CN116299193A - 一种mimo雷达智能doa估计方法 - Google Patents
一种mimo雷达智能doa估计方法 Download PDFInfo
- Publication number
- CN116299193A CN116299193A CN202310273094.9A CN202310273094A CN116299193A CN 116299193 A CN116299193 A CN 116299193A CN 202310273094 A CN202310273094 A CN 202310273094A CN 116299193 A CN116299193 A CN 116299193A
- Authority
- CN
- China
- Prior art keywords
- network
- representing
- mimo radar
- sparse
- vector
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 239000002356 single layer Substances 0.000 claims abstract description 10
- 230000003595 spectral effect Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 33
- 239000010410 layer Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012804 iterative process Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013139 quantization Methods 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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- 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
- G01S7/417—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 involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种MIMO雷达智能DOA估计方法，首先建立稀疏场景下的集中式MIMO雷达回波模型，构建深度展开网络的迭代过程和单层网络结构，再构建基于深度神经网络的降噪自编码器，通过训练深度展开网络，得到重构的空间谱，最后对重构的空间谱进行谱峰搜索，实现DOA估计。本发明的方法通过训练深度神经网络来学习数据中的隐性特征以增强DOA估计的鲁棒性，并对网络模型赋予可解释性使得模型泛化能力提升，不仅能够保证低信噪比和单快拍采样时DOA估计的估计精度和鲁棒性，而且在波束锐化和旁瓣抑制方面有显著的效果。
Description
技术领域
本发明属于雷达信号处理领域，具体涉及一种MIMO雷达智能DOA估计方法。
背景技术
作为一种新型雷达体制，MIMO雷达在参数估计、抗干扰和遥感等方面收到越来越多的关注。与其他现有的阵列天线雷达相比，MIMO雷达通过多发射天线和多接收天线实现波形分集，从而能够以更少的物理天线数量实现更精准的方位向测量。但是，现有的基于匹配滤波的MIMO雷达波束形成方法存在宽主瓣、高旁瓣的问题，导致角分辨率较低，难以在实际场景中应用。
为了进一步提升MIMO雷达的目标方位向角分辨率，文献“T.Yardibi，J.Li，P.Stoica，M.Xue and A.B.Baggeroer，et al.Source Localization and Sensing：ANonparametric Iterative Adaptive Approach Based on Weighted LeastSquares.IEEE Transactions on Aerospace and Electronic Systems.2010，46(1)：425-443”提出了一种迭代自适应方法(iterative adaptive approach，IAA)，该方法通过迭代的方式对自相关矩阵进行自适应更新，极大地改善了雷达测向时的角分辨率。但是，IAA算法的存在高计算复杂度的问题，不适用于实时处理；伴随人工智能的兴起，文献“L.Wu，Z.Liu and Z.Huang.Deep Convolution Network for Direction of ArrivalEstimation With Sparse Prior.IEEE Signal Processing Letters，2019，26(11)：1688-1692”提出了一种基于卷积神经网络的阵列DOA(波达方向)估计方法，该方法利用空域的稀疏特性建立阵列输出协方差向量与空间谱之间的映射关系，实现高精度的空间谱重构。然而，该方法使用的是端到端的“黑盒”模型，缺乏一定的可解释性，导致泛化能力减弱。
发明内容
为解决上述技术问题，本发明提出了一种MIMO雷达智能DOA估计方法，通过设计一种具备可解释性的深度展开网络模型，对稀疏场景下MIMO雷达探测到的目标进行DOA估计，该方法构建的深度展开网络不仅能够保证单快拍采样时DOA估计的估计精度和鲁棒性，而且在波束锐化和旁瓣抑制方面有显著的效果。
本发明的采用的技术方法为：一种MIMO雷达智能DOA估计方法，具体步骤如下：
步骤一、建立稀疏场景下的集中式MIMO雷达回波模型；
采用一个装备有Mt个发射天线和Mr个接收天线的MIMO雷达***模型，设定MIMO雷达探测到K个相互独立的远场目标，目标的方向可表示为
目标信号可表示为
T表示矩阵的转置，t表示距离向时间变量。
当目标源相对于整个空域是稀疏时，令
表示整个空域的离散采样角度集，L表示采样点数，采样间隔为/>
则在稀疏背景下，接收天线阵列经过匹配滤波后的超完备形式y(t)表示为：
其中，
表示阵列导向矩阵，/>
表示MtMr×L维的复值列矢量，符号/>
表示Kronecker积，n(t)表示满足高斯分布的加性噪声。/>
表示发射阵列导向矢量，/>
表示接收阵列导向矢量，表达式如下：
其中，λ表示载波波长，dt和dr分别表示发射天线之间和接收天线之间的阵元间距，且满足dr＝dt/Mr＝λ/2。
s(t)＝[s1(t),s2(t),...,sL(t)]T表示原始目标信号向量
从θ映射到/>
的扩展形式，满足：
其中，sl(t)表示s(t)中第l个元素，
表示/>
中第k个元素。
当对接收阵列的输出进行单快拍采样时，式(1)表示为：
y＝As+n (5)
其中，
和/>
分别表示观察信号矢量、目标信号矢量和噪声矢量，/>
表示导向矩阵。
步骤二、构建深度展开网络的迭代过程；
迭代过程表示为：
其中，s(n)和v(n)分别表示第n次迭代过程的重构信号和残差，β表示更新步长，func(·)表示进行稀疏信号重构，h(n)表示func(·)的输入，H表示共轭转置。
步骤三、构建深度展开网络的单层网络结构；
结合式(6)、式(7)和式(8)，第n轮迭代重构的稀疏信号表示为：
其中，W和B表示预先设定的可学习参数，且W＝I-βAHA，B＝βAH，I表示单位矩阵。
对于N层的深度展开网络，参数W和B迭代过程展开为一个特殊的前馈神经网络结构，该结构通过反向传播算法进行网络参数的优化，待优化参数即为
和/>
则单层网络结构可表示为：
步骤四、构建基于深度神经网络的降噪自编码器；
重新考虑式(7)，令：
其中，δ(n)表示第n轮迭代中
与真实目标信号矢量s0之间的误差。
当算法收敛时，稀疏恢复信号
会无限逼近真实目标信号矢量s0，即：
基于式(12)，构建降噪自编码器作为func(·)的具体实现。
步骤五、训练深度展开网络，得到重构的空间谱；
基于步骤一提到的MIMO雷达相关参数生成模型训练所需要的数据集，具体训练过程如下：
首先，将接收阵列经过匹配滤波后的观测信号输入深度展开网络进行前向传播，并计算损失函数值，具体采用均方误差MSE函数作为损失函数；然后，使用自适应矩估计Adam优化器通过反向传播对网络的参数进行更新；最后，经过数次迭代直至损失函数收敛，得到训练完成的深度展开网络模型。
对
和/>
进行专门的初始化，即：
且
初始化为零向量。
步骤六、对重构的空间谱进行谱峰搜索，实现DOA估计。
本发明的有益效果：本发明的方法首先建立稀疏场景下的集中式MIMO雷达回波模型，构建深度展开网络的迭代过程和单层网络结构，再构建基于深度神经网络的降噪自编码器，通过训练深度展开网络，得到重构的空间谱，最后对重构的空间谱进行谱峰搜索，实现DOA估计。本发明的方法通过训练深度神经网络来学习数据中的隐性特征以增强DOA估计的鲁棒性，并对网络模型赋予可解释性使得模型泛化能力提升，不仅能够保证低信噪比和单快拍采样时DOA估计的估计精度和鲁棒性，而且在波束锐化和旁瓣抑制方面有显著的效果。
附图说明
图1为本发明的一种MIMO雷达智能DOA估计方法的流程图。
图2为本发明实施例中采用的MIMO雷达阵列构型图。
图3为本发明实施例中深度展开网络结构示意图。
图4为本发明实施例中提供的不同方法的DOA估计空间谱结果图。
图5为本发明实施例中不同信噪比下本发明方法与其他方法的统计性能表现对比图。
具体实施方式
下面结合附图和实施例对本发明方法做进一步说明。
如图1所示，本发明的一种MIMO雷达智能DOA估计方法，包括以下步骤：
步骤一、建立稀疏场景下的集中式MIMO雷达回波模型；
如图2所示，本实施例中，采用一个装备有Mt＝4个发射天线和Mr＝8个接收天线的MIMO雷达***。假设MIMO雷达探测到K＝2个相互独立的等功率远场目标，目标的方向可表示为
目标信号可表示为/>
T表示矩阵的转置，t表示距离向时间变量。
当目标源相对于整个空域是稀疏时，令
表示整个空域的离散采样角度集，L表示采样点数，采样间隔为/>
在本实施例中，考虑的空域范围为[-90°,90°]，采样间隔/>
则空域被采样为L＝181个采样点。因此，在稀疏背景下，接收天线阵列经过匹配滤波后的超完备形式可以表示为：
其中，
表示阵列导向矩阵，/>
表示MtMr×L维的复值列矢量，符号/>
表示Kronecker积，n(t)表示满足高斯分布的加性噪声。/>
表示发射阵列导向矢量，/>
表示接收阵列导向矢量，表达式如下：
其中，λ表示载波波长，dt和dr分别表示发射天线之间和接收天线之间的阵元间距，发射天线与接收天线的阵元间距满足dr＝dt/Mr＝λ/2。
s(t)＝[s1(t),s2(t),...,sL(t)]T表示原始目标信号向量
从θ映射到/>
的扩展形式，满足：
其中，sl(t)表示s(t)中第l个元素，
表示/>
中第k个元素。且s(t)是/>
的一个近似表示，存在一定的量化误差。
当对接收阵列的输出进行单快拍采样时，式(1)表示为：
y＝As+n (5)
其中，
和/>
分别表示观察信号矢量、目标信号矢量和噪声矢量。在本实施例中，当MtMr＜＜L，即导向矩阵/>
也是一个欠定矩阵。
步骤二、构建深度展开网络的迭代过程；
深度展开网络是一种通过将迭代过程进行展开，从而构造深度神经网络的方法。即深度展开网络的单层网络结构本质上是一轮迭代的更新过程。
在本实施例中，提出的迭代过程表示为：
其中，s(n)和v(n)分别表示第n次迭代过程的重构信号和残差，β表示更新步长，func(·)表示进行稀疏信号重构，h(n)表示func(·)的输入，H表示共轭转置。
步骤三、构建深度展开网络的单层网络结构；
结合式(6)、式(7)和式(8)，第n轮迭代重构的稀疏信号可表示为：
其中，W和B表示预先设定的可学习参数，且W＝I-βAHA，B＝βAH，I表示单位矩阵。
基于式(9)，本实施例提出的深度展开网络的每轮迭代过程都对观测信号矢量y进行了一次线性运算和一次非线性运算。对于一个N层的深度展开网络，当参数W和B被看作可学习参数，其迭代过程可以展开为一个特殊的前馈神经网络结构，该结构可以使用反向传播算法进行网络参数的优化，待优化参数即为
和/>
本实施例的单层网络结构可表示为：
步骤四、构建基于深度神经网络的降噪自编码器；
重新考虑式(7)，令：
其中，δ(n)表示第n轮迭代中
与真实目标信号矢量s0之间的误差，也可以看作是噪声分量。
将式(11)移项为
则func(·)的输入可以等效为真实目标信号矢量s0与噪声分量δ(n)的和。因此，当算法收敛时，稀疏恢复信号/>
会无限逼近真实目标信号矢量s0，即：
从式(12)可以看出，func(·)的作用等效于一个降噪器。依托深度神经网络的强大学习能力，本实施例构建降噪自编码器(denoising autoencoder,，DAE)作为func(·)的具体实现。通过学习大量观测数据中的隐性特征，降噪自编码器能够提升信号恢复过程中的降噪能力，实现具备鲁棒性的DOA估计。
具体来讲，降噪自编码器由全连接层组成，除最后一层外，每一层后面都有一个修正线性单元(rectified linear unit，ReLU)作为非线性激活函数。在本实施例中，降噪自编码器的具体结构如表1所示。
表1
| 层类别 | 尺寸 | 激活函数 |
| 全连接层 | 1200 | ReLU |
| 全连接层 | 1000 | ReLU |
| 全连接层 | 800 | ReLU |
| 全连接层 | 300 | ReLU |
| 全连接层 | 100 | ReLU |
| 全连接层 | 300 | ReLU |
| 全连接层 | 800 | ReLU |
| 全连接层 | 1000 | ReLU |
| 全连接层 | 1200 | ReLU |
| 全连接层 | L | 无 |
基于此，在单层网络结构中嵌入降噪自编码器，能够得到一个深度展开网络模型。该模型既能通过学习数据中的隐性特征来实现噪声抑制，又能赋予模型可解释性来提升泛化能力。本实施例所提的深度展开网络结构示意图如图3所示。
步骤五、训练深度展开网络，得到重构的空间谱；
本实施例中，基于步骤一提到的MIMO雷达相关参数生成模型训练所需要的数据集。具体训练过程如下：
首先，将接收阵列经过匹配滤波后的观测信号输入本实施例提出的深度展开网络进行前向传播，并计算损失函数值，具体采用均方误差(mean square error，MSE)函数作为损失函数；然后，使用自适应矩估计(adaptive moment estimation，Adam)优化器通过反向传播对网络的参数进行更新；最后，经过数次迭代直至损失函数收敛，得到训练完成的深度展开网络模型。
此外，为了避免模型在训练过程中陷入局部最小值，本实施例对
和
进行专门的初始化，即
且
初始化为零向量。
步骤六、对重构的空间谱进行谱峰搜索，实现DOA估计。
综上，利用本发明所提方法可实现稀疏场景中MIMO雷达的DOA估计。本发明将所提方法与迭代自适应方法和迭代软阈值算法进行对比实验，验证本发明所提方法的DOA估计性能。图4展示了信噪比为2dB且单快拍采样时，3种方法经过100次蒙特卡洛实验得到的重构空间谱，图4(a)为迭代自适应方法的结果，图4(b)为迭代软阈值算法的结果，图4(c)为本发明所提方法的结果。图5给出了不同信噪比下，3种方法在DOA估计中的统计性能表现，统计性能采用均方根误差(root mean square error，RMSE)作为衡量标准。图4、图5的结果表明，在单快拍情况下，本发明的方法不仅提高了DOA估计角分辨率和鲁棒性，同时在波束锐化和旁瓣抑制方面具备显著的效果。
本领域的普通技术人员应当意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。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权利要求范围之内。
Claims (1)
1.一种MIMO雷达智能DOA估计方法，具体步骤如下：
步骤一、建立稀疏场景下的集中式MIMO雷达回波模型；
采用一个装备有Mt个发射天线和Mr个接收天线的MIMO雷达***模型，设定MIMO雷达探测到K个相互独立的远场目标，目标的方向可表示为
目标信号可表示为
T表示矩阵的转置，t表示距离向时间变量；
当目标源相对于整个空域是稀疏时，令
表示整个空域的离散采样角度集，L表示采样点数，采样间隔为/>
则在稀疏背景下，接收天线阵列经过匹配滤波后的超完备形式y(t)表示为：
其中，
表示阵列导向矩阵，/>
表示MtMr×L维的复值列矢量，符号/>
表示Kronecker积，n(t)表示满足高斯分布的加性噪声；/>
表示发射阵列导向矢量，/>
表示接收阵列导向矢量，表达式如下：
其中，λ表示载波波长，dt和dr分别表示发射天线之间和接收天线之间的阵元间距，且满足dr＝dt/Mr＝λ/2；
s(t)＝[s1(t),s2(t),...,sL(t)]T表示原始目标信号向量
从θ映射到/>
的扩展形式，满足：
其中，sl(t)表示s(t)中第l个元素，
表示/>
中第k个元素；
当对接收阵列的输出进行单快拍采样时，式(1)表示为：
y＝As+n (5)
其中，
和/>
分别表示观察信号矢量、目标信号矢量和噪声矢量，/>
表示导向矩阵；
步骤二、构建深度展开网络的迭代过程；
迭代过程表示为：
其中，s(n)和v(n)分别表示第n次迭代过程的重构信号和残差，β表示更新步长，func()表示进行稀疏信号重构，h(n)表示func()的输入，H表示共轭转置；
步骤三、构建深度展开网络的单层网络结构；
结合式(6)、式(7)和式(8)，第n轮迭代重构的稀疏信号表示为：
其中，W和B表示预先设定的可学习参数，且W＝I-βAHA，B＝βAH，I表示单位矩阵；
对于N层的深度展开网络，参数W和B迭代过程展开为一个特殊的前馈神经网络结构，该结构通过反向传播算法进行网络参数的优化，待优化参数即为
和/>
则单层网络结构可表示为：
步骤四、构建基于深度神经网络的降噪自编码器；
重新考虑式(7)，令：
其中，δ(n)表示第n轮迭代中
与真实目标信号矢量s0之间的误差；
当算法收敛时，稀疏恢复信号
会无限逼近真实目标信号矢量s0，即：
基于式(12)，构建降噪自编码器作为func(·)的具体实现；
步骤五、训练深度展开网络，得到重构的空间谱；
基于步骤一提到的MIMO雷达相关参数生成模型训练所需要的数据集，具体训练过程如下：
首先，将接收阵列经过匹配滤波后的观测信号输入深度展开网络进行前向传播，并计算损失函数值，具体采用均方误差MSE函数作为损失函数；然后，使用自适应矩估计Adam优化器通过反向传播对网络的参数进行更新；最后，经过数次迭代直至损失函数收敛，得到训练完成的深度展开网络模型；
对
和/>
进行专门的初始化，即：
且
初始化为零向量；
步骤六、对重构的空间谱进行谱峰搜索，实现DOA估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310273094.9A CN116299193A (zh) | 2023-03-15 | 2023-03-15 | 一种mimo雷达智能doa估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310273094.9A CN116299193A (zh) | 2023-03-15 | 2023-03-15 | 一种mimo雷达智能doa估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116299193A true CN116299193A (zh) | 2023-06-23 |
Family
ID=86812879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310273094.9A Pending CN116299193A (zh) | 2023-03-15 | 2023-03-15 | 一种mimo雷达智能doa估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116299193A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117949912A (zh) * | 2024-03-27 | 2024-04-30 | 南京工业大学 | 基于稀疏动量深度置信网络的雷达收发器故障诊断方法 |
-
2023
- 2023-03-15 CN CN202310273094.9A patent/CN116299193A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117949912A (zh) * | 2024-03-27 | 2024-04-30 | 南京工业大学 | 基于稀疏动量深度置信网络的雷达收发器故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106646344B (zh) | 一种利用互质阵的波达方向估计方法 | |
| CN110109051B (zh) | 基于频控阵的互耦阵列doa估计方法 | |
| CN104977558B (zh) | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 | |
| WO2018094565A1 (zh) | 脉冲噪声下的波束成形方法及装置 | |
| 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 | |
| CN107576931B (zh) | 一种基于协方差低维度迭代稀疏重构的相关/相干信号波达方向估计方法 | |
| CN109655799A (zh) | 基于iaa的协方差矩阵向量化的非均匀稀疏阵列测向方法 | |
| CN112487703B (zh) | 基于稀疏贝叶斯在未知噪声场的欠定宽带信号doa估计方法 | |
| CN108957390B (zh) | 一种存在互耦时基于稀疏贝叶斯理论的到达角估计方法 | |
| CN111337893A (zh) | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 | |
| CN106021637A (zh) | 互质阵列中基于迭代稀疏重构的doa估计方法 | |
| CN113376569B (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
| CN111257845B (zh) | 一种基于近似消息传递的不在网格目标角度估计方法 | |
| CN112731273B (zh) | 一种基于稀疏贝叶斯的低复杂度信号波达方向估计方法 | |
| CN113032721B (zh) | 一种低计算复杂度的远场和近场混合信号源参数估计方法 | |
| CN116299193A (zh) | 一种mimo雷达智能doa估计方法 | |
| CN111610512A (zh) | 一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法 | |
| CN115453528A (zh) | 基于快速sbl算法实现分段观测isar高分辨成像方法及装置 | |
| CN117092585B (zh) | 单比特量化DoA估计方法、***和智能终端 | |
| CN117761636A (zh) | 基于稀疏低秩恢复的双基sar相位同步干扰抑制方法 | |
| CN115372891A (zh) | 一种基于改进的离网格稀疏贝叶斯学习的doa估计方法 | |
| Tan et al. | An iterative adaptive dictionary learning approach for multiple snapshot DOA estimation | |
| CN109298384B (zh) | 一种基于变分贝叶斯推断的非均匀直线阵波达方向角估计方法 | |
| Li et al. | DOA Estimation Based on Sparse Reconstruction via Acoustic Vector Sensor Array under Non-uniform Noise | |
| CN114415105B (zh) | 一种阵列互耦情况下波达方向估计方法 |
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 |