作者中心
专家审稿
责编办公
编辑办公
-
摘要: 稀疏恢复空时自适应处理(SR-STAP)方法能够利用少量训练距离单元实现对机载雷达杂波的有效抑制。然而，现有SR-STAP方法均基于模型驱动实现，存在着参数设置困难、运算复杂度高等问题。针对这些问题，该文将基于模型驱动的SR方法和基于数据驱动的深度学习方法相结合，首次将深度展开(DU)引入到机载雷达杂波抑制和目标检测之中。首先，建立了阵列误差(AE)条件下的杂波空时谱和阵列误差参数联合估计模型，并利用交替方向乘子法(ADMM)进行求解；接着，将ADMM算法展开为深度神经网络AE-ADMM-Net，利用充足完备的数据集对其迭代参数进行优化；最后，利用训练后的AE-ADMM-Net对训练距离单元数据进行处理，快速获得杂波空时谱和阵列误差参数的准确估计。仿真结果表明：与典型SR-STAP方法相比，该文所提出的DU-STAP方法能够在保持较低运算复杂度的同时提高杂波抑制性能。Abstract: The Sparse Recovery Space-Time Adaptive Processing (SR-STAP) method can use a small number of training range cells to effectively suppress the clutter of airborne radar. The SR-STAP approach may successfully eliminate airborne radar clutter using a limited number of training range cells. However, present SR-STAP approaches are all model-driven, limiting their practical applicability due to parameter adjustment difficulties and high computational cost. To address these problems, this study, for the first time, introduces the Deep Unfolding/Unrolling (DU) method to airborne radar clutter reduction and target recognition by merging the model-driven SR method and the data-driven deep learning method. Firstly, a combined estimation model for clutter space-time spectrum and Array Error (AE) parameters is established and solved using the Alternating Direction Method of Multipliers (ADMM) algorithm. Secondly, the ADMM algorithm is unfolded to a deep neural network, named AE-ADMM-Net, to optimize all iteration parameters using a complete training dataset. Finally, the training range cell data is processed by the trained AE-ADMM-Net, jointly estimating the clutter space-time spectrum and the radar AE parameters efficiently and accurately. Simulation results show that the proposed DU-STAP method can achieve higher clutter suppression performance with lower computational cost compared to typical SR-STAP methods.
-
1. 引言
外辐射源雷达(又称为无源雷达)是一种利用第三方辐射源进行目标探测跟踪的双/多基地雷达系统。该体制雷达具有绿色环保、安全隐蔽、成本可控、易于组网、无需频谱分配等优势[1,2]。现阶段可利用的第三方照射源主要包括FM广播、数字音频广播信号(DAB)、数字电视广播(DVB-T, CMMB, DTMB)、全球微波互联接入信号(WiMAX)、WiFi信号等[3–10]。长期演进(Long Term Evolution, LTE)信号是由第3代合作伙伴计划(the 3rd Generation Partnership Project, 3GPP)组织制定的一种通用的无线通信信号，作为一种新型的外辐射源雷达机会照射源，受到了国内外的广泛关注。该信号作为第三方照射源具有独特的优势：(1)信号普及率高，易于组网，探测范围易扩展；(2)最大可支持20 MHz带宽，具有较高的距离分辨率；(3)超低空覆盖好，适用于地面与低空移动目标探测。
相对于广播或者电视信号的外辐射源雷达，LTE外辐射源雷达发展相对滞后。而随着4G时代的发展，LTE信号的覆盖范围逐步扩大，为研究该体制雷达提供了极为便利的条件，现阶段国内外已进行了一些探索性工作。马来西亚博特拉大学的Abdullah等人[11,12]利用频分双工长期演进(Frequency Division Duplexing Long Term Evolution, FDD-LTE)信号进行了地面移动目标探测以及目标分类识别研究。美国莱特州立大学的Evers等人[13–15]分析了具有扩展循环前缀(Cyclic Prefix, CP)的LTE信号的模糊函数，研究了典型副峰产生的机理，并介绍了利用FDD-LTE信号进行SAR成像的研究结果。武汉大学电波传播实验室研究了实测FDD-LTE信号的模糊函数特性，率先分析了帧间模糊带的形成机理，并提出了一种基于子载波系数归一化的帧间模糊带抑制方法[16,17]。中国科学院电子学研究所探讨了对于远距离目标探测有影响的相关副峰，并针对此类副峰给出了相应的抑制方法，最终得到图钉状的模糊函数[18]。据调研所及，国内有关利用LTE信号进行目标探测实验的研究尚无报道。
根据LTE外辐射源雷达探测需求，本文设计了一种高集成度、小型化的多通道外辐射源雷达系统。相对于传统外辐射源雷达系统，本系统具有以下优势：(1)通用性强，系统工作频率范围广且支持不同带宽，可涵盖所有频段的LTE信号；(2)集成度高，接收机系统采用高度集成的射频芯片实现，降低了系统的复杂程度；(3)传输速率快，采用万兆光纤传输方案，可满足不同带宽信号的传输要求；(4)成本较低，系统的高集成度、通用化优势也使得系统成本可控。系统的上述优势有利于实现LTE外辐射源雷达的组网探测，扩展雷达监测范围。
本文介绍了利用本系统开展国内首次基于LTE信号的地面及低空目标探测实验研究的进展，包括信号分析、雷达系统设计与实现、实验场景配置以及初步实验结果分析等。
2. LTE信号分析
2.1 信号帧结构
LTE信号根据双工方式可以分为频分双工(Frequency Division Duplexing, FDD)和时分双工(Time Division Duplexing, TDD)两种模式[19,20]，两者仅在物理层上略有区别。图1展示了这两种工作模式的框架结构，其中图1(a)为FDD-LTE帧结构，图1(b)为TDD-LTE帧结构。两者相同点在于系统以10 ms的无线帧为传输单位，每个无线帧由10个1 ms的子帧组成，每一个子帧又包含两个0.5 ms的时隙。每个时隙根据CP的不同包含不同数目的正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)符号，其中普通型CP包含7个OFDM符号，扩展型CP包含6个OFDM符号。两者区别在于FDD-LTE模式中系统在分离的两个对称频率信道上进行数据接收和传送，下行过程中整个无线帧都被应用于下行链路传输。TDD-LTE模式则是上下行使用相同的频段在不同时隙进行传输，一定数量的子帧用于下行链路传输，而另外一些子帧用作上行链路传输或者作为特殊子帧使用。相比之下，TDD-LTE含有多种传输模式且上下行信号的频段相同，导致多个终端的上行信号不可避免地干扰外辐射源雷达，使其难以准确划分下行信号时间窗，进而影响目标探测，FDD-LTE则可以避免上行信号的干扰。因此，本系统采用FDD-LTE信号进行目标探测。
2.2 模糊函数分析
模糊函数是研究外辐射源雷达波形特性的重要工具，它描述了外辐射源雷达系统采用的发射波形所具有的目标分辨率、测量精度、模糊度和杂波抑制能力。计算表达式如式(1)所示，其中s(t)为信号复包络，
τ 为距离时延，fd为多普勒频移。|A(τ,fd)|=|∫+∞−∞s(t)s∗(t−τ)e−j2πfdtdt| (1) 图2给出了实测FDD-LTE信号的模糊函数。从图2中可以看出，LTE信号模糊函数在零距离元和零多普勒频率处具有类似图钉形状的主峰。从时域和频域的梯度可以看出，其下降梯度较大，表明LTE信号具有良好的距离分辨率和速度分辨率。除主峰之外还存在多种有规律的模糊副峰，现有文献详细分析了LTE信号典型副峰的产生原因和位置[11–18]。依据副峰产生机理，副峰主要包括CP引起的副峰，控制区域信号(Control Channels, CCs)周期性引起的副峰，以及小区特定参考信号(Cell-specific Reference Signals, CRS)引起的副峰。
在不同的探测需求下，并非所有的副峰都会影响目标的探测。在城市环境下，一般基站的覆盖范围在1 km以内，常见目标(车辆、无人机、行人等)对应的多普勒频率在250 Hz以内。图2中CP引起的副峰相对于主峰时延为66.67 μs，对应双基距离达 20 km; CCs引起的副峰对应多普勒频率为1 kHz的整数倍，超出地面及低空典型运动目标的多普勒频率范围；CRS引起的副峰对应多普勒频率为2 kHz的整数倍，时延为11.11 μs的整数倍，同样超出目标多普勒频率和目标观测范围。综上所述，这些副峰对观测范围内的目标几乎无影响，本文中不考虑这些副峰的干扰。
3. LTE外辐射源雷达系统
3.1 系统工作原理
图3展示了LTE外辐射源雷达的工作原理，与其它外辐射源雷达系统类似，LTE外辐射源雷达在接收端同样分为参考通道与监测通道，分别用来接收直达波信号和目标的回波信号，通过相关处理可以得到目标的距离、速度以及方位等信息，从而实现对目标的检测和跟踪。
本文采用如图4所示的典型外辐射源雷达信号处理流程。首先对原始参考通道信号进行提纯，并利用提纯之后的参考信号与监测信号进行杂波抑制，以消除直达波以及多径干扰，从而突显目标回波[6,21]。之后参考信号和监测信号进行二维互相关处理，即匹配滤波，得到距离-多普勒谱(RD谱)。然后进行波束形成，最后通过恒虚警(Constant False Alarm Rate, CFAR)检测获得目标的双基距离和双基速度信息。
3.2 系统设计与实现
3.2.1 需求分析
LTE信号支持多种波段，且能够灵活配置不同的带宽，每个国家或地区可以根据自身的通讯环境需求以及频谱使用情况进行合理分配。表1展示了LTE信号的相关参数。从表中可以看出，LTE外辐射源雷达系统需满足以下要求：(1)工作频率范围广，满足700～3800 MHz的频段变化范围；(2)支持多种带宽分配，可根据具体需求配置不同带宽；(3)采样率可配置，实现对不同带宽信号的采样。
表 1 LTE信号基本参数Table 1. Basic parameters of the LTE signal参数 取值 频段(MHz) 700～3800 带宽(MHz) 1.4/3/5/10/15/20 采样率(MHz) 1.92/3.84/7.68/15.36/23.04/30.72 3.2.2 接收机方案设计
现阶段常用的雷达接收机系统，往往存在结构复杂、体积庞大、通用性较差、成本不可控等问题。本文选用高集成度的射频芯片AD9361完成接收机系统设计。该芯片内部集成零中频结构，不仅能大大降低对模数转换器(Analog-to-Digital Converter, ADC)性能的要求以及数字信号处理的复杂度，同时能减少模拟器件的数量，有利于实现系统小型化。芯片工作频率范围为70～6000 MHz，支持0.2～56.0 MHz的接收带宽，涵盖大部分的数字多媒体广播业务以及无线通信业务信号频段。仅需要简单控制就可实现对中心频率、带宽、滤波器参数以及增益等参数的配置，真正意义上做到系统的通用化。同时针对零中频结构本身的缺陷，其内部每个接收通道都具备直流失调校正和正交校正的功能，可以降低芯片本振泄露以及非正交带来的弊端。
为满足系统高速数据的实时传输需求，本文采用万兆光纤传输方案，实现接收机系统与上位机之间的数据交互。万兆光纤传输的主要优势在于其传输速率快，传输距离远。表2展示了系统的基本技术参数。
表 2 系统基本技术参数Table 2. Basic technical parameters of the system参数 取值 中心频率(MHz) 70～6000 带宽(MHz) 0.2～56.0 采样率 可配置 增益(dB) 0～76 传输速率(Gbps) 10 3.2.3 系统总体设计
图5展示了本系统的总体框图，主要由接收天线、多通道LTE外辐射源雷达接收机以及信号处理机组成。其中接收天线采用多元八木天线，包括参考天线与监测天线阵列。接收机直接与天线相连，将接收到的射频信号进行正交混频、采样、抽取滤波下变频为数字基带信号，然后由FPGA对数据进行打包，最后采用万兆光纤传输方案将数据传输至信号处理机。信号处理机一方面控制接收机实现增益、带宽以及中心频率等参数的配置，另一方面完成3.1节所述的信号处理流程，最终输出目标距离和速度信息。
4. 外场实验
4.1 实验场景
本文为验证LTE外辐射源雷达的目标探测性能，开展了合作目标探测实验。实验中选用中国电信FDD-LTE信号作为第三方照射源，其中心频率为1867.5 MHz，带宽为15 MHz。实验场景如图6所示。图6中左侧建筑物顶部的演进节点基站(evolved Node Bases, eNB)作为发射站，接收站位于建筑物前的道路上，参考天线指向eNB接收参考信号，监测阵列指向图中橘红色扇形所示的监测区域收集目标回波信号。目标移动范围为黄色线所示的地面以及低空区域。
实验主要针对地面移动目标以及低空移动目标进行探测。其中地面目标探测实验选用搭载了GPS设备的电动车作为合作目标，该电动车材质为高碳钢，轮圈尺寸为35.56 cm，最高速率为10 m/s。低空目标探测实验采用常见的消费级无人机大疆精灵4作为合作目标。该无人机旋翼数为4，每个旋翼叶片数为2，叶片长度为13.97 cm，轴距为35 cm，飞行速度可达20 m/s。实验中将电动车上GPS设备记录的数据以及无人机飞行记录中的GPS数据作为合作目标的真实信息，与系统检测得到的信息进行对比，验证系统的探测性能。
4.2 实验结果
图7展示了地面移动目标探测实验的结果。图7(a)为一场数据的距离多普勒谱，可观测到目标位于第15距离元，多普勒频率为70 Hz，信噪比为23 dB。为进一步确认其为实验所用之合作目标，本文将CFAR检测后的潜在目标信息与合作目标的GPS信息在同一RD谱上进行比较，如图7(b)所示。图中除合作目标之外，还有一些非合作目标(车辆、行人等)，但是通过与合作目标GPS信息对比可以看出检测结果与实际目标信息基本吻合，表明系统成功探测到地面移动目标。图7(c)与图7(d)展示了目标双基距离和双基速度随时间变化的情况。图中结果更直观地表明系统检测得到的信息与合作目标信息匹配度较好，能够真实地反应目标的移动规律。
图 7 LTE外辐射源雷达地面移动目标探测结果Figure 7. Experimental results of the ground moving target with the LTE-based passive radar图8展示了无人机目标探测实验的结果，图8(a)同样为目标位于第15距离元处的距离多普勒谱，无人机目标多普勒频率为122 Hz，信噪比为17 dB，其信噪比明显低于相同距离元处的地面移动目标。图8(b)为系统检测数据与无人机飞行记录的比对结果，虽然其信噪比普遍低于地面目标检测结果，但是检测的结果依然与无人机真实数据吻合，表明系统适用于无人机这类“低小慢”目标的探测。图8(c)和图8(d)展示的结果与图7对比可以看出，相比于地面目标，无人机检测效果略差，主要原因可能是无人机散射截面积(Radar Cross Section, RCS)明显小于电动车，目标回波强度较弱。另外由于无人机机动性更强，导致目标在转弯时双基速度变化更快，检测更加不连续。
图 8 LTE外辐射源雷达无人机探测结果Figure 8. Experimental results of the drone with the LTE-based passive radar系统检测得到的信息与合作目标真实信息比对的结果，证实了利用LTE信号实现地面及低空目标探测的可行性。
5. 结束语
本文首先介绍了LTE信号的物理层特性，在此基础上选用FDD-LTE信号作为第三方照射源进行研究。然后设计并实现了一种高集成度、小型化的通用外辐射源雷达系统，并利用此系统开展了国内首次基于LTE信号的地面及低空目标探测实验，为该探测技术的发展奠定了实验基础。后续将围绕更多不同目标开展实验，进行目标分类与识别研究，并进行组网探测研究，进一步挖掘该体制外辐射源雷达在目标监测领域的潜力。
-
图 5 固定参数ADMM算法杂波空时谱和阵列误差参数估计结果(a1—a4：不同阵列误差参数下的空时谱估计结果，b1—b4：不同阵列误差参数下的幅度误差估计结果，c1—c4：不同阵列误差参数下的相位误差估计结果)
Figure 5. Clutter space-time spectra and array error parameters estimated via ADMM algorithm with fixed parameters (a1—a4: Clutter space-time spectra estimation results in different array error parameters, b1—b4: Amplitude error estimation results in different array error parameters, c1—c4: Phase error estimation results in different array error parameters)
图 6 AE-ADMM-Net的收敛性及其与ADMM算法的对比
Figure 6. Convergence performance of AE-ADMM-Net and its comparison with ADMM algorithm
图 7 不同条件下不同算法的杂波空时谱估计结果(a1—a4：ADMM算法在不同阵列误差参数下的迭代25次的估计结果，b1—b4:ADMM算法在不同阵列误差参数下的迭代45次的估计结果，c1—c4：FOCUSS算法在不同阵列误差参数下的迭代200次的估计结果，d1—d4：SBL算法在不同阵列误差参数下的迭代400次的估计结果，e1—e4：25层的AE-ADMM-Net 在不同阵列误差参数下的的估计结果，f1—f4：45层的AE-ADMM-Net 在不同阵列误差参数下的估计结果)
Figure 7. Clutter space-time spectra estimated via different algorithms under different conditions (a1—a4: estimation results of ADMM algorithm with 25 iterations in different array error parameters, b1—b4: estimation results of ADMM algorithm with 45 iterations in different array error parameters, c1—c4: estimation results of FOCUSS algorithm with 200 iterations in different array error parameters, d1—d4: estimation results of SBL algorithm with 400 iterations in different array error parameters, e1—e4: estimation results of AE-ADMM-Net with 25 layers in different array error parameters, f1—f4: estimation results of AE-ADMM-Net with 45 layers in different array error parameters)
图 8 不同条件下AE-ADMM-Net的阵列误差参数估计结果(a1—a4：不同阵列误差参数下的幅度误差估计结果，b1—b4：不同阵列误差参数下的相位误差估计结果)
Figure 8. Array error parameters estimated by AE-ADMM-Net under different conditions (a1—a4: Amplitude error estimation results in different array error parameters, b1—b4: Phase error estimation results in different array error parameters)
图 9 不同条件下不同方法对应的SCNR损失曲线(a1—a4：不同阵列误差参数下的SCNR曲线结果，b1—b4：不同阵列误差参数下的SCNR曲线局部放大结果)
Figure 9. SCNR loss curves corresponding to different methods under different conditions (a1—a4: SCNR loss curves results in different array error parameters, b1—b4: SCNR loss curves results with enlarged scale in different array error parameters)
图 10 不同条件下不同算法的运行时间
Figure 10. Running time of different algorithms under different conditions
图 11 Mountain Top实测数据处理结果
Figure 11. Processing results of Mountain Top actual measured data
表 1 ADMM算法
Table 1. ADMM algorithm
输入：A, y，迭代次数K，正则化因子ρ，二次惩罚因子γ，迭代步长τ，比例因子δ和w。 步骤1 初始化：α(0)=0NdNs(NdNs×1的全0列向量)，λ(0)=0NM(NM×1的全0列向量)，t(0)=1M(M×1的全1列向量)，
T(0)=IN⊗diag(t(0))，k=0；步骤2 η(k+1)=ργ/(1+ργ)(λ(k)/γ−Aα(k)+T(k)y)； 步骤3 α(k+1)=soft(α(k)+τAHη(k+1)/(ργ),τ/γ)； 步骤4-1
z(k)=Aα(k+1)+η(k+1)−λ(k)/γ, bm=∑Nn=1y∗(n−1)M+mz(k)(n−1)M+m, am=∑Nn=1|y(n−1)M+m|2,
β=[δ+jw−∑Mm=1(bm/am)]/∑Mm=1(1/am)。步骤4-2 t(k+1)=[(b1+β)/a1,(b2+β)/a2,⋯,(bM+β)/aM]T； 步骤5 λ(k+1)=λ(k)−γ(Aα(k+1)+η(k+1)−T(k+1)y)； 步骤6 令k←k+1，若k≤K−1，则返回步骤2，否则结束。 输出: α=αK, em=1/tKm, e=[e1,e2,⋯,eM]T。 
下载: 导出CSV
表 2 仿真参数
Table 2. Simulation parameters
参数 数值 参数 数值 载机高度H 3000 m 载机速度v 100 ms–1 阵元数M 10 个 脉冲数N 10 个 阵元间距d 0.1 m 工作波长λ 0.2 m 脉冲重复频率fr 2000 Hz 距离范围[Rmin, Rmax] [21,31] km 距离单元数L 100 个 杂波块数Nc 361 个 阵元误差数P 100 个 杂噪比CNR 60 dB 训练数据集大小O 7500 测试数据集大小S 2500 频率范围f s和f d [–0.5,0.5] 网格数Ns和Nd 50 个
下载: 导出CSV
表 3 不同算法的运算复杂度
Table 3. Computational complexities of different algorithms
算法 运算复杂度 FOCUSS O(3NMNsNd+(NM)3+2(NM)2NsNd) SBL O(5NMNsNd+(NM)3+2(NM)2NsNd+NM+NsNd) AE-ADMM-Net O(2NMNsNd+(NM)2+2NM+NsNd)
下载: 导出CSV
-
[1] 谢文冲, 段克清, 王永良. 机载雷达空时自适应处理技术研究综述[J]. 雷达学报, 2017, 6(6): 575–586. doi: 10.12000/JR17073XIE Wenchong, DUAN Keqing, and WANG Yongliang. Space time adaptive processing technique for airborne radar: An overview of its development and prospects[J]. Journal of Radars, 2017, 6(6): 575–586. doi: 10.12000/JR17073 [2] BRENNAN L E and REED L S. Theory of adaptive radar[J]. IEEE Transactions on Aerospace and Electronic Systems, 1973, AES-9(2): 237–252. doi: 10.1109/TAES.1973.309792 [3] YANG Zhaocheng, WANG Zetao, LIU Weijian, et al. Reduced-dimension space-time adaptive processing with sparse constraints on beam-Doppler selection[J]. Signal Processing, 2019, 157: 78–87. doi: 10.1016/j.sigpro.2018.11.013 [4] PECKHAM C D, HAIMOVICH A M, AYOUB T F, et al. Reduced-rank STAP performance analysis[J]. IEEE Transactions on Aerospace and Electronic Systems, 2000, 36(2): 664–676. doi: 10.1109/7.845257 [5] SARKAR T K, WANG Hong, PARK S, et al. A deterministic least-squares approach to space-time adaptive processing (STAP)[J]. IEEE Transactions on Antennas and Propagation, 2001, 49(1): 91–103. doi: 10.1109/8.910535 [6] WU Yong, TANG Jun, and PENG Yingning. On the essence of knowledge-aided clutter covariance estimate and its convergence[J]. IEEE Transactions on Aerospace and Electronic Systems, 2011, 47(1): 569–585. doi: 10.1109/TAES.2011.5705692 [7] 段克清, 袁华东, 许红, 等. 稀疏恢复空时自适应处理技术研究综述[J]. 电子学报, 2019, 47(3): 748–756. doi: 10.3969/j.issn.0372-2112.2019.03.033DUAN Keqing, YUAN Huadong, XU Hong, et al. An overview on sparse recovery space-time adaptive processing technique[J]. Acta Electronica Sinica, 2019, 47(3): 748–756. doi: 10.3969/j.issn.0372-2112.2019.03.033 [8] JIANG Zhizhuo, WANG Xueqian, LI Gang, et al. Space-time adaptive processing by employing structure-aware two-level block sparsity[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 6386–6397. doi: 10.1109/JSTARS.2021.3090069 [9] 孙珂, 张颢, 李刚, 等. 基于杂波谱稀疏恢复的空时自适应处理[J]. 电子学报, 2011, 39(6): 1389–1393.SUN Ke, ZHANG Hao, LI Gang, et al. STAP via sparse recovery of clutter spectrum[J]. Acta Electronica Sinica, 2011, 39(6): 1389–1393. [10] SUN Ke, MENG Huadong, WANG Yongliang, et al. Direct data domain STAP using sparse representation of clutter spectrum[J]. Signal Processing, 2011, 91(9): 2222–2236. doi: 10.1016/j.sigpro.2011.04.006 [11] YANG Zhaocheng, LI Xiang, WANG Hongqiang, et al. On clutter sparsity analysis in space-time adaptive processing airborne radar[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(5): 1214–1218. doi: 10.1109/LGRS.2012.2236639 [12] YANG Zhaocheng, LI Xiang, WANG Hongqiang, et al. Adaptive clutter suppression based on iterative adaptive approach for airborne radar[J]. Signal Processing, 2013, 93(12): 3567–3577. doi: 10.1016/j.sigpro.2013.03.033 [13] DUAN Keqing, WANG Zetao, XIE Wenchong, et al. Sparsity-based STAP algorithm with multiple measurement vectors via sparse Bayesian learning strategy for airborne radar[J]. IET Signal Processing, 2017, 11(5): 544–553. doi: 10.1049/iet-spr.2016.0183 [14] WANG Zetao, WANG Yongliang, DUAN Keqing, et al. Subspace-augmented clutter suppression technique for STAP radar[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(3): 462–466. doi: 10.1109/LGRS.2016.2519765 [15] FENG Weike, GUO Yiduo, ZHANG Yongshun, et al. Airborne radar space time adaptive processing based on atomic norm minimization[J]. Signal Processing, 2018, 148: 31–40. doi: 10.1016/j.sigpro.2018.02.008 [16] GUO Yiduo, LIAO Guisheng, and FENG Weike. Sparse representation based algorithm for airborne radar in beam-space post-Doppler reduced-dimension space-time adaptive processing[J]. IEEE Access, 2017, 5: 5896–5903. doi: 10.1109/ACCESS.2017.2689325 [17] MA Zeqiang, LIU Yimin, MENG Huadong, et al. Sparse recovery-based space-time adaptive processing with array error self-calibration[J]. Electronics Letters, 2014, 50(13): 952–954. doi: 10.1049/el.2014.0315 [18] YANG Zhaocheng, DE LAMARE R C, and LIU Weijian. Sparsity-based STAP using alternating direction method with gain/phase errors[J]. IEEE Transactions on Aerospace and Electronic Systems, 2017, 53(6): 2756–2768. doi: 10.1109/TAES.2017.2714938 [19] GREGOR K and LECUN Y. Learning fast approximations of sparse coding[C]. The 27th International Conference on International Conference on Machine Learning, Haifa, Israel, 2010: 399–406. [20] LIU Jialin, CHEN Xiaohan, WANG Zhangyang, et al. ALISTA: Analytic weights are as good as learned weights in LISTA[C]. 7th International Conference on Learning Representations (ICLR), New Orleans, USA, 2019. [21] BORGERDING M, SCHNITER P, and RANGAN S. AMP-inspired deep networks for sparse linear inverse problems[J]. IEEE Transactions on Signal Processing, 2017, 65(16): 4293–4308. doi: 10.1109/TSP.2017.2708040 [22] YANG Chengzhu, GU Yuantao, CHEN Badong, et al. Learning proximal operator methods for nonconvex sparse recovery with theoretical guarantee[J]. IEEE Transactions on Signal Processing, 2020, 68: 5244–5259. doi: 10.1109/TSP.2020.2978615 [23] 朱晗归, 冯存前, 冯为可, 等. 一种深度学习稀疏单快拍DOA估计方法[J/OL]. 信号处理. https://kns.cnki.net/KCMS/detail/11.2406.TN.20220130.1421.006.ktml, 2022.ZHU Hangui, FENG Cunqian, FENG Weike, et al. A deep learning approach for sparse single snapshot DOA estimation[J/OL]. Journal of Signal Processing. https://kns.cnki.net/KCMS/detail/11.2406.TN.20220130.1421.006.ktml, 2022. [24] GUO Yiduo, LIAO Guisheng, GONG Jian, et al. Sparse recovery-based STAP method using prior information of azimuth-elevation[J]. Journal of Applied Remote Sensing, 2017, 11(3): 035004. doi: 10.1117/1.JRS.11.035004 [25] 段克清, 李想, 行坤, 等. 基于卷积神经网络的天基预警雷达杂波抑制方法[J]. 雷达学报, 2022, 11(3): 386–398. doi: 10.12000/JR21161DUAN Keqing, LI Xiang, XING Kun, et al. Clutter mitigation in space-based early warning radar using a convolutional neural network[J]. Journal of Radars, 2022, 11(3): 386–398. doi: 10.12000/JR21161 [26] Boyd S, Parikh N, Chu E, et al. Distributed optimization and statistical learning via the alternating direction method of multipliers[J]. Foundations and Trends in Machine learning, 2011, 3(1): 1–122. [27] YANG Junpeng and ZHANG Yin. Alternating direction algorithms for l1-problems in compressive sensing[J]. SIAM Journal on Scientific Computing, 2011, 33(1): 250–278. doi: 10.1137/090777761 [28] RUMELHART D E, HINTON G E, and WILLIAMS R J. Learning representations by back-propagating errors[J]. Nature, 1986, 323(6088): 533–536. doi: 10.1038/323533a0 [29] HU Xiaowei, XU Feng, GUO Yiduo, et al. MDLI-Net: Model-driven learning imaging network for high-resolution microwave imaging with large rotating angle and sparse sampling[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5212617. doi: 10.1109/TGRS.2021.3110579 期刊类型引用(7)
1. 周群焰，王思然，戴俊彦，程强. 基于时空编码数字超表面的雷达散射截面积缩减及波达角估计方法. 雷达学报. 2024(01): 150-159 . 
本站查看2. 徐健，王彦朝，罗慧玲，史浩洋，许河秀. 基于双几何相位超表面的三频全空间波前调控. 电子学报. 2024(02): 396-406 . 
百度学术3. 张娜，陈克，王逊凡，赵健民，赵俊明，冯一军. 可编程超表面实现双极化独立多波束反射阵天线设计. 空军工程大学学报. 2023(03): 10-16 . 百度学术4. 司马博羽，侯芸芳，冯梦龙，李坤泽，徐翊邦，康炜，钱嵩松，宗志园. 基于表面-电路-表面型超表面的大旋转角度异常反射和异常折射. 空军工程大学学报. 2023(03): 17-25 . 百度学术5. 薛建材，周长达，何国立，李锶阳，周张凯. 基于光学纳米结构的物理型信息安全技术. 中国激光. 2023(18): 120-136 . 百度学术6. 王朝辉，许河秀，逄智超，王明照，王少杰. 基于3D打印技术的任意曲面共形超表面隐身衣. 红外与毫米波学报. 2022(01): 210-217 . 百度学术7. 逄智超，许河秀，罗慧玲，王朝辉，王彦朝，徐硕，徐健. 低频比波长复用高效双功能超表面. 空军工程大学学报. 2022(05): 57-63 . 百度学术其他类型引用(7)
-
下载:
百度学术
计量
- 文章访问数: 2093
- HTML全文浏览量: 959
- PDF下载量: 334
- 被引次数: 14
