processamento adaptativo espaço-tempo - Space-time adaptive processing

Espaço-tempo de processamento adaptativo ( STAP ) é um processamento de sinal técnica mais utilizada no radar sistemas. Trata-se de processamento de matriz adaptativas algoritmos para ajudar na detecção de alvos. Radar benefícios de processamento de sinal de STAP em áreas em que a interferência é um problema (isto é, terra desordem , interferência , etc). Através da aplicação cuidadosa de STAP, é possível alcançar a ordem de grandeza melhorias de sensibilidade na detecção do alvo.

STAP envolve um bidimensional filtragem técnica usando um phased-array de antena com vários canais espaciais. Acoplamento múltiplos canais espaciais com pulso-Doppler formas de onda empresta o nome de "espaço-tempo". Aplicando as estatísticas do ambiente interferência, um vector de ponderação adaptável STAP é formado. Este vector de peso é aplicado às coerentes amostras recebidas pelo radar.

História

A teoria de STAP foi publicada pela primeira vez por Lawrence E. Brennan e Irving S. Reed, no início dos anos 1970. No momento da publicação, tanto Brennan e Reed estavam em Tecnologia Service Corporation (TSC). Embora tenha sido formalmente apresentado em 1973, tem raízes teóricas que remonta a 1959.

Motivação e aplicações

Para os radares baseados em terra, retorna desordenadas tendem a estar em DC, tornando-os facilmente discriminados por Movendo Indicação Target (MTI) . Deste modo, um filtro de entalhe no bin de Doppler zero pode ser usado. Plataformas aéreas com experiência movimento ownship motivo relativo movimento desordem dependentes do ângulo, resultando em acoplamento de ângulo Doppler na entrada. Neste caso, a filtragem 1D não é suficiente, uma vez que a desordem pode sobrepor doppler do alvo desejado a partir de várias direcções. A interferência resultante é normalmente chamado de "cume desordem", uma vez que constitui uma linha no domínio de ângulo Doppler. Sinais de interferência de banda estreita são também uma fonte de interferência, e exibem correlação espacial significativa. Assim o ruído e interferência receptor deve ser considerado, e os processadores de detecção deve tentar maximizar a relação sinal-ruído de interferência e relação (SINR) .

Enquanto desenvolvido principalmente para radar, técnicas STAP ter aplicações para sistemas de comunicações.

teoria básica

STAP é essencialmente a filtragem no domínio do espaço-tempo. Isto significa que estamos a filtragem através de múltiplas dimensões, e técnicas de processamento de sinal multi-dimensional deve ser empregue. O objectivo é encontrar os pesos espaço-tempo óptimo em espaço dimensional, onde é o número de elementos de antena (nossos graus de liberdade espaciais) e é o número de intervalo de pulso-de repetição (PRI) torneiras (nossos graus tempo de liberdade) , para maximizar a relação sinal-ruído de interferência e relação (SINR) . Assim, o objetivo é suprimir o ruído, desordem, jammers, etc., mantendo o retorno radar desejado. Ele pode ser pensado como um 2-D de resposta finita de impulsos (FIR) de filtro, com um filtro FIR 1-D-padrão para cada canal (direccionais canais espaciais de um orientador electronicamente matriz ou elementos individuais), e as torneiras de estes 1 -D FIR filtros correspondendo a múltiplas retornos (espaçados no tempo PRI). Tendo graus de liberdade, tanto no domínio do domínio e tempo espacial é crucial, já que a desordem pode ser correlacionado no tempo e no espaço, enquanto jammers tendem a ser correlacionados espacialmente (ao longo de um rolamento específico).${\ Displaystyle NM}$${\ N} displaystyle$${\ Displaystyle M}$

Um exemplo simples, trivial de STAP é mostrado na primeira figura, para . Este é um exemplo idealizada de um padrão de direcção, em que a resposta de matriz tem sido dirigido para a resposta alvo ideal, . Infelizmente, na prática, esta é simplificada, como a interferência de ser superado pela condução das nulos mostrado é não determinística, mas de natureza estatística. Isto é o que requer STAP ser uma técnica adaptativa. Note que mesmo neste exemplo idealizado, em geral, temos de orientar sobre o 2-D plano de ângulo Doppler em pontos discretos para detectar alvos potenciais (movendo a localização do 2-D sinc lóbulo principal mostrado na figura), e fazer portanto, para cada uma das caixas de alcance em nosso sistema. ${\ Displaystyle N = M = 10}$${\ Displaystyle s}$

O diagrama funcional básico é mostrado à direita. Para cada antena, uma conversão para baixo e analógico-para-digital passo de conversão é tipicamente completada. Em seguida, um filtro FIR 1-D com PRI elementos de retardo comprimento é usado para cada canal direccionais da antena. Os pesos lexicographically encomendados para são os graus de liberdade a serem resolvidos no problema STAP. Ou seja, STAP visa encontrar os pesos ideais para a matriz de antena. Pode demonstrar-se, que para uma dada matriz covariância interferência, , os pesos ideais maximizando a SINR são calculados como ${\ Displaystyle W_ {1}}$${\ Displaystyle W_ {NM}}$${\ Displaystyle MN \ times MN}$${\ Displaystyle \ mathbf {R}}$

${\ Displaystyle \ mathbf {W} = \ kappa \ mathbf {R} ^ {- 1} s}$

onde é um escalar que não afeta a SINR. O detector de entrada óptima é dada por: ${\ Displaystyle \ kappa}$

${\ Displaystyle y = \ mathbf {x}} W$

onde é um espaço-tempo snap-shot dos dados introduzidos. A principal dificuldade de STAP é resolver para e invertendo a matriz covariância interferência normalmente desconhecida, . Outras dificuldades surgem quando a matriz interferência covariância é mal-condicionado, fazendo a inversão numericamente instável. Em geral, esta filtragem adaptativa deve ser realizada para cada uma das posições no intervalo inequívocas no sistema, para cada alvo de interesse (coordenadas ângulo-Doppler), para fazer uma carga computacional em grande escala. Perdas de direção pode ocorrer quando verdadeiros alvo retornos não cair exatamente sobre um dos pontos em nosso 2-D plano de ângulo Doppler que temos amostradas com nosso vector director .${\ Displaystyle x}$${\ Displaystyle \ mathbf {R}}$${\ Displaystyle s}$

abordagens

As várias abordagens podem ser discriminados por processamento taxonomia, ou através da simplificação das fontes de espaço / dados de dados.

Os métodos diretos

A solução ideal é utilizando todos os graus de liberdade por processamento do filtro adaptativo sobre os elementos de antena. Para os métodos directos adaptativos, inversão de matriz da amostra (SMI) usa a estimativa da matriz covariância (amostra) interferência em lugar da matriz de covariância interferência real. Isto é porque a matriz covariância interferência real não é conhecida na prática. Se é conhecido por alguns meios, em seguida, ele não necessita de ser estimado, e os pesos ideais são fixos. Isso às vezes é chamado de variação independente de dados. A variação dependente de dados estima a matriz covariância interferência a partir dos dados. Nos sistemas de comunicações MIMO, isto pode ser feito através de uma seqüência de treinamento. O detector vidente é dada quando a matriz de covariância é perfeitamente conhecido e definido como:

${\ Displaystyle \ mathbf {R_ {k}} = {\ mbox {E}} \ esquerda [x_ {k} x_ {k} ^ {H} \ direita] {\ BIGR |} _ {H_ {0}}}$

onde representa a instantâneo estatística espaço-tempo para a célula alcance sob a interferência apenas hipótese, . Para SMI, a matriz covariância para a interferência célula alcance consistindo das estatísticas de interferência de ruído, desordem, e inhibidores é estimado como se segue:${\ Displaystyle x_ {k}}$${\ Displaystyle k ^ {th}}$${\ Displaystyle H_ {0}}$${\ Displaystyle k ^ {th}}$

${\ Displaystyle \ mathbf {\ chapéu {R_ {k}}} = {\ frac {1} {P}} \ soma _ {m = 0} ^ {P-1} x_ {m} x_ {m} ^ { H}}$

onde é os dados de treino obtidos a partir do processador de entrada para a célula alcance. Portanto, instantâneos espaço-tempo em torno da célula alcance desejado são calculados. Note-se que a célula alcance instantâneo espaço-tempo desejado é normalmente excluído (bem como um número de células adicionais, ou "células guarda") para impedir o clareamento das estatísticas.${\ X_ displaystyle {m}}$${\ Displaystyle m ^ {th}}$

O principal problema com os métodos directos, é a grande complexidade computacional associada com a estimativa e inversão de matrizes formadas a partir de muitos graus de liberdade (grande número de elementos e ou leguminosas). Além disso, para os métodos de onde devem ser estimados utilizando amostras de dados, o número de amostras necessário para alcançar um determinado erro é fortemente dependente da dimensionalidade da matriz covariância interferência. Como um resultado, para sistemas de alta dimensão, isto pode exigir um número de células de alcance inatingível inequívocas. Além disso, estas células de dados adjacentes devem conter estatísticas estacionárias em função da gama que é raramente uma boa pressuposto para o grande número de células necessário ( para 3 dB SINR degradação de ser ideal STAP, vidente).${\ Displaystyle \ mathbf {R}}$${\ Displaystyle 2NM}$

métodos de classificação reduzidas

métodos de classificação reduzidas destinam-se a superar as cargas computacionais do método directo, pela redução da dimensionalidade dos dados ou o posto da matriz covariância interferência. Isto pode ser conseguido através da formação de feixes e realizando STAP no beamspace. Ambos os métodos Doppler pré e pós podem ser usados ​​na beamspace. métodos de pós de Doppler também podem ser utilizados na entrada plena elemento de antena, assim como para reduzir os dados em apenas esta dimensão. Um exemplo popular é deslocado antena centro de fase (DPCA), que é uma forma de STAP independente de dados no beamspace, pré-Doppler. O objectivo é a realização de formação de feixe de modo a que o feixe estacionário aparece como o radar está em movimento ao longo de períodos de tempo discretos de modo a desordem aparece sem Doppler. No entanto, erros de fase pode causar degradação significativa desde o algoritmo não é adaptável para os dados retornados. Muitos outros métodos podem ser usados ​​para reduzir o grau de interferência da matriz covariância, e assim todos os métodos na categoria de classificação reduzida pode ser pensado como simplificando a matriz covariância para ser invertida:

${\ Displaystyle \ mathbf {R} \ rightarrow \ mathbf {\ widetilde {R}}}$

Métodos pós-Doppler decompor o problema STAP de um problema de filtragem adaptável a filtros adaptativos individuais de comprimento (um problema filtro adaptativo). Ao realizar o processamento Doppler fixo, os filtros adaptativos tornar apenas espacial. Uma vez que a resposta alvo já é dirigido para um local de ângulo de Doppler especificada, a dimensionalidade pode ser reduzida por várias caixas e ângulos Doppler pré-processamento em torno deste ponto. Além de reduzir a dimensionalidade do processador adaptativo, este por sua vez reduz o número de quadros de dados de treino requeridas quando a estimativa da matriz covariância interferência uma vez que esta quantidade é dependente dimensão.${\ Displaystyle MN \ times MN}$${\ Displaystyle M}$${\ N} displaystyle$${\ Displaystyle N \ N vezes}$

Uma vez que estes métodos de reduzir a dimensão, que são inerentemente sub-óptima. Há uma série de técnicas para comparar o desempenho dos métodos-rank reduzida e métodos directos estimados para STAP vidente (directos com perfeito conhecimento da matriz covariância interferência e vector director de destino), na maior parte baseados em torno perda SINR. Um tal exemplo é

${\ Displaystyle L_ {s, 2} = {\ frac {{\ mbox {SINR}} {\ BIGR |} _ {W = {\ hat {W}}}} {{\ mbox {SINR}} {\ BIGR |} _ {W = W_ {opt}}}}}$

onde temos tido a razão entre o SINR avaliadas com os pesos de sub-óptima e o SINR avaliadas com os pesos ideais . Nota, em geral, esta quantidade é estatística e a expectativa deve ser tomado para encontrar a perda média SINR. A perda SINR vidente pode também ser calculada tomando a proporção da SINR óptima para a SNR do sistema, indicando a perda devido a interferências.${\ Displaystyle {\ hat {W}}}$${\ Displaystyle W_ {opt}}$

métodos baseados em modelos

Existem também métodos modelo baseado que tentem forçar ou explorar a estrutura de interferência da matriz covariância. A aplicação mais geral destes métodos é a estrutura da matriz covariância conicidade. O objectivo é modelar compactamente a interferência, altura em que se pode em seguida, ser processados usando técnicas principais componentes ou diagonal-carregamento SMI (onde uma pequena magnitude, a matriz diagonal aleatório é adicionado para tentar estabilizar a matriz antes da inversão). Esta modelação tem um benefício adicional de decorrelating vazamento interferência subespaço (ISL), e é resistente ao movimento desordem interna (ICM). Os principais componentes do método estreias aplica análise de componentes principais para estimar os valores próprios dominantes e autovetores, e, em seguida, aplica-se uma vela covariância e adiciona um nível de ruído estimado:

${\ Displaystyle \ mathbf {{\ widetilde {R}} _ {PC-CMT}} = \ esquerda (\ soma _ {m = 0} ^ {P-1} \ lambda _ {m} v_ {m} v_ { m} ^ {H} \ direita) \ circ T + \ sigma _ {n} ^ {2}}$

onde está o valor próprio estimada utilizando APC, é o associado vector próprio estimada utilizando APC, implica elemento-a-elemento de multiplicação de matrizes e , é a estimativa da matriz covariância conicidade, e é o nível de ruído estimado. A estimativa do cone covariância pode ser complicado, dependendo da complexidade do modelo subjacente a tentativa de emular o ambiente interferência. O leitor é encorajado a ver para mais informações sobre este assunto em particular. Uma vez que este estreitamento é suficientemente modelado, que também pode ser aplicado para o mais simples adaptação SMI de CMT como se segue: ${\ Displaystyle \ lambda _ {m}}$${\ Displaystyle m ^ {th}}$${\ Displaystyle v_ {m}}$${\ Displaystyle m ^ {th}}$${\ Displaystyle A \ circ} B$${\ Displaystyle A}$${\ Displaystyle B}$${\ Displaystyle T}$${\ Displaystyle \ sigma _ {n} ^ {2}}$${\ Displaystyle T}$

${\ Displaystyle \ mathbf {{\ widetilde {R}} _ {SMI-CMT}} = \ mathbf {{\ widetilde {R}} _ {SMI}} \ circ T + \ I} delta$

onde é a matriz típico SMI estimado visto no método directo aproximada, é o factor de carga diagonal, e representa a matriz identidade de tamanho apropriado. Deve ser visto que esta se destina a melhorar o método padrão SMI onde SMI utiliza um número menor de bins de intervalo na sua média, do que a técnica SMI padrão. Desde menos amostras são usadas nos dados de treino, a matriz requer frequentemente de estabilização na forma de carga diagonal.${\ Displaystyle \ mathbf {{\ widetilde {R}} _ {SMI}}}$${\ Displaystyle \ delta}$${\ Displaystyle I}$

Exemplos mais restritivas envolve modelar a interferência para forçar estruturas de Toeplitz, e pode reduzir grandemente a complexidade computacional associado com o processamento por explorar esta estrutura. No entanto, estes métodos podem sofrer devido a modelo de incompatibilidade, ou a poupança computacional pode ser desfeita pelo problema do modelo de ajustamento (tais como o problema não linear de ajuste a uma matriz de Toeplitz ou bloco-Toeplitz) e estimativa ordem.

As aplicações modernas

Apesar de quase 40 anos de existência, STAP tem aplicações modernas.

comunicações MIMO

Para os canais dispersivos, comunicações em múltiplos de saída de entrada múltipla podem formular soluções STAP. De compensao de canal de frequência selectiva pode ser usado para estender tradicionais de equalização técnicas para SISO sistemas que utilizam STAP. Para estimar o sinal transmitido a um receptor MIMO, que podem linearmente peso a entrada de espaço-tempo com matriz de ponderação como se segue ${\ Displaystyle \ mathbf {\ hat {S}}}$${\ Displaystyle \ mathbf {\ widetilde {Z}}}$${\ Displaystyle \ mathbf {\ widetilde {W}}}$

${\ Displaystyle \ mathbf {\ chapéu {S}} = \ mathbf {\ widetilde {W}} ^ {\ mathrm {T}} \ mathbf {\ widetilde {Z}}}$

para minimizar o erro quadrático médio (MSE) . Usando STAP com uma sequência de treino , a matriz de ponderação óptima estimada (coeficientes STAP) é dada por:${\ Displaystyle \ mathbf {\ widetilde {S}}}$

${\ Displaystyle \ mathbf {\ widetilde {W}} \ aprox \ esquerda (\ mathbf {\ widetilde {Z}} \ mathbf {\ widetilde {Z}} ^ {\ mathrm {T}} \ direita) \ mathbf {\ widetilde {Z}} \ mathbf {\ widetilde {S}} ^ {\ mathrm {T}}}$

MIMO radar

STAP foi estendido para MIMO radar para melhorar a resolução espacial para a desordem, usando modificados SIMO técnicas de radar STAP. Novos algoritmos e formulações são necessários que partem da técnica padrão, devido ao grande grau do subespaço bloqueador de desordem criado por matrizes virtuais MIMO de radar, que, tipicamente, consiste em explorar a estrutura diagonal por blocos da matriz de interferência MIMO covariância para quebrar a grande inversão de matriz problema em partes menores. Em comparação com sistemas de radar SIMO, que terão graus de transmissão de liberdade, e recebem graus de liberdade, para um total de , sistemas de radar MIMO têm graus de liberdade, permitindo uma maior resolução espacial adaptativa para a mitigação desordem.${\ Displaystyle M}$${\ Displaystyle NL}$${\ Displaystyle M + NL}$${\ Displaystyle MNL}$

Veja também

• processamento de matriz
• beamforming
• MIMO
• radar Multistatic
• phased array
• radar de abertura sintética

Referências

Outras leituras

• Brennan, LE e IS Reed, Teoria da Adaptive Radar , IEEE AES-9, pp. 237-252, 1973
• Guerci, JR, Espaço-Tempo Adaptive Processamento de Radar , Artech House Publishers, 2003. ISBN  1-58053-377-9 .
• Klemm, Richard, Princípios do espaço-tempo adaptável processamento , IEE Publishing, 2002. ISBN  0-85296-172-3 .
• Klemm, Richard, Aplicações do espaço-tempo adaptável processamento , IEE Publishing, 2004. ISBN  0-85296-924-4 .
• Melvin, WL, Uma Visão Geral STAP, AES revista IEEE Sistemas - Tutoriais especiais Edição, Vol. 19, No. 1, janeiro de 2004, pp. 19-35.
• Michael Parker, Basics Radar - Parte 4: processamento adaptativo do espaço-tempo , EETimes, 2011/06/28