CN109358318B - 一种外辐射源雷达盲源分离提取目标回波与直达波的方法 - Google Patents

Abstract

本发明公开了一种外辐射源雷达盲源分离提取目标回波与直达波的方法，包括以下步骤：首先通过阵列天线接收非合作信号源的混合信号，混合信号包括直达波信号、多径信号、目标回波信号；之后对混合信号进行预处理获得观测信号，并通过SOBI法对观测信号进行盲源分离，获得分离矩阵、未分离观测信号和目标回波信号；再对未分离观测信号进行降维处理；最后利用典型关联分析对降维后的未分离观测信号进行盲源分离，完成目标回波与直达波的提取。本发明利用SOBI盲源分离技术提取目标回波，利用相消技术减少目标回波对剩余信号影响，根据级联的典型关联分析算法实现直达波的提取，可以得到更纯净的直达波，无需单独设置参考通道接收直达波，有效的降低成本。

Description

一种外辐射源雷达盲源分离提取目标回波与直达波的方法

技术领域

本发明属于外辐射源雷达阵列信号处理技术领域，特别是一种外辐射源雷达盲源分离提取目标回波与直达波的方法。

背景技术

外辐射源雷达的非合作的外辐射源信号难以控制，接收到的信号中常混有杂波，且目标回波较弱，同时信噪比较低，被其他信号埋没。外辐射源雷达通过利用直达波与目标回波的模糊函数积累弱信号的能量，实现目标的探测与定位，因此从混合信号中为获得纯净的直达波信号与弱目标回波信号是至关重要的，盲源分离是从混合信号抽取感兴趣信号的常用方法。

近年来，自然梯度法、FASTICA算法等盲源分离算法广泛应用于信号处理，但针对外辐射源雷达接收信号时频重合特性的情况下，难以有效的实现盲源分离，但利用目标信号与直达波信号、多径信号的多普勒频移的区别，产生了从混合信号中分离出目标回波的可能性。传统的双基外辐射源雷达需单独建立参考通道，利用参考通道接收到的直达波信号与监测信号实现对目标的定位，但实际情况中，参考天线的旁瓣依然存在接收到多径，目标回波等干扰信号的风险，根据目标的多普勒频移特性可以有效的提取目标回波信号，但是对于直达波与多径只在时延上不同的信号分离效果较差，很难提取出纯净的直达波信号。

发明内容

本发明所要解决的技术问题在于提供一种外辐射源雷达SOBI与典型关联分析级联盲源分离提取目标回波与直达波的方法。

实现本发明目的的技术解决方案为：一种外辐射源雷达盲源分离提取目标回波与直达波的方法，包括以下步骤：

步骤1、通过阵列天线接收非合作信号源的混合信号x(t)，混合信号包括直达波信号、多径信号、目标回波信号；

步骤2、对混合信号进行预处理获得观测信号

并通过SOBI法对所述观测信号进行盲源分离，获得分离矩阵V、未分离观测信号y(t)和目标回波信号y₁(t)；

步骤3、结合所述分离矩阵V，对未分离观测信号y(t)进行降维处理；

步骤4、利用典型关联分析V所述降维后的未分离观测信号y(t)进行盲源分离，完成目标回波与直达波的提取。

本发明与现有技术相比，其显著优点为：1)本发明直接通过接收到的混合信号直接提取直达波，无需参考通道接收直达波，节省成本；2)本发明利用典型关联分析方法，根据直达波在混合接收信号中较强的相关性，实现直达波与多径信号的分离，实现直达波提取；3)本发明通过目标回波信号的分离向量对剩余分离向量进行正交化处理，实现了已提取信号的消减与未分离信号的降维；4)本发明将典型关联分析算法的两个时延的信号集扩展到多个时延的信号集，直达波与多径信号的分离效果更优。

下面结合附图对本发明作进一步详细的描述。

附图说明

图1为本发明外辐射源雷达盲源分离提取目标回波与直达波的方法流程图。

图2为本发明实施例中SOBI算法提取的目标回波信号与理想直达波的三维模糊函数图。

图3为本发明实施例中SOBI算法提取的直达波信号与理想直达波的三维模糊函数图。

图4为本发明实施例中SOBI算法级联CCA算法提取直达波信号与理想直达波的三维模糊函数图。

图5为本发明实施例中多个时延信号集的CCA算法提取直达波信号与理想直达波的三维模糊函数图。

图6为本发明实施例中不同算法的信干比随目标回波信号信噪比的变化曲线示意图。

具体实施方式

结合图1，本发明外辐射源雷达盲源分离提取目标回波与直达波的方法，包括以下步骤：

步骤1、通过阵列天线接收非合作信号源的混合信号x(t)，混合信号包括直达波信号、多径信号、目标回波信号。其中，非合作信号源的信号采用QPSK调制信号，通过阵列天线接收到的混合信号的模型x(t)为：

x(t)＝As(t)+n(t)

式中，s(t)＝[s_d(t),s_c1(t),...,s_cl(t),s_t(t)]^T，s_d(t)表示直达波，s_c1(t),...,s_cl(t)表示多个多径信号，s_t(t)表示目标回波信号，A表示为阵列天线的阵列流型视为混合矩阵，n(t)表示高斯白噪声信号，t为接收信号的时间。

步骤2、对混合信号进行预处理获得观测信号

并通过SOBI算法对观测信号进行盲源分离，获得分离矩阵V、未分离观测信号y(t)和目标回波信号y₁(t)。

其中，对混合信号进行预处理具体为：对混合信号进行零均值和白化处理。零均值处理是对所有的信号减去均值，使信号满足零均值的平稳随机过程。

信号白化可去除混合信号中个分量之间的相关性，从而满足信号之间相互独立的条件，实现信号降维，使后续的盲源分离过程效率更高且收敛更稳定。

需白化后的信号的自相关矩阵满足

对xx^H进行特征值分解，E{xx^H}＝UDU^H，取白化矩阵为Q＝D_s ^-1/2U_s ^H，得到白化后的观测信号

以二阶统计量为基础的二阶盲辨识算法，利用白化后观测信号

二阶时滞协方差矩阵实现联合对角化。

近似联合对角化的代价函数为

为实现联合对角化，通过约束目标函数

当F(V)越小时，表示矩阵的对角化程度越高。

其中，通过SOBI算法对观测信号进行盲源分离，具体为：

步骤2-1、对

取K个时延信号

并取

的自相关矩阵为

其中k＝1,...,K；

步骤2-2、将2K个时延信号的自相关矩阵构成自相关函数M：

式中，

其中p＝1,...,K；

步骤2-3、假设分离矩阵V为N×N的单位矩阵，依次采用GIVENS旋转与Hyperbolic旋转对M进行极分解，所用公式为：

N′＝H(α_ij，β_ij)^-1M′H(α_ij，β_ij)^-H

其中，θ_ij，

为GIVENS旋转矩阵中旋转角度的参数，α_ij，β_ij为Hyperbolic旋转矩阵中旋转角度的参数，1≤i＜j≤N；

步骤2-4、利用雅克比迭代方法遍历1≤i＜j≤N即遍历步骤2-3中的公式，从而获得分离矩阵V、未分离观测信号y(t)和目标回波信号y₁(t)。

步骤3、结合分离矩阵V，对未分离观测信号y(t)进行降维处理，具体为：

步骤3-1、根据目标回波信号y₁(t)从分离矩阵V找出其对应的分离向量v₁；

步骤3-2、对分离矩阵V中除目标回波信号y₁(t)对应的分离向量v₁的所有分离向量进行正交化处理，获得降维分离矩阵v_new，所用公式为：

v_{k_new}＝v_k-<v_k,v₁>/<v₁,v₁>v₁

式中，v_k__new为利用目标回波信号的分离向量对分离向量v_k进行正交化后新的分离向量，v_k为分离矩阵V中除分离向量v₁之外的任意一个分离向量。

进一步地，步骤3-2中正交化处理具体采用施密特正交化法。

步骤4、利用典型关联分析对降维后的未分离观测信号y(t)进行盲源分离，完成目标回波与直达波的提取，具体为：

步骤4-1、对y(t)取K'个时延信号y(t-τ_k′)，通过典型关联分析获得延时τ_k′对应的矩阵Z_k′：

Z_k′＝cov(y(t-τ_k′),y(t-τ_k′))-¹cov(y(t-τ_k′),y(t-τ_K′+τ_k′))

cov(y(t-τ_K′+τ_k′),y(t-τ_K′+τ_k′))-¹cov(y(t-τ_K′+τ_k′),y(t-τ_k′))

其中，k'＝1,...,K'；

由此获得时滞矩阵Z_new＝[Z₁,...,Z_K′]，将时滞矩阵Z_new与其转置相乘获得Z：

Z＝Z_newZ_new ^T；

步骤4-2、对矩阵Z进行特征值分解，获得：

[U,D]＝eig(Z)

式中，U为分解后的特征值向量，D特征值矩阵；

步骤4-3、对U中的特征向量根据特征值大小进行降序排列，最大的特征值对应的特征向量为直达波信号的分离向量；剩余的特征值对应的特征向量为多径信号的分离向量。

实施例

本实施例中仿真参数设置为：信号源采用QPSK调制信号，符号速率为0.5Mbps，采样频率为32MHz，直达波信噪比设置为20dB，多径信号距离分别245m、975m，信噪比分别为6dB、0dB，目标回波距离为730m、多普勒速率为320Hz，信噪比为-10.5dB。假设存在纯净的直达波信号作为参考，根据分离信号与纯净直达波信号的模糊函数验证信号分离的效果。

由图2的三维模糊函数图可知，在目标位置处可以有相应的峰值，且无直达波与多径信号的干扰，由此得出SOBI的盲源分离可有效的分离出目标回波信号；图3表示SOBI分离出直达波的模糊函数图，其有两个峰值，一个表示直达波分量，另一个表示其中一个多径分量，即SOBI算法对时延信号的分离效果不好。

图4为本发明的级联CCA算法的直达波与理想直达波的三维模糊函数图，可以看出其有效的降低了分离信号中的多径信号，改善了直达波分离效果；图5为本发明方法中多个时延信号集CCA算法后的直达波的模糊函数图，此时只有直达波位置处出现单峰，已经可以得到较为纯净的直达波。

根据信干比ISR(Interference-Signal Ratio)确定分离矩阵的精度问题。设

为计算所得混合矩阵的逆(即计算所得分离矩阵)与原始混合矩阵的乘积，c_uv为矩阵C的下标u,v(1≤u≤N,1≤v≤N)对应的元素，信干比ISR为：

图6为目标回波信噪比在[15dB,-5dB]范围内取值，SOBI算法、级联典型关联分析算法以及本发明方法中多个时延信号集CCA算法的信干比(ISR)大小比较，可见本发明的方法对信号分离更有效。

本发明方法简单、易于实现，通过利用目标回波的多普勒频移特性实现外辐射源雷达的目标回波的抽取，针对SOBI对时延信号分离不足的情况，根据直达波信号相关性较强的性质实现直达波的提取，无需参考天线接收直达波，有效的降低了成本，具有较强的实用价值。

Claims (6)

1.一种外辐射源雷达盲源分离提取目标回波与直达波的方法，其特征在于，包括以下步骤：

步骤1、通过阵列天线接收非合作信号源的混合信号x(t)，混合信号包括直达波信号、多径信号、目标回波信号；

步骤2、对混合信号进行预处理获得观测信号

并通过SOBI算法对所述观测信号进行盲源分离，获得分离矩阵V、未分离观测信号y(t)和目标回波信号y₁(t)；所述通过SOBI算法对观测信号进行盲源分离，具体为：

步骤2-1、对

取K个时延信号

并取

的自相关矩阵为

其中k＝1,...,K；

步骤2-2、将2K个时延信号的自相关矩阵构成自相关函数M：

式中，

其中p＝1,...,K；

步骤2-3、假设分离矩阵V为N×N的单位矩阵，依次采用GIVENS旋转与Hyperbolic旋转对M进行极分解，所用公式为：

N′＝H(α_ij，β_ij)^-1M′H(α_ij，β_ij)^-H

其中，θ_ij，

为GIVENS旋转矩阵中旋转角度的参数，α_ij，β_ij为Hyperbolic旋转矩阵中旋转角度的参数，1≤i＜j≤N；

步骤2-4、利用雅克比迭代方法遍历1≤i＜j≤N即遍历步骤2-3中的公式，从而获得分离矩阵V、未分离观测信号y(t)和目标回波信号y₁(t)；

步骤3、结合所述分离矩阵V，对未分离观测信号y(t)进行降维处理；

步骤4、利用典型关联分析对所述降维后的未分离观测信号y(t)进行盲源分离，完成目标回波与直达波的提取。

2.根据权利要求1所述的外辐射源雷达盲源分离提取目标回波与直达波的方法，其特征在于，步骤1所述非合作信号源的信号采用QPSK调制信号，通过阵列天线接收到的混合信号的模型x(t)为：

x(t)＝As(t)+n(t)

式中，s(t)＝[s_d(t),s_c1(t),...,s_cl(t),s_t(t)]^T，s_d(t)表示直达波，s_c1(t),...,s_cl(t)表示多个多径信号，s_t(t)表示目标回波信号，A表示为阵列天线的阵列流型视为混合矩阵，n(t)表示高斯白噪声信号，t为接收信号的时间。

3.根据权利要求1或2所述的外辐射源雷达盲源分离提取目标回波与直达波的方法，其特征在于，步骤2所述对混合信号进行预处理具体为：对混合信号进行零均值和白化处理。

4.根据权利要求1所述的外辐射源雷达盲源分离提取目标回波与直达波的方法，其特征在于，步骤3所述结合分离矩阵V，对未分离混合信号y(t)进行降维处理具体为：

步骤3-1、根据目标回波信号y₁(t)从分离矩阵V找出其对应的分离向量v₁；

步骤3-2、对分离矩阵V中除目标回波信号y₁(t)对应的分离向量v₁的所有分离向量进行正交化处理，获得降维分离矩阵v_new，所用公式为：

v_{k_new}＝v_k-<v_k,v₁>/<v₁,v₁>v₁

式中，v_{k_new}为利用目标回波信号的分离向量对分离向量v_k进行正交化后新的分离向量，v_k为分离矩阵V中除分离向量v₁之外的任意一个分离向量。

5.根据权利要求4所述的外辐射源雷达盲源分离提取目标回波与直达波的方法，其特征在于，步骤3-2所述正交化处理具体采用施密特正交化法。

6.根据权利要求5所述的外辐射源雷达盲源分离提取目标回波与直达波的方法，其特征在于，步骤4所述利用典型关联分析对降维后的未分离观测信号进行盲源分离，具体为：

步骤4-1、对y(t)取K'个时延信号y(t-τ_k′)，通过典型关联分析获得延时τ_k′对应的矩阵Z_k′：

Z_k′＝cov(y(t-τ_k′),y(t-τ_k′))^-1cov(y(t-τ_k′),y(t-τ_K′+τ_k′))cov(y(t-τ_K′+τ_k′),y(t-τ_K′+τ_k′))^-1cov(y(t-τ_K′+τ_k′),y(t-τ_k′))

其中，k'＝1,...,K'；

由此获得时滞矩阵Z_new＝[Z₁,...,Z_K′]，将时滞矩阵Z_new与其转置相乘获得Z：

Z＝Z_newZ_new ^T；

步骤4-2、对矩阵Z进行特征值分解，获得：

[U,D]＝eig(Z)

式中，U为分解后的特征值向量，D特征值矩阵；

步骤4-3、对U中的特征向量根据特征值大小进行降序排列，最大的特征值对应的特征向量为直达波信号的分离向量；剩余的特征值对应的特征向量为多径信号的分离向量。

Images