.png){kind=icon}
返回
Correlated Sparse Bayesian Learning for STAP: Algorithm and Dictionary
.png){kind=icon}
PRE
AI
DOI：10.1109/TAES.2025.3622569.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
空时自适应处理（STAP）是抑制杂波的关键技术。我们提出了一种统一的关联稀疏贝叶斯学习（CSBL）框架，通过利用样本内和样本间关联性，以改进适用于任意字典的STAP杂波抑制性能。我们提出了一种自适应方法，能够施加样本内关联性并实现更快的收敛速度。此外，该方法通过更新初始字典中的关联原子以自适应地构建更新后的字典，使其与隐式估计的杂波脊相匹配，在有效缓解离栅问题的同时保持字典维度不变。我们的方法为CSBL-STAP实现和离栅缓解问题提供了一种无需先验知识的可行解决方案。为与已有先验知识进行性能比较，我们设计了一种先进的先验字典，该字典既能匹配杂波脊，又能使主杂波区域中的原子分布更密集。仿真和实测数据均表明，利用关联性可显著提升性能，并验证了所提方法的有效性。
Keyword:
Correlated sparse Bayesian learning (CSBL)
dictionary design
off-grid problem
space-time adaptive processing (STAP)
期刊
IF:
5.7
论文数:
696
被引数:
2.4W
机构
引用论文
Robust STAP of Dictionary Local Adaptive Filling and Learning for Nonstationary Clutter Suppression
.png){kind=icon}
PREAI
分享收藏An Efficient Sparse Bayesian Learning STAP Algorithm with Adaptive Laplace Prior一种基于自适应拉普拉斯先验的高效稀疏贝叶斯学习STAP算法
OAAI
OAAI分享收藏分享收藏
分享收藏
查看更多内容