【通信仿真】基于matlab空时自适应处理降维仿真【含Matlab源码 1957期】

一、获取代码的方式

二、空时自适应处理简介

空时自适应处理是一个术语，用于描述同时处理空域和时域的自适应阵列。信号的空域重量由阵列传感器收集（与所有阵列工作相同），而信号的时域重量由每个阵列传感器后的间隔延迟单元产生。为此，一个大小的N阵列在每个子通道中都有N个子通道（每个传感器后面对应一个），来自第j距离单元的信号形成M脉冲，M脉冲按雷达脉冲间隔交错。然后来自所有M个延时响应的输出进行相干累加，以产生合成的阵列响应，假设阵列输入由目标回波、杂波回波及干扰信号回波组成。

1 计算量和误差 自1973年STAP技术提出以来，如何保持？STAP降低计算复杂性和提高算法稳定性一直是学者关注的关键问题。

目前，降低STAP优化迭代法或降维法主要用于计算复杂性。考虑到共轭梯度法在矩阵求逆中的计算优势，文献[2]提出了一种组合CLEAN方法[3]和共轭梯度法STAP算法，可获得比迭代自适应方法（iterative adaptive approach,IAA）计算成本较低，提高了IAA在一定程度上减少了传统的失配问题STAP方法需要辅助样本数。文献[4]采用杂波协方差矩阵的斜对称结构和局域联合处理方法（joint domain localized,JDL）这一传统降维STAP辅助样本可以在降低计算复杂性的同时充分利用。文献[5]将多普勒域的降维变换引入互质阵雷达STAP运算量有效降低，收敛速度也有所提高。关注文献[6]ΣΔ-3DT降维STAP该方法的硬件实现，采用高速数字信号处理器（digital signal processor,DSP）多核特性，并行处理多个子段雷达数据，优化样本协方差矩阵的更新。该方法可降低计算复杂度，缩短处理时间，满足工程实时要求。

可以通过修改数据模型或施加额外约束来改进STAP误差的稳定性。对于分布式天线阵列，文献[7]证明了幂律相位噪声功率谱密度模型的适用性，并提出了分布式STAP该系统的广义运动模型分析了分布式的各种误差因素STAP这些工作有助于提高分布式性能STAP鲁棒提供理论基础和算法改进思路。为了提高基于参数的协方差矩阵的估计[8]（parametric covariance matrix estimation,PCE）的STAP当系统参数和杂波分布存在误差时，首先使用稀疏恢复和Radon转换得到杂波分布，然后用归一化广义内的积统计量来修正杂波，最后通过PCE估计出杂波协方差矩阵（clutter covariance matrix,CCM）。文献[9]将范围约束和相位约束分别应用于空域和时域，并通过迭代优化获得相应的鲁棒权重，即设计空时可分滤波器。文献[9]将范围约束和相位约束分别应用于空域和时域，并通过迭代优化获得相应的鲁棒权重，即设计空时可分滤波器。这种方法可以保证STAP在阵列校准误差、导向矢量失配等偏差下处理鲁棒性。

2 不均匀/不稳定的杂波问题 STAP实际应用场景多为不均匀、不稳定的杂波环境，难以获得大量独立分布的辅助样本，导致杂波协方差矩阵估计精度下降，严重影响STAP性能。近年来，稀疏恢复（sparse recovery,SR）方法在STAP该方法在辅助样本数严重不足时，仍能保持良好的杂波抑制性能。

三维（three-dimensional,3D)STAP文献[10]采用基于多测量矢量的稀疏贝叶斯学习，是抑制非稳定杂波的重要方法（sparse bayesian learning,SBL）对于迭代过程效率低、计算量大的问题，算法选择了扩展相关向量机的快速算法来估计超参数。改进后的3D-STAP该方法能在不稳定、不均匀的杂波环境中更准确地恢复杂波三维谱，增强近距离杂波和俯仰角模糊杂波的可分性。大量文献证明，当只使用辅助样本时，SR-STAP算法的杂波抑制性能将大大降低[11、12、13、14、15、16、17、18]，文献[19、20、21]致力于提高基于单样本的性能SR-STAP算法性能。文献[19]利用杂波回波对称性的先验知识(图2[19])重构一些丢失的杂波分量，获得更准确的CCM；文献[20]不符合传统SR-STAP使用自适应权值直接计算SR估计方法CCM设计降维变换矩阵，再利用基于广义的旁瓣相消器（generalized sidelobe canceller,GSC）的降维STAP方法。虽然只获得一个辅助样本CCM精度不足以获得适当的自适应权值向量，但它可以为选择最合适的辅助通道提供良好的支持。虽然只获得一个辅助样本CCM精度不足以获得适当的自适应权值向量，但它可以为选择最合适的辅助通道提供良好的支持。文献[19、20]是基于杂波空时功率谱的稀疏性，而文献[21]是基于STAP滤波器权值的稀疏性。该方法采用角度-多普勒域权值向量稀疏设计降维变换矩阵，只选择权重值较大的角度进行杂波抑制。与上述使用辅助样本进行杂波抑制的研究不同，文献[22]利用杂波脊斜率的先验知识，提前从收到的数据中构建斜投影，然后使用CCM重构了结构特征CCM，实现基于SR直接数据域（direct data domain,D3)STAP算法，不存在网格失配和系统自由度损失的问题。

除上述SR-STAP除了算法，还有其他解决不均匀、不稳定杂波问题的算法研究。文献[23]提出了从训练数据中消除潜在运动目标信号和强散射体的运动目标信号抑制模型STAP结合四种训练数据选择方法进行比较评价。在保持较低虚警概率的情况下，提出的模型可以提高目标检测概率。端射阵列机载雷达（end-fire array airborne radar,EAAR），文献[24]引入时间协方差矩阵黎曼平均距离的概念，量化杂波的不稳定性，将杂波距离多普勒谱分为纯噪声区、稳定杂波区和不稳定杂波区，分别对应脉冲多普勒（pulse Doppler,PD）、二维（two-dimensional,2D)STAP、3D-STAP进行处理。与传统3D-STAP与传统2相比，该方法降低了计算复杂度和采样要求；D-STAP该方法能有效提高非稳定杂波区域的杂波抑制性能。

三、部分源代码

 clc;clear all;close all; load clutter_matrix.mat;  [NK,L]=size(clutter_matrix); N=16; K=10; CNR=60; Rc=clutter_matrix*clutter_matrix'/L; noise=max(max(Rc))/(10^
       
        (CNR
        /
        10
        )
        )
        *
        eye
        (N
        *K
        )
        ; Rx
        =Rc
        +noise
        ; anoise
        =
        max
        (
        max
        (noise
        )
        )
        ; 
        %噪声功率 Qs
        =
        eye
        (N
        )
        ; 
        %空域降维矩阵 psi0
        =pi
        /
        2
        ; 
        % 全维STAP fd
        =
        -
        1
        :
        1
        /
        50
        :
        1
        ; inv_Rx
        =
        inv
        (Rx
        )
        ; 
        for i
        =
        1
        :
        length
        (fd
        )
        ; Ss
        =
        exp
        (j
        *pi
        *
        (
        0
        :N
        -
        1
        )'
        *
        cos
        (psi0
        )
        )
        ; 
        %目标方向确定时，Ss固定，但目标doppler频率未知，故每一个fd有一个最优权矢量wopt St
        =
        exp
        (j
        *pi
        *
        (
        0
        :K
        -
        1
        )'
        *
        fd
        (i
        )
        )
        ; S
        =
        kron
        (St
        ,Ss
        )
        ; wopt
        =inv_Rx
        *S
        /
        (S'
        *inv_Rx
        *S
        )
        ; 
        IF
        (i
        )
        =
        abs
        (wopt'
        *S
        )
        ^
        2
        *
        (
        10
        ^
        (CNR
        /
        10
        )
        +
        1
        )
        *anoise
        /
        (wopt'
        *Rx
        *wopt
        )
        ; end figure 
        plot
        (fd
        ,
        10
        *
        log10
        (
        abs
        (IF
        )
        )
        ) 
        xlabel
        (
        '2f_d/f_r'
        )
        ;
        ylabel
        (
        'IF/dB'
        )
        ; grid on 
       

四、运行结果

五、matlab版本及参考文献