CN109828252B - 一种mimo雷达参数估计方法 - Google Patents

Abstract

本发明公开了一种MIMO雷达参数估计方法，属于雷达工程领域。所述方法包括如下步骤：建立MIMO雷达信号模型，获取目标的信号数据矩阵；对所述信号数据矩阵进行数据重组、数据矩阵扩展，得到协方差矩阵；对所述协方差矩阵做特征值分解，获得信号子空间；通过所述信号子空间获得信号子空间阵列；联合信号子空间阵列矩阵对其分解得到来波方向的俯仰角、方位角和多普勒频率。本发明算法可以提高对目标的多普勒频率、方位角以及俯仰角的估计精度，同时在多个远场目标相距较近的情况下可以获得高精度的参数估计结果，并且该方法在参数估计过程中实现参数自动配对，不需要进行谱峰搜索。

Description

一种MIMO雷达参数估计方法

技术领域

本发明属于雷达工程领域，具体的涉及一种MIMO雷达参数估计方法。

背景技术

多输入多输出(MIMO，multipleinput multipleoutput)雷达通过多个阵元发射多束探测信号，多个阵元接收远场目标反射的散射回波信号，使得其在参数估计性能等方面有着极大地提升空间。MIMO雷达对目标进行估计的参数主要有远场目标的角度、位置、多普勒频率等各项参数，进而确定目标波达到达方向与目标位置信息。

传统的ESPRIT算法对目标来波方向进行估计的原理是：采用均匀线阵的信号模型，将虚拟接收阵列中的均匀线阵分为三个子阵，经匹配滤波处理后得到新的输出数据矩阵。然后求得新矩阵的协方差矩阵相关矩阵并进行特征值分解，较大的特征值对应的特征向量为信号子空间。然后将三个子阵用同样的方式求得对应的信号子空间，结合构造矩阵并对构造矩阵进行特征值分解，联合旋转不变因子估计目标来波方向的俯仰角和方位角信息。

采用传统的ESPRIT算法对MIMO雷达波达方向的俯仰角和方位角进行估计的误差较大，多个远场目标相距较近的情况下进行参数估计时的性能较差，并且没有考虑多普勒频率对角度估计的影响。

发明内容

针对现有技术的不足，本发明的目的在于提供一种MIMO雷达参数估计方法，用于解决现有技术中存在的参数估计性能较差、参数估计结果精度较低的问题。

为解决现有技术问题，本发明采取的技术方案为：

一种MIMO雷达参数估计方法，所述方法包括如下步骤：

建立MIMO雷达非圆信号模型，获取目标的接收信号数据矩阵；

对所述接收信号数据矩阵进行扩展、计算得到协方差矩阵；

对所述协方差矩阵做特征值分解，获取信号子空间；

通过所述信号子空间获取信号子空间矩阵；

联合信号子空间矩阵和构造矩阵得到来波方向的俯仰角、方位角和多普勒频率。

进一步的，所述协方差矩阵获取方法包括：

所述MIMO雷达非圆信号模型包括发射阵列、接收阵列和发射线性独立编码脉冲；

以发射阵列和接收阵列的第一个阵元为参考单元，获得第k个目标的发射信号导向矢量和接收信号导向矢量：

d_t＝Nd_r，K<MN，

其中，a(θ_k)为第k个目标的发射信号导向矢量，

为第k个目标的接收信号导向矢量，θ_k为第k个目标的波离角，

为第k个目标的波达角，d_t为发射阵列阵元的间距，d_r接收阵列阵元的间距，M为发射阵列的阵元数，N为接受阵列的阵元数，K为目标总数，e为欧拉数，j为虚数单位，λ为波长，T表示对矩阵进行转置；

通过发射信号导向矢量和接收信号导向矢量获得第n个接收阵元的接收信号X_n为：

通过接收阵元的接收信号得到MIMO雷达虚拟收发阵列X为：

其中，

A(θ)＝[a(θ₁)a(θ₂)…a(θ_k)]，

S＝ΨS₀＝[S(1),S(2),…,S(P)]，

S₀＝[s₀₁,s₀₂,…,s_0k]^T，

f_d＝[f_d1…f_dk]，

其中，A(θ)为发射阵列方向矩阵，

为接收阵列方向矩阵，f_dk为第k个目标的归一化的多普勒频率，f_d为归一化的多普勒频率，η为K个目标的反射幅度，η_k为第k个目标的反射幅度，S为非圆信号数据矩阵，E空间白与时间白的复高斯白噪声，Ψ为非圆信号的相位矩阵，S₀表示一个实值矩阵，Ψ_k为第k个目标信号的非圆相位，s_0k表示能通过移相得到最大非圆信号s_k的零初相实信号；

对虚拟收发阵列X进行滤波处理得到滤波后的接收信号数据矩阵、对滤波后的接收信号数据矩阵进行时域延迟抽头采样得到：

即：

Y＝AS+E，

其中，

A＝[a₁,a₂…a_k]，

b(f_dk)(k＝1…K)，

其中，Y为滤波后的接收信号数据矩阵，A为空-时域方向矩阵，b(f_dk)为第k个目标的时域方向矩阵，a_k为第k个目标的空-时域方向矩阵，P表示时域延迟抽头采样共有P级延迟，

表示克罗内克积；

对滤波后的接收信号数据矩阵Y进行扩展，得到：

其中，J是反对角线元素全为1，其余位置全为0的MN×MN维交换矩阵，Y^*代表矩阵Y的共轭，E′表示重新构造的噪声矩阵，E^*为E的共轭，E为噪声数据矢量，Y′为扩展后的接收信号数据矩阵；

通过对Y′进行计算获得协方差矩阵：

R_zz＝E[Y′Y′^H]

其中，R_ZZ为协方差矩阵，Y′^H为Y′的共轭转置。

进一步的，所述信号子空间阵列获取方法如下：

对空-时域方向矩阵A进行定义：

其中，b₁(f_dk)、b₂(f_dk)分别是b(f_dk)前P-1个和后P-1个元素，a_M1(θ_k)、a_M2(θ_k)分别是

的前M-1个和后M-1个元素，

分别是

的前N-1个和后N-1个元素；

对上式进行旋转变换得到：

A_D2＝A_D1φ_D，A_M2＝A_M1φ_M，A_N2＝A_N1φ_N，

其中，A_D1为b(f_dk)取前P-1个元素所构成的空-时子矩阵，A_D2为b(f_dk)取后P-1个元素所构成的空-时子矩阵，A_M1为a(θ_k)的前M-1个元素所构成的空-时子矩阵，A_M2为a(θ_k)的后M-1个元素所构成的空-时子矩阵，A_N1为

的前N-1个元素所构成的空-时子矩阵，A_N2为

的后M-1个元素所构成的空-时子矩阵；

从信号子空间E_s中定义信号子矩阵得到：

E_s-D1、E_s-D2、E_s-M1、E_s-M2、E_s-N1、E_s-N2；

其中，E_s-D1为E_s对应A_D1取前P-1个元素所构成的信号子空间，E_s-D2为E_s对应A_D2取后P-1个元素所构成的信号子空间，E_s-M1为E_s对应A_M1取前M-1个元素所构成的信号子空间，E_s-M2为E_s对应A_M2取后M-1个元素所构成的信号子空间，E_s-N1为E_s对应A_N1取前N-1个元素所构成的信号子空间，E_s-N2为E_s对应A_N2取后M-1个元素所构成的信号子空间。

进一步的，所述俯仰角、方位角和多普勒频率获取方法如下：

根据公式E_s-D2＝E_s-D1ψ_D，E_s-M2＝E_s-M1ψ_M，E_s-N2＝E_s-N1ψ_N，

推导出：

ψ_D＝Q^-1φ_DQ，ψ_M＝Q^-1φ_MQ，ψ_N＝Q^-1φ_NQ，

根据上式得到：ψ_D、ψ_M、ψ_N；其中，ψ_D为满足E_s-D1和E_s-D2关系的构造矩阵，ψ_M为满足E_s-M1和E_s-M2关系的构造矩阵，ψ_N为满足E_s-N1和E_s-N2关系的构造矩阵，Q为非奇异矩阵；

对ψ_D进行特征值分解得到特征值Υ_Dk和特征向量V_K，由于ψ_D、ψ_M具有相同的特征向量，所以有：

Υ_MkV_K＝ψ_MV_K

Υ_NkV_K＝ψ_NV_K

利用特征向量V_K和ψ_M、ψ_N分别求解出ψ_M的特征值Υ_Mk和ψ_N的特征值Υ_Nk，实现参数配对；

通过如下公式估计得到俯仰角、方位角以及多普勒频率的估计值：

其中，θ_k为俯仰角、

为方位角，f_dk为多普勒频率。

进一步的，对所述协方差矩阵做特征值分解时，较大的特征值张成信号子空间，剩下的较小的特征值张成噪声子空间。

进一步的，所述发射阵列和接收阵列均由均匀线阵构成，且所有阵元都是全方向的。

一个特定实信号总能通过移相得到一个最大非圆率信号，且这个最大非圆率信号的非圆相位是这个实信号初始相位的两倍。将非圆信号引入，通过数据重组扩大了虚拟阵列孔径，扩大阵元数目，同时考虑多普勒频率，建立信号模型，然后对阵列接收到的非圆信号的数据矩阵进行扩展。然后将虚拟接收阵列分解成多个拥有共同参考阵元的子空间阵列，对于每个子阵应用ESPRIT算法中的时间子空间法，利用接收信号匹配滤波得到输出信号矩阵，求得信号矩阵的协方差矩阵相关矩阵，通过对协方差矩阵做特征值分解，以较大特征值构成信号子空间，以较小的特征值形成噪声子空间，然后构造关系矩阵并进行特征值分解，根据特征值来估计来波方向中俯仰角、方位角以及多普勒频率的信息。

与现有技术相比，本发明有以下有益效果：

本发明利用信号的非圆特性以及多普勒频率对方位角、俯仰角的影响，以非圆信号的数据模型为基础利用时域相邻两级延迟包含的时间相位差、发射阵列相邻阵元包含的空间相位差以及接收阵列相邻阵元包含的空间相位差给出一种基于非圆信号的多维ESPRIT算法的参数估计方法，该算法不需要谱峰搜索，且能自动配对，提高了多个远场目标相距较近时的参数估计性能、参数估计的分辨率以及精度。

附图说明

图1为面阵示意图；

图2为信号射向图示意图；

图3为基于非圆信号的多维ESPRIT参数估计算法流程图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

建立发射阵列和接收阵列的阵元数分别为M和N的MIMO雷达非圆信号模型，发射阵列和接收阵列都是由均匀线阵构成，且所有阵元都是全方向的，发射阵列和接收阵列阵元的间距分别为d_t和d_r，为保证MIMO雷达产生的虚拟阵元没有重叠部分，令d_t＝Nd_r，从而收发阵列M+N个阵元可以等效为一个M×N维的虚拟收发阵列，此虚拟收发阵列阵元间距为信号波长的一半，阵列结构如图1所示。

假设空间存在K个不相干的远场点目标，如图2所示，分别来自方向

且K<MN。其中θ_K为波离角(DOD)，

为波达角(DOA)，归一化的多普勒频率分别为f_d1，f_d2…f_dK。发射和接收天线阵列，都以线阵的第一个阵元为参考单元，则第k个目标的方位角为

的发射信号导向矢量为：

接收信号的导向矢量为：

其中，a(θ_k)为第k个目标的发射信号导向矢量，

为第k个目标的接收信号导向矢量，θ_k为第k个目标的波离角，

为第k个目标的波达角，d_t为发射阵列阵元的间距，d_r接收阵列阵元的间距，M为发射阵列的阵元数，N为接受阵列的阵元数，K为目标总数，e为欧拉数，j为虚数单位，λ为波长，T表示对矩阵进行转置；设η＝[η₁η₂…η_k]^T为K个目标反射信号的幅度，X为MIMO雷达虚拟收发阵列，E空间白与时间白的复高斯白噪声，噪声为零均值，且各阵元上的噪声与噪声、噪声信号之间互不相关。

则MIMO雷达第n个接收阵元接收的信号为：

即虚拟收发阵列X为：

发射阵列方向矩阵为：

A(θ)＝[a(θ₁)a(θ₂)…a(θ_k)]，

接收阵列方向矩阵为：

其中，A(θ)为发射阵列方向矩阵，

为接收阵列方向矩阵，f_dk为第k个目标的归一化的多普勒频率，f_d为归一化的多普勒频率，η为K个目标的反射幅度，η_k为第k个目标的反射幅度，S为非圆信号数据矩阵，E空间白与时间白的复高斯白噪声，

虚拟收发阵列X通过滤波处理后得到滤波后的接收信号数据矩阵Y，对Y进行时域延迟抽头采样，τ表示数据延迟，τ＝1/f_r，f_r是脉冲重复频率，共有P级，故在Y中第m个元素在第n个接收天线响应数据的第p级延迟。

故Y可以表示为：

表示Kronecker积，此时MIMO雷达相当于阵元数为MN的虚拟线阵。

定义A＝[a₁,a₂…a_K]，

其中，Y为滤波后的接收信号数据矩阵，A为空-时域方向矩阵，b(f_dk)为第k个目标的时域方向矩阵，a_k为第k个目标的空-时域方向矩阵，P表示时域延迟抽头采样共有P级延迟，

表示克罗内克积；

因此，虚拟收发阵列通过滤波处理后得到的滤波后的接收信号数据矩阵可以表示为：

Y＝AS+E

S为非圆信号数据矩阵。信号数据矩阵可以表示为：

S＝ΨS₀＝[S(1),S(2),…,S(P)]

其中，

其对角线互不相同的值表示非圆信号的相位矩阵，S₀表示一个实值矩阵，S₀＝[s₀₁,s₀₂,…,s_0k]^T，其中的s_0k表示能通过移相得到最大非圆信号s_k的零初相实信号。

对滤波后的接收信号数据矩阵Y进行扩展，得到：

其中，J是反对角线元素全为1，其余位置全为0的MN×MN维交换矩阵，Y^*代表矩阵Y的共轭，E′表示重新构造的噪声矩阵，E^*为E的共轭，E为噪声数据矢量，Y′为扩展后的接收信号数据矩阵。

通过对Y′进行计算获得协方差矩阵R_ZZ：

R_zz＝E[Y′Y^′H]

对R_ZZ的相关矩阵进行特征值分解，较大的K个特征值张成信号子空间E_s,剩下的较小的特征值张成噪声子空间E_n。噪声情况下，或当快拍数趋于无穷情况下，满足E_s＝AQ，E_s和A均为列满秩，因此Q为非奇异矩阵。

对空-时域方向矩阵A进行定义：

其中，b₁(f_dk)、b₂(f_dk)分别是b(f_dk)前P-1个和后P-1个元素，a_M1(θ_k)、a_M2(θ_k)分别是

的前M-1个和后M-1个元素，

分别是

的前N-1个和后N-1个元素；

对上式进行旋转变换得到：

A_D2＝A_D1φ_D，A_M2＝A_M1φ_M，A_N2＝A_N1φ_N，

其中，A_D1为b(f_dk)取前P-1个元素所构成的空-时子矩阵，A_D2为b(f_dk)取后P-1个元素所构成的空-时子矩阵，A_M1为a(θ_k)的前M-1个元素所构成的空-时子矩阵，A_M2为a(θ_k)的后M-1个元素所构成的空-时子矩阵，A_N1为

的前N-1个元素所构成的空-时子矩阵，A_N2为

的后M-1个元素所构成的空-时子矩阵；

从信号子空间E_s中定义信号子矩阵得到：

从E_s中定义信号子矩阵E_s-D1、E_s-D2、E_s-M1、E_s-M2、E_s-N1、E_s-N2满足：

E_s-D2＝E_s-D1ψ_D，E_s-M2＝E_s-M1ψ_M，E_s-N2＝E_s-N1ψ_N

其中，E_s-D1为E_s对应A_D1取前P-1个元素所构成的信号子空间矩阵，E_s-D2为E_s对应A_D2取后P-1个元素所构成的信号子空间矩阵，E_s-M1为E_s对应A_M1取前M-1个元素所构成的信号子空间矩阵，E_s-M2为E_s对应A_M2取后M-1个元素所构成的信号子空间矩阵，E_s-N1为E_s对应A_N1取前N-1个元素所构成的信号子空间矩阵，E_s-N2为E_s对应A_N2取后M-1个元素所构成的信号子空间矩阵。

以上可以推导出：

ψ_D＝T^-1φ_DT，ψ_M＝T^-1φ_MT，ψ_N＝T^-1φ_NT

可以得出，ψ_D、ψ_M、ψ_N的特征值是由φ_D、φ_M、φ_N的对角元素构成，记为：Υ_D、Υ_M、Υ_N。

其中，ψ_D为满足E_s-D1和E_s-D2关系的构造矩阵，ψ_M为满足E_s-M1和E_s-M2关系的构造矩阵，ψ_N为满足E_s-N1和E_s-N2关系的构造矩阵，Q为非奇异矩阵；

因此，先对ψ_D进行特征值分解得到特征值以及特征向量Υ_Dk和V_K，由于ψ_D、ψ_M具有相同的特征向量，所以有：

Υ_MkV_K＝ψ_MV_K

Υ_NkV_K＝ψ_NV_K

利用特征向量V_K和ψ_M、ψ_N分别求解出ψ_M的特征值Υ_Mk和ψ_N的特征值Υ_Nk，实现参数配对。

最后，基于多维NC-ESPRIT算法的MIMO雷达俯仰角、方位角以及多普勒频率的估计值可以联合求得如下

综上所述，图3为基于多维NC-ESPRIT算法的MIMO雷达参数估计方法流程图。具体步骤总结如下：

1)将匹配滤波器的输出信号Y进行扩展；

2)按式构造扩展后输出信号的协方差函数；

3)对R_zz做特征值分解，较大特征值构成信号子空间E_s；

4)利用信号子空间E_s构造信号子空间阵列E_s-D1、E_s-D2、E_s-M1、E_s-M2、E_s-N1、E_s-N2；

5)构造矩阵ψ_D、ψ_M、ψ_N，对ψ_D进行特征值分解得到特征值以及特征向量Υ_Dk和V_K；

6)利用特征向量V_K和ψ_M、ψ_N分别求解出ψ_M的特征值Υ_Mk和ψ_N的特征值Υ_Nk；

7)估计目标的俯仰角θ_k、方位角

以及多普勒频率f_dk。

利用非圆信号的特性，通过数据重组扩大了虚拟阵列孔径，阵元数目相当于扩大了一倍，进而对阵列接收到的数据矩阵进行扩展，然后考虑多普勒频率对角度估计的影响进而采用多维ESPRIT算法，利用时域相邻两级延迟包含的时间相位差、相邻发射阵元包含的空间相位差以及相邻接收阵元包含的空间相位差作为旋转因子，形成旋转不变子空间，将多维参数估计分解为多个一维ESPRIT算法，分别估计每一维的参数。使得该算法能够精准的估计出目标的方位角、俯仰角以及多普勒频率，提高参数估计的精度与分辨率。

以上所述，仅是本发明的较佳实施例而已，并非对其限制，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可依据本发明的技术实质，做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同替换与修饰等，均仍属于本发明技术方案的保护范围内。

Claims (4)

1.一种MIMO雷达参数估计方法，其特征在于，所述方法包括如下步骤：

建立MIMO雷达非圆信号模型，获取目标的接收信号数据矩阵；

对所述接收信号数据矩阵进行扩展、计算得到协方差矩阵；

对所述协方差矩阵做特征值分解，获取信号子空间；

通过所述信号子空间获取信号子空间矩阵；

联合信号子空间矩阵和构造矩阵得到来波方向的俯仰角、方位角和多普勒频率；

所述协方差矩阵获取方法包括：

所述MIMO雷达非圆信号模型包括发射阵列和接收阵列；

以发射阵列和接收阵列的第一个阵元为参考单元，获得第k个目标的发射信号导向矢量和接收信号导向矢量：

d_t＝Nd_r，K<MN，

其中，a(θ_k)为第k个目标的发射信号导向矢量，

为第k个目标的接收信号导向矢量，θ_k为第k个目标的波离角，

为第k个目标的波达角，d_t为发射阵列阵元的间距，d_r接收阵列阵元的间距，M为发射阵列的阵元数，N为接受阵列的阵元数，K为目标总数，e为欧拉数，j为虚数单位，λ为波长，T表示对矩阵进行转置；

通过发射信号导向矢量和接收信号导向矢量获得第n个接收阵元的接收信号X_n为：

通过接收阵元的接收信号得到MIMO雷达虚拟收发阵列X为：

其中，

A(θ)＝[a(θ₁)a(θ₂)...a(θ_k)]，

S＝ΨS₀＝[S(1)，S(2)，...，S(P)]，

S₀＝[s₀₁，s₀₂，...，s_0k]^T，

f_d＝[f_d1…f_dk]，

其中，A(θ)为发射阵列方向矩阵，

为接收阵列方向矩阵，f_dk为第k个目标的归一化的多普勒频率，f_d为归一化的多普勒频率，η为K个目标的反射幅度，η_k为第k个目标的反射幅度，S为非圆信号数据矩阵，E空间白与时间白的复高斯白噪声，Ψ为非圆信号的相位矩阵，S₀表示一个实值矩阵，Ψ_k为第k个目标信号的非圆相位，s_0k表示能通过移相得到最大非圆信号s_k的零初相实信号；

对虚拟收发阵列X进行滤波处理得到滤波后的接收信号数据矩阵、对滤波后的接收信号数据矩阵进行时域延迟抽头采样得到：

即：

Y＝AS+E，

其中，

A＝[a₁，a₂...a_k]，

其中，Y为滤波后的接收信号数据矩阵，A为空-时域方向矩阵，b(f_dk)为第k个目标的时域方向矩阵，a_k为第k个目标的空-时域方向矩阵，P表示时域延迟抽头采样共有P级延迟，

表示克罗内克积；

对滤波后的接收信号数据矩阵Y进行扩展，得到：

其中，J是反对角线元素全为1，其余位置全为0的MN×MN维交换矩阵，Y^*代表矩阵Y的共轭，E′表示重新构造的噪声矩阵，E^*为E的共轭，E为噪声数据矢量，Y′为扩展后的接收信号数据矩阵；

通过对Y′进行计算获得协方差矩阵：

R_zz＝E[Y′Y′^H]

其中，R_zz为协方差矩阵，Y′^H为Y′的共轭转置；

所述信号子空间矩阵获取方法如下：

对空-时域方向矩阵A进行定义：

其中，b₁(f_dk)、b₂(f_dk)分别是b(f_dk)前P-1个和后P-1个元素，a_M1(θ_k)、a_M2(θ_k)分别是

的前M-1个和后M-1个元素，

分别是

的前N-1个和后N-1个元素；

对上式进行旋转变换得到：

A_D2＝A_D1φ_D，A_M2＝A_M1φ_M，A_N2＝A_N1φ_N，

其中，A_D1为b(f_dk)取前P-1个元素所构成的空-时子矩阵，A_D2为b(f_dk)取后P-1个元素所构成的空-时子矩阵，A_M1为a(θ_k)的前M-1个元素所构成的空-时子矩阵，A_M2为a(θ_k)的后M-1个元素所构成的空-时子矩阵，A_N1为

的前N-1个元素所构成的空-时子矩阵，A_N2为

的后M-1个元素所构成的空-时子矩阵；

从信号子空间E_s中定义信号子矩阵得到：

E_s-D1、E_s-D2、E_s-M1、E_s-M2、E_s-N1、E_s-N1；

其中，E_s-D1为E_s对应A_D1取前P-1个元素所构成的信号子空间，E_s-D2为E_s对应A_D2取后P-1个元素所构成的信号子空间，E_s-M1为E_s对应A_M1取前M-1个元素所构成的信号子空间，E_s-M2为E_s对应A_M2取后M-1个元素所构成的信号子空间，E_s-N1为E_s对应A_N1取前N-1个元素所构成的信号子空间，E_s-N2为E_s对应A_N2取后M-1个元素所构成的信号子空间。

2.根据权利要求1所述的一种MIMO雷达参数估计方法，其特征在于：所述俯仰角、方位角和多普勒频率获取方法如下：

根据公式E_s-D2＝E_s-D1ψ_D，E_s-M2＝E_s-M1ψ_M，E_s-N2＝E_s-N1ψ_N，

推导出：

ψ_D＝Q^-1φ_DQ，ψ_M＝Q^-1φ_MQ，ψ_N＝Q^-1φ_NQ，

根据上式得到：ψ_D、ψ_M、ψ_N；其中，ψ_D为满足E_s-D1和E_s-D2关系的构造矩阵，ψ_M为满足E_s-M1和E_s-M2关系的构造矩阵，ψ_N为满足E_s-N1和E_s-N2关系的构造矩阵，Q为非奇异矩阵；

对ψ_D进行特征值分解得到特征值γ_Dk和特征向量V_K，由于ψ_D、ψ_M具有相同的特征向量，所以有：

γ_MkV_K＝ψ_MV_K

γ_NkV_K＝ψ_NV_K

利用特征向量V_K和ψ_M、ψ_M分别求解出ψ_M的特征值γ_Mk和ψ_N的特征值γ_Nk，实现参数配对；

通过如下公式估计得到俯仰角、方位角以及多普勒频率的估计值：

其中，θ_k为俯仰角、

为方位角，f_dk为多普勒频率。

3.根据权利要求1所述的一种MIMO雷达参数估计方法，其特征在于，对所述协方差矩阵做特征值分解时，较大的特征值张成信号子空间，剩下的较小的特征值张成噪声子空间。

4.根据权利要求1所述的一种MIMO雷达参数估计方法，其特征在于，所述发射阵列和接收阵列均由均匀线阵构成，且所有阵元都是全方向的。

Images