[论文解读] 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 9

一句话总结

本文提出了一种新型STAP算法CS-STAP，该算法利用压缩感知和稀疏恢复技术，在极少训练数据下实现高分辨率杂波抑制与目标检测。通过利用杂波和目标能量在空域-频域平面上的固有稀疏性，CS-STAP采用L1-regularized优化方法重建目标与杂波分布，即使仅使用一个快拍，也能实现近乎完全的杂波消除和超分辨率性能，显著优于非均匀环境中的传统SMI方法。

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.

研究动机与目标

• 解决传统STAP在非均匀杂波环境中因训练数据平稳性被破坏而导致的性能下降问题。
• 减少实现有效杂波抑制所需的训练数据量，特别是在训练数据有限或非平稳的情况下。
• 利用空域-频域中杂波和目标能量的固有稀疏性，提升估计与检测性能。
• 开发一种鲁棒的STAP框架，在不依赖大样本协方差矩阵的前提下，保持高分辨率和低旁瓣特性。
• 通过在Mountaintop数据集上的真实数据评估，证明压缩感知在STAP中的可行性和优越性。

提出的方法

• 将STAP问题建模为连接原始数据与目标和杂波能量空域-频域分布的病态线性系统。
• 应用L1-正则化优化求解逆问题，强制估计的杂波与目标能量分布具有稀疏性。
• 基于稀疏解设计旁瓣抑制滤波器，有效去除残留杂波能量。
• 仅使用主距离单元（目标单元）的数据进行训练，避免对均匀次级训练数据的依赖。
• 通过稀疏性假设隐式利用杂波结构的先验知识，而非显式建模。
• 利用Mountaintop计划的真实雷达数据，在真实非平稳条件下验证算法性能。

实验结果

研究问题

• RQ1 稀疏恢复技术能否在非均匀杂波环境中有效应用于STAP以提升性能？
• RQ2 与基于传统SMI的STAP相比，CS-STAP在多大程度上减少了所需训练数据量？
• RQ3 在STAP中使用L1-正则化是否能带来目标与杂波估计的超分辨率能力？
• RQ4 当仅提供一个快拍时，CS-STAP在杂波抑制与目标检测精度方面的表现如何？
• RQ5 在训练数据有限且非平稳的条件下，CS-STAP能否实现优于SMI的输出信杂比（SCR）？

主要发现

• CS-STAP实现了近乎完全的杂波消除，输出信杂比远超检测需求，即使训练数据极少亦如此。
• 该方法展现出超分辨率能力，清晰地在真实方位角和多普勒频率处呈现目标，而SMI因分辨率不足未能分辨目标。
• 仅使用目标距离单元的一个快拍，CS-STAP即成功检测到目标，而使用80个训练单元的SMI因样本支持不足而出现严重性能下降。
• CS-STAP中的旁瓣抑制滤波器有效消除了目标区域外的杂波能量，使无目标的距离单元输出为零。
• 在不同波束指向角下，CS滤波器输出仅在真实目标方向达到峰值，相比SMI表现出更优的角选择性，后者在其他角度存在显著响应。
• 在距离单元处理中，CS-STAP在目标距离单元外无任何输出，证明其在仅使用16个训练距离单元（而SMI使用80个）的情况下，仍能有效抑制强杂波并检测被噪声掩埋的目标。