CN110007283A - 雷达波达方向估计方法、装置、计算机设备及存储介质 - Google Patents

雷达波达方向估计方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110007283A
CN110007283A CN201910214702.2A CN201910214702A CN110007283A CN 110007283 A CN110007283 A CN 110007283A CN 201910214702 A CN201910214702 A CN 201910214702A CN 110007283 A CN110007283 A CN 110007283A
Authority
CN
China
Prior art keywords
matrix
echo
objective function
arrival direction
signal model
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.)
Withdrawn
Application number
CN201910214702.2A
Other languages
English (en)
Inventor
王咸鹏
王华飞
黄梦醒
沈重
杨永钦
孟丹丹
国月皓
李亮亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan University
Original Assignee
Hainan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hainan University filed Critical Hainan University
Priority to CN201910214702.2A priority Critical patent/CN110007283A/zh
Publication of CN110007283A publication Critical patent/CN110007283A/zh
Withdrawn legal-status Critical Current

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
    • 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

本发明适用于雷达信号处理领域，提供了雷达波达方向估计方法、装置、计算机设备及存储介质，该方法包括：对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y；基于降维数据矩阵Y，构造稀疏信号模型；根据该模型得到用于估计K个目标的回波功率的目标函数；初始化和更新该目标函数中的回波信号功率和非均匀噪声协方差矩阵；通过多项求根对稀疏信号模型中需要更新位置的网格点进行更新；当算法迭代次数达到预设的上限值或者算法收敛时，对更新后的空域离散网格进行一维空间谱搜索，得到多输入多输出雷达离格波达方向估计值。本发明具有同时对非均匀噪声和离格误差鲁棒的优点，在粗糙的网格仍具有很好的性能，准确性高。

Description

雷达波达方向估计方法、装置、计算机设备及存储介质
技术领域
本发明属于雷达信号处理领域，尤其涉及一种雷达波达方向估计方法、装置、计算机设备及存储介质。
背景技术
过去几十年以来，MIMO雷达系统作为一种新型的雷达系统，由于其高分辨率和优越的参数估计性能，一直都是信号处理领域研究的重点。利用MIMO 雷达系统对目标的波达方向(Direction-of-arrival，DOA)进行估计也备受重视。根据天线阵列配置方法的不同，MIMO雷达系统可以大致分为统计型MIMO雷达(statistical MIMO radar)和共址型MIMO雷达(colocated MIMO radar)两种。单基地MIMO雷达作为共址型MIMO雷达系统中的一种，针对其信号的DOA估计问题，科研工作者们基于子空间技术提出了大量的行之有效的方法，例如 MUSIC(multiple signal classification)和ESPRIT(estimation of signalparameters via rotational invariance techniques)算法。但是此类基于子空间的算法的估计性能受到信噪比和快拍数的限制。
针对此，新兴的稀疏贝叶斯学习(Sparse Bayesian Learning，SBL)技术为 DOA估计问题提供了一个新的思路，基于SBL技术，大量的改进的DOA算法被提出，并提出了一种离格稀疏贝叶斯推导(OGSBI)方法，该方法利用线性近似可以有效的减小离格误差，但是计算复杂度较高，并且在非常粗糙的网格条件下该方法并不能完全有效地降低离格误差的影响；因此，为了减低运算复杂度并且实现在粗糙网格条件下的角度估计，提出了一种增强的稀疏贝叶斯学习的方法(ESBL)，该方法能够实现粗糙网格条件下的离格(off-grid)DOA估计。
然而，上述这些方法都是以均匀噪声为前提的，忽略了非均匀噪声的影响，当实际应用中存在非均匀噪声时，这些方法的估计性能会显著衰减，这极大地限制了上述方法的实用性和准确性。
发明内容
本发明实施例提供一种雷达波达方向估计方法，旨在解决现有技术中在非均匀噪声的影响下估计性能显著衰减，从而限制了其实用性和准确性的问题。
本发明实施例是这样实现的，一种雷达波达方向的估计方法，包括如下步骤：对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y；
基于所述降维数据矩阵Y，构造稀疏信号模型，所述稀疏信号模型由空域离散网格得到，所述空域离散网格由多个离散网格点构成；
根据所述稀疏信号模型，得到用于估计所述K个目标的回波功率的目标函数；
初始化所述目标函数中的回波信号功率和非均匀噪声协方差矩阵，并计算所述稀疏信号模型中的稀疏回波信号矩阵的均值和协方差；
更新所述目标函数中的回波信号功率和非均匀噪声协方差矩阵；
通过多项求根对所述稀疏信号模型中需要更新位置的网格点进行更新；
判断算法迭代次数是否达到预设的上限值或者算法是否收敛；
若是，则对更新后的空域离散网格进行一维空间谱搜索，得到多输入多输出雷达离格波达方向估计值。
本发明实施例还提供一种雷达波达方向估计装置，包括：
降维处理单元，用于对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y；
构造单元，用于基于所述降维数据矩阵Y，构造稀疏信号模型，所述稀疏信号模型由空域离散网格得到，所述空域离散网格由多个离散网格点构成；
构建单元，用于根据所述稀疏信号模型，得到用于估计所述K个目标的回波功率的目标函数；
计算单元，用于初始化所述目标函数中的回波信号功率和非均匀噪声协方差矩阵，并计算所述稀疏信号模型中的稀疏回波信号矩阵的均值和协方差；
第一更新单元，用于更新所述目标函数中的回波信号功率和非均匀噪声协方差矩阵；
第二更新单元，用于通过多项求根对所述稀疏信号模型中需要更新位置的网格点进行更新；
判断单元，用于判断算法迭代次数是否达到预设的上限值或者算法是否收敛；
估计单元，用于若是，则对更新后的空域离散网格进行一维空间谱搜索，得到多输入多输出雷达离格波达方向估计值。
本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述雷达波达方向估计方法的步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述雷达波达方向估计方法的步骤。
本发明实施例提供的雷达波达方向估计方法，首先对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y，有效地降低了波达方向估计的运算复杂度；基于上述降维数据矩阵Y，构造稀释信号模型，并根据该稀疏信号模型得到用于估计上述K个目标的回波功率的目标函数，然后，初始化该目标函数中的回波信号功率和非均匀噪声协方差矩阵，计算所述稀疏信号模型中的稀疏回波信号矩阵的均值和协方差，更新目标函数中的回波信号功率和非均匀噪声协方差矩阵；通过多项求根对稀疏信号模型中需要更新位置的网格点进行更新，以消除非均匀噪声的影响，减小离格误差，提高DOA估计的精度。与现有的方法相比，本发明有效降低了MIMO(多输入多输出)雷达接收数据矩阵的维度和DOA(波达方向)估计的运算复杂度，并且不需要对所有的网格点都进行更新，具有较高的DOA估计速度，同时本发明对非均匀噪声具有鲁棒性，在非均匀噪声和粗糙网格共存的条件下能够实现快速稳健的 DOA估计。
附图说明
图1是本发明实施例一提供的雷达波达方向估计方法的实现流程图；
图2是本发明实施例二提供的雷达波达方向估计方法的实现流程图；
图3是本发明实施例三提供的雷达波达方向估计方法的实现流程图；
图4是本发明实施例四提供的雷达波达方向估计方法的实现流程图；
图5是本发明实施例五提供的雷达波达方向估计方法的实现流程图；
图6是本发明实施例六提供的雷达波达方向估计方法的实现流程图；
图7是本发明实施例提供的一种雷达波达方向估计装置的结构示意图；
图8非均匀噪声条件下本发明与其他三种现有的方法的均方根误差随信噪比变化的对比图；
图9为非均匀噪声条件下本发明与其他三种现有的方法的均方根误差随快拍数变化的对比图；
图10为非均匀噪声条件下本发明与其他三种现有的方法的均方根误差随最差噪声功率比变化的对比图；
图11为非均匀噪声条件下本发明与其他三种现有的方法的均方根误差随离散网格点间距变化的对比图；
图12是不同η情况下的平均仿真时间随离散网格点间隔变化的对比图。
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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
本发明实施例提供的雷达波达方向估计方法通过对接收到的K个目标的回波信号组成的矩阵X进行降维处理，有效地降低了波达方向估计的运算复杂度；并且通过多项求根对稀疏信号模型中需要更新位置的网格点进行更新，不需要对所有的网格点都进行更新，具有较高的DOA估计速度，同时本发明对非均匀噪声具有鲁棒性，在非均匀噪声和粗糙网格共存的条件下能够实现快速稳健的DOA估计。
图1为本发明实施例一示出的雷达波达方向估计方法的实现流程图，如图 1所示，该雷达波达方向估计方法具体可应用于单基地MIMO雷达，包括如下步骤：
在步骤S101中，对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y。
在步骤S102中，基于降维数据矩阵Y，构造稀疏信号模型，稀疏信号模型由空域离散网格得到，空域离散网格由多个离散网格点构成。
在步骤S103中，根据稀疏信号模型，得到用于估计K个目标的回波功率的目标函数。
在步骤S104中，初始化目标函数中的回波信号功率和非均匀噪声协方差矩阵，并计算稀疏信号模型中的稀疏回波信号矩阵的均值和协方差。
在步骤S105中，更新目标函数中的回波信号功率和非均匀噪声协方差矩阵。
在步骤S106中，通过多项求根对稀疏信号模型中需要更新位置的网格点进行更新。
在步骤S107中，判断算法迭代次数是否达到预设的上限值或者算法是否收敛；若否，则重复上述步骤S104～步骤S106。
在步骤S108中，若是，则对更新后的空域离散网格进行一维空间谱搜索，得到多输入多输出雷达离格波达方向估计值。
本发明实施例提供的雷达波达方向估计方法，首先对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y，有效地降低了波达方向估计的运算复杂度；基于上述降维数据矩阵Y，构造稀释信号模型，并根据该稀疏信号模型得到用于估计上述K个目标的回波功率的目标函数，然后，初始化该目标函数中的回波信号功率和非均匀噪声协方差矩阵，计算所述稀疏信号模型中的稀疏回波信号矩阵的均值和协方差，更新目标函数中的回波信号功率和非均匀噪声协方差矩阵；通过多项求根对稀疏信号模型中需要更新位置的网格点进行更新，以消除非均匀噪声的影响，减小离格误差，提高DOA估计的精度。与现有的方法相比，本发明有效降低了单基地MIMO(多输入多输出)雷达接收数据矩阵的维度和DOA(波达方向)估计的运算复杂度，并且不需要对所有的网格点都进行更新，具有较高的DOA估计速度，同时本发明对非均匀噪声具有鲁棒性，在非均匀噪声和粗糙网格共存的条件下能够实现快速稳健的DOA估计。
图2为本发明实施例二示出的雷达波达方向估计方法的实现流程图，如图 2所示，本实施例与实施例一基本相同，其不同之处仅在于：将上述步骤S101 替换为步骤S201。
在步骤S201中，对接收到的K个目标的回波信号进行匹配滤波处理，得到含有非均匀噪声的数据矩阵X，构造转换矩阵D对矩阵X进行降维处理，得到加入了非均匀噪声的降维数据矩阵Y。
在本示例性实施例中，单基地MIMO雷达系统接收K个目标的回波信号，构造转换矩阵D对经过匹配滤波之后的接收数据矩阵X进行降维处理，得到降维后的数据矩阵Y：Y＝DX＝DJBS+DN＝BS+E，其中：X＝AS+N＝JBS+N， D＝(JHJ)-1JH，Γm＝[0N×m,IN,0N×(M-m-1)]，B＝[b(θ1),b(θ2),b(θK)]，M 表示发射天线数，N表示接收天线数，P＝M+N-1,表示Kronecker积，(·)T表示矩阵转置，(·)H表示共轭转置，IN表示N×N维的单位矩阵，S表示接收到的回波信号矩阵，N表示接收到的非均匀噪声矩阵，E表示经过降维处理后的非均匀噪声矩阵，其协方差矩阵可表示为：其中，代表经过降维处理后的非均匀噪声的功率。
图3为本发明实施例三的雷达波达方向估计方法的实现流程图，如图3所示，本发明实施例与实施例一基本相同，其不同之处仅在于：上述步骤S102 具体包括步骤S301。
在步骤S301中，基于降维数据矩阵Y，将空域-90°至90°的范围离散化为份，形成粗糙的空域离散网格，从而构造得到稀疏信号模型。
在本发明实施例中，将空域-90°至90°的范围离散化为份，在目标范围内形成粗糙的空域离散网格从而构造稀疏信号模型：
其中，其中为稀疏回波信号矩阵。
图4是本发明实施例四雷达波达方向估计方法的实现流程图，如图4所示，本实施例与实施例一基本相同，其不同之处仅在于：将上述步骤S103替换为步骤S401。
在步骤S401中，对稀疏信号模型进行先验假设，并根据贝叶斯定理得到用于估计K个目标的回波功率的目标函数。
在本发明实施例中，先验假设如下：假设稀疏回波信号矩阵的每一列都服从独立的复高斯分布，即：其中，CN(0,Υ)表示均匀为0，方差为Υ的复高斯分布。Υ＝diag(γ)，为一个超参数集合，表示从方向入射的回波信号的功率。由于中包含了T列，即T个快拍数，因此的概率密度风分布为：
另外，假设γ的元素服从独立Gamma分布。则根据以上假设，可知Y也服从复高斯分布，可推导得出其概率密度函数为：
根据贝叶斯定理，推导可得到的后验概率密度为：
其中，μ和Σ分别表示均值和协方差矩阵，可根据以下公式计算：
则Y相对于γ和的后验概率密度分布为：其中对上述公式去对数并且忽略常数项，可得用于估计回波信号功率γ的目标函数为：其中
图5是本发明实施例五的雷达波达方向估计方法的实现流程图，如图5所示，本发明实施例与实施例一基本相同，其不同之处仅在于：上述步骤S105 包括步骤S501和步骤S502。
在步骤S501中，根据预设的期望最大算法对目标函数中的回波信号功率进行更新。
根据上述推导，采用下述公式计算稀疏回波信号矩阵的均值μ和协方差矩阵Σ：
利用期望最大(EM)算法对步骤3中推导得到的目标函数进行优化，更新回波信号的功率γ：求目标函数关于回波信号功率γ的偏导，并且使其等于零，通过代数运算可得γ的更新公式为：其中，表示向量的第个元素，表示矩阵的第个元素。τ为一个很小的正常数，通常设置为τ＝10-10。
在步骤S502中，根据预设的最小二乘法对目标函数中的非均匀噪声协方差矩阵进行更新。
在本发明优选的实施例中，利用最小二乘(LS)法更新经过降维处理后的非均匀噪声协方差矩阵具体过程如下：在每次迭代之后可以得到K个粗略的 DOA估计值，将其定义为则与其相对应的导向矩阵为根据子空间理论的知识可知，由张成的子空间和由张成的子空间是同一个子空间，即其中，R＝E[y(t)yH(t)]，E(·)表示求数学期望，H为一个满秩矩阵。的第)列可表示为其中vp表示R的第p列，ep是一个第p个元素为1其他元素为0 的列向量。则和之间的误差可表示为：其中，hp表示H的第p列。利用最小二乘法可得到hp的最小二乘解为将其代入至g(p)可得用于估计非均匀噪声协方差矩阵的目标函数为：
其中，求关于的偏导数，并且令其等于零可得非均匀噪声协方差矩阵的更新公式为：
通过最小二乘(Least square，LS)法进行数据处理可对非均匀噪声功率进行准确估计，从而消除非均匀噪声的影响。
图6是本发明实施例六的雷达波达方向估计方法的实现流程图，如图6所示，本实施例与实施例一基本相同，其不同之处仅在于：上述步骤S106包括步骤S601和步骤S602。
在步骤S601中，根据预设的算法每次迭代过程中需要更新的网格点的个数，确定需要更新的网格点的位置。
在步骤S602中，通过多项求根对需要更新的网格点进行位置更新。
首先根据η确定需要更新的网格点的位置，令ft＝||μt||F，其中||·||F表示求F-范数，则需要更新的网格点的位置可以根据f中前η个较大的值的索引来确定，以下以η＝P＝M+N-1为例。然后通过多项式求根对这些选择的网格点进行更新，对Y的概率密度函数取对数，并求其数学期望可得：
其中，yt和μt分别表示Y和μ的第t列。假设则求上式关于的偏导，并令其等于零可得：其中 表示的第列。表示μ的第个元素，表示Σ的第个元素。将上式转换为多项式形式可得：
其中，表示的第p个元素。且
通过求上述多项式的根，可得到离散网格点的更新公式为：
其中，表示求解得到的P-1个根中模最接近1的根。另外，需要注意的是，当真实的DOA恰好位于原来的离散网格点上时，对网格点的更新反而会增加估计的误差，故当满足时，则对网格点进行更新。
在上述实施例中，迭代更新回波信号的功率和非均匀噪声协方差矩阵，直至算法收敛或者迭代次数达到上限。然后，在更新后的离散网格上进行一维空间谱搜索，根据K个极大值点对应的网格点得到DOA的估计值。
本发明实施例提供的方法，首先利用转换矩阵对接收到的数据进行降维处理，有效降低DOA估计的运算复杂度，构造稀疏信号模型；然后利用最小二乘(LS)法对降维处理后的非均匀噪声功率进行准确估计，从而消除非均匀噪声的影响；同时利用多项式求根的方法对空域的粗糙网格进行迭代更新，减小离格误差，提高DOA估计的精度。与现有的方法相比，本发明有效降低了单基地MIMO雷达接收数据矩阵的维度和DOA估计的运算复杂度，并且不需要对所有的网格点都进行更新，具有较高的DOA估计速度，同时本发明对非均匀噪声具有鲁棒性，在非均匀噪声和粗糙网格共存的条件下能够实现快速稳健的 DOA估计。
本发明实施例还提供了一种雷达波达方向估计装置，如图7所示，该装置，包括：
降维处理单元71，用于对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y。
构造单元72，用于基于所述降维数据矩阵Y，构造稀疏信号模型，所述稀疏信号模型由空域离散网格得到，所述空域离散网格由多个离散网格点构成。
构建单元73，用于根据所述稀疏信号模型，得到用于估计所述K个目标的回波功率的目标函数。
计算单元74，用于初始化目标函数中的回波信号功率和非均匀噪声协方差矩阵，并计算稀疏信号模型中的稀疏回波信号矩阵的均值和协方差。
第一更新单元75，用于更新所述目标函数中的回波信号功率和非均匀噪声协方差矩阵。
第二更新单元76，用于通过多项求根对所述稀疏信号模型中需要更新位置的网格点进行更新。
判断单元77，用于判断算法迭代次数是否达到预设的上限值或者算法是否收敛。
估计单元78，用于若是，则对更新后的空域离散网格进行一维空间谱搜索，得到多输入多输出雷达离格波达方向估计值。
本发明实施例提供的雷达波达方向估计装置，首先对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y，有效地降低了波达方向估计的运算复杂度；基于上述降维数据矩阵Y，构造稀释信号模型，并根据该稀疏信号模型得到用于估计上述K个目标的回波功率的目标函数，然后，初始化该目标函数中的回波信号功率和非均匀噪声协方差矩阵，计算所述稀疏信号模型中的稀疏回波信号矩阵的均值和协方差，更新目标函数中的回波信号功率和非均匀噪声协方差矩阵；通过多项求根对稀疏信号模型中需要更新位置的网格点进行更新，以消除非均匀噪声的影响，减小离格误差，提高DOA估计的精度。与现有的方法相比，本发明有效降低了单基地MIMO(多输入多输出)雷达接收数据矩阵的维度和DOA(波达方向)估计的运算复杂度，并且不需要对所有的网格点都进行更新，具有较高的DOA估计速度，同时本发明对非均匀噪声具有鲁棒性，在非均匀噪声和粗糙网格共存的条件下能够实现快速稳健的DOA估计。
本发明实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述雷达波达方向估计方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述雷达波达方向估计方法的步骤。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。例如，所述计算机程序可以被分割成上述各个方法实施例提供的雷达波达方向估计方法的各步骤，并由处理器执行。
本领域技术人员可以理解，上述计算机装置的描述仅仅是示例，并不构成对计算机装置的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
下面结合仿真实验对本发明的效果做进一步的说明。
为了评估本方法的性能，考虑一个单基地MIMO雷达系统，发射阵列与接收阵列均为均匀线性阵列，相邻阵元之间的距离为半波长，发射阵列的阵元个数为M＝8,接收阵列的阵元个数为N＝10。假设远场有3个相互独立的目标。为了不失一般性，每次蒙特卡洛仿真时，三个目标的位置分别从[-30°,-20°]、[0°,10°] 和[40°,50°]三个范围中以0.01°的精度随机产生。除特殊说明外，在所有实验中，背景噪声均为非均匀噪声，蒙特卡洛实验次数为100，η设置为η＝P＝M+N-1。实验中，采用本发明与现有的OGSBI方法、ROGSBL方法和ESBL方法进行比较。
图8为非均匀噪声条件下本发明与其他三种现有的方法的均方根误差随信噪比变化的对比图，其中以4°的间隔对空域进行离散化，将接收阵列接收到的非均匀噪声协方差矩阵设置为Q＝diag{[10,1,9,7,2,8,1.5,0.5,1,3]}，快拍数设置为 200。从图8可以看出，随着信噪比(SNR)的增大，OGSBI方法的均方根误差并没有显著的降低，而ROGSBL、ESBL和本发明的角度估计均方根误差都显著降低，并且本发明在所有信噪比情况下都具有比ESBL更好的估计性能。
图9为非均匀噪声条件下本发明与其他三种现有的方法的均方根误差随快拍数变化的对比图，其中以4°的间隔对空域进行离散化，将接收阵列接收到的非均匀噪声协方差矩阵设置为Q＝diag{[10,1,9,7,2,8,1.5,0.5,1,3]}，信噪比设置为 0dB。观察图9可知，随着信噪比的增加，本发明的性能显著提高，而其他三种方法的性能则并没有显著的提高，而且本发明的角度估计的均方根误差在所有快拍数情况下都比ESBL低。
图10为非均匀噪声条件下本发明与其他三种现有的方法的均方根误差随最差噪声功率比(WNPR)变化的对比图，其中以4°的间隔对空域进行离散化，快拍数为200，信噪比设置为0dB。通过图10可知，OGSBI方法的均方根误差在所有WNPR的情况下都是最大的；ROGSBL和ESBL方法的均方根误差随着 WNPR的增加而增加，而本发明受WNPR的影响较小，其性能随着WNPR的增加并未显著减低。这说明本发明能够有效降低非均匀噪声对角度估计性能的影响。
图11为非均匀噪声条件下本发明与其他三种现有的方法的均方根误差随离散网格点间距变化的对比图，接收阵列接收到的非均匀噪声协方差矩阵设置为Q＝diag{[10,1,9,7,2,8,1.5,0.5,1,3]}，快拍数为200，信噪比设置为0dB。从图11 可知，OGSBI和ROGSBL方法随着网格间距的增大，其性能不断下降，并且区趋于失效；ESBL方法的性能能够在粗网格条件下保持相对较好的性能；而本发明在所有网格间距条件下都能够保持优越的角度估计性能，尤其是在网格间距较大的情况下，这说明本发明能够在非均匀噪声和离格误差共存的情况下保证角度估计的精度。
图12是不同η情况下的平均仿真时间随离散网格点间隔变化的对比图，其中阵列接收到的非均匀噪声协方差矩阵设置为Q＝diag{[10,1,9,7,2,8,1.5,0.5,1,3]}，快拍数为200，信噪比设置为0dB。从图12中可看出，随着网格点间距的增大，本发明的DOA估计速度显著提高，并且η越小，本发明DOA估计速度越快。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种雷达波达方向估计方法，其特征在于，包括如下步骤：
对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y；
基于所述降维数据矩阵Y，构造稀疏信号模型，所述稀疏信号模型由空域离散网格得到，所述空域离散网格由多个离散网格点构成；
根据所述稀疏信号模型，得到用于估计所述K个目标的回波功率的目标函数；
初始化所述目标函数中的回波信号功率和非均匀噪声协方差矩阵，并计算所述稀疏信号模型中的稀疏回波信号矩阵的均值和协方差；
更新所述目标函数中的回波信号功率和非均匀噪声协方差矩阵；
通过多项求根对所述稀疏信号模型中需要更新位置的网格点进行更新；
判断算法迭代次数是否达到预设的上限值或者算法是否收敛；
若是，则对更新后的空域离散网格进行一维空间谱搜索，得到多输入多输出雷达离格波达方向估计值。
2.如权利要求1所述的雷达波达方向估计方法，其特征在于，所述对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y的步骤，具体包括：
对接收到的K个目标的回波信号进行匹配滤波处理，得到含有非均匀噪声的数据矩阵X，构造转换矩阵D对所述矩阵X进行降维处理，得到降维数据矩阵Y。
3.如权利要求2所述的雷达波达方向估计方法，其特征在于，所述转换矩阵D为D＝(JHJ)-1JH，其中，Γm＝[0N×m,IN,0N×(M-m-1)]，M表示发射天线数，N表示接收天线数，IN表示N×N维的单位矩阵。
4.如权利要求1所述的雷达波达方向估计方法，其特征在于，所述基于所述降维数据矩阵Y，构造稀疏信号模型的步骤，具体包括：
基于所述降维数据矩阵Y，将空域-90°至90°的范围离散化为K份，形成粗糙的空域离散网格，从而构造得到稀疏信号模型。
5.如权利要求1所述的雷达波达方向估计方法，其特征在于，所述根据所述稀疏信号模型，得到用于估计所述K个目标的回波功率的目标函数的步骤，具体包括：
对所述稀疏信号模型进行先验假设，并根据贝叶斯定理得到用于估计所述K个目标的回波功率的目标函数。
6.如权利要求1所述的雷达波达方向估计方法，其特征在于，所述更新所述目标函数中的回波信号功率和非均匀噪声协方差矩阵的步骤，具体包括：
根据预设的期望最大算法对所述目标函数中的回波信号功率进行更新；
根据预设的最小二乘法对所述目标函数中的非均匀噪声协方差矩阵进行更新。
7.如权利要求1所述的雷达波达方向估计方法，其特征在于，所述通过多项求根对所述稀疏信号模型中需要更新位置的网格点进行更新的步骤，具体包括：
根据预设的算法每次迭代过程中需要更新的网格点的个数，确定需要更新的网格点的位置；
通过多项求根对所述需要更新的网格点进行位置更新。
8.一种雷达波达方向估计装置，其特征在于，包括：
降维处理单元，用于对接收到的K个目标的回波信号组成的矩阵X进行降维处理，得到降维数据矩阵Y；
构造单元，用于基于所述降维数据矩阵Y，构造稀疏信号模型，所述稀疏信号模型由空域离散网格得到，所述空域离散网格由多个离散网格点构成；
构建单元，用于根据所述稀疏信号模型，得到用于估计所述K个目标的回波功率的目标函数；
计算单元，用于初始化所述目标函数中的回波信号功率和非均匀噪声协方差矩阵，并计算所述稀疏信号模型中的稀疏回波信号矩阵的均值和协方差；
第一更新单元，用于更新所述目标函数中的回波信号功率和非均匀噪声协方差矩阵；
第二更新单元，用于通过多项求根对所述稀疏信号模型中需要更新位置的网格点进行更新；
判断单元，用于判断算法迭代次数是否达到预设的上限值或者算法是否收敛；
估计单元，用于若是，则对更新后的空域离散网格进行一维空间谱搜索，得到多输入多输出雷达离格波达方向估计值。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述雷达波达方向估计方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述雷达波达方向估计方法的步骤。
CN201910214702.2A 2019-03-20 2019-03-20 雷达波达方向估计方法、装置、计算机设备及存储介质 Withdrawn CN110007283A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910214702.2A CN110007283A (zh) 2019-03-20 2019-03-20 雷达波达方向估计方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910214702.2A CN110007283A (zh) 2019-03-20 2019-03-20 雷达波达方向估计方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN110007283A true CN110007283A (zh) 2019-07-12

Family

ID=67167664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910214702.2A Withdrawn CN110007283A (zh) 2019-03-20 2019-03-20 雷达波达方向估计方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110007283A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111880143A (zh) * 2020-07-07 2020-11-03 西安交通大学 改进稀疏贝叶斯学习的高精度定位方法、存储介质及设备
CN112731326A (zh) * 2020-12-24 2021-04-30 深圳大学 非高斯噪声下的雷达信号波形与目标角度联合估计方法
CN112924947A (zh) * 2020-11-28 2021-06-08 海南大学 一种基于实值稀疏贝叶斯学习的mimo雷达稳健doa估计方法
CN113219401A (zh) * 2021-04-09 2021-08-06 西安电子科技大学 一种非均匀噪声背景下的信号波达方向估计方法
WO2021243529A1 (zh) * 2020-06-01 2021-12-09 华为技术有限公司 一种波达角aoa估计方法和装置
WO2022110833A1 (zh) * 2020-11-30 2022-06-02 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
CN114706056A (zh) * 2022-04-28 2022-07-05 珠海微度芯创科技有限责任公司 基于协方差拟合的毫米波雷达高分辨测角方法、装置和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102981152A (zh) * 2012-11-12 2013-03-20 哈尔滨工程大学 双基地多输入多输出雷达的多目标收发角度估计方法
CN103971029A (zh) * 2014-05-30 2014-08-06 电子科技大学 一种用于网格失配下的doa估计的交替迭代方法
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
CN104749553A (zh) * 2015-04-10 2015-07-01 西安电子科技大学 基于快速稀疏贝叶斯学习的波达方向角估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102981152A (zh) * 2012-11-12 2013-03-20 哈尔滨工程大学 双基地多输入多输出雷达的多目标收发角度估计方法
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
CN103971029A (zh) * 2014-05-30 2014-08-06 电子科技大学 一种用于网格失配下的doa估计的交替迭代方法
CN104749553A (zh) * 2015-04-10 2015-07-01 西安电子科技大学 基于快速稀疏贝叶斯学习的波达方向角估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HUAFEI WANG等: "Assistant Vehicle Localization Based on Three Collaborative Base Stations via SBL-Based Robust DOA Estimation", 《IEEE INTERNET OF THINGS JOURNAL》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021243529A1 (zh) * 2020-06-01 2021-12-09 华为技术有限公司 一种波达角aoa估计方法和装置
CN115087881A (zh) * 2020-06-01 2022-09-20 华为技术有限公司 一种波达角aoa估计方法和装置
CN111880143A (zh) * 2020-07-07 2020-11-03 西安交通大学 改进稀疏贝叶斯学习的高精度定位方法、存储介质及设备
CN112924947A (zh) * 2020-11-28 2021-06-08 海南大学 一种基于实值稀疏贝叶斯学习的mimo雷达稳健doa估计方法
CN112924947B (zh) * 2020-11-28 2023-10-27 海南大学 一种基于实值稀疏贝叶斯学习的mimo雷达稳健doa估计方法
WO2022110833A1 (zh) * 2020-11-30 2022-06-02 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
CN112731326A (zh) * 2020-12-24 2021-04-30 深圳大学 非高斯噪声下的雷达信号波形与目标角度联合估计方法
WO2022134764A1 (zh) * 2020-12-24 2022-06-30 深圳大学 非高斯噪声下的雷达信号波形与目标角度联合估计方法
CN113219401A (zh) * 2021-04-09 2021-08-06 西安电子科技大学 一种非均匀噪声背景下的信号波达方向估计方法
CN113219401B (zh) * 2021-04-09 2022-12-13 西安电子科技大学 一种非均匀噪声背景下的信号波达方向估计方法
CN114706056A (zh) * 2022-04-28 2022-07-05 珠海微度芯创科技有限责任公司 基于协方差拟合的毫米波雷达高分辨测角方法、装置和介质

Similar Documents

Publication Publication Date Title
CN110007283A (zh) 雷达波达方向估计方法、装置、计算机设备及存储介质
Zhou et al. Direction-of-arrival estimation for coprime array via virtual array interpolation
Feldman et al. A projection approach for robust adaptive beamforming
Margoosian et al. An accurate kernelized energy detection in Gaussian and non-Gaussian/impulsive noises
CN109752710B (zh) 一种基于稀疏贝叶斯学习的快速目标角度估计方法
CN108768567B (zh) 一种多径分簇方法、装置、电子设备及可读存储介质
El-Keyi et al. Robust adaptive beamforming based on the Kalman filter
Hung Modified particle swarm optimization structure approach to direction of arrival estimation
Ge et al. Robust adaptive beamforming based on sparse Bayesian learning and covariance matrix reconstruction
Yanan et al. Direction of arrival estimation method based on quantum electromagnetic field optimization in the impulse noise
Rosić et al. Passive target localization problem based on improved hybrid adaptive differential evolution and Nelder-Mead algorithm
Almagboul et al. Deep-learning-based phase-only robust massive MU-MIMO hybrid beamforming
CN110161476A (zh) 基于幂迭代广义瑞利商算法的雷达波束形成方法
Ge et al. An effective source number enumeration approach based on SEMD
CN115079090A (zh) 基于esprit与加权降维搜索的多阵列非圆源快速定位方法
Aubry et al. ATOM for MLE of Toeplitz structured covariance matrices for RADAR applications
Shahbazpanahi et al. Robust adaptive beamforming using worst-case SINR optimization: A new diagonal loading-type solution for general-rank signal models
CN114217265A (zh) 基于最小方差无失真响应的信源波达估计方法及系统
Stanković et al. Efficient DoA tracking of variable number of moving stochastic EM sources in far-field using PNN-MLP model
Aboutanios et al. Online antenna selection for enhanced DOA estimation
Hung Memetic particle swarm optimization scheme for direction-of-arrival estimation in multipath environment
Faye et al. Two-dimensional DOA estimation based on a single uniform linear array
Han et al. Maintaining track continuity for extended targets using Gaussian-mixture probability hypothesis density filter
Sha et al. Direction-finding using co-prime array under impulsive noise
Meng et al. Direction-of-arrival estimation based on particle swarm optimization searching approaches for CDMA signals

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190712

WW01 Invention patent application withdrawn after publication