CN110646786A - 一种压缩感知雷达多目标速度-距离配对观测方法 - Google Patents
一种压缩感知雷达多目标速度-距离配对观测方法 Download PDFInfo
- Publication number
- CN110646786A CN110646786A CN201910772574.3A CN201910772574A CN110646786A CN 110646786 A CN110646786 A CN 110646786A CN 201910772574 A CN201910772574 A CN 201910772574A CN 110646786 A CN110646786 A CN 110646786A
- Authority
- CN
- China
- Prior art keywords
- target
- observation
- distance
- compressed sensing
- speed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims description 63
- 238000009825 accumulation Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 31
- 238000001228 spectrum Methods 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000007906 compression Methods 0.000 description 11
- 230000006835 compression Effects 0.000 description 10
- 101001046633 Homo sapiens Junctional adhesion molecule A Proteins 0.000 description 3
- 102100022304 Junctional adhesion molecule A Human genes 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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)
- 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
本发明公开了一种压缩感知雷达多目标速度‑距离配对观测方法，通过一种目标速度与距离的分离估计方法，降低过完备字典维度，提高目标探测效率与目标参数估计精度。并在此基础上，考虑到多目标情况下，随着目标数量的增加，对应优化重构次数的增加会明显降低压缩感知目标参数估计的效率。基于上述问题，提出一种一种压缩感知雷达多目标速度‑距离配对观测方法，实现在多目标场景下，仅采用一次重构，即可估计场景内全部目标的参数，进一步提高了压缩感知雷达进行目标参数估计的实时性。
Description
技术领域
本发明涉及雷达稀疏信号处理领域，尤其涉及一种压缩感知雷达多目标速度-距离配对观测方法。
背景技术
压缩感知雷达通过挖掘目标场景的稀疏特性，利用针对目标场景的过完备字典，通过回波信号与过完备字典的优化匹配，搜索得到目标参数的估计。随着目标估计精度要求的不断提高，传统方法针对目标速度与距离信息构造的时频过完备字典往往维数非常大，导致压缩感知雷达对目标探测的效率严重下降。同时，在高分辨率的要求下，同时考虑目标速度与距离的时频过完备字典的原子互相关度较高，也将会降低目标参数的优化重构准确率。因此，针对上述问题，为同时提高目标参数估计精度与目标探测效率，本发明提供一种目标速度与距离的分离估计方法，降低过完备字典维度，提高目标探测效率与目标参数估计精度。并在此基础上，考虑到多目标情况下，随着目标数量的增加，对应优化重构次数的增加会明显降低压缩感知目标参数估计的效率。
发明内容
本发明所要解决的技术问题是提出一种一种压缩感知雷达多目标速度-距离配对观测方法，实现在多目标场景下，仅采用一次重构，即可估计场景内全部目标的参数，进一步提高了压缩感知雷达进行目标参数估计的实时性。
本发明为解决上述技术问题采用以下技术方案：
一种压缩感知雷达多目标速度-距离配对观测方法，具体包括以下步骤：
步骤1，基于目标可能的时延信息，建立压缩感知雷达回波脉冲串的距离维联合稀疏字典Ψ，在稀疏字典Ψ下，第i个脉冲的接收信号ri具有如下的稀疏表示模型ri＝Ψθi，其中θi为第i个脉冲对应的稀疏向量；
步骤2，构造速度聚焦观测矩阵Φv，并利用Φv对回波脉冲信号群进行观测，得到目标回波的多普勒谱，随后通过对目标多普勒谱进行谱峰搜索，得到场景内目标的多普勒频率估计值；
步骤3，根据各目标的多普勒频率估计值，构造得到多目标联合积累观测矩阵Φp，进而对回波脉冲信号群进行积累观测；
步骤4，构造速度-距离配对观测矩阵，对积累观测后的数据进行二次观测，得到配对后接收信号y；
步骤5，基于稀疏字典Ψ，重构得到稀疏向量，从而完成对目标参数的估计。
作为本发明一种压缩感知雷达多目标速度-距离配对观测方法的进一步优选方案，在步骤1中，所述联合稀疏字典Ψ包含目标可能的时延信息，而不包含目标可能的多普勒频率信息。
作为本发明一种压缩感知雷达多目标速度-距离配对观测方法的进一步优选方案，在步骤2中，利用速度聚焦观测矩阵对目标的多普勒频率进行估计的方法，具体包括以下步骤：
步骤2.1，构造速度聚焦观测矩阵Φv；
步骤2.2，令回波信号采样长度为Q，定义一个长度为Q的全1向量η；
步骤2.3，对多脉冲回波信号群R进行观测得到聚焦后的多普勒谱
其中
表示克罗内克积，vec(.)表示向量化函数；
步骤2.4，对滤波后多普勒谱进行谱峰搜索，估计得到各目标的速度。
作为本发明一种压缩感知雷达多目标速度-距离配对观测方法的进一步优选方案，所述步骤2.1构造速度聚焦观测矩阵，具体包括：
步骤2.11，根据目标多普勒区间的扫描范围与扫描间隔，定义归一化多普勒扫描矢量d；
步骤2.12，令表示压缩感知雷达的发射脉冲重复频率，并定义单位频移量
步骤2.13，由多普勒扫描矢量d与单位频移量ωd构造速度聚焦观测矩阵Φv。
作为本发明一种压缩感知雷达多目标速度-距离配对观测方法的进一步优选方案，在步骤2.11中，归一化多普勒扫描矢量，具体为：令目标归一化多普勒扫描区间的的范围为[-0.5,0.5]，离散间隔总数为Nd，则归一化多普勒扫描矢量为d＝[-0.5,-0.5+Δd,-0.5+2Δd,...,-0.5+NdΔd]。
作为本发明一种压缩感知雷达多目标速度-距离配对观测方法的进一步优选方案，在步骤2.23中，构造速度聚焦观测矩阵Φv，具体为
，其中P为接收回波脉冲数。
作为本发明一种压缩感知雷达多目标速度-距离配对观测方法的进一步优选方案，在步骤3中，构造多目标联合积累观测矩阵，具体为：对应目标多普勒频率估计值
构造积累观测子矩阵
随后根据所有场景内所有K个目标，构造多目标联合积累观测矩阵
作为本发明一种压缩感知雷达多目标速度-距离配对观测方法的进一步优选方案，步骤4中构造速度-距离配对观测矩阵，对联合积累观测后的数据进行配对观测，具体包括：
步骤4.1，构造配对观测矩阵ΦM；
步骤4.2，对回波信号群进行联合积累观测与配对观测，得到匹配后积累观测矢量y＝RΦAΦM。
作为本发明一种压缩感知雷达多目标速度-距离配对观测方法的进一步优选方案，步骤4.1中的配对观测矩阵ΦM具体为：若场景内共存在K个目标，第k个目标的多普勒谱峰值为εk，则配对观测矩阵中对应第k个加权系数为
则ΦM＝[β1,β2,…,βK]T。
作为本发明一种压缩感知雷达多目标速度-距离配对观测方法的进一步优选方案，在步骤5中，对联合配对观测后信号进行稀疏优化重构得到各目标的距离估计的过程，具体包括如下步骤：
步骤5.1，输入目标总数K，距离维联合稀疏字典Ψ；
步骤5.2，初始化：支撑集初始值
残差向量初始值r0＝y，迭代次数初始值k＝1；
步骤5.3，计算残差向量rk-1与联合稀疏字典Ψ各列的内积值并寻找内积值最大的列对应的位置索引λk，即
其中
表示感知矩阵Ψ的第l列；
步骤5.4，更新支撑集Ωk＝Ωk-1∪{λk}；
步骤5.5利用最小二乘法估计计算观测向量y在当前支撑集对应的感知矩阵子矩阵
下的稀疏系数近似解
步骤5.6，更新残差向量
步骤5.7，输出第k个多普勒谱峰对应的目标所在距离索引为λk，目标真实散射系数为
其中
表示求解所得稀疏向量的第k个非零元素；
步骤5.8，判断，若k＝K时则停止迭代，否则令k＝k+1，返回步骤5.2。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明针对压缩感知雷达系统进行多目标速度与距离分离估计的过程中，随着目标数量的增加，压缩感知雷达目标参数估计效率显著下降的问题，提出了一种基于观测矩阵的多目标速度与距离配对观测方法，通过配对观测，实现了仅需采用一次优化重构便将全部目标的速度与距离信息估计出来，使得目标参数估计的复杂度将不随目标数量的增加而提高，从而在目标速度与距离分离估计的基础上，进一步提高了压缩感知雷达的多目标目标探测效率。
附图说明
图1是本发明的针对目标速度与距离分离估计的多目标速度与距离配对观测流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
如图1所示，压缩感知雷达系统进行多目标速度与距离分离估计的过程中，随着目标数量的增加，压缩感知雷达目标参数估计效率显著下降的问题，提出了一种基于观测矩阵的多目标速度与距离配对观测方法，通过配对观测，实现了仅需采用一次优化重构便将全部目标的速度与距离信息估计出来，使得目标参数估计的复杂度将不随目标数量的增加而提高，从而在目标速度与距离分离估计的基础上，进一步提高了压缩感知雷达的多目标目标探测效率。
本发明总体上包括三部分：针对目标多普勒频率估计的速度聚焦观测矩阵设计方法、针对场景内全部目标的联合压缩积累观测矩阵设计方法以及针对多目标速度与距离匹配的配对观测矩阵设计方法。
图1描述了多目标场景下压缩感知雷达的速度距离配对压缩积累观测与目标参数估计流程。首先通过构造速度聚焦观测矩阵，观测得到回波脉冲信号群的联合多普勒谱，进而通过对多普勒谱进行谱峰搜索得到对各目标多普勒频率的估计；在得到各目标的多普勒频率信息后，根据场景内目标的多普勒频率，构造联合压缩积累观测矩阵与速度-距离配对观测矩阵，利用联合压缩积累观测矩阵与速度-距离配对观测矩阵，实现回波脉冲信号群在各目标多普勒频率上的积累聚焦，同时完成各多普勒频率与对应距离信息的匹配；最后，仅通过一次优化重构，实现对场景内全部目标的速度与距离信息的准确估计，解决了随着目标数量的增加导致目标探测效率降低的问题，显著提高了压缩感知雷达在多目标场景下，对目标速度-距离进行分离估计的效率。
假设脉冲多普勒压缩感知雷达接收到的第p个回波脉冲可以表示为
其中Tp为脉冲重复周期PRI，sp(t)为第p个发射脉冲，αk、τk、分别为第k目标的反射系数、时延以及多普勒频率，K为场景内目标总数。若将采样后的各回波脉冲信号以矩阵的时候放置，即
R＝[r1,r2,…,rP]\＊MERGEFORMAT(2)
则式(1)中的PRI项则通过式(2)所示的对齐所消除。
定义单位多普勒频移基矩阵
其中M为目标场景在频率维的离散度。
同时定义单位时移矩阵
其中N为信号采样长度。
则整个目标场景的等效回波信号可以表示为
上式中的目标场景等效回波信号，是目标平面内所有时频点对应的回波信号的总和。如前所述，由于目标场景内的目标数量有限，则目标场景可以认为是稀疏的。因此，上式中的目标场景等效回波信号内，只有目标所在时频点存在回波信号，不存在目标的是时频点则没有噪声以外的回波信号分量。至此，式(5)可以被认为是压缩感知雷达目标回波稀疏表示的一般模型。
为了解决大场景高分辨背景下压缩感知雷达过完备稀疏字典维度过大的问题，本发明采用基于结构化观测矩阵的目标多普勒频率与距离分开进行估计的方法。如图1所示，本发明首先对场景内目标的多普勒频率进行估计，在进行目标多普勒频率估计时，需要首先定义速度聚焦观测矩阵VFMa。在定义VFMa之前，先定义归一化多普勒频率扫描矢量
d＝[-0.5,-0.5+Δd,-0.5+2Δd,...,-0.5+NdΔd]\＊MERGEFORMAT(6)
其中，(Nd+1)为d的长度，归一化多普勒扫描范围[-0.5,+0.5]，离散扫描间隔Δd＝1/Nd。
令
表示压缩感知雷达的发射脉冲重复频率，并定义单位频移量
则速度聚焦观测矩阵VFMa可以表示为
其中d(n)归一化多普勒扫描矢量d的第n个元素。
定义一个长度为N的全一向量ρ，则可以得到速度聚焦观测谱
其中，
表示克罗内克积，vec(·)表示向量化函数。
获得速度聚焦观测后的多普勒谱后，通过对多普勒谱
进行谱峰搜索，如果场景内目标数量K已知，则目标的多普勒频率可通过搜索ζd的前得到K个峰值的索引值获得估计值。假设第k个目标对应的多普勒谱峰值索引值为d(k)，则第k个目标的多普勒频率为
需要说明的是，如果场景内目标数量K未知，则在谱峰搜索的过程中，选择合适的阈值来进行谱峰的判别。
基于VFMa得到场景内目标多普勒频率的估计后，本发明将进一步基于目标多普勒频率的估计值，设计联合压缩积累观测矩阵JCAM，获得对场景内目标的距离估计。多回波脉冲情况下，由于脉冲间存在多普勒频移，压缩感知雷达的回波稀疏表示模型成为了一个特殊的多观测矢量(MMV)问题。为了简化上述的特殊MMV问题，本发明通过设计联合压缩积累观测矩阵，消除由目标多普勒引起的相邻回波脉冲间的相位差，从而获得回波脉冲群在指定多普勒频率上的积累聚焦。
压缩积累观测矩阵JCAM的设计过程可以简述为：针对第k个目标的多普勒频率估计值构造对应的压缩积累观测子矩阵
随后，针对场景内全部目标构造联合压缩积累观测矩阵
多普勒频率为
的目标，其对应的聚焦后观测信号可以表示为
下面将对压缩积累观测矩阵对于回波信号在指定多普勒频率上的积累聚焦性能做简要的分析，在指定多普勒频率ν上，通过对应的压缩积累观测子矩阵对回波脉冲群的观测过程可以等效为如下的运算过程：
其中
如果目标的多普勒频率与ν一致，则式(11)所示的观测过程可以获得如下的能量增益
相反的，如果目标的多普勒频率与ν不同，则目标回波能量无法通过(11)式来获得增益，即当fd≠ν时，
信噪比方面，假设含有加性接收噪声的回波信号为
zp(t)＝rp(t)+n(t)\＊MERGEFORMAT(14)
其中加性噪声n(t)的方差为σ2。
则第k个目标对应的接收信噪比可以表示为
经过压缩积累观测后，第k个目标对应的含噪声回波可以表示为
其中，
如式(12)所示，同时
则第k个目标对应的积累观测信噪比可以定义为
由于噪声信号在不同脉冲间是相互独立的，同时噪声信号是高斯白噪声，因此
是P个独立随机变量的累加。根据以上分析，可以得到
根据式(12)与式(17)，可以将式(16)中的观测信噪比进一步改写为
由此，分析表明了频率ν对应的压缩积累观测子矩阵能够在抑制其他频率目标与噪声的同时，实现对多普勒频率
的目标的积累聚焦。
经过上述分析可以得出，联合压缩积累观测矩阵JCAM可以在各目标对应的多普勒频率上实现回波信号能量的积累，获得相应的信噪比增益。
完成联合压缩积累观测矩阵ΦA后，回波脉冲信号矩阵将被压缩至一个仅有K列的矩阵，由于ΦA一次实现了全部目标的速度聚焦，因此如果直接对联合压缩积累观测数据进行优化重构，则得到的K个距离信息将无法与第一阶段估计得到的各目标多普勒频率准确对应，因此需要解决在此过程中的目标距离信息与速度信息的配对问题。
本发明通过设计一个针对多目标速度与距离信息匹配的速度-距离配对观测矩阵，来解决上述问题。若场景内共存在K个目标，第k个目标的多普勒谱峰值为εk，则配对观测矩阵中对应第k个加权系数为
则速度-距离配对观测矩阵ΦM＝[β1,β2,…,βK]T。设计上述的加权系数，可以将优化重构过程中迭代获得距离信息的出现顺序，强制为与各目标在第一阶段多普勒谱中的出现顺序一致，从而完成速度与距离分离估计的两个阶段中，速度与距离信息的准确配对。通过设计上述形式的加权系数，可以自适应的根据场景内目标数量K来实现距离估计过程中，各目标回波能量的等效均匀排序，避免了目标数量的变化带来的加权系数需重新设计的问题。
利用联合压缩积累观测矩阵ΦA与速度-距离配对观测矩阵ΦM，可以得到配对后的联合压缩积累观测向量
y＝RΦAΦM\＊MERGEFORMAT(20)
经过压缩积累观测后，接收回波脉冲群被压缩至一个脉冲，此时稀疏过完备字典则被简化为
Ψ＝Tls\＊MERGEFORMAT(21)
则通过求解优化问题
则可以得到全部目标距离信息。
优化重构的过程可以概括为表1
表1
综上，可以将本发明提出的基于联合压缩积累观测矩阵与速度-距离配对观测矩阵的压缩感知雷达目标参数估计流程归纳为表2
表2
Claims (10)
1.一种压缩感知雷达多目标速度-距离配对观测方法，其特征在于，具体包括以下步骤：
步骤1，基于目标可能的时延信息，建立压缩感知雷达回波脉冲串的距离维联合稀疏字典Ψ，在稀疏字典Ψ下，第i个脉冲的接收信号ri具有如下的稀疏表示模型ri＝Ψθi，其中θi为第i个脉冲对应的稀疏向量；
步骤2，构造速度聚焦观测矩阵Φv，并利用Φv对回波脉冲信号群进行观测，得到目标回波的多普勒谱，随后通过对目标多普勒谱进行谱峰搜索，得到场景内目标的多普勒频率估计值；
步骤3，根据各目标的多普勒频率估计值，构造得到多目标联合积累观测矩阵Φp，进而对回波脉冲信号群进行积累观测；
步骤4，构造速度-距离配对观测矩阵，对积累观测后的数据进行二次观测，得到配对后接收信号y；
步骤5，基于稀疏字典Ψ，重构得到稀疏向量，从而完成对目标参数的估计。
2.根据权利要求1所述的一种压缩感知雷达多目标速度-距离配对观测方法，其特征在于，在步骤1中，所述联合稀疏字典Ψ包含目标可能的时延信息，而不包含目标可能的多普勒频率信息。
3.根据权利要求1所述的一种压缩感知雷达多目标速度-距离配对观测方法，其特征在于，在步骤2中，利用速度聚焦观测矩阵对目标的多普勒频率进行估计的方法，具体包括以下步骤：
步骤2.1，构造速度聚焦观测矩阵Φv；
步骤2.2，令回波信号采样长度为Q，定义一个长度为Q的全1向量η；
步骤2.3，对多脉冲回波信号群R进行观测得到聚焦后的多普勒谱
其中
表示克罗内克积，vec(.)表示向量化函数；
步骤2.4，对滤波后多普勒谱
进行谱峰搜索，估计得到各目标的速度。
4.根据权利要求3所述的一种压缩感知雷达多目标速度-距离配对观测方法，其特征在于，所述步骤2.1构造速度聚焦观测矩阵，具体包括：
步骤2.11，根据目标多普勒区间的扫描范围与扫描间隔，定义归一化多普勒扫描矢量d；
步骤2.12，令表示压缩感知雷达的发射脉冲重复频率，并定义单位频移量
步骤2.13，由多普勒扫描矢量d与单位频移量ωd构造速度聚焦观测矩阵Φv。
5.根据权利要求3所述的一种压缩感知雷达多目标速度-距离配对观测方法，其特征在于，在步骤2.11中，归一化多普勒扫描矢量，具体为：令目标归一化多普勒扫描区间的的范围为[-0.5,0.5]，离散间隔总数为Nd，则归一化多普勒扫描矢量为d＝[-0.5,-0.5+Δd,-0.5+2Δd,...,-0.5+NdΔd]。
6.根据权利要求3所述的一种压缩感知雷达多目标速度-距离配对观测方法，其特征在于，在步骤2.23中，构造速度聚焦观测矩阵Φv，具体为
其中P为接收回波脉冲数。
7.如权利要求6所述的一种压缩感知雷达多目标速度-距离配对观测方法，其特征在于，在步骤3中，构造多目标联合积累观测矩阵，具体为：对应目标多普勒频率估计值构造积累观测子矩阵
随后根据所有场景内所有K个目标，构造多目标联合积累观测矩阵
8.根据权利要求1所述的一种压缩感知雷达多目标速度-距离配对观测方法，其特征在于，步骤4中构造速度-距离配对观测矩阵，对联合积累观测后的数据进行配对观测，具体包括：
步骤4.1，构造配对观测矩阵ΦM；
步骤4.2，对回波信号群进行联合积累观测与配对观测，得到匹配后积累观测矢量y＝RΦAΦM。
9.根据权利要求8所述的一种压缩感知雷达多目标速度-距离配对观测方法，其特征在于，步骤4.1中的配对观测矩阵ΦM具体为：若场景内共存在K个目标，第k个目标的多普勒谱峰值为εk，则配对观测矩阵中对应第k个加权系数为
则ΦM＝[β1,β2,…,βK]T。
10.根据权利要求1所述的一种压缩感知雷达多目标速度-距离配对观测方法，其特征在于，在步骤5中，对联合配对观测后信号进行稀疏优化重构得到各目标的距离估计的过程，具体包括如下步骤：
步骤5.1，输入目标总数K，距离维联合稀疏字典Ψ；
步骤5.2，初始化：支撑集初始值
残差向量初始值r0＝y，迭代次数初始值k＝1；
步骤5.3，计算残差向量rk-1与联合稀疏字典Ψ各列的内积值并寻找内积值最大的列对应的位置索引λk，即
其中
表示感知矩阵Ψ的第l列；
步骤5.4，更新支撑集Ωk＝Ωk-1∪{λk}；
步骤5.5利用最小二乘法估计计算观测向量y在当前支撑集对应的感知矩阵子矩阵
下的稀疏系数近似解
步骤5.6，更新残差向量
步骤5.7，输出第k个多普勒谱峰对应的目标所在距离索引为λk，目标真实散射系数为
其中
表示求解所得稀疏向量的第k个非零元素；
步骤5.8，判断，若k＝K时则停止迭代，否则令k＝k+1，返回步骤5.2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910772574.3A CN110646786A (zh) | 2019-08-21 | 2019-08-21 | 一种压缩感知雷达多目标速度-距离配对观测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910772574.3A CN110646786A (zh) | 2019-08-21 | 2019-08-21 | 一种压缩感知雷达多目标速度-距离配对观测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110646786A true CN110646786A (zh) | 2020-01-03 |
Family
ID=69009783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910772574.3A Pending CN110646786A (zh) | 2019-08-21 | 2019-08-21 | 一种压缩感知雷达多目标速度-距离配对观测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110646786A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110895331A (zh) * | 2019-08-21 | 2020-03-20 | 常熟理工学院 | 基于结构化观测矩阵的脉冲多普勒雷达目标稀疏探测方法 |
| CN111965615A (zh) * | 2020-07-28 | 2020-11-20 | 南京航空航天大学 | 一种基于检测前估计的雷达目标检测方法 |
| CN112305530A (zh) * | 2020-11-02 | 2021-02-02 | 上海神添实业有限公司 | 一种无人机群目标检测方法、电子设备及存储介质 |
| CN112698289A (zh) * | 2020-12-08 | 2021-04-23 | 南京理工大学 | 一种基于压缩感知的mimo雷达目标信息恢复方法 |
| CN116184405A (zh) * | 2023-02-03 | 2023-05-30 | 中国人民解放军陆军工程大学 | 一种isar双站雷达融合成像回波生成方法及系统 |
| CN118033602A (zh) * | 2024-04-08 | 2024-05-14 | 厦门大学 | FMCW-Lidar双回波处理方法、目标检测装置和存储介质 |
| CN118209955A (zh) * | 2024-05-22 | 2024-06-18 | 常熟理工学院 | 基于字典动态学习的目标参数估计方法、系统及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103532567A (zh) * | 2013-11-01 | 2014-01-22 | 哈尔滨工业大学 | 分布式压缩感知框架下基于快速计算内积的正交匹配追踪算法的信号重构方法 |
| CN108761412A (zh) * | 2018-04-27 | 2018-11-06 | 常熟理工学院 | 一种低信噪比情况下压缩感知雷达单目标参数估计方法 |
-
2019
- 2019-08-21 CN CN201910772574.3A patent/CN110646786A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103532567A (zh) * | 2013-11-01 | 2014-01-22 | 哈尔滨工业大学 | 分布式压缩感知框架下基于快速计算内积的正交匹配追踪算法的信号重构方法 |
| CN108761412A (zh) * | 2018-04-27 | 2018-11-06 | 常熟理工学院 | 一种低信噪比情况下压缩感知雷达单目标参数估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| YU TAO等: "《Mixed Pulse Accumulation for Compressive Sensing Radar》", 《IEEE SIGNAL PROCESSING LETTERS》 * |
| YU TAO等: "Detection performance enhancement for compressive sensing radar under low-SNR via pulse accumulation measurement matrix", 《IET RADAR, SONAR & NAVIGATION》 * |
| 文万青 等: "面向低信噪比的自适应压缩感知方法", 《物理学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110895331A (zh) * | 2019-08-21 | 2020-03-20 | 常熟理工学院 | 基于结构化观测矩阵的脉冲多普勒雷达目标稀疏探测方法 |
| CN111965615A (zh) * | 2020-07-28 | 2020-11-20 | 南京航空航天大学 | 一种基于检测前估计的雷达目标检测方法 |
| CN112305530A (zh) * | 2020-11-02 | 2021-02-02 | 上海神添实业有限公司 | 一种无人机群目标检测方法、电子设备及存储介质 |
| CN112698289A (zh) * | 2020-12-08 | 2021-04-23 | 南京理工大学 | 一种基于压缩感知的mimo雷达目标信息恢复方法 |
| CN112698289B (zh) * | 2020-12-08 | 2024-05-17 | 南京理工大学 | 一种基于压缩感知的mimo雷达目标信息恢复方法 |
| CN116184405A (zh) * | 2023-02-03 | 2023-05-30 | 中国人民解放军陆军工程大学 | 一种isar双站雷达融合成像回波生成方法及系统 |
| CN118033602A (zh) * | 2024-04-08 | 2024-05-14 | 厦门大学 | FMCW-Lidar双回波处理方法、目标检测装置和存储介质 |
| CN118033602B (zh) * | 2024-04-08 | 2024-07-26 | 厦门大学 | FMCW-Lidar双回波处理方法、目标检测装置和存储介质 |
| CN118209955A (zh) * | 2024-05-22 | 2024-06-18 | 常熟理工学院 | 基于字典动态学习的目标参数估计方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110646786A (zh) | 一种压缩感知雷达多目标速度-距离配对观测方法 | |
| CN110412558B (zh) | 基于tdm mimo的解车载fmcw雷达速度模糊方法 | |
| CN108594233B (zh) | 一种基于mimo汽车雷达的速度解模糊方法 | |
| CN103901429B (zh) | 基于稀疏孔径的机动目标逆合成孔径雷达成像方法 | |
| CN110895331A (zh) | 基于结构化观测矩阵的脉冲多普勒雷达目标稀疏探测方法 | |
| CN106443615B (zh) | 一种双基地mimo雷达高速目标跨距离门测速定位方法 | |
| CN102323583B (zh) | 一种超分辨线阵三维合成孔径雷达成像方法 | |
| CN102944875B (zh) | Isar图像距离单元选择横向定标方法 | |
| CN103630878B (zh) | 一种基于迭代自适应方法的频带融合方法及装置 | |
| CN106199600B (zh) | 基于多普勒估计的方位多通道合成孔径雷达成像方法 | |
| CN112835005B (zh) | 一种基于超分辨目标跟踪的微多普勒特征提取方法 | |
| CN109001687A (zh) | 基于广义旁瓣相消结构的机载雷达空时自适应滤波方法 | |
| CN105911527B (zh) | 基于efa与mwf的机载雷达空时自适应处理方法 | |
| CN109613507A (zh) | 一种针对高阶机动目标雷达回波的检测方法 | |
| CN115685080A (zh) | 一种雷达时间-多普勒双域联合编码波形设计与处理方法 | |
| CN104360346A (zh) | 合成带宽雷达高分辨成像方法 | |
| EP1682923A1 (fr) | Procede de localisation d un ou de plusieurs emetteurs | |
| CN108416296B (zh) | 一种基于改进稀疏分解的超声信号特征获取方法 | |
| US20120056779A1 (en) | Method and Apparatus for Determination of a Doppler Frequency Shift Resulting from the Doppler Effect | |
| CN108196238B (zh) | 高斯背景下基于自适应匹配滤波的杂波图检测方法 | |
| Xu et al. | Joint Doppler and DOA estimation using 2D MUSIC in presence of phase residual | |
| CN108363047A (zh) | 基于滑窗内插法的四相编码多普勒补偿方法 | |
| CN114674410A (zh) | 一种分量数时变的水声信号瞬时频率估计方法 | |
| CN112014813A (zh) | 一种天波雷达电离层污染校正方法及系统 | |
| CN111427035A (zh) | 一种基于子带微多普勒差异的雷达实测数据集扩充方法 |
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: 20200103 |
|
| RJ01 | Rejection of invention patent application after publication |