Адаптивная обработка пространства-времени

редактировать
Отклик доплеровского пеленга двумерного формирователя луча

Адаптивная обработка пространства-времени ( STAP ) - метод обработки сигналов, наиболее часто используемый в радарных системах. Он включает в себя алгоритмы адаптивной обработки массива для помощи в обнаружении цели. Обработка радиолокационных сигналов выигрывает от STAP в областях, где возникают помехи (например, помехи от земли , помехи и т. Д.). За счет тщательного применения STAP можно добиться повышения чувствительности обнаружения целей на порядок.

STAP включает метод двумерной фильтрации с использованием фазированной антенной с множеством пространственных каналов. Объединение нескольких пространственных каналов с импульсными доплеровскими сигналами дает название «пространство-время». Применяя статистику среды помех, формируется адаптивный весовой вектор STAP. Этот весовой вектор применяется к когерентным отсчетам , принятым радаром.

Содержание

  • 1 История
  • 2 Мотивация и приложения
  • 3 Базовая теория
  • 4 Подходы
    • 4.1 Прямые методы
    • 4.2 Методы пониженного ранга
    • 4.3 Методы, основанные на моделях
  • 5 Современные приложения
    • 5.1 Связь MIMO
    • 5.2 Радар MIMO
  • 6 См. Также
  • 7 Ссылки
  • 8 Дополнительная литература

История

Теория STAP была впервые опубликована Лоуренс Э. Бреннан и Ирвинг С. Рид в начале 1970-х. На момент публикации и Бреннан, и Рид работали в Technology Service Corporation (TSC). Хотя он был официально представлен в 1973 году, он имеет теоретические корни, уходящие корнями в 1959 год.

Мотивация и применение

Для наземных радаров загроможденные отраженные сигналы, как правило, находятся на постоянном токе, что делает их легко различимыми. по Индикация движущейся цели (MTI). Таким образом, может использоваться режекторный фильтр в ячейке с нулевым доплеровским сдвигом. Бортовые платформы с собственным движением испытывают относительное движение препятствий от земли, зависящее от угла, что приводит к угловой доплеровской связи на входе. В этом случае одномерной фильтрации недостаточно, поскольку помехи могут перекрывать доплеровский эффект желаемой цели с разных направлений. Результирующая интерференция обычно называется «гребнем препятствий», поскольку он формирует линию в области углового Доплера. Узкополосные сигналы глушения также являются источником помех и демонстрируют значительную пространственную корреляцию. Таким образом, следует учитывать шум и помехи приемника, а процессоры обнаружения должны стремиться максимизировать отношение сигнал / помеха и шум (SINR)..

Несмотря на то, что методы STAP в первую очередь разработаны для радаров, они могут применяться в системах связи.

Основная теория

Диаграмма верхнего уровня для адаптивного фильтра STAP 2-D

STAP, по сути, фильтрует в пространственно-временной области. Это означает, что мы осуществляем фильтрацию по нескольким измерениям, и необходимо использовать методы многомерной обработки сигналов. Цель состоит в том, чтобы найти оптимальные пространственно-временные веса в NM {\ displaystyle NM}NM -мерном пространстве, где N {\ displaystyle N}N - число элементов антенны (наши пространственные степени свободы), а M {\ displaystyle M}M - количество интервалов повторения импульсов (PRI) (наши временные степени свободы), чтобы максимизировать отношение сигнал / помеха и шум (SINR). Таким образом, цель состоит в том, чтобы подавить шум, помехи, глушилки и т. Д., Сохраняя при этом желаемый возврат радара. Его можно представить как фильтр 2-D с конечной импульсной характеристикой (КИХ) со стандартным 1-мерным КИХ-фильтром для каждого канала (управляемые пространственные каналы от электронно-управляемой массив или отдельные элементы), и отводы этих одномерных КИХ-фильтров, соответствующих множественным возвратам (разнесенным по времени PRI). Наличие степеней свободы как в пространственной, так и во временной области имеет решающее значение, поскольку помехи могут быть коррелированы во времени и пространстве, в то время как источники помех имеют тенденцию пространственно коррелироваться (по определенному пеленгу).

Простой, тривиальный пример STAP показан на первом рисунке для N = M = 10 {\ displaystyle N = M = 10}N = M = 10 . Это идеализированный пример шаблона управления, где ответ массива был направлен на идеальный целевой отклик, s {\ displaystyle s}s. К сожалению, на практике это упрощается, поскольку помехи, которые необходимо преодолеть путем управления показанными нулями, не детерминированы, а являются статистическими по своей природе. Это то, что требует, чтобы STAP был адаптивной техникой. Обратите внимание, что даже в этом идеализированном примере, как правило, мы должны управлять двумерной плоскостью углового допплера в дискретных точках для обнаружения потенциальных целей (перемещая местоположение главного лепестка двумерного синуса, показанного на рисунке), и так что для каждого из интервалов диапазона в нашей системе.

Основная функциональная схема показана справа. Для каждой антенны обычно выполняется преобразование с понижением частоты и аналого-цифровое преобразование. Затем для каждого канала управляемой антенны используется одномерный FIR-фильтр с элементами задержки длины PRI. Лексикографически упорядоченные веса W 1 {\ displaystyle W_ {1}}W_1 до WNM {\ displaystyle W_ {NM}}W _ {{NM}} - степени свободы, которые необходимо решить. в проблеме STAP. То есть STAP стремится найти оптимальные веса антенной решетки. Можно показать, что для заданной MN × MN {\ displaystyle MN \ times MN}MN \ times MN ковариационной матрицы интерференции, R {\ displaystyle \ mathbf {R}}\ mathbf {R} , оптимальные веса, максимизирующие SINR, вычисляются как

W = κ R - 1 s {\ displaystyle \ mathbf {W} = \ kappa \ mathbf {R} ^ {- 1} s}{ \ mathbf {W}} = \ kappa {\ mathbf {R}} ^ {{- 1}} s

где κ {\ displaystyle \ kappa}\ kappa - это скаляр, который не влияет на SINR. Оптимальный входной сигнал детектора определяется выражением:

y = W x {\ displaystyle y = \ mathbf {W} x}y = {\ mathbf {W}} x

, где x {\ displaystyle x}x - пробел моментальный снимок входных данных. Основная трудность STAP заключается в нахождении и обращении обычно неизвестной ковариационной матрицы помех, R {\ displaystyle \ mathbf {R}}\ mathbf {R} . Другие трудности возникают, когда ковариационная матрица интерференции плохо обусловлена, что делает инверсию численно нестабильной. В общем, эта адаптивная фильтрация должна выполняться для каждого однозначного диапазона значений в системе, для каждой представляющей интерес цели (угловые доплеровские координаты), что создает огромную вычислительную нагрузку. Потери на рулевом управлении могут возникать, когда истинные возвратные сигналы от цели не попадают точно в одну из точек в нашей двумерной угловой доплеровской плоскости, которую мы выбрали с помощью нашего вектора наведения s {\ displaystyle s}s.

Подходы

Различные подходы можно разделить на таксономию обработки или путем упрощения пространства данных / источников данных.

Прямые методы

Оптимальное решение - использование всех степеней свободы при обработке адаптивный фильтр на антенных элементах. Для адаптивных прямых методов Примерная инверсия матрицы (SMI) использует оценочную (выборочную) ковариационную матрицу помех вместо фактической ковариационной матрицы помех. Это связано с тем, что на практике фактическая ковариационная матрица помех неизвестна. Если он каким-либо образом известен, то его не нужно оценивать, и оптимальные веса фиксируются. Иногда это называют вариацией, не зависящей от данных. Вариация, зависящая от данных, оценивает ковариационную матрицу помех на основе данных. В системах связи MIMO это можно сделать с помощью обучающей последовательности. Детектор ясновидения дается, когда ковариационная матрица хорошо известна и определяется как:

R k = E [x k x k H] | H 0 {\ displaystyle \ mathbf {R_ {k}} = {\ t_dv {E}} \ left [x_ {k} x_ {k} ^ {H} \ right] {\ Bigr |} _ {H_ {0} }}{\ mathbf {R_ {k}}} = {\ t_dv {E}} \ left [x_ {k} x_ {k} ^ {H} \ right] {\ Bigr |} _ {{ H_ {0}}}

где xk {\ displaystyle x_ {k}}x_ {k} - статистика пространственно-временного снимка для kth {\ displaystyle k ^ {th}}k^{{th}}ячейка диапазона согласно гипотезе только о помехах, H 0 {\ displaystyle H_ {0}}H_{0}. Для SMI ковариационная матрица помех для ячейки диапазона kth {\ displaystyle k ^ {th}}k^{{th}}, состоящая из статистики мешающего шума, препятствий и источников помех, оценивается следующим образом:

Р К ^ знак равно 1 п ∑ м знак равно 0 п - 1 xmxm H {\ displaystyle \ mathbf {\ hat {R_ {k}}} = {\ frac {1} {P}} \ sum _ {m = 0} ^ {P-1} x_ {m} x_ {m} ^ {H}}{\ mathbf {{\ hat {R_ {k}}}}} = {\ frac {1} {P}} \ sum _ {{m = 0}} ^ {{P-1}} x_ {m} x_ {m} ^ {H}

где xm {\ displaystyle x_ {m}}x_ {m} - данные обучения, полученные от входного процессора для ячейка диапазона mth {\ displaystyle m ^ {th}}m ^ {th} . Следовательно, пространственно-временные снимки, окружающие желаемую ячейку диапазона, усредняются. Обратите внимание, что снимок пространственно-временного снимка ячеек желаемого диапазона обычно исключается (как и ряд дополнительных ячеек, или «защитных ячеек»), чтобы предотвратить обесцвечивание статистики.

Основная проблема прямых методов заключается в том, что большая вычислительная сложность, связанная с оценкой и обращением матриц, сформированных из многих степеней свободы (большое количество элементов и / или импульсов). Кроме того, для методов, в которых R {\ displaystyle \ mathbf {R}}\ mathbf {R} должен оцениваться с использованием выборок данных, количество выборок, необходимых для достижения конкретной ошибки, в значительной степени зависит от размерности ковариационная матрица интерференции. В результате для систем большой размерности это может потребовать недостижимого количества ячеек однозначного диапазона. Кроме того, эти смежные ячейки данных должны содержать стационарную статистику как функцию диапазона, что редко является хорошим предположением для большого количества требуемых ячеек (2 NM {\ displaystyle 2NM}2NMдля ухудшения SINR на 3 дБ от оптимального, ясновидящего STAP).

Методы пониженного ранга

Методы пониженного ранга направлены на преодоление вычислительной нагрузки прямого метода за счет уменьшения размерности данных или ранга ковариационной матрицы помех. Это может быть выполнено путем формирования лучей и выполнения STAP в пространстве лучей. В пространстве луча можно использовать как пре, так и пост-доплеровские методы. Постдоплеровские методы также могут использоваться на входе полного антенного элемента, чтобы уменьшить данные только в этом измерении. Популярным примером является антенна со смещенным фазовым центром (DPCA), которая является формой независимого от данных STAP в пространстве луча, до доплеровского периода. Цель состоит в том, чтобы выполнить формирование луча так, чтобы луч казался неподвижным, поскольку бортовой радар находится в движении в течение дискретных периодов времени, чтобы помехи появлялись без доплеровского сдвига. Однако фазовые ошибки могут привести к значительному ухудшению качества, поскольку алгоритм не адаптируется к возвращаемым данным. Многие другие методы могут использоваться для уменьшения ранга ковариационной матрицы помех, и поэтому все методы в категории пониженного ранга можно рассматривать как упрощающие инвертируемую ковариационную матрицу:

R ⇒ R ~ {\ displaystyle \ mathbf {R} \ Rightarrow \ mathbf {\ widetilde {R}}}{\ mathbf {R}} \ Rightarrow {\ mathbf {\ widetilde {R}}}

Постдоплеровские методы декомпозируют проблему STAP из MN × MN {\ displaystyle MN \ times MN}MN \ times MN адаптивной фильтрации проблема для M {\ displaystyle M}M отдельных адаптивных фильтров длины N {\ displaystyle N}N (an N × N {\ displaystyle N \ раз N}N \ times N проблема адаптивного фильтра). При выполнении фиксированной доплеровской обработки адаптивные фильтры становятся только пространственными. Поскольку отклик цели уже направлен в заданное местоположение по доплеровскому углу, размерность может быть уменьшена путем предварительной обработки нескольких доплеровских интервалов и углов, окружающих эту точку. Помимо уменьшения размерности адаптивного процессора, это, в свою очередь, уменьшает количество требуемых кадров обучающих данных при оценке ковариационной матрицы помех, поскольку эта величина зависит от размерности.

Поскольку эти методы уменьшают размерность данных, они по своей сути неоптимальны. Существует ряд методов для сравнения производительности методов с пониженным рангом и предполагаемых прямых методов с ясновидящим STAP (напрямую с точным знанием ковариационной матрицы помех и вектора управления целью), в основном основанных на потерях SINR. Один из таких примеров:

L s, 2 = SINR | W = W ^ SINR | W = W opt {\ displaystyle L_ {s, 2} = {\ frac {{\ t_dv {SINR}} {\ Bigr |} _ {W = {\ hat {W}}}} {{\ t_dv {SINR} } {\ Bigr |} _ {W = W_ {opt}}}}L _ {{s, 2}} = {\ frac {{\ t_dv {SINR}} {\ Bigr |} _ {{W = {\ hat {W}}}}} {{\ t_dv {SINR}} {\ Bigr |} _ {{W = W _ {{opt }}}}}}

где мы взяли отношение SINR, оцененного с субоптимальными весами W ^ {\ displaystyle {\ hat { W}}}{\ hat {W}} и SINR, оцененный с оптимальными весами W opt {\ displaystyle W_ {opt}}W _ {{opt}} . Обратите внимание, что в целом эта величина является статистической, и для определения среднего значения потери SINR необходимо рассчитывать. Потери SINR ясновидящего также можно рассчитать, взяв отношение оптимального SINR к системному SNR, что указывает на потерю из-за помех.

Методы на основе модели

Существуют также методы на основе модели, которые попытка заставить или использовать структуру матрицы ковариационной интерференции. Более широко применимым из этих методов является структура матрицы ковариационного конуса. Цель состоит в том, чтобы компактно смоделировать помехи, после чего они могут быть обработаны с использованием методов главных компонентов или SMI с диагональной загрузкой (где добавляется случайная диагональная матрица небольшой величины, чтобы попытаться стабилизировать матрицу перед инвертированием). Это моделирование имеет дополнительное преимущество в виде декорреляции интерференционной утечки подпространства (ISL) и устойчиво к движению внутренних помех (ICM). Метод главных компонент сначала применяет анализ главных компонент для оценки доминирующих собственных значений и собственных векторов, а затем применяет ковариационный уклон и добавляет оценочный минимальный уровень шума:

R ~ PC - CMT = (∑ m = 0 П - 1 λ mvmvm H) ∘ T + σ N 2 {\ displaystyle \ mathbf {{\ widetilde {R}} _ {PC-CMT}} = \ left (\ sum _ {m = 0} ^ {P-1 } \ lambda _ {m} v_ {m} v_ {m} ^ {H} \ right) \ circ T + \ sigma _ {n} ^ {2}}{\ mathbf {\ widetilde {R} _ {{PC-CMT}}}} = \ left ( \ sum _ {{m = 0}} ^ {{P-1}} \ lambda _ {m} v_ {m} v_ {m} ^ {H} \ right) \ circ T + \ sigma _ {n} ^ { 2}

где λ m {\ displaystyle \ lambda _ {m}}\ lambda_m - это m-е {\ displaystyle m ^ {th}}m ^ {th} собственное значение, оцененное с использованием PCA, vm {\ displaystyle v_ {m}}v_ {m} - связанный с ним mth {\ displaystyle m ^ {th}}m ^ {th} собственный вектор, оцененный с использованием PCA, A ∘ B {\ displaystyle A \ circ B}A \ circ B подразумевает поэлементное умножение матриц A {\ displaystyle A}A и B {\ displaystyle B}B , T {\ displaystyle T}T- расчетная конусность ковариационной матрицы, а σ n 2 {\ displaystyle \ sigma _ {n} ^ {2}}\ sigma _ {n} ^ {2} - расчетный шум fl этаж. Оценка ковариационного сужения T {\ displaystyle T}Tможет быть сложной в зависимости от сложности базовой модели, пытающейся имитировать интерференционную среду. Читателю предлагается ознакомиться с дополнительной информацией по этой конкретной теме. После того как этот конус в достаточной степени смоделирован, его можно также применить к более простой адаптации SMI CMT следующим образом:

R ~ SMI - CMT = R ~ SMI ∘ T + δ I {\ displaystyle \ mathbf {{\ widetilde { R}} _ {SMI-CMT}} = \ mathbf {{\ widetilde {R}} _ {SMI}} \ circ T + \ delta I}{\ mathbf {\ widetilde {R} _ {{SMI-CMT}}}} = {\ mathbf {\ widetilde {R} _ { {СМИ}}}} \ circ T + \ delta I

где R ~ SMI {\ displaystyle \ mathbf {{{ \ widetilde {R}} _ {SMI}}}{\ mathbf {\ widetilde {R} _ {{SMI}}}} - типичная оценочная матрица SMI, наблюдаемая в приближенном прямом методе, δ {\ displaystyle \ delta}\ delta - диагональ коэффициент загрузки, а I {\ displaystyle I}I- это единичная матрица соответствующего размера. Следует заметить, что это предназначено для улучшения стандартного метода SMI, в котором SMI использует меньшее количество интервалов диапазона в своем среднем, чем стандартный метод SMI. Поскольку в обучающих данных используется меньше выборок, матрица часто требует стабилизации в виде диагональной нагрузки.

Более ограничительные примеры включают моделирование интерференции, заставляющей структуры Теплица, и могут значительно снизить вычислительную сложность, связанную с обработка с использованием этой структуры. Однако эти методы могут пострадать из-за несоответствия модели, или экономия вычислений может быть сведена на нет проблемой подгонки модели (такой как нелинейная проблема подгонки к матрице Теплица или блочно-теплицевой матрицы) и оценки порядка.

Современные приложения

Несмотря на почти 40-летнее существование, STAP имеет современные приложения.

Связь MIMO

Для распределенных каналов связь с несколькими входами и несколькими выходами может формулировать решения STAP. Частотно-избирательная компенсация канала может использоваться для расширения традиционных методов эквализации для систем SISO, использующих STAP. Чтобы оценить переданный сигнал S ^ {\ displaystyle \ mathbf {\ hat {S}}}{\ mathbf {{\ hat {S}}}} на приемнике MIMO, мы можем линейно взвесить наш пространственно-временной вход Z ~ {\ displaystyle \ mathbf {\ widetilde {Z}}}{\ mathbf { \ widetilde {Z}}} с матрицей весов W ~ {\ displaystyle \ mathbf {\ widetilde {W}}}{\ mathbf {\ widetilde {W}}} следующим образом

S ^ = W ~ TZ ~ {\ displaystyle \ mathbf {\ hat {S}} = \ mathbf {\ widetilde {W}} ^ {\ mathrm {T}} \ mathbf {\ widetilde {Z}}}{ \ mathbf {{\ hat {S}}}} = {\ mathbf {\ widetilde {W}}} ^ {{{\ mathrm {T}}}} {\ mathbf {\ widetilde {Z}}}

в минимизировать среднеквадратичную ошибку (MSE). Используя STAP с обучающей последовательностью S ~ {\ displaystyle \ mathbf {\ widetilde {S}}}{\ mathbf {\ widetilde {S}}} , расчетная оптимальная матрица весов (коэффициенты STAP) определяется как:

W ~ ≈ (Z ~ Z ~ T) Z ~ S ~ T {\ displaystyle \ mathbf {\ widetilde {W}} \ приблизительно \ left (\ mathbf {\ widetilde {Z}} \ mathbf {\ widetilde {Z}} ^ {\ mathrm {T}} \ right) \ mathbf {\ widetilde {Z}} \ mathbf {\ widetilde {S}} ^ {\ mathrm {T}}}{\ mathbf {\ widetilde {W}}} \ приблизительно \ left ({\ mathbf {\ widetilde {Z}}} {\ mathbf {\ widetilde {Z}}} ^ {{{\ mathrm {T}}}} \ right) {\ mathbf {\ widetilde {Z}}} {\ mathbf {\ widetilde {S}}} ^ {{{\ mathrm {T}}}}

MIMO-радар

STAP расширен для радара MIMO, чтобы улучшить пространственное разрешение для помех, используя модифицированные методы STAP радара SIMO. Требуются новые алгоритмы и формулировки, которые отходят от стандартной техники из-за большого ранга подпространства помехи-помехи, создаваемого виртуальными массивами радаров MIMO, что обычно включает использование блочно-диагональной структуры ковариационной матрицы помех MIMO для нарушения инверсии большой матрицы. проблема на более мелкие. По сравнению с радарными системами SIMO, которые будут иметь M {\ displaystyle M}M передавать степени свободы, а NL {\ displaystyle NL}NLпринимать степени свободы, всего M + NL {\ displaystyle M + NL}M + NL , радарные системы MIMO имеют MNL {\ displaystyle MNL}MNLстепеней свободы, что позволяет гораздо большее адаптивное пространственное разрешение для уменьшения помех.

См. также

Ссылки

Дополнительная литература

  • Бреннан, LE и является. Рид, Теория адаптивного радара, IEEE AES-9, стр. 237–252, 1973
  • Гуэрчи, Дж. Р., Пространственно-временная адаптивная обработка для радара, Издательство Artech House, 2003. ISBN 1-58053-377-9.
  • Клемм, Ричард, Принципы пространственно-временной адаптивной обработки, IEE Publishing, 2002. ISBN 0-85296- 172-3.
  • Клемм, Ричард, Приложения пространственно-временной адаптивной обработки, IEE Publishing, 2004. ISBN 0-85296-924-4.
  • Мелвин В.Л., Обзор STAP, IEEE Aerospace and Electronic Systems Magazine - Special Tutorials Issue, Vol. 19, № 1, январь 2004 г., стр. 19–35.
  • Майкл Паркер, Основы радара - Часть 4: Адаптивная обработка пространства-времени, EETimes, 28.06.2011
Последняя правка сделана 2021-06-09 01:12:21
Содержание доступно по лицензии CC BY-SA 3.0 (если не указано иное).
Обратная связь: support@alphapedia.ru
Соглашение
О проекте