)
1. 這一章在整本雷達教材中的位置為什么把自適應處理歸入“特殊主題”先說結(jié)論Mahafza這本書把自適應信號處理放在第五部分“關(guān)于雷達的一些特殊主題”并不意味著它是可學可不學的邊角料。恰恰相反這一章是全書從“常規(guī)雷達分析”邁向“現(xiàn)代雷達設(shè)計”的一座分水嶺。我在讀前三部分的時候心里一直有個疑問教材講了匹配濾波、脈沖壓縮、多普勒處理、CFAR檢測這些鏈路組成了經(jīng)典雷達信號處理的主干但如果環(huán)境中存在強干擾、有源壓制、旁瓣入侵目標這套鏈路的性能會崩到什么程度第16章給的答案很直接要把“固定權(quán)值”的處理升級為“隨環(huán)境自適應調(diào)整權(quán)值”的處理也就是所謂的自適應信號處理。從目錄結(jié)構(gòu)上看第五部分除了第16章自適應信號處理還涉及一些雷達專題比如低截獲概率LPI雷達、極化雷達等。第16章本身的內(nèi)容編排我讀完后的總結(jié)是它先建立最優(yōu)波束形成的數(shù)學框架再從統(tǒng)計最優(yōu)解過渡到迭代實現(xiàn)接著引入時空二維處理的概念最后把自適應思想映射到空域和時域的多個應用上。這種編排邏輯非常像一個人的學習路徑先知道“理論上什么是最優(yōu)”再知道“工程上怎么逼近這個最優(yōu)”最后知道“哪些地方能套用這套思路”。前置知識方面想順暢讀完這一章最好具備以下基礎(chǔ)線性代數(shù)的矩陣運算尤其是協(xié)方差矩陣、特征分解、隨機過程的基本概念尤其是自相關(guān)矩陣、功率譜、陣列信號處理的最基礎(chǔ)模型均勻線陣的方向矢量以及MATLAB上對復矩陣操作的熟練度。Mahafza這本書整體偏工程應用數(shù)學推導會保留但不會純粹為證明而證明所以只要不是看見矩陣就頭暈這一章是可以啃下來的。我自己讀這一章有個很強烈的體感第16章的難度梯度是陡的。開頭部分只要會用維納濾波公式就能跟上到STAP那部分開始符號和維度都上來了需要在紙上把矩陣維度逐個寫清楚才能不迷路。所以這篇筆記我會按照“為什么需要自適應——最優(yōu)解長什么樣——工程怎么逼近最優(yōu)——空時二維怎么推廣——MATLAB復現(xiàn)思路”的線索來展開這些也正好對應了我在學習過程中最想弄明白的幾個問題。2. 自適應信號處理要解決的痛點靜態(tài)權(quán)值為什么會在復雜電磁環(huán)境中失靈在進入這一章的公式之前有必要先建立物理直覺。為什么傳統(tǒng)雷達用了匹配濾波之后還要折騰自適應我在學完第6章匹配濾波后一度覺得“既然匹配濾波能做到輸出SNR最大化那接收端已經(jīng)最優(yōu)了還有什么可調(diào)的”這個問題直到我接觸到“干擾與噪聲不滿足白噪聲假設(shè)”時才徹底想通。2.1 匹配濾波的前提白噪聲背景下的最優(yōu)匹配濾波器的本質(zhì)是已知期望信號波形的情況下設(shè)計一個濾波器使得輸出端的信噪比達到最大推導結(jié)果就是濾波器頻率響應與信號頻譜的共軛匹配。這個結(jié)論成立的前提是背景噪聲是白噪聲功率譜是平的。如果背景中還有一個強方向性干擾源比如敵方干擾機干擾經(jīng)過接收天線進入接收機后功率譜不再是平的此時單純的匹配濾波已經(jīng)沒有能力區(qū)分“來自目標方向的回波”和“來自干擾方向的信號”輸出的信干噪比會急劇惡化。我用一個生活類比幫助自己理解匹配濾波好比你在嘈雜的聚會現(xiàn)場用“只關(guān)注朋友的聲音頻率”的方式去聽朋友說話如果全場噪音的頻率分布是均勻的這個策略很好用。但如果現(xiàn)場有一個音響對著你放強音樂頻率恰好覆蓋了朋友說話的頻段單純“濾除其他頻段”的策略就失效了因為朋友的聲音和音響的聲音在頻帶上重疊了。這時候需要的是“空間上的轉(zhuǎn)向”——把耳朵背對音響正面朝向朋友這就是自適應波束形成干的事情。2.2 空域濾波的基本模型導向矢量與方向圖自適應波束形成的第一步是建立陣列模型。教材以均勻線陣ULA為基本模型假設(shè)M個陣元等間距排列間距d通常取半波長。一個從角度θ方向入射的平面波到達各陣元的相位差形成一個引導矢導向矢量記作v(θ)表達式為v(θ) [1, e^(j2π(d/λ)sinθ), e^(j2π(2d/λ)sinθ), ..., e^(j2π((M-1)d/λ)sinθ)]^T這個矢量就是陣列對某個方向入射信號的“響應模板”。常規(guī)波束形成相控陣掃描把權(quán)矢量設(shè)為w v(θ0)讓陣列在θ0方向同相疊加形成主瓣。問題是如果干擾來自θj方向波束在θj方向通常只有較低的旁瓣電平比如-30dB。如果干擾功率比目標回波強60dB即便旁瓣抑制有30dB干擾殘余仍然比目標信號強30dB目標直接淹沒。自適應處理的核心就是不再固定w等于某個方向的導向矢量而是根據(jù)接收數(shù)據(jù)的統(tǒng)計特性實時調(diào)整w使得在保持期望方向增益基本不變的同時在干擾方向形成深零陷。零陷的深度取決于干擾功率和自由度數(shù)量理想情況下可以做到比-60dB更深。2.3 SINR損失的直觀理解衡量自適應性能有一個非常重要的指標輸出信干噪比相對于最優(yōu)值的損失。教材里定義了SINR損失因子其實就是實際輸出SINR與理論最優(yōu)SINR的比值。這個損失受兩個因素影響最大一是訓練樣本數(shù)是否足夠二是干擾與期望信號是否正交分離。我看到很多初學者包括我自己一開始有個誤區(qū)自適應處理會讓波束在任何干擾方向都形成零陷所以樣本越多越好、自適應更新越快越好。實際上并非如此。如果訓練樣本里混入了期望信號成分自適應算法會把期望信號也當作“需要抑制的干擾”來處理導致主瓣畸變。這就是所謂的“信號自消”現(xiàn)象在后面的SMI算法里會專門提到用對角線加載來緩解。這部分內(nèi)容教材講得比較含蓄但實際工程中極其重要后面我會展開講。3. 最優(yōu)權(quán)矢量的數(shù)學推導從維納解到最小方差無失真響應這一節(jié)是整個第16章的理論核心。Mahafza的推導思路是先定義性能度量再求解最優(yōu)化問題得到理論最優(yōu)解然后再考慮如何從數(shù)據(jù)中估計這個解所需的統(tǒng)計量。3.1 信號模型的建立與協(xié)方差矩陣的含義設(shè)陣列接收信號為x(n) s(n)v(θ0) u(n)其中s(n)是目標信號復包絡(luò)u(n)是干擾加噪聲分量。這里第一個關(guān)鍵統(tǒng)計量是接收數(shù)據(jù)的協(xié)方差矩陣R_x E[x(n)x^H(n)]如果目標信號與干擾、噪聲互不相關(guān)R_x可以拆成三部分貢獻目標信號部分、干擾部分、噪聲部分。在實際處理中有一個重要操作——用不含目標的“干擾加噪聲協(xié)方差矩陣”R_u來做自適應權(quán)值計算而不是用含目標的R_x。原因是如果R_x里包含了目標信號權(quán)值優(yōu)化的方向上會對目標進行部分相消造成信噪比損失。這個細節(jié)后來在做MATLAB仿真時驗證得非常直觀用R_x求權(quán)值方向圖主瓣增益會明顯凹陷用R_u求權(quán)值主瓣基本保持干擾方向零陷加深。這一章后面講對角加載時你會更清楚為什么工程實現(xiàn)中總是小心翼翼地處理樣本數(shù)據(jù)。3.2 維納解 R w r 的來龍去脈教材在推導最優(yōu)權(quán)值時采用了維納濾波框架。設(shè)陣列輸出為y(n) w^H x(n)我們希望輸出盡量接近期望信號d(n)。最小化均方誤差E[|d(n) - w^H x(n)|2]對w求梯度并令其為零可以得到維納-霍夫方程R_x w r_xd其中r_xd E[x(n)d*(n)]是互相關(guān)矢量。如果d(n)是目標信號s(n)那r_xd實際上正比于目標方向?qū)蚴噶縱(θ0)。把R_x換成R_u干擾加噪聲協(xié)方差矩陣同時把期望信號約束為在θ0方向增益為1就得到了自適應波束形成中非常經(jīng)典的最小方差無失真響應MVDR解w_MVDR R_u?1 v(θ0) / (v^H(θ0) R_u?1 v(θ0))這個公式你千萬不要只把它當一個“公式”背下來它的物理含義是非常清楚的R_u?1的作用是對接收數(shù)據(jù)做白化使干擾方向在數(shù)據(jù)空間里被“壓扁”然后再與導向矢量做匹配等價于在白化后的空間中進行匹配濾波。用大白話說就是先把數(shù)據(jù)“扭曲”成干擾不占優(yōu)的空間再按常規(guī)波束形成指向目標方向。我在復現(xiàn)這一節(jié)時特意用8元ULA、單個60dB干信比干擾做了仿真得到的方向圖在主瓣方向保持0dB增益而在干擾方向形成了約-70dB的零陷。這個結(jié)果讓我對MVDR的威力有了直觀認識也理解了為什么自適應陣列可以在強干擾下“保目標、滅干擾”。3.3 樣本協(xié)方差求逆SMI算法存在的必要性與代價理論上的MVDR解需要精確知道R_u但實際中我們只有有限的接收數(shù)據(jù)樣本只能用樣本協(xié)方差矩陣R_hat (1/N) Σ x(n)x^H(n)來代替R_u。把R_hat代入MVDR公式就是教材里重點講的采樣矩陣求逆SMI算法。這里有個經(jīng)典結(jié)論為了保證輸出SINR損失不超過約3dB訓練樣本數(shù)N至少需要約2MM為陣元數(shù)實際工程中常取N 2M甚至N 4~5M。我第一次看到這個結(jié)論只當是經(jīng)驗值直到我從協(xié)方差矩陣估計的統(tǒng)計分布角度理解了為什么樣本協(xié)方差矩陣是Wishart分布的隨機矩陣其特征值圍繞真實特征值波動。如果樣本太少小特征值就會估計不準而R_u?1對小特征值極其敏感微小的估計誤差會導致權(quán)矢量劇烈抖動方向圖出現(xiàn)畸變。用生活類比就是你試圖根據(jù)三五個人對“民意”的判斷來制定政策樣本太少估計結(jié)果方差大得離譜政策自然不穩(wěn)。SMI算法的代價主要是實時性和計算量。每一次更新都需要計算M×M矩陣求逆計算復雜度約為O(M3)。對于M100的陣列一次求逆就是百萬次量級的浮點運算在脈沖間實時完成相當吃力。這也是后面引入迭代算法LMS、RLS的動機。4. 從理論最優(yōu)到工程可用的迭代實現(xiàn)LMS與RLS的自適應更新邏輯MVDR和SMI是“基于批處理”的算法每來一批數(shù)據(jù)重新算一次權(quán)值。但雷達環(huán)境是時變的干擾機可能開機、關(guān)機、移動雜波特性也隨著平臺運動不斷變化。這就需要權(quán)值能夠隨著新數(shù)據(jù)的到來連續(xù)自適應更新。教材在這部分介紹了基于最陡下降法的LMS算法和基于遞推最小二乘的RLS算法。4.1 LMS算法的更新公式與收斂條件LMS算法的更新公式非常簡潔w(n1) w(n) μ x(n) e*(n)其中e(n) d(n) - w^H(n)x(n)是誤差信號μ是步長因子。這個公式的來歷是最陡下降法均方誤差性能曲面關(guān)于w的梯度是-2E[e(n)x(n)]用瞬時值e(n)x(n)代替期望值就得到了LMS。步長因子μ的選擇直接影響收斂速度和穩(wěn)態(tài)失調(diào)。為了確保收斂需要滿足0 μ 1/λ_max其中λ_max是R_x的最大特征值。實際使用中更常用的約束是0 μ 2/(總輸入功率)即2除以M個陣元的平均功率再乘以陣元數(shù)。如果我記得沒錯教材上的建議是收斂條件為 μ / (M × 平均陣元功率) 1。我在復現(xiàn)時發(fā)現(xiàn)μ取得太大會導致權(quán)值震蕩發(fā)散方向圖完全亂掉取得太小則收斂速度極慢干擾環(huán)境已經(jīng)變了算法還在追趕。LMS最大的優(yōu)勢是計算量極低每次更新只需要O(M)次乘加工程實現(xiàn)非常友好。缺點是收斂速度受協(xié)方差矩陣特征值散布影響很大。如果干擾很強R_x最大特征值和最小特征值之比可能達到10?量級LMS的收斂會慢到無法接受。這個現(xiàn)象在自適應陣列里叫“特征值擴散問題”也是RLS算法要比LMS快得多的重要原因。4.2 為什么RLS收斂快它隱式做了白化RLS算法的核心思想是每次更新時用“指數(shù)加權(quán)的最小二乘準則”重新計算權(quán)值遞推過程中維護樣本協(xié)方差矩陣的逆矩陣P(n)更新公式P(n) (1/λ)[P(n-1) - (P(n-1)x(n)x^H(n)P(n-1)) / (λ x^H(n)P(n-1)x(n))]w(n) w(n-1) P(n)x(n)e*(n)其中λ是遺忘因子0 λ ≤ 1控制對歷史數(shù)據(jù)的記憶長度。遺忘因子越接近1算法對歷史數(shù)據(jù)越戀舊λ調(diào)小則算法能夠更快跟蹤環(huán)境變化但穩(wěn)態(tài)誤差也會增大。RLS之所以收斂快就是因為它相當于對輸入數(shù)據(jù)做了白化處理把特征值擴散問題給規(guī)避了。代價是每次更新的計算量為O(M2)比LMS高一個數(shù)量級而且要維護一個M×M的逆矩陣數(shù)值穩(wěn)定性也需要額外關(guān)注。在實際工程中如果M不大幾十量級RLS的性價比其實很高如果M上百就需要考慮降維處理或者子陣劃分了。我當時用MATLAB同時跑了LMS和RLS的仿真輸入一個8元ULA、單個強干擾的模型。LMS花了幾千次迭代才收斂到穩(wěn)定零陷RLS用了一兩百次迭代就基本收斂差距非常直觀。作者在書里把這兩種算法并列介紹我的理解是LMS適合硬件資源緊張但環(huán)境相對平穩(wěn)的場景RLS適合需要快速響應的場景沒有絕對的優(yōu)劣。4.3 對角加載到底是什么為什么能讓波束更穩(wěn)健MVDR/SMI這類算法對模型誤差和樣本誤差非常敏感一個典型問題是當期望信號方向存在輕微失配比如陣元幅相誤差、導向矢量量化誤差自適應權(quán)值可能會把主瓣“劈裂”或者把目標方向當成干擾來抑制。解決這個問題最常用的方法之一就是對角加載Diagonal Loading。對角加載的做法非常簡單在協(xié)方差矩陣對角線上加一個常數(shù)R_loaded R_hat δIδ被稱為加載因子。這相當于給協(xié)方差矩陣的所有特征值都抬升了一個底抑制了小特征值對應的噪聲分量對權(quán)值的過度影響。從方向圖上看主瓣保形能力大幅提高代價是干擾零陷會稍微變淺。教材對對角加載只提了一句但實際做自適應處理的人都知道這是保命手段。我在復現(xiàn)SMI算法時初始設(shè)定加載因子為噪聲功率的10倍方向圖明顯更穩(wěn)。如果仿真中完全不加載某些隨機樣本下方向圖旁瓣會出現(xiàn)異常抬升?？梢赃@么理解對角加載是在“極致性能”和“穩(wěn)健性”之間做一個取舍工程上幾乎都是默認加了的。5. 空時二維處理STAP從一維空域濾波擴展到二維聯(lián)合抑制這一章我最開始讀得最吃力的就是STAP部分因為它把之前建立的“空域濾波”概念從一維擴展到二維還引入了多普勒維度的處理。老實說如果只是考試背公式STAP并不需要理解得太深但如果你想真正理解現(xiàn)代機載雷達為什么能做到“在強雜波中發(fā)現(xiàn)慢速目標”STAP是繞不過去的一塊硬骨頭。5.1 為什么機載雷達必須考慮空時二維處理機載雷達向下看地面時地雜波不是靜止的。雷達平臺運動導致雜波回波帶有與角度相關(guān)的多普勒頻率。對于某一距離單元來自不同方位角的地雜波其徑向速度不同因此多普勒頻率也不同。換句話說雜波在“空間角-多普勒頻率”二維平面上形成一條傾斜的分布而不是只集中在某個多普勒頻率上。如果只用一維多普勒濾波濾除雜波那么當目標多普勒頻率與某個雜波角度對應的多普勒頻率重疊時慢速目標尤為常見目標就會和雜波混在一起無法區(qū)分。這時候必須同時利用空間維度和時間維度——空間上可以區(qū)別不同角度時間多普勒上可以區(qū)別不同速度。兩維聯(lián)合處理才能把雜波脊“壓出一條目標可通行的隧道”這就是STAP的基本思想。5.2 空時數(shù)據(jù)向量與空時協(xié)方差矩陣的構(gòu)成設(shè)機載雷達有N個陣元一個相干處理間隔CPI內(nèi)發(fā)射K個脈沖。對某一距離單元接收數(shù)據(jù)構(gòu)成一個NK×1的空時快拍向量x ∈ C^(NK×1)。對應的空時導向矢量v(f_d, θ)是將空域?qū)蚴噶颗c時域多普勒導向矢量做Kronecker積v_st v_t(f_d) ? v_s(θ)其中v_t(f_d) [1, e^(j2πf_d), ..., e^(j2π(K-1)f_d)]^Tf_d是歸一化多普勒頻率。空時協(xié)方差矩陣R_st E[x x^H]的維度是NK×NK。當N和K都是幾十量級時NK可以輕松到幾千。這就帶來STAP工程實現(xiàn)最頭疼的問題——協(xié)方差矩陣的維度太大需要的訓練樣本量N_train通常要2~3倍NK這在非均勻環(huán)境中幾乎不可能滿足。因此實際系統(tǒng)中很少做全維STAP而是用降維STAP如局域聯(lián)合處理、多普勒頻移選中處理等手段。教材對這部分講得很克制但能讓你明白這個領(lǐng)域的核心矛盾是什么。5.3 降維STAP的思想只在局部“切片”上做自適應最經(jīng)典的降維STAP思路是不把全部N×K個自由度都拿來做自適應而是只看目標所在的多普勒通道附近和幾個相鄰多普勒通道。具體說先用多普勒濾波器組把每個陣元的K個脈沖數(shù)據(jù)分成K個多普勒通道然后針對每一個感興趣的多普勒通道只選取該通道附近少數(shù)幾個多普勒通道的數(shù)據(jù)連同N個陣元一起構(gòu)成一個降維后的數(shù)據(jù)向量。這個降維后的維度遠小于NK訓練樣本需求也大幅下降。從物理意義上理解降維STAP相當于“聰明地選擇戰(zhàn)場”我不需要在整個空時平面上展開作戰(zhàn)我只需要在我關(guān)心的目標多普勒頻率附近看清楚雜波干擾的局部結(jié)構(gòu)然后在該局部形成零陷。這樣做損失了一點理論最優(yōu)性卻換來了工程可行性?，F(xiàn)實中幾乎所有的機載雷達STAP處理器都是某種降維方案全維STAP更多作為理論性能上界存在。我在復現(xiàn)降維STAP時把N8、K16的全維處理128維降到每個多普勒通道只選3個多普勒通道再聯(lián)合8個陣元24維訓練樣本需求從幾百降到了幾十仿真性能與全維STAP的差距控制在2dB以內(nèi)。這個結(jié)果讓我對“降維換可行性”的理解更具體了。6. 這一章在MATLAB里怎么復現(xiàn)我的仿真結(jié)構(gòu)與參數(shù)設(shè)計Mahafza這本書本身是配合MATLAB的所以第16章的代碼風格非常工程化。如果你照著書里的思路從頭寫一遍我建議按下面這個路線走既能驗證公式又能為后續(xù)擴展打底子。6.1 基礎(chǔ)配置均勻線陣與干擾場景第一步搭一個8元均勻線陣模型陣元間距dλ/2載頻設(shè)成10GHzX波段常用快拍數(shù)自選。目標從0度方向入射信噪比SNR設(shè)成0dB左右。干擾從30度方向入射干噪比INR設(shè)成30dB或40dB。這樣設(shè)置的原因是干擾比目標強很多能夠清楚觀察自適應方向圖是否在干擾方向形成零陷又不會因為干擾太強導致數(shù)值計算溢出。數(shù)據(jù)生成用這樣一個循環(huán)結(jié)構(gòu)對每一個快照生成目標信號向量 幅度×導向矢量(0°)干擾信號向量 干擾幅度×導向矢量(30°)噪聲向量 復高斯噪聲功率為1。疊加成接收數(shù)據(jù)向量x。注意在這里要把目標信號、干擾信號和噪聲的功率分開控制我在一開始把噪聲功率設(shè)成了1這樣信噪比和干噪比就可以直接用幅度的平方來定義省掉很多麻煩。仿真中一定要分別計算兩個協(xié)方差矩陣一個是含目標信號的R_x另一個是不含目標只含干擾加噪聲的R_u。對比這兩種情況下的自適應方向圖就能直觀看到信號自消現(xiàn)象。6.2 三個核心仿真腳本的編寫要點腳本一MVDR/SMI固定權(quán)值仿真。輸入是接收數(shù)據(jù)矩陣XM×NN為快拍數(shù)輸出是方向圖、零陷深度、輸出SINR。關(guān)鍵步驟是估計樣本協(xié)方差R_hat除以N還是N-1影響不大樣本多時可以忽略加對角加載δI然后按MVDR公式求w最后掃描角度計算方向圖增益|w^H v(θ)|。腳本二LMS自適應更新仿真。輸入是逐個快照的數(shù)據(jù)流每來一個快照更新一次權(quán)值記錄權(quán)值隨迭代次數(shù)的變化以及輸出信干噪比曲線。需要特別注意的是步長μ的設(shè)置不能拍腦袋先算出輸入功率P_in mean(diag(R_x))然后設(shè)μ 0.05 / (M × P_in)左右。太大會發(fā)散太小收斂太慢。用實測數(shù)據(jù)看曲線很快就能找到合適的量級。腳本三STAP空時數(shù)據(jù)生成與降維處理。這個腳本相對復雜先用N8、K16生成空時快照構(gòu)造雜波脊每個雜波源有自己的角度和多普勒再加目標信號、干擾、噪聲用全維STAP和降維STAP分別求輸出SINR對比不同訓練樣本數(shù)下的性能差異。這里建議把雜波源的數(shù)目設(shè)得遠小于全維自由度避免雜波秩過高導致所有方法都失效。6.3 復現(xiàn)中容易忽略但非常影響結(jié)果的坑第一個坑訓練樣本里是否包含目標信號。初學時我把目標混在訓練樣本里導致自適應后目標方向增益損失了將近10dB。后來才想明白訓練樣本應當盡量選擇“不含目標”的距離單元或者用對角加載和信號對消技術(shù)來抑制信號自消。第二個坑對角加載因子的量級。加載太小不起作用加載太大會淹沒有用的協(xié)方差信息表現(xiàn)為零陷深度大幅變淺。我嘗試過從噪聲功率的0.1倍到100倍之間掃描經(jīng)驗值是10倍左右效果比較平衡但不同場景最優(yōu)值不同最好用仿真掃一遍再定。第三個坑MATLAB中矩陣求逆的數(shù)值條件。如果干擾極強INR60dB樣本協(xié)方差矩陣的條件數(shù)極大inv函數(shù)有可能返回不準確的結(jié)果。這時建議用pinv偽逆或者在求逆前先用eig檢查一下最小特征值必要時直接做奇異值截斷。教材里沒有講這些數(shù)值細節(jié)但實際跑起來很容易翻車。第四個坑方向圖的橫縱坐標。習慣把方向圖縱坐標轉(zhuǎn)換成dB橫坐標用角度從-90到90度這樣零陷深度看得最清楚。直接畫線性幅度很容易忽略那些-50dB以下的細節(jié)。7. 這一章學完之后的延伸思考自適應處理對現(xiàn)代雷達設(shè)計的影響第16章的內(nèi)容如果停留在“會背公式、會跑仿真”層面其實還差點意思。真正有價值的延伸是把它和雷達系統(tǒng)的其他部分串起來。自適應波束形成和自適應脈沖壓縮的思想已經(jīng)被現(xiàn)代雷達廣泛吸收。你看現(xiàn)在的相控陣雷達、數(shù)字陣列雷達幾乎都帶自適應處理模塊。原因很簡單電磁環(huán)境越來越復雜干擾樣式越來越多固定權(quán)重方案已經(jīng)無法滿足生存需求。第16章提供的這套“基于數(shù)據(jù)統(tǒng)計特性動態(tài)調(diào)整權(quán)值”的方法論本質(zhì)上是讓雷達系統(tǒng)擁有了“感知環(huán)境并做出反應”的能力。另外空時自適應處理和現(xiàn)代認知雷達的概念是高度契合的。認知雷達強調(diào)“接收-感知-決策-發(fā)射”閉環(huán)而自適應信號處理恰好提供了“接收-感知-調(diào)整”這一環(huán)的實現(xiàn)手段。學完第16章再回頭去看教材前幾章對雷達方程的討論你會發(fā)現(xiàn)經(jīng)典的雷達方程基于固定系統(tǒng)參數(shù)而自適應處理讓系統(tǒng)參數(shù)變成環(huán)境的函數(shù)這是一個從“靜態(tài)分析”到“動態(tài)設(shè)計”的躍遷。從就業(yè)和科研的角度看自適應信號處理是雷達行業(yè)面試和項目中繞不開的話題。無論是搞預警雷達、火控雷達還是車載毫米波雷達自適應干擾抑制都是核心賣點。特別是近年來自動駕駛毫米波雷達要應對大量干擾和雜波STAP和自適應波束形成技術(shù)正在從軍事領(lǐng)域向民用滲透。我認識的做車載雷達的工程師幾乎每個項目都在處理干擾場景這和本章討論的技術(shù)高度相關(guān)。8. 我踩過的坑和給你的學習建議最后聊一點個人體會這部分非常主觀但或許對你有用。第一學習這一章千萬不要跳推導直接看MATLAB代碼。我一開始圖省事直接跑書里的代碼結(jié)果方向圖畫出來對不上書上的結(jié)果排查半天發(fā)現(xiàn)是對R_u和R_x的區(qū)分沒搞清楚。后來老老實實把最優(yōu)權(quán)解的每一步推導在紙上過了一遍再去調(diào)試代碼效率反而更高。原因是代碼輸出異常時只有真正理解公式的人才能快速定位是算法問題還是參數(shù)設(shè)置問題。第二建議先做一維空域自適應再做STAP。一維情況下你可以把方向圖、零陷、SINR損失這些概念徹底搞透這對理解二維STAP幫助極大。如果一上來就啃STAP矩陣維度和雜波模型會把你淹沒。第三對于教材中出現(xiàn)的“訓練樣本需求”“收斂步長范圍”“加載因子量級”這些參數(shù)不要只看結(jié)論試著自己在仿真里掃一遍參數(shù)范圍記錄性能變化曲線。這個過程雖然費時間但能把書里的“經(jīng)驗規(guī)則”變成你自己的“直覺”。第四這一章學到的東西可以和教材其他章節(jié)交叉驗證。比如第6章的匹配濾波適合白噪聲背景第16章的MVDR適合色噪聲背景本質(zhì)上它們都是“基于不同約束的最優(yōu)濾波”。多去想想這些章節(jié)之間的內(nèi)在聯(lián)系你的雷達信號處理知識體系才不是散裝的。第16章確實不輕松但它是整本書里我收獲最大的一章之一因為它讓我的認知從“雷達是被動接收然后匹配”升級到了“雷達可以主動感知電磁環(huán)境并動態(tài)調(diào)整自己”。這種思維轉(zhuǎn)變比記住任何一個公式都值錢。 自適應波束形成與STAP：雷達抗干擾處理的核心原理與工程實現(xiàn)
1. 這一章在整本雷達教材中的位置為什么把自適應處理歸入“特殊主題”先說結(jié)論Mahafza這本書把自適應信號處理放在第五部分“關(guān)于雷達的一些特殊主題”并不意味著它是可學可不學的邊角料。恰恰相反這一章是全書從“常規(guī)雷達分析”邁向“現(xiàn)代雷達設(shè)計”的一座分水嶺。我在讀前三部分的時候心里一直有個疑問教材講了匹配濾波、脈沖壓縮、多普勒處理、CFAR檢測這些鏈路組成了經(jīng)典雷達信號處理的主干但如果環(huán)境中存在強干擾、有源壓制、旁瓣入侵目標這套鏈路的性能會崩到什么程度第16章給的答案很直接要把“固定權(quán)值”的處理升級為“隨環(huán)境自適應調(diào)整權(quán)值”的處理也就是所謂的自適應信號處理。從目錄結(jié)構(gòu)上看第五部分除了第16章自適應信號處理還涉及一些雷達專題比如低截獲概率LPI雷達、極化雷達等。第16章本身的內(nèi)容編排我讀完后的總結(jié)是它先建立最優(yōu)波束形成的數(shù)學框架再從統(tǒng)計最優(yōu)解過渡到迭代實現(xiàn)接著引入時空二維處理的概念最后把自適應思想映射到空域和時域的多個應用上。這種編排邏輯非常像一個人的學習路徑先知道“理論上什么是最優(yōu)”再知道“工程上怎么逼近這個最優(yōu)”最后知道“哪些地方能套用這套思路”。前置知識方面想順暢讀完這一章最好具備以下基礎(chǔ)線性代數(shù)的矩陣運算尤其是協(xié)方差矩陣、特征分解、隨機過程的基本概念尤其是自相關(guān)矩陣、功率譜、陣列信號處理的最基礎(chǔ)模型均勻線陣的方向矢量以及MATLAB上對復矩陣操作的熟練度。Mahafza這本書整體偏工程應用數(shù)學推導會保留但不會純粹為證明而證明所以只要不是看見矩陣就頭暈這一章是可以啃下來的。我自己讀這一章有個很強烈的體感第16章的難度梯度是陡的。開頭部分只要會用維納濾波公式就能跟上到STAP那部分開始符號和維度都上來了需要在紙上把矩陣維度逐個寫清楚才能不迷路。所以這篇筆記我會按照“為什么需要自適應——最優(yōu)解長什么樣——工程怎么逼近最優(yōu)——空時二維怎么推廣——MATLAB復現(xiàn)思路”的線索來展開這些也正好對應了我在學習過程中最想弄明白的幾個問題。2. 自適應信號處理要解決的痛點靜態(tài)權(quán)值為什么會在復雜電磁環(huán)境中失靈在進入這一章的公式之前有必要先建立物理直覺。為什么傳統(tǒng)雷達用了匹配濾波之后還要折騰自適應我在學完第6章匹配濾波后一度覺得“既然匹配濾波能做到輸出SNR最大化那接收端已經(jīng)最優(yōu)了還有什么可調(diào)的”這個問題直到我接觸到“干擾與噪聲不滿足白噪聲假設(shè)”時才徹底想通。2.1 匹配濾波的前提白噪聲背景下的最優(yōu)匹配濾波器的本質(zhì)是已知期望信號波形的情況下設(shè)計一個濾波器使得輸出端的信噪比達到最大推導結(jié)果就是濾波器頻率響應與信號頻譜的共軛匹配。這個結(jié)論成立的前提是背景噪聲是白噪聲功率譜是平的。如果背景中還有一個強方向性干擾源比如敵方干擾機干擾經(jīng)過接收天線進入接收機后功率譜不再是平的此時單純的匹配濾波已經(jīng)沒有能力區(qū)分“來自目標方向的回波”和“來自干擾方向的信號”輸出的信干噪比會急劇惡化。我用一個生活類比幫助自己理解匹配濾波好比你在嘈雜的聚會現(xiàn)場用“只關(guān)注朋友的聲音頻率”的方式去聽朋友說話如果全場噪音的頻率分布是均勻的這個策略很好用。但如果現(xiàn)場有一個音響對著你放強音樂頻率恰好覆蓋了朋友說話的頻段單純“濾除其他頻段”的策略就失效了因為朋友的聲音和音響的聲音在頻帶上重疊了。這時候需要的是“空間上的轉(zhuǎn)向”——把耳朵背對音響正面朝向朋友這就是自適應波束形成干的事情。2.2 空域濾波的基本模型導向矢量與方向圖自適應波束形成的第一步是建立陣列模型。教材以均勻線陣ULA為基本模型假設(shè)M個陣元等間距排列間距d通常取半波長。一個從角度θ方向入射的平面波到達各陣元的相位差形成一個引導矢導向矢量記作v(θ)表達式為v(θ) [1, e^(j2π(d/λ)sinθ), e^(j2π(2d/λ)sinθ), ..., e^(j2π((M-1)d/λ)sinθ)]^T這個矢量就是陣列對某個方向入射信號的“響應模板”。常規(guī)波束形成相控陣掃描把權(quán)矢量設(shè)為w v(θ0)讓陣列在θ0方向同相疊加形成主瓣。問題是如果干擾來自θj方向波束在θj方向通常只有較低的旁瓣電平比如-30dB。如果干擾功率比目標回波強60dB即便旁瓣抑制有30dB干擾殘余仍然比目標信號強30dB目標直接淹沒。自適應處理的核心就是不再固定w等于某個方向的導向矢量而是根據(jù)接收數(shù)據(jù)的統(tǒng)計特性實時調(diào)整w使得在保持期望方向增益基本不變的同時在干擾方向形成深零陷。零陷的深度取決于干擾功率和自由度數(shù)量理想情況下可以做到比-60dB更深。2.3 SINR損失的直觀理解衡量自適應性能有一個非常重要的指標輸出信干噪比相對于最優(yōu)值的損失。教材里定義了SINR損失因子其實就是實際輸出SINR與理論最優(yōu)SINR的比值。這個損失受兩個因素影響最大一是訓練樣本數(shù)是否足夠二是干擾與期望信號是否正交分離。我看到很多初學者包括我自己一開始有個誤區(qū)自適應處理會讓波束在任何干擾方向都形成零陷所以樣本越多越好、自適應更新越快越好。實際上并非如此。如果訓練樣本里混入了期望信號成分自適應算法會把期望信號也當作“需要抑制的干擾”來處理導致主瓣畸變。這就是所謂的“信號自消”現(xiàn)象在后面的SMI算法里會專門提到用對角線加載來緩解。這部分內(nèi)容教材講得比較含蓄但實際工程中極其重要后面我會展開講。3. 最優(yōu)權(quán)矢量的數(shù)學推導從維納解到最小方差無失真響應這一節(jié)是整個第16章的理論核心。Mahafza的推導思路是先定義性能度量再求解最優(yōu)化問題得到理論最優(yōu)解然后再考慮如何從數(shù)據(jù)中估計這個解所需的統(tǒng)計量。3.1 信號模型的建立與協(xié)方差矩陣的含義設(shè)陣列接收信號為x(n) s(n)v(θ0) u(n)其中s(n)是目標信號復包絡(luò)u(n)是干擾加噪聲分量。這里第一個關(guān)鍵統(tǒng)計量是接收數(shù)據(jù)的協(xié)方差矩陣R_x E[x(n)x^H(n)]如果目標信號與干擾、噪聲互不相關(guān)R_x可以拆成三部分貢獻目標信號部分、干擾部分、噪聲部分。在實際處理中有一個重要操作——用不含目標的“干擾加噪聲協(xié)方差矩陣”R_u來做自適應權(quán)值計算而不是用含目標的R_x。原因是如果R_x里包含了目標信號權(quán)值優(yōu)化的方向上會對目標進行部分相消造成信噪比損失。這個細節(jié)后來在做MATLAB仿真時驗證得非常直觀用R_x求權(quán)值方向圖主瓣增益會明顯凹陷用R_u求權(quán)值主瓣基本保持干擾方向零陷加深。這一章后面講對角加載時你會更清楚為什么工程實現(xiàn)中總是小心翼翼地處理樣本數(shù)據(jù)。3.2 維納解 R w r 的來龍去脈教材在推導最優(yōu)權(quán)值時采用了維納濾波框架。設(shè)陣列輸出為y(n) w^H x(n)我們希望輸出盡量接近期望信號d(n)。最小化均方誤差E[|d(n) - w^H x(n)|2]對w求梯度并令其為零可以得到維納-霍夫方程R_x w r_xd其中r_xd E[x(n)d*(n)]是互相關(guān)矢量。如果d(n)是目標信號s(n)那r_xd實際上正比于目標方向?qū)蚴噶縱(θ0)。把R_x換成R_u干擾加噪聲協(xié)方差矩陣同時把期望信號約束為在θ0方向增益為1就得到了自適應波束形成中非常經(jīng)典的最小方差無失真響應MVDR解w_MVDR R_u?1 v(θ0) / (v^H(θ0) R_u?1 v(θ0))這個公式你千萬不要只把它當一個“公式”背下來它的物理含義是非常清楚的R_u?1的作用是對接收數(shù)據(jù)做白化使干擾方向在數(shù)據(jù)空間里被“壓扁”然后再與導向矢量做匹配等價于在白化后的空間中進行匹配濾波。用大白話說就是先把數(shù)據(jù)“扭曲”成干擾不占優(yōu)的空間再按常規(guī)波束形成指向目標方向。我在復現(xiàn)這一節(jié)時特意用8元ULA、單個60dB干信比干擾做了仿真得到的方向圖在主瓣方向保持0dB增益而在干擾方向形成了約-70dB的零陷。這個結(jié)果讓我對MVDR的威力有了直觀認識也理解了為什么自適應陣列可以在強干擾下“保目標、滅干擾”。3.3 樣本協(xié)方差求逆SMI算法存在的必要性與代價理論上的MVDR解需要精確知道R_u但實際中我們只有有限的接收數(shù)據(jù)樣本只能用樣本協(xié)方差矩陣R_hat (1/N) Σ x(n)x^H(n)來代替R_u。把R_hat代入MVDR公式就是教材里重點講的采樣矩陣求逆SMI算法。這里有個經(jīng)典結(jié)論為了保證輸出SINR損失不超過約3dB訓練樣本數(shù)N至少需要約2MM為陣元數(shù)實際工程中常取N 2M甚至N 4~5M。我第一次看到這個結(jié)論只當是經(jīng)驗值直到我從協(xié)方差矩陣估計的統(tǒng)計分布角度理解了為什么樣本協(xié)方差矩陣是Wishart分布的隨機矩陣其特征值圍繞真實特征值波動。如果樣本太少小特征值就會估計不準而R_u?1對小特征值極其敏感微小的估計誤差會導致權(quán)矢量劇烈抖動方向圖出現(xiàn)畸變。用生活類比就是你試圖根據(jù)三五個人對“民意”的判斷來制定政策樣本太少估計結(jié)果方差大得離譜政策自然不穩(wěn)。SMI算法的代價主要是實時性和計算量。每一次更新都需要計算M×M矩陣求逆計算復雜度約為O(M3)。對于M100的陣列一次求逆就是百萬次量級的浮點運算在脈沖間實時完成相當吃力。這也是后面引入迭代算法LMS、RLS的動機。4. 從理論最優(yōu)到工程可用的迭代實現(xiàn)LMS與RLS的自適應更新邏輯MVDR和SMI是“基于批處理”的算法每來一批數(shù)據(jù)重新算一次權(quán)值。但雷達環(huán)境是時變的干擾機可能開機、關(guān)機、移動雜波特性也隨著平臺運動不斷變化。這就需要權(quán)值能夠隨著新數(shù)據(jù)的到來連續(xù)自適應更新。教材在這部分介紹了基于最陡下降法的LMS算法和基于遞推最小二乘的RLS算法。4.1 LMS算法的更新公式與收斂條件LMS算法的更新公式非常簡潔w(n1) w(n) μ x(n) e*(n)其中e(n) d(n) - w^H(n)x(n)是誤差信號μ是步長因子。這個公式的來歷是最陡下降法均方誤差性能曲面關(guān)于w的梯度是-2E[e(n)x(n)]用瞬時值e(n)x(n)代替期望值就得到了LMS。步長因子μ的選擇直接影響收斂速度和穩(wěn)態(tài)失調(diào)。為了確保收斂需要滿足0 μ 1/λ_max其中λ_max是R_x的最大特征值。實際使用中更常用的約束是0 μ 2/(總輸入功率)即2除以M個陣元的平均功率再乘以陣元數(shù)。如果我記得沒錯教材上的建議是收斂條件為 μ / (M × 平均陣元功率) 1。我在復現(xiàn)時發(fā)現(xiàn)μ取得太大會導致權(quán)值震蕩發(fā)散方向圖完全亂掉取得太小則收斂速度極慢干擾環(huán)境已經(jīng)變了算法還在追趕。LMS最大的優(yōu)勢是計算量極低每次更新只需要O(M)次乘加工程實現(xiàn)非常友好。缺點是收斂速度受協(xié)方差矩陣特征值散布影響很大。如果干擾很強R_x最大特征值和最小特征值之比可能達到10?量級LMS的收斂會慢到無法接受。這個現(xiàn)象在自適應陣列里叫“特征值擴散問題”也是RLS算法要比LMS快得多的重要原因。4.2 為什么RLS收斂快它隱式做了白化RLS算法的核心思想是每次更新時用“指數(shù)加權(quán)的最小二乘準則”重新計算權(quán)值遞推過程中維護樣本協(xié)方差矩陣的逆矩陣P(n)更新公式P(n) (1/λ)[P(n-1) - (P(n-1)x(n)x^H(n)P(n-1)) / (λ x^H(n)P(n-1)x(n))]w(n) w(n-1) P(n)x(n)e*(n)其中λ是遺忘因子0 λ ≤ 1控制對歷史數(shù)據(jù)的記憶長度。遺忘因子越接近1算法對歷史數(shù)據(jù)越戀舊λ調(diào)小則算法能夠更快跟蹤環(huán)境變化但穩(wěn)態(tài)誤差也會增大。RLS之所以收斂快就是因為它相當于對輸入數(shù)據(jù)做了白化處理把特征值擴散問題給規(guī)避了。代價是每次更新的計算量為O(M2)比LMS高一個數(shù)量級而且要維護一個M×M的逆矩陣數(shù)值穩(wěn)定性也需要額外關(guān)注。在實際工程中如果M不大幾十量級RLS的性價比其實很高如果M上百就需要考慮降維處理或者子陣劃分了。我當時用MATLAB同時跑了LMS和RLS的仿真輸入一個8元ULA、單個強干擾的模型。LMS花了幾千次迭代才收斂到穩(wěn)定零陷RLS用了一兩百次迭代就基本收斂差距非常直觀。作者在書里把這兩種算法并列介紹我的理解是LMS適合硬件資源緊張但環(huán)境相對平穩(wěn)的場景RLS適合需要快速響應的場景沒有絕對的優(yōu)劣。4.3 對角加載到底是什么為什么能讓波束更穩(wěn)健MVDR/SMI這類算法對模型誤差和樣本誤差非常敏感一個典型問題是當期望信號方向存在輕微失配比如陣元幅相誤差、導向矢量量化誤差自適應權(quán)值可能會把主瓣“劈裂”或者把目標方向當成干擾來抑制。解決這個問題最常用的方法之一就是對角加載Diagonal Loading。對角加載的做法非常簡單在協(xié)方差矩陣對角線上加一個常數(shù)R_loaded R_hat δIδ被稱為加載因子。這相當于給協(xié)方差矩陣的所有特征值都抬升了一個底抑制了小特征值對應的噪聲分量對權(quán)值的過度影響。從方向圖上看主瓣保形能力大幅提高代價是干擾零陷會稍微變淺。教材對對角加載只提了一句但實際做自適應處理的人都知道這是保命手段。我在復現(xiàn)SMI算法時初始設(shè)定加載因子為噪聲功率的10倍方向圖明顯更穩(wěn)。如果仿真中完全不加載某些隨機樣本下方向圖旁瓣會出現(xiàn)異常抬升?？梢赃@么理解對角加載是在“極致性能”和“穩(wěn)健性”之間做一個取舍工程上幾乎都是默認加了的。5. 空時二維處理STAP從一維空域濾波擴展到二維聯(lián)合抑制這一章我最開始讀得最吃力的就是STAP部分因為它把之前建立的“空域濾波”概念從一維擴展到二維還引入了多普勒維度的處理。老實說如果只是考試背公式STAP并不需要理解得太深但如果你想真正理解現(xiàn)代機載雷達為什么能做到“在強雜波中發(fā)現(xiàn)慢速目標”STAP是繞不過去的一塊硬骨頭。5.1 為什么機載雷達必須考慮空時二維處理機載雷達向下看地面時地雜波不是靜止的。雷達平臺運動導致雜波回波帶有與角度相關(guān)的多普勒頻率。對于某一距離單元來自不同方位角的地雜波其徑向速度不同因此多普勒頻率也不同。換句話說雜波在“空間角-多普勒頻率”二維平面上形成一條傾斜的分布而不是只集中在某個多普勒頻率上。如果只用一維多普勒濾波濾除雜波那么當目標多普勒頻率與某個雜波角度對應的多普勒頻率重疊時慢速目標尤為常見目標就會和雜波混在一起無法區(qū)分。這時候必須同時利用空間維度和時間維度——空間上可以區(qū)別不同角度時間多普勒上可以區(qū)別不同速度。兩維聯(lián)合處理才能把雜波脊“壓出一條目標可通行的隧道”這就是STAP的基本思想。5.2 空時數(shù)據(jù)向量與空時協(xié)方差矩陣的構(gòu)成設(shè)機載雷達有N個陣元一個相干處理間隔CPI內(nèi)發(fā)射K個脈沖。對某一距離單元接收數(shù)據(jù)構(gòu)成一個NK×1的空時快拍向量x ∈ C^(NK×1)。對應的空時導向矢量v(f_d, θ)是將空域?qū)蚴噶颗c時域多普勒導向矢量做Kronecker積v_st v_t(f_d) ? v_s(θ)其中v_t(f_d) [1, e^(j2πf_d), ..., e^(j2π(K-1)f_d)]^Tf_d是歸一化多普勒頻率。空時協(xié)方差矩陣R_st E[x x^H]的維度是NK×NK。當N和K都是幾十量級時NK可以輕松到幾千。這就帶來STAP工程實現(xiàn)最頭疼的問題——協(xié)方差矩陣的維度太大需要的訓練樣本量N_train通常要2~3倍NK這在非均勻環(huán)境中幾乎不可能滿足。因此實際系統(tǒng)中很少做全維STAP而是用降維STAP如局域聯(lián)合處理、多普勒頻移選中處理等手段。教材對這部分講得很克制但能讓你明白這個領(lǐng)域的核心矛盾是什么。5.3 降維STAP的思想只在局部“切片”上做自適應最經(jīng)典的降維STAP思路是不把全部N×K個自由度都拿來做自適應而是只看目標所在的多普勒通道附近和幾個相鄰多普勒通道。具體說先用多普勒濾波器組把每個陣元的K個脈沖數(shù)據(jù)分成K個多普勒通道然后針對每一個感興趣的多普勒通道只選取該通道附近少數(shù)幾個多普勒通道的數(shù)據(jù)連同N個陣元一起構(gòu)成一個降維后的數(shù)據(jù)向量。這個降維后的維度遠小于NK訓練樣本需求也大幅下降。從物理意義上理解降維STAP相當于“聰明地選擇戰(zhàn)場”我不需要在整個空時平面上展開作戰(zhàn)我只需要在我關(guān)心的目標多普勒頻率附近看清楚雜波干擾的局部結(jié)構(gòu)然后在該局部形成零陷。這樣做損失了一點理論最優(yōu)性卻換來了工程可行性?，F(xiàn)實中幾乎所有的機載雷達STAP處理器都是某種降維方案全維STAP更多作為理論性能上界存在。我在復現(xiàn)降維STAP時把N8、K16的全維處理128維降到每個多普勒通道只選3個多普勒通道再聯(lián)合8個陣元24維訓練樣本需求從幾百降到了幾十仿真性能與全維STAP的差距控制在2dB以內(nèi)。這個結(jié)果讓我對“降維換可行性”的理解更具體了。6. 這一章在MATLAB里怎么復現(xiàn)我的仿真結(jié)構(gòu)與參數(shù)設(shè)計Mahafza這本書本身是配合MATLAB的所以第16章的代碼風格非常工程化。如果你照著書里的思路從頭寫一遍我建議按下面這個路線走既能驗證公式又能為后續(xù)擴展打底子。6.1 基礎(chǔ)配置均勻線陣與干擾場景第一步搭一個8元均勻線陣模型陣元間距dλ/2載頻設(shè)成10GHzX波段常用快拍數(shù)自選。目標從0度方向入射信噪比SNR設(shè)成0dB左右。干擾從30度方向入射干噪比INR設(shè)成30dB或40dB。這樣設(shè)置的原因是干擾比目標強很多能夠清楚觀察自適應方向圖是否在干擾方向形成零陷又不會因為干擾太強導致數(shù)值計算溢出。數(shù)據(jù)生成用這樣一個循環(huán)結(jié)構(gòu)對每一個快照生成目標信號向量 幅度×導向矢量(0°)干擾信號向量 干擾幅度×導向矢量(30°)噪聲向量 復高斯噪聲功率為1。疊加成接收數(shù)據(jù)向量x。注意在這里要把目標信號、干擾信號和噪聲的功率分開控制我在一開始把噪聲功率設(shè)成了1這樣信噪比和干噪比就可以直接用幅度的平方來定義省掉很多麻煩。仿真中一定要分別計算兩個協(xié)方差矩陣一個是含目標信號的R_x另一個是不含目標只含干擾加噪聲的R_u。對比這兩種情況下的自適應方向圖就能直觀看到信號自消現(xiàn)象。6.2 三個核心仿真腳本的編寫要點腳本一MVDR/SMI固定權(quán)值仿真。輸入是接收數(shù)據(jù)矩陣XM×NN為快拍數(shù)輸出是方向圖、零陷深度、輸出SINR。關(guān)鍵步驟是估計樣本協(xié)方差R_hat除以N還是N-1影響不大樣本多時可以忽略加對角加載δI然后按MVDR公式求w最后掃描角度計算方向圖增益|w^H v(θ)|。腳本二LMS自適應更新仿真。輸入是逐個快照的數(shù)據(jù)流每來一個快照更新一次權(quán)值記錄權(quán)值隨迭代次數(shù)的變化以及輸出信干噪比曲線。需要特別注意的是步長μ的設(shè)置不能拍腦袋先算出輸入功率P_in mean(diag(R_x))然后設(shè)μ 0.05 / (M × P_in)左右。太大會發(fā)散太小收斂太慢。用實測數(shù)據(jù)看曲線很快就能找到合適的量級。腳本三STAP空時數(shù)據(jù)生成與降維處理。這個腳本相對復雜先用N8、K16生成空時快照構(gòu)造雜波脊每個雜波源有自己的角度和多普勒再加目標信號、干擾、噪聲用全維STAP和降維STAP分別求輸出SINR對比不同訓練樣本數(shù)下的性能差異。這里建議把雜波源的數(shù)目設(shè)得遠小于全維自由度避免雜波秩過高導致所有方法都失效。6.3 復現(xiàn)中容易忽略但非常影響結(jié)果的坑第一個坑訓練樣本里是否包含目標信號。初學時我把目標混在訓練樣本里導致自適應后目標方向增益損失了將近10dB。后來才想明白訓練樣本應當盡量選擇“不含目標”的距離單元或者用對角加載和信號對消技術(shù)來抑制信號自消。第二個坑對角加載因子的量級。加載太小不起作用加載太大會淹沒有用的協(xié)方差信息表現(xiàn)為零陷深度大幅變淺。我嘗試過從噪聲功率的0.1倍到100倍之間掃描經(jīng)驗值是10倍左右效果比較平衡但不同場景最優(yōu)值不同最好用仿真掃一遍再定。第三個坑MATLAB中矩陣求逆的數(shù)值條件。如果干擾極強INR60dB樣本協(xié)方差矩陣的條件數(shù)極大inv函數(shù)有可能返回不準確的結(jié)果。這時建議用pinv偽逆或者在求逆前先用eig檢查一下最小特征值必要時直接做奇異值截斷。教材里沒有講這些數(shù)值細節(jié)但實際跑起來很容易翻車。第四個坑方向圖的橫縱坐標。習慣把方向圖縱坐標轉(zhuǎn)換成dB橫坐標用角度從-90到90度這樣零陷深度看得最清楚。直接畫線性幅度很容易忽略那些-50dB以下的細節(jié)。7. 這一章學完之后的延伸思考自適應處理對現(xiàn)代雷達設(shè)計的影響第16章的內(nèi)容如果停留在“會背公式、會跑仿真”層面其實還差點意思。真正有價值的延伸是把它和雷達系統(tǒng)的其他部分串起來。自適應波束形成和自適應脈沖壓縮的思想已經(jīng)被現(xiàn)代雷達廣泛吸收。你看現(xiàn)在的相控陣雷達、數(shù)字陣列雷達幾乎都帶自適應處理模塊。原因很簡單電磁環(huán)境越來越復雜干擾樣式越來越多固定權(quán)重方案已經(jīng)無法滿足生存需求。第16章提供的這套“基于數(shù)據(jù)統(tǒng)計特性動態(tài)調(diào)整權(quán)值”的方法論本質(zhì)上是讓雷達系統(tǒng)擁有了“感知環(huán)境并做出反應”的能力。另外空時自適應處理和現(xiàn)代認知雷達的概念是高度契合的。認知雷達強調(diào)“接收-感知-決策-發(fā)射”閉環(huán)而自適應信號處理恰好提供了“接收-感知-調(diào)整”這一環(huán)的實現(xiàn)手段。學完第16章再回頭去看教材前幾章對雷達方程的討論你會發(fā)現(xiàn)經(jīng)典的雷達方程基于固定系統(tǒng)參數(shù)而自適應處理讓系統(tǒng)參數(shù)變成環(huán)境的函數(shù)這是一個從“靜態(tài)分析”到“動態(tài)設(shè)計”的躍遷。從就業(yè)和科研的角度看自適應信號處理是雷達行業(yè)面試和項目中繞不開的話題。無論是搞預警雷達、火控雷達還是車載毫米波雷達自適應干擾抑制都是核心賣點。特別是近年來自動駕駛毫米波雷達要應對大量干擾和雜波STAP和自適應波束形成技術(shù)正在從軍事領(lǐng)域向民用滲透。我認識的做車載雷達的工程師幾乎每個項目都在處理干擾場景這和本章討論的技術(shù)高度相關(guān)。8. 我踩過的坑和給你的學習建議最后聊一點個人體會這部分非常主觀但或許對你有用。第一學習這一章千萬不要跳推導直接看MATLAB代碼。我一開始圖省事直接跑書里的代碼結(jié)果方向圖畫出來對不上書上的結(jié)果排查半天發(fā)現(xiàn)是對R_u和R_x的區(qū)分沒搞清楚。后來老老實實把最優(yōu)權(quán)解的每一步推導在紙上過了一遍再去調(diào)試代碼效率反而更高。原因是代碼輸出異常時只有真正理解公式的人才能快速定位是算法問題還是參數(shù)設(shè)置問題。第二建議先做一維空域自適應再做STAP。一維情況下你可以把方向圖、零陷、SINR損失這些概念徹底搞透這對理解二維STAP幫助極大。如果一上來就啃STAP矩陣維度和雜波模型會把你淹沒。第三對于教材中出現(xiàn)的“訓練樣本需求”“收斂步長范圍”“加載因子量級”這些參數(shù)不要只看結(jié)論試著自己在仿真里掃一遍參數(shù)范圍記錄性能變化曲線。這個過程雖然費時間但能把書里的“經(jīng)驗規(guī)則”變成你自己的“直覺”。第四這一章學到的東西可以和教材其他章節(jié)交叉驗證。比如第6章的匹配濾波適合白噪聲背景第16章的MVDR適合色噪聲背景本質(zhì)上它們都是“基于不同約束的最優(yōu)濾波”。多去想想這些章節(jié)之間的內(nèi)在聯(lián)系你的雷達信號處理知識體系才不是散裝的。第16章確實不輕松但它是整本書里我收獲最大的一章之一因為它讓我的認知從“雷達是被動接收然后匹配”升級到了“雷達可以主動感知電磁環(huán)境并動態(tài)調(diào)整自己”。這種思維轉(zhuǎn)變比記住任何一個公式都值錢。