CN105954731B - 冲击噪声下基于免疫布谷鸟搜索的双基地mimo雷达测向方法 - Google Patents

冲击噪声下基于免疫布谷鸟搜索的双基地mimo雷达测向方法 Download PDF

Info

Publication number
CN105954731B
CN105954731B CN201610265227.8A CN201610265227A CN105954731B CN 105954731 B CN105954731 B CN 105954731B CN 201610265227 A CN201610265227 A CN 201610265227A CN 105954731 B CN105954731 B CN 105954731B
Authority
CN
China
Prior art keywords
fitness
bird egg
bird
egg
vaccine
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
Application number
CN201610265227.8A
Other languages
English (en)
Other versions
CN105954731A (zh
Inventor
高洪元
李佳
张世铂
刁鸣
刘丹丹
梁炎松
杜亚男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201610265227.8A priority Critical patent/CN105954731B/zh
Publication of CN105954731A publication Critical patent/CN105954731A/zh
Application granted granted Critical
Publication of CN105954731B publication Critical patent/CN105954731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G01S13/003—Bistatic radar systems; Multistatic radar systems

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

本发明提供的是一种冲击噪声下基于免疫布谷鸟搜索的双基地MIMO雷达测向方法。实现步骤如下：获取采样数据；无穷范数归一化处理，获得加权信号协方差矩阵；设定参数并初始化信仰空间；初始化鸟蛋，计算适应度并降序排列，搜寻最优鸟蛋；文化机制制备疫苗；利用Lévy飞行更新鸟蛋，计算适应度并用贪婪选择策略选择；通过重筑新巢更新鸟蛋，计算适应度并用贪婪选择策略选择；根据适应度值降序排列，对较差鸟蛋接种疫苗，计算适应度并以模拟退火机制选择；根据适应度值降序排列，找到并记录最优鸟蛋；判断是否达到最大迭代次数：若未达到继续迭代，否则输出DOD与DOA的估计值。该方法收敛速度快、估计精度高、去相干能力强、抗冲击噪声能力佳，有广泛的应用前景。

Description

冲击噪声下基于免疫布谷鸟搜索的双基地MIMO雷达测向方法
技术领域
本发明涉及的是一种雷达的测向方法，具体地说是一种双基地多输入多输出(Multiple Input Multiple Output，MIMO)雷达的测向方法。
背景技术
MIMO雷达现已成为热门的研究课题，它是在MIMO理论和空时编码理论应用于通信系统并取得重大突破后提出来的一种新型雷达体制，与传统的能够发送多个相干波形的相控阵雷达相比，MIMO雷达可以克服衰落效应并提高空间分辨率，通过波形分集提高检测和估计性能。目前，根据雷达天线的空间分布，MIMO雷达可以分为集中式MIMO雷达和分布式MIMO雷达两类，即所谓的单基地MIMO雷达和双基地MIMO雷达。前者的概念由麻省理工学院林肯实验室的Bliss和Forsythe等人提出，后者的概念则由新泽西技术研究所的Fisher、理海大学的Blum和贝尔实验室的Chizhik等人提出。对于第一类单基地MIMO雷达，其布阵方式与相控阵雷达类似，阵列中各个阵元间距足够小，接收到的是相干信号；而第二类双基地MIMO雷达，它借用了移动通信中空间分集的思想，阵列中各个阵元间距足够大，从而可以从多个不同角度同时照射目标以获得空间分集增益，从而提高检测和估计性能以及空间分辨率。与单基地MIMO雷达不同，双基地MIMO雷达的发射阵列和接收阵列分开配置，因此，给定目标的波离角(Direction of Departure，DOD)与波达角(Direction of Arrival，DOA) 是不同的，需要同时估计出目标的DOD与DOA。
在双基地MIMO雷达的研究中，目标的DOD和DOA估计是非常重要的研究方向，近些年引起相关学者和研究机构的研究热潮，并在国际会议和期刊上发表了大量的科研成果。经对现有的技术文献检索发现，Mohamed Laid Bencheikh等在信号处理(SignalProcessing) 上发表的“Polynomial root finding technique for joint DOA DODestimation in bistatic MIMO radar”中提出了基于MUSIC算法的双基地MIMO雷达的DOD和DOA估计方法，但是需要全面的谱峰搜索，其运算量巨大；Jinli C.等在电子快报(Electronics Letters)上发表的“Angle estimation using ESPRIT without pairingin MIMO radar”中提出了无需额外配对的ESPRIT算法，但在以上的研究方法中，信号模型中的接收噪声主要考虑的是高斯噪声，采用二阶或高阶统计量的方法进行处理，而关于冲击噪声下的测向研究则少有涉及。
大量研究表明，雷达实际工作情况下的噪声通常是具有代数拖尾概率密度函数的冲击噪声，而这类冲击噪声更适合用对称ɑ稳定(Symmetricɑ-Stable，SɑS)分布进行表征，但其不存在二阶及以上矩，这使得传统的基于二阶或高阶累积量的DOD与DOA估计方法性能恶化。另外，大多数测向算法属于子空间分解类算法(如MUSIC算法和ESPRIT算法)，需要将信号子空间和噪声子空间进行分离，且要求目标是非相干，还需要充足的独立同分布的样本(即大的快拍数)，而且目标的信噪比要高，才能够正确地完成测向任务。基于子空间分解类算法的测向方法都只能应用于均匀线阵的情况，而属于参数模型拟合类的最大似然(Maximum Likelihood，ML)算法则可应用于任意几何形状的阵列，以及任意的样本数量。将最大似然算法应用于双基地MIMO雷达目标的DOD和DOA估计，其在信噪比低、快拍数小以及相干信源情况下都具有优异的性能，但是ML估计涉及了一个多维非线性优化的问题，其运算量相当大。
发明内容
本发明的目的在于提供一种收敛速度快、估计精度高、鲁棒性好、去相干能力强、抗冲击噪声能力佳的冲击噪声下基于免疫布谷鸟搜索的双基地MIMO雷达测向方法。
本发明的目的是这样实现的：
步骤一：获取信号采样数据；
步骤二：对接收到的采样数据进行无穷范数归一化预处理，获得加权信号协方差矩阵；
步骤三：设定参数并初始化信仰空间；
步骤四：初始化鸟蛋，计算所有鸟蛋的适应度并降序排列，寻找当前最优适应度，对应的即为最优鸟蛋；
步骤五：利用文化机制制备疫苗母本，将制备好的疫苗母本放入疫苗库等待接种；
步骤六：利用Lévy飞行更新鸟蛋，计算Lévy飞行更新鸟蛋适应度并用贪婪选择策略对 Lévy飞行更新鸟蛋进行选择；
步骤七：通过重筑新巢更新鸟蛋，计算重筑新巢更新鸟蛋适应度并再用贪婪选择策略对重筑新巢更新鸟蛋进行选择；
步骤八：根据当前所有鸟蛋的适应度值进行降序排列，对适应度较差的鸟蛋接种疫苗，然后计算接种疫苗鸟蛋的适应度并以模拟退火机制对接种疫苗鸟蛋进行选择；所述较差的鸟蛋是选取20％适应度较差的个体；
步骤九：根据当前所有鸟蛋的适应度值进行降序排列，找到并记录本次迭代的最优鸟蛋；
步骤十：判断是否达到最大迭代次数：如果未达到，返回步骤五继续迭代；否则结束，输出最优鸟蛋，经过变换即为相应DOD与DOA的无穷范数最大似然估计值。
本发明针对冲击噪声下双基地MIMO雷达所面临的测向难题，设计了无穷范数归一化的方法进行解决。为了有效地解决ML估计运算量大的问题，本发明利用群智能优化提出了免疫布谷鸟搜索(Immune Cuckoo Search，ICS)机制，这既能够加快收敛速度，又能够提高估计精度。本发明中ICS机制是受布谷鸟行为的启发，在布谷鸟搜索的基础上，借鉴免疫系统能够产生多样性抗体的能力，引入了人工免疫机制，利用文化机制制备疫苗，在疫苗接种完毕后，以模拟退火机制进行个体选择，从而提出了基于ICS的双基地MIMO雷达的无穷范数最大似然测向方法。
本发明的有益效果：
(1)设计无穷范数最大似然的方法解决了在冲击噪声下双基地MIMO雷达的测向问题，拓展了其适用范围，不仅适用于高斯噪声环境，而且适用于弱冲击噪声和强冲击噪声环境。
(2)所设计的基于免疫布谷鸟搜索机制的无穷范数最大似然测向方法，在任意阵列形状、强冲击噪声环境、低信噪比、小快拍数以及相干信源的情况下都具有优异性能。
(3)提出的免疫布谷鸟搜索机制是受布谷鸟行为的启发，在布谷鸟搜索的基础上，借鉴免疫系统能够产生多样性抗体的能力，引入了人工免疫机制，利用文化机制制备疫苗，在疫苗接种完毕后，以模拟退火机制进行个体选择，这既能够加快收敛速度，又能够提高估计精度。
附图说明
图1是冲击噪声下基于免疫布谷鸟搜索的双基地MIMO雷达测向方法的示意图。
图2是免疫布谷鸟搜索的流程图。
图3是双基地MIMO雷达的系统布局图。
图4是三个非相干目标的DOD与DOA的估计结果图。
图5是三个相干目标的DOD与DOA的估计结果图。
图6是迭代次数与适应度值的关系图。
图7是成功概率与广义信噪比的关系图。
具体实施方式
本发明的冲击噪声下基于ICS的双基地MIMO雷达的测向方法是针对经典的双基地MIMO雷达的测向方法在冲击噪声环境下性能下降恶劣甚至失效的难题，通过设计双基地MIMO雷达的无穷范数最大似然测向方法成功解决冲击噪声环境下的测向鲁棒性和去相干等难题，使其在信噪比低、快拍数小以及相干信源情况下都具有优异的性能，进而提出了基于 ICS机制的双基地MIMO雷达的无穷范数最大似然测向方法。而提出的ICS机制是受布谷鸟行为的启发，在CS的基础上，借鉴免疫系统能够产生多样性抗体的能力，从而引入了人工免疫机制，利用文化机制制备疫苗，在疫苗接种完毕后，以模拟退火机制进行个体选择。所设计的基于ICS机制的无穷范数最大似然MIMO雷达测向方法具有收敛速度快、估计精度高、鲁棒性好、去相干能力强、抗冲击噪声能力佳等优势，具有更广泛的应用前景。
结合图1和图2，本发明解决问题所采用方案的步骤如下：
步骤一：获取信号采样数据。
假设双基地MIMIO雷达的发射端和接收端分别由阵元数为M和N的均匀线阵构成，且相邻阵元的间距为半波长，在发射端发射相同载频的M路窄带正交波形。假定发射阵列和接收阵列处于同一相位中心，空间存在P个远场目标，其DOD和DOA分别为θi和φi(i＝1,2,...,P)，目标对各发射信号生成的回波相互统计独立，在时刻ξ采样接收到的信号为其中βi为第i个目标的复振幅；atm(θi)为M×1维角度θi的发射导向矢量；arc(φi)为N×1维角度φi的接收导向矢量；S(ξ)＝[s1(ξ),s2(ξ),...,sM(ξ)]T为 M×1维发射信号矢量；n*(ξ)为N×1维接收的冲击噪声矢量。因此，r(ξ)经过匹配滤波后的输出可表示为其中表示Kronecker积；为MN×P维发射接收阵列流形；β＝[β1,β2,...,βP]T为P×1维复振幅矢量；n为MN×1维输出的冲击噪声矢量。现利用独立同分布的多个样本{θi,φi}(i＝1,2,...,P)进行估计，相应的快拍信号模型可表示为 y(k)＝Aβ(k)+n(k)，其中y(k)为第k个样本(k＝1,2,...,K，K为快拍数)。
步骤二：对接收到的数据进行无穷范数归一化预处理，获得加权信号协方差矩阵。
对第k个快拍的数据向量y(k)进行无穷范数归一化处理，其加权系数为ω(k)＝1/max{|y1(k)|,|y2(k)|,...,|yMN(k)|}，则接收信号y(k)经过ω(k)加权处理后的响应可表示为z(k)＝ω(k)y(k)＝Aω(k)β(k)+ω(k)n(k)＝Ar(k)+v(k)。从而，获得的加权信号z(k)的协方差矩阵为则{θi,φi}(i＝1,2,...,P)的无穷范数最大似然估计为其中tr[·]为矩阵的迹；为投影矩阵。
步骤三：设定参数并初始化信仰空间。
设定种群数量、发现概率、搜索区间、疫苗提取及接种比例、初始温度、最大迭代次数等参数，并初始化信仰空间。这里选用规范知识G＝<G1,G2,...,G2P>用以保存2P个参量的取值区间Gj(j＝1,2,...,2P)，区间Gj用<Ij,Lj,Uj>的形式表示，其中Ij＝[lj,uj]为第j个规范知识的区间信息，初始设置为定义区间的边界，lj为第j个规范知识的下界，uj为第j个规范知识的上界；Lj为第j个规范知识的下界lj对应的适应度值，Uj为第j个规范知识的上界uj对应的适应度值，由于该测向问题需要求解最大值，故将适应度值均初始化为-∞。
步骤四：初始化鸟蛋，计算所有鸟蛋的适应度并降序排列，寻找当前最优适应度，对应的即为最优鸟蛋。
假设Q个鸟蛋的种群(t为迭代次数)需要从初始代(t＝0)进化到最大迭代次数，每只鸟蛋代表一个2P维向量其中每一维度 (j＝1,2,...,2P)相当于一个待估计角度。初始种群随机产生，其中每个个体服从均匀分布，其初始化公式为其中为搜索角度区间的下界；为搜索角度区间的上界；rand为[0,1]间服从均匀分布的随机数。第i只鸟蛋的质量由适应度函数进行评估，其结果为鸟蛋的适应度值，计算初始种群中每个个体的适应度，根据适应度值搜寻最优鸟蛋。
步骤五：利用文化机制制备疫苗母本，将制备好的疫苗母本放入疫苗库等待接种。
利用文化机制制备疫苗母本，首先种群空间通过接受函数选取较优个体传递到信仰空间用于知识更新，现以20％的比例选取种群空间中适应度较优的个体。对于规范知识，假设第 t代的个体影响Gj的下界，而第t代的个体影响Gj的上界，则更新方程为 其中和分别为第t代第j个规范知识的下界和上界的适应度值。信仰空间建立起来以后，将通过影响函数对种群空间中个体的进化来进行引导，这里仍以20％的比例进行引导，而规范知识可以通过改变变化步长和方向来引导个体进化，从而第i只鸟蛋所制备的疫苗母本为其疫苗制备方程为其中，i＝1,2,...,0.2Q，j＝1,2,...,2P；randn为服从标准正态分布的随机数；η为步长收缩因子，这里取之为0.06。在规范知识的引导下就制备了疫苗母本，把利用文化机制制备的疫苗母本放入疫苗库等待接种。
步骤六：利用Lévy飞行更新鸟蛋，计算其适应度并用贪婪选择策略对鸟蛋进行选择。
Lévy飞行即通过对当前解增加一个扰动ci从而产生新的可行解为获得ci，首先通过对称的Lévy分布产生一个随机步长si，由Mantegna算法可得到si＝w/|v|1/ε，其中ε＝3/2；w＝[w1,w2,...,w2P]和v＝[v1,v2,...,v2P]均为2P维向量。另外，向量w和向量v的每个元素均服从正态分布，即其中σw＝{[Γ(1+ε)·sin(π·ε/2)]/[Γ((1+ε)/2)·ε·2(ε-1)/2]}1/ε，σv＝1；Γ(·)为Gamma分布。进而位置扰动为其中表示元素相乘；ebest为当前最优解，最终新的鸟蛋可行解为利用Lévy飞行产生个体后，计算其适应度并用贪婪选择策略对个体进行选择，即通过与个体的适应度值进行比较，决定需要保留的个体：如果的适应度值优于的适应度值，则将成为可行解而被保留；否则，个体被保留下来，即
步骤七：通过重筑新巢更新鸟蛋，计算其适应度并再用贪婪选择策略对鸟蛋进行选择。
重筑新巢即鸟蛋将以发现概率pa∈[0,1]随机地被选中并进行更新。为此，将产生一个[0,1]间服从均匀分布的随机数r1，如果r1小于pa，则鸟蛋更新为其中rand为[0,1]间服从均匀分布的随机数，d1和d2为[1,Q]间的随机整数，然后计算其适应度并再用贪婪选择策略对个体进行选择；否则，鸟蛋保持不变，即
步骤八：根据当前所有鸟蛋的适应度值进行降序排列，对适应度较差的鸟蛋接种疫苗，然后计算接种疫苗鸟蛋的适应度并以模拟退火机制对其进行选择。
利用疫苗库中制备好的疫苗母本，对适应度较差个体上随机选出的基因位用疫苗母本对应的信息位来替代(这里选取20％适应度较差的个体，即i＝0.8Q+1,0.8Q+2,...,Q的个体)，疫苗接种产生的新个体为疫苗接种完毕后，清空疫苗库，计算接种疫苗鸟蛋的适应度并以模拟退火机制对个体进行选择。在温度为τt时，根据适应度选取较优的个体，但如果产生的新个体变差，对于第i个个体，以概率接受该个体，其中为新个体；为接种个体。温度τt采用固定衰减因子的方法进行更新，即τt+1＝λ·τt，其中λ为衰减因子，这里取0.95。
步骤九：根据当前所有鸟蛋的适应度值进行降序排列，找到并记录本次迭代的最优鸟蛋。
步骤十：判断是否达到最大迭代次数：如果未达到，返回步骤五继续迭代；否则结束，输出最优鸟蛋，经过变换即为相应DOD与DOA的无穷范数最大似然估计值。
该实施方式：设计无穷范数最大似然的方法解决了在冲击噪声下双基地MIMO雷达的测向问题，拓展了其适用范围，不仅适用于高斯噪声环境，而且适用于弱冲击噪声和强冲击噪声环境；所设计的基于免疫布谷鸟搜索的无穷范数最大似然测向方法，在任意阵列形状、强冲击噪声环境、低信噪比、小快拍数以及相干信源的情况下都具有优异性能；提出的免疫布谷鸟搜索机制是受布谷鸟行为的启发，在布谷鸟搜索的基础上，借鉴免疫系统能够产生多样性抗体的能力，引入了人工免疫机制，利用文化机制制备疫苗，在疫苗接种完毕后，以模拟退火机制进行个体选择，这既能够加快收敛速度，又能够提高估计精度。
在图3中，双基地MIMIO雷达的发射端和接收端分别由阵元数为M和N的均匀线阵构成，且相邻阵元的间距为半波长。假定接收阵列和发射阵列处于同一相位中心，空间存在P个远场目标，在发射端发射相同载频的M路窄带正交波形，目标对各发射信号生成的回波相互统计独立，θi和φi分别为第i个目标的DOD和DOA。
在图4和图5所示的仿真中，双基地MIMO雷达发射端和接收端均由阵元数为6的均匀线阵构成，且两端相邻阵元的间距均为半波长，并定义广义信噪比为 其中E(|s(k)|2)为信号的平均功率，γ为冲击噪声的偏移系数，即离差。假设有3个非相干的目标，它们分别为(θ1,φ1)＝(24°,30°)、(θ2,φ2)＝(72°,45°)、 (θ3,φ3)＝(31°,78°)，在快拍数为20、SɑS分布的特征指数为0.95、广义信噪比为25dB、种群数量为60、发现概率为0.25、搜索区间为[0°,90°]、疫苗提取及接种比例均为20％、初始温度为10000、最大迭代次数为100以及Monte Carlo试验次数为100的情况下，这3个非相干目标的DOD与DOA的无穷范数最大似然估计结果如图4所示。同理，图5表现的是在相同条件下，3个相干目标DOD与DOA的无穷范数最大似然估计结果。从中可以看出，无论是非相干目标还是相干目标都能被准确地估计，这也充分说明了无穷范数最大似然方法既适用于非相干目标的估计又适用于相干目标的估计。
在图6所示的仿真中，表现了一次Monte Carlo试验中CS和ICS两种方法的迭代次数与适应度值的关系，其他参数设置与图4的仿真相同。仿真结果表明，随着迭代次数的增加逐渐收敛至最优解，且ICS收敛更快。
在图7所示的仿真中，显示了MUSIC、ESPRIT和ICS三种方法的估计成功概率与广义信噪比的关系。为了表明ICS的优势，将其与Mohamed Laid Bencheikh等在“Polynomialroot finding technique for joint DOA DOD estimation in bistatic MIMO radar”中提出的MUSIC算法及Jinli C.等在“Angle estimation using ESPRIT without pairingin MIMO radar”中提出的ESPRIT 算法进行比较，并均对接收到的数据进行无穷范数归一化预处理，获得加权信号协方差矩阵。这里定义所有角度估计的偏差均不大于1°为一次成功估计，广义信噪比以5dB为间隔从5dB 变化到30dB，Monte Carlo试验次数为500，其他参数设置与图4的仿真相同。从中可以看出，随着广义信噪比的增加其成功概率也逐渐增加，且ICS的估计成功概率明显高于经典的子空间分解类方法，尤其在高信噪比的区域。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (2)

1.一种冲击噪声下基于免疫布谷鸟搜索的双基地MIMO雷达测向方法，其特征是：
步骤一：获取信号采样数据；
步骤二：对接收到的采样数据进行无穷范数归一化预处理，获得加权信号协方差矩阵；
步骤三：设定参数并初始化信仰空间；
步骤四：初始化鸟蛋，计算所有鸟蛋的适应度并降序排列，寻找当前最优适应度，对应的即为最优鸟蛋；
步骤五：利用文化机制制备疫苗母本，将制备好的疫苗母本放入疫苗库等待接种；
步骤六：利用Lévy飞行更新鸟蛋，计算Lévy飞行更新鸟蛋适应度并用贪婪选择策略对Lévy飞行更新鸟蛋进行选择；
步骤七：通过重筑新巢更新鸟蛋，计算重筑新巢更新鸟蛋适应度并再用贪婪选择策略对重筑新巢更新鸟蛋进行选择；
步骤八：根据当前所有鸟蛋的适应度值进行降序排列，对适应度较差的鸟蛋接种疫苗，然后计算接种疫苗鸟蛋的适应度并以模拟退火机制对接种疫苗鸟蛋进行选择；
步骤九：根据当前所有鸟蛋的适应度值进行降序排列，找到并记录本次迭代的最优鸟蛋；
步骤十：判断是否达到最大迭代次数：如果未达到，返回步骤五继续迭代；否则结束，输出最优鸟蛋，经过变换即为相应DOD与DOA的无穷范数最大似然估计值。
2.根据权利要求1所述的冲击噪声下基于免疫布谷鸟搜索的双基地MIMO雷达测向方法，其特征是：所述较差的鸟蛋是选取20％适应度较差的个体。
CN201610265227.8A 2016-04-26 2016-04-26 冲击噪声下基于免疫布谷鸟搜索的双基地mimo雷达测向方法 Active CN105954731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610265227.8A CN105954731B (zh) 2016-04-26 2016-04-26 冲击噪声下基于免疫布谷鸟搜索的双基地mimo雷达测向方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610265227.8A CN105954731B (zh) 2016-04-26 2016-04-26 冲击噪声下基于免疫布谷鸟搜索的双基地mimo雷达测向方法

Publications (2)

Publication Number Publication Date
CN105954731A CN105954731A (zh) 2016-09-21
CN105954731B true CN105954731B (zh) 2018-02-13

Family

ID=56915898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610265227.8A Active CN105954731B (zh) 2016-04-26 2016-04-26 冲击噪声下基于免疫布谷鸟搜索的双基地mimo雷达测向方法

Country Status (1)

Country Link
CN (1) CN105954731B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092005B (zh) * 2017-06-16 2020-05-15 中国电子科技集团公司第二十九研究所 一种时空联合的阵列处理方法及装置
CN107290732B (zh) * 2017-07-11 2020-05-22 哈尔滨工程大学 一种量子大爆炸的单基地mimo雷达测向方法
CN107992945B (zh) * 2017-12-14 2020-03-24 浙江工业大学 基于深度学习和进化计算的特征基因选择方法
CN109683125B (zh) * 2018-11-16 2021-02-12 中国电子科技集团公司第三十八研究所 一种免疫飞蛾扑火机制的特殊阵列测向方法
CN109669155A (zh) * 2018-11-16 2019-04-23 中国电子科技集团公司第三十八研究所 一种冲击噪声环境下的波束空间测向方法
CN111398890B (zh) * 2020-03-24 2023-02-03 南京信息工程大学 一种基于协方差矩阵重构的布谷鸟搜索doa估计方法
CN112596036B (zh) * 2020-09-25 2023-09-22 南京信息工程大学 一种冲击噪声下mimo雷达阵列的诊断方法
CN114024589B (zh) * 2021-11-11 2024-02-06 深圳大学 一种miso通信系统设计方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0719995D0 (en) * 2007-10-12 2007-11-21 Qinetiq Ltd Radar method and apparatus suitable for use in multipath environments
CN103885048B (zh) * 2014-03-20 2016-02-03 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
CN104330783A (zh) * 2014-11-05 2015-02-04 河海大学 基于高阶累积量的双基地mimo雷达的参数估计方法
CN104730517B (zh) * 2015-03-23 2017-01-25 西安电子科技大学 双基地多输入多输出雷达多目标跟踪方法
CN104931931B (zh) * 2015-05-18 2017-11-21 哈尔滨工程大学 互耦条件下基于张量实值子空间的双基地mimo雷达角度估计方法

Also Published As

Publication number Publication date
CN105954731A (zh) 2016-09-21

Similar Documents

Publication Publication Date Title
CN105954731B (zh) 冲击噪声下基于免疫布谷鸟搜索的双基地mimo雷达测向方法
CN106501801B (zh) 一种基于混沌多种群共生进化的双基地mimo雷达跟踪方法
CN105426578A (zh) 一种基于遗传算法的mimo-sar面阵天线阵元位置优化方法
CN103902826B (zh) 一种冲击噪声环境下的多移动目标跟踪方法
Zhang et al. An efficient machine learning approach for indoor localization
CN107944133B (zh) 基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法
CN108169708A (zh) 模块化神经网络的直接定位方法
CN107657098A (zh) 基于量子鸡群演化机制的环形天线阵列稀疏方法
CN110244272A (zh) 基于秩一去噪模型的波达方向估计方法
CN108594194A (zh) 基于四线性分解的双基地mimo雷达角度估算方法
CN113128121B (zh) 基于强化学习与蒙特卡洛搜索树的mimo雷达布站方法
Panigrahi et al. Distributed DOA estimation using clustering of sensor nodes and diffusion PSO algorithm
CN107290732A (zh) 一种量子大爆炸的单基地mimo雷达测向方法
CN108983142A (zh) 一种基于量子鲸鱼优化机制的近场源测向方法
Yang et al. Model-based learning network for 3-D localization in mmWave communications
Zhang et al. Underwater TDOA/AOA joint localization algorithm based on hybrid invasive weed optimization algorithm
CN107656239A (zh) 一种基于极化敏感阵列的相干信源测向方法
Zhong et al. Constant modulus mimo radar waveform design via iterative optimization network method
CN110174658A (zh) 基于秩一降维模型和矩阵补全的波达方向估计方法
CN109212465A (zh) 一种基于文化蚁狮机制的特殊阵列动态测向方法
CN103473599A (zh) 一种基于遗传算法和卡尔曼滤波的rbfn组合训练方法
Xu et al. Vehicle location in edge computing enabling IoTs based on bistatic FDA-MIMO radar
CN113406586B (zh) 基于约束张量分解的mimo雷达二维波达方向估计方法
Li et al. Joint Localization and Environment Sensing of Rigid Body With 5G Millimeter Wave MIMO
Kumar et al. Genetic Algorithm based optimization of uniform circular array

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant