CN101644774A - 一种基于线性规划的近场目标定位方法及其系统 - Google Patents

Abstract

本发明提供一种基于线性规划的近场目标定位方法及其系统。利用压缩感知理论实现近场目标定位，在未知信号形式的情况下，选定参考阵元并使其工作在正常的采样频率下，其他阵元工作在远低于奈奎斯特采样频率下；将参考阵元输出信号作为参考目标信号，得到所有阵元的采样数据；生成延时表和稀疏基矩阵；产生随机映射矩阵，并得到系数矩阵；线性规划求解，获取稀疏向量；基于获得的稀疏向量估计结果，从预先设定的方位－距离集得到近场目标定位信息。根据本发明，传感器无需工作在奈奎斯特采样频率以上，可大幅降低采样率，节省传感器工作能耗，提高系统资源利用率；对目标带宽没有限制，可同时适用于窄、宽带目标定位，也适用于非高斯型目标的定位。

Description

一种基于线性规划的近场目标定位方法及其系统

技术领域

本发明属于阵列信号处理领域，特别涉及一种适用于线列阵的基于线性规划的近场目标定位方法及其系统。

背景技术

阵列信号处理的一个基本问题就是目标定位，即确定感兴趣的空间信号的方位与距离等参数。目标定位，它是指采用某种算法，对阵列接受到的目标辐射或反射的时空二维信号进行处理，从而得到目标方位与距离等参数的估计。一般而言，目标定位假设目标处于远场条件下，信源发射的信号以平面波的形式到达阵列，然而，当目标位于近场内时，即目标与阵列之间的距离R＜2L²/λ，其中L为阵列的有效孔径，λ为目标信号的波长，平面波的假设不再成立，目标信号将以球面波的形式到达阵列，而基于远场假设条件的方法不再适用，需要采用基于近场模型的目标定位技术。近场目标定位技术，在声纳、雷达、语音及通信、无线传感器网络等领域有着广泛的应用。

目前典型的近场目标定位方法有：聚焦波束形成、二维MUSIC(多重信号分类)法、基于高阶累积量的方法，如基于子空间的联合估计法、虚拟时间反转镜法。

其中，聚焦波束形成法(可参考文献：“梅继丹等.水平阵聚焦波束形成声图定位算法研究.哈尔滨工程大学学报.28(7)：773～778，2007”)，根据测量区内不同位置对各阵元接收信号进行球面波补偿，获得目标声源的分布根据声图来给出目标方位、距离进行定位。

二维MUSIC法(可参考文献：“Huang Y D等.Near-field multiple sourcelocalization by passive sensor array.IEEE Trans Antennas Propagation，39(7)：968～975，1991”)，是指把经典的远场一维MUSIC方法推广至两维，进行两维谱峰搜索，从而得到近场目标的到达角和距离的联合估计。

基于子空间的联合估计法(可参考文献：“梁军利等.一种近场源参数估计新方法.西安电子科技大学学报(自然科学版).34(5)：839～843，2007”)，是指基于子空间的近场窄带信源频率、到达角及距离三维参数联合估计方法。该方法选择特定序号阵元输出计算的4阶累积量构造4个高维矩阵，然后结合这些矩阵结构特点构造3个新的矩阵，利用新构造矩阵的特征值联合估计信源参数。与现有其他基于高阶累积量的方法相比，这种方法有效地减小了阵列孔径损失，具有较高的估计精度。

虚拟时间反转镜法(可参考文献：“时洁等.基于虚拟时间反转镜的噪声源近场定位方法研究.兵工学报.29(10)：1215～1219，2008”)，是指通过聚焦波束形成的聚焦声图技术，结合可以在对信道没有任何先验知识的情况下，与信道自动匹配，其聚焦性能可以减小信道衰落和多途干扰的虚拟时间反转镜技术(VTRM)，建立近场线列阵定位模型，实现对空间多目标的定位。

然而，以上各种方法都要求传感器的采样频率依据奈奎斯特(Nyquist)采样定理在奈奎斯特频率之上，否则就无法实现有效的近场目标定位。

发明内容

为了克服现有技术的不足，解决现有技术中近场目标定位难的问题，本发明的目的是提供一种基于线性规划的近场目标定位方法及其系统。其采用基跟踪的策略将近场目标定位问题转化为离散化的目标方位-距离空间字典条目选择的问题，从而利用压缩感知理论实现近场目标定位。

基于压缩感知的信号重建的基本原理为：对一个长度为N，稀疏度为K的数字信号x＝Ψs，可以用长度为M＝O(K log N)的测量数据进行重建(M＜N)。具体而言，压缩感知采用非传统的线性测量y＝Φx，其中Φ为随机化的映射矩阵，通过线性规划求解下式：

min‖x‖₁，当y＝ΦΨx时

从而可通过M＝C(μ²(Φ，Ψ)logN)K个测量数据以极大的概率完全重建信号x。依据压缩感知理论，传感器可以以远低于奈奎斯特频率的采样频率进行采样，而对目标信号重建没有影响。压缩感知的基本原理可参考文献“E.Candès，J.Romberg，andT.Tao.Robust uncertainty principles：Exact signal Reconstruction from highly incompletefrequency information.IEEE Trans.Inform.Theory，vol.52，no.2，pp.489-509，Feb.2006”。

对于能量敏感的传感器环境，如监控系统、无线传感器网络等，传感器以较低的采样频率进行采样，可以大幅度的减少能耗，从而增加其工作、生存时间，提高系统资源的利用率。

为了实现上述目的，本发明提供的基于线性规划的近场目标定位方法包括以下步骤：

1)将含L个阵元线列阵中的某个阵元选定为参考阵元，并以参考阵元输出信号作为参考目标信号ζ_rf(t)；

在未知信号形式的情况下，使参考阵元工作在依据奈奎斯特采样定律确定的正常的采样频率下，其他阵元工作在远低于奈奎斯特采样频率(压缩采样频率)下，此时，参考阵元工作的采样频率为F_s，该参考阵元输出信号作为参考目标信号ζ_rf(t)，采样点数设为K，其它阵元的采样频率为F_cs，采样点数为M，

这里，对于未知信号的情况下，所述依据奈奎斯特采样定律确定的常用的采样频率通常高于目标信号频率的2倍以上；

在已知目标信号形式的情况下，可以任意选取参考阵元，包括参考阵元在内所有的阵元均工作在远低于奈奎斯特采样频率下，采样频率为F_cs，此时，直接选定一个已知的目标信号作为参考目标信号；

2)基于参考目标信号，得到所有阵元的采样数据β_i，并且 $\mathrm{\β}={[{\mathrm{\β}}_1^T,\·\·\·,{\mathrm{\β}}_L^T]}^T,$ LM×1维，上标T表示转置，将LM×1维向量变为1×LM维向量，

这里，在未知目标信号形式的情况下，由于所述参考阵元的采样频率F_s不同于压缩采样频率F_cs，需要对该参考阵元的数据进行抽取，以使得其采样点数与其他阵元的采样点数相同；

3)生成延时表和稀疏基矩阵Ψ，包括如下子步骤：

3 1)对每一个阵元产生相应的稀疏基矩阵Ψ_i；

其中，i＝1，2，...，L；n＝1，2，...，N；p＝1，2，...，P，

式中，N表示探测的角度数，P表示探测的距离数，α_n，p＝[θ_n，R_p]表示延时参数对，θ_n代表方位，R_p代表距离，Δ_i(α_n，p)为其它阵元与参考阵元间的延时；这里，当选取第一个阵元为参考阵元或者直接选取第一个已知信号作为参考信号时，所述其它阵元与参考阵元间的延时Δ_i(α_n，p)的表现式为：

${\mathrm{\Δ}}_i\left({\mathrm{\α}}_{n,p}\right)=\{R_p-[R_p^2+{\left((i-1)d\right)}^2-2R_p(i-1)d\cos {\mathrm{\θ}}_n\left]\right\}/c,$ i＝1，2，...，L，

或者，可以表现为：

${\mathrm{\Δ}}_i\left({\mathrm{\α}}_{n,p}\right)=[\frac{2\mathrm{\π}(i-1)d}{\mathrm{\λ}}\cos {\mathrm{\θ}}_n+\frac{\mathrm{\π}{\left((i-1)d\right)}^2}{\mathrm{\λ}{R}_p}]$

其中，d表示阵元间间距，λ表示信号波长；

32)将各阵元的稀疏基矩阵组合成阵列的稀疏基矩阵：

$\mathrm{\Ψ}={[{\mathrm{\Ψ}}_1^T,\·\·\·,{\mathrm{\Ψ}}_L^T]}^T,$ LNP×K维；

4)产生随机映射矩阵Φ，并得到系数矩阵A＝ΦΨ，包括如下子步骤：

41)对每一个阵元产生相应的随机映射矩阵φ_i：

φ_i为M×NP维随机产生矩阵，该矩阵的列的选取的依据为：与Ψ_i的互相关性最小，同时确保φ_i的范数等于1；

42)对每一个阵元产生相应的随机映射矩阵Φ：

Φ为LM×LNP维块对角矩阵，φ_i为其块对角元素；

43)依据随机映射矩阵Φ和稀疏基矩阵Ψ，计算系数矩阵A＝ΦΨ；

5)线性规划求解，获取稀疏向量b：

$\hat{b}=\arg \min {\left|\right|b\left|\right|}_1,$ 当||A^T(β-Ab)||_∞＜ε_Nσ时，得到稀疏向量b的估计，其中，参数ε_N表示误差的容忍度，取值为

稀疏向量b＝[b_1，1，b_1，2，...，b_N，P]^T；

6)基于所获得的稀疏向量b的估计结果，得到近场目标定位信息：

稀疏度向量b中的非零正元素b_n，p对应方位-距离对α_n，p＝[θ_n，R_p]，从而从预先设定的方位-距离集中得到近场目标的位置信息：方位θ_n和距离R_p。

另外，本发明提供的一种基于线性规划的近场目标定位系统，其特征在于，包括：接收阵、前置电路、A/D转换器、微型处理器、动态存取区、数据存储区以及显示设备。

所述前置电路从所述接收阵接收到多通道模拟信号，每个通道的模拟信号经由所述前置电路的前放以及滤波等处理后，再输入到A/D转换器从而得到数字信号，从A/D转换器输出多通道的数字数据流，每个通道的数据流对应于一个构成所述接收阵的传感器所接收到的模拟信号，然后，将这些数字数据流输入到微型处理器，微型处理器首先将接收到的数据流存储到动态存取区，在输入满足处理要求数量的数据流后开始处理，包括：常规采样、压缩采样、获取压缩采样阵数据、产生延时表、生成基矩阵、生成随机映射矩阵、计算系数矩阵、设定参数、线性规划求解以及目标信息估计过程，经微型处理器处理后的输出信息存储到所述数据存储区或直接输出到所述显示设备上显示。

所述微型处理器可以采用多片的微型处理器来并行处理。也可以采用能够实现其功能的其它一些硬件设备，比如专用硬件、基于应用的集成电路(ASIC)、DSP、ARM等都可以用来代替微型处理器。

与现有技术相比，本发明的基于线性规划的近场目标定位方法及其系统具有如下技术效果：

本发明采用基跟踪的策略将近场目标定位问题转化为离散化的目标方位-距离空间字典条目选择的问题，从而利用压缩感知理论实现近场目标定位。

(1)传感器无需工作在奈奎斯特采样频率以上，可大幅降低采样率，从而可节省传感器工作能耗，提高系统资源利用率；

(2)对目标是否为窄带目标没有限制，可同时适用于窄、宽带目标定位；

(3)无需假设目标为高斯信号，因此也适用于非高斯型目标的定位。

附图说明

图1是适用本发明的基于线性规划的近场目标定位方法及其系统的常规线列阵示意图；

图2是适用本发明的基于线性规划的近场目标定位方法及其系统的近场模型示意图；

图3是本发明的基于线性规划的近场目标定位方法的流程图；

图4是本发明的基于线性规划的近场目标定位系统的构成示意图。

具体实施方式

下面结合附图和具体实施例对本发明的基于线性规划的近场目标定位方法及其系统进行详细的说明。

本发明采用基跟踪的策略将近场目标定位问题转化为离散化的目标方位-距离空间字典条目选择的问题，从而利用压缩感知理论实现近场目标定位。

基于压缩感知的信号重建的基本原理为：对一个长度为N，稀疏度为K的数字信号x＝Ψs，可以用长度为M＝O(K log N)的测量数据进行重建(M＜N)。具体而言，压缩感知采用非传统的线性测量y，＝Φx，其中Φ为随机化的映射矩阵，通过线性规划求解下式：

min‖x‖₁，当y＝ΦΨx时

从而可通过M＝C(μ²(Φ，Ψ)logN)K个测量数据以极大的概率完全重建信号x。依据压缩感知理论，传感器可以以远低于奈奎斯特频率的采样频率进行采样，而对目标信号重建没有影响。压缩感知的基本原理可参考文献“E.Candès，J.Romberg，andT.Tao.Robust uncertainty principles：Exact signal Reconstruction from highly incompletefrequency information.IEEE Trans.Inform.Theory，vol.52，no.2，pp.489-509，Feb.2006”。

对于能量敏感的传感器环境，如监控系统、无线传感器网络等，传感器以较低的采样频率进行采样，可以大幅度的减少能耗，从而增加其工作、生存时间，提高系统资源的利用率。

图1是适用本发明的基于线性规划的近场目标定位方法及其系统的常规线列阵示意图。如图1所示，作为用于接收信号的接收阵102，例如由32个市场所售常规的接收信号中心频率为5000KHz的无指向性水听器101组成，两两水听器101间的间隔是半个波长，从而线阵的总长度是4.65米。线列阵102安装在潜艇或水下无人潜航器上。

这里，列举了由水听器构成的水下声纳线列阵的构成结构，但本发明还可以适用于任何其它类型传感器构成的线列阵，例如由麦克风构成的麦克风阵列和雷达中使用的传感器构成的线列阵等等。

图2是适用本发明的基于线性规划的近场目标定位方法及其系统的近场模型示意图。如图2所示，目标距接收阵的距离为R，方位为θ，阵元间间距为d，目标信号以球面波形式到达接收阵。

图3是本发明的基于线性规划的近场目标定位方法的流程图。如图3所示，本发明的基于线性规划的近场目标定位方法，包括以下步骤：

1)将含L个阵元线列阵中的某个阵元选定为参考阵元，并以参考阵元输出信号作为参考目标信号ζ_rf(t)，

在未知信号形式的情况下，使参考阵元工作在依据奈奎斯特采样定律确定的正常的采样频率下，其他阵元工作在远低于奈奎斯特采样频率下，此时，参考阵元工作的采样频率为F_s，该参考阵元输出信号作为参考目标信号ζ_rf(t)，采样点数设为K，其它阵元的采样频率为F_cs，采样点数为M，这里，对于未知信号的情况下，所述依据奈奎斯特采样定律确定的常用的采样频率通常高于目标信号频率的2倍以上，

在已知目标信号形式的情况下，任意选取参考阵元，包括参考阵元在内所有的阵元均工作在远低于奈奎斯特采样频率下，采样频率为F_cs，此时，直接选定一个已知的目标信号作为参考目标信号。

2)基于参考目标信号，得到所有阵元的采样数据β_i，并且 $\mathrm{\β}={[{\mathrm{\β}}_1^T,\·\·\·,{\mathrm{\β}}_L^T]}^T,$ LM×1维，进行转置操作，将LM×1维向量变为1×LM维向量，

这里，在未知目标信号形式的情况下，由于所述参考阵元的采样频率F_s不同于压缩采样频率F_cs，需要对该参考阵元的数据进行抽取，以使得其采样点数与其他阵元的采样点数相同。

3)生成延时表和稀疏基矩阵Ψ，包括如下子步骤：

31)对每一个阵元产生相应的稀疏基矩阵Ψ_i；

其中，i＝1，2，...，L；n＝1，2，...，N；p＝1，2，...，P，式中，N表示探测的角度数，P表示探测的距离数，α_n，p＝[θ_n，R_p]表示延时参数对，θ_n代表方位，R_p代表距离，Δ_i(α_n，p)为其它阵元与参考阵元间的延时；

这里，当选取第一个阵元为参考阵元或者直接选取第一个已知信号作为参考信号时，所述其它阵元与参考阵元问的延时Δ_i(α_n，p)的表现式为：

${\mathrm{\Δ}}_i\left({\mathrm{\α}}_{n,p}\right)=\{R_p-[R_p^2+{\left((i-1)d\right)}^2-2R_p(i-1)d\cos {\mathrm{\θ}}_n\left]\right\}/c,$ i＝1，2，...，L，

或者，可以表现为：

${\mathrm{\Δ}}_i\left({\mathrm{\α}}_{n,p}\right)=[\frac{2\mathrm{\π}(i-1)d}{\mathrm{\λ}}\cos {\mathrm{\θ}}_n+\frac{\mathrm{\π}{\left((i-1)d\right)}^2}{\mathrm{\λ}{R}_p}]$

其中，d表示阵元间间距，λ表示信号波长，c表示波速；

32)将各阵元的稀疏基矩阵组合成阵列的稀疏基矩阵：

$\mathrm{\Ψ}={[{\mathrm{\Ψ}}_1^T,\·\·\·,{\mathrm{\Ψ}}_L^T]}^T,$ LNP×K维。

4)产生随机映射矩阵Φ，并得到系数矩阵A＝ΦΨ，包括如下子步骤：

41)对每一个阵元产生相应的随机映射矩阵φ_i：

φ_i为M×NP维随机产生矩阵，该矩阵的列的选取的依据为：与Ψ_i的互相关性最小，同时确保φ_i的范数等于1；

42)对每一个阵元产生相应的随机映射矩阵Φ；

Φ为LM×LNP维块对角矩阵，φ_i为其块对角元素；

43)依据随机映射矩阵Φ和稀疏基矩阵Ψ，计算系数矩阵A＝ΦΨ；

5)线性规划求解，获取稀疏向量b：

$\hat{b}=\arg \min {\left|\right|b\left|\right|}_1,$ 当‖A^T(β-Ab)‖_∞＜ε_Nσ时，得到稀疏向量b的估计，其中，参数ε_N表示误差容忍度，取值为

稀疏向量b＝[b_1，1，b_1，2，...，b_N，P]^T；

6)基于所获得的稀疏向量b的估计结果，得到近场目标定位信息：

稀疏度向量b中的非零正元素b_n，p对应方位-距离对α_n，p＝[θ_n，R_p]，从而从预先设定的方位-距离集中得到近场目标的位置信息：方位θ_n和距离R_p。

图4是本发明的基于线性规划的近场目标定位系统的构成示意图。如图4所示，本发明的基于线性规划的近场目标定位系统，包括：接收阵102、前置电路501、A/D转换器502、微型处理器503、动态存取区504、数据存储区505以及显示设备506。

前置电路501从接收阵102接收到多通道模拟信号。前置电路501包括前放、滤波和其它常规的电路。每个通道的模拟信号经前置电路501的前放、滤波等处理后，输入到A/D转换器502从而得到数字信号，由此获得从A/D转换器502输出的多通道的数字数据流，每个通道的数据流对应于一个构成接收阵102的传感器(例如，水听器)接收到的模拟信号。然后，将这些数据流输入到微型处理器503进行处理，微型处理器503首先将接收到的数据流存储到动态存取区504，在输入满足处理要求数量的数据流后就开始处理，包括：常规采样、压缩采样、获取压缩采样阵数据、产生延时表、生成基矩阵、生成随机映射矩阵、计算系数矩阵、设定参数、线性规划求解、以及目标信息估计等。这些处理程序也储存在动态存取区504中。经微型处理器503处理后的输出信息可以存储在数据存储区505，比如磁盘存储设备中，或直接输出到显示设备506上显示。

另外，因为本发明中的A/D转换器502输出的是多通道的数据流，因此可以采用多片的微型处理器来并行处理。并且，能够实现其功能的其它一些硬件设备，比如专用硬件、基于应用的集成电路(ASIC)、DSP、ARM等都可以用来代替微型处理器503。

另外，需要特别说明的是，本发明的近场目标定位方法及其系统，除了可以用于线列阵之外，还可以扩展到平面阵、无线传感器网络等其它形式的接收装置。

下面结合附图和具体实施例对本发明做进一步的详细描述：

实施例1

如图3所示，本实施例的用于线列阵的一种基于线性规划的近场目标定位的方法的具体步骤如下：

步骤401：常规采样：

本步骤中，用单条线列阵接收时空二维信号，选定第一个阵元为参考阵元，其工作的采样频率为F_s，该阵元信号即为参考目标信号ζ_rf(t)，采样点数为K。

步骤402：压缩采样：

本步骤中，获取除参考阵元外的其他所有阵元的采样数据β_i，这些阵元的采样频率为F_cs，采样点数为M。

上述步骤401中，当已知目标信号形式时，作为参考阵元的第一个阵元的采样频率也为F_cs。

步骤403：获得压缩采样的阵元数据β：

本步骤中， $\mathrm{\β}={[{\mathrm{\β}}_1^T,\·\·\·,{\mathrm{\β}}_L^T]}^T,$ 其维数为LM×1，对于目标信号形式未知的情况下，由于第一个阵元的采样频率F_s不同于压缩采样频率F_cs，所以需要对该阵元的数据进行抽取，以使得其采样点数与其他阵元的采样点数相同。

步骤404：依据近场模型产生延时表：

本步骤中，阵元间延时差为：

${\mathrm{\Δ}}_i\left({\mathrm{\α}}_{n,p}\right)=\{R_p-[R_p^2+{\left((i-1)d\right)}^2-2R_p(i-1)d\cos {\mathrm{\θ}}_n\left]\right\}/c,$

i＝1，2，...，L，n＝1，2，...，N，p＝1，2，...，P。

其中，N表示探测的角度数，P表示探测的距离数，d表示阵元间间距，c表示波速。

Δ_i(α_n，p)也可表示为： ${\mathrm{\Δ}}_i\left({\mathrm{\α}}_{n,p}\right)=[\frac{2\mathrm{\π}(i-1)d}{\mathrm{\λ}}\cos {\mathrm{\θ}}_n+\frac{\mathrm{\π}{\left((i-1)d\right)}^2}{\mathrm{\λ}{R}_p}]$

其中，d表示阵元间间距，λ表示信号波长。

步骤405：计算稀疏基矩阵Ψ：

本步骤中，

i＝1，2，...，L

组合各阵元对应的Ψ_i，其维到 $\mathrm{\Ψ}={[{\mathrm{\Ψ}}_1^T,\·\·\·,{\mathrm{\Ψ}}_L^T]}^T,$ 其维数为LNP×K。

步骤406：产生随机映射矩阵Φ：

本步骤中，φ_i为M×NP维随机产生矩阵，确保φ_i的范数等于1。Φ是LM×LNP维块对角矩阵，φ_i为其块对角元素。

步骤407：计算系数矩阵A：

本步骤中，A＝ΦΨ，其维数为LM×K。

步骤408：设定其他参数：

本步骤中，设定参数ε_N值为

设定线性规划求解所需的其他参数，例如迭代次数等。

步骤409：线性规划求解：

本步骤中，求解的结果是稀疏向量b，其维数是NP×1。

$\hat{b}=\arg \min {\left|\right|b\left|\right|}_1,$ 当‖A^T(β-Ab)‖_∞＜ε_Nσ时，得到稀疏向量b的估计：b＝[b_1，1，b_1，2，...，b_N，P]^T。

这里，线性规划求解是求解线性方程问题的经典理论，例如“S.Boyd and L.Vandenberghe.Convex Optimization.Cambridge University Press，2004.”等很多参考文献中均有详细的描述。

步骤410：确定近场目标定位信息：

本步骤中，稀疏向量b中的非零正元素b_n，p对应方位-距离对α_n。p＝[θ_n，R_p]，也即从预先设定的方位-距离集中得到近场目标的位置信息(方位θ_n和距离R_p)。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1、一种基于线性规划的近场目标定位方法，其特征在于，包括以下步骤：

1)将含L个阵元线列阵中的某个阵元选定为参考阵元，并以参考阵元输出信号作为参考目标信号ζ_rf(t)，

在未知信号形式的情况下，使参考阵元工作在依据奈奎斯特采样定律确定的正常的采样频率下，其他阵元工作在远低于奈奎斯特采样频率下，此时，参考阵元工作的采样频率为F_s，该参考阵元输出信号作为参考目标信号ζ_rf(t)，采样点数设为K，其它阵元的采样频率为F_cs，采样点数为M；

在已知目标信号形式的情况下，包括参考阵元在内所有的阵元均工作在远低于奈奎斯特采样频率下，采样频率为F_cs，此时，直接选定一个已知的目标信号作为参考目标信号；

2)基于参考目标信号，得到所有阵元的采样数据β_i，并且 $\mathrm{\β}={[{\mathrm{\β}}_1^T,\·\·\·{\mathrm{\β}}_L^T]}^T,$ LM×1维，上标T表示转置，

这里，在未知目标信号形式的情况下，由于所述参考阵元的采样频率F_s不同于压缩采样频率F_cs，需要对该参考阵元的数据进行抽取，以使得其采样点数与其他阵元的采样点数相同；

3)生成延时表和稀疏基矩阵Ψ，包括如下子步骤：

31)对每一个阵元产生相应的稀疏基矩阵Ψ_i；

其中，i＝1，2，…，L；n＝1，2，…，N；p＝1，2，…，P，

式中，N表示探测的角度数，P表示探测的距离数，α_n，p＝[θ_n，R_p]表示延时参数对，θ_n代表方位，R_p代表距离，Δ_i(α_n，p)为其它阵元与参考阵元间的延时；

32)将各阵元的稀疏基矩阵组合成阵列的稀疏基矩阵：

$\mathrm{\Ψ}={[{\mathrm{\Ψ}}_1^T,\·\·\·,{\mathrm{\Ψ}}_L^T]}^T,$ LNP×K维；

4)产生随机映射矩阵Φ，并得到系数矩阵A＝ΦΨ，包括如下子步骤：

41)对每一个阵元产生相应的随机映射矩阵φ_i：

φ_i为M×NP维随机产生矩阵；

42)对每一个阵元产生相应的随机映射矩阵Φ；

Φ为LM×LNP维块对角矩阵，φ_i为其块对角元素；

43)依据随机映射矩阵Φ和稀疏基矩阵Ψ，计算系数矩阵A＝ΦΨ；

5)线性规划求解，获取稀疏向量b：

$\hat{b}=\arg \min {\left|\right|b\left|\right|}_1,$ 当||A^T(β-Ab)||_∞＜ε_Nσ时，得到稀疏向量b的估计，其中，参数εN表示误差的容忍度，取值为

稀疏向量b＝[b_1，1，b_1，2，…，b_N，P]^T；

6)基于所获得的稀疏向量b的估计结果，得到近场目标定位信息：

稀疏度向量b中的非零正元素b_n，p对应方位-距离对α_n，p＝[θ_n，R_p]，从而从预先设定的方位-距离集中得到近场目标的位置信息：方位θ_n和距离R_p。

2、如权利要求1所述的基于线性规划的近场目标定位方法，其特征在于，所述步骤1)中，对于未知信号的情况下，所述依据奈奎斯特采样定律确定的常用的采样频率通常高于目标信号频率的2倍以上。

3、如权利要求1所述的基于线性规划的近场目标定位方法，其特征在于，所述步骤31)中，当选取第一个阵元为参考阵元或者直接选取第一个已知信号作为参考信号时，所述其它阵元与参考阵元间的延时Δ_i(α_n，p)的表现式为：

${\mathrm{\Δ}}_i\left({\mathrm{\α}}_{n,p}\right)=\{R_p-[R_p^2+{\left((i-1)d\right)}^2-2R_p(i-1)d\cos {\mathrm{\θ}}_n\left]\right\}/c,$ i＝1，2，…，L，

其中，d表示阵元间间距，c表示波速。

4、如权利要求1所述的基于线性规划的近场目标定位方法，其特征在于，所述步骤31)中，所述其它阵元与参考阵元间的延时Δ_i(α_n，p)，当选取第一个阵元为参考阵元或者直接选取第一个已知信号作为参考信号时，其表现式为：

${\mathrm{\Δ}}_i\left({\mathrm{\α}}_{n,p}\right)=[\frac{2\mathrm{\π}(i-1)d}{\mathrm{\λ}}\cos {\mathrm{\θ}}_n+\frac{\mathrm{\π}{\left((i-1)d\right)}^2}{\mathrm{\λ}{R}_p}]$

其中，d表示阵元间间距，λ表示信号波长。

5、如权利要求1所述的基于线性规划的近场目标定位方法，其特征在于，所述步骤41)中，所述M×NP维随机产生矩阵φ_i的列的选取的依据为：与Ψ_i的互相关性最小，同时确保φ_i的范数等于1。

6、一种基于线性规划的近场目标定位系统，其特征在于，包括：接收阵、前置电路、A/D转换器、微型处理器、动态存取区、数据存储区以及显示设备，

所述前置电路从所述接收阵接收到多通道的模拟信号，每个通道的模拟信号经由所述前置电路的前放、滤波等处理后，再输入到A/D转换器从而得到数字信号，从A/D转换器输出多通道的数字数据流，每个通道的数据流对应于一个构成所述接收阵的传感器所接收到的模拟信号，然后，将这些数字数据流输入到所述微型处理器，微型处理器首先将接收到的数据流存储到所述动态存取区，在输入满足处理要求数量的数据流后开始处理，包括：常规采样、压缩采样、获取压缩采样阵数据、产生延时表、生成基矩阵、生成随机映射矩阵、计算系数矩阵、设定参数、线性规划求解以及目标信息估计过程，经微型处理器处理后输出的目标信息存储到所述数据存储区或直接输出到所述显示设备上显示。

7、如权利要求6所述的基于线性规划的近场目标定位系统，其特征在于，所述微型处理器的具体处理过程如下：

1)将含L个阵元线列阵中的某个阵元选定为参考阵元，并以参考阵元输出信号作为参考目标信号ζ_rf(t)，

在未知信号形式的情况下，使参考阵元工作在依据奈奎斯特采样定律确定的正常的采样频率下，其他阵元工作在远低于奈奎斯特采样频率下，此时，参考阵元工作的采样频率为F_s，该参考阵元输出信号作为参考目标信号ζ_rf(t)，采样点数设为K，其它阵元的采样频率为F_cs，采样点数为M，

在已知目标信号形式的情况下，包括参考阵元在内所有的阵元均工作在远低于奈奎斯特采样频率下，采样频率为F_cs，此时，直接选定一个已知的目标信号作为参考目标信号；

2)基于参考目标信号，得到所有阵元的采样数据β_i，并且 $\mathrm{\β}={[{\mathrm{\β}}_1^T,\·\·\·{\mathrm{\β}}_L^T]}^T,$ LM×1维，上标T表示转置，

这里，在未知目标信号形式的情况下，由于所述参考阵元的采样频率F_s不同于压缩采样频率F_cs，需要对该参考阵元的数据进行抽取，以使得其采样点数与其他阵元的采样点数相同；

3)生成延时表和稀疏基矩阵Ψ，包括如下子步骤：

31)对每一个阵元产生相应的稀疏基矩阵Ψ_i；

其中，i＝1，2，…，L；n＝1，2，…，N；p＝1，2，…，P，

式中，N表示探测的角度数，P表示探测的距离数，α_n，p＝[θ_n，R_p]表示延时参数对，θ_n代表方位，R_p代表距离，Δ_i(α_n，p)为其它阵元与参考阵元间的延时；

32)将各阵元的稀疏基矩阵组合成阵列的稀疏基矩阵：

LNP×K维；

4)产生随机映射矩阵Φ，并得到系数矩阵A＝ΦΨ，包括如下子步骤：

41)对每一个阵元产生相应的随机映射矩阵φ_i：

φ_i为M×NP维随机产生矩阵；

42)对每一个阵元产生相应的随机映射矩阵Φ；

Φ为LM×LNP维块对角矩阵，φ_i为其块对角元素；

43)依据随机映射矩阵Φ和稀疏基矩阵Ψ，计算系数矩阵A＝ΦΨ；

5)线性规划求解，获取稀疏向量b：

$\hat{b}=\arg \min {\left|\right|b\left|\right|}_1,$ 当||A^T(β-Ab)||_∞＜ε_Nσ时，得到稀疏向量b的估计，其中，参数ε_N表示误差的容忍度，取值为

稀疏向量b＝[b_1，1，b_1，2，…，b_N，P]^T；

6)基于所获得的稀疏向量b的估计结果，得到近场目标定位信息：

稀疏度向量b中的非零正元素b_n，p对应方位-距离对α_n，p＝[θ_n，R_p]，从而从预先设定的方位-距离集中得到近场目标的位置信息：方位θ_n和距离R_p。

8、如权利要求6所述的基于线性规划的近场目标定位系统，其特征在于，所述微型处理器采用多片的微型处理器并行处理。

9、如权利要求6所述的基于线性规划的近场目标定位系统，其特征在于，所述微型处理器采用专用硬件或者基于应用的集成电路实现。

Images