CN111060885B - 一种mimo雷达的参数估计方法 - Google Patents
一种mimo雷达的参数估计方法 Download PDFInfo
- Publication number
- CN111060885B CN111060885B CN201911281621.0A CN201911281621A CN111060885B CN 111060885 B CN111060885 B CN 111060885B CN 201911281621 A CN201911281621 A CN 201911281621A CN 111060885 B CN111060885 B CN 111060885B
- Authority
- CN
- China
- Prior art keywords
- angle
- representing
- target
- signal
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 19
- 230000008447 perception Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 abstract description 4
- 238000003491 array Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种MIMO雷达的参数估计方法,利用预先构建的考虑阵列误差情况下的双基地信号模型获取接收信号;利用预先构建的稀疏信号模型对接收信号进行稀疏表示;利用随机高斯观测矩阵对稀疏表示的接收信号进行投影采用,得到测量信号;利用OMP重构算法对测量信号进行重构,确定目标的方位角和俯仰角。优点:本发明能够适用于高分辨率的参数估计,不但可以精确估计出目标的二维角度,而且还可以克服阵列噪声实现目标的反射幅度的精确估计,并且在较低信噪比以及存在阵列误差情况下,基于OMP算法对MIMO雷达参数估计的性能较好,该算法还有数据采样率低、数据运算量小的优势。
Description
技术领域
本发明涉及一种MIMO雷达的参数估计方法,属于MIMO雷达信号处理技术领域。
背景技术
MIMO雷达概念及其相关的信号处理技术受到了各国学者越来越多的关注,许多学者关于MIMO雷达的参数估计性能进行了研究。最近几年,信号处理领域出现了利用已有的经典方法(诸如,变换编码,优化算法等)解决高速率模-数转化问题的压缩感知(Compressive Sensing)理论,它通过开发信号的稀疏特性,在远小于Nyquist采样率的条件下,用随机采样获取信号的离散样本,然后通过非线性重建算法完美的重建信号。
无论是传统算法还是基于压缩感知的目标重构方法,其前提都为阵列流形精确已知。但在实际情况中阵列的误差往往无法避免,所以探讨阵列存在误差时如何实现稳健的目标角度估计具有非常重要的实际意义。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种MIMO雷达的参数估计方法。
为解决上述技术问题,本发明提供一种MIMO雷达的参数估计方法,
利用预先构建的考虑阵列误差情况下的双基地信号模型获取接收信号;
利用预先构建的稀疏信号模型对接收信号进行稀疏表示;
利用随机高斯观测矩阵对稀疏表示的接收信号进行投影采用,得到测量信号;
利用OMP重构算法对测量信号进行重构,确定目标的方位角和俯仰角。
进一步的,所述考虑阵列误差情况下的双基地信号模型为:
其中,Xn-error表示接收信号,接收信号的目标角度空间离散成P1×P2个方向,P1为目标角度离散空间波离角个数,P2为目标角度离散空间波达角的个数,表示目标角度离散空间的第P1个波离角,/>表示目标角度离散空间的第P2个波达角,AMr-error()表示接收阵列含有误差的导向矢量矩阵,/>表示发射阵列含有误差的导向矢量矩阵,表示反射幅度矩阵,S表示***发射的M个正交独立的波形,W表示复高斯白噪声,T为矩阵转置符号。
进一步的,所述利用预先构建的稀疏信号模型对接收信号进行稀疏表示为:
Xn-error=(ψnσ)T
其中,α1,α2…αP1表示波离角空间的角,总共有P1个,其中表示波达角空间的角,总共有P2个,σ表示接收信号在稀疏表示后的稀疏向量矩阵,σij表示第i个波达角和第j个波离角所对应的离散空间存在的目标对应的反射幅度,i=1,2,…,P2,j=1,2,…,P1。
进一步的,所述利用随机高斯观测矩阵对稀疏表示的接收信号进行投影采用,得到测量信号表示为:
yn=Θnσ
其中,Θn表示感知矩阵,σ表示接收信号在稀疏表示后的稀疏向量矩阵;
Θn=φnψn
其中,φn表示一个平稳的、与变换基矩阵ψn不相关的M×L维的随机高斯观测矩阵,n=1,2,…M,M<L;
进一步的,所述重构的过程为:
1)从感知矩阵中Θ中选出与残余信号矢量r相关性最大的列对应的索引λk,λk=argmax(Θn Hr),Θn表示Θ的第n列,1<<n<<N,H表示转置共轭,argmax()表示求Θn Hr取得最大值所对应的变量点的集合;
2)更新索引集Ω=Ω∪λk;
3)利用最小二乘估计得到近似解:中,/>为迭代第k次的最小二乘近似解,ΘΩ是由Θ中Ω指示的列构成的矩阵,||yn-ΘΩX′n||2表示求式子的2范数,argmin()表示求||yn-ΘΩX′n||2取得最小值解的集合;
进一步的,由OMP重构算法迭代确定索引集Ω表示K个非零元素的位置,这些元素的值对应为此时的投影系数k=1,2,…K,测量信号yn对K个原子所张成的子空间的投影系数对应为X′n中的非零元素,其中非零元素的位置索引指出了目标的角度,其值的大小为目标的反射幅度,通过目标的角度和反射幅度确定目标的方位角和俯仰角。
本发明所达到的有益效果:本发明即使在信号模型存在阵列误差情况时,可以比较精确估计出目标的二维角度,该算法还可以克服阵列噪声实现目标的反射幅度的精确估计。
本发明能够适用于高分辨率的参数估计,不但可以精确估计出目标的二维角度,而且还可以克服阵列噪声实现目标的反射幅度的精确估计,并且在较低信噪比以及存在阵列误差情况下,基于OMP算法对MIMO雷达参数估计的性能较好,该算法还有数据采样率低、数据运算量小的优势。
附图说明
图1是双基地均匀线阵MIMO雷达信号模型;
图2是基于OMP算法的参数估计流程图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
建立双基地信号模型,如图1。设置其发射与接收天线阵列均为等距线阵,且发射阵列与接收阵列远距离分置。雷达***有M个发射天线,N个接收天线,发射和接收天线阵元间距分别为dt和dr,为保证各个接收信号单元的接收信号不产生分辨模糊,接收阵元的间距应满足半波长条件即dr≤λ/2(λ为波长)。假设远场有K个目标,第k个目标的的方位为且K<MN(M为发射天线的数量,N为接受阵列的数量)。其中θk为波离角(DOD),/>为波达角(DOA)。
对于双基地MIMO雷达,当空间中具有多个目标时,且MIMO雷达收发阵列含有幅相误差时,其接收数据表示为:
其中,和/>分别表示发射和接收阵列含有误差的导向矢量矩阵。对角矩阵表示N个接收阵元的幅相误差,其中ρMri和φMri分别表示第i个接收阵元的幅度误差和相位误差/> 分别表示M个发射阵元的幅相误差,其中ρMti和φMti分别表示第i个发射阵元的幅度误差和相位误差。/>和AMt(θk)分别表示K个目标的理想接收导向矢量和发射导向矢量矩阵。
η=[η1 η2 … ηk]T为K个目标反射信号的幅度,S为***发射的M个正交独立的波形,W∈CN×L为复高斯白噪声。
则阵列误差下双基地均匀线阵MIMO雷达的接收信号又可以写为
X′n=(ψnσ)T
ψn(n=1,2,…L)变换基矩阵已经确定,可知ψn(n=1,2,…L)即为包含了阵元相位信息的稀疏基,σ即为信号在该稀疏基下的稀疏向量,其中非零元素的位置索引P2P1指出了目标的角度,其值的大小即为目标的反射幅度。共有n个接收信号,目标的二维角度决定了这些信号共有的系数结构,目标的个数即为稀疏度,目标的反射幅度为各个接收信号在变换域的非零系数。然后取一个平稳的、与变换基矩阵ψn不相关的M×L维的随机高斯观测矩阵φn(n=1,2,…M),其中M<L。因此,第n个接收天线的接收信号X′n(n=1,2,…L)在观测矩阵φn上的投影向量为yn=φnX′n T=φnψnσ=Θnσ
Θn(n=1,2,…M)为感知矩阵。
图2为基于OMP算法的MIMO雷达参数估计方法流程图,具体步骤总结如下:
输入:感知矩阵Θ,测量向量yn,信号的稀疏度K,误差阈值ε;
Step 1:从感知矩阵中Θ中选出与残余信号矢量r相关性最大的列对应的索引λk,λk=argmax(Θn Hr)(1<<n<<N),Θn表示Θ的第n列;
Step 2:更新索引集Ω=Ω∪λk;
由OMP算法迭代确定索引集Ω表示K个非零元素的位置,这些元素的值就对应为此时的投影系数观测信号yn(n=1,2…N)对K个原子所张成的子空间的投影系数也就对应为X′n(n=1,2…L)中的非零元素,其中非零元素的位置索引指出了目标的角度,其值的大小即为目标的反射幅度。这样待重构的稀疏信号X′n(n=1,2…L)也就被确定了,目标的方位角和俯仰角也就被确定了。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种MIMO雷达的参数估计方法,其特征在于,
利用预先构建的考虑阵列误差情况下的双基地信号模型获取接收信号;
利用预先构建的稀疏信号模型对接收信号进行稀疏表示;
利用随机高斯观测矩阵对稀疏表示的接收信号进行投影采用,得到测量信号;
利用OMP重构算法对测量信号进行重构,确定目标的方位角和俯仰角;
所述考虑阵列误差情况下的双基地信号模型为:
其中,Xn-error表示接收信号,接收信号的目标角度空间离散成P1×P2个方向,P1为目标角度离散空间波离角个数,P2为目标角度离散空间波达角的个数,表示目标角度离散空间的第P1个波离角,/>表示目标角度离散空间的第P2个波达角,AMr-error(表示接收阵列含有误差的导向矢量矩阵,/>表示发射阵列含有误差的导向矢量矩阵,/>表示反射幅度矩阵,S表示***发射的M个正交独立的波形,W表示复高斯白噪声,T为矩阵转置符号;
所述利用预先构建的稀疏信号模型对接收信号进行稀疏表示为:
Xn-error=(ψnσ)T
2.根据权利要求1所述的MIMO雷达的参数估计方法,其特征在于,所述利用随机高斯观测矩阵对稀疏表示的接收信号进行投影采用,得到测量信号表示为:
yn=Θnσ
其中,Θn表示感知矩阵,σ表示接收信号在稀疏表示后的稀疏向量矩阵;
Θn=φnψn
其中,φn表示一个平稳的、与变换基矩阵ψn不相关的M×L维的随机高斯观测矩阵,n=1,2,…M,M<L。
3.根据权利要求2所述的MIMO雷达的参数估计方法,其特征在于,所述重构的过程为:
1)从感知矩阵中Θ中选出与残余信号矢量r相关性最大的列对应的索引λk,λk=argmax(Θn Hr),Θn表示Θ的第n列,1<<n<<N,H表示转置共轭,argmax()表示求Θn Hr取得最大值所对应的变量点的集合;
2)更新索引集Ω=Ω∪λk;
3)利用最小二乘估计得到近似解:中,/>为迭代第k次的最小二乘近似解,ΘΩ是由Θ中Ω指示的列构成的矩阵,||yn-ΘΩX′n||2表示求式子的2范数,argmin()表示求||yn-ΘΩX′n||2取得最小值解的集合;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911281621.0A CN111060885B (zh) | 2019-12-13 | 2019-12-13 | 一种mimo雷达的参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911281621.0A CN111060885B (zh) | 2019-12-13 | 2019-12-13 | 一种mimo雷达的参数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111060885A CN111060885A (zh) | 2020-04-24 |
CN111060885B true CN111060885B (zh) | 2023-06-20 |
Family
ID=70301759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911281621.0A Active CN111060885B (zh) | 2019-12-13 | 2019-12-13 | 一种mimo雷达的参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060885B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101640541A (zh) * | 2009-09-04 | 2010-02-03 | 西安电子科技大学 | 一种稀疏信号的重构方法 |
CN107436429B (zh) * | 2017-09-15 | 2020-09-25 | 哈尔滨工程大学 | 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 |
CN108717189B (zh) * | 2018-06-01 | 2022-07-15 | 西安电子科技大学 | 基于压缩感知理论的双基地mimo雷达成像方法 |
CN110174659B (zh) * | 2019-05-08 | 2023-05-23 | 南京信息工程大学 | 基于迭代近端投影的mimo雷达多测量矢量doa估计方法 |
-
2019
- 2019-12-13 CN CN201911281621.0A patent/CN111060885B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111060885A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109870687B (zh) | 一种用于互质采样星载sar的成像处理方法 | |
CN103353596B (zh) | 基于压缩感知的波束空间域米波雷达测高方法 | |
Häcker et al. | Single snapshot DOA estimation | |
CN108845325B (zh) | 拖曳线列阵声纳子阵误差失配估计方法 | |
CN106021637B (zh) | 互质阵列中基于迭代稀疏重构的doa估计方法 | |
CN108802683B (zh) | 一种基于稀疏贝叶斯学习的源定位方法 | |
CN109298383B (zh) | 一种基于变分贝叶斯推断的互质阵波达方向角估计方法 | |
CN109633538B (zh) | 非均匀采样***的最大似然时差估计方法 | |
CN110231617B (zh) | 目标障碍物方位探测方法、装置、车载雷达及存储介质 | |
CN111337873B (zh) | 一种基于稀疏阵的doa估计方法 | |
CN110197112B (zh) | 一种基于协方差修正的波束域Root-MUSIC方法 | |
JP2009529660A (ja) | 強度が低い、またはサンプルサイズが小さいシナリオでの到来方向推定方法およびそのシステム | |
CN106199600B (zh) | 基于多普勒估计的方位多通道合成孔径雷达成像方法 | |
CN111308414B (zh) | 一种波达方向的估计方法、***、智能终端及存储介质 | |
CN111220960B (zh) | 多站雷达下的目标特征提取方法和装置 | |
CN110687528B (zh) | 自适应波束形成器生成方法及*** | |
CN109471063B (zh) | 基于延迟快拍的均匀线列阵高分辨波达方向估计方法 | |
CN107450046B (zh) | 低仰角多径环境下的波达角估计方法 | |
US10823845B2 (en) | System and method for robust sensor localization based on euclidean distance matrix | |
CN101344582B (zh) | 半盲的最小方差无失真响应波束形成方法 | |
CN113189592A (zh) | 考虑幅相互耦误差的车载毫米波mimo雷达测角方法 | |
CN110579737B (zh) | 一种杂波环境中基于稀疏阵列的mimo雷达宽带doa计算方法 | |
CN115236584A (zh) | 基于深度学习的米波雷达低仰角估计方法 | |
CN111060885B (zh) | 一种mimo雷达的参数估计方法 | |
CN104392114B (zh) | 一种基于空时数据的高分辨目标方位估计方法 |
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 |