SparseGMAP: ALGORITMO DE ESTIMACIóN ESPECTRAL PARA RADAR METEOROLóGICO BASADO EN MODELOS RALOS

CARLOS MURAVCHIK; SEBASTIAN PAZOS; MARTIN HURTADO

La Plata

Jornada; QUINTAS JORNADAS DE INVESTIGACIÓN, TRANSFERENCIA y EXTENSIÓN de la FACULTAD DE INGENIERÍA; 2019

UNLP

Uno de los objetivos del procesamiento de sen? ales de radar es reducir el efecto nocivo delclutter. El espectro del clutter terrestre se encuentra cercano a la frecuencia Doppler cero. Por lo cual, convencionalmente se utilizan filtros pasa-alto, denominados moving target indicator (MTI) [1]. Los resultados son satisfactorios so´ lo cuando el espectro de la sen? al meteorolo´ gi- ca no se encuentra superpuesto al espectro del clutter. Otra te´ cnica comu´ n es el mapa de clutter que se construye midiendo en condiciones libres de feno´ menos clima´ ticos [2]. Pero di- chos mapas son esta´ ticos y no pueden identificar nuevas regiones de clutter que aparecen en condiciones cambiantes de propagacio´ n. La tendencia actual es emplear me´ todos adaptivos que sean capaces de analizar cada celda de resolucio´ n para evaluar la existencia de clutter terrestre, y en caso positivo aplicar alguna te´ cnica de mitigacio´ n de clutter. Un ejemplo es el algoritmo GMAP [3] que se basa en modelar las sen? ales utilizando un espectro Gaussiano y se caracteriza por no alterar el espectro de la sen? al de intere´ s cuando no hay clutter. Sin embargo, como este algoritmo se basa en la estimacio´ n del espectro de potencia de la sen? al recibida, se encuentra severamente afectado por el desborde de potencia de clutter en el es- pectro meteorolo´ gico, como consecuencia de procesar conjuntos de datos finitos. Cuando la relacio´ n clutter a sen? al es baja, se puede reducir este desborde mediante el uso de ventanas, a costa de mayores errores en la estimacio´ n de los momentos espectrales.El objetivo del presente art´ıculo es mejorar la estimacio´ n de los para´ metros de la sen? al me- teorolo´ gica a trave´ s de una mejor estimacio´ n del espectro de potencia. Se propone el uso de formulaciones ralas y algoritmos de inversion ralos para atacar este problema, especialmente cuando los espectros se solapan. En la representacio´ n rala la sen? al observada acepta una representacio´ n lineal sobre un diccionario, que es una coleccio´ n de formas de onda conocidas (a´ tomos) [4]. Esta representacio´ n es rala si so´ lo unos pocos coeficientes son significantes. Comu´ nmente el nu´ mero de observaciones disponibles es menor que el nu´ mero de a´ tomos en el diccionario. Luego, este problema lineal se encuentra subdeterminado, Sin embargo, au´ n es posible resolver este problema inverso, au´ n cuando el soporte sea desconocido [5], [6]. Se han propuesto varios me´ todos para recuperar representaciones de sen? ales con diccionarios sobre completos. En el presente art´ıculo se consideran LASSO y fused LASSO, altamente estudia- dos en el campo de compressive sensing, que tambie´ n son intensivos computacionalmente,pero no requieren valores iniciales para empezar el algoritmo.