CN107229041A

CN107229041A - 一种mimo雷达波达方向估计方法和装置

Info

Publication number: CN107229041A
Application number: CN201610172209.5A
Authority: CN
Inventors: 王会文
Original assignee: Xian Zhongxing New Software Co Ltd
Current assignee: Xian Zhongxing New Software Co Ltd
Priority date: 2016-03-23
Filing date: 2016-03-23
Publication date: 2017-10-03
Also published as: WO2017161874A1

Abstract

本发明实施例公开了一种MIMO雷达波达方向估计方法，MIMO雷达的天线阵列为用于发射信号并接收回波信号的M元均匀线阵；所述方法包括：利用MIMO雷达天线阵列接收回波信号，对所述回波信号进行匹配滤波处理，得出接收数据；构造与MIMO雷达天线阵列阵元个数有关的可逆矩阵，利用所述可逆矩阵对所述接收数据进行降维处理，得出降维处理后数据；基于降维处理后数据构造所述接收数据的稀疏表示模型，基于所构造的稀疏表示模型对MIMO雷达波达方向进行估计。本发明实施例还公开了一种MIMO雷达波达方向估计装置。

Description

一种MIMO雷达波达方向估计方法和装置

技术领域

本发明涉及波达方向估计技术，尤其涉及一种多输入多输出(Multiple-InputMultiple-Output，MIMO)雷达波达方向估计方法和装置。

背景技术

波达方向(Direction of arrival，DOA)估计作为阵列信号处理的重要研究内容之一，在声纳，雷达，无线通信系统等领域具有重要的应用价值。目前，现有的DOA估计理论已经发展得相对成熟，DOA估计方法如多重信号分类(Multiple Signal Classification，MUSIC)算法、旋转不变子空间算法(EstimatingSignal Parameter via Rotational In variance Techniques，ESPRIT)算法应用比较广泛，但是在低信噪比、小快拍情况下该类算法性能急剧下降，不适合日趋复杂的通信环境。

为了解决上述问题，提出了基于压缩感知理论的DOA估计算法；目前研究的基于压缩感知理论的DOA估计算法包括：针对DOA估计提出的一种l1-SVD算法(参见IEEE Trans.Signal Process.2005，53(8)：3010-3022)、l1-SRACV算法(参见IEEE Trans.Signal Process.2011，59(2)：629-638)和CMSR算法(参见IEEE Trans.Aerosp.Electron.Syst.2013，49(3))、实域l1-SVD算法(参见IEEE Antennas Wireless Propag.Lett.2013，12：376-379)，然而这些算法运算复杂度较高。

发明内容

为解决上述技术问题，本发明实施例期望提供一种MIMO雷达波达方向估计方法和装置，能够降低进行MIMO雷达波达方向估计时的运算复杂度。

本发明的技术方案是这样实现的：

本发明实施例提供了一种多输入多输出MIMO雷达波达方向估计方法，所述MIMO雷达的天线阵列为用于发射信号并接收回波信号的M元均匀线阵；所述方法包括：

利用MIMO雷达天线阵列接收回波信号，对所述回波信号进行匹配滤波处理，得出接收数据；

构造与MIMO雷达天线阵列阵元个数有关的可逆矩阵，利用所述可逆矩阵对所述接收数据进行降维处理，得出降维处理后数据；

基于降维处理后数据构造所述接收数据的稀疏表示模型，基于所构造的稀疏表示模型对MIMO雷达波达方向进行估计。

上述方案中，所述利用所述可逆矩阵对所述接收数据进行降维处理，得出降维处理后数据，包括：

利用预设的降维矩阵对接收数据进行第一次降维处理，得出第一降维数据；利用所述可逆矩阵对第一降维数据进行第二次降维处理，得出降维处理后数据。

上述方案中，所述利用所述可逆矩阵对第一降维数据进行第二次降维处理，得出降维处理后数据，包括：将所述可逆矩阵与所述第一降维数据相乘，得出降维处理后数据。

上述方案中，所述利用预设的降维矩阵对接收数据进行第一次降维处理，得出第一降维数据，包括：将预设的降维矩阵与以矩阵形式表示的接收数据相乘，得出第一降维数据。

上述方案中，所述构造与MIMO雷达天线阵列阵元个数有关的可逆矩阵，包括：

定义矩阵W，W＝diag(1,2，…，M,M-1，…,2，1)，diag(·)表示以括号中元素为主对角线元素而构成的对角矩阵；

将矩阵W的-1/2次方W^-1/2作为所述与MIMO雷达天线阵列阵元个数有关的可逆矩阵。

上述方案中，所述基于降维处理后数据构造所述接收数据的稀疏表示模型包括：

将所述降维处理后数据以矩阵形式表示，对以矩阵形式表示的降维处理后数据进行奇异值分解，得出分解后数据；构造冗余字典，基于所述分解后数据和所构造的冗余字典，构造所述接收数据的稀疏表示模型。

本发明实施例还提供了一种多输入多输出MIMO雷达波达方向估计装置，所述MIMO雷达的天线阵列为用于发射信号并接收回波信号的M元均匀线阵；所述装置包括：滤波处理模块、降维处理模块和估计模块；其中，

滤波处理模块，用于对所述回波信号进行匹配滤波处理，得出接收数据；

降维处理模块，用于构造与MIMO雷达天线阵列阵元个数有关的可逆矩阵，利用所述可逆矩阵对所述接收数据进行降维处理，得出降维处理后数据；

估计模块，用于基于降维处理后数据构造所述接收数据的稀疏表示模型，基于所构造的稀疏表示模型对MIMO雷达波达方向进行估计。

上述方案中，所述降维处理模块，具体用于利用预设的降维矩阵对接收数据进行第一次降维处理，得出第一降维数据；利用所述可逆矩阵对第一降维数据进行第二次降维处理，得出降维处理后数据。

上述方案中，所述降维处理模块，具体用于将所述可逆矩阵与所述第一降维数据相乘，得出降维处理后数据。

上述方案中，所述降维处理模块，具体用于定义矩阵W，W＝diag(1,2，…，M,M-1，…,2，1)，diag(·)表示以括号中元素为主对角线元素而构成的对角矩阵；

所述降维处理模块，还用于将矩阵W的-1/2次方W^-1/2作为所述与MIMO雷达天线阵列阵元个数有关的可逆矩阵。

上述方案中，所述估计模块，具体用于将所述降维处理后数据以矩阵形式表示，对以矩阵形式表示的降维处理后数据进行奇异值分解，得出分解后数据；构造冗余字典，基于所述分解后数据和所构造的冗余字典，构造所述接收数据的稀疏表示模型。

本发明实施例提供了一种MIMO雷达波达方向估计方法和装置，利用MIMO雷达天线阵列接收回波信号，对所述回波信号进行匹配滤波处理，得出接收数据；构造与MIMO雷达天线阵列阵元个数有关的可逆矩阵，利用所述可逆矩阵对所述接收数据进行降维处理，得出降维处理后数据；基于降维处理后数据构造所述接收数据的稀疏表示模型，基于所构造的稀疏表示模型对MIMO雷达波达方向进行估计；如此，可以对接收数据进行降维处理，基于降维处理后的数据进行波达方向估计，降低了进行MIMO雷达波达方向估计时的运算复杂度。

附图说明

图1为本发明MIMO雷达波达方向估计方法的第一实施例的流程图；

图2为本发明第二实施例中信号收发通道的结构示意图；

图3为本发明第二实施例中车辆障碍物检测的应用场景的示意图；

图4为本发明第二实施例车辆障碍物检测方法的流程图；

图5为本发明实施例MIMO雷达波达方向估计装置的组成结构示意图。

具体实施方式

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。

第一实施例

本发明第一实施例提供了一种MIMO雷达波达方向估计方法，该MIMO雷达的天线阵列为用于发射信号并接收回波信号的M元均匀线阵，M大于1；也就是说，对于该MIMO雷达而言，M元均匀线阵的各个阵元不仅用于发射信号，还用于接收对应的回波信号；可以理解的是，M元均匀线阵相邻阵元之间的间距相等，将M元均匀线阵的阵元间距记为d。

图1为本发明MIMO雷达波达方向估计方法的第一实施例的流程图，如图1所示，该流程包括：

步骤100：利用MIMO雷达天线阵列接收回波信号，对所述回波信号进行匹配滤波处理，得出接收数据。

这里，需要首先利用MIMO雷达天线阵列发射信号，之后，利用MIMO雷达天线阵列接收对应的回波信号。

在具体实现过程中，MIMO雷达天线阵列的每个阵元均发射快拍数为L的信号，MIMO雷达天线阵列的任意两个阵元发射的信号相互正交，MIMO雷达天线阵列的每个阵元发射的信号可以表示为L列的行向量，将MIMO雷达天线阵列第m个阵元发射的信号记为s_m(t)，m取1至M，则在障碍物处接收到的信号y表示为：

y＝a^T(θ)S(t)+N₀

其中，y是大小为1×L的实矩阵，L表示发射信号的快拍数，上标T表示矩阵或向量的转置；a(θ)为方位角θ对应的接收信号方向向量，S(t)＝[s₁(t)，s₂(t)，…，s_M(t)]^T，S(t)是大小为M×L的矩阵，N₀是大小为1×L的噪声矢量；这里，a(θ)的表达式为：

a(θ)＝[1,e^{j2πdsinθ/λ},…,e^{j2π(M-1)dsinθ/λ}]^T

其中，λ表示MIMO雷达天线阵列的发射信号波长，令τ＝2πdsinθ/λ，τ表示由于相对障碍物位置不同而造成相邻发射阵元间的相位差。

在理想情况下，MIMO雷达天线阵列所接收的回波信号X为：

X＝a(θ)a^T(θ)S(t)+N₁

其中，N₁是大小为M×L的噪声矩阵，可以看出X为大小为M×L的实矩阵。

考虑空间存在K个路障的情况，将这K个路障相对于MIMO天线阵列的方位角表示为θ₁至θ_K，其中第k个路障相对于MIMO天线阵列的方位角表示为θ_k，k取1至K；此时，MIMO雷达天线阵列所接收的回波信号X为：

其中，上标T表示矩阵或向量的转置，X_m表示MIMO天线阵列第m个阵元接收到的信号，m取1至M；β_k表示第k个路障对应的信号收发过程中的衰减系数；N₃是大小为M×L的噪声矩阵。

MIMO天线阵列每个阵元后均连接有匹配滤波器组，用于对相应阵元接收的回波信号进行匹配滤波处理，匹配滤波器组中匹配滤波器的个数可以根据实际情况进行设置，例如，可以将匹配滤波器组中匹配滤波器的个数设置为M。MIMO天线阵列第m个阵元经匹配滤波处理后的输出信号X_m为：

其中，上标*表示共轭转置，N₄是大小为1×L的噪声矢量。

这里，对每个阵元接收的回波信号进行匹配滤波处理后，滤除了与匹配滤波器特性函数相互正交的信号，其余信号得到保留。

在实际应用中，将MIMO天线阵列各个阵元经匹配滤波处理后的输出信号进行向量化并依次堆砌可得所述回波信号进行匹配滤波处理后所得出的接收数据Y：

其中，Y表示对所述回波信号进行匹配滤波处理后所得出的接收数据，即Y是大小为M²×L的复矩阵，L表示发射信号的快拍数；a_r(θ_k)表示方位角θ_k对应的接收方向向量，a_t(θ_k)表示方位角θ_k对应的发射方向向量，k取1至K；表示矩阵的Kronecker积；A_R为接收阵列流型矩阵，A_T为发射阵列流型矩阵，⊙表示矩阵的Khatri-Rao积，在本发明实施例中，接收阵列和发射阵列相同，均为MIMO雷达的M元均匀线阵；A＝[A_R⊙A_T]，A表示等效的阵列流型矩阵，即A是大小为M²×K的复矩阵；N₅表示噪声矩阵，N₅是大小为M²×L的矩阵；H表示衰减系数矩阵，H是大小为K×L的复矩阵，H的展开式可以表示为：

这里，当k取1至K且l取1至L时，β_kl表示矩阵H中第k行第l列的元素。

根据方向向量的特殊形式和Kronecker积的性质，令k取1至K，则有：

其中，上标T表示矩阵或向量的转置，G是大小为M²×(2M-1)的实矩阵，G的展开式为：

这里，G是仅与MIMO雷达天线阵列阵元个数M相关的矩阵，矩阵G中第aM+b行第a+b行的元素为1，其余元素为0，这里，a取0至M-1，b取1至M。

定义矩阵W为G^HG，即则W的展开式可表示为：

其中，表示定义，diag(·)表示以括号中元素为主对角线元素而构成的矩阵。

步骤101：构造与MIMO雷达天线阵列阵元个数有关的可逆矩阵，利用所述可逆矩阵对所述接收数据进行降维处理，得出降维处理后数据。

本步骤具体包括：利用预设的降维矩阵对接收数据进行第一次降维处理，得出第一降维数据；利用所述可逆矩阵对第一降维数据进行第二次降维处理，得出降维处理后数据。

这里，在得出第一降维数据时，将所述接收数据以矩阵形式表示，将预设的降维矩阵与以矩阵形式表示的接收数据相乘，得出第一降维数据；显然，第一降维数据同样以矩阵形式表示。

示例性地，预设的降维矩阵为：W^-1/2G^H，第一降维数据可以表示为：

Z＝W^-1/2G^HY

＝W^-1/2G^H{G[b(θ₁),b(θ₂),…,b(θ_K)]H+N₅}

＝W^1/2BH+W^-1/2G^HN₅

＝W^1/2BH+N^y

式中，Z表示第一降维数据，Z是大小为(2M-1)×L的复矩阵，W^-1/2表示矩阵W的-1/2次方，上标H表示矩阵的共轭转置，Y表示对所述回波信号进行匹配滤波处理后所得出的接收数据，B＝[b(θ₁),b(θ₂),…,b(θ_K)]，N^y＝W^-1/2G^HN₅，N^y为噪声矩阵。

本步骤中，所述利用所述可逆矩阵对第一降维数据进行第二次降维处理，得出降维处理后数据，包括：将所述可逆矩阵与所述第一降维数据相乘，得出降维处理后数据。

这里，构造的仅与MIMO雷达天线阵列阵元个数有关的可逆矩阵为W^-1/2，由于显然，W^1/2为满秩对角矩阵，即矩阵W^1/2可逆。

示例性地，降维处理后数据可以表示为：

Z_简＝W^-1/2Z＝BH+W^-1/2N^y＝BH+N_简

其中，Z_简表示降维处理后数据，Z_简是大小为(2M-1)×L的复矩阵，N_简＝W^-1/2N^y，N_简为噪声矩阵。

由于矩阵W^-1/2仅与MIMO雷达天线阵列阵元个数M有关，所以得出降维处理后数据的过程不会影响MIMO雷达天线阵列接收数据的方位信息，如此，可以将主动信号接收模型转变为被动信号接收模型。同时，在不改变MIMO雷达天线阵列接收数据方位信息的前提下，接收数据矩阵的大小从M²×K降为(2M-1)×K，这样，基于降维处理后数据估计波达方向时，可以有效地降低运算复杂度。

步骤102：基于降维处理后数据构造所述接收数据的稀疏表示模型，基于所构造的稀疏表示模型对MIMO雷达波达方向进行估计。

本步骤中，基于降维处理后数据构造所述接收数据的稀疏表示模型包括：将所述降维处理后数据以矩阵形式表示，对以矩阵形式表示的降维处理后数据进行奇异值(SVD)分解，得出分解后数据；构造冗余字典，基于所述分解后数据和所构造的冗余字典，构造所述接收数据的稀疏表示模型。

在实际应用中，考虑K已知，可以对矩阵Z_简进行奇异值分解，则Z_简可以写成如下形式：

Z_简＝ULV^H＝[U_SV U_NV]LV^H

式中，矩阵U是大小为(2M-1)×(2M-1)的特征矢量矩阵，矩阵L是大小为(2M-1)×L的对角矩阵，矩阵V是大小为L×L的正交矩阵；矩阵L中的奇异值是沿着主对角线从大到小排列的，特征矢量矩阵U的奇异值是按照从大到小的顺序排列的，U＝[U_SV U_NV]，其中，U_SV是大小为(2M-1)×K的信号子矩阵，U_NV是噪声子矩阵；对式Z_简＝ULV^H右乘VD_K则有Z_简VD_K＝ULV^HVD_K＝ULD_K，这里，D_K是大小为L×K的矩阵，D_K＝[I_K O]^H,I_K是K×K维单位矩阵，O为零矩阵。

令Z_SV＝ULD_K＝Z_简VD_K，H_SV＝HVD_K，N_SV＝N_简VD_K，则有

Z_SV＝BH_SV+N_SV

这里，矩阵B的每一列与一个波达方向相对应。

获取N个角度值，N大于K；例如，对于一个空间域，通过对其进行角度划分，得出N个角度值θ₁,θ₂,…,θ_N，例如：N取181时，从0度开始，以1度为步长逐步增加，直到180度。

基于获取的N个角度值构造冗余字典B_s：

B_s＝[b(θ₁),b(θ₂),…,b(θ_N)]

可以看出，冗余字典B_s是大小为(2M-1)×N的矩阵。

在实际应用中，所构造的接收数据的稀疏表示模型为：

Z_SV＝B_s×H_s

则矩阵H_s中必有N-K行均为零；

这里，如果H_s是N×1维的向量，则将所构造的接收数据的稀疏表示模型称为单快拍(Single Measurement Vectors，SMV)模型；反之，如果H_s不是N×1维的向量，则将所构造的接收数据的稀疏表示模型称为多快拍(MultipleMeasurement Vectors，MMV)模型。

本步骤中，基于所构造的稀疏表示模型对MIMO雷达波达方向进行估计包括：基于压缩感知理论的重构算法对所构造的稀疏表示模型进行求解，得出MIMO雷达波达方向的估计值。

在实际应用中，在基于压缩感知理论的重构算法对所构造的稀疏表示模型进行求解时，可以得出MIMO雷达波达方向估计的谱函数P：

P＝||H_s||_2,1

其中，这里，H_s[i，：]表示H_s的第i行，||H_s[i，：]||₂的表示H_s[i，：]的最小2范数。

在得出MIMO雷达波达方向估计的谱函数P之后，根据谱函数P谱峰对应角度，即可得出MIMO雷达波达方向的估计值。

应用本发明第一实施例的MIMO雷达波达方向估计方法，可以对接收数据进行多次降维处理，基于降维处理后的数据进行波达方向估计，如此，降低了进行MIMO雷达波达方向估计时的运算复杂度。

第二实施例

这里，本发明实施例可以用于车辆障碍物检测、基站对终端的探测、雷达/声呐探测等领域；下面以车辆障碍物检测领域为例进行说明。

行驶在公路上的车辆需要对周围环境有很好的感知能力，包括对道路结构的感知、对其他动态障碍物的检测等；可靠的环境感知能力对自主巡航控制、碰撞预警和路径规划起到至关重要的作用。

现有车辆障碍物检测技术，包括地图差分法、实体聚类法和目标跟踪法，地图差分法根据地图或者栅格地图上障碍物在不同时刻的分布特点求解障碍物运动信息，计算数据量大，实时性不高鲁棒性较弱，并且往往需要联网，对没有网络覆盖和无导航信号覆盖的偏远山区的安全驾驶造成威胁；实体聚类法和目标跟踪方法，需要存储和计算的信息也很庞大，环境噪声严重时可靠性太差。

此外，还可以通过车载雷达系统对路障进行探测，然而，车载雷达系统只能对雷达正前方的路障进行探测，并不能检测出路障在无人驾驶车前方的角度。

针对上述车辆障碍物探测的技术问题，本发明第二实施例提供了一种车辆障碍物检测方法，在车辆上设置有MIMO雷达天线阵列，该MIMO雷达天线阵列与本发明第一实施例的MIMO雷达天线阵列相同，这里不再重复；在车辆上还设置有第1信号收发通道至第M信号收发通道、收发信机和数字信号处理(Digital Signal Processing，DSP)器。

图2为本发明第二实施例中信号收发通道的结构示意图，如图2所示，第m信号收发通道包括第m选频开关、第m双工器、第m功率放大器(PowerAmplifier，PA)、第m低噪声放大器(Low Noise Amplifier，LNA)、第m匹配滤波器组，m取1至M。

参照图2，数字信号处理器用于控制收发信机发射M个两两正交的信号S1,S2…,SM，收发信机将信号Sm发送至第m功率放大器，第m功率放大器用于对来自收发信机的信号进行放大，并将放大后的信号发送至第m双工器；第m双工器用于将来自第m功率放大器的信号发送至第m选频开关，第m选频开关用于将来自第m双工器的信号发送至MIMO雷达天线阵列的第m阵元，第m选频开关用于选取信号发射频率，并按照选取的信号发射频率控制MIMO雷达天线阵列的第m阵元发射信号。

参照图2，第m选频开关连接MIMO雷达天线阵列的第m阵元，第m选频开关、第m双工器、第m低噪声放大器、第m匹配滤波器组构成第m接收信号通道；在第m接收信号通道中，第m选频开关用于选取MIMO雷达天线阵列的第m阵元接收信号的频率，第m选频开关通过第m双工器连接第m低噪声放大器，第m低噪声放大器用于对来自双工器的接收信号进行放大，并将放大后的信号发送至第m匹配滤波器组，第m匹配滤波器组用于对来自第m低噪声放大器的信号进行匹配滤波，滤除与匹配滤波器特性函数相互正交的信号，将经匹配滤波处理的信号发送至收发信机，收发信机用于将来自第m匹配滤波器组的信号发送至数字信号处理器，数字信号处理器用于根据来自收发信机的信号，对障碍物进行探测，并规划行车路线。

在实际应用中，第m双工器用于实现收发信号的隔离。

图3为本发明第二实施例中车辆障碍物检测的应用场景的示意图，如图3所示，用数字1表示车辆1，用数字2表示车辆2，用数字3表示车辆3；在车辆2进行障碍物检测时，车辆2上设置的MIMO雷达天线阵列发射信号，并根据接收的回波信号进行障碍物检测。

图4为本发明第二实施例车辆障碍物检测方法的流程图，如图4所示，该流程包括：

步骤400：获取车辆上的MIMO雷达天线阵列发射信号时的波束宽度及指向，并获取车辆上的MIMO雷达天线阵列接收信号时的波束宽度及指向；

这里，可以根据车辆自身到路沿的距离和需要探测的距离，用波束形成算法设置车辆上的MIMO雷达天线阵列发射信号时的波束宽度及指向、车辆上的MIMO雷达天线阵列接收信号时的波束宽度及指向。

示例性地，可以车辆上的距离传感器或摄像头获取车辆自身到路沿的距离。

步骤401：MIMO雷达天线阵列发射信号，并接收对应的回波信号。

可以理解的是，在车辆上设置的MIMO雷达天线阵列发射信号后，所发射的信号遇到障碍物时会返回至MIMO雷达天线阵列。

本步骤的具体实现方式已经在步骤100中作出说明，这里不再赘述。

步骤402：基于所接收的回波信号，对MIMO雷达的波达方向进行估计。

这里，可以利用数字信号处理器对MIMO雷达的波达方向进行估计。

本步骤的实现方式已经在本发明第一实施例中作出说明，这里不再赘述。

步骤403：根据MIMO雷达的波达方向的估计值，计算得出障碍物所在方向。

进一步地，还可以基于障碍物所在方向规划行车路线。

在实际应用中，可以利用车辆上设置的数字信号处理器计算得出障碍物所在方向，并规划行车路线。

波达方向估计是广泛应用于无线通信、雷达、导航、声纳、天文学和生物医学工程等诸多领域，是高分辨阵列信号处理的重要研究内容之一，本发明第二实施例采用波达方向估计方法进行车辆障碍物方向检测，从而给车辆提供行车路径规划信息，提高车辆了行车安全性能。

此外，由于车载雷达的天线数量是有限的，采用本发明第二实施例车辆障碍物检测方法，能够利用有限的天线阵元对车辆周围障碍物所在方向做出准确的检测，同时本发明第二实施例所应用的MIMO雷达波达方向估计方法，具有运算复杂度低的特点，有利于满足高速行驶车辆对障碍物检测的实时性需求。

第三实施例

基于本发明第一实施例的MIMO雷达波达方向估计方法，本发明第三实施例提供了一种MIMO雷达波达方向估计装置。

图5为本发明实施例MIMO雷达波达方向估计装置的组成结构示意图，所述MIMO雷达的天线阵列为用于发射信号并接收回波信号的M元均匀线阵，M大于1；所述MIMO雷达天线阵列用于接收回波信号。

如图5所示，该装置包括：滤波处理模块500、降维处理模块501和估计模块502；其中，

滤波处理模块500，用于对所述回波信号进行匹配滤波处理，得出接收数据；

降维处理模块501，用于构造与MIMO雷达天线阵列阵元个数有关的可逆矩阵，利用所述可逆矩阵对所述接收数据进行降维处理，得出降维处理后数据；

估计模块502，用于基于降维处理后数据构造所述接收数据的稀疏表示模型，基于所构造的稀疏表示模型对MIMO雷达波达方向进行估计。

具体地，所述降维处理模块501，用于利用预设的降维矩阵对接收数据进行第一次降维处理，得出第一降维数据；利用所述可逆矩阵对第一降维数据进行第二次降维处理，得出降维处理后数据。

所述降维处理模块501，具体用于将所述可逆矩阵与所述第一降维数据相乘，得出降维处理后数据。

所述降维处理模块501，具体用于定义矩阵W，W＝diag(1,2，…，M,M-1，…,2，1)，diag(·)表示以括号中元素为主对角线元素而构成的对角矩阵；

所述降维处理模块501，还用于将矩阵W的-1/2次方W^-1/2作为所述与MIMO雷达天线阵列阵元个数有关的可逆矩阵。

所述估计模块502，具体用于将所述降维处理后数据以矩阵形式表示，对以矩阵形式表示的降维处理后数据进行奇异值分解，得出分解后数据；构造冗余字典，基于所述分解后数据和所构造的冗余字典，构造所述接收数据的稀疏表示模型。

在实际应用中，所述滤波处理模块500、降维处理模块501和估计模块502均可由中央处理器(Central Processing Unit，CPU)、微处理器(Micro ProcessorUnit，MPU)、数字信号处理器(Digital Signal Processor，DSP)、或现场可编程门阵列(Field Programmable Gate Array，FPGA)等实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims

1.一种多输入多输出MIMO雷达波达方向估计方法，其特征在于，所述MIMO雷达的天线阵列为用于发射信号并接收回波信号的M元均匀线阵；所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述利用所述可逆矩阵对所述接收数据进行降维处理，得出降维处理后数据，包括：

3.根据权利要求2所述的方法，其特征在于，所述利用所述可逆矩阵对第一降维数据进行第二次降维处理，得出降维处理后数据，包括：将所述可逆矩阵与所述第一降维数据相乘，得出降维处理后数据。

4.根据权利要求2所述的方法，其特征在于，所述利用预设的降维矩阵对接收数据进行第一次降维处理，得出第一降维数据，包括：将预设的降维矩阵与以矩阵形式表示的接收数据相乘，得出第一降维数据。

5.根据权利要求1所述的方法，其特征在于，所述构造与MIMO雷达天线阵列阵元个数有关的可逆矩阵，包括：

6.根据权利要求1至5任一项所述的方法，其特征在于，所述基于降维处理后数据构造所述接收数据的稀疏表示模型包括：

7.一种多输入多输出MIMO雷达波达方向估计装置，其特征在于，所述MIMO雷达的天线阵列为用于发射信号并接收回波信号的M元均匀线阵；所述装置包括：滤波处理模块、降维处理模块和估计模块；其中，

8.根据权利要求7所述的装置，其特征在于，所述降维处理模块，具体用于利用预设的降维矩阵对接收数据进行第一次降维处理，得出第一降维数据；利用所述可逆矩阵对第一降维数据进行第二次降维处理，得出降维处理后数据。

9.根据权利要求8所述的装置，其特征在于，所述降维处理模块，具体用于将所述可逆矩阵与所述第一降维数据相乘，得出降维处理后数据。

10.根据权利要求7所述的装置，其特征在于，所述降维处理模块，具体用于定义矩阵W，W＝diag(1,2，…，M,M-1，…,2，1)，diag(·)表示以括号中元素为主对角线元素而构成的对角矩阵；

11.根据权利要求7至10任一项所述的装置，其特征在于，所述估计模块，具体用于将所述降维处理后数据以矩阵形式表示，对以矩阵形式表示的降维处理后数据进行奇异值分解，得出分解后数据；构造冗余字典，基于所述分解后数据和所构造的冗余字典，构造所述接收数据的稀疏表示模型。