CN108594194A - 基于四线性分解的双基地mimo雷达角度估算方法 - Google Patents
基于四线性分解的双基地mimo雷达角度估算方法 Download PDFInfo
- Publication number
- CN108594194A CN108594194A CN201810224779.3A CN201810224779A CN108594194A CN 108594194 A CN108594194 A CN 108594194A CN 201810224779 A CN201810224779 A CN 201810224779A CN 108594194 A CN108594194 A CN 108594194A
- Authority
- CN
- China
- Prior art keywords
- matrix
- target
- tensor
- evaluation method
- launch
- 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.)
- Pending
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于四线性分解的双基地MIMO雷达角度估算方法,其利用阵列信号的多维结构,估计接收数据的协方差矩阵,并构建协方差矩阵的四阶张量模型;对接收方向矩阵、发射方向矩阵、目标协方差矩阵进行初始化,将接收方向矩阵、发射方向矩阵、目标协方差矩阵初始化为一个单位矩阵;再利用交替最小二乘法对接收方向矩阵、发射方向矩阵以及目标协方差矩阵进行迭代计算,直至满足收敛条件;最后通过最小二乘方法估计目标的DOD与DOA。其与传统算法相比,无需额外的校准源、奇异值分解以及谱峰搜索;还能够自动匹配所估计的DOD与DOA;其参数估计的精度高于ESPRIT算法和HOSVD算法,但复杂度低于PARAFA C算法。
Description
技术领域
本发明涉及一种雷达信号处理技术,具体的说涉及一种基于四线性分解的双基地MIMO雷达角度估算方法。
背景技术
随着时代的进步与发展,多输入多输出(multiple-input multiple-output,MIMO)技术也在通信领域取得巨大的成功与突破,这种技术在雷达领域引起了广泛的关注。MIMO雷达技术的核心内容是利用多组相互正交的信号,对目标进行照射,接收天线接收目标回波信号并对它进行匹配滤波处理,从而得到目标空间位置等参数的估计。与传统的相控阵雷达技术相比,MIMO雷达对目标参数估计有着更高的精度。就目前而言,它是国际上讨论十分火热的学术话题,该研究不仅在学术方面有重要意义,而且在军事和民用上有着广泛的应用。
联合波离角(direction-of-departure,DOD)和波达角 (direction-of-arrival,DOA)估计是双基地MIMO雷达的重要研究方向之一。随着该研究的深入,产生了许多优秀的角度估计算法。如,多重信号分类 (multiple signal classification algorithm,MUSIC)算法、基于旋转不变技术的信号参数估计(Estimation of Signal Parameters viaRotational Invariance Techniques,ESPRIT)算法、传播算子(Propagator Method,PM)算法和张量的算法等。其中,MUSIC算法利用子空间分解和谱峰搜索得到参数估计,其复杂度较高。ESPRIT算法利用信号子空间的旋转不变特性进行角度估计,其可获得参数估计的闭式解,因而复杂度相对较低。上述两类算法均需要对阵列信号进行奇异值分解,或者或对阵列信号的协方差进行特征值分解,因而算法复杂度往往较高。PM算法不需要奇异值分解或特征值分解,其复杂度往往较低。上述算法都是将阵列信号表述成矩阵的形式,因而没有利用MIMO雷达匹配滤波后信号的多维结构特性,因此参数估计的精度较低。张量算法如平行因子 (Parallel Factor,PARAFAC)算法,高阶子空间分解(High Order Singular ValueDecomposition,HOSVD)算法能够充分利用信号模型的多维结构特性,近年来受到学者的广泛关注。相比HOSVD算法,PARAFAC算法采用迭代的思想进行参数估计,且不需要进行奇异值分解或特征值分解,因而其在计算复杂度和精度方法往往优于HOSVD算法。然而,现有PARAFAC算法均在大快拍背景下参数估计的复杂度仍然较高。
发明内容
鉴于以上原因,有必要提供一种能够降低大快拍背景下PARAFAC复杂度,并使用算法处理相干源,而且适用于实际工程中的硬件运算的基于四线性分解的双基地MIMO雷达角度估算方法。
本发明提供一种基于四线性分解的双基地MIMO雷达角度估算方法,所述基于四线性分解的双基地MIMO雷达角度估算方法包括如下步骤:
S1、对接收阵列数据进行匹配滤波处理,估计接收数据的协方差矩阵,并构建协方差矩阵的四阶张量模型;
S2、对接收方向矩阵、发射方向矩阵、目标协方差矩阵进行初始化,将接收方向矩阵、发射方向矩阵、目标协方差矩阵初始化为一个单位矩阵;
S3、利用交替最小二乘法对接收方向矩阵、发射方向矩阵以及目标协方差矩阵进行迭代计算,直至满足收敛条件;
S4、通过最小二乘方法估计目标的DOD与DOA;
其中,所述接收数据的协方差矩阵的具体公式如下:
上式中,表示Khatri-Rao积,(·)T表示转置,At为发射方向矩阵;Ar为接收方向矩阵,为目标特性矩阵,为匹配滤波后的噪声矩阵,RB=E(BBH)为目标协方差矩阵,RE=E(EEH)为噪声协方差矩阵。
本发明所述基于四线性分解的双基地MIMO雷达角度估算方法,其利用阵列信号的多维结构,估计接收数据的协方差矩阵,并构建协方差矩阵的四阶张量模型;对接收方向矩阵、发射方向矩阵、目标协方差矩阵进行初始化,将接收方向矩阵、发射方向矩阵、目标协方差矩阵初始化为一个单位矩阵;再利用交替最小二乘法对接收方向矩阵、发射方向矩阵以及目标协方差矩阵进行迭代计算,直至满足收敛条件;考虑均匀阵列的Vandermonde特性,通过最小二乘方法估计目标的DOD与DOA。本发明所述双基地MIMO雷达角度估算方法其与传统算法相比,能有效应对收发阵列存在互耦的场景,无需额外的校准源、奇异值分解以及谱峰搜索;还能够自动匹配所估计的DOD与DOA;其参数估计的精度与PARAFAC算法接近,高于ESPRIT算法和HOSVD算法,但复杂度低于三线性分解和PARAFA C算法。
附图说明
图1是双基地MIMO雷达角度估计示意图;
图2是在SNR=15dB时本发明所述基于四线性分解的双基地MIMO雷达角度估算方法估计的散点图;
图3是本发明所述基于四线性分解的双基地MIMO雷达角度估算方法与其他算法RMSE性能对比;
图4是本发明所述基于四线性分解的双基地MIMO雷达角度估算方法与其他算法PSD性能对比;
图5是在SNR=15dB时本发明所述基于四线性分解的双基地MIMO雷达角度估算方法在不同接收天线数N下的RMSE性能对比;
图6是在SNR=15dB时本发明所述基于四线性分解的双基地MIMO雷达角度估算方法在不同接收天线数N下的PSD性能对比;
图7是在SNR=-15dB下本发明所述基于四线性分解的双基地MIMO雷达角度估算方法与其他算法在不同快拍数L下的RMSE性能对比;
图8是本发明所述基于四线性分解的双基地MIMO雷达角度估算方法在不同快拍数L下的RMSE性能对比。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于四线性分解的双基地MIMO雷达角度估算方法,所述基于四线性分解的双基地MIMO雷达角度估算方法包括如下步骤:
S1、对接收阵列数据进行匹配滤波处理,估计接收数据的协方差矩阵,并构建协方差矩阵的四阶张量模型;
S2、对接收方向矩阵、发射方向矩阵、目标协方差矩阵进行初始化,将接收方向矩阵、发射方向矩阵、目标协方差矩阵初始化为一个单位矩阵;
S3、利用交替最小二乘法对接收方向矩阵、发射方向矩阵以及目标协方差矩阵进行迭代计算,直至满足收敛条件;
S4、通过最小二乘方法估计目标的DOD与DOA。
具体的,首先引入关于张量操作的两个定义:
定义1(张量展开):令为一个N阶张量,χ的模-n(n=1,…,N)矩阵展开表示为[χ]n。其中,位于张量x的(i1,…,in)位置的元素成为位于矩阵[x]n的(in,j)处的元素,且
定义2(CANDECOMP/PARAFAC(CP)分解):张量的CP分解即将张量因式分解为一系列秩为1的张量和的形式,一个秩R张量CP分解后可以以矩阵相乘的形式表示:
其中是一个核张量,它的第(k,k,k,k)个元素为gk(k=1,2,…,K),是一个秩为1的矢量(n=1,2,…,N,r=1,2,…,R)。
表达式(1)中的CP分解可以以写成如下张量展开的形式:
式中,(·)T表示转置,是个对角矩阵。
考虑一个双基地MIMO雷达的阵列模型,如附图1所示。其中发射阵和接收阵分别为M元和N元均匀线阵,阵元间距均为半波长。假设在同一范围内有K 个远场目标,第k个目标的发射角和接收角为发射矩阵发射M组编码波形,其中m(m=1,…,M)路基带信号为且满足
其中,Q为编码码长,(·)H表示共轭转置。考虑MIMO雷达的一个相干处理时间(coherent processing interval,CPI)包含L个脉冲,假设多普勒频率fk和第 k(k=1,2...K)个目标的散射系数β在一个时间间隔里是不变的,则第l(l=1,2,…,L)个脉冲时间的接收阵列的输出信号为
Xl=Ardiag(bl)(At)TS+Wl表达式(3)
其中,分别为接收方向矩阵和接收导引矢量;为第l个脉冲目标回波特性矢量,diag(·)表示对角化运算;分别为发射方向矩阵和发射导引矢量;为发射信号矩阵;为高斯白噪声矩阵。对每个接收天线的接收数据分别用进行匹配滤波处理,则匹配滤波器输出的结果为
Y=[Ar⊙At]B+E 表达式(4)
其中⊙表示Khatri-Rao积,为目标特性矩阵。为匹配滤波后的噪声矩阵,其中el=vec(WlSH),l=1,2,…,L。显然E其为一个高斯白噪声矩阵,假设E与B不相关。则Y的协方差矩阵为
RY=[Ar⊙At]RB[Ar⊙At]T+RE 表达式(5)
其中RB=E(BBH)为目标协方差矩阵,RE=E(EEH)为噪声协方差矩阵。表达式(5) 可表示为也可以写成如下一个四阶张量
上式中,表示张量中(m1,n1,m2,n2)位置处的元素,其它的表述类似。表达式(6)定义了阵列协方差数据的四线性模型,其中ε为相应的噪声协方差张量。也称为RY的对称多模式展开形式。
根据定义2,RY也可以表述成如下四阶张量的形式
上式中为一个对角张量,其第(k,k,k,k)个元素为RB(k,k)。为了估计K个目标的DOA及DOD,需要得到At和Ar的估计值。上述估计可以通过计算如下最佳近似来实现
式中,||·||F表示矩阵的Frobenius范数。上述优化可利用交替最小二乘(Alternate Least Squares,ALS)实现。根据定义2,表达式(7)中的张量可以展开成如下矩阵的形式
表达式(9)可以进一步表述成如下联合优化问题
ALS的核心思想很简单,它利用最小二乘法(LS)的思想交替更新矩阵 At,Ar,直至满足收敛条件。根据表达式(10),可以得到At,Ar,的最优解分别为
根据表达式(5),RB可通过求解下式得到
同理,利用LS可得
本发明所提的ALS算法可以通过随机矩阵对At,Ar,RB进行初始化,也可以通过ESPRIT或者PM算法对相关矩阵进行初始化。一般来说,使用一个较精确的初始值可使ALS算法快速收敛。ALS算法在具体执行时一般假设某个变量未知,而其余变量已知,利用LS准则获得未知变量的估计。例如,假设Ar,RB,已知,通过表达式(12)可获得At的LS估计;假设At,RB,已知,可获得Ar的LS估计;同理可依次获得RB,的估计值,直到满足收敛条件。收敛条件是迭代次数达到一个阈值,或者或者|en-eo|/eo≤10-10,其中en,eo分别表示当前迭代误差和上次迭代误差。
值得注意的是,矩阵分别为矩阵At,Ar的共轭。为了简化计算过程,在ALS迭代过程中可以只进行对At,Ar,RB的迭代。
唯一性是四线性分解的重要特征之一,它有益于确定DOA和DOD的估计值。定理1给出了四线性分解的唯一性的条件:
根据定理1:对于表达式(6)中的四线性模型,假设秩分别为和若其满足
则除了列模糊和尺度模糊,通过四线性分解获得的At,Ar是唯一的。若 分别为At,Ar的估计值,列模糊和尺度模糊可以表示为
其中Ω是一个置换矩阵,N1,N2,N3,N4分别对应的拟合误差矩阵,Δ1,Δ2,Δ3,Δ4为四个对角矩阵,其对角元素分别表示相应的尺度因子,且其满足Δ1Δ2Δ3Δ4=IK。经过ALS过程,可获得At和Ar的估计值和注意和的相位仍然是线性的,LS方法对联合DOD和DOA的估计仍然是有效的。利用LS方法对DOD和DOA的拟合分别是
P1c1=h1 表达式(16)
P2c2=h2 表达式(17)
其中,phase(·)表示取相位操作。分别为所估计的发射方向矩阵和接收方向矩阵的第k列。由表达式(16)和表达式(17)可得到c1,c2的LS解是
显然c1,c2的第二个元素c1(2),c2(2)分别为和sinθk的估计值。因此,发射角的估计为
接收角θk的估计为
本发明分析的计算复杂度主要是以复数乘法运算的次数为依据,算法的计算复杂度的具体分析如下。构建协方差张量的运算量为M2N2L;对利用ALS 进行分解的迭代运算量为l[6O(K3)+3M2NK2+3MN2K2+3M2N2K4],其中l是迭代的次数。一般说来,ALS算法迭代若干次以内便可以达到收敛的要求(在本发明中一般经过10次以内的迭代便可达到收敛条件)。计算DOD与DOA的复杂度为 8K(M+N)。表1列举了本发明估算方法与MUSIC、ESPRIT、HOSVD及PARAFAC 算法复杂度的对比。
表1
由表1可以看出MUSIC算法的运算量最大,其在谱峰搜索和奇异值分解过程中均计算量大;ESPRIT和HOSVD的复杂度主要集中在特征值分解,其复杂度的最高阶数均为O(M3N3),故计算过程仍然较为复杂。采用迭代方法的 PARAFAC算法和本发明估算方法的复杂度主要集中在ALS过程,且运算量的最高阶数远小于O(M3N3)。此外,由于大快拍条件下L>>MN,因而本发明估算方法的每次迭代的运算量要小于PARAFAC方法。
为具体对本发明估算方法的效果进行说明,本发明采用蒙特卡洛手段对所提算法的有效性进行验证。仿真中假设K=3个点目标处于雷达收发阵列远场,其DOA和DOD分别为和其多普勒频率分别为100,500和800Hz。目标在L=200个CPI内的雷达截面系数满足 Swerling I模型。MIMO雷达配置有M=8个发射阵元和N=6个接收阵元。发射的基带编码波形为HM表示由Q×Q维的哈达码矩阵的前M行构成。一个CPI内的编码码长为Q=256,脉冲重复频率为20KHz。本
附图2是在SNR=15dB,本发明估算方法进行200次蒙特卡洛仿真的散点图,可以看出,三个目标的参数可以清楚的被估计出来,并且被正确配对。
为进一步比较本发明估算方法与其它算法性能,将所有算法进行200次独立的蒙特卡洛仿真,所对比的算法有ESPRIT算法、HOSVD算法和PARAFAC 算法和PM算法。仿真中的信噪比定义为联合DOD与 DOA估计的精度采用归一化均方根误差(regularized mean squared error,RMSE) 和成功检测概率(probability of thesuccessful detection,PSD)两种标准评价。其中,RMSE定义为
式中,和分别为第i次蒙特卡洛仿真中获得的对θk与的估计。PSD 定义为成功检测的次数占总实验次数的百分比,其中,若所有估计角度的绝对误差之和小于0.5°,则定义该次仿真成功检测。
附图3与附图4分别为所有算法在不同信噪比条件下所提算法RMSE和 PSD性能的对比。可以看出,本发明的估算方法的估计性能优于其他算法。
附图5与附图6分别是本发明的估算方法在SNR=15dB时在不同接收天线数N下的RMSE和PSD性能的对比。可以看出,接收阵列阵元数增加,本发明的算法的角度估计性能就会变好。
附图7是在SNR=-15dB下本发明的估算方法与其他算法在不同快拍数下L 的RMSE性能对比。可以看出,本发明算法角度估计性能优于其他算法,且估计性能随着L变大而变得更好。
附图8是本发明的估算方法在SNR=15dB时不同快拍数L下的RMSE性能对比。可以看出,本发明的算法在低快拍下仍然有效,而快拍数越多,性能越好。
本发明所述基于四线性分解的双基地MIMO雷达角度估算方法,其利用阵列信号的多维结构,估计接收数据的协方差矩阵,并构建协方差矩阵的四阶张量模型;对接收方向矩阵、发射方向矩阵、目标协方差矩阵进行初始化,将接收方向矩阵、发射方向矩阵、目标协方差矩阵初始化为一个单位矩阵;再利用交替最小二乘法对接收方向矩阵、发射方向矩阵以及目标协方差矩阵进行迭代计算,直至满足收敛条件;考虑均匀阵列的Vandermonde特性,通过最小二乘方法估计目标的DOD与DOA。本发明所述双基地MIMO雷达角度估算方法其与传统算法相比,能有效应对收发阵列存在互耦的场景,无需额外的校准源、奇异值分解以及谱峰搜索;还能够自动匹配所估计的DOD与DOA;其参数估计的精度与PARAFAC算法接近,高于ESPRIT算法和HOSVD算法,但复杂度低于三线性分解和PARAFA C算法。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于四线性分解的双基地MIMO雷达角度估算方法,其特征在于,所述基于四线性分解的双基地MIMO雷达角度估算方法包括如下步骤:
S1、对接收阵列数据进行匹配滤波处理,估计接收数据的协方差矩阵,并构建协方差矩阵的四阶张量模型;
S2、对接收方向矩阵、发射方向矩阵、目标协方差矩阵进行初始化,将接收方向矩阵、发射方向矩阵、目标协方差矩阵初始化为一个单位矩阵;
S3、利用交替最小二乘法对接收方向矩阵、发射方向矩阵以及目标协方差矩阵进行迭代计算,直至满足收敛条件;
S4、通过最小二乘方法估计目标的DOD与DOA;
其中,所述接收数据的协方差矩阵的具体公式如下:
RY=[Ar⊙At]RB[Ar⊙At]T+RE
上式中,⊙表示Khatri-Rao积,(·)T表示转置,At为发射方向矩阵;Ar为接收方向矩阵,为目标特性矩阵,为匹配滤波后的噪声矩阵,RB=E(BBH)为目标协方差矩阵,RE=E(EEH)为噪声协方差矩阵。
2.根据权利要求1所述基于四线性分解的双基地MIMO雷达角度估算方法,其特征在于,所述张量分解包括以下两个操作定义:
定义1:令为一个N阶张量,的模-n(n=1,…,N)矩阵展开表示为其中,位于张量的(i1,…,in)位置的元素成为位于矩阵的(in,j)处的元素,且
定义2:张量的CP分解即将张量因式分解为一系列秩为1的张量和的形式,一个秩R张量分解后可以以矩阵相乘的形式表示:
其中是一个核张量,它的第(k,k,k,k)个元素为gk(k=1,2,…,K),是一个秩为1的矢量(n=1,2,…,N,r=1,2,…,R),上式中的CP分解也可以写成如下张量展开的形式:
式中,(·)T表示转置,是个对角矩阵。
3.根据权利要求1所述基于四线性分解的双基地MIMO雷达角度估算方法,其特征在于,所述交替最小二乘法通过随机矩阵分别对接收方向矩阵、发射方向矩阵以及目标协方差矩阵进行初始化。
4.根据权利要求1所述基于四线性分解的双基地MIMO雷达角度估算方法,其特征在于,所述协方差矩阵的四阶张量模型如下:
上式中,为协方差矩阵的四阶张量,RB为目标协方差矩阵,At为发射方向矩阵;Ar为接收方向矩阵,分别为矩阵At,Ar的共轭,ε为相应的噪声协方差张量。
5.根据权利要求4所述基于四线性分解的双基地MIMO雷达角度估算方法,其特征在于,步骤S3中所述利用交替最小二乘法对接收方向矩阵、发射方向矩阵以及目标协方差矩阵进行迭代计算的具体公式如下:
式中,RY为接收数据的协方差矩阵。
6.根据权利要求5所述基于四线性分解的双基地MIMO雷达角度估算方法,其特征在于,步骤S4中所述通过最小二乘方法估计目标的DOD与DOA的具体方法如下:
利用LS方法对DOD和DOA的拟合分别是
P1c1=h1
P2c2=h2
其中, phase(·)表示取相位操作,分别为所估计的发射方向矩阵和接收方向矩阵的第k列,由上述表达式可得到c1,c2的LS解是
显然c1,c2的第二个元素c1(2),c2(2)分别为和的估计值,因此,发射角的估计为
接收角θk的估计为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810224779.3A CN108594194A (zh) | 2018-03-19 | 2018-03-19 | 基于四线性分解的双基地mimo雷达角度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810224779.3A CN108594194A (zh) | 2018-03-19 | 2018-03-19 | 基于四线性分解的双基地mimo雷达角度估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108594194A true CN108594194A (zh) | 2018-09-28 |
Family
ID=63626841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810224779.3A Pending CN108594194A (zh) | 2018-03-19 | 2018-03-19 | 基于四线性分解的双基地mimo雷达角度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108594194A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782242A (zh) * | 2018-10-29 | 2019-05-21 | 中国传媒大学 | 单基地雷达系统中一种基于平行因子模型的目标定位方法 |
CN109901102A (zh) * | 2019-03-14 | 2019-06-18 | 长江大学 | 基于张量分解的非正交波形mimo雷达doa估算方法及设备 |
CN110412537A (zh) * | 2019-09-05 | 2019-11-05 | 武汉亿维登科技发展有限公司 | 一种双基地mimo雷达角度估计方法 |
CN110907923A (zh) * | 2019-10-29 | 2020-03-24 | 长江大学 | 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 |
CN112269172A (zh) * | 2020-10-14 | 2021-01-26 | 中国人民解放军空军工程大学 | 一种基于张量结构的嵌套mimo雷达角度估计方法和装置 |
CN114994651A (zh) * | 2022-05-18 | 2022-09-02 | 电子科技大学 | 一种存在通道幅相误差的双基地互质mimo雷达目标定位方法 |
CN115278869A (zh) * | 2022-06-30 | 2022-11-01 | 海南大学 | 幂迭代辅助Root-MUSIC的快速MIMO测向方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1656485A (zh) * | 2002-04-22 | 2005-08-17 | 哈里公司 | 利用空间四阶累积量矩阵束的盲源分离 |
US20110013711A1 (en) * | 2009-07-14 | 2011-01-20 | Cisco Technology, Inc. | Beamforming Weight Estimation Using Wideband Multipath Direction of Arrival Analysis |
CN103217671A (zh) * | 2013-04-10 | 2013-07-24 | 哈尔滨工程大学 | 色噪声环境下的多输入多输出雷达收发角度快速估计方法 |
CN105093185A (zh) * | 2015-08-23 | 2015-11-25 | 哈尔滨工程大学 | 基于稀疏表示的单基地多输入多输出雷达目标波达方向估计方法 |
CN105403871A (zh) * | 2015-10-28 | 2016-03-16 | 江苏大学 | 一种双基地mimo雷达阵列目标角度估计和互耦误差校准方法 |
CN105974366A (zh) * | 2016-04-29 | 2016-09-28 | 哈尔滨工程大学 | 互耦条件下基于四阶累积量稀疏表示的mimo雷达波达方向估计方法 |
CN106610483A (zh) * | 2016-11-11 | 2017-05-03 | 长江大学 | 基于张量子空间和谱峰搜索的mimo雷达角度估计算法 |
CN107015213A (zh) * | 2017-03-31 | 2017-08-04 | 长江大学 | 基于music算法的双基地mimo雷达角度估算方法 |
CN107064892A (zh) * | 2016-11-11 | 2017-08-18 | 长江大学 | 基于张量子空间和旋转不变的mimo雷达角度估计算法 |
CN107064926A (zh) * | 2017-01-18 | 2017-08-18 | 长江大学 | 空域色噪声背景下的双基地mimo雷达角度估算方法 |
CN107132514A (zh) * | 2017-05-02 | 2017-09-05 | 长江大学 | 改进esprit的双基地mimo雷达角度估算方法 |
CN107167785A (zh) * | 2017-07-11 | 2017-09-15 | 吉林大学 | 一种稳健的大阵列mimo雷达目标收发角联合估计方法 |
CN107290730A (zh) * | 2017-05-10 | 2017-10-24 | 长江大学 | 互耦条件下双基地mimo雷达角度估算方法 |
CN107801149A (zh) * | 2017-08-25 | 2018-03-13 | 长江大学 | 实值平行因子分解的多径参数估算方法 |
-
2018
- 2018-03-19 CN CN201810224779.3A patent/CN108594194A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1656485A (zh) * | 2002-04-22 | 2005-08-17 | 哈里公司 | 利用空间四阶累积量矩阵束的盲源分离 |
US20110013711A1 (en) * | 2009-07-14 | 2011-01-20 | Cisco Technology, Inc. | Beamforming Weight Estimation Using Wideband Multipath Direction of Arrival Analysis |
CN103217671A (zh) * | 2013-04-10 | 2013-07-24 | 哈尔滨工程大学 | 色噪声环境下的多输入多输出雷达收发角度快速估计方法 |
CN105093185A (zh) * | 2015-08-23 | 2015-11-25 | 哈尔滨工程大学 | 基于稀疏表示的单基地多输入多输出雷达目标波达方向估计方法 |
CN105403871A (zh) * | 2015-10-28 | 2016-03-16 | 江苏大学 | 一种双基地mimo雷达阵列目标角度估计和互耦误差校准方法 |
CN105974366A (zh) * | 2016-04-29 | 2016-09-28 | 哈尔滨工程大学 | 互耦条件下基于四阶累积量稀疏表示的mimo雷达波达方向估计方法 |
CN106610483A (zh) * | 2016-11-11 | 2017-05-03 | 长江大学 | 基于张量子空间和谱峰搜索的mimo雷达角度估计算法 |
CN107064892A (zh) * | 2016-11-11 | 2017-08-18 | 长江大学 | 基于张量子空间和旋转不变的mimo雷达角度估计算法 |
CN107064926A (zh) * | 2017-01-18 | 2017-08-18 | 长江大学 | 空域色噪声背景下的双基地mimo雷达角度估算方法 |
CN107015213A (zh) * | 2017-03-31 | 2017-08-04 | 长江大学 | 基于music算法的双基地mimo雷达角度估算方法 |
CN107132514A (zh) * | 2017-05-02 | 2017-09-05 | 长江大学 | 改进esprit的双基地mimo雷达角度估算方法 |
CN107290730A (zh) * | 2017-05-10 | 2017-10-24 | 长江大学 | 互耦条件下双基地mimo雷达角度估算方法 |
CN107167785A (zh) * | 2017-07-11 | 2017-09-15 | 吉林大学 | 一种稳健的大阵列mimo雷达目标收发角联合估计方法 |
CN107801149A (zh) * | 2017-08-25 | 2018-03-13 | 长江大学 | 实值平行因子分解的多径参数估算方法 |
Non-Patent Citations (2)
Title |
---|
ZIYI WANG,ET AL: "A Quadrilinear Decomposition Method for Direction Estimation in Bistatic MIMO Radar", 《IEEE ACCESS》 * |
李建峰 等: "基于四线性分解的双基地MIMO雷达的角度和", 《航空学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782242A (zh) * | 2018-10-29 | 2019-05-21 | 中国传媒大学 | 单基地雷达系统中一种基于平行因子模型的目标定位方法 |
CN109901102A (zh) * | 2019-03-14 | 2019-06-18 | 长江大学 | 基于张量分解的非正交波形mimo雷达doa估算方法及设备 |
CN110412537A (zh) * | 2019-09-05 | 2019-11-05 | 武汉亿维登科技发展有限公司 | 一种双基地mimo雷达角度估计方法 |
CN110907923A (zh) * | 2019-10-29 | 2020-03-24 | 长江大学 | 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 |
CN112269172A (zh) * | 2020-10-14 | 2021-01-26 | 中国人民解放军空军工程大学 | 一种基于张量结构的嵌套mimo雷达角度估计方法和装置 |
CN112269172B (zh) * | 2020-10-14 | 2024-03-08 | 中国人民解放军空军工程大学 | 一种基于张量结构的嵌套mimo雷达角度估计方法和装置 |
CN114994651A (zh) * | 2022-05-18 | 2022-09-02 | 电子科技大学 | 一种存在通道幅相误差的双基地互质mimo雷达目标定位方法 |
CN114994651B (zh) * | 2022-05-18 | 2024-02-06 | 电子科技大学 | 一种存在通道幅相误差的双基地互质mimo雷达目标定位方法 |
CN115278869A (zh) * | 2022-06-30 | 2022-11-01 | 海南大学 | 幂迭代辅助Root-MUSIC的快速MIMO测向方法及装置 |
CN115278869B (zh) * | 2022-06-30 | 2024-04-23 | 海南大学 | 幂迭代辅助Root-MUSIC的快速MIMO测向方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594194A (zh) | 基于四线性分解的双基地mimo雷达角度估算方法 | |
Nion et al. | A PARAFAC-based technique for detection and localization of multiple targets in a MIMO radar system | |
CN107290730B (zh) | 互耦条件下双基地mimo雷达角度估算方法 | |
Sira et al. | Waveform-agile sensing for tracking | |
CN107064892B (zh) | 基于张量子空间和旋转不变的mimo雷达角度估计算法 | |
CN105068049B (zh) | 一种分置天线mimo雷达的克拉美罗界计算方法 | |
CN107015213B (zh) | 基于music算法的双基地mimo雷达角度估算方法 | |
CN110261841A (zh) | 基于迭代加权近端投影的mimo雷达单测量矢量doa估计方法 | |
Zhang et al. | Reduced dimension STAP based on sparse recovery in heterogeneous clutter environments | |
CN104251989A (zh) | 基于压缩空间谱的单基地mimo雷达目标波达方向估计方法 | |
CN108983143A (zh) | 有色噪声背景下双基地mimo雷达角度估计方法 | |
CN108562866A (zh) | 基于矩阵填充的双基地mimo雷达角度估算方法 | |
CN106154242B (zh) | 基于分数低阶类相关熵的目标参数联合估计算法 | |
CN107132514A (zh) | 改进esprit的双基地mimo雷达角度估算方法 | |
Feng et al. | Jointly iterative adaptive approach based space time adaptive processing using MIMO radar | |
CN106501801A (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 | |
Zhang et al. | Tracking multiple targets in MIMO radar via adaptive asymmetric joint diagonalization | |
Li et al. | Unitary reduced‐dimensional estimation of signal parameters via rotational invariance techniques for angle estimation in monostatic multiple‐input–multiple‐output radar with rectangular arrays | |
CN106154241B (zh) | 脉冲噪声环境下的韧性平行因子分析算法 | |
CN108828504A (zh) | 基于部分相关波形的mimo雷达目标方向快速估计方法 | |
Tang et al. | Gridless DOD and DOA estimation in bistatic MIMO radar using 2D-ANM and its low complexity algorithms | |
Gorji et al. | Joint waveform optimization and adaptive processing for random phase radar signals | |
Wang et al. | Cuckoo search based noncoherent integration method for moving target detection using bistatic MIMO radar | |
CN109901102A (zh) | 基于张量分解的非正交波形mimo雷达doa估算方法及设备 | |
Narayanaswamy et al. | Underdetermined direction of arrival estimation for multiple input and multiple outputs sparse channel based on Bayesian learning framework, Indones |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |