An Efficient Sparse Bayesian Learning STAP Algorithm with Adaptive Laplace Prior

doi:10.3390/rs14153520

An Efficient Sparse Bayesian Learning STAP Algorithm with Adaptive Laplace Prior

2022-07-22

0

OA

AI

DOI：10.3390/rs14153520

原文链接

原文求助

摘要

En 中文

时空自适应处理（STAP）在不均匀环境中遇到训练样本不足时会出现严重的性能下降。稀疏贝叶斯学习（SBL）算法因其稳健性和自正则化特性而受到广泛关注。本研究开发了一种计算高效的具有自适应拉普拉斯先验的SBL STAP算法。首先，针对复值时空快照，构建了具有自适应拉普拉斯先验的分层贝叶斯模型（CALM-SBL）。拉普拉斯先验比高斯先验更能强制稀疏性，从而实现对杂波加噪声协方差矩阵（CNCM）的更好重建。然而，与其他SBL算法类似，较大的自由度会给实时处理系统带来沉重负担。为克服此缺点，本文提出了一种高效的基于局部降维稀疏重构的时空自适应处理（LRDSR-STAP）框架。通过使用一组深度加权的多普勒滤波器并利用杂波脊的先验知识，构建了一种新型的局部降维字典，从而显著降低计算量。数值实验验证了在有限快照场景下，所提方法能在显著降低计算复杂度的同时实现更好的性能。结果表明，所提出的LRDSR-CALM-STAP算法具有在实用实时处理系统中实施的潜力。

An Efficient Sparse Bayesian Learning STAP Algorithm with Adaptive Laplace Prior

摘要

期刊

机构

引用论文