认知FDA-MIMO雷达欺骗式干扰抑制目标检测方法

认知fda-mimo雷达欺骗式干扰抑制目标检测方法
技术领域
1.本发明属于雷达信号处理技术领域，具体涉及一种认知fda-mimo雷达欺骗式干扰抑制目标检测方法。


背景技术：

2.随着现代电子对抗技术的快速发展，对于目标检测跟踪的挑战日益严峻。各种有意干扰严重影响传统相控阵雷达的检测性能，尤其是主瓣欺骗式干扰的存在给传统相控阵带了来严峻的挑战。
3.相关技术中，非认知fda-mimo雷达参数估计不能够动态的调整雷达参数，无法达到最优的检测、参数估计和跟踪性能；传统的干扰加噪声协方差矩阵的训练样本都未考虑剔除目标信号；此外，跟踪器提供给雷达系统的目标先验信息本身存在误差，既利用跟踪器提供的先验信息构造的导向矢量本身是存在偏差的，在这种非理想情况下会产生信号相消的问题(cancellation phenomenon)，进而导致较低的输出信号与干扰加噪声比(signal to interference plus noise ratio，sinr)，降低目标的检测概率；传统的数据独立的样本挑选方式为从待检测单元的附近选取训练样本，然后逐距离门进行处理。但是该方法无法有效抑制干扰，当待检测单元存在欺骗式干扰时，干扰会作为目标将会保留下来，进而影响检测效果。
4.因此，亟需改善现有技术中存在的缺陷。


技术实现要素：

5.为了解决现有技术中存在的上述问题，本发明提供了一种认知fda-mimo雷达欺骗式干扰抑制目标检测方法。本发明要解决的技术问题通过以下技术方案实现：
6.第一方面，本发明提供一种认知fda-mimo雷达欺骗式干扰抑制目标检测方法，包括：
7.构建fda-mimo雷达体制下非线性运动目标和主瓣欺骗式轨迹干扰的信号模型，并获取距离门上接收的非线性运动目标信号；
8.通过无迹变换对非线性运动目标信号进行sigma点采样，获取采样点集，使用非线性ukf滤波器对采样点集的状态和权重进行预测，估计非线性运动目标的状态；
9.根据距离门上接收的非线性运动目标信号，进行逐距离门能量求解，获取能量梯度序列，根据能量梯度序列，提取距离门序号集合，根据距离门序号集合，分别构建非线性运动目标协方差矩阵和干扰协方差矩阵；
10.使用自适应最小均方无畸变响应波束形成器对干扰加噪声协方差矩阵进行抑制，获取所有距离门上的非线性运动目标信号功率向量；
11.使用级联的恒虚警检测器对所有距离门上的非线性运动目标信号功率向量进行检测，获取更新的非线性运动目标信号；
12.再对更新的非线性运动目标信号进行跟踪。
13.可选地，获取距离门上接收的非线性运动目标信号，包括：
14.获取第m个发射阵元的发射信号；
15.预设远场点非线性运动目标，获取经过远场点非线性运动目标反射后，被第n个接收阵元接收的第一回波信号；
16.将第一回波信号进行混频和匹配滤波处理后，获取第ls个距离门上接收的目标信号；
17.预设假目标，获取经过假目标反射后，被第n个接收阵元接收的第二回波信号；
18.将第二回波信号进行混频和匹配滤波处理后，获取第lj个距离门上接收的干扰信号；
19.根据目标信号和干扰信号，获取距离门l上接收的非线性运动目标信号。
20.可选地，对采样点集的状态进行预测包括目标状态核预测和目标状态协方差矩阵预测；其中，
21.目标状态核预测的表达式为：
[0022][0023]
其中，x
t|t-1
为第t-1个相干处理时间段，为第t-1个相干处理时间段采样点集中第s个样本的状态，为第t-1个相干处理时间段采样点集中第s个样本的权重，n
x
为非线性运动目标状态的维数，为进行状态转移的概率，v
t
为服从均值为0的协方差矩阵为q的过程噪声，f(
·
)为非线性状态方程函数；
[0024]
目标状态协方差矩阵预测的表达式为：
[0025][0026]
其中，q为过程噪声的协方差矩阵，[
·
]
t
为转置符号。
[0027]
可选地，构建非线性运动目标协方差矩阵和干扰协方差矩阵，包括：
[0028]
对距离门l上接收的非线性运动目标信号能量进行估计，获取其序列，通过降噪排序后，得到非线性运动目标信号能量梯度序列；
[0029]
预设门限，提取非线性运动目标信号能量梯度序列中大于预设门限的非线性运动目标信号所在距离门的序号，得到距离门序号集合；
[0030]
根据非线性运动目标的状态，得到预测的非线性运动目标的距离门序号，将预测的非线性运动目标的距离门序号与距离门序号集合中的元素进行对比，分别得到干扰所在距离门序号集合和噪声所在距离门号序号集合；
[0031]
根据距离门序号集合、干扰所在距离门序号集合和噪声所在距离门号序号集合，分别得到非线性运动目标和噪声样本数据、干扰和噪声样本数据、以及噪声样本数据；
[0032]
根据非线性运动目标和噪声样本数据、干扰和噪声样本数据、以及噪声样本数据，
得到非线性运动目标和噪声协方差矩阵、干扰和噪声协方差矩阵、以及噪声协方差矩阵；
[0033]
根据非线性运动目标和噪声协方差矩阵、干扰和噪声协方差矩阵、以及噪声协方差矩阵，得到非线性运动目标协方差矩阵和干扰协方差矩阵。
[0034]
可选地，获取所有距离门上的非线性运动目标信号功率向量，包括：
[0035]
根据非线性运动目标协方差矩阵和干扰协方差矩阵，获取信号与干扰加噪声比；
[0036]
使用自适应最小均方无畸变响应波束形成器求解最大化信号与干扰加噪声比中的最有权值矢量；
[0037]
根据最大化权值矢量，依次获取距离门上的非线性运动目标信号功率，并获取所有距离门上的非线性运动目标功率向量。
[0038]
可选地，自适应最小均方无畸变响应波束形成器的构建过程包括：
[0039]
根据估计的非线性运动目标状态中的非线性目标距离、角度和干扰加噪声协方差矩阵构建自适应最小均方无畸变响应波束形成器。
[0040]
可选地，使用级联的恒虚警检测器对所有距离门上的非线性运动目标信号功率向量进行检测，获取更新的非线性运动目标信号，包括：
[0041]
使用预设的第一级恒虚警检测器对所有距离门上的非线性运动目标信号功率向量进行检测，确定非线性运动目标的距离门序号和径向距离的量测；
[0042]
预设虚拟导向矢量，获取第l
θ
个角度分辨单元上的信号功率，并获取角度分辨单元处的信号功率向量；
[0043]
使用预设的第二级恒虚警检测器获取非线性运动目标角度检测信息；
[0044]
使用级联的恒虚警检测器获取非线性运动目标当前时刻的量测值；
[0045]
根据非线性运动目标当前时刻的量测值，获取更新的非线性运动目标信号。
[0046]
可选地，获取更新的非线性运动目标信号的过程包括：
[0047]
求解采样点集的预测量测值；
[0048]
根据采样点集的预测量测值和非线性运动目标当前时刻的量测值，获取量测协方差矩阵；
[0049]
根据采样点集的预测量测值和非线性运动目标当前时刻的量测值，获取状态协方差矩阵；
[0050]
根据量测协方差矩阵和状态协方差矩阵，更新当前时刻的非线性运动目标状态和非线性运动目标状态协方差矩阵。
[0051]
本发明的有益效果：
[0052]
本发明提供的一种认知fda-mimo雷达欺骗式干扰抑制目标检测方法，首先，构建了一个认知fda-mimo雷达欺骗式干扰抑制和目标检测系统；其次，提出了一种基于跟踪先验的自适应样本挑选方法用以挑选非齐次的干扰样本，进而获取精确的干扰+噪声协方差矩阵；再次，基于ass算法，提出了两种自适应波束形成器—基于最大输出sinr的ass-mvdr自适应波束形成器和robust-ass自适应波束形成器，进而实现干扰抑制；最后，通过级联cfar检测器得到目标最新量测，并将其提供给跟踪器实现目标状态更新和下一个cpi的目标状态预测，进而形成闭环认知系统。
[0053]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0054]
图1是本发明实施例提供的认知fda-mimo雷达欺骗式干扰抑制目标检测方法的一种流程图；
[0055]
图2是本发明实施例提供的非线性运动目标和主瓣欺骗式轨迹干扰的信号模型的一种示意图；
[0056]
图3是本发明实施例提供的非线性运动目标协方差矩阵和干扰协方差矩阵构建的一种流程图；
[0057]
图4是本发明实施例提供的ukf目标位置预测采样和3-sigma置信椭圆的一种示意图；
[0058]
图5是本发明实施例提供的ukf目标速度预测采样和3-sigma置信椭圆的一种示意图；
[0059]
图6(a)是本发明实施例提供的目标和欺骗式干扰在不同cpi时刻的空间分布的一种示意图；
[0060]
图6(b)是本发明实施例提供的目标在x-y平面上的非线性运动轨迹的一种示意图；
[0061]
图7是本发明实施例提供的不同算法不同snr下目标的检测概率统计图；
[0062]
图8是本发明实施例提供的不同算法在snr＝-6.8db时的距离角度跟踪结果的一种示意图；
[0063]
图9是本发明实施例提供的不同算法在snr＝-6.8db时的距离角度rmse估计结果的一种示意图；
[0064]
图10是本发明实施例提供的不同算法的输出sinr对比图；
[0065]
图11是本发明实施例提供的不同信噪比下所提mvdr-ass算法对目标距离的跟踪结果和误差统计结果的一种示意图；
[0066]
图12是本发明实施例提供的不同信噪比下所提mvdr-ass算法对目标角度的跟踪结果和误差统计结果的一种示意图；
[0067]
图13是本发明实施例提供的不同snr下，mvdr-ass算法输出sinr随跟踪步的变化曲线的一种示意图；
[0068]
图14是本发明实施例提供的不同snr下认知距离和角度跟踪结果robust-ass的一种示意图；
[0069]
图15是本发明实施例提供的不同snr下距离和角度rmse估计结果robust-ass的一种示意图；
[0070]
图16是本发明实施例提供的不同cpi时刻不同snr下输出sinr估计结果robust-ass的一种示意图。
具体实施方式
[0071]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0072]
现有技术中，paul antonik等人首次在相控阵的发射阵元间引入了一个远小于载频的频率偏移量，进而提出了频率分集阵列这一概念；但是paul antonik等人仅对频率分
集阵列(frequency diverse array，fda)的发射方向图特性进行了初步探索而并未深入研究；得益于fda本身独特的辐射特性，其吸引了大量的学者从多个角度对其发射方向图特性进行分析与解释，并揭示了fda发射方向图的距离-角度耦合特性；部分学者还通过设计不同的频率偏移量来实现对其发射方向图的控制，以期望得到更好的目标检测和跟踪性能；然而，fda发射方向图距离-角度耦合的这一非稳态特性给参数估计带来了困扰。因此，需要联合多输入多输出雷达(multiple-input multiple-output，mimo)技术，在接收端通过混频、匹配滤波处理对各个阵元的发射波形进行分离，进而通过构建距离-角度联合匹配滤波器实现距离-角度联合估计、杂波抑制和抗主瓣欺骗式干扰；但是上述抗主瓣干扰的相关文献都是针对静止目标或者单一时刻进行研究，并未考虑目标跟踪以及认知的方式。
[0073]
事实上，认知雷达能够通过闭环认知的方式，感知外部环境信息并反馈至发射机，构成接收机、发射机与环境动态闭环的全自适应雷达处理架构。认知雷达能够利用跟踪器反馈的目标和环境信息实时的对雷达的发射波形进行调整，以到达最优的目标检测和跟踪性能。在fda-mimo雷达认知技术领域，最早的关于fda-mimo雷达认知技术致力于利用mimo雷达的低截获优势，根据最小化目标位置处能量和最大化输出信干噪比的原则优化发射权矢量，在不影响目标检测性能的同时保证低截获的特性。basit，a.，qureshi，i.m.，khan，w.等人利用认知的方式实现对fda-mimo雷达中频率偏移的自适应调整，进而使得能量聚焦于目标所在区域，取得了更好的目标检测性能；r.gui，w.-q.wang，y.pan and j.xu等人将子阵引入fda-mimo雷达系统，通过将子阵设置为相控阵模式，子阵间设置为fda模式的方式，使得整个认知系统同时具备相控阵高增益的特征和fda-mimo雷达具备额外距离维自由度的优势。a.basit，w.-q.wang，s.y.nusenu and z.zheng等人通过引入时间依赖的频率增量来调整波束以达到更好的目标检测和跟踪性能；值得注意的是上述文献均未考虑干扰；最近，在最大输出sinr原则和mvdr波束形成器的基础上，通过功率分配的方式实现了认知fda-mimo抗干扰；b.yang，s.zhu，x.he，l.lan and x.li等人利用组网的式实现了目标和干扰的鉴别，并提出了一种典型的基于最大capon功率谱原则的认知目标跟踪技术；但是也存在研究未考虑如何挑选样本以构造干扰加噪声协方差矩阵。
[0074]
有鉴于此，本发明提供一种认知fda-mimo雷达欺骗式干扰抑制目标检测方法，首先，针对传统抗干扰算法中难以获取目标先验信息和精确的干扰加噪声协方差矩阵的问题；本发明利用跟踪器提供的目标预测信息，提出了一种自适应样本挑选(adaptive sample selection，ass)算法用以训练精确的干扰加噪声协方差矩阵；其次，考虑到跟踪器提供的目标预测信息存在误差的问题，在ass算法的基础上提出了基于最大输出信干噪比准则(maximum signal to interference plus noise ratio criterion，msinr)的自适应样本选择最小均方无畸变响应波束形成器(minimum variance distortionless response based adaptive sample selection，mvdr-ass)和自适应样本选择鲁棒波束形成器(robust beamformer based adaptive sample selection，robust-ass)，能够有效实现干扰抑制。
[0075]
请参见图1所示，图1是本发明实施例提供的认知fda-mimo雷达欺骗式干扰抑制目标检测方法的一种流程图，本发明所提供的一种认知fda-mimo雷达欺骗式干扰抑制目标检测方法，包括：
[0076]
s101、构建fda-mimo雷达体制下非线性运动目标和主瓣欺骗式轨迹干扰的信号模
型，并获取距离门上接收的非线性运动目标信号。
[0077]
具体而言，请参见图2所示，图2是本发明实施例提供的非线性运动目标和主瓣欺骗式轨迹干扰的信号模型的一种示意图，本实施例中，首先构建fda-mimo雷达体制下非线性运动目标和主瓣欺骗式轨迹干扰的信号模型，设置一个共址fda-mimo阵列，发射端和接收端分别为由m个发射阵元和n个接收阵元组成的均匀线性阵列，相邻发射阵元的间距为d＝λ0/2，λ0＝c/f0为波长，f0为参考频率，c为光速，不同于传统的mimo阵列，本实施例中在fda-mimo阵的发射端，相邻发射阵元的发射信号的频率相差δf，如果第一个发射阵元发射信号的频率为f0，则与其相邻的发射阵元m的发射信号的频率为fm＝f0+δf。
[0078]
根据第m个发射阵元的发射信号的频率fm，获取第m个发射阵元的发射信号sm(t)，其表达式为：
[0079][0080]
其中，t
p
为脉冲持续时间，m为发射总能量，e为发射阵元数，为第m个发射阵元发射信号的包络，e为指数函数，j为虚数单位，π为圆周率，fm为第m个发射阵元发射信号的频率，t为发射时间，各个发射阵元的发射信号的包络满足正交性条件，其表达式为：
[0081][0082]
设置发射总能量m等于发射阵元数e，则第m个发射阵元的发射信号简化为：
[0083][0084]
预设远场点目标(r0,θ0)，获取经过远场点目标反射后，被第n个接收阵元接收的回波信号的时延τ
m,n
＝τ
0-(m+n-2)dsin(θ0)/c，等式右边第一项为公共双程时延τ0＝2r0/c，第二项由发射阵元和接收阵元之间的间距引起的波程差；其中，r0为非线性运动目标的初始距离，θ0为非线性运动目标的初始角度，τ0为公共双程时延，d为相邻发射阵元的间距，c为光速，sin(
·
)为正弦函数。
[0085]
窄带假设下，第n个接收阵元接收的回波信号y
m,n
的表达式为：
[0086][0087]
其中，f0为第一个发射阵元发射信号的频率，δf为相邻发射阵元发射信号的频率差；λ0第一个发射阵元发射信号的频率；
[0088]
将第n个接收阵元接收的回波信号y
m,n
经过(对第m个发射阵元)混频后，得到混频后的信号，其表达式为：
[0089][0090]
将混频后的信号再进行匹配滤波处理，得到处理后的信号，其表达式为：
[0091][0092]
将上述处理后的信号在使用波形正交性处理，得到：
[0093][0094]
其中，为目标回波系数(复数)，包括阵元发射增益、阵元接收增益、发射和接收、目标后向散射增益和脉冲压缩处理增益等，需要说明的是，上述公式中的最后两项可以被忽略当满足：
[0095][0096]
当满足上述条件，第n个接收阵元接收的回波信号y
m,n
可以简化为：
[0097][0098]
假设目标经过脉压后位于第ls个距离门，则经过混频和匹配滤波处理后，第ls个距离门上的信号可以表示为：
[0099][0100]
其中，a(r0,θ0)为发射导向矢量，b(θ0)为接收导向矢量，其表达式分别为：
[0101][0102][0103][0104][0105]
设定在每个相干处理时间段内(cpi)内发射k个脉冲，对于速度为v0的远场点非线性运动目标(r0,θ0)，考虑由非线性运动目标运动带来的多普勒频移f
d,0
＝2v0/λ，经过混频和匹配滤波处理后的第ls个距离门上接收到的信号为：
[0106][0107]
其中，为多普勒导向矢量，t
cpi
为相干积累时长。
[0108]
本实施例，考虑j个欺骗式干扰其中，rj为第j个假目标与接收阵元的距离，θj为第j个假目标与接收阵元的角度，f
d,j
＝2vj/λ0为多普勒频移，第j个假目标的信号经过混频和匹配滤波处理后位于第lj个距离门，则第lj个距离门上接收到的干扰信号的表达式为：
[0109][0110]
对于经过混频和匹配滤波处理后的雷达信号，目标和干扰可能位于任意一个距离门上，因此，距离门l上接收到的信号，即非线性运动目标信号可以表示为：
[0111]
[0112][0113]
其中，δ
l
(l')为狄拉克脉冲函数，为噪声项。
[0114]
s102、通过无迹变换对非线性运动目标信号进行sigma点采样，获取采样点集，使用非线性ukf滤波器对采样点集的状态和权重进行预测，估计非线性运动目标的状态。
[0115]
具体而言，本实施例中，使用非线性ukf滤波器对采样点集的状态和权重进行预测，得到目标状态和协方差矩阵估计。
[0116]
无迹变换(ut变化)是计算非线性变换的随机变量的一种有效方法；考虑非线性状态转移函数f，利用上一个相干处理时间段内(cpi)的目标状态和协方差矩阵p
t-1
，其中，和分别包含非线性运动目标的位置信息和速度信息。
[0117]
通过ut变换进行sigma点集采样，其表达式为：
[0118][0119]
其中，t-1为第t-1个cpi，和分别为第t-1个cpi的第s个样本的状态和权重，n
x
为目标状态的维数，κ＝α2(n
x
+λ)-n
x
为缩放比例因子，参数α和λ决定了sigma点在均值附近的分布。
[0120]
本实施例中，采样点集的状态进行预测包括目标状态核预测和目标状态协方差矩阵预测，其中，
[0121]
目标状态核预测的表达式为：
[0122][0123]
x
t|t-1
为第t-1个相干处理时间段，为第t-1个相干处理时间段采样点集中第s个样本的状态，为第t-1个相干处理时间段采样点集中第s个样本的权重，n
x
为非线性运动目标状态的维数，为进行状态转移的概率，v
t
为服从均值为0的协方差矩阵为
q的过程噪声，f(
·
)为非线性状态方程函数；
[0124]
目标状态协方差矩阵预测的表达式为：
[0125][0126]
其中，q为过程噪声的协方差矩阵，[
·
]
t
为转置符号。
[0127]
s103、根据距离门上接收的非线性运动目标信号，进行逐距离门能量求解，获取能量梯度序列，根据能量梯度序列，提取距离门序号集合，根据距离门序号集合，分别构建非线性运动目标协方差矩阵和干扰协方差矩阵。
[0128]
具体而言，请参见图3所示，图3是本发明实施例提供的非线性运动目标协方差矩阵和干扰协方差矩阵构建的一种流程图，本实施例中提出一种基于目标先验(目标先验得自跟踪器的预测值)和信号能量梯度的自适应样本挑选算法，以精确构造干扰、噪声、目标信号的协方差矩阵。
[0129]
首先，通过计算所有距离门上信号的能量并以降序排列，从而得到能量梯度序列；其次，由于存在干扰和目标的距离门能量远大于仅存在噪声的距离门上的能量，因此，可以通过阈值法确定干扰和目标所在的距离门号；然后，利用目标先验信息确定目标的距离门号，进而得到干扰所处距离门号和噪声所处距离门号；最后，挑选出干扰和噪声样本精确训练干扰和噪声协方差矩阵，作为抗干扰的基础。
[0130]
经过混频和匹配滤波处理后的第l个距离门的k个脉冲数据为y
(l)
，则第l个距离门上接收到的信号能量可以估计为：
[0131]
pe(l)＝trace{y
(l)
}；
[0132]
所有距离门上信号能量序列为pe(l)＝{pe(o1),pe(o2),
··
,pe(o
l
)}，其中，o
l
＝l，l＝1,2,
…
,l，通过降序排列后，得到能量梯度序列，其表达式为：
[0133][0134]
其中，为重新排序后的距离门序号，其映射关系满足：
[0135][0136]
考虑到高信噪比和高干噪比情况下，目标和欺骗式干扰的能量远大于背景噪声的能量，且目标和干扰的个数有限，因此可参考pe中的最后u项元素的能量大小来设置门限，获取预设门限的表达式为：
[0137][0138]
其中，为预设门限因子，用于控制门限tu大小。
[0139]
根据目标和干扰的能量大于噪声能量这一特征，可以通过提取能量序列中大于门限的距离门序号作为干扰和目标所在距离门的序号。
[0140][0141]
上式中，获取使得成立的距离门号的集合可以理解的是，目标和干扰信号的距离门号组成集合υ-1
为υ的逆映射；需要说明的是，集合o
sin
中距离门上的信号是附加噪声的，仅存在噪声的距离门序号可表示为在认知结构中，由于跟踪器可以持续的给系统提供目标的预测信息，因此可以利用目标的预测信息对目标所在的距离门序号进行预测；假设第t个cpi目标的预测状态为x
t|t-1
，则预测的目标径向距离和角度为：
[0142][0143]
预测的目标距离门序号为：
[0144][0145]
其中，ceil为向上取整函数，δr＝c/2/bw为距离门宽度，bw为信号带宽。对比目标预测距离门序号o和集合o
sin
中元素，距离o最小的距离门序号os，即为真实目标所在距离门；因此干扰所在距离门序号可表示为o
sin
/os。其中，为方便记干扰所在距离门序号集合为仅存在噪声的距离门序号集合为
[0146]
获取目标和噪声样本数据
[0147]
干扰和噪声样本数据：
[0148][0149]
噪声样本数据：
[0150][0151]
其中，∪{
·
}为数据按照距离门序号排列为一个矩阵。
[0152]
因此可得，目标和噪声协方差矩阵：
[0153][0154]
干扰和噪声协方差矩阵：
[0155][0156]
噪声协方差矩阵：
[0157][0158]
为了避免因为距离门个数过多造成yn的维数过高的问题，噪声协方差矩阵同样利用下述公式求解：
[0159][0160]
则精确的目标信号协方差矩阵为rs＝r
sn-rn，干扰协方差矩阵为ri＝r
in-rn。
[0161]
s104、使用自适应最小均方无畸变响应波束形成器对干扰加噪声协方差矩阵进行抑制，获取所有距离门上的非线性运动目标信号功率向量。
[0162]
具体而言，本实施例中提出基于最大输出信干噪比准则(maximum signal to interference plus noise ratio criterion，msinr)的自适应样本选择mvdr波束形成器(minimum variance distortionless response based adaptive sample selection，mvdr-ass)。
[0163]
基于上述的自适应样本挑选方法，可以精确构造的目标信号协方差矩阵和干扰加噪声协方差矩阵，则信号与干扰加噪声比(sinr)可以定义为：
[0164][0165]
其中，w为自适应权值矢量，使用mvdr波束形成器可以求解权值矢量：
[0166][0167]
其中，为距离r
t|t-1
和角度θ
t|t-1
依赖的虚拟导向矢量，距离r
t|t-1
和角度θ
t|t-1
由跟踪器预测得到。需要说明的是，跟踪器预测的目标距离和角度是存在误差的，如果直接使用求解得到的权矢量是有偏的，因此通过最大化输出sinr的方式求解最优权矢量：
[0168][0169]
其中，w根据权值矢量公式和目标预设距离和角度信息求解。θr和θ
θ
分别表示目标预设距离和角度的取值范围，取值范围的中心为跟踪器的预测值{r
t|t-1
,θ
t|t-1
}。
[0170]
本实施例中距离取值范围半径为3倍的距离门宽度，角度取值范围半径为3倍的角
度搜索单元。
[0171]
在本发明的一个实施例中，基于跟踪先验的robust-ass波束形成器基于msinr的mvdr-ass波束形成器，利用跟踪器，可以获得下一个cpi的目标状态预测值，因此基于预测的目标距离、角度、干扰加噪声协方差矩阵可以构造robust-ass波束形成器，其表达式为：
[0172][0173]
与现有技术不同的是，本实施提供的自适应波束形成器中的干扰加噪声协方差矩阵已经剔除了目标信号，而非包含目标信号分量的采样协方差矩阵。根据所构建的鲁棒自适应波束形成器，可以求解得到最优权矢量从而进行干扰抑制。其中，im{
·
}为求虚部，ε定义虚拟导向矢量的误差的边界(一个已知常数)，满足：
[0174]
||v(r
t|t-1
,θ
t|t-1
)-v(r
t,0
,θ
t,0
)||≤ε；
[0175]
其中，r
t,0
和θ
t,0
分别为第t个cpi真实目标的距离和角度，v(r
t,0
,θ
t,0
)为真实目标虚拟导向矢量。
[0176]
s105、使用级联的恒虚警检测器(cfar)对所有距离门上的非线性运动目标信号功率向量进行检测，获取更新的非线性运动目标信号。
[0177]
具体而言，本实施例中，利用级联cfar进行目标量测提取。
[0178]
第t个cpi训练得到的最优权矢量为w
t
，可逐距离门求解该距离门上的信号功率，对于第l个距离门，利用权矢量进行匹配滤波后得信号功率为：
[0179][0180]
其中，表示为
[0181]
则所有距离门处得信号功率向量为：
[0182]
p
t,r,power
＝[p
t,r
(1),p
t,r
(1),
…
,p
t,r
(l)]
t
；
[0183]
因此，可以通过设计第一级单元平均cfar检测器对距离向进行检测。检测器在待检测单元上的阈值为：
[0184][0185]
其中，p
fa
为预设的虚警概率，g为参考单元个数，p
average
为参考单元的平均功率。
[0186]
通过一级cfar检测器可以确定目标的距离门号o
t,d
和径向距离的量测
[0187]
此时，可设计虚拟导向矢量求解第l
θ
个角度分辨单元上的信号功率：
[0188][0189]
则所有角度单元处得信号功率向量为：
[0190][0191]
其中，l
θ
为角度单元个数，则可以设计第二级cfar检测器得到目标角度检测信息为：
[0192][0193]
其中，δ
θ
为角度单元大小，s
t,d
为cfar检测，器检测得到的角度单元的序号。因此可以通过级联cfar检测器得到当前目标的测量值：
[0194][0195]
当前时刻的检测值可以提供给跟踪系统对当前时刻的目标状态进行更新。此外，由上述分析可以看出距离和角度的检测误差分别为：
[0196]
和
[0197]
因此跟踪误差协方差矩阵为：
[0198][0199]
其中，diag为向量对角化运算符。
[0200]
根据非线性运动目标当前时刻的量测值，获取更新的非线性运动目标信号。
[0201]
求解采样点集的预测量测值；
[0202]
第s个样本的预测状态为对应的预测量测值为：
[0203][0204]
则当前时刻目标状态的预测量测为：
[0205][0206]
根据采样点集的预测量测值和非线性运动目标当前时刻的量测值，获取量测协方
差矩阵，其表达式为：
[0207][0208]
根据采样点集的预测量测值和非线性运动目标当前时刻的量测值，获取状态协方差矩阵，其表达式为：
[0209][0210]
根据量测协方差矩阵和状态协方差矩阵，更新当前时刻的非线性运动目标状态和非线性运动目标状态协方差矩阵；
[0211]
则kalman增益为k
t|t-1
＝p
zx,t|t-1
(p
zz,t|t-1
)-1
，则第t个cpi目标状态和目标状态协方差矩阵更新为：
[0212]
x
t
＝x
t|t-1
+k
t|t-1
(z
t-z
t|t-1
)；
[0213]
p
t
＝p
t|t-1-k
t|t-1
p
zz,t|t-1
(k
t|t-1
)
t
；
[0214]
请参见图4和图5所示，图4是本发明实施例提供的ukf目标位置预测采样和3-sigma置信椭圆的一种示意图；图5是本发明实施例提供的ukf目标速度预测采样和3-sigma置信椭圆的一种示意图；snr＝-6db时，第4个cpi sigma采样点分布的预测更新、先验3-sigma置信椭圆、预测3-sigma置信椭圆、更新后3-sigma置信椭圆；先验目标位置和速度指的是上一个cpi跟踪器估计得到的目标位置和速度信息，可以看出采样点集中于3-sigma置信椭圆中，且采样点多集中于真实值附近；此外，经过预测和更新后，目标位置和速度的3-sigma置信椭圆逐步向目标真实位置收敛。
[0215]
s；106、再对更新的非线性运动目标信号进行，跟踪。
[0216]
具体而言，本实施例中，利用更新之后的目标状态和协方差矩阵，可以对下一个cpi的目标状态和协方差矩阵进行预测，进而将预测值提供给信号处理系统，继续下一个cpi的自适应样本挑选和抗干扰，进而形成闭环认知系统。
[0217]
综上所述，本发明提供的一种认知fda-mimo雷达欺骗式干扰抑制目标检测方法，首先，构建了一个认知fda-mimo雷达欺骗式干扰抑制和目标检测系统；其次，提出了一种基于跟踪先验的自适应样本挑选方法用以挑选非齐次的干扰样本，进而获取精确的干扰+噪声协方差矩阵；再次，基于ass算法，提出了两种自适应波束形成器—基于最大输出sinr的ass-mvdr自适应波束形成器和robust-ass自适应波束形成器，进而实现干扰抑制；最后，通过级联cfar检测器得到目标最新量测，并将其提供给跟踪器实现目标状态更新和下一个cpi的目标状态预测，进而形成闭环认知系统。
[0218]
在本发明的一种可选地实施例中，通过仿真实验对认知fda-mimo雷达欺骗式干扰抑制和目标检测方法的效果进行验证。
[0219]
一、仿真参数设置
[0220]
雷达位于坐标原点[0m,0m]，光速为c＝3
×
108m
·
s-1
，各个阵元发送的信号的载频为f0＝10ghz，波长为λ＝c/f0，相邻阵元间频率偏移为δf＝15
×
103hz，阵元间距d＝λ/2，脉冲重复频率为prf＝δf，信号带宽bw＝15
×
103hz，距离门大小r
res
＝c/bw，最大无模糊距离ru＝c/2prf＝c/2δf，发射阵元和接收阵元个数为m＝n＝10，相干处理时间为t
cpi
＝500/
prf，500表示一个cpi内积累脉冲个数。在cfar检测过程中，距离向和方位向搜索窗大小分别为δr＝r
res
和δ
θ
＝π/180。因此量测噪声协方差矩阵为：
[0221][0222]
仿真实验中，目标跟踪时长为60个cpi，跟踪间隔1/30s。目标位置初始值为[3km,5km]，目标的初始速度为[160m
·
s-1
,100m
·
s-1
]，旋转角速度w
t
＝5π/180rad
·
s-1
，初始化的目标状态协方差矩阵为p＝diag([20 20 20 20])2。
[0223]
目标运动服从非线性运动模型：
[0224]
x
t
＝fx
t-1
+v
t
x
t
＝fx
t-1
+v
t
；
[0225]
其中，v
t
为服从均值为0协方差为q＝σvbb
t
的gaussian白噪声，σv＝5m
·
s2为过程噪声的标准偏差。
[0226][0227]
f为非线性状态转移矩阵：
[0228][0229]
在检测过程中cfar检测器的虚警概率设置为10-6，距离和角度的保护单元设置为10，参考单元个数设置为20。
[0230]
请参见图6(a)和图6(b)所示，图6(a)是本发明实施例提供的目标和欺骗式干扰在不同cpi时刻的空间分布的一种示意图，图6(b)是本发明实施例提供的目标在x-y平面上的非线性运动轨迹的一种示意图，主瓣欺骗式干扰个数2个，分别位于第200和第900个距离门，主瓣欺骗式干扰的角度与真实目标角度相同。旁瓣欺骗式干扰个数设置为3个，分别位于第150、250和800个距离门，旁瓣欺骗式干扰的角度与目标角度不同，在[-π/2,π/2]上服从伪随机分布，干噪比为20db。
[0231]
二、仿真内容
[0232]
对采用不同算法下的认知fda-mimo雷达的目标检测跟踪性能进行实验验证。
[0233]
首先，针对非线性运动的目标，通过无迹变换(unscented transform，ut)变换进行sigma点采样，利用非线性ukf滤波器对采样点集的状态和权重的预测实现对非线性运动
目标的状态估计，并将目标的预测参数提供给雷达信号处理系统；其次，提出一种认知样本挑选方法，以精确构造干扰、噪声、目标信号的协方差矩阵；在此基础上，提出一种认知的鲁棒自适应波束形成器和一种基于最大输出信干噪比原则的自适应mvdr波束形成器进行干扰抑制，并利用cfar检测器实现对干扰抑制后目标参数的检测；最后，利用最新的目标信息和ukf滤波器是实现对目标的跟踪。
[0234]
(1)实验一
[0235]
请参见图7所示，图7是本发明实施例提供的不同算法不同snr下目标的检测概率统计图，图7中mvdr-ass为基于本发明所提mvdr-ass波束形成器的认知干扰抑制和目标检测算法；robust-ass表示基于本发明所提的robust-ass波束形成器的认知干扰抑制和目标检测算法；ddd则表示直接数据域法训练干扰和噪声协方差矩阵，利用ddd得到的样本协方差矩阵包含目标信号，因此robust-ddd和mvdr-ddd算法的检测性能要劣于robust-ass和mvdr-ass算法。相同snr下，robust算法的检测概率大于mvdr的检测概率的原因是最大输出sinr原则在确定最优权时，距离和角度的搜索间隔导致求解的最有权必然会存在误差。图7的结果表明采用本发明中所提认知策略进行自适应样本挑选后，能够提升目标的检测概率。
[0236]
请参见图8所示，图8是本发明实施例提供的不同算法在snr＝-6.8db时的距离角度跟踪结果的一种示意图，由图8可以看出，采用本发明所提的自适应样本挑选策略后，robust-ass和mvdr-ass认知抗干扰和目标检测算法的目标跟踪性能要远远超过其它两种算法。这是因为其它两种算法的干扰加噪声协方差矩阵由直接数据域的采样协方差矩阵替代。而直接数据域的采样协方差矩阵包含目标信息，导致干扰抑制失效，进而造成目标检测失败，跟踪发散。此外，所提robust-ass算法的跟踪性能要优于所提mvdr-ass算法，这是因为snr＝-6.8db时robust-ass算法的检测概率为1，而mvdr-ass算法的检测概率小于1，随机的漏检现象导致mvdr-ass算法的跟踪性能要劣于robust-ass算法的跟踪性能。请参见图9所示，图9是本发明实施例提供的不同算法在snr＝-6.8db时的距离角度rmse估计结果的一种示意图，结合图8和图9所示，基于robust自适应波束形成器的跟踪性能要优于mvdr波束形成器，这是因为robust自适应波束形成器通过引入权矢量不确定集的方式使得其对于误差具备更好的容忍度。
[0237]
请参见图10所示，图10是本发明实施例提供的不同算法的输出sinr对比图，由图10可以看出基于mvdr-ass和robust-ass算法的cfda-mimo distds能够在不同的cpi得到较为理想的干扰抑制性能。但是mvdr-ass算法的输出sinr要略微小于robust-ass。对比图7可知，这是因为robust-ass算法在snr＝-6.8db时的检测概率为1，而mvdr-ass算法的检测概率为0.99。此外，基于mvdr-ddd和robust-ddd算法的cfda-mimo distds的输出sinr随着跟踪步的迭代逐渐变小，这是因为mvdr-ddd和robust-ddd的检测概率分别为0.18和0.8，一旦目标未被检测到，则会导致输入到信号处理系统的目标先验信息存在较大的误差，进而造成求解得到的最优权矢量存在较大的误差。因此随着算法的迭代，干扰抑制性能逐渐退化。输出sinr逐渐降低。
[0238]
(2)实验二
[0239]
请参见图11和图12所示，图11是本发明实施例提供的不同信噪比下所提mvdr-ass算法对目标距离的跟踪结果和误差统计结果的一种示意图，图12是本发明实施例提供的不
同信噪比下所提mvdr-ass算法对目标角度的跟踪结果和误差统计结果的一种示意图，由图7可知，在snr＝-6、-6.9和-7db时，mvdr-ass算法中目标的检测概率分别为1，0.94和0.51，结合图11和图12可以看出随着snr的减小，目标的检测概率下降，跟踪性能也在逐渐下降。
[0240]
请参见图13所示，图13是本发明实施例提供的不同snr下，mvdr-ass算法输出sinr随跟踪步的变化曲线的一种示意图，在snr＝-6db时，检测概率为1，此时任意cpi处都能准确检测出目标，因此可以形成稳定跟踪并提供较为准确的预测信息给雷达系统用以抑制干扰，所以不同cpi时刻输出的sinr最高且保持稳定；当snr＝-6.9db时，此时检测概率为0.94，一旦在任意cpi处未检测到目标，就会导致跟踪结果出现极大误差，此时由于跟踪器的预测值偏差过大会导致干扰抑制性能急剧恶化，进而造成检测出现错误。因此一旦出现未检测到目标的现象，mvdr-ass算法的跟踪性能和干扰抑制性能会急剧退化；snr＝-7db时，mvdr-ass算法的目标检测概率仅为0.51，因此其输出sinr随着跟踪步的迭代急剧退化。对比snr＝-7db和snr＝-6.9db的输出sinr变化曲线可看出，随着snr的变小，输出sinr的退化现象越严重。
[0241]
(3)实验三
[0242]
实验三中主要验证基于本发明所提的robust-ass波束形成器的认知干扰抑制和目标检测算法对于干扰抑制和目标跟踪的性能。请参见图14～图16所示，图14是本发明实施例提供的不同snr下认知距离和角度跟踪结果robust-ass的一种示意图，图15是本发明实施例提供的不同snr下距离和角度rmse估计结果robust-ass的一种示意图，图16是本发明实施例提供的不同cpi时刻不同snr下输出sinr估计结果robust-ass的一种示意图，观察图14-16可以得出以下结论：
[0243]
①
在稳定检测(检测概率为1，snr＝-6db)的基础上，robust-ass算法的能够保持稳定跟踪；
[0244]
②
随着snr的减小，尤其是随着检测概率的减小，robust-ass算法的跟踪结果会随着跟踪步的迭代发散。这是因为一旦出现未检测到目标的现象，跟踪器给系统提供的先验信息会存在较大误差，导致波束形成器得到的最优权存在较大误差，干扰抑制性能下降，目标检测性能下降，这一恶性循环导致跟踪发散；
[0245]
③
随着snr的下降，输出的sinr会随跟踪步的迭代逐渐下降，snr越小，干扰抑制性能退化现象出现的越早，输出的sinr下降的速率越快。
[0246]
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0247]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示
例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0248]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

技术特征：
1.一种认知fda-mimo雷达欺骗式干扰抑制目标检测方法，其特征在于，包括：构建fda-mimo雷达体制下非线性运动目标和主瓣欺骗式轨迹干扰的信号模型，并获取距离门上接收的非线性运动目标信号；通过无迹变换对所述非线性运动目标信号进行sigma点采样，获取采样点集，使用非线性ukf滤波器对所述采样点集的状态和权重进行预测，估计非线性运动目标的状态；根据所述距离门上接收的非线性运动目标信号，进行逐距离门能量求解，获取能量梯度序列，根据所述能量梯度序列，提取距离门序号集合，根据距离门序号集合，分别构建非线性运动目标协方差矩阵和干扰协方差矩阵；使用自适应最小均方无畸变响应波束形成器对干扰加噪声协方差矩阵进行抑制，获取所有距离门上的非线性运动目标信号功率向量；使用级联的恒虚警检测器对所有距离门上的非线性运动目标信号功率向量进行检测，获取更新的非线性运动目标信号；再对所述更新的非线性运动目标信号进行跟踪。2.根据权利要求1所述的认知fda-mimo雷达欺骗式干扰抑制目标检测方法，其特征在于，所述获取距离门上接收的非线性运动目标信号，包括：获取第m个发射阵元的发射信号；预设远场点非线性运动目标，获取经过远场点非线性运动目标反射后，被第n个接收阵元接收的第一回波信号；将所述第一回波信号进行混频和匹配滤波处理后，获取第l
s
个距离门上接收的目标信号；预设假目标，获取经过假目标反射后，被第n个接收阵元接收的第二回波信号；将所述第二回波信号进行混频和匹配滤波处理后，获取第l
j
个距离门上接收的干扰信号；根据目标信号和干扰信号，获取距离门l上接收的非线性运动目标信号。3.根据权利要求1所述的认知fda-mimo雷达欺骗式干扰抑制目标检测方法，其特征在于，所述对所述采样点集的状态进行预测包括目标状态核预测和目标状态协方差矩阵预测；其中，所述目标状态核预测的表达式为：其中，x
t|t-1
为第t-1个相干处理时间段，为第t-1个相干处理时间段采样点集中第s个样本的状态，为第t-1个相干处理时间段采样点集中第s个样本的权重，n
x
为非线性运动目标状态的维数，为进行状态转移的概率，v
t
为服从均值为0的协方差矩阵为q的过程噪声，f(
·
)为非线性状态方程函数；
所述目标状态协方差矩阵预测的表达式为：其中，q为过程噪声的协方差矩阵，[
·
]
t
为转置符号。4.根据权利要求1所述的认知fda-mimo雷达欺骗式干扰抑制目标检测方法，其特征在于，所述构建非线性运动目标协方差矩阵和干扰协方差矩阵，包括：对距离门l上接收的非线性运动目标信号能量进行估计，获取其序列，通过降噪排序后，得到非线性运动目标信号能量梯度序列；预设门限，提取所述非线性运动目标信号能量梯度序列中大于所述预设门限的非线性运动目标信号所在距离门的序号，得到距离门序号集合；根据所述非线性运动目标的状态，得到预测的非线性运动目标的距离门序号，将所述预测的非线性运动目标的距离门序号与距离门序号集合中的元素进行对比，分别得到干扰所在距离门序号集合和噪声所在距离门号序号集合；根据所述距离门序号集合、所述干扰所在距离门序号集合和噪声所在距离门号序号集合，分别得到非线性运动目标和噪声样本数据、干扰和噪声样本数据、以及噪声样本数据；根据非线性运动目标和噪声样本数据、干扰和噪声样本数据、以及噪声样本数据，得到非线性运动目标和噪声协方差矩阵、干扰和噪声协方差矩阵、以及噪声协方差矩阵；根据非线性运动目标和噪声协方差矩阵、干扰和噪声协方差矩阵、以及噪声协方差矩阵，得到非线性运动目标协方差矩阵和干扰协方差矩阵。5.根据权利要求1所述的认知fda-mimo雷达欺骗式干扰抑制目标检测方法，其特征在于，所述获取所有距离门上的非线性运动目标信号功率向量，包括：根据所述非线性运动目标协方差矩阵和所述干扰协方差矩阵，获取信号与干扰加噪声比；使用自适应最小均方无畸变响应波束形成器求解最大化所述信号与干扰加噪声比中的最有权值矢量；根据所述最大化权值矢量，依次获取距离门上的非线性运动目标信号功率，并获取所有距离门上的非线性运动目标功率向量。6.根据权利要求5所述的认知fda-mimo雷达欺骗式干扰抑制目标检测方法，其特征在于，所述自适应最小均方无畸变响应波束形成器的构建过程包括：根据估计的非线性运动目标状态中的非线性目标距离、角度和干扰加噪声协方差矩阵构建自适应最小均方无畸变响应波束形成器。7.根据权利要求1所述的认知fda-mimo雷达欺骗式干扰抑制目标检测方法，其特征在于，所述使用级联的恒虚警检测器对所有距离门上的非线性运动目标信号功率向量进行检测，获取更新的非线性运动目标信号，包括：使用预设的第一级恒虚警检测器对所述所有距离门上的非线性运动目标信号功率向量进行检测，确定非线性运动目标的距离门序号和径向距离的量测；预设虚拟导向矢量，获取第l
θ
个角度分辨单元上的信号功率，并获取角度分辨单元处的信号功率向量；使用预设的第二级恒虚警检测器获取非线性运动目标角度检测信息；
使用级联的恒虚警检测器获取非线性运动目标当前时刻的量测值；根据非线性运动目标当前时刻的量测值，获取更新的非线性运动目标信号。8.根据权利要求7所述的认知fda-mimo雷达欺骗式干扰抑制目标检测方法，其特征在于，所述获取更新的非线性运动目标信号的过程包括：求解所述采样点集的预测量测值；根据所述采样点集的预测量测值和非线性运动目标当前时刻的量测值，获取量测协方差矩阵；根据所述采样点集的预测量测值和非线性运动目标当前时刻的量测值，获取状态协方差矩阵；根据所述量测协方差矩阵和状态协方差矩阵，更新当前时刻的非线性运动目标状态和非线性运动目标状态协方差矩阵。

技术总结
本发明公开了一种认知FDA-MIMO雷达欺骗式干扰抑制目标检测方法，包括：获取距离门上接收的非线性运动目标信号；使用非线性UKF滤波器对采样点集的状态和权重进行预测，估计非线性运动目标的状态；根据距离门上接收的非线性运动目标信号，进行逐距离门能量求解，获取能量梯度序列，提取距离门序号集合，分别构建非线性运动目标协方差矩阵和干扰协方差矩阵；对干扰加噪声协方差矩阵进行抑制，获取所有距离门上的非线性运动目标信号功率向量；对所有距离门上的非线性运动目标信号功率向量进行检测，获取更新的非线性运动目标信号；再对更新的非线性运动目标信号进行跟踪。本发明能够提高检测性能。提高检测性能。提高检测性能。


技术研发人员：朱圣棋 戴思超 杨标 贺雄鹏 李西敏 关中意
受保护的技术使用者：西安电子科技大学
技术研发日：2023.05.23
技术公布日：2023/10/7