非均匀环境下直接数据域与迁移学习STAP算法研究

The space-time adaptive processing (STAP) system can provide a relatively good resolution and clutter suppression performance to realize the GMTI effectively. However, independent and identically distributed samples is insufficient in nonhomogeneous environment, and it is difficult for traditional STAP algorithms to realize a satisfactory performance. Based on this requirement background, it is meaningful to conduct research on STAP algorithm in nonhomogeneous environment. The robust direct data domain (D3) STAP algorithm is studied in our project. Due to the drawbacks of conventional single-sample D3 algorithm, the multi-sample D3-STAP algorithm is investigated. Then, the common factors that deteriorate the performance of D3-STAP under non-ideal conditions are stated. Next, based on the above analysis, the D3-STAP algorithm based on the steering vector estimation approach is studied. The idea of transfer learning is introduced into the training of traditional STAP filter innovatively. With auxiliary samples and priori knowledge, parameter-based and sample-based transfer learning STAP algorithms are studied to reduce the required number of independent and identically distributed samples. The project is aimed to promote the practical use of STAP algorithm.

STAP算法能提供较好的杂波抑制效果与分辨能力，但是在非均匀环境下，独立同分布样本较少，很难利用传统的STAP算法实现预期的效果。在这种需求背景下，开展非均匀复杂环境下的STAP算法研究颇具现实意义。本项目对稳健的直接数据域STAP算法展开了研究，针对单样本直接数据域算法的不足，建立了多样本直接数据域STAP算法的理论框架；分析影响直接数据域STAP算法的实际因素；在此基础上，开展基于导向矢量估计的直接数据域STAP算法研究。创新性地将迁移学习的思路引入传统STAP滤波器的学习训练中，利用辅助样本和先验知识等信息，开展基于样本和基于参数的迁移学习STAP算法研究，降低系统对独立同分布样本数目的要求，促进STAP算法的实用化。

在目标导向矢量和干扰协方差的先验知识能够被准确获取的理想情况下，空时自适应（STAP）技术能提供较好的杂波抑制效果与分辨能力，进而实现有效的地面运动目标指示。但是在复杂多变的现实环境里，很难利用传统的STAP技术实现较好的效果。在样本数较少、非均匀性环境以及存在各种误差等条件下实现地面运动目标指示是STAP技术研究的重点。立足于实际应用需求，课题主要研究内容如下：.　　（1）建立了雷达STAP系统的信号模型，分析了非均匀环境下杂波的空时功率谱的特性；结合雷达的实际工作情况，阐述了非理想情况下影响STAP性能的常见因素和常规STAP技术的局限性，进而为下文奠定了研究的理论基础。.　　（2）受多个具有相关性STAP任务滤波器权矢量具有显著稀疏共性的启发，提出了一种基于迁移学习的STAP算法。该算法首先将滤波器权矢量分解为组稀疏分量和个性稀疏分量两个向量的和，然后联合利用目标STAP任务的训练样本和辅助源STAP任务的知识对组稀疏分量进行训练，最后对算法的收敛性进行了分析。仿真结果验证了算法的有效性。.　　（3）利用滤波器权矢量稀疏性和距离平滑性，提出了一种基于多任务学习的STAP算法。该算法令相近待检测距离环的滤波器权矢量保持一致，并附加稀疏正则化约束；然后利用交替方向乘子法对优化问题进行求解。仿真结果表明，该算法能够有效实现小样本条件下的杂波抑制，滤波器具有更好的输出信杂噪比性能。.　　（4）研究了基于导向矢量估计的直接数据域STAP（D3-STAP）技术。对D3-STAP技术的基本原理进行阐述，建立了多样本D3-STAP技术的理论框架；分析了影响D3-STAP系统的实际因素；提出了导向矢量估计的D3-STAP技术；最后利用仿真实验对基于导向矢量估计的D3-STAP方法的稳健性能进行分析和验证。