حذف کلاترزمین و جمر با استفاده از پردازش فضا-زمان وفقی بازگشتی در رادارهای هواپایه

چالش اصلی برای رادارهای هواپایه در کشف اهداف زمینی، حذف جمر و کلاتر زمین است. روش پردازش فضا-زمان وفقی، جدیدترین روش پردازشی در مقابله با این سیگنال ها است. پردازشگر فضا-زمان ، یک فیلتر دو بعدی ایجاد می کند که در فرکانس‌های زاویه ای‌ و داپلری که سیگنال های جمر و کلاتر قرار دارند، صفر (نول) قرار می‌دهد. در محاسبه بردار وزن بهینه این فیلتر، ماتریس کوواریانس سیگنال های تداخل مورد نیاز است. در عمل، ماتریس کوواریانس سیگنال تداخل در اختیار نیست و می بایست تخمین زده شود. تخمین ماتریس کوواریانس از روی سیگنال‌های بازگشتی و با توجه به سایر سلول‌های برد غیر از سلول برد هدف (داده های ثانویه) صورت می‌گیرد. مشکل عمده در تخمین این ماتریس، محدود بودن تعداد داده های ثانویه همگن و قابل اعتماد است. روش‌های پردازش مختلفی با هدف افزایش همگرایی و کاهش حجم محاسبات ابداع شده‌اند. استفاده از فیلترهای وفقی موجب همگرایی و به‌روز‌رسانی سریع تر بردار وزن وفقی و حذف پردازش های ناشی از معکوس‌گیری ماتریس کوواریانس می شود. در این مقاله از روش بازگشتی دارای چندین شاخه پردازش موازی با رویکرد به روز‌رسانی توام بردار وزن و ماتریس کاهش رتبه استفاده شده است که در مقایسه با روش های بازگشتی پیشین منجر به بهبود عملکرد با در اختیار داشتن تعداد محدودی از داده های ثانویه می شود.

Suppression of Clutter and Jammer Using Recursive SpaceTime Adaptive Processing For Airborne Radars

The main challenge for airborne radars in discovering ground targets is the removal of Clutter and Jammer. The adaptive spacetime processing method is the newest method of processing against these signals. The spacetime processor creates a twodimensional filter, which sets zero (null) angular and Doppler frequencies where Jammer and clutter are signaled. In computing the optimal weight vector for this filter, the covariance matrix of the interference signals is required. In practice, the covariance matrix of the signal is not interfering and should be estimated. The estimation of covariance matrix is based on recursive signals and according to other target cells other than the target cell (secondary data). The main problem in estimating this matrix is the limitation of the number of secondary data that is homogeneous and reliable. Different processing methods have been devised to increase convergence and reduce computational volume. The use of de finite filters facilitates the convergence and faster updating of the weighted vector and eliminates the processes caused by the inversion of the covariance matrix. In this paper, the recursive method has several parallel processing branches associated with weight reduction and dropdown matrix updating approach which, in comparison with previous recursive methods, results in improved performance by having a limited number of secondary data.