CN105182292B

CN105182292B - 一种基于模式搜索算法的多波形相位编码方法

Info

Publication number: CN105182292B
Application number: CN201510520150.XA
Authority: CN
Inventors: 崔国龙; 杨亚; 李乾; 刘加欢; 易伟; 黎亮; 孔令讲; 杨晓波
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2015-08-24
Filing date: 2015-08-24
Publication date: 2017-11-10
Anticipated expiration: 2035-08-24
Also published as: CN105182292A

Abstract

本专利公开了一种基于模式搜索算法的多波形相位编码方法，属于雷达技术领域，特别涉及雷达波形编码方法。该编码方法获得的多波形的自相关和互相关函数在指定的延时区间有低旁瓣水平，解决了现有技术计算量大的问题。其实现过程为：1.构造多维优化问题的目标函数；2.对目标函数进行化简，用模式搜索算法求解化简的目标函数；3.经过多次迭代，直到系统不再接受任何相位改变时即获得了满足相关特性需求的波形设计。该发明与Weighted Cyclic Algorithm New,WeCAN方法相比，收敛速度快，计算量小,可有效设计出指定的延时区间上具有更低的自相关和互相关旁瓣的相位编码多波形。

Description

一种基于模式搜索算法的多波形相位编码方法

技术领域

本发明属于雷达技术领域，特别涉及雷达波形编码方法。

背景技术

MIMO雷达与传统的相控阵雷达相比，具有更大的孔径、更好的分辨力、检测性能和自适应的波束形成能力。因此，需要设计满足要求的多波形应用于MIMO雷达。另外，设计随着近年来军事装备的发展，现代战争中大量应用隐身飞行器、无人机和巡航导弹等低反射截面积(RCS)飞行器，目标回波能量显著减小，严重降低了雷达的探测性能。为了通过提高信噪比来改善雷达探测性能，典型的方法有脉冲压缩，但此方法会产生较高的距离旁瓣，包括自相关旁瓣和互相关旁瓣。

通过设计具有低自相关和互相关旁瓣的波形，能够减小旁瓣对检测性能的影响，但采用优化方法抑制全部距离旁瓣的能力有限。在某些实际应用中，可根据已知先验信息抑制某些时间间隔的距离旁瓣，降低优化难度，得到更低的距离旁瓣。另外，恒模波形不仅可以增加发射功率，而且易于硬件实现。因此，设计具有恒模特性且能够优化特定时间间隔自相关和互相关旁瓣的多波形具有重要的理论价值和实际意义。目前，国内外针对特定延时区间上具有好的自相关和互相关特性的多波形设计已经做了一些研究，文献“Designingunimodular sequence sets with good correlations-Including an application toMIMO radar，IEEE transactions on signal processing,57(11):4391-4405,2009”提出WeCAN算法，通过循环迭代设计在特定延时区间具有低的自相关和互相关旁瓣的多波形，但此算法收敛速度慢，需要很多的迭代次数，降低了运算效率。

发明内容

本发明所要解决的技术问题是，提出了一种基于模式搜索算法的多波形相位编码方法，能够以较小的计算量得到在特定延时区间具有低自相关和互相关旁瓣的恒模多波形，提高波形编码的效率。

本发明为解决上述技术问题所采用的技术方案是，先根据需要抑制的自相关和互相关旁瓣区域构建目标函数。将多维优化问题转化为一维搜索，化简目标函数，然后用模式搜索算法进行优化；经过多次迭代可以得到具有好的相关特性的波形。因而本发明一种基于模式搜索算法的多波形相位编码方法，包括以下步骤：

步骤1：初始化参数；

假设MIMO雷达发射的M个长度均为N的相位编码信号相位集Φ＝[φ₁,…,φ_M]，其中φ_m,m＝1,2,…M是一个长度为N列向量，表示第m个长度为N的波形的相位,则第m个信号可表示为：

其中φ_m(n)(-π<φ_m(n)≤π)是第m个信号的第n个子脉冲的相位；对相位矩阵Φ初始化为符合独立高斯分布的随机变量；

s_m,m＝1,…,M的自相关旁瓣向量为r_m(k),k＝-(N-1),…N-1，对应的自相关函数旁瓣加权w_k,k＝1,…,N-1；s_m,m＝1,…,M与s_l,l＝1,…，M,m≠l的互相关函数为r_ml(k),k＝-(N-1),…N-1，对应的互相关函数旁瓣加权v_k,k＝-(N-1),…,N-1；加权系数w_k,k＝1,…,N-1和v_k,k＝-(N-1),…,N-1是根据实际场景确定的；

步骤2用模式搜索算法求解波形相位；

2.1、代价函数

将指定延时区间内自相关和互相关旁瓣的加权和作为目标函数。因此目标函数表示为

2.2、化简代价函数

当改变s_m的第n个相位，使其有相位增量Δφ时，则目标函数中只有s_m的自相关函数和与其有关的互相关函数部分发生变化；只对目标函数变化的部分进一步化简，获得目标函数为关于相位增量Δφ的三角函数的形式

其中

其中Re{·}表示取实部，Im{·}表示取虚部。

其中向量q_r,m,n,q_c,m,n是两个与第n行和第n列元素有关的(N-1)×1向量

g_m,n(k)＝r_m(k)-q_r,m,n(k)-q_c,m,n(k)且k＝1,…N-1。

q_ml,n是一个与的第n行元素有关的(2N-1)×1向量

h_ml,n(k)＝r_ml(k)-q_ml,n(k+N)

2.3：模式搜索法计算最优解

对Φ中的每个相位φ_m(n),m＝1,…,M；n＝1,…,N，设其相位增量为Δφ，求出目标函数求解出使目标函数最小的Δφ^*；更新相位，即用φ_m(n)+Δφ*代替原来的相位φ_m(n)；

2.4：重复步骤2.2、2.3，直到满足停止准则为止；停止准则可以为迭代次数或前后两次迭代优化变量的变化(||Φ'-Φ||<ε，ε为常数)。

本发明设计自相关和互相关函数特定区域具有凹槽的多个波形，将多维优化问题转化为一维搜索，简化了目标函数，从而具有收敛速度快，计算量小的优点。

附图说明

图1基于模式搜索的多波形优化流程简图；

图2基于模式搜索的多波形设计流程图；

图3(a)优化波形1(b)优化波形2(c)优化波形3基于模式搜索算法和WeCAN算法优化波形的自相关函数对比图；

图4(a)优化波形1和3(b)优化波形1和2(c)优化波形2和3波形基于模式搜索算法和WeCAN算法优化波形的互相关函数对比图；

图5基于模式搜索算法和WeCAN算法优化波形收敛曲线对比图。

具体实施方式

本发明主要采用计算机仿真的方法进行验证，所有步骤、结论都在MATLAB-R2010a上验证正确。具体实施步骤如下：

步骤1初始化参数：

波形个数为M＝3，每个波形的码片个数为N＝100；自相关函数旁瓣加权为

互相关函数旁瓣加权为

基于模式搜索算法(简称PS算法)的迭代次数为1000次，WeCAN算法的迭代次数为10⁵次。

本发明的优点是降低了优化波形的计算量，可有效获得特定延时区间的低距离旁瓣，改善目标检测性能。本发明可应用于雷达波形设计等领域。

仿真实验中，通过PS算法和WeCAN算法得到的优化波形的自相关函数对比结果如图3所示，其互相关函数对比结果如图4所示。图3和图4表明PS算法和WeCAN算法都能有效设计在特定延时区间有低距离旁瓣的波形，且PS算法优化波形距离旁瓣略优于WeCAN算法优化波形。图5表明两种算法目标函数收敛曲线对比图，可以看出WeCAN算法比PS算法的收敛速度慢很多；PS算法进行1000次迭代的优化效果比WeCAN算法进行10⁵此迭代的效果好。由于PS算法和WeCAN算法每次迭代所需的计算量都为ο(MN²)，因此PS算法比WeCAN算法的计算量小至少两个数量级。说明与WeCAN算法相比，本发明可以大大降低计算量，提高优化效率，特别在实时处理的情况下有明显优势。

通过本发明的具体实施可以看出，本发明能够有效优化发射波形，优化波形的自相关和互相关函数在特定的延时区间内具有低旁瓣。

Claims

1.一种基于模式搜索算法的多波形相位编码方法，包括以下步骤：

步骤1：初始化参数；

其中φ_m(n)是第m个信号的第n个子脉冲的相位,且-π＜φ_m(n)≤π；对相位矩阵Φ初始化为符合独立高斯分布的随机变量；

s_m,m＝1,…,M的自相关旁瓣向量为r_m(k),k＝-(N-1),…N-1，对应的自相关函数旁瓣加权w_k,k＝1,…,N-1；s_m,m＝1,…,M与s_l,l＝1,…,M,m≠l的互相关函数为r_ml(k),k＝-(N-1),…N-1，对应的互相关函数旁瓣加权v_k,k＝-(N-1),…,N-1；加权系数w_k,k＝1,…,N-1和v_k,k＝-(N-1),…,N-1是根据实际场景确定的；

步骤2用模式搜索算法求解波形相位；

2.1、代价函数

将指定延时区间内自相关和互相关旁瓣的加权和作为目标函数；因此目标函数表示为

<mrow> <mi>J</mi> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>w</mi> <mi>k</mi> </msub> <msub> <mi>r</mi> <mi>m</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mo>-</mo> <mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>v</mi> <mi>k</mi> </msub> <msub> <mi>r</mi> <mrow> <mi>m</mi> <mi>l</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow>

2.2、化简代价函数

J_m,n＝γ₀+γ₁cosΔφ+γ₂sinΔφ+γ₃cos2Δφ+γ₄sin2Δφ

其中

<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&gamma;</mi> <mn>0</mn> </msub> <mo>=</mo> <msub> <mi>&alpha;</mi> <mn>0</mn> </msub> <mo>+</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>&beta;</mi> <mrow> <mn>0</mn> <mi>l</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&gamma;</mi> <mn>1</mn> </msub> <mo>=</mo> <msub> <mi>&alpha;</mi> <mn>1</mn> </msub> <mo>+</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>&beta;</mi> <mrow> <mn>1</mn> <mi>l</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&gamma;</mi> <mn>2</mn> </msub> <mo>=</mo> <msub> <mi>&alpha;</mi> <mn>2</mn> </msub> <mo>+</mo> <munderover> <mi>&Sigma;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>&beta;</mi> <mrow> <mn>2</mn> <mi>l</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&gamma;</mi> <mn>3</mn> </msub> <mo>=</mo> <msub> <mi>&lambda;&alpha;</mi> <mn>3</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&gamma;</mi> <mn>4</mn> </msub> <mo>=</mo> <msub> <mi>&lambda;&alpha;</mi> <mn>4</mn> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced>

<mrow> <msub> <mi>&alpha;</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>w</mi> <mi>k</mi> </msub> <msub> <mi>a</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>3</mn> <mo>,</mo> <mn>4</mn> </mrow>

<mrow> <msub> <mi>&beta;</mi> <mrow> <mi>j</mi> <mi>l</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mo>-</mo> <mi>N</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>w</mi> <mi>k</mi> </msub> <msub> <mi>b</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> </mrow> 1

其中Re{·}表示取实部，Im{·}表示取虚部；

g_m,n(k)＝r_m(k)-q_r,m,n(k)-q_c,m,n(k)且k＝1,…N-1；

q_ml,n是一个与的第n行元素有关的(2N-1)×1向量

h_ml,n(k)＝r_ml(k)-q_ml,n(k+N)

2.3：模式搜索法计算最优解

对Φ中的每个相位φ_m(n),m＝1,…,M；n＝1,…,N，设其相位增量为Δφ，求出目标函数J_m,n，求解出使目标函数最小的Δφ^*；更新相位，即用φ_m(n)+Δφ^*代替原来的相位φ_m(n)；

2.4：重复步骤2.2、2.3，直到满足停止准则为止；停止准则可以为迭代次数或前后两次迭代优化变量的变化||Φ'-Φ||＜ε，ε为常数。