基于线性约束最小方差（LCMV）准则的极化滤波算法.docVIP

基于线性约束最小方差（LCMV）准则的极化滤波算法 //.paper.edu - 1 - 基于线性约束最小方差（LCMV）准则的极化 自适应滤波算法 乔晓林 1，薛敬宏 2，邵仙鹤 3 （哈尔滨工业大学（威海）信息技术研究所，山东威海 264209） 摘 要：针对强干扰环境下，基于线性约束最小方差（LCMV）准则,提出了一种极化域 新的自适应滤波算法，采用变极化接收技术，实现对信号的最佳接收，仿真结果也证明了该 方法的有效性。 关键词： 线性约束最小方差；极化；自适应滤波 1 引言 当雷达目标信号与强干扰信号在时域、频域和空域的状态特征难以区分时，若两者在极 化域可分，则可利用极化信息进行雷达目标检测和识别[1]。极化滤波是在基于研究波的偏振 特性基础上进行的一种空间滤波的信号处理方法，在前人做的很多工作中，都是假设目标和 干扰信号的极化状态是已知的或是不变的，而由于干扰信号的 Sinclair 散射矩阵[2]是未知的， 或随时间或空间缓慢变化的，如果采用权系数不变的滤波器，则会因为滤波器的“凹口”不 能对准干扰信号，而使信噪比降低。自适应滤波技术在时域和空域（智能天线）都得到了很 大发展，本文试图在极化域推导出一种新的自适应滤波器算法，在干扰信号极化状态改变时， 滤波器“凹口”能始终对准干扰信号，从而使输出达到“最优”。 2 极化估计 假设对于采用垂直极化天线发射，水平垂直正交双极化接收天线的雷达系统，任意接收 电场可用二维矢量表示： T vh XXX ],[= 其中 hX 和 vX 分别表示水平和垂直极化天线接收的电场矢量，T 表示转置。 则天线接收电压为： XhV T .= (1) 其中 h 为接收天线的 Jones 矢量。 雷达极化信息可由极化相干矩阵完全表征，极化相干矩阵 C 定义为： C= { }TXXE . (2) 其中 C 为 Hermite 矩阵。 极化相干矩阵可以通过最大似然法估计得到[3]： Ti N i i XXN C ∑ = = 1 1~ (3) 由此可得天线接收功率的估计为： { } { } { } hChhChhXXEhXhXhEVVEP TTTTTTTT .~)).((~ ===== amp; //.paper.edu - 2 - (4) 3 自适应极化滤波原理 波门内的采样数据为接收信号（包括信号和干扰）的样本集 { }NXXXX L,, 21= ，由 于雷达发射信号的脉冲重复周期一般远大于脉冲宽度，因而根据雷达探测距离，可选用大于 回波最大延时时间的样本集 { }cNccC XXXX L,, 21= 作为干扰样本的估计值[4]，则有用信 号的样本集 },,,{ 2211 cNNcccs XXXXXXXXX ??????=??= L 。根据线性约束最小方差 （LCMV）准则，在保证有用信号电压不变的约束条件下，使接收的功率最小。有用信号电 压不变，即有用信号功率不变，此时接收功率最小，实际上相当于滤除了干扰信号，提高了 信噪比。同时，接收功率的估计与极化相干矩阵的估计有关，而极化相干矩阵的估计随干扰 极化状态的改变而改变，因而可实现自适应滤波。 4 自适应滤波算法 假设接收机噪声为独立同分布的高斯白噪声，则可认为完全未极化波，有用信号电压 sV 可表示为： s T s XhV .= (5) 其中： sV 为有用信号电压。根据线性约束最小方差（LCMV）准则，最佳天线极化为如下 约束条件优化问题的解： min hChP x T x . ~.= ， s.t. constXhV sTs == . (6) 其中： xP 为接收信号功率， xC ~ 为接收信号极化相干矩阵，不失一般情况，令 1. == sTs XhV 。 构造拉格朗日函数： )1..(.~.)( ??+= sTxT XhhChhL λ (7) 令： ( ) 0..~*2 =+=?? sxh XhChL λ