CN109946672A - 基于被动孔径合成稀疏阵列的doa估计方法 - Google Patents
基于被动孔径合成稀疏阵列的doa估计方法 Download PDFInfo
- Publication number
- CN109946672A CN109946672A CN201910298256.8A CN201910298256A CN109946672A CN 109946672 A CN109946672 A CN 109946672A CN 201910298256 A CN201910298256 A CN 201910298256A CN 109946672 A CN109946672 A CN 109946672A
- Authority
- CN
- China
- Prior art keywords
- array
- signal
- matrix
- virtual
- passive
- 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.)
- Granted
Links
Abstract
本发明公开了一种基于被动孔径合成稀疏阵列的DOA估计方法,主要解决现有技术中天线阵列体积较大且重量较重无法应用于小型飞行器的问题,其实现步骤是:1)对接受数据进行被动孔径合成处理形成数据矩阵X;2)计算数据矩阵X的相关矩阵,获得矢量化相关矩阵3)构造搜索矩阵4)根据矢量化相关矩阵和搜索矩阵求解波达方向DOA估计向量5)对估计向量谱峰搜索得到最后的DOA估计结果。本发明能阵元孔径有限的情况下大大提高阵列可识别的信源数目和识别精度,可用于小型飞行器的目标侦察和精确定位。
Description
技术领域
本发明属于信号处理技术领域,具体涉及的一种稀疏阵列DOA估计方法,可用于合成孔径天线阵列的目标被动定位。
背景技术
被动合成孔径是利用阵列的运动特性进行孔径合成的。该概念首先是被动声呐探测领域出现的。其主要目的是在声呐阵列孔径有限的条件下,能够更加有效的对海洋环境噪声产生的干扰进行抑制。被动合成孔径声呐PSAS技术被动接收目标噪声,通过阵列的运动和信号处理方法对小孔径基阵进行孔径合成处理,利用时空等价关系可将较长时间的时间增益转换为较大的空间增益,从而解决因物理尺度受限而空间增益难以获得的问题,进而提高系统的增益。目前被动孔径合成技术在阵列信号处理上的应用主要是单阵元运动合成均匀线阵,合成稀疏阵列的应用较少。
波达方向DOA估计一直是空间谱估计领域的研究热点,很多学者在这一领域提出来众多算法。美国的Schmidt R O等人1986年在IEEE Transaction on Antenna andPropagation期刊第34卷第3期第276页至280提出的多重信号分类MUSIC算法开创了空间谱估计算法研究的新时代,促进了特征子空间类算法的兴起和发展,已成为空间谱估计理论体系中的标志性算法。然而MUSIC算法所必须的谱峰搜索,大大增加了算法的运算量。美国的Roy R等人1986年在IEEE Transaction on Acostics,Speech and Signal Processing期刊第34卷第10期第1340页至1342页提出的ESPRIT算法通过数值求解得到信号DOA,一般情况下比利用角度搜索的MUSIC方法运算量要低。以后,研究人员根据以上两种子空间方法提出了许多改进型方法,如ROOT-MUSIC,TLS-ESPRIT等等。2006年D.Donoho等人提出了压缩感知理论将信号处理研究领域推到了一个全新的高潮。对于稀疏阵列的DOA估计方法目前主流的有两种,一种为MUSIC算法,另一种为压缩感知算法。由于MUSIC算法只能使用差分联合阵列中连续的部分,因此大量的差分联合阵列不能被使用,而压缩感知可以利用所有的差分联合阵列,大大提高了DOA估计的性能。
目前一维稀疏阵列的研究方向主要有:稀疏均匀线阵SULA、最小冗余线阵MRLA、最小孔阵列MHA、嵌套阵NA、互质阵和阵元间距不同的普通稀疏线阵SLA。MRLA是A.T.Moffet等人于1968年提出的,是稀疏阵列发展的开端,但是由于MRLA的阵元配置情况没有任何具体的闭式表达式,目前只能通过计算机遍历算法来求解一定阵元数下各个物理阵元的具体位置信息和相应的虚拟阵列情况,存在一定的工程局限性。为了克服MRLA所存在的局限性,Piya Pal和P.P.Vaidyanathan等人于2010年提出了两种物理阵元和虚拟阵元分布情况具有闭式表达式的稀疏阵:嵌套阵和互质阵,通过求解相应的表达式即可得到相应的阵列结构最优的NA和互质阵,并利用该阵列的接收数据的自相关矩阵构造一个扩展阵列孔径的虚拟ULA,进一步利用已有的DOA估计算法实现角度估计。但是常规稀疏阵列为了得到大的自由度,往往需要的孔径较大,但是小型飞行器上由于平台负荷和尺寸的限制无法搭载大孔径阵列。
发明内容
本发明的目的在于提出一种基于被动孔径合成稀疏阵列的DOA估计方法,克服现有技术中由于使用体积较大且重量较重的天线阵列无法应用于小型飞行器的问题,以使用小型飞行器实现目标的精确定位。
本发明的技术思路是,提出了使用被动合成孔径天线阵列的新方法,将不同时间位于不同飞行位置的同一接收机虚拟视为合成孔径天线阵元,充分利用小型飞行器的空间运动特性及雷达脉冲信号的周期特性,给出目标信号方向的精确估计方法。其实现方案包括如下:
1)对单阵元接收数据进行被动孔径合成处理,即通过改变被动孔径合成后虚拟稀疏阵列阵元的起始采样时间t(m-1)N合成阵元数为M的不同阵型的虚拟稀疏阵列,m=1,…,M,每个阵元有N次快拍,得到一个M×N的数据矩阵X,该稀疏阵列阵包括最小冗余矩阵MRA、最小孔阵列MHA和互质阵列和嵌套阵列;
2)计算该数据矩阵的相关矩阵Ry;
3)对相关矩阵Ry进行矢量化,得到矢量化相关矩阵:
其中:是被动孔径合成形成的虚拟稀疏阵列的差分联合阵列的接收信号模型,是Q个信号的方差σε为噪声的方差,
4)将感兴趣信号的角度区域划分为份,得到搜索角度集合 表示第个搜索角度,其中
5)将矢量化相关矩阵按照搜索角度集合稀疏表示为搜索信号
其中:是被动孔径合成形成的虚拟稀疏阵列的搜索矩阵,r是一个的向量;
6)采用波达方向估计DOA算法将3)得到的矢量化相关矩阵和5)中的搜索矩阵代入DOA估计模型中,求解DOA估计向量
其中:λt是规整化参数,||·||1和||·||2表示l1范数和l2范数;
7)对DOA估计向量进行谱峰搜索,找到中的每个峰值点所对应的角度值,这些角度值即为最终的波达方向估计DOA结果。
本发明与现有技术相比具有以下优点:
第一,本发明相对于固定阵元稀疏阵列,由于对单阵元移动进行被动孔径合成,减小了阵列的物理尺寸,解决了因物理尺寸受限而难以获得对信号的高分辨DOA估计这一问题。
第二,本发明相对于被动孔径合成均匀线阵,由于采用单阵元移动被动孔径合成稀疏阵列,并通过矢量化获得更多的差分联合阵列,提高了阵列的自由度,可实现对信号的高分辨DOA估计。
第三,本发明采用的压缩感知DOA估计方法相对于其他DOA估计方法,可以利用所有的差分联合阵列,实现了对信号的高分辨DOA估计。
附图说明
图1是本发明的实现流程图。
图2是用本发明中实施例1进行DOA估计的仿真结果图。
图3是用本发明中实施例2进行DOA估计的仿真结果图。
图4是用本发明中实施例3进行DOA估计的仿真结果图。
图5是用本发明中实施例4进行DOA估计的仿真结果图。
图6是用本发明中四种实施例在不同信噪比下进行DOA估计的均方根误差RMSE对比图。
图7是用本发明中四种实施例在不同快拍数下进行DOA估计的均方根误差RMSE对比图。
具体实施方式
参照图1,本发明给出如下四种实施例:
实施例1,基于被动孔径合成互质阵列的DOA估计方法
本实例的实现步骤如下:
步骤1,建立数据矩阵X。
1a)计算起始采样时间t(m-1)N:
1a1)设被动孔径合成后虚拟互质阵列阵元位置为:
[C1,…,Cm,…,CM]=[0,5,10,12,15,20,24,25,30,35,36,40,45,48,50,55],
其中,Cm为被动孔径合成后虚拟互质阵列第m个阵元的阵元位置,m=1,2,…,M,M=16为虚拟互质阵列阵元个数;
1a2)根据Cm计算起始采样时间t(m-1)N:
其中,λ为信号波长,v为阵元运动速度,*表示相乘;
1b)构造数据矩阵X:
将单阵元接受数据按照1a)中的起始采样时间t(m-1)N分割成M组数据,这M组数据表示阵元位置为[C1,…,Cm,…,CM]的M个阵元接受数据,每组数据选取N个快拍,得到M×N的数据矩阵X,
其中,x(t(m-1)N+(n-1)ts)=As(t(m-1)N+(n-1)ts)+ε(n)为第m个阵元第n次快怕的数据,
式中,A=[a(Ω1),a(Ω2),…,a(Ωq),…,a(ΩQ)]为被动孔径合成后的虚拟互质阵列信号模型,为第q个信号的信号流型,Ωq=2πf0(1+vsinθq/c)T为阵列移动产生的多普勒频移,ε(n)为噪声矢量,s(t(m-1)N+(n-1)ts)为在t(m-1)N+(n-1)ts时刻的采样信号,s(t(m-1)N+(n-1)ts)=[s1(t(m-1)N+(n-1)ts),s2(t(m-1)N+(n-1)ts),…,sq(t(m-1)N+(n-1)ts),…,sQ(t(m-1)N+(n-1)ts)]T,sq(t(m-1)N+(n-1)ts)表示运动阵元在t(m-1)N+(n-1)ts时刻,对信号q在不考虑噪声影响下的理想采样ts为采样间隔时间。
步骤2,计算相关矩阵,获得矢量化相关矩阵
2a)计算数据矩阵X的相关矩阵Ry:
Ry=X*XH/L=AsRsAs H+σεIM,
其中,L为接受数据被动孔径合成后形成的快拍数,As为被动孔径合成的虚拟互质阵列的信号模型,RS=E[s(t)sH(t)]=diag[σ1,σ2,…,σq,…,σQ]为信号的协方差矩阵,σq为第q个信号的方差,Q为目标的个数,σε为噪声的方差。
2b)将相关矩阵Ry进行矢量化后,得到矢量化相关矩阵
其中:是被动孔径合成形成的虚拟互质阵列的差分联合阵列的接收信号模型, 表示kronecker积,a*(Ωq)表示a(Ωq)的共轭转置,为被动孔径合成形成的虚拟互质阵列的差分联合阵列对第q个目标的接受信号模型,表示被动孔径合成后的虚拟互质阵列的差分联合阵列,为互质阵列的差分联合阵列阵元个数,Ωq=2πf0(1+vsinθq/c)T,T为单阵元移动一个半波长所需要的时间,f0表示信号发射频率,v表示阵元移动速度,θq为第q个目标的方向角。是Q个信号的方差σε为噪声的方差,
步骤3,构造搜索矩阵
3a)划分搜索角度集合
将感兴趣信号的角度区域划分为份,得到搜索角度集合 表示第个搜索角度,其中
3b)建立第个搜索信号的信号流型:
根据搜索角度集合求得被动孔径合成后形成的虚拟互质阵列对第个搜索信号的信号流型为阵列移动产生的多普勒频移;
3c)根据信号流型构造搜索矩阵
其中,[]T表示矩阵的转置, 表示的共轭转置。
步骤4,根据矢量化相关矩阵和搜索矩阵求解波达方向DOA估计向量
波达方向DOA估计算法常用的有压缩感知LASSO算法和MUSIC算法,本发明采用压缩感知LASSO算法,即将步骤2得到的矢量化相关矩阵和步骤3得到的搜索矩阵代入LASSO算法模型中,通过MATLAB中的CVX工具包求解波达方向DOA估计向量
其中,λt是规整化参数,||·||1和||·||2分别表示l1范数和l2范数。
步骤5,谱峰搜索。
采用MATLAB中的findpeaks函数对步骤6得到波达方向DOA估计向量进行谱峰搜索,找到中的每个峰值所对应的角度值,这个角度就是最后的波达方向DOA估计结果。
实施例2,基于被动孔径合成嵌套阵列的DOA估计方法
本实例的实现步骤如下:
步骤一,建立数据矩阵X。
1.1)计算起始采样时间t(m-1)N:
1.1.1)设被动孔径合成后虚拟嵌套阵列阵元位置为:
[C1,…,Cm,…,CM]=[0,1,2,3,4,5,6,7,15,23,31,39,47,55],
其中,Cm为被动孔径合成后虚拟嵌套阵列第m个阵元的阵元位置,m=1,2,…,M,M=14为虚拟嵌套阵列阵元个数;
1.1.2)根据Cm计算起始采样时间t(m-1)N:
其中,λ为信号波长,v为阵元运动速度,*表示相乘;
1.2)构造数据矩阵X:
将单阵元接受数据按照1.1)中的起始采样时间t(m-1)N分割成M组数据,这M组数据表示阵元位置为[C1,…,Cm,…,CM]的M个阵元接受数据,每组数据选取N个快拍,得到M×N的数据矩阵X,
X的表达式与实施例1的步骤1b)的X相同。
步骤二,计算相关矩阵,获得矢量化相关矩阵
2.1)计算数据矩阵X的相关矩阵Ry:
Ry=X*XH/L=AsRsAs H+σεIM,
其中,L为接受数据被动孔径合成后形成的快拍数,As为被动孔径合成的虚拟嵌套阵列的信号模型,RS=E[s(t)sH(t)]=diag[σ1,σ2,…,σq,…,σQ]为信号的协方差矩阵,σq为第q个信号的方差,Q为目标的个数,σε为噪声的方差。
2.2)将相关矩阵Ry进行矢量化后,得到矢量化相关矩阵
其中:是被动孔径合成形成的虚拟嵌套阵列的差分联合阵列的接收信号模型, 表示kronecker积,a*(Ωq)表示a(Ωq)的共轭转置,为被动孔径合成形成的虚拟嵌套阵列的差分联合阵列对第q个目标的接受信号模型,表示被动孔径合成后的虚拟嵌套阵列的差分联合阵列,为虚拟嵌套阵列的差分联合阵列阵元个数,Ωq=2πf0(1+vsinθq/c)T,T为单阵元移动一个半波长所需要的时间,f0表示信号发射频率,v表示阵元移动速度,θq为第q个目标的方向角。是Q个信号的方差σε为噪声的方差,
步骤三,构造搜索矩阵
3.1)划分搜索角度集合
将感兴趣信号的角度区域划分为份,得到搜索角度集合 表示第个搜索角度,其中
3.2)建立第个搜索信号的信号流型:
根据搜索角度集合求得被动孔径合成后形成的虚拟嵌套阵列列对第个搜索信号的信号流型为阵列移动产生的多普勒频移;
3.3)根据信号流型构造搜索矩阵
本步骤与实施例1步骤3c)相同。
步骤四,根据矢量化相关矩阵和搜索矩阵求解波达方向DOA估计向量
本步骤与实施例1步骤4相同。
步骤五,谱峰搜索。
本步骤与实施例1步骤5相同。
实施例3,基于被动孔径合成最小冗余阵列MRA的DOA估计方法
本实例的实现步骤如下:
第一步,建立数据矩阵X。
(1a)计算起始采样时间t(m-1)N:
(1a.1)设被动孔径合成后虚拟最小冗余阵列MRA阵元位置为:
[C1,…,Cm,…,CM]=[0,1,2,3,27,32,36,40,44,48,52,55,58],
其中,Cm为被动孔径合成后虚拟嵌套最小冗余阵列MRA第m个阵元的阵元位置,m=1,2,…,M,M=13为虚拟最小冗余阵列MRA阵元个数;
(1a.2)根据Cm计算起始采样时间t(m-1)N:
其中,λ为信号波长,v为阵元运动速度,*表示相乘;
(1b)构造数据矩阵X:
将单阵元接受数据按照1.1)中的起始采样时间t(m-1)N分割成M组数据,这M组数据表示阵元位置为[C1,…,Cm,…,CM]的M个阵元接受数据,每组数据选取N个快拍,得到M×N的数据矩阵X,
X的表达式与实施例1的步骤1b)的X相同。
第二步,计算相关矩阵,获得矢量化相关矩阵
(2a)计算数据矩阵X的相关矩阵Ry:
Ry=X*XH/L=AsRsAs H+σεIM,
其中,L为接受数据被动孔径合成后形成的快拍数,As为被动孔径合成的虚拟最小冗余阵列MRA的信号模型,RS=E[s(t)sH(t)]=diag[σ1,σ2,…,σq,…,σQ]为信号的协方差矩阵,σq为第q个信号的方差,Q为目标的个数,σε为噪声的方差。
(2b)将相关矩阵Ry进行矢量化后,得到矢量化相关矩阵
其中:是被动孔径合成形成的虚拟最小冗余阵列MRA的差分联合阵列的接收信号模型, 表示kronecker积,a*(Ωq)表示a(Ωq)的共轭转置,为被动孔径合成形成的虚拟最小冗余阵列MRA的差分联合阵列对第q个目标的接受信号模型,表示被动孔径合成后的虚拟最小冗余阵列MRA的差分联合阵列,为最小冗余阵列MRA的差分联合阵列阵元个数,Ωq=2πf0(1+vsinθq/c)T,T为单阵元移动一个半波长所需要的时间,f0表示信号发射频率,v表示阵元移动速度,θq为第q个目标的方向角。是Q个信号的方差σε为噪声的方差,
第三步,构造搜索矩阵
(3a)划分搜索角度集合
将感兴趣信号的角度区域划分为份,得到搜索角度集合 表示第个搜索角度,其中
(3b)建立第个搜索信号的信号流型
根据搜索角度集合求得被动孔径合成后形成的虚拟最小冗余阵列MRA对第个搜索信号的信号流型为阵列移动产生的多普勒频移;
(3c)根据信号流型构造搜索矩阵
本步骤与实施例1步骤3c)相同。
第四步,根据矢量化相关矩阵和搜索矩阵求解波达方向DOA估计向量
本步骤与实施例1步骤4相同。
第五步,谱峰搜索。
本步骤与实施例1步骤5相同。
实施例4,基于被动孔径合成最小孔阵列MHA的DOA估计方法
本实例的实现步骤如下:
§1,建立数据矩阵X。
(1.1)计算起始采样时间t(m-1)N:
(1.1.1)设被动孔径合成后虚拟最小孔阵列MHA阵元位置为:
[C1,…,Cm,…,CM]=[0,1,2,3,27,32,36,40,44,48,52,55,58],
其中,Cm为被动孔径合成后虚拟嵌套最小孔阵列MHA第m个阵元的阵元位置,m=1,2,…,M,M=13为虚拟最小孔阵列MHA阵元个数;
(1.1.2)根据Cm计算起始采样时间t(m-1)N:
其中,λ为信号波长,v为阵元运动速度,*表示相乘;
(1.2)构造数据矩阵X:
将单阵元接受数据按照1.1)中的起始采样时间t(m-1)N分割成M组数据,这M组数据表示阵元位置为[C1,…,Cm,…,CM]的M个阵元接受数据,每组数据选取N个快拍,得到M×N的数据矩阵X,
X的表达式与实施例1的步骤1b)的X相同。
§2,计算相关矩阵,获得矢量化相关矩阵
(2.1)计算数据矩阵X的相关矩阵Ry:
Ry=X*XH/L=AsRsAs H+σεIM,
其中,L为接受数据被动孔径合成后形成的快拍数,As为被动孔径合成的虚拟最小孔阵列MHA的信号模型,RS=E[s(t)sH(t)]=diag[σ1,σ2,…,σq,…,σQ]为信号的协方差矩阵,σq为第q个信号的方差,Q为目标的个数,σε为噪声的方差。
(2.2)将相关矩阵Ry进行矢量化后,得到矢量化相关矩阵
其中:是被动孔径合成形成的虚拟最小冗余阵列MRA的差分联合阵列的接收信号模型, 表示kronecker积,a*(Ωq)表示a(Ωq)的共轭转置,为被动孔径合成形成的虚拟最小冗余阵列MRA的差分联合阵列对第q个目标的接受信号模型,表示被动孔径合成后的虚拟最小冗余阵列MRA的差分联合阵列,为最小冗余阵列MRA的差分联合阵列阵元个数,Ωq=2πf0(1+vsinθq/c)T,T为单阵元移动一个半波长所需要的时间,f0表示信号发射频率,v表示阵元移动速度,θq为第q个目标的方向角。是Q个信号的方差σε为噪声的方差,
§3,构造搜索矩阵
(3.1)划分搜索角度集合
将感兴趣信号的角度区域划分为份,得到搜索角度集合 表示第个搜索角度,其中
(3.2)建立第个搜索信号的信号流型
根据搜索角度集合求得被动孔径合成后形成的虚拟最小冗余阵列MRA对第个搜索信号的信号流型为阵列移动产生的多普勒频移;
(3.3)根据信号流型构造搜索矩阵
本步骤与实施例1步骤3c)相同。
§4,根据矢量化相关矩阵和搜索矩阵求解波达方向DOA估计向量
本步骤与实施例1步骤4相同。
§5,谱峰搜索。
本步骤与实施例1步骤5相同。
下面结合仿真实例对本发明:
1.仿真参数:
设被动合成孔径形成的虚拟阵列中阵元间距的单位距离均为d=λ/2=c/(2f0),f0=1.7GHz,运动单阵元以速度v=300m/s以原点O为起点,沿着运动轨迹匀速运动,形成被动合成孔径阵列。
2.仿真内容:
仿真1.快拍数设置为1000,信噪比为10dB,空间目标点数为21,使用本发明中实施例1所述方法进行DOA估计。结果如图2所示。
仿真2.快拍数设置为1000,信噪比为10dB,空间目标点数为21,使用本发明中实施例2所述方法进行DOA估计。结果如图3所示。
仿真3.快拍数设置为1000,信噪比为10dB,空间目标点数为21,使用本发明中实施例3所述方法进行DOA估计,结果如图4所示。
仿真4.快拍数设置为1000,信噪比为10dB,空间目标点数为21,使用本发明中实施例4所述方法进行DOA估计。结果如图5所示。
从图2-5可见,波峰点与目标位置重合,表明本发明能有效的对目标方位角进行估计。
仿真5.在快拍数设置为1000,信噪比从-10~10dB变换,空间目标点有21个的条件下,使用本发明中四种实施例所述方法进行DOA估计,分别进行100次蒙特卡洛实验,结果如图6所示。
从图6可见,四种实施例的RMSE结果随着信噪比的增加而减小。
仿真6.信噪比设置为5dB,快拍数从100~3000变换,空间目标点有21个,使用本发明中四种实施例所述方法进行DOA估计,分别进行100次蒙特卡洛实验,结果如图7所示。
从图7可见,四种实施例的RMSE结果随着快拍数的增加而减小。
Claims (6)
1.一种基于被动孔径合成稀疏阵列的DOA估计方法,包括:
1)对单阵元接收数据进行被动孔径合成处理,即通过改变被动孔径合成后虚拟稀疏阵列阵元的起始采样时间t(m-1)N合成阵元数为M的不同阵型的虚拟稀疏阵列,m=1,…,M,每个阵元有N次快拍,得到一个M×N的数据矩阵X,该稀疏阵列阵包括最小冗余矩阵MRA、最小孔阵列MHA和互质阵列和嵌套阵列;
2)计算该数据矩阵的相关矩阵Ry;
3)对相关矩阵Ry进行矢量化,得到矢量化相关矩阵:
其中:是被动孔径合成形成的虚拟稀疏阵列的差分联合阵列的接收信号模型,是Q个信号的方差σε为噪声的方差,
4)将感兴趣信号的角度区域划分为份,得到搜索角度集合 表示第个搜索角度,其中
5)将矢量化相关矩阵按照搜索角度集合稀疏表示为搜索信号
其中:是被动孔径合成形成的虚拟稀疏阵列的搜索矩阵,r是一个的向量;
6)采用波达方向估计DOA算法将3)得到的矢量化相关矩阵和5)中的搜索矩阵代入DOA估计模型中,求解DOA估计向量
其中:λt是规整化参数,||·||1和||·||2表示l1范数和l2范数;
7)对DOA估计向量进行谱峰搜索,找到中的每个峰值点所对应的角度值,这些角度值即为最终的波达方向估计DOA结果。
2.根据权利要求1所述的方法,其中步骤2)中的相关矩阵Ry,表示如下:
Ry=X*XH/L=AsRsAs H+σεIM,
其中,L为接受数据被动孔径合成后形成的快拍数,RS=E[s(t)sH(t)]=diag[σ1,σ2,…,σq,…,σQ]为信号的协方差矩阵,As为被动孔径合成的虚拟稀疏阵列的信号模型,σq为第q个信号的方差,Q为目标的个数,σε为噪声的方差,M是虚拟稀疏阵列的阵元数。
3.根据权利要求1所述的方法,其中步骤1)中的数据矩阵X,表示如下:
其中x(t(m-1)N+(n-1)ts)=As(t(m-1)N+(n-1)ts)+ε(n)为第m个阵元第n次快怕的数据,式中,A=[a(Ω1),a(Ω2),…,a(Ωq),…,a(ΩQ)]为被动孔径合成后的虚拟稀疏阵列信号模型,为第q个信号的信号流型,Ωq=2πf0(1+vsinθq/c)T为阵列移动产生的多普勒频移,v为阵元运动速度,ts为采样间隔时间,t(m-1)N为被动孔径合成后第m个虚拟阵元数据的起始采样时间,m=1,…,M,s(t(m-1)N+(n-1)ts)为在t(m-1)N+(n-1)ts时刻的采样信号,sq(t(m-1)N+(n-1)ts)表示运动阵元在t(m-1)N+(n-1)ts时刻,对信号q在不考虑噪声影响下的理想采样,ε(n)为噪声矢量。
4.根据权利要求1所述的方法,其中步骤1)中改变被动孔径合成后虚拟稀疏阵列阵元的起始采样时间t(m-1)N,通过如下公式进行:
其中λ为信号波长,v为阵元运动速度,Cm为被动孔径合成后的虚拟稀疏阵列第m个阵元的阵元位置,*表示相乘,
当[C1,…,Cm,…,CM]=[0,5,10,12,15,20,24,25,30,35,36,40,45,48,50,55]时,得到阵元数M=16的互质阵列;
当[C1,…,Cm,…,CM]=[0,1,2,3,4,5,6,7,15,23,31,39,47,55]时,得到阵元数M=14的嵌套阵列;
当[C1,…,Cm,…,CM]=[0,1,2,3,27,32,36,40,44,48,52,55,58]时,得到阵元数M=13的最小冗余阵列MRA阵列;
当[C1,…,Cm,…,CM]=[0,1,6,10,23,26,34,41,53,55]时,得到阵元数M=10的最小孔阵列MHA阵列。
5.利要求1所述的方法,其中3)中的接受信号模型表示如下:
其中, 表示kronecker积,a*(Ωq)表示a(Ωq)的共轭转置,为被动孔径合成形成的虚拟稀疏阵列的差分联合阵列对第q个目标的接受信号模型,表示被动孔径合成后的虚拟稀疏阵列差分联合阵列,为稀疏阵列阵元个数,Ωq=2πf0(1+vsinθq/c)T,T为单阵元移动一个半波长所需要的时间,f0表示信号发射频率,v表示阵元移动速度,θq为第q个目标的方向角。
6.根据权利要求1所述的方法,其中5)中的搜索矩阵表示如下:
其中,[]T表示矩阵的转置,为被动孔径合成后形成的虚拟稀疏阵列对第个搜索信号的信号模型,为阵列移动产生的多普勒频移,表示的共轭转置,表示被动孔径合成后的虚拟稀疏阵列阵元位置,为稀疏阵列阵元个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298256.8A CN109946672B (zh) | 2019-04-15 | 2019-04-15 | 基于被动孔径合成稀疏阵列的doa估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298256.8A CN109946672B (zh) | 2019-04-15 | 2019-04-15 | 基于被动孔径合成稀疏阵列的doa估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109946672A true CN109946672A (zh) | 2019-06-28 |
CN109946672B CN109946672B (zh) | 2022-12-02 |
Family
ID=67015096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910298256.8A Active CN109946672B (zh) | 2019-04-15 | 2019-04-15 | 基于被动孔径合成稀疏阵列的doa估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109946672B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157995A (zh) * | 2020-01-06 | 2020-05-15 | 电子科技大学 | 一种汽车雷达侧视角度超分辨成像方法 |
CN112904271A (zh) * | 2021-03-03 | 2021-06-04 | 西北大学 | 基于互质阵列和增广扩展阵列的四阶累积量doa估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324558A (zh) * | 2016-08-30 | 2017-01-11 | 东北大学秦皇岛分校 | 基于互质阵列的宽带信号doa估计方法 |
WO2018094565A1 (zh) * | 2016-11-22 | 2018-05-31 | 深圳大学 | 脉冲噪声下的波束成形方法及装置 |
CN108957388A (zh) * | 2018-05-21 | 2018-12-07 | 南京信息工程大学 | 一种基于协方差匹配sl0算法的mimo雷达相干信源doa估计方法 |
-
2019
- 2019-04-15 CN CN201910298256.8A patent/CN109946672B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324558A (zh) * | 2016-08-30 | 2017-01-11 | 东北大学秦皇岛分校 | 基于互质阵列的宽带信号doa估计方法 |
WO2018094565A1 (zh) * | 2016-11-22 | 2018-05-31 | 深圳大学 | 脉冲噪声下的波束成形方法及装置 |
CN108957388A (zh) * | 2018-05-21 | 2018-12-07 | 南京信息工程大学 | 一种基于协方差匹配sl0算法的mimo雷达相干信源doa估计方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157995A (zh) * | 2020-01-06 | 2020-05-15 | 电子科技大学 | 一种汽车雷达侧视角度超分辨成像方法 |
CN112904271A (zh) * | 2021-03-03 | 2021-06-04 | 西北大学 | 基于互质阵列和增广扩展阵列的四阶累积量doa估计方法 |
CN112904271B (zh) * | 2021-03-03 | 2023-08-04 | 西北大学 | 基于互质阵列和增广扩展阵列的四阶累积量doa估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109946672B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105259550B (zh) | 基于压缩感知的多输入多输出雷达二维角度估计方法 | |
CN100392426C (zh) | 单通道相控阵接收信号重构及处理方法 | |
CN108562866B (zh) | 基于矩阵填充的双基地mimo雷达角度估算方法 | |
CN110058202B (zh) | 一种基于角度和信号到达时间差估计的高性能混合定位方法及其实现装置 | |
CN106324558A (zh) | 基于互质阵列的宽带信号doa估计方法 | |
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 | |
CN107907853A (zh) | 一种基于均匀圆阵差分相位的单分布源doa估计方法 | |
CN104950297A (zh) | 基于矩阵1范数拟合的阵元误差估计方法 | |
CN109946672A (zh) | 基于被动孔径合成稀疏阵列的doa估计方法 | |
CN107315161A (zh) | 基于压缩感知的非圆信号波达方向角估计方法 | |
Wang et al. | Space-time adaptive processing for airborne radars with space-time coprime sampling structure | |
CN110413939B (zh) | 一种基于原子范数的到达角估计方法 | |
CN106680797A (zh) | 基于宽带模糊函数的目标参数估计新方法 | |
Dakulagi | Single snapshot 2D-DOA estimation in wireless location system | |
CN104698448B (zh) | 运动平台下基于流形分离的共形阵列稳健估角方法 | |
Al-Sadoon et al. | A more efficient AOA method for 2D and 3D direction estimation with arbitrary antenna array geometry | |
Cai et al. | A MUSIC-type DOA estimation method based on sparse arrays for a mixture of circular and non-circular signals | |
CN109946644A (zh) | 基于凸优化的嵌套阵列离网格目标波达方向角估计方法 | |
Wang et al. | Space-time adaptive processing for clutter suppression in coprime array and coprime pulse repetition interval airborne radar | |
Xiang et al. | Detection and estimation algorithm for marine target with micromotion based on adaptive sparse modified-lv’s transform | |
Gong et al. | Three-dimensional coprime array for massive MIMO: Array configuration design and 2D DOA estimation | |
Li et al. | Application research on DOA estimation based on software-defined radio receiver | |
Lu et al. | Off-grid angle-Doppler estimation for space-time adaptive processing: A sequential approach | |
Wang et al. | Underdetermined direction of arrival estimation with nonuniform linear motion sampling based on a small unmanned aerial vehicle platform | |
Liu et al. | MWF-NW algorithm for space-time antijamming |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |