CN108717189A - 基于压缩感知理论的双基地mimo雷达成像方法 - Google Patents
基于压缩感知理论的双基地mimo雷达成像方法 Download PDFInfo
- Publication number
- CN108717189A CN108717189A CN201810554700.3A CN201810554700A CN108717189A CN 108717189 A CN108717189 A CN 108717189A CN 201810554700 A CN201810554700 A CN 201810554700A CN 108717189 A CN108717189 A CN 108717189A
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- radar
- oriented
- compressed sensing
- 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.)
- Granted
Links
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/418—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达技术领域,公开了一种基于压缩感知理论的双基地MIMO雷达成像方法,包括:获取雷达回波数据;计算得到压缩感知信号模型下的理想观测矩阵;利用理想观测矩阵和雷达回波数据,进行稀疏重构,得到目标信号的稀疏估计值;根据理想观测矩阵以及目标信号的稀疏估计值,确定实际观测矩阵;利用实际观测矩阵进行稀疏重构,得到目标信号的稳健估计值;计算迭代误差值,若迭代误差值不满足要求,则继续根据本次迭代得到目标信号估计值和实际观测矩阵,进行稀疏重构,直到误差值满足要求。本发明在阵列存在幅度误差和相位误差的时,仍然能够获得稳健的成像结果。
Description
技术领域
本发明属于雷达技术领域,尤其涉及基于压缩感知理论的双基地MIMO雷达成像方法,适用于双基地MIMO雷达在收发阵元存在幅相误差的情形下的信号模型建立和稀疏成像。
背景技术
雷达成像是现代雷达最重要的任务之一。压缩感知理论可以利用小样本数据获得较高的成像分辨率,因此在雷达成像中得到了广泛的应用。
双基地MIMO雷达具有不少体制上的优势,双基地MIMO雷达能获得更丰富的目标散射信息以及更远的探测距离,还可以通过虚拟孔径扩展获得更高的分辨率。此外,在实际战场环境下通过发射站、接收站分置可以显著提高雷达***的抗干扰能力及生存能力。将双基地MIMO雷达和压缩感知成像理论结合具有很多显著的优点。
然而,当双基地MIMO雷达的收发阵列存在幅相误差的时候,会严重影响雷达的成像质量,因此,如何在非理想模型下进行稳健的稀疏成像是目前亟待解决的问题。
发明内容
针对上述问题,本发明提供基于压缩感知理论的双基地MIMO雷达成像方法,在双基地MIMO雷达收发阵元存在幅相误差的时候,提出了一种新的信号模型,在此模型的基础上,推导出了相应的稀疏恢复算法,从而可以获得稳健的稀疏成像结果。
为达到上述目的,本发明采用如下技术方案予以实现:
一种基于压缩感知理论的双基地MIMO雷达成像方法,所述方法包括如下步骤:
步骤1,获取双基地MIMO雷达接收的回波信号,对所述回波信号进行正交匹配滤波,得到雷达回波数据;
步骤2,确定所述双基地MIMO雷达的发射导向矩阵和接收导向矩阵;根据所述发射导向矩阵和所述接收导向矩阵,计算得到压缩感知信号模型下的理想观测矩阵;将所述雷达回波数据作为压缩感知信号模型中的输出数据、所述理想观测矩阵作为压缩感知信号模型中的观测矩阵,进行稀疏重构,得到目标信号的初步估计值;
对迭代次数i进行初始化:令i=1;
步骤3,根据所述理想观测矩阵以及目标信号的第i-1次估计值,确定实际观测矩阵;i=1时,第i-1次估计值为初步估计值;
步骤4,将所述雷达回波数据作为压缩感知信号模型中的输出数据、所述实际观测矩阵作为压缩感知信号模型中的观测矩阵,进行稀疏重构,得到目标信号的第i次估计值;
步骤5,计算第i次迭代对应的误差值,判断所述误差值是否小于预设误差值:若所述误差值大于预设误差值,则令i加1,并返回步骤3;若所述误差值小于预设误差值,则根据目标信号的第i次估计值重建散射系数矩阵,根据所述散射系数矩阵进行绘图,即得到所述双基地MIMO雷达的目标成像图。
本发明具有以下优点:(1)具有双基地MIMO雷达的优势,在实际战场环境下通过发射站、接收站分置可以显著提高雷达的生存能力,此外,双基地MIMO雷达能获得更丰富的目标散射信息以及更远的探测距离,还可以通过虚拟孔径扩展获得更高的分辨率;(2)基于压缩感知成像的原理,利用小样本数据获得高成像分辨率,降低了计算复杂度和硬件成本;(3)在阵列存在幅度误差和相位误差的时候,仍然可以获得稳健的成像结果,具有实际应用意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于压缩感知原理的双基地MIMO雷达成像方法的流程示意图;
图2为双基地MIMO雷达压缩感知成像***模型示意图;
图3为原始场景散射点模型示意图;
图4为本发明实施例提供的成像方法的误差迭代曲线示意图;
图5(a)为本发明实施例提供的成像方法的恢复结果示意图;
图5(b)为本发明实施例提供的成像方法的恢复的散射点强度示意图;
图6本发明实施例提供的成像方法和直接压缩感知算法以及已有稳健算法的成像结果比较示意图;其中,图6(a)为直接压缩感知成像算法的成像结果图;图6(b)为已有稳健成像算法的成像结果图;图6(c)为本发明实施例提供的成像方法的成像结果图;
图7为本发明实施例提供的成像方法和直接压缩感知算法以及已有稳健算法的恢复的散射点强度示意图;其中,图7(a)为直接压缩感知成像算法恢复的散射点强度示意图;图7(b)为已有稳健成像算法恢复的散射点强度示意图;图7(c)为本发明实施例提供的成像方法恢复的散射点强度示意图;
图8为本发明实施例提供的成像方法和直接压缩感知算法以及已有稳健算法恢复信号的均方误差随幅相误差变化示意图;
图9为本发明实施例提供的成像方法和直接压缩感知算法以及已有稳健算法恢复信号相关度随幅相误差变化示意图;
图10为图9的局部放大图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1所示为本发明实施例提供的一种基于压缩感知原理的双基地MIMO雷达成像方法的流程示意图。
如图1所示,本发明实施例提供的基于压缩感知原理的双基地MIMO雷达成像方法,包括如下步骤;
步骤1,获取双基地MIMO雷达接收的回波信号,对回波信号进行正交匹配滤波,得到雷达回波数据。
其中,双基地MIMO雷达成像***模型如图2所示。图2中,TX和RX分别为雷达发射阵列和接收阵列,θt为目标场景相对于发射阵列的角度,θr为目标场景相对于接收阵列的角度,图中Ω区域就是划分的二维网格。
双基MIMO雷达配置为:发射阵元M个,接收阵元M个,收发阵元间距λ为发射信号的波长,其中发射角度和接收角度划分为从0到10度,格点大小为1度,即θt∈[0°,10°],θr∈[0°,10°]。
双基MIMO雷达成像中发射正交波形,设该双基地MIMO雷达的发射阵列的每个发射阵元发射随机跳频信号,且发射的随机跳频信号为窄带信号,假设第q个脉冲下,第mt个发射阵元发射的信号为:
其中表示信号的幅度,即服从区间(0,Q)上的均匀分布,且表示向上取整,q=1,2,...,Q,mt=1,2,...,M,Q是码元数,M是发射阵元个数,f是载波频率,是跳频间隔。M个发射阵元发射的信号矩阵为其中,其中每个元素代表发射信号的强度值。
具体的,步骤1具体包括如下子步骤:
(1a)获取双基地MIMO雷达回波信号
其中,q=1,2,...,Q,Ar为发射阵列导向矩阵,At为接收阵列导向矩阵,At=[atp]M×P,Ar=[arp]N×P,
λ表示信号波长,dt表示发射阵列的阵元间距,dr表示接收阵列的阵元间距;S表示双基MIMO雷达的发射信号波形矩阵,Eq表示第q个脉冲下的噪声矩阵,Yq表示第q个脉冲的接收数据矩阵,θtp表示目标场景相对于发射阵列的角度,θrp为目标场景相对于接收阵列的角度,Xq表示散射点系数,Eq表示加性高斯噪声。
(1b)对双基地MIMO雷达回波信号Yq正交匹配滤波,得到雷达回波数据
具体来说,对接收数据作匹配滤波,即是给接收数据乘上信号矩阵的转置,即:
由于发射波形为正交信号,所以有SSH=I,所以可得匹配滤波以后的结果为:
步骤2,确定双基地MIMO雷达的发射导向矩阵和接收导向矩阵;根据发射导向矩阵和接收导向矩阵,计算得到压缩感知信号模型下的理想观测矩阵;将雷达回波数据作为压缩感知信号模型中的输出数据、理想观测矩阵作为压缩感知信号模型中的观测矩阵,进行稀疏重构,得到目标信号的初步估计值;对迭代次数i进行初始化:令i=1。
其中,步骤2具体包括如下子步骤:
(2a)确定双基地MIMO雷达的发射导向矩阵At=[at1,at2,...,atp,...,atM]和接收导向矩阵Ar=[ar1,ar2,...,arp,...,arM]。
其中,Ar=[arp]N×P,
(2b)根据发射导向矩阵和接收导向矩阵,计算得到压缩感知信号模型下的理想观测矩阵
(2c)对雷达回波数据的信号模型进行矢量化,得到一维压缩感知模型:
其中,eq=vec(Eq)。
此处,是基于步骤1中得到的回波数据为二维模型下的数据,而稀疏恢复的算法为一维算法,因此,需要将二维的数据模型变成一维的数据模型,经过压缩感知稀疏恢复算法以后,再将恢复结果变成二维矩阵即可。
(2d)根据一维压缩感知求解模型,构造凸优化问题:利用凸优化工具求解凸优化问题,得到目标的初步估计值
其中,||·||1表示取l1范数,||·||2表示取l2范数。
上述优化问题是一个简单的凸优化问题,可以利用优化工具包(例如cvx)求解,也可以利用已有算法(例如OMP、SLIM等稀疏恢复算法)进行求解。求解得到的是一个G2×1的一维向量,把它变成G×G的矩阵,即得到了理想观测矩阵下的目标场景Xq的稀疏恢复结果。
步骤3,根据理想观测矩阵以及目标信号的第i-1次估计值,确定实际观测矩阵。
其中,i=1时,第i-1次估计值为初步估计值。
其中,步骤3具体包括:
根据理想观测矩阵以及目标信号的第i-1次估计值,根据表达式:
确定实际观测矩阵。
其中,表示实际观测矩阵,表示矢量化后的雷达回波数据,x表示目标信号的第i-1次估计值。
上述缺点实际观测矩阵的理论推导过程如下:
考虑阵列存在幅相误差,推导此时的信号模型。当收发阵列存在幅相误差的时候,理想的导向矩阵前面各自乘上了一个对角阵Γt和Γr。具体来说,存在阵列幅相误差的非理想接收导向矩阵和发送导向矩阵可分别表示为:
其中,Αt和Αr是理想的收发导向矩阵,和代表存在阵列幅相误差的导向矩阵,Γt和Γr分别为收发阵元的幅相误差矩阵,都为对角阵,对角元素表示加在相应阵元上的幅相误差增益值;Γt=diag[ρt1,...,ρti,...,ρtM],ati是第i个发射阵元上的幅度误差,是第i个发射阵元上的相位误差;Γr=diag[ζt1,...,ζti,...,ζtM],ari是第i个接收阵元上的幅度误差,是第i个接收阵元上的相位误差;Εt=Γt'Αt为假设加在发射端的非理想扰动导向矩阵,Εr=Γr'Αr为假设加在接收端的非理想扰动导向矩阵;
这样,非理想的信号模型变形为然后将两边矢量化,得到:
其中,Α表示已知的理想观测矩阵,Ε表示未知的扰动矩阵。
因为阵列存在幅相误差,所以实际的观测矩阵不是计算的理想观测矩阵,导致压缩感知模型的非理想化,在稀疏恢复的时候,影响了恢复结果的准确性。
在上述非理想模型下,假设实际的观测矩阵Β=A+E,因为E是未知的,所以可以通过构造如下优化问题,来求解实际观测矩阵的估计方法:
其中,M和ε均为常数,Β为一变量矩阵。
在优化问题中,通过约束Β和已知的理想观测矩阵A之间的关系,来获得实际存在扰动的观测矩阵的最优估计。以上优化问题中,Β和x均为变量,采用交替迭代的方式求解该问题,即根据步骤2求解的目标信号x,带入以上优化问题,在x固定的情况下,构造拉格朗日函数:
其中λ,μ为拉格朗日乘子,然后求拉格朗日函数关于Β的偏导数:
其中第一项:
其中,Tr[]表示矩阵的迹,上标H表示取共轭转置符号。
第二项:
第三项:
令偏导数为0,即可得实际观测矩阵的估计公式:
当获得雷达回波数据,并且利用接收数据和理想观测矩阵A得到初步的稀疏解x以后,就可以利用这些数据来估计实际存在扰动的观测矩阵。
步骤4,将雷达回波数据作为压缩感知信号模型中的输出数据、实际观测矩阵作为压缩感知信号模型中的观测矩阵,进行稀疏重构,得到目标信号的第i次估计值。
其中,步骤4具体包括:
构建优化问题:并利用雷达回波数据和实际观测矩阵进行稀疏恢复,得到目标信号的第i次估计值:
利用cvx工具包求解以上凸优化问题,获得稳健的稀疏恢复结果。求得的观测矩阵比理想的观测矩阵A更接近实际的观测矩阵,所以利用和联合得到的稀疏解更接近实际的目标信号,恢复结果更加稳健。
步骤5,计算第i次迭代对应的误差值,判断误差值是否小于预设误差值:若误差值大于预设误差值,则令i加1,并返回步骤3;若误差值小于预设误差值,则根据目标信号的第i次估计值重建散射系数矩阵,根据散射系数矩阵进行绘图,即得到双基地MIMO雷达的目标成像图。
其中,第i次迭代对应的误差值为
即,根据本次得到的xq和计算误差值如果该误差值在小于给定值,则停止计算,将一维稀疏信号xq重建为二维矩阵Xq即为目标成像区域的散射系数矩阵,对Xq进行绘图,即获得成像结果;如果本次计算结果的误差值大于给定值,则返回步骤3,根据本次迭代得到的新的稀疏信号xq和雷达回波数据重新估计实际观测矩阵进而利用重新估计得到的实际观测矩阵进行稀疏重构,得到新的xq,直到误差值满足要求。
本发明实施例提供的基于压缩感知理论的双基地MIMO雷达成像方法,基于压缩感知成像的原理,利用小样本数据获得高成像分辨率,能够降低计算复杂度和硬件成本,并且在阵列存在幅度误差和相位误差的时候,仍然可以获得稳健的成像结果,具有实际应用意义。
以下通过仿真实验对本发明实施例提供的上述方法的效果进行验证:
1、仿真实验数据:
设置有两个散射目标,目标的DOA和DOD角度值分别为(2°,9°)和(9°,2°),并将散射目标的散射系数设置为1,双基地角设置为90°。原始散射点模型如图3所示,从图3可以看出,两个点目标分布在预先设置的位置上。
2、仿真实验内容:
分别进行三组实验:
实验1,在信噪比为10dB,接收数据快拍数为1,幅相误差功率为0.4的条件下,使用本发明实施例提出的方法进行成像,验证本发明方法的正确性。
图4所示为使用本发明实施例提供的成像方法稀疏恢复信号的误差迭代曲线示意图。从图4可以看出,在参数选取合适的情况下,经过大约20次迭代,本发明实施例提供的成像方法就可以收敛。
图5所示为使用本发明实施例提供的成像方法的成像结果图,其中,图5(a)为本发明实施例提供的成像方法的恢复结果示意图,图5(b)为本发明实施例提供的成像方法的恢复的散射点强度示意图。
从图5(a)可以看出,本发明方法可以正确地回复目标散射点的位置,提供清晰的点成像结果;从图5(b)中可以看到两个散射点被很好地分开,并且旁瓣很低。这表明,本发明方法在小样本、较大幅相误差功率情况下的成像结果非常理想。
实验2,在信噪比为10dB,接收数据快拍数为1,幅度误差功率为0.2,相位误差功率为0.3的条件下,使用本发明实施例提供的方法进行成像,并且和常规压缩感知成像算法以及已有的稳健压缩感知算法进行比较。
图6本发明实施例提供的成像方法和直接压缩感知算法以及已有稳健算法的成像结果比较示意图;其中,图6(a)为直接压缩感知成像算法的成像结果图;图6(b)为已有稳健成像算法的成像结果图;图6(c)为本发明实施例提供的成像方法的成像结果图。
图7为本发明实施例提供的成像方法和直接压缩感知算法以及已有稳健算法的恢复的散射点强度示意图;其中,图7(a)为直接压缩感知成像算法恢复的散射点强度示意图;图7(b)为已有稳健成像算法恢复的散射点强度示意图;图7(c)为本发明实施例提供的成像方法恢复的散射点强度示意图。
从图6可以看出,由于使用的数据只有一个快拍数,所以导致已有的稳健算法的恢复结果甚至不如直接压缩感知算法的恢复结果。从图7可以看出,在小样本数据下,本发明方法比已有的算法具有更接近原始目标场景的恢复结果和更低的旁瓣。
实验3,令幅相误差功率相等,并从0到0.6,间隔为0.01进行取值,每个幅相误差功率情形下循环重复实验10次,对本发明方法、常规压缩感知成像算法以及已有的稳健压缩感知算法进行蒙特卡洛实验,验证算法性能随阵列幅相误差的变化情况。
在本仿真实验中,采用两种衡量算法性能的方式,方式一是利用恢复信号和原始信号的误差值作为衡量标准:
其中,xre表示恢复信号,x表示原始信号;
方式二是利用恢复信号和原始信号的相关度作为衡量标准:
根据以上定义,对于一个算法,其恢复信号的MSE越小,γ值越大,表示其恢复结果的准确性越高。
图8为本发明实施例提供的成像方法和直接压缩感知算法以及已有稳健算法恢复信号的均方误差随幅相误差变化示意图。
从根据图8中的曲线可以看出,在统计意义下,本发明方法相比于直接压缩感知恢复方法和已有的稳健算法具有更低的恢复MSE;
图9为本发明实施例提供的成像方法和直接压缩感知算法以及已有稳健算法恢复信号相关度随幅相误差变化示意图;图10为图9的局部放大图。
从图9和图10可以看出,本发明方法的信号恢复结果具有更高的信号相关度,并且在阵列幅相误差变化的时候,本发明方法具有更高的稳健性。
综上可见,通过上述仿真实验验证了本发明方法的正确性、有效性和可靠性。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于压缩感知理论的双基地MIMO雷达成像方法,其特征在于,所述方法包括如下步骤:
步骤1,获取双基地MIMO雷达接收的回波信号,对所述回波信号进行正交匹配滤波,得到雷达回波数据;
步骤2,确定所述双基地MIMO雷达的发射导向矩阵和接收导向矩阵;根据所述发射导向矩阵和所述接收导向矩阵,计算得到压缩感知信号模型下的理想观测矩阵;将所述雷达回波数据作为压缩感知信号模型中的输出数据、所述理想观测矩阵作为压缩感知信号模型中的观测矩阵,进行稀疏重构,得到目标信号的初步估计值;
对迭代次数i进行初始化:令i=1;
步骤3,根据所述理想观测矩阵以及目标信号的第i-1次估计值,确定实际观测矩阵;i=1时,第i-1次估计值为初步估计值;
步骤4,将所述雷达回波数据作为压缩感知信号模型中的输出数据、所述实际观测矩阵作为压缩感知信号模型中的观测矩阵,进行稀疏重构,得到目标信号的第i次估计值;
步骤5,计算第i次迭代对应的误差值,判断所述误差值是否小于预设误差值:若所述误差值大于预设误差值,则令i加1,并返回步骤3;若所述误差值小于预设误差值,则根据目标信号的第i次估计值重建散射系数矩阵,根据所述散射系数矩阵进行绘图,即得到所述双基地MIMO雷达的目标成像图。
2.根据权利要求1所述的方法,其特征在于,步骤1具体包括如下子步骤:
(1a)获取双基地MIMO雷达回波信号其中q=1,2,...,Q,Ar为发射阵列导向矩阵,At为接收阵列导向矩阵,At=[atp]M×P,
Ar=[arp]N×P,
λ表示信号波长,dt表示发射阵列的阵元间距,dr表示接收阵列的阵元间距;S表示双基MIMO雷达的发射信号波形矩阵,Eq表示第q个脉冲下的噪声矩阵,Yq表示第q个脉冲的接收数据矩阵,θtp表示目标场景相对于发射阵列的角度,θrp为目标场景相对于接收阵列的角度;
(1b)对所述双基地MIMO雷达回波信号Yq正交匹配滤波,得到雷达回波数据
3.根据权利要求1所述的方法,其特征在于,步骤2具体包括如下子步骤:
(2a)确定所述双基地MIMO雷达的发射导向矩阵At=[at1,at2,...,atp,...,atM]和接收导向矩阵Ar=[ar1,ar2,...,arp,...,arM];
其中,Ar=[arp]N×P,
(2b)根据所述发射导向矩阵和所述接收导向矩阵,计算得到压缩感知信号模型下的理想观测矩阵
(2c)对雷达回波数据的信号模型进行矢量化,得到一维压缩感知模型:
其中,eq=vec(Eq);
(2d)根据所述一维压缩感知求解模型,构造凸优化问题:利用凸优化工具求解所述凸优化问题,得到目标的初步估计值
4.根据权利要求1所述的方法,其特征在于,步骤3具体包括:
根据所述理想观测矩阵以及目标信号的第i-1次估计值,根据表达式:
确定实际观测矩阵;
其中,表示实际观测矩阵,表示矢量化后的雷达回波数据,x表示目标信号的第i-1次估计值。
5.根据权利要求1所述的方法,其特征在于,步骤4具体包括:
构建优化问题:并利用所述雷达回波数据和实际观测矩阵进行稀疏恢复,得到目标信号的第i次估计值:
6.根据权利要求5所述的方法,其特征在于,第i次迭代对应的误差值为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810554700.3A CN108717189B (zh) | 2018-06-01 | 2018-06-01 | 基于压缩感知理论的双基地mimo雷达成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810554700.3A CN108717189B (zh) | 2018-06-01 | 2018-06-01 | 基于压缩感知理论的双基地mimo雷达成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108717189A true CN108717189A (zh) | 2018-10-30 |
CN108717189B CN108717189B (zh) | 2022-07-15 |
Family
ID=63911783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810554700.3A Active CN108717189B (zh) | 2018-06-01 | 2018-06-01 | 基于压缩感知理论的双基地mimo雷达成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108717189B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109917330A (zh) * | 2019-03-04 | 2019-06-21 | 东南大学 | 一种存在相位误差时基于稀疏正交匹配追踪理论的到达角估计方法 |
CN110376586A (zh) * | 2019-06-03 | 2019-10-25 | 西安电子科技大学 | 一种基于层析原理的分布式mimo雷达动目标探测方法 |
CN110516286A (zh) * | 2019-07-09 | 2019-11-29 | 西安电子科技大学 | 基于稀疏重构算法的阵列幅相误差估计方法 |
CN111060885A (zh) * | 2019-12-13 | 2020-04-24 | 河海大学 | 一种mimo雷达的参数估计方法 |
JP2020109387A (ja) * | 2018-12-28 | 2020-07-16 | パナソニックIpマネジメント株式会社 | 推定方法および推定装置 |
CN111537997A (zh) * | 2020-04-02 | 2020-08-14 | 西安电子科技大学 | 一种基于mimo和压缩感知技术的三维雷达成像方法 |
CN111722233A (zh) * | 2020-06-18 | 2020-09-29 | 重庆大学 | 一种基于确定性测量矩阵的压缩感知超声成像方法 |
CN111812644A (zh) * | 2020-08-29 | 2020-10-23 | 西安电子科技大学 | 基于稀疏估计的mimo雷达成像方法 |
CN114047509A (zh) * | 2021-11-11 | 2022-02-15 | 西安电子科技大学昆山创新研究院 | 基于cd-asp算法的mimo雷达超分辨成像算法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439693A (zh) * | 2013-08-16 | 2013-12-11 | 电子科技大学 | 一种线阵sar稀疏重构成像与相位误差校正方法 |
CN103885048A (zh) * | 2014-03-20 | 2014-06-25 | 西安电子科技大学 | 双基地mimo雷达收发阵列幅相误差的校正方法 |
CN103969640A (zh) * | 2014-04-29 | 2014-08-06 | 西安电子科技大学 | 双基地mimo雷达目标稀疏成像方法 |
CN104076360A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于压缩感知的二维sar稀疏目标成像方法 |
CN104199029A (zh) * | 2014-09-03 | 2014-12-10 | 西安电子科技大学 | 一种提高压缩感知雷达目标成像性能的测量矩阵设计方法 |
US20150198713A1 (en) * | 2014-01-13 | 2015-07-16 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Through-the-Wall Imaging using Compressive Sensing and MIMO Antenna Arrays |
CN104965188A (zh) * | 2015-06-10 | 2015-10-07 | 重庆邮电大学 | 一种阵列误差下的波达方向估计方法 |
CN105259550A (zh) * | 2015-11-17 | 2016-01-20 | 西安电子科技大学 | 基于压缩感知的多输入多输出雷达二维角度估计方法 |
CN106324569A (zh) * | 2016-09-09 | 2017-01-11 | 深圳大学 | 一种阵列误差下的稀疏恢复stap方法及其*** |
CN106443620A (zh) * | 2016-09-09 | 2017-02-22 | 深圳大学 | 一种基于阵列幅相误差校正的稀疏恢复stap方法 |
-
2018
- 2018-06-01 CN CN201810554700.3A patent/CN108717189B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439693A (zh) * | 2013-08-16 | 2013-12-11 | 电子科技大学 | 一种线阵sar稀疏重构成像与相位误差校正方法 |
US20150198713A1 (en) * | 2014-01-13 | 2015-07-16 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Through-the-Wall Imaging using Compressive Sensing and MIMO Antenna Arrays |
CN103885048A (zh) * | 2014-03-20 | 2014-06-25 | 西安电子科技大学 | 双基地mimo雷达收发阵列幅相误差的校正方法 |
CN103969640A (zh) * | 2014-04-29 | 2014-08-06 | 西安电子科技大学 | 双基地mimo雷达目标稀疏成像方法 |
CN104076360A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于压缩感知的二维sar稀疏目标成像方法 |
CN104199029A (zh) * | 2014-09-03 | 2014-12-10 | 西安电子科技大学 | 一种提高压缩感知雷达目标成像性能的测量矩阵设计方法 |
CN104965188A (zh) * | 2015-06-10 | 2015-10-07 | 重庆邮电大学 | 一种阵列误差下的波达方向估计方法 |
CN105259550A (zh) * | 2015-11-17 | 2016-01-20 | 西安电子科技大学 | 基于压缩感知的多输入多输出雷达二维角度估计方法 |
CN106324569A (zh) * | 2016-09-09 | 2017-01-11 | 深圳大学 | 一种阵列误差下的稀疏恢复stap方法及其*** |
CN106443620A (zh) * | 2016-09-09 | 2017-02-22 | 深圳大学 | 一种基于阵列幅相误差校正的稀疏恢复stap方法 |
Non-Patent Citations (5)
Title |
---|
JUN LI: "Sparse Recovery for Bistatic MIMO Radar Imaging in the Presence of Array Gain Uncertainties", 《INTERNATIONAL JOURNAL OF ANTENNAS AND PROPAGATION》 * |
JUN LI: "Transmit and Receive Array Gain-Phase Error Estimation in Bistatic MIMO Radar", 《IEEE ANTENNAS AND WIRELESS PROPAGATION LETTERS》 * |
刘晓莉等: "双基地MIMO雷达多目标定位及幅相误差估计", 《电子学报》 * |
李少东等: "基于压缩感知理论的雷达成像技术与应用研究进展", 《电子与信息学报》 * |
高磊等: "MIMO雷达成像研究现状与发展趋势", 《航天电子对抗》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020109387A (ja) * | 2018-12-28 | 2020-07-16 | パナソニックIpマネジメント株式会社 | 推定方法および推定装置 |
JP7281784B2 (ja) | 2018-12-28 | 2023-05-26 | パナソニックIpマネジメント株式会社 | 推定方法および推定装置 |
CN109917330B (zh) * | 2019-03-04 | 2022-11-01 | 东南大学 | 一种存在相位误差时基于稀疏正交匹配追踪理论的到达角估计方法 |
CN109917330A (zh) * | 2019-03-04 | 2019-06-21 | 东南大学 | 一种存在相位误差时基于稀疏正交匹配追踪理论的到达角估计方法 |
CN110376586A (zh) * | 2019-06-03 | 2019-10-25 | 西安电子科技大学 | 一种基于层析原理的分布式mimo雷达动目标探测方法 |
CN110376586B (zh) * | 2019-06-03 | 2021-05-07 | 西安电子科技大学 | 一种基于层析原理的分布式mimo雷达动目标探测方法 |
CN110516286A (zh) * | 2019-07-09 | 2019-11-29 | 西安电子科技大学 | 基于稀疏重构算法的阵列幅相误差估计方法 |
CN111060885A (zh) * | 2019-12-13 | 2020-04-24 | 河海大学 | 一种mimo雷达的参数估计方法 |
CN111537997A (zh) * | 2020-04-02 | 2020-08-14 | 西安电子科技大学 | 一种基于mimo和压缩感知技术的三维雷达成像方法 |
CN111537997B (zh) * | 2020-04-02 | 2022-11-04 | 西安电子科技大学 | 一种基于mimo和压缩感知技术的三维雷达成像方法 |
CN111722233A (zh) * | 2020-06-18 | 2020-09-29 | 重庆大学 | 一种基于确定性测量矩阵的压缩感知超声成像方法 |
CN111812644A (zh) * | 2020-08-29 | 2020-10-23 | 西安电子科技大学 | 基于稀疏估计的mimo雷达成像方法 |
CN114047509A (zh) * | 2021-11-11 | 2022-02-15 | 西安电子科技大学昆山创新研究院 | 基于cd-asp算法的mimo雷达超分辨成像算法 |
Also Published As
Publication number | Publication date |
---|---|
CN108717189B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717189A (zh) | 基于压缩感知理论的双基地mimo雷达成像方法 | |
CN105699945B (zh) | 频控阵mimo雷达***中的波形优化设计方法 | |
Gogineni et al. | Frequency-hopping code design for MIMO radar estimation using sparse modeling | |
CN103635827B (zh) | 基于近场测量估计等效雷达截面的方法 | |
CN103744076B (zh) | 基于非凸优化的mimo雷达动目标检测方法 | |
CN105353355B (zh) | 一种基于稀疏重构和投影成像的多基地雷达多目标定位方法 | |
CN103713288A (zh) | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 | |
CN107436429A (zh) | 冲击噪声环境下基于稀疏重构的极化双基地mimo雷达参数估计方法 | |
CN106610483A (zh) | 基于张量子空间和谱峰搜索的mimo雷达角度估计算法 | |
JP5950835B2 (ja) | シーン内の反射物を再構成するシステム | |
CN106918810B (zh) | 一种存在阵元幅相误差时的微波关联成像方法 | |
CN107241698A (zh) | 一种无接触感知追踪方法 | |
CN111965632A (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN109633538A (zh) | 非均匀采样***的最大似然时差估计方法 | |
CN104794264A (zh) | 一种基于稀疏频率的雷达通信波形设计方法 | |
CN104950297A (zh) | 基于矩阵1范数拟合的阵元误差估计方法 | |
CN102854505A (zh) | 一种加权稀疏驱动自聚焦sar成像方法 | |
CN105699950A (zh) | 基于自适应迭代前后向平滑共轭梯度的雷达杂波抑制方法 | |
CN113064147A (zh) | 一种低信噪比下新型匹配场被动定位方法 | |
CN105891793A (zh) | 一种雷达导引头空时相关相参k分布杂波建模方法 | |
CN105548959B (zh) | 一种基于稀疏重建的多传感器多目标的定位方法 | |
Du et al. | Bayesian robust tensor factorization for angle estimation in bistatic MIMO radar with unknown spatially colored noise | |
CN106154241A (zh) | 脉冲噪声环境下的韧性平行因子分析新算法 | |
CN105093189A (zh) | 基于gcv的机载雷达目标检测方法 | |
CN108181624A (zh) | 一种差分计算成像装置及方法 |
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 |