[논문 리뷰] A Class of Novel STAP Algorithms Using Sparse Recovery Technique

Hao Zhang, Gang Li외 1명|ArXiv.org|2009. 04. 08.

Sparse and Compressive Sensing Techniques참고 문헌 19인용 수 9

한 줄 요약

이 논문은 압축 감지와 희소 복원을 활용하여 최소한의 학습 데이터로도 고해상도 클러터 제거와 표적 탐지를 가능하게 하는 새로운 STAP 알고리즘인 CS-STAP을 제안한다. 공간-주파수 평면에서 클러터와 표적 에너지의 내재된 희소성에 기반하여, CS-STAP은 L1-정규화 최적화를 사용하여 표적 및 클러터 분포를 재구성하며, 단 한 장면의 데이터로도 거의 완전한 클러터 제거와 슈퍼해상도 성능을 달성하여 비균일 환경에서 기존의 SMI보다 뛰어난 성능을 발휘한다.

ABSTRACT

A class of novel STAP algorithms based on sparse recovery technique were presented. Intrinsic sparsity of distribution of clutter and target energy on spatial-frequency plane was exploited from the viewpoint of compressed sensing. The original sample data and distribution of target and clutter energy was connected by a ill-posed linear algebraic equation and popular $L_1$ optimization method could be utilized to search for its solution with sparse characteristic. Several new filtering algorithm acting on this solution were designed to clean clutter component on spatial-frequency plane effectively for detecting invisible targets buried in clutter. The method above is called CS-STAP in general. CS-STAP showed their advantage compared with conventional STAP technique, such as SMI, in two ways: Firstly, the resolution of CS-STAP on estimation for distribution of clutter and target energy is ultra-high such that clutter energy might be annihilated almost completely by carefully tuned filter. Output SCR of CS-STAP algorithms is far superior to the requirement of detection; Secondly, a much smaller size of training sample support compared with SMI method is requested for CS-STAP method. Even with only one snapshot (from target range cell) could CS-STAP method be able to reveal the existence of target clearly. CS-STAP method display its great potential to be used in heterogeneous situation. Experimental result on dataset from mountaintop program has provided the evidence for our assertion on CS-STAP.

연구 동기 및 목표

• 학습 데이터의 정staionarity가 위반되는 비균일 클러터 환경에서 기존 STAP의 성능 저하 문제를 해결하기 위해.
• 특히 제한되거나 비정staionary한 보조 데이터를 가진 환경에서 효과적인 클러터 제거를 위해 필요한 학습 데이터 크기를 줄이기 위해.
• 공간-주파수 도메인에서 클러터와 표적 에너지의 내재된 희소성을 활용하여 개선된 추정 및 탐지 성능를 확보하기 위해.
• 큰 표본 공분산 행렬에 의존하지 않고도 고해상도와 낮은 측면 lob 성능을 유지할 수 있는 강건한 STAP 프레임워크를 개발하기 위해.
• Mountaintop 데이터셋을 활용한 실재 데이터 평가를 통해 압축 감지 기술이 STAP에 적용될 수 있는 타당성과 우수성을 입증하기 위해.

제안 방법

• 원시 데이터와 표적 및 클러터 에너지의 공간-주파수 분포를 연결하는 불안정한 선형 시스템으로 STAP 문제를 수식화한다.
• 추정된 클러터 및 표적 에너지 분포의 희소성을 강제하는 L1-정규화 최적화를 적용하여 역 문제를 해결한다.
• 잔류 클러터 에너지를 효과적으로 제거하기 위해 희소 해를 기반으로 한 측면 lob 억제 필터를 설계한다.
• 균일한 보조 학습 데이터가 필요로 하지 않고, 주로 표적 영역 셀(타겟 셀)의 데이터만을 학습에 사용한다.
• 명시적인 모델링 대신 희소성 가정을 통해 클러터 구조의 사전 지식을 암묵적으로 통합한다.
• 실제 레이더 데이터를 활용하여 Mountaintop 프로그램의 자료를 사용하여 비균일 조건에서 알고리즘의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 희소 복원 기법은 비균일 클러터 환경에서 STAP의 성능 향상에 효과적으로 적용될 수 있는가?
• RQ2 기존의 SMI 기반 STAP 대비 CS-STAP은 얼마나 적은 학습 데이터로도 성능 향상을 달성할 수 있는가?
• RQ3 STAP에 L1-정규화를 적용할 경우 표적 및 클러터 추정에 슈퍼해상도 능력이 유도되는가?
• RQ4 단 한 장면의 데이터만을 사용할 경우, CS-STAP은 클러터 제거 및 표적 탐지 정확도 측면에서 어떤 성능을 보이는가?
• RQ5 제한된 학습 데이터와 비정staionary 조건 하에서, CS-STAP은 SMI보다 더 높은 출력 신호-클러터 비율(SCR)을 달성할 수 있는가?

주요 결과

• CS-STAP은 근사적으로 완전한 클러터 제거를 달성하여, 최소한의 학습 데이터로도 탐지 요구 조건을 크게 초월한 출력 SCR을 확보하였다.
• 이 방법은 슈퍼해상도 능력을 입증하였으며, SMI는 해상도가 낮아 표적이 분리되지 못한 반면, CS-STAP은 표적이 실제 아즈임 각도와 도플러 주파수에서 명확하게 드러났다.
• 표적 영역 셀에서 단 한 장면의 데이터만을 사용하여도 CS-STAP은 표적을 성공적으로 탐지하였고, SMI는 80개의 학습 셀을 사용함에도 표본 지원이 부족하여 심각한 성능 저하를 겪었다.
• CS-STAP의 측면 lob 억제 필터는 표적 영역 외부의 클러터 에너지를 효과적으로 제거하여, 표적이 없는 영역에서는 출력이 0이 되도록 하였다.
• 다양한 조향 각도에서 CS 필터 출력은 진짜 표적 방향에서만 피크를 보였고, SMI는 다른 각도에서도 다수의 응답을 보이며 떨어진 각도 선택성을 보였다.
• 영역 셀 처리 과정에서 CS-STAP은 표적 영역 셀 외부에서 출력이 전혀 발생하지 않았으며, 강력한 클러터와 노이즈 속에 묻힌 표적도 탐지할 수 있었고, SMI가 80개의 학습 영역 셀을 사용한 것에 비해 CS-STAP은 단지 16개의 학습 영역 셀만을 사용하였다.