CN104239731A - Mimo-ukf-music目标方向估计方法 - Google Patents

Abstract

MIMO-UKF-MUSIC目标方向估计方法，本发明涉及一种MIMO-UKF-MUSIC目标的方向估计方法。多重信号分类(MUSIC)空间谱估计算法在实际测向过程中，常存在起伏目标信噪比与时变的强干扰，而且MIMO天波雷达的多个目标的雷达信号是相干信号等，这些不利条件需要对其进行深入分析并提高MUSIC算法在非理想条件下的估计性能。本发明组成包括：步骤一，在MIMO体制下多传感器阵列中得到多组DOA估计值以及多组DOD估计值，步骤二，之后分别对DOA估计值以及DOD估计值滤波得到多组DOA估计滤波值以及多组DOD估计滤波值，求取多组DOA估计滤波值以及多组DOD估计滤波值的均值，得到最终的DOA估计以及最终的DOD估计。本发明应用于阵列信号处理领域。

Description

MIMO-UKF-MUSIC目标方向估计方法

技术领域

本发明涉及一种MIMO-UKF-MUSIC目标方向估计方法，属于阵列信号处理领域。

背景技术

MIMO(Multiple input muitiple output，多输入多输出)雷达***是雷达领域一种崭新的概念，己经显示出极大的潜力和优势。MIMO雷达以其多输入多输出的特点，在增加空间采样、反隐身、反电子对抗与干扰等方面具有独特的优势。为了保证自身生存能力，掌握制电磁权，实现对目标有效监测的目的，雷达***需要具有良好的方位分辨力，能够对目标方位快速、准确地辨别定位。因此，良好的目标方位估计性能就对MIMO雷达***探测目标信息具有十分重要的意义。

目前以多重信号分类(MUSIC)为表示的空间谱估计算法理论已经日趋成熟，但是在实际测向***中，往往存在起伏的目标信噪比与时变的强干扰，而且对于MIMO天波雷达来说，位于同一个距离-速度分辨单元内的多个目标的雷达信号是相干信号等，这些不利条件都会使MUSIC算法的估计性能受到影响甚至失效。所以，对其进行深入分析并提高MUSIC算法在非理想条件下的估计性能是亟需解决的问题。

发明内容

本发明的目的是为了解决现有目标方向估计过程中易受到起伏信噪比和时变强干扰的影响的缺点，而提出一种对目标方向的估计方法。

一种MIMO-UKF-MUSIC目标方向估计方法(MUSIC，是指MUSIC算法，是英文Multiple Signal Classification的简称，多信号分类算法；UKF，是英文Unscented KalmanFilter的简称，无损卡尔曼滤波)，所述目标方向估计方法通过以下步骤实现：

步骤一，在MIMO体制下多传感器阵列中得到多组DOA估计值以及多组DOD估计值，

步骤二，之后分别对DOA估计值以及DOD估计值滤波得到多组DOA估计滤波值以及多组DOD估计滤波值，求取多组DOA估计滤波值以及多组DOD估计滤波值的均值，得到最终的DOA估计以及最终的DOD估计；

步骤一中每组所述DOA估计滤波值的求取过程为：

步骤一一：将接收阵接收到的发射信号利用前后向空间平滑MUSIC算法进行DOA估计，将得到的DOA估计值通过UKF滤波器进行滤波去噪，得到DOA估计滤波值；

步骤一二：利用步骤一一得到的DOA估计滤波值构造阻塞矩阵，对干扰方向的信号进行阻塞抑制；

步骤一三：将阻塞抑制过的信号再次通过前后向空间平滑MUSIC算法进行DOA估计，之后通过UKF滤波器滤波，得到DOA估计滤波值；

每组所述DOD估计滤波值的求取过程为：

步骤一四：将发射阵接收到的接收信号利用前后向空间平滑MUSIC算法进行DOD估计，将得到的DOD估计值通过UKF滤波器进行滤波去噪，得到DOD估计滤波值；

步骤一五：利用步骤一四得到的DOD估计滤波值构造阻塞矩阵，对干扰方向的信号进行阻塞抑制；

步骤一六：将阻塞抑制过的信号再次通过前后向空间平滑MUSIC算法进行DOD估计，之后通过UKF滤波器滤波，得到DOD估计滤波值。

本发明的有益效果为：1、本算法采用前后向空间平滑算法对MUSIC算法中的接收数据协方差矩阵进行处理，解决了MIMO天波雷达体制下传统MUSIC算法在信号相干时估计性能严重下降的问题；2、通过UKF滤波器对MUSIC算法的量测进行滤波，有效提高了MIMO天波雷达的估计精度，取得了良好的去噪效果；3、利用量测的滤波值来构建阻塞矩阵，使得干扰得到有效抑制，而且相对于传统MUSIC算法，阻塞使干扰对目标方向估计的影响明显减小，提高了目标方向估计的精度。

附图说明

图1为本发明涉及的UKF-MUSIC算法的示意框图；

图2为本发明MIMO天波雷达发射阵与接收阵阵元之间对应关系的示意图；

图3为本发明MIMO天波雷达发射角DOA的估计方法示意框图；

图4为本发明MIMO天波雷达发射角DOD的估计方法示意框图；

图5为MUSIC算法单次DOD估计结果，标号1处表示在传统MUSIC算法下，目标2被强干扰遮盖，谱峰出现偏移现象的示意；图中横坐标表示DOD值，纵坐标表示空间谱归一化幅度；

图6为本发明算法单次DOD估计结果，标号2处表示本发明方法中，干扰被抑制，目标2的方向被有效估计；图中，横坐标表示DOD值，纵坐标表示空间谱归一化幅度；

图7为MUSIC算法单次DOA估计结果，标号3表示强干扰方向，标号4表示目标2方向(在传统MUSIC算法下，干扰未被阻塞)；图中，横坐标表示DOA值，纵坐标表示空间谱归一化幅度；

图8为本发明算法单次DOA估计结果，标号5表示目标2方向(在本发明方法下，干扰已被阻塞)；图中，横坐标表示DOA值，纵坐标表示空间谱归一化幅度。

具体实施方式

具体实施方式一：

本实施方式的MIMO-UKF-MUSIC目标方向估计方法，如图3和图4所示，所述目标方向估计方法通过以下步骤实现：

步骤一：在MIMO体制下多传感器阵列中得到多组DOA估计值以及多组DOD估计值，

步骤二：之后分别对DOA估计值以及DOD估计值滤波得到多组DOA估计滤波值以及多组DOD估计滤波值，求取多组DOA估计滤波值以及多组DOD估计滤波值的均值，得到最终的DOA估计以及最终的DOD估计；

如图1，步骤一中每组所述DOA估计滤波值的求取过程为：

步骤一一：将接收阵接收到的发射信号利用前后向空间平滑MUSIC算法进行DOA估计，将得到的DOA估计值通过UKF滤波器进行滤波去噪，得到DOA估计滤波值；

步骤一二：利用步骤一一得到的DOA估计滤波值构造阻塞矩阵，对干扰方向的信号进行阻塞抑制；

步骤一三：将阻塞抑制过的信号再次通过前后向空间平滑MUSIC算法进行DOA估计，之后通过UKF滤波器滤波，得到DOA估计滤波值；

如图2，每组所述DOD估计滤波值的求取过程为：

步骤一四：将发射阵接收到的接收信号利用前后向空间平滑MUSIC算法进行DOD估计，将得到的DOD估计值通过UKF滤波器进行滤波去噪，得到DOD估计滤波值；

步骤一五：利用步骤一四得到的DOD估计滤波值构造阻塞矩阵，对干扰方向的信号进行阻塞抑制；

步骤一六：将阻塞抑制过的信号再次通过前后向空间平滑MUSIC算法进行DOD估计，之后通过UKF滤波器滤波，得到DOD估计滤波值。

具体实施方式二：

实施例一所述的MIMO-UKF-MUSIC目标方向估计方法，步骤一一中步骤一四中所述前后向空间平滑MUSIC算法具体为：

第一，进行协方差矩阵的计算：其中，

前向平滑协方差为：p表示划分的子阵个数且p＝M-m+1，M为阵元数，m为每个子阵的阵元数，其中，S_i表示子阵数据协方差，A^H表示阵列导向矢量矩阵A的共轭转置，I表示单位矩阵，P^f表示前向平滑协方差矩阵且 $P^f=\frac{1}{p}\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{D}^{i-1}P{\left(D^{i-1}\right)}^H,$ P代表信号协方差矩阵， $D=\left[\begin{array}{cccc}{e}^{j{\mathrm{\&beta;}}_1}& 0& ...& 0\\ 0& e^{j{\mathrm{\&beta;}}_2}& ...& 0\\ ...& ...& ...& ...\\ 0& 0& ...& e^{j{\mathrm{\&beta;}}_D}\end{array}\right],$ 其中d为阵元间距，θ_i(i＝1，2，…，D，D<m)为入射方向的角度，λ为入射信号波长；

后向平滑协方差为：其中，p表示划分的子阵个数，p＝M-m+1，M为阵元数，m为每个子阵的阵元数，p表示划分的子阵个数，其中，表示第p-i+1个子阵数据协方差，A^H表示阵列导向矢量矩阵A的共轭转置，I表示单位矩阵，Pb表示后向平滑信号协方差矩阵且P代表信号协方差矩阵，

所述前向平滑协方差与后向平滑协方差中每个子阵协方差矩阵为：

$S_k\stackrel{\mathrm{\&Delta;}}{=}\stackrel{\&OverBar;}{X_k{X}_k^{*}}={\mathrm{AD}}^{(k-1)}P\left[{\left(D^{-1}\right)}^H\right]A^H+{\mathrm{\&sigma;}}^{2}I,$

信号协方差矩阵 $P\stackrel{\mathrm{\&Delta;}}{=}\stackrel{\&OverBar;}{{\mathrm{FF}}^{*}},$ 其中，入射信号 $F={[f_1\left(\hat{i}\right),f_2\left(\hat{i}\right),...,f_D\left(\hat{i}\right)]}^T,$ 表示入射信号分量，定义变量以描述二维距离速度谱信号谱峰位置，其中r_bin表示距离门，v_bin表示速度门，

子阵接收数据为： $X_k\left(\hat{i}\right)=[x_k,x_{k+1},...,x_{k+m-1}]={\mathrm{AD}}^{(k-1)}F\left(\hat{i}\right)+{\mathrm{\&eta;}}_k\left(\hat{i}\right),$ 其中，表示加性高斯白噪声，A为阵列导向矩阵为且A＝[a(θ₁),a(θ₂),…,a(θ_D)]，a(θ_i)为导向矢量且a(θ_i)＝[exp(-jωτ_1i),exp(-jωτ_2i),…,exp(-jωτ_ki),…,exp(-jωτ_mi)]^T；τ_ki为延时时间且m为每个子阵的阵元数，d为阵元间距，θ_i(i＝1，2，…，D，D<m)为入射方向的角度，ω为角频率且ω＝2πf，f为载频，D为信号源个数，j为虚数单位，c为光速，λ为入射信号波长；

第二，对S^fb进行特征分解，得S^fb＝UΣU^H，U为特征矢量矩阵，Σ为由特征值组成的对角阵且满足λ₁≥λ₂≥…≥λ_D≥λ_D+1＝…＝λ_m＝σ²，将分解后的个最小特征值λ_min对应的特征向量组成噪声子空间E_N，得空间谱函数为 $P_{\mathrm{MUSIC}}\left(\mathrm{\&theta;}\right)=\frac{1}{a^{*}\left(\mathrm{\&theta;}\right)E_N{E}_N^{*}a\left(\mathrm{\&theta;}\right)},$ 则DOA估计值为： ${\mathrm{\&theta;}}_{\mathrm{MUSIC}}=\arg \min a^{*}\left(\mathrm{\&theta;}\right)E_N{E}_N^{*}a\left(\mathrm{\&theta;}\right);$ 其中，表示入射信号的估计数量，E_N为协方差矩阵特征分解后的噪声特征向量所构成的噪声空间，为E_N的复共轭，a(θ)为导向矢量，a^*(θ)为a(θ)的复共轭；

第三，将上一步得到的DOA估计值θ_MUSIC通过UKF滤波器进行滤波。

具体实施方式三：

根据具体实施方式二所述MIMO-UKF-MUSIC目标方向估计方法，所述子阵个数p为：p＝D+1；其中，D为信号源个数。

具体实施方式四：

根据具体实施方式一、二或三所述MIMO-UKF-MUSIC目标方向估计方法，步骤一三以及步骤一六中所述UKF滤波器进行滤波去噪，k+1时刻目标离散状态方程为：X(k+1)＝Φ(k)X(k)+G(k)V(k)；其中，Φ(k)表示k时刻n×n阶的状态转移矩阵，X(k)为n维***状态向量，G(k)是n×n维过程噪声分布矩阵，V(k)为n维过程噪声，是零均值、协方差的Gauss白噪声，

当所测目标角度固定或线性变化时，其***状态向量为状态转移矩阵F和G分别为： $F=\left[\begin{array}{cc}1& T\\ 0& 1\end{array}\right],$ $G\left(k\right)=\left[\begin{array}{cc}{0.5T}^2& 0\\ T& 0\end{array}\right];$

观测方程为：Z(k)＝X(k)+W(k)，其中，Z(k)是m维向量，表示k时刻的量测向量，W(k)是m维量测噪声；

测量噪声方差为： 为角度估计误差的协方差。

具体实施方式五：

根据具体实施方式四所述MIMO-UKF-MUSIC目标方向估计方法，设步骤一二和步骤一五中所述干扰信号方向为θ_j，令构造阻塞系数b＝exp(jωτ₁)，构造阻塞矩阵当对DOA估计时，M＝M_r，阻塞后的信号为y_DOA＝Tx；当对DOD估计时，M＝M_t，阻塞后的信号为y_DOD＝Tx；其中，x表示雷达接收数据。

具体实施方式六：

根据具体实施方式一、二、三或五所述MIMO-UKF-MUSIC目标方向估计方法，在由M_t元均匀线阵发射阵、M_r元均匀线阵接收阵组成的MIMO体制下传感器阵列***中，对于准单基地MIMO天波雷达，由于发射阵和接收阵的距离相对于探测目标对雷达的距离很小，所以相对MIMO天波雷达距离相等的发射阵和接收阵，其对应的发射方向DOD和接收方向DOA近似相等，发射阵与接收阵阵元间对应关系如图2所示，所述发射阵阵元数为M_t，所述接收阵阵元数为M_r，则每一个所述接收阵阵元有M_t个发射阵阵元与之对应，所述接收阵任意一个接收阵元k(k＝1,2,…M_r)都有一个M_r个接收阵阵元估计的DOD_k与之对应，得到：在由M_t元均匀线阵发射阵、M_r元均匀线阵接收阵组成的MIMO体制下传感器阵列***中得到：

M_t组M_r元发射阵估计得到的DOA估计角度表达式为DOA_k(k＝1,2,…M_t)，则最终的DOA估计为 $\mathrm{DOA}=\frac{1}{M_t}\underset{k=1}{\overset{M_t}{\mathrm{\&Sigma;}}}{\mathrm{DOA}}_k;$ 计算流程如图3所示；

M_r组M_t元发射阵估计得到的DOD估计角度表达式为DOD_k(k＝1,2,…M_r)，则最终的DOD估计为 $\mathrm{DOD}=\frac{1}{M_r}\underset{k=1}{\overset{M_r}{\mathrm{\&Sigma;}}}{\mathrm{DOD}}_k,$ 计算流程如图4所示。

实验1：验证DOA估计的精度与信号个数D和子阵个数p之间的关系。

设置一组入射方向各不相同的相干信号，信噪比为5dB，均匀线阵阵元数为20，利用前后向空间平滑MUSIC算法对信号来波方向进行DOA估计，在分别改变信号个数D和子阵个数p的情况下，进行400次独立仿真实验，统计得到的RMSE结果，如表1所示：

表1DOA估计精度与信号个数D和子阵个数p的关系

(D为信号源个数，p为子阵个数，表内数据为RMSE)

结果分析：从表中的数据得出，当选取的子阵个数为p＝D+1(D为信号源个数)及其附近时，算法的估计RMSE最小，精度越高。所以在应用前后向空间平滑MUSIC算法时，子阵个数的选取依据为p＝D+1。

实验2：设MIMO天波雷达的发射阵元数为M_t＝8，接收阵元数为M_r＝32，阵元间隔为d_t＝d_r＝λ/2，3个信号源的方向分别为-60°，0°，70°(依次为目标1、目标2、目标3)，干扰信号方向为-2.5°信噪比在20-25dB间起伏，快拍数为100。验证结果如图5—图8所示。

(1)MIMO天波雷达发射阵DOD估计，如图5、图6所示：

表2MIMO天波雷达DOD估计MUSIC算法和本发明算法的RMSE比较

(2)MIMO天波雷达接收阵DOA估计，如图7、图8所示：

表3MIMO天波雷达DOA估计MUSIC算法和本发明算法的RMSE比较

注：RMSE(Root Mean Square Error，均方根误差)。

可以看到，DOD估计时(如图5、图6所示)，对于传统的MUSIC算法，目标2已被干扰遮盖，其空间谱峰发生较大偏移，无法有效估计其方向；而本发明算法通过滤波、阻塞处理后，可以将目标2有效检测出来，同时对其他目标方向的估计精度也有提高(见表2)；DOA估计时(如图7、图8所示)，由于接收阵阵元个数相对于发射阵大很多，所以对于传统的MUSIC算法，也能将目标2分辨出来，但应用本方法后，提高了其方向估计精度(见表3)。

Claims (6)

1.一种MIMO-UKF-MUSIC目标方向估计方法，其特征在于：所述目标方向估计方法通过以下步骤实现：

步骤一：在MIMO体制下多传感器阵列中得到多组DOA估计值以及多组DOD估计值，

步骤二：之后分别对DOA估计值以及DOD估计值滤波得到多组DOA估计滤波值以及多组DOD估计滤波值，求取多组DOA估计滤波值以及多组DOD估计滤波值的均值，得到最终的DOA估计以及最终的DOD估计；

步骤一中每组所述DOA估计滤波值的求取过程为：

步骤一一：将接收阵接收到的发射信号利用前后向空间平滑MUSIC算法进行DOA估计，将得到的DOA估计值通过UKF滤波器进行滤波去噪，得到DOA估计滤波值；

步骤一二：利用步骤一一得到的DOA估计滤波值构造阻塞矩阵，对干扰方向的信号进行阻塞抑制；

步骤一三：将阻塞抑制过的信号再次通过前后向空间平滑MUSIC算法进行DOA估计，之后通过UKF滤波器滤波，得到DOA估计滤波值；

每组所述DOD估计滤波值的求取过程为：

步骤一四：将发射阵接收到的接收信号利用前后向空间平滑MUSIC算法进行DOD估计，将得到的DOD估计值通过UKF滤波器进行滤波去噪，得到DOD估计滤波值；

步骤一五：利用步骤一四得到的DOD估计滤波值构造阻塞矩阵，对干扰方向的信号进行阻塞抑制；

步骤一六：将阻塞抑制过的信号再次通过前后向空间平滑MUSIC算法进行DOD估计，之后通过UKF滤波器滤波，得到DOD估计滤波值。

2.根据权利要求1所述MIMO-UKF-MUSIC目标方向估计方法，其特征在于：步骤一一中步骤一四中所述前后向空间平滑MUSIC算法具体为：

第一，进行协方差矩阵的计算：其中，

前向平滑协方差为：p表示划分的子阵个数且p＝M-m+1，M为阵元数，m为每个子阵的阵元数，其中，S_i表示子阵数据协方差，A^H表示阵列导向矢量矩阵A的共轭转置，I表示单位矩阵，P^f表示前向平滑协方差矩阵且 $P^f=\frac{1}{p}\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{D}^{i-1}P{\left(D^{i-1}\right)}^H,$ P代表信号协方差矩阵， $D=\left[\begin{array}{cccc}{e}^{j{\mathrm{\&beta;}}_1}& 0& ...& 0\\ 0& e^{j{\mathrm{\&beta;}}_2}& ...& 0\\ ...& ...& ...& ...\\ 0& 0& ...& e^{j{\mathrm{\&beta;}}_D}\end{array}\right],$ 其中d为阵元间距，θ_i(i＝1，2，…，D，D<m)为入射方向的角度，λ为入射信号波长；

后向平滑协方差为：其中，p表示划分的子阵个数，p＝M-m+1，M为阵元数，m为每个子阵的阵元数，p表示划分的子阵个数，其中，表示第p-i+1个子阵数据协方差，A^H表示阵列导向矢量矩阵A的共轭转置，I表示单位矩阵，P^b表示后向平滑信号协方差矩阵且P代表信号协方差矩阵；

所述前向平滑协方差与后向平滑协方差中每个子阵协方差矩阵为：

$S_k\stackrel{\mathrm{\&Delta;}}{=}\stackrel{\&OverBar;}{X_k{X}_k^{*}}={\mathrm{AD}}^{(k-1)}P\left[{\left(D^{-1}\right)}^H\right]A^H+{\mathrm{\&sigma;}}^{2}I,$

信号协方差矩阵 $P\stackrel{\mathrm{\&Delta;}}{=}\stackrel{\&OverBar;}{{\mathrm{FF}}^{*}},$ 其中，入射信号 $F={[f_1\left(\hat{i}\right),f_2\left(\hat{i}\right),...,f_D\left(\hat{i}\right)]}^T,$ 表示入射信号分量，定义变量以描述二维距离速度谱信号谱峰位置，其中r_bin表示距离门，v_bin表示速度门；

子阵接收数据为： $X_k\left(\hat{i}\right)=[x_k,x_{k+1},...,x_{k+m-1}]={\mathrm{AD}}^{(k-1)}F\left(\hat{i}\right)+{\mathrm{\&eta;}}_k\left(\hat{i}\right),$ 其中，表示加性高斯白噪声，A为阵列导向矩阵为且A＝[a(θ₁),a(θ₂),…,a(θ_D)]，a(θ_i)为导向矢量且a(θ_i)＝[exp(-jωτ_1i),exp(-jωτ_2i),…,exp(-jωτ_ki),…,exp(-jωτ_mi)]^T；τ_ki为延时时间且m为每个子阵的阵元数，d为阵元间距，θ_i(i＝1，2，…，D，D<m)为入射方向的角度，ω为角频率且ω＝2πf，f为载频，D为信号源个数，j为虚数单位，c为光速，λ为入射信号波长；

第二，对S^fb进行特征分解，得S^fb＝UΣU^H，U为特征矢量矩阵，Σ为由特征值组成的对角阵且满足λ₁≥λ₂≥…≥λ_D≥λ_D+1＝…＝λ_m＝σ²，将分解后的个最小特征值λ_min对应的特征向量组成噪声子空间E_N，得空间谱函数为 $P_{\mathrm{MUSIC}}\left(\mathrm{\&theta;}\right)=\frac{1}{a^{*}\left(\mathrm{\&theta;}\right)E_N{E}_N^{*}a\left(\mathrm{\&theta;}\right)},$ 则DOA估计值为： ${\mathrm{\&theta;}}_{\mathrm{MUSIC}}=\arg \min a^{*}\left(\mathrm{\&theta;}\right)E_N{E}_N^{*}a\left(\mathrm{\&theta;}\right);$ 其中，表示入射信号的估计数量，E_N为协方差矩阵特征分解后的噪声特征向量所构成的噪声空间，为E_N的复共轭，a(θ)为导向矢量，a^*(θ)为a(θ)的复共轭；

第三，将上一步得到的DOA估计值θ_MUSIC通过UKF滤波器进行滤波。

3.根据权利要求2所述MIMO-UKF-MUSIC目标方向估计方法，其特征在于：所述子阵个数p为：p＝D+1，D为信号源个数。

4.根据权利要求1、2或3所述MIMO-UKF-MUSIC目标方向估计方法，其特征在于：步骤一三以及步骤一六中所述UKF滤波器进行滤波去噪，k+1时刻目标离散状态方程为：X(k+1)＝Φ(k)X(k)+G(k)V(k)；其中，Φ(k)表示k时刻n×n阶的状态转移矩阵，X(k)为n维***状态向量，G(k)是n×n维过程噪声分布矩阵，V(k)为n维过程噪声，是零均值、协方差的高斯白噪声，

当所测目标角度固定或线性变化时，其***状态向量为状态转移矩阵F和G分别为： $F=\left[\begin{array}{cc}1& T\\ 0& 1\end{array}\right],$ $G\left(k\right)=\left[\begin{array}{cc}{0.5T}^2& 0\\ T& 0\end{array}\right];$

观测方程为：Z(k)＝X(k)+W(k)，其中，Z(k)是m维向量，表示k时刻的量测向量，W(k)是m维量测噪声；

测量噪声方差为：R＝diag[σ_θ ²]，σ_θ ²为角度估计误差的协方差。

5.根据权利要求4所述MIMO-UKF-MUSIC目标方向估计方法，其特征在于：设步骤一二和步骤一五中所述干扰信号方向为θ_j，令构造阻塞系数b＝exp(jωτ₁)，构造阻塞矩阵当对DOA估计时，M＝M_r，阻塞后的信号为y_DOA＝Tx；当对DOD估计时，M＝M_t，阻塞后的信号为y_DOD＝Tx；其中，x表示雷达接收数据。

6.根据权利要求1、2、3或5所述MIMO-UKF-MUSIC目标方向估计方法，其特征在于：在由M_t元均匀线阵发射阵、M_r元均匀线阵接收阵组成的MIMO体制下传感器阵列***中得到：

M_t组M_r元发射阵估计得到的DOA估计角度表达式为DOA_k(k＝1,2,…M_t)，则最终的DOA估计为 $\mathrm{DOA}=\frac{1}{M_t}\underset{k=1}{\overset{M_t}{\mathrm{\&Sigma;}}}{\mathrm{DOA}}_k;$

M_r组M_t元发射阵估计得到的DOD估计角度表达式为DOD_k(k＝1,2,…M_r)，则最终的DOD估计为 $\mathrm{DOD}=\frac{1}{M_r}\underset{k=1}{\overset{M_r}{\mathrm{\&Sigma;}}}{\mathrm{DOD}}_k.$