CN108363048B - 一种基于块稀疏的极化mimo雷达的角度估计方法 - Google Patents
一种基于块稀疏的极化mimo雷达的角度估计方法 Download PDFInfo
- Publication number
- CN108363048B CN108363048B CN201810183029.6A CN201810183029A CN108363048B CN 108363048 B CN108363048 B CN 108363048B CN 201810183029 A CN201810183029 A CN 201810183029A CN 108363048 B CN108363048 B CN 108363048B
- Authority
- CN
- China
- Prior art keywords
- polarization
- angle
- mimo radar
- target
- sparse
- 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.)
- Expired - Fee Related
Links
- 230000010287 polarization Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000011084 recovery Methods 0.000 claims abstract description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000006880 cross-coupling reaction Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification 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
- G01S7/41—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
- 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
- G01S7/42—Diversity systems specially adapted for radar
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
本发明公开了一种基于块稀疏的极化MIMO雷达的角度估计方法,主要解决极化MIMO雷达的目标定位和跟踪问题。其实现方案为:1)根据极化MIMO雷达的接收数据x(t),计算得到x(t)的协方差矩阵Rxx;2)对协方差矩阵Rxx进行矢量化操作,即vec(Rxx);3)根据目标的角度范围[0°,180°]划分字典间隔,构造在具有稀疏结构的过完备字典矩阵D(Θ);4)对协方差矩阵Rxx进行特征值分解,得到最小的特征值,即为噪声功率的估计值,进而得到噪声n的估计值I为单位阵;5)根据过完备字典和噪声项构造稀疏恢复方程,并利用BOMP算法得到支撑位置P及其幅度6)根据P和计算得到K个目标的角度值和极化参数值该发明解决传统极化MIMO互耦严重的问题,且计算量小,同时实现参数估计值的自动配对,具有良好的性能。
Description
技术领域
本发明属于雷达技术领域,涉及雷达的到达角估计,具体的说是一种基于块稀疏的极化MIMO(Multiple-Input Multiple-Output,多输入多输出)雷达的角度估计方法,可用于目标定位与跟踪。
背景技术
由于极化MIMO雷达同时具有极化分集和MIMO雷达波形分集,能有效降低单极化波形带来的回波信号损失,从而通过极化域的多样化获取更多的目标信息,特别是对目标因RCS(Radar-Cross Section,雷达散射截面积)的起伏和杂波干扰带来检测能力下降、估计精度降低等情况具一定的改善作用,同时,极化特征的运用也使雷达系统对抗各类干扰的能力得到提升,并使其在信号分选和识别中取得一定的优势。因此,极化MIMO雷达的研究引发了一些研究者的关注。
极化MIMO雷达的角度估计的主要方法是采用超分辨和基于稀疏恢复等方法。对于双基地极化MIMO雷达的接收信号模型,利用ESPRIT算法来估计DOD(Direction OfDeparture,离开角)和DOA(Direction Of Arrival,到达角)以及极化参数,估计时需要进行额外的配对处理。无需参数配对的联合ESPRIT-MUSIC算法。一种基于MUSIC的降维DOA估计方法,降低了估计过程的计算量。将ESPRIT算法运用于单基地极化MIMO雷达的DOA和极化参数联合估计。提出了一种基于平行因子分析方法的双基地极化MIMO雷达两维DOD和两维DOA联合估计方法,将接收交叉偶极子扩展到六分量的电磁矢量传感器,利用传统的矢量叉乘和极化平滑来估计极化MIMO雷达的角度和(或)极化参数。上述研究成果大都基于经典的超分辨算法,如MUSIC、ESPRIT等,这些估计方法在有效利用极化MIMO雷达的极化分集优势,提高角度参数估计能力方面发挥了重要作用。
与经典的超分辨算法不同,近年来基于稀疏恢复进行阵列DOA估计的算法也得到了广泛的关注。稀疏就是一个样本中非零项的个数远小于样本容量。只要信号在某个变换域是稀疏的,即可利用稀疏恢复算法。显然,对MIMO雷达而言,入射信号在空域上是稀疏的,通过构造稀疏信号表述框架,即使在信源个数未知、快拍数据不够多、信噪比低、信源相干的条件下,依然能够达到角度超分辨的效果。以上成果都是针对常规阵列雷达的目标角度估计。将这些方法引入MIMO雷达进行角度估计,能够较好地解决MIMO雷达稀疏DOA估计中关于降维、实值操作、利用高阶累积量和信号非圆特性等问题。
本发明在上述算法的基础上提出了一种基于MIMO极化雷达的DOA估计算法,并对算法的性能进行了仿真。将稀疏框架表征的DOA估计算法推广到极化MIMO雷达中,在这种方法中,MIMO雷达的极化天线由空间分离式交叉偶极子构成,其互耦较同心交叉偶极子大大降低,更有利于工程实现。在这部分研究内容中,推导了如何利用一维DOA信息来构造过完备字典矩阵,并研究利用快速、有效的块正交匹配追踪(BOMP)算法估计出DOA和极化三维参数的方法。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于块稀疏的极化MIMO雷达的角度估计方法,该算法能够解决传统极化MIMO雷达互耦严重的问题,只需要构造一维稀疏字典完成三维参数的估计,计算量小,同时能够实现三维参数估计值的自动配对,具有良好的性能。
为实现上述目的,本发明的技术思路是:通过对单基地极化MIMO雷达系统匹配滤波后的信号进行处理,可实现对目标角度和极化参数的联合估计。具体实现步骤包括如下:
1)根据极化MIMO雷达的接收数据x(t),利用最大似然算法计算得到所述接收数据x(t)的协方差矩阵Rxx。
3)根据目标的角度范围[0°,180°]划分字典间隔,构造在一维角度域具有稀疏结构的过完备字典矩阵D(Θ)。
在一些实施例中,步骤6)根据支撑位置Pk,(k=1,…,K),计算得到K个目标的DOA估计值(k=1,…,K),根据支撑位置幅度估计值(k=1,…,K),计算得到极化参数的估计值(k=1,…,K),按如下步骤求解:
式中,Pk[i],i=1,…,4表示支撑位置Pk的第i个值,V表示角度维上的字典采样间隔。
本发明与现有技术相比具有以下优点:
(1)本发明研究的稀疏框架下分离式极化MIMO雷达的DOA和极化联合估计算法能够解决同心交叉偶极子互耦严重的极化MIMO雷达DOA估计问题。
(2)在估计时只需要在角度维上构造合适的稀疏字典,算法的计算量小,并且能够做到三维参数的自动配对,无需进行任何额外的处理,因而在进行角度估计时具有较为明显的优势。
附图说明
图1是本发明的实现流程图;
图2是本发明中支撑位置及其幅度的估计情况示意图;
图3是用本发明中三维角度估计的均方根误差随信噪比变化的曲线图。
具体实施方式
参考图1,示出了本发明基于基于块稀疏的极化MIMO雷达的角度估计方法的一个流程图100,具体步骤如下:
步骤101,根据极化MIMO雷达的接收数据x(t),利用最大似然算法计算得到接收数据x(t)的协方差矩阵Rxx。
本发明针对分离式极化MIMO雷达,其构成为:电偶极子Ex、Ey分别沿着x轴方向和y轴方向放置,二者相互垂直,以Ex的中心为坐标原点O,目标T的方位角和俯仰角分别为φ、θ,其中,φ∈[0,2π),θ∈[0,π],极化辅角极化相位差η∈[-π,π),偶极子的间距Dd。在OT方向,经典共点式交叉偶极子的阵元响应为:
两个偶极子分量的分离式空间导向矢量等于:
其中,λ为工作波长,j为虚部符号,π为圆周率,sin为正弦函数,cos为余弦函数,exp(·)为指数函数,[·]T表示转置操作。
分离式交叉偶极子的阵元响应apol(θ,φ,γ,η)等于分离式空间导向矢量as(θ,φ)点乘共点式交叉偶极子的阵元响应ap(θ,φ,γ,η),即:
apol(θ,φ,γ,η)=as(θ,φ)⊙ap(θ,φ,γ,η) (3)
其中,⊙表示点乘,即两个矢量或者矩阵对应元素相乘。不失一般性,假设目标在yoz平面,即令φ=90°,则式(3)的阵元响应可简化为:
apol(θk,γk,ηk)=B(θk)g(γk,ηk)
现在考虑一个单基地极化MIMO雷达系统,假设发射阵列由单极化阵元构成,发射阵元数为M,发射天线与x轴平行放置,构成一个均匀线阵,其阵元间距为dt;接收阵列为由分离式交叉偶极子构成的均匀线阵,接收阵元个数为N,接收阵元间距为dr。这里发射阵元由接收阵元的x分量构成,即发射和接收是共址的。该极化MIMO阵列雷达接收信号匹配滤波后,信号模型x(t)可表示为:
其中,A(θ,γ,η)表示发射阵列导向矩阵,s(t)为发射信号导向矢量,表示复数域信号,其维度为2MN×1,表示Kronecker积,sk(t)为第k(k=1,2...K)个目标的入射信号,其功率为K为目标总个数,假设信号之间不相关,sk(t)H为sk(t)的共轭转置,H为共轭转置操作。θk为第k个目标入射信号的俯仰角,γk为第k个目标入射信号的极化辅角,ηk为第k个目标入射信号的极化相位差,n(t)为噪声矢量,它是均值为0、功率为高斯白噪声。根据阵列信号处理理论,第k个目标的发射阵列空域导向矢量at(θk)和接收阵列空域导向矢量ar(θk)分别等于:
通过对单基地极化MIMO雷达系统匹配滤波后的信号进行处理,可实现对目标角度和极化参数的联合估计。下面针对式(5)所示的接收数据,推导一种基于BOMP的块速稀疏优化方法来进行角度和极化参数的联合估计,该方法只需要在角度维上构造稀疏字典。
首先,计算MIMO雷达接收阵元匹配滤波后信号x(t)的协方差矩阵Rxx。为了简便,分别将at(θk)、ar(θk)、B(θk)和g(γk,ηk)记为at,k、ar,k、Bk和gk。其中,协方差矩阵Rxx可以利用最大似然算法计算得到,即:
其中,11表示标量1。将公式(9)的结果代入式(8)得到:
其中,vec(·)表示矢量化操作,(·)*表示共轭操作。
步骤103,根据目标的角度范围[0°,180°]划分字典间隔,构造在一维角度域具有稀疏结构的过完备字典矩阵D(Θ)。
定义表达式:
则式(11)可以转化为:
将式(13)展开成如下矩阵形式:
对于式(13)的信号模型,可转化为稀疏框架表示。根据目标的角度范围[0°,180°]划分字典间隔,对矩阵D在角度维θ∈[0°,180°]中构造具有稀疏结构的过完备字典矩阵D(Θ),设置字典长度为L,字典长度L>>K,例如,当以0.01°为间隔构造稀疏字典时,在设定的角度范围[0°,180°]内,字典的长度L=18001。对应的稀疏矢量μ(Θ)转化为K-块稀疏矢量,矢量χk的长度为4。
通常情况下,式(13)中的系统噪声n是未知的,可用如下方法对噪声进行估计。首先,对协方差矩阵Rxx进行特征值分解,求得其2MN个特征值,将这些特征值按照从小到大的顺序依次排列λ1,λ2,…,λ2MN,由于目标信号对应较大的K个特征值,则噪声对应最小的2MN-K个特征值,最后得到噪声功率的估计值为:进而求得噪声n的估计值
利用块正交匹配追踪BOMP算法求解得到稀疏矢量μ(Θ)的支撑位置Pk,(k=1,…,K),以及支撑位置的幅度估计值(k=1,…,K),其中,支撑位置Pk表示第k个目标在字典中的位置,(k=1,…,K)表示第k个目标的字典位置所恢复出来的幅度估计值。
式中,Pk[i],i=1,…,4表示支撑位置Pk的第i个值,V表示角度维上的字典采样间隔。
上式中|·|表示取绝对值,i=1,…,4表示第k个目标的支撑位置的幅度估计值的第i个值,∠表示求角度操作。注意到支撑位置与其幅度估计值是一一对应的,而DOA和极化参数分别由支撑位置及其幅度估计值计算得到。故DOA估计值与极化参数的估计值也是一一对应的,由此即可实现三维参数估计的自动配对。
仿真内容1:支撑位置和及其幅度的估计情况;
仿真条件:对极化MIMO雷达在稀疏框架下DOA估计的算法进行仿真验证,设极化MIMO雷达系统的发射阵元数M=4,接收阵元个数N=4,令偶极子间距Dd=λ/2,阵元间距dr=dt=λ。假设空间有两个目标K=2,目标俯仰角度和极化辅角、极化相位差分别为:(θ1,γ1,η1)=(10°,45°,-90°)和(θ2,γ2,η2)=(20°,45°,90°),则该接收信号分别为左旋圆极化和右旋圆极化信号。在θ角度维中以0.01°为间隔构造稀疏过完备字典。信噪比SNR=20dB,快拍数为1000。
仿真结果:给出了本发明计算得到的支撑位置和及其幅度的估计情况如图2所示。横轴表示过完备字典的搜索序号,纵轴表示幅度。为了显示方便,这里设置字典的间隔为1°,角度范围取[0°,180°]。每个目标的支撑位置有4个点,即Pk[i],i=1,…,4。理论上2个目标的真实支撑位置的第一个点的X位置分别为10×4+1=41和30×4+1=121。从图2可以看出,通过仿真计算,本发明算法估计出的2个目标的支撑位置的第一个点的X位置为41和121,其值与理论值相同,由此可见,采用本发明的算法,能够正确恢复出目标角度的支撑位置。
仿真内容2:估计性能比较;
仿真条件:三维角度估计的均方根误差随信噪比变化的曲线如图3所示。仿真时采用100次蒙特卡洛独立实验,快拍数为2000。定义目标方位角估计的均方根误差为:其中Q为蒙特卡洛实验次数,表示第k个目标、第q次蒙特卡洛实验的参数的估计值,表示第k个目标参数的真实值,其在不同蒙特卡洛实验中值相同。其中,参数可表示目标的俯仰角、极化辅角和极化相位差,即θ,γ,和η。
仿真结果:从图3可以看出,算法的估计精度随着信噪比增加而增加。
Claims (1)
1.一种基于块稀疏的极化MIMO雷达的角度估计方法,包括如下步骤:
1)根据极化MIMO雷达的接收数据x(t),利用最大似然算法计算得到所述接收数据x(t)的协方差矩阵Rxx;
3)根据目标的角度范围[0°,180°]划分字典间隔,构造在一维角度域具有稀疏结构的过完备字典矩阵D(Θ);
式中,Pk[i],i=1,…,4表示支撑位置Pk的第i个值,V表示角度维上的字典采样间隔;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810183029.6A CN108363048B (zh) | 2018-03-06 | 2018-03-06 | 一种基于块稀疏的极化mimo雷达的角度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810183029.6A CN108363048B (zh) | 2018-03-06 | 2018-03-06 | 一种基于块稀疏的极化mimo雷达的角度估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108363048A CN108363048A (zh) | 2018-08-03 |
CN108363048B true CN108363048B (zh) | 2021-10-19 |
Family
ID=63003229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810183029.6A Expired - Fee Related CN108363048B (zh) | 2018-03-06 | 2018-03-06 | 一种基于块稀疏的极化mimo雷达的角度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363048B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143194A (zh) * | 2018-09-10 | 2019-01-04 | 中国人民解放军空军工程大学 | 一种非格点条件下的双基地mimo雷达的快速角度估计方法 |
CN109143197B (zh) * | 2018-09-27 | 2023-04-07 | 中国人民解放军空军工程大学 | 一种基于辅助阵元的极化mimo雷达的2d-doa和极化参数估计方法 |
CN112363110B (zh) * | 2020-11-30 | 2021-12-21 | 海南大学 | 一种基于嵌套交叉偶极子阵列的无网格单比特doa估计方法 |
CN113391286B (zh) * | 2021-05-29 | 2023-12-08 | 南京理工大学 | 基于二维块稀疏恢复的虚拟孔径mimo雷达目标探测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983944A (zh) * | 2014-05-30 | 2014-08-13 | 电子科技大学 | 基于协方差矩阵稀疏表示的远场窄带doa估计方法 |
CN103983958A (zh) * | 2014-05-16 | 2014-08-13 | 哈尔滨工程大学 | 基于多测量矢量稀疏表示的mimo雷达连续目标角度估计方法 |
CN105068041A (zh) * | 2015-08-28 | 2015-11-18 | 哈尔滨工程大学 | 互耦条件下基于协方差矢量稀疏表示的单基地mimo雷达角度估计方法 |
CN105182325A (zh) * | 2015-08-13 | 2015-12-23 | 西安电子科技大学 | 基于秩1约束的米波mimo雷达低仰角目标测高方法 |
CN105812032A (zh) * | 2016-03-21 | 2016-07-27 | 东南大学 | 基于波束块结构压缩感知的信道估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9562968B2 (en) * | 2012-10-22 | 2017-02-07 | Saab-Sensis Corporation | Sensor system and method for determining target location using sparsity-based processing |
-
2018
- 2018-03-06 CN CN201810183029.6A patent/CN108363048B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983958A (zh) * | 2014-05-16 | 2014-08-13 | 哈尔滨工程大学 | 基于多测量矢量稀疏表示的mimo雷达连续目标角度估计方法 |
CN103983944A (zh) * | 2014-05-30 | 2014-08-13 | 电子科技大学 | 基于协方差矩阵稀疏表示的远场窄带doa估计方法 |
CN105182325A (zh) * | 2015-08-13 | 2015-12-23 | 西安电子科技大学 | 基于秩1约束的米波mimo雷达低仰角目标测高方法 |
CN105068041A (zh) * | 2015-08-28 | 2015-11-18 | 哈尔滨工程大学 | 互耦条件下基于协方差矢量稀疏表示的单基地mimo雷达角度估计方法 |
CN105812032A (zh) * | 2016-03-21 | 2016-07-27 | 东南大学 | 基于波束块结构压缩感知的信道估计方法 |
Non-Patent Citations (1)
Title |
---|
基于稀疏表示的双基地MIMO雷达多目标定位及幅相误差估计;郑志东等;《航空学报》;20130630;第34卷(第6期);第1379-1386页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108363048A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363048B (zh) | 一种基于块稀疏的极化mimo雷达的角度估计方法 | |
Wen et al. | Direction finding in MIMO radar with large antenna arrays and nonorthogonal waveforms | |
CN109633522B (zh) | 基于改进的music算法的波达方向估计方法 | |
CN103091671B (zh) | 基于非同心电磁矢量阵列雷达的两维波达方向估计方法 | |
CN109254272B (zh) | 一种共点式极化mimo雷达的两维角度估计方法 | |
CN108663653B (zh) | 基于l形电磁矢量传感器阵列的波达方向估计方法 | |
CN110161452B (zh) | 基于互质式l型电磁矢量传感器阵列的波达方向估计方法 | |
Wen et al. | 2D-DOD and 2D-DOA estimation using sparse L-shaped EMVS-MIMO radar | |
CN111337893A (zh) | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 | |
CN110244272B (zh) | 基于秩一去噪模型的波达方向估计方法 | |
CN107576951B (zh) | 基于嵌套式电磁矢量传感器阵列的波达方向估计方法 | |
CN112051540B (zh) | 一种快速高精度测向方法 | |
CN111610486A (zh) | 基于平面互质阵列虚拟域张量空间谱搜索的高分辨精确二维波达方向估计方法 | |
CN112462363B (zh) | 非均匀稀疏极化阵列相干目标参数估计方法 | |
CN110927711A (zh) | 一种双基地emvs-mimo雷达的高精度定位算法及装置 | |
CN112130111A (zh) | 一种大规模均匀十字阵列中单快拍二维doa估计方法 | |
Sun et al. | Real-valued DOA estimation with unknown number of sources via reweighted nuclear norm minimization | |
CN111965591A (zh) | 一种基于四阶累积量矢量化dft的测向估计方法 | |
CN110907923A (zh) | 基于平行因子算法的双基地emvs-mimo雷达角度估计算法及装置 | |
Xiao et al. | A weighted forward-backward spatial smoothing DOA estimation algorithm based on TLS-ESPRIT | |
Li et al. | DOD and DOA estimation for MIMO radar based on combined MUSIC and sparse Bayesian learning | |
CN112363108A (zh) | 信号子空间加权超分辨的波达方向检测方法及系统 | |
Huihui et al. | Joint 2D-DOA and polarization estimation for sparse nonuniform rectangular array composed of spatially spread electromagnetic vector sensor | |
CN108872930A (zh) | 扩展孔径二维联合对角化doa估计方法 | |
Ma et al. | Computation-efficient 2-D DOA estimation algorithm with array motion strategy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211019 |