CN107064892B - 基于张量子空间和旋转不变的mimo雷达角度估计算法 - Google Patents
基于张量子空间和旋转不变的mimo雷达角度估计算法 Download PDFInfo
- Publication number
- CN107064892B CN107064892B CN201611003187.6A CN201611003187A CN107064892B CN 107064892 B CN107064892 B CN 107064892B CN 201611003187 A CN201611003187 A CN 201611003187A CN 107064892 B CN107064892 B CN 107064892B
- Authority
- CN
- China
- Prior art keywords
- tensor
- subspace
- matrix
- model
- order
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于张量子空间和旋转不变的MIMO雷达角度估计算法,其通过构建接收数据的三阶张量模型,进而构建张量数据的高阶协方差张量模型,充分挖掘阵列信号的内部相关结构;然后对张量数据进行HOSVD,并构建新的信号子空间,从而获取高精度的噪声子空间;最后利用阵列数据的旋转不变特性,通过约束优化的方法和拉格朗日乘子法获取配对的DOD与DOA,无需进一步进行配对计算。本发明所述MIMO雷达角度估计算法,其利用接收信号的内部相关结构,角度估计精度更高,从而获得更为精确的目标DOD与DOA,为进一步对探测目标的相关处理提供更合理的参考,且无需谱峰搜索,计算复杂度较低。
Description
技术领域
本发明涉及一种雷达信号处理技术,具体的说涉及一种基于张量子空间和旋转不变的MIMO雷达角度估计算法。
背景技术
多输入多输出(Multiple-input Multiple-output,MIMO)雷达是一种全新体制的雷达***,它利用多个阵元同步地发射和接收信号。相比传统相控阵雷达***,MIMO雷达在分辨率、抗衰落性、可辨识性以及抑制噪声等方面具有潜在的优势。根据MIMO雷达收发阵元的位置分布的不同,可以将MIMO雷达划分为两类:统计MIMO雷达和共址MIMO雷达。其中,统计MIMO雷达采样分布式收发阵元配置,其可以有效的抑制目标的闪烁效应;共址MIMO雷达中的发射阵元和接收阵元往往相距较近,这种雷达可以获得高精度的目标角度估计。本发明主要关注双基地MIMO雷达,其为共址雷达中的重要一类。
联合波离角(Direction of Departute,DOD)与波达角(Direction of Arrival)估计是双基地MIMO雷达目标定位的任务之一,这个问题目前已被广泛研究。目前已经有众多DOD和DOA估计,典型的代表有多重谱峰分类(Multiple Signal Classification,MUSIC)算法、基于旋转不变技术的参数估计 (Estimation Method of Signal Parameters viaRotational,ESPRIT)算法、传播算子(Propagator Method)算法、高阶子空间分解(HigherOrder Singular Value Decomposition,HOSVD)算法、平行因子(Parallel Factor,PARAFAC) 算法、基于稀疏表示的估计算法等等。但上述算法只适用于理想阵列条件下MIMO雷达角度估计,在实际工程中,由于各个阵元放大器增益的不一致,阵列接收信号会存在增益-相位误差(Gain-Phase Error,GPE)。在GPE的影响下,传统的角度估计算法性能会下降,严重时甚至是完全失效。MIMO雷达中的GPE问题已经引起部分学者的注意,目前已经有一部分学者提出相关的解决算法。刘小莉等人提出一种MUSIC-Like算法(刘小莉,廖桂生.双基地MIMO雷达多目标定位及幅相误差估计[J].电子学报,2011,39(3):596-601),但该算法只利用了第一个收发阵元的相关数据,角度估计孔径没有有效利用。且该算下采样迭代的方法和MUSIC思想进行角度估计,计算复杂度高;Li等人提出一种降维MUSIC(RD-MUSIC)算法(J.Li,X.Zhang,R.Cao,et al.Reduced-dimension music for angle and array gain-phase error estimation in bistatic MIMO radar[J],IEEE Communications Letters,2013,17(3):443-446),该算法对已校准阵元的位置不敏感,且适用于非均匀阵列,但该算法需要进行谱峰搜索,因而其计算复杂度高,且会存在网格不匹配问题;Guo等人提出一种ESPRIT-Like算法(Y.D.Guo,Y.S.Zhang,N.N.Tong.Esprit-like angle estimation forbistatic MIMO radar with gain and phase uncertainties[J], ElectronicsLetters,2011,47(17):996-997),其采用阵列的旋转不变性进行角度估计,计算复杂度低;RD-MUSIC算法和ESPRIT算法均利用接收信号的子空间进行参数估计,其需要对接收数据进行特征值分解(Eigenvalue Decomposition,EVD),计算复杂度较高,Chen等人提出一种无需EVD的算法——PM-Like算法(C.Chen,X.F.Zhang.Joint angle and array gain-phaseerrors estimation using PM-like algorithm for bistatic MIMO radar[J],Circuits System Signal Process,2013,32(3):1293-1311),其相比 ESPRIT-Like算法计算复杂度更低;Li等人提出一种改进的ESPRIT(I-ESPRIT) 算法(J.Li,M.Jin,Y.Zheng,G.Liao,Transmit and receive array gain phase error estimation in bistaticMIMO radar[J],IEEE Antennas and Wireless Propagation Letters,2015,14:32-35),该算法无需对GPE进行估计,计算复杂度较低。但I-ESPRIT只利用了两个已校准的发射和接收阵元的接收数据,其角度估计估计过程对噪声敏感,而且该算法需要额外的配对所估计的参数;为利用阵列数据的内部多维特性,Li等人提出一种PARAFAC-Like算法(J.Li,X.F.Zhang,X.Gao.A joint scheme for angle and array gain phase errorestimation in bistatic MIMO radar[J],IEEE Geoscience and Remote SensingLetters.2013,10(6):1478-1482),但该算法首先需要估计阵列的GPE,而估计GPE过程误差具有累计效应,导致GPE估计往往不精确,从而影响其角度估计的精度。
发明内容
鉴于以上原因,有必要提供一种角度估计精度更高、且无需谱峰搜索、计算复杂度较低的基于张量子空间和旋转不变的MIMO雷达角度估计算法。
本发明提供一种基于张量子空间和旋转不变的MIMO雷达角度估计算法,所述基于张量子空间和旋转不变的MIMO雷达角度估计算法包括如下步骤:
S1、构建目标回波信号的三阶张量模型,通过张量模型结构构建接收信号的高阶协方差张量模型;
S2、对高阶协方差张量模型进行高阶奇异值分解,并构建新的信号子空间,获取高精度的噪声子空间;
S3、构造阵列数据的旋转不变模型,根据约束优化的方法和拉格朗日乘子法估计出GPE的相关信息,获取配对的DOD与DOA;
其中,旋转不变特性的函数如下:
式中,Bt1=At1⊙(CrAr),Bt2=At2⊙(CrAr),Br1=(CtAt)⊙Ar1和Br2=(CtAt)⊙Ar2,且At1和At2分别代表At的前M-1行与后M-1行,Ar1和Ar2分别代表Ar的前N-1行与后N-1行。
本发明所述基于张量子空间和旋转不变的MIMO雷达角度估计算法,其通过构建接收数据的三阶张量模型,进而构建张量数据的高阶协方差张量模型,充分挖掘阵列信号的内部相关结构;然后对张量数据进行HOSVD,并构建新的信号子空间,从而获取高精度的噪声于空间;最后利用阵列数据的旋转不变特性,通过约束优化的方法和拉格朗日乘子法获取配对的DOD与DOA,无需进一步进行配对计算。本发明所述MIMO雷达角度估计算法,其利用接收信号的内部相关结构,角度估计精度更高,从而获得更为精确的目标DOD与DOA,为进一步对探测目标的相关处理提供更合理的参考,且无需谱峰搜索,计算复杂度较低。
附图说明
图1是双基地MIMO雷达角度估计示意图;
图2是本发明所述基于张量子空间和旋转不变的MIMO雷达角度估计算法在 SNR=5dB时的角度估计散点图;
图3是本发明所述基于张量子空间和旋转不变的MIMO雷达角度估计算法在 SNR=15dB时角度估计的散点图;
图4是本发明所述基于张量子空间和旋转不变的MIMO雷达角度估计算法与其他算法的RMSE比较;
图5是本发明所述基于张量子空间和旋转不变的MIMO雷达角度估计算法与其他算法的PSD对比;
图6是本发明所述基于张量子空间和旋转不变的MIMO雷达角度估计算法在不同SNR和L条件下的RMSE性能;
图7是本发明所述基于张量子空间和旋转不变的MIMO雷达角度估计算法在不同SNR和L条件下的PSD性能。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于张量子空间和旋转不变的MIMO雷达角度估计算法,所述基于张量子空间和旋转不变的MIMO雷达角度估计算法包括如下步骤:
S1、构建目标回波信号的三阶张量模型,通过张量模型结构构建接收信号的高阶协方差张量模型;
S2、对高阶协方差张量模型进行高阶奇异值分解,并构建新的信号子空间,获取高精度的噪声子空间;
S3、构造阵列数据的旋转不变模型,根据约束优化的方法和拉格朗日乘子法估计出GPE的相关信息,获取配对的DOD与DOA。
具体的,首先引入关于张量模型的三个操作定义:
X×n·A×m·B=X×m·B×n·A,m≠n
X×n·A×m·B=X×n·(B·A) 表达式1
本发明所涉及的双基地MIMO雷达联合DOD与DOA估计的模型如附图1所示。假设天线***由M个发射阵元和N个接收阵元构成,二者均为线性阵列,且收发阵元的间距均为λ/2,λ为发射载波的波长。假设发射阵列与接收阵列均存在 GPE,第m个(m=1,2,…,M)发射阵元的GPE为第n个(n=1,2,…,N)接收阵元的GPE为不失一般性,假设发射阵列的前mt个(1≤mt≤M)个阵元与接收阵列的前nr个(1≤nr≤N)个阵元均已经校准,即若K 个非相干点目标位于雷达阵列远场位置,且第k个(1≤k≤K)点目标的方位是其中为目标相对发射天线阵列的DOD,θk为目标相对于接收阵列的DOA。另外,假设发射阵元的基带波形为相互正交的编码信号,则接收阵列匹配滤波后的数字信号可表示为X=[CtAt⊙CrAr]ST+N=AST+N 表达式3
上式中,为发射方向矩阵,为发射导引矢量,其第m(m=1,…,M)个元素为为接收方向矩阵,为接收导引矢量,其第n(n=1,…,N)个元素为Ct=Diag{ct}为发射GPE矩阵,Diag{·}为对角化操作,为发射GPE矢量;Cr=Diag{ct}为接收GPE矩阵,为接收GPE矢量;为目标RCS系数,并假设所有目标的RCS在L个接收快拍内满足Swerling-II(快起伏)模型;N为接收的噪声矩阵,并假设满足高斯白噪声模型;可以被视为维数为MN×K的虚拟方向矩阵,其中⊙为Khatri-Rao积(按列克罗内克积),可被视为虚拟的导向矢量,表示克罗内克积。表达式3可以被看作是接收信号的矩阵模型,利用Tucker张量模型,可以将接收的列信号重新表述成一个阶数为3、秩为K的张量X,其第(m,n,l)个位置的元素为
上式中,At(m,k)表示At中的第(m,k)个元素,其他的表示方法与此类似。
令R为接收信号的协方差矩阵,在实际的工程中,其可以用接收样本来估计 R≈XXH/L。由于R是一个Hermitian矩阵,因此可以对其进行特征值分解 (EigenvalueDecomposition,EVD))
其中,∑=Diag(λ1,...,λMN),且按λ1≥…≥λK>λK+1=…=λMN排列,∑s代表由前K个大的特征值组成的对角矩阵,Us为相应的特征值对应的特征向量,其可以被认为是信号子空间;∑n代表由剩余的MN-K个较小的特征值组成的对角矩阵,Un为相应的特征值对应的特征向量,其可以被视为噪声子空间。RD-MUSIC 算法和ESPRIT算法就是在子空间的基础上进行参数估计的,但是基于矩阵模型的子空间分解获得的子空间精度有限,因此参数估计性能可进一步被提升。本发明采用张量协方差的方法获取相应的子空间,具体的原理如下。首先构建一个4阶的接收信号的张量协方差模型,其(m,n,p,q)个元素为
类似地,R为一个Hermitian张量,其HOSVD过程可以表示为
R=G×1·U1×1·U2×2·U3×3·U4 表达式7
Rs=Gs×1·U1s×1·U2s×2·U3s×3·U4s 表达式8
根据定义3,同时根据表达式5中的矩阵R同Rs的关系,可以构建一个新的信号子空间矩阵Rs,其构造方法为
由于Us与虚拟方向矩阵A张成相同的子空间,因此存在一个满秩矩阵T使得
Es=AT=[CtAt⊙CrAr]T 即Es与A张成相同的子空间。
考虑均匀线性阵列的旋转不变特性,可利用阵列的特殊结构进行角度估计。令At1和At2分别代表At的前M-1行与后M-1行,Ar1和Ar2分别代表Ar的前N-1行与后N-1行。定义Bt1=At1⊙(CrAr),Bt2=At2⊙(CrAr),Br1=(CtAt)⊙Ar1和Br2=(CtAt)⊙Ar2,由 ESPRIT的原理可知,阵列存在如下的旋转不变特性
上式中Ct1=Diag(ct1),Ct2=Diag(ct2),Cr1=Diag(cr1),Cr2=Diag(cr2),其中ct1、ct2分别为ct的前M-1行与后M-1行,cr1、cr2分别为cr的前N-1行与后N-1行,IN表示维数为N×N维单位矩阵。类似于Bt1与Bt2、Br1与Br2的旋转不变关系,可以获得Et1与Et2、Et1与Et2的旋转不变关系
其中,Ψt=T-1ΦtT,Ψr=T-1ΦrT。其中Ψt与Ψr分别含有目标的DOD与DOA信息,但由于表达式15中Ct12,Cr12,Ψt与Ψr均未知,因而表达式15无具体的解。但可以将表达式15的求解转化为如下一个约束优化问题
其中,e1=[1,01×(M-1)N]T,e2=[1,01×M(N-1)]T,01×(M-1)N为维数为1×(M-1)N维的列向量。
表达式16的最小二乘解为
利用拉格朗日乘子法,可得
当pt和pr被估计出来后,将其带入表达式17,即可获得Ψt和Ψr的估计。由于Ψt和Ψr是对角矩阵,因此,通过对其进行特征值分解,通过对特征值取相位,并求反正弦,即可获得目标的DOD与DOA。由于Ψt和Ψr有相同的特征矢量,因此所获得的DOD与DOA是自动配对的。
本发明对所提出的基于张量子空间和旋转不变的MIMO雷达角度估计算法进行了大量的仿真实验,图1是双基地MIMO雷达角度估计示意图。
仿真中假设K=3个目标处于远场,其DOA和DOD分别为和仿真实验中发射阵元的个数M=8,接收阵元数的个数N=8,二者均为均匀线性阵列,阵元间距均为λ/2,L为快拍数目。发射GPE向量ct=[1,1,1,1.21ej0.12,1.10ej1.35,0.89ej0.98,1.35ej2.65,0.92ej1.97],接收GPE向量为 cr=[1,1,0.94ej1.12,1.23ej2.35,1.49ej0.58,0.75ej0.65,0.52ej1.22,2.10ej0.89]。仿真中的信噪比(signal-to-noise ratio,SNR)定义为对所有算法进行200次蒙特卡洛仿真。同本发明所提算法对比的算法有ESPRIT-Like算法、PM-Like算法、PARAFAC-Like算法、I-ESPRIT算法和克拉美罗界(Cramér -Rao Bound,CRB)。
附图2和附图3为本发明所提算法在SNR=5dB和SNR=15dB时的估计散点图,其中L=200。图中,‘X’代表目标的真实方位,‘.’代表本发明算法的估计值。从仿真结果可以看出,所提算法能有效的估计目标的DOD和DOA,并能准确的将所估计的角度配对,且SNR越高,估计精度越高。
为比较本发明所提算法同现有算法估计精度的比较,角度估计的精度用均方根误差(root mean squared error,RMSE)和成功检测概率(Probability of SuccessfulDetection,PSD)来评价,其中RMSE定义为:
附图4和附图5分别给出了所提算法同其它算法的RMSE性能与PSD性能的比较,其中L=200。由仿真结果可知,随着SNR的增加,所有算法的估计精度部有所提升。但所提算法估计精度明显优于所提其他算法,这是因为本发明所提的张量子空间方法能够有效的抑制子空间中的噪声,因此相比传统子空间方法,所提算法能获得更精确的子空间估计,因此所提算法角度估计效果更优。尽管 PARAFAC-Like算法也利用了接收信号的多维结构,但其估计GPE过程存在误差累计效应,估计的GPE在低信噪比条件下误差较大,因此会严重影响角度估计的精度。
附图6与附图7分别给出了本发明所提算法在不同的L和SNR条件下参数估计的性能。由仿真结果可知,SNR和L越大,角度估计的效果越好,因为SNR 越大,L越大,子空间估计的精度越高,相应的,角度估计就会越精确。
本发明所述基于张量子空间和旋转不变的MIMO雷达角度估计算法,其通过构建接收数据的三阶张量模型,进而构建张量数据的高阶协方差张量模型,充分挖掘阵列信号的内部相关结构;然后对张量数据进行HOSVD,并构建新的信号子空间,从而获取高精度的噪声子空间;最后利用阵列数据的旋转不变特性,通过约束优化的方法和拉格朗日乘子法获取配对的DOD与DOA,无需进一步进行配对计算。本发明所述MIMO雷达角度估计算法,其利用接收信号的内部相关结构,角度估计精度更高,从而获得更为精确的目标DOD与DOA,为进一步对探测目标的相关处理提供更合理的参考,且无需谱峰搜索,计算复杂度较低。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于张量子空间和旋转不变的MIMO雷达角度估计算法,其特征在于,包括如下步骤:
S1、构建目标回波信号的三阶张量模型,通过张量模型结构构建接收信号的高阶协方差张量模型;
S2、对高阶协方差张量模型进行高阶奇异值分解,并构建新的信号子空间,获取高精度的噪声子空间;具体包括如下分步骤:
S21、构建一个4阶的接收信号的张量协方差模型R;
S22、根据张量协方差模型R用截短的HOSVD来构建一个信号子空间矩阵RS;
S23、对信号子空间矩阵RS进行EVD分解获得一个新的信号子空间ES,ES与虚拟方向矩阵A张成相同的子空间;
S3、构造阵列数据的旋转不变模型,根据约束优化的方法和拉格朗日乘子法估计出GPE的相关信息,获取配对的DOD与DOA;其中,旋转不变特性的函数如下:
3.根据权利要求2所述基于张量子空间和旋转不变的MIMO雷达角度估计算法,其特征在于,当发射阵元的基带波形为相互正交的编码信号时,则目标回波信号的矩阵模型表示为:
X=[CtAt⊙CrAr]ST+N=AST+N;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611003187.6A CN107064892B (zh) | 2016-11-11 | 2016-11-11 | 基于张量子空间和旋转不变的mimo雷达角度估计算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611003187.6A CN107064892B (zh) | 2016-11-11 | 2016-11-11 | 基于张量子空间和旋转不变的mimo雷达角度估计算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107064892A CN107064892A (zh) | 2017-08-18 |
CN107064892B true CN107064892B (zh) | 2020-08-07 |
Family
ID=59619069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611003187.6A Active CN107064892B (zh) | 2016-11-11 | 2016-11-11 | 基于张量子空间和旋转不变的mimo雷达角度估计算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107064892B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445442B (zh) * | 2018-02-28 | 2020-08-18 | 西安交通大学 | 一种基于截断的奇异值分解的近场信号源定位方法 |
CN108594194A (zh) * | 2018-03-19 | 2018-09-28 | 长江大学 | 基于四线性分解的双基地mimo雷达角度估算方法 |
CN108957386B (zh) * | 2018-04-03 | 2022-07-01 | 燕山大学 | 一种相位误差下的非相干波达方向估计方法 |
CN109993199B (zh) * | 2019-01-10 | 2020-11-17 | 北京工业大学 | 一种针对高阶张量数据的处理方法 |
CN109901103B (zh) * | 2019-03-14 | 2023-08-11 | 长江大学 | 基于非正交波形的mimo雷达doa估算方法及设备 |
CN110398732B (zh) * | 2019-06-21 | 2023-02-14 | 西北大学 | 低计算量自适应步长迭代搜索的目标方向检测方法 |
CN110927711A (zh) * | 2019-10-24 | 2020-03-27 | 长江大学 | 一种双基地emvs-mimo雷达的高精度定位算法及装置 |
CN110907923B (zh) * | 2019-10-29 | 2022-07-05 | 长江大学 | 基于平行因子算法的双基地emvs-mimo雷达角度估计算法及装置 |
CN111239667B (zh) * | 2020-03-16 | 2021-07-30 | 吉林大学 | 一种各阶磁梯度张量仪的统一校正方法 |
CN111854797B (zh) * | 2020-07-09 | 2024-06-18 | 兖矿集团有限公司 | 一种基于旋转法的全张量定位***误差修正方法 |
CN112630766B (zh) * | 2020-12-18 | 2022-04-19 | 海南大学 | 基于张量高阶奇异值分解的雷达角度和距离估计方法 |
CN114726462B (zh) * | 2021-01-04 | 2024-01-26 | 电信科学技术研究院有限公司 | 一种感知参数估计方法、装置及处理器可读存储介质 |
CN113779780A (zh) * | 2021-08-25 | 2021-12-10 | 南京航空航天大学 | 一种基于张量积网络b样条的非线性***辨识方法 |
CN113835063B (zh) * | 2021-11-24 | 2022-02-15 | 南京航空航天大学 | 一种无人机阵列幅相误差与信号doa联合估计方法 |
CN114910879B (zh) * | 2022-05-27 | 2024-07-12 | 哈尔滨工程大学 | 一种双基地mimo雷达测向方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279387A (zh) * | 2011-07-18 | 2011-12-14 | 西安电子科技大学 | Mimo雷达的目标到达角估计方法 |
WO2014127612A1 (zh) * | 2013-02-22 | 2014-08-28 | 中兴通讯股份有限公司 | 角度确定***和方法 |
CN104931931A (zh) * | 2015-05-18 | 2015-09-23 | 哈尔滨工程大学 | 互耦条件下基于张量实值子空间的双基地mimo雷达角度估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251597B (zh) * | 2008-04-08 | 2011-02-09 | 西安电子科技大学 | 一种多输入多输出雷达***阵列误差自校正的方法 |
CN104749554A (zh) * | 2015-03-20 | 2015-07-01 | 江苏大学 | 一种基于递归秩损的幅相误差校准和波达方向估计方法 |
-
2016
- 2016-11-11 CN CN201611003187.6A patent/CN107064892B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279387A (zh) * | 2011-07-18 | 2011-12-14 | 西安电子科技大学 | Mimo雷达的目标到达角估计方法 |
WO2014127612A1 (zh) * | 2013-02-22 | 2014-08-28 | 中兴通讯股份有限公司 | 角度确定***和方法 |
CN104931931A (zh) * | 2015-05-18 | 2015-09-23 | 哈尔滨工程大学 | 互耦条件下基于张量实值子空间的双基地mimo雷达角度估计方法 |
Non-Patent Citations (1)
Title |
---|
噪声MIMO雷达角度估计算法研究;程院兵;《中国博士学位论文全文数据库信息科技辑》;20130615(第6期);第30-36、42-46、64-73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107064892A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107064892B (zh) | 基于张量子空间和旋转不变的mimo雷达角度估计算法 | |
Wen et al. | Direction finding in MIMO radar with large antenna arrays and nonorthogonal waveforms | |
CN107290730B (zh) | 互耦条件下双基地mimo雷达角度估算方法 | |
Nion et al. | A PARAFAC-based technique for detection and localization of multiple targets in a MIMO radar system | |
Zheng et al. | Unitary ESPRIT algorithm for bistatic MIMO radar | |
Zhang et al. | Angle estimation in MIMO radar using reduced-dimension Capon | |
Wang et al. | Conjugate ESPRIT for DOA estimation in monostatic MIMO radar | |
Cui et al. | Search-free DOD, DOA and range estimation for bistatic FDA-MIMO radar | |
CN108562866B (zh) | 基于矩阵填充的双基地mimo雷达角度估算方法 | |
CN107064926B (zh) | 空域色噪声背景下的双基地mimo雷达角度估算方法 | |
Wen et al. | Direction finding for bistatic MIMO radar with unknown spatially colored noise | |
Zhang et al. | Angle estimation in bistatic MIMO radar using improved reduced dimension Capon algorithm | |
Li et al. | Reduced-dimensional ESPRIT for direction finding in monostatic MIMO radar with double parallel uniform linear arrays | |
Feng et al. | Jointly iterative adaptive approach based space time adaptive processing using MIMO radar | |
Cheng et al. | Joint 4-D angle and Doppler shift estimation via tensor decomposition for MIMO array | |
Jaafer et al. | Best performance analysis of doa estimation algorithms | |
Gao et al. | Frequency diverse array MIMO radar adaptive beamforming with range‐dependent interference suppression in target localization | |
Li et al. | Unitary subspace-based method for angle estimation in bistatic MIMO radar | |
An et al. | Single-snapshot DOA estimation in MIMO radar using fast iterative interpolated beamforming | |
Xiaofang et al. | Beamspace unitary ESPRIT algorithm for angle estimation in bistatic MIMO radar | |
Ma et al. | DOD/DOA and polarization estimation in MIMO systems with spatially spread dipole quints | |
Li et al. | DOD and DOA estimation for MIMO radar based on combined MUSIC and sparse Bayesian learning | |
Liu et al. | A sparse direction-of-arrival estimation algorithm for MIMO radar in the presence of gain-phase errors | |
Zhang et al. | Angle estimation using quaternion-ESPRIT in bistatic MIMO-radar | |
Shen et al. | An improved propagator estimator for DOA estimation in monostatic MIMO radar in the presence of imperfect waveforms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |