小；(3)本发明中采用的Burg算法是一种参数化分析方法，利用前、后向预测误差平均功率最小准则来估计反射系数，再利用Levinson递推由低阶到高阶来求自回归模型的参数，避免了计算自相关矩阵和求解Yule-Walker方程，并且参数估计的精确度相比其他估计方法如自协方差法等在精度和运算量方面有一定的优势；(4)针对地面侦查雷达分辨率不高的现实情况，本发明将杂波构建为瑞利杂波，并基于三阶累积量估计白化滤波器系数，相对于传统的白化滤波器滤波效果有所提升；(5)在现有的时频结合杂波抑制技术中，其滤波过程往往需要较多人为的判断，本发明为自适应型滤波器，不会引入人为干扰。下面结合附图对本发明作进一步详细描述。附图说明图1是本发明基于白化滤波器的地杂波抑制方法流程图。图2是常规MTD目标距离门多普勒切片图。图3是本发明杂波抑制后的MTD多普勒切片图。图4是本发明杂波抑制后MTD的目标检测效果距离-多普勒三围图。具体实施方式本发明针对战场侦察雷达目标检测中慢速目标多普勒频谱位于或靠近杂波频谱区域难以进行目标检测的情况提出了一种有效抑制地杂波的方法。结合图1，本发明基于白化滤波器的地杂波抑制方法包括以下步骤：步骤1，将含有杂波和噪声的雷达回波数据进行脉冲压缩处理，并按照距离门重排数据；步骤2，将脉冲压缩后的第K个距离门设为参考单元，并将慢时间维的雷达回波数据建立为自回归过程，通过基于三阶累积量的Burg算法估计参考单元自回归模型参数；K为与当前检测单元相隔两个距离门的距离门数，即当前检测单元为第K+2个距离门；步骤3，通过估计出的参考单元自回归模型参数构造白化滤波器；步骤4，利用构造出的白化滤波器对当前检测单元的数据进行白化滤波处理；步骤5，对滤波后的时域信号进行动目标检测处理，完成地杂波抑制。进一步的，步骤2中通过基于三阶累积量的Burg算法及最速下降法估计参考距离单元自回归模型参数的具体过程为：步骤2-1，初始化Burg算法所需的迭代参数：Km(0)=em-1b(0)=em-1f(0)=0]]>e0f(n)=e0b(n)=y(n)]]>其中Km为反射系数，y(n)为当前时刻的回波信号，n表示当前时刻，为第m阶前向误差功率，为第m阶后向误差功率；步骤2-2，计算每次Burg算法迭代过程对应的基于三阶累积量的代价函数：Pcum=E{Σi=-ppy(n+i)[|emf(n)|2+|emb(n)|2]}]]>其中，p为白化滤波器的阶数，本具体实施方式中根据实际运算量和效果折中取阶数为5阶；步骤2-3，通过最速下降法进行递推，定义迭代过程中间参数：dp(n)=(1-α)dp(n-1)+|Sy(n)|[|emf(n)|2+|emb(n)|2]]]>Sy(n)=Σi=-ppy(n+i).]]>α为收敛因子，0＜α＜＜1，i的取值为[-p,p]；步骤2-4，求解下一次迭代所需的最优反射系数：Km(n+1)=Km(n)+μdp(n)*▿KmPcum]]>其中μ为迭代步长，取值为[0,1]，为当前代价函数关于当前反射系数Km的梯度；步骤2-5，利用Burg算法计算下一次迭代前向误差功率、后向误差功率，利用格型滤波器结构进行递推：emf(n)=em-1f(n)+Kmem-1b(n-1)emb(n)=em-1b(n-1)+Kmem-1f(n)]]>步骤2-6，重复以上步骤2-2到步骤2-5过程完成整个迭代过程。进一步的，步骤3中通过估计出的参考单元自回归模型参数构造白化滤波器的具体过程为：步骤3-1，利用得到的反射系数Km并经过Levinson递推准则得出基于三阶累积量自回归模型的白化滤波器系数ap；步骤3-2，利用得到的白化滤波器系数ap，构造白化滤波器，白化滤波器的频率特性为：H(w)=1+Σp=1pap*^e-jwp]]>其中，为ap的共轭转置，w为频率。下面结合具体实施例对本发明作进一步说明。实施例本实施例中仿真参数设置为：载频为10GHz，载波为线性调频信号，带宽10MHz，采样频率20MHz，脉冲时宽80μs，占空比为1：20，慢时间维积累次数为512次，目标沿径向做匀速直线运动，速度为0.4m/s，噪声为白噪声，信噪比为10dB，杂波为服从瑞利分布的地杂波，信杂比为0dB。从图2中可以看出，在常规动目标检测处理的情况下，零频附近的杂波能量集中，在幅度上表现得跟目标能量近似，难以检测出目标，极其容易出现虚警。从图3中可以看出，经过白化滤波预处理后再进行动目标检测，零频附近的杂波基本被抑制住，整个检测背景变成了类似“白噪声”的情况，目标清晰凸显出来，可以进行目标检测。从图4中可以看出，经过白化滤波处理后，原本有大量杂波干扰的检测背景变成了类似白噪声的背景，原本在零频附近聚集的杂波不再对慢速目标造成强大的干扰，目标检测得以进行，说明了这种白化预处理是有效的。当前第1页1 2 3