[論文レビュー] A Class of Novel STAP Algorithms Using Sparse Recovery Technique

Hao Zhang, Gang Li+1 more|ArXiv.org|Apr 8, 2009

Sparse and Compressive Sensing Techniques参考文献 19被引用数 9

ひとこと要約

本稿では、圧縮センシングとスパース回復を活用して、最小限の学習データで高分解能なクラッター抑圧とターゲット検出を実現する、新しいSTAPアルゴリズムであるCS-STAPを提案する。クラッターとターゲットエネルギーの空間周波数平面上における内在的スパarsityを活用し、L1正則化最適化を用いてターゲットおよびクラッター分布を再構成することで、1スナップショットのみでもほぼ完全なクラッター除去とスーパー解像性能を達成し、非定常環境下でも従来のSMIを著しく上回る性能を発揮する。

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.

研究の動機と目的

• 学習データの定常性が保証されない非定常クラッター環境下で、従来のSTAPの性能劣化を是正すること。
• 特に、限られたまたは非定常な補助データが利用可能な状況において、効果的なクラッター抑圧に必要な学習データ量を低減すること。
• 空間周波数ドメインにおけるクラッターおよびターゲットエネルギーの内在的スパarsityを活用して、推定と検出の性能を向上させること。
• 大規模な標本共分散行列に依存せずに、高分解能および低側 lob 保持を実現するロバストなSTAPフレームワークの構築。
• Mountaintopデータセットを用いた実データ評価を通じて、STAPにおける圧縮センシングの実現可能性と優位性を実証すること。

提案手法

• 生データとターゲット・クラッターエネルギーの空間周波数分布を結ぶ不適切に定義された線形システムとしてSTAP問題を定式化する。
• 逆問題を解くためにL1正則化最適化を適用し、推定されたクラッターおよびターゲットエネルギー分布におけるスパarsityを強制する。
• スパース解に基づく側 lob 抑圧フィルタを設計し、残存クラッターエネルギーを効果的に除去する。
• 均一な補助学習データを必要とせず、主な範囲セル（ターゲットセル）からのみのデータを学習に使用する。
• 明示的なモデリングではなく、スパarsity仮定を通じてクラッター構造の事前知識を暗黙的に統合する。
• 実世界のレーダデータをMountaintopプログラムから取得し、非定常な現実的条件下でのアルゴリズムの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 スパース回復技術は、非定常クラッター環境下でのSTAP性能向上に有効に適用可能か？
• RQ2 従来のSMIベースのSTAPと比較して、CS-STAPはどの程度学習データ量を削減できるか？
• RQ3 STAPにおけるL1正則化の使用は、ターゲットおよびクラッター推定におけるスーパー解像能力をもたらすか？
• RQ4 1スナップショットのみで利用可能な場合、CS-STAPのクラッター抑圧およびターゲット検出精度はどの程度の性能を示すか？
• RQ5 限られた学習データおよび非定常状態下で、CS-STAPはSMIよりも優れた出力信号対クラッター比（SCR）を達成できるか？

主な発見

• CS-STAPは、最小限の学習データでもほぼ完全なクラッター除去を達成し、出力SCRが検出要件を著しく上回る結果を得た。
• 本手法はスーパー解像能力を示し、ターゲットが真の方位角およびドップラー周波数に明確に特定されたのに対し、SMIは分解能が低いためターゲットを解離できなかった。
• ターゲット範囲セルからの1スナップショットのみでCS-STAPはターゲットを正常に検出できたが、80個の学習セルを必要とするSMIは、標本サポートが不十分なために深刻な性能劣化を示した。
• CS-STAPに組み込まれた側 lob 抑圧フィルタは、ターゲット領域外のクラッターエネルギーを効果的に除去し、ターゲットのない範囲セルでは出力がゼロとなった。
• さまざまなステアリング角において、CSフィルタ出力は真のターゲット方向でのみピークを示し、他の角度に対しても顕著な応答を示すSMIと比較して、優れた角度選択性を示した。
• 範囲セル処理において、CS-STAPはターゲット範囲セル以外に出力が発生しなかった。これは、強力なクラッターを抑圧し、ノイズ中に埋もれたターゲットを検出する能力を示しており、SMIが80個の学習範囲セルを必要とするのに対し、CS-STAPは16個の学習範囲セルでこれを達成した。