CN111610512A - 一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法 - Google Patents
一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法 Download PDFInfo
- Publication number
- CN111610512A CN111610512A CN202010485947.1A CN202010485947A CN111610512A CN 111610512 A CN111610512 A CN 111610512A CN 202010485947 A CN202010485947 A CN 202010485947A CN 111610512 A CN111610512 A CN 111610512A
- Authority
- CN
- China
- Prior art keywords
- angle
- distance
- sparse
- target
- matrix
- 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
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
-
- 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
- G01S13/42—Simultaneous measurement of distance and other co-ordinates
-
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
- G01S2013/0236—Special technical features
- G01S2013/0245—Radar with phased array antenna
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法。首先,根据构造的单基地频控阵雷达收发模型,将发射阵元频偏设置为零,在传统相控阵雷达收发模型下对目标角度进行检测。然后,将发射阵元频偏设置为合适的非零频偏,在获得的目标角度信息的条件下对目标距离进行估计。通过发射零频偏与非零频偏的两次脉冲,应用稀疏贝叶斯学习算法完成对离网目标的定位。计算机仿真实验表明,该方法具有较好的目标定位效果,有效提高了算法的收敛性,证明了本发明的有效性和可靠性。
Description
技术领域
本发明涉及阵列信号处理领域,具体涉及一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法。
背景技术
频控阵雷达相对于传统相控阵雷达最大的区别是相邻两个发射阵元之间有一个远小于参考载频的频率偏移量,使得其阵列因子与距离、角度和时间都有关系。这一特性使得它在雷达目标定位领域有着巨大的优势。近些年,在目标定位领域最具热点的问题之一是:采用稀疏贝叶斯学习(SBL:Sparse Bayesian Learning)求解具有离网参数的稀疏模型,并且在目标的一维角度估计领域已经得到了不错的研究成果。然而,当稀疏贝叶斯模型从一维扩展到二维时,由于采样网格数的急剧增长,会导致难以承担的算法复杂度。并且在目标角度距离的二维估计中,由于一部分网格点具有相同的角度或距离,使得这一部分网格点在稀疏信源矩阵中具有相关性,导致目标定位结果较差。因此研究稀疏贝叶斯学习在目标角度距离的二维定位中的应用是非常必要的。
发明内容
本发明所要解决的技术问题是提供一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法。
为解决上述问题,本发明是通过以下技术方案实现的:
一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,包括以下步骤:
步骤1.构建由N个发射阵元与M个接收阵元组成的单基地频控阵雷达模型;
步骤2.利用步骤1构建的频控阵雷达,将发射阵元频率偏移量设置为零进行角度域上的目标检测,发射阵元发射信号满足窄带条件,接收阵元接收所有回波信号;
步骤3.将步骤2得到的所有回波信号下变频到基带,并分别进行匹配滤波,分离后的信号按接收阵元进行重新排列,并通过矢量形式进行表示;
步骤4.将步骤3得到的所有基带回波数据进行采样得到角度观测模型;
步骤6.基于重构稀疏信号角度模型估计角度信源的均值与协方差,并基于角度信源的均值与协方差更新噪声参数、角度信源参数与目标角度域上的离网参数;
步骤7.判断迭代更新的稀疏角度信源参数是否满足收敛条件或达到最大迭代次数,若均为否,则返回步骤6,反之,结束迭代;
步骤8.利用步骤6中迭代更新完成后的角度离网参数更新稀疏信号角度估计模型以获得目标角度信息;
步骤9.利用步骤1构建的频控阵雷达,将发射阵元频率偏移量设置为非零,在步骤8获得的目标角度基础上分别进行目标距离域上的定位,发射阵元发射信号满足窄带条件,接收阵元接收所有回波信号;
步骤10.重复步骤3,步骤4,得到目标角度上距离观测模型;
步骤12.基于重构稀疏信号距离模型估计距离信源的均值与协方差,并基于距离信源的均值与协方差更新噪声参数、距离信源参数与目标距离域上的离网参数;
步骤13.判断迭代更新的信源参数是否满足收敛条件或达到最大迭代次数,若均为否,则返回步骤12,反之,结束迭代;
步骤14.利用步骤12中迭代更新完成后的距离离网参数更新稀疏信号距离估计模型以获得目标距离信息;
步骤15.利用步骤8得到的目标角度信息与步骤14得到的目标距离信息完成目标角度-距离的二维离网目标定位。
步骤1所构建的频控阵雷达的每一个接收阵元都能接收所有发射阵元发出的信号;
所构建的频控阵雷达的发射阵元的信号频率依次线性增加,第n个阵元发射信号的载频fn为:
fn=f1+(n-1)Δf n=1,2,…,N
式中,f1为频控阵雷达发射阵元的参考载频,Δf为频控阵雷达发射阵元间的频率偏移量,N为频控阵雷达的发射阵元个数。
步骤2所述构建频控阵雷达,第n个发射阵元发射的窄带信号sn(t)表示为:
sn(t)=a(t)exp{j2πfnt},n=1,2,…,N
式中,a(t)为信号复包络,fn为第n个发射阵元的信号载频,t为时间变量;
将发射阵元频偏Δf设置为零,第m个接收阵元接收到的回波信号ym(t)为:
式中,K为目标个数,αk为第k个目标的反射系数,c为波速,τ=2Rk/c为公共时延,f1为参考阵元载频,t为时间变量,Rk为第k个目标相对于参考阵元的距离,θk为第k个目标与参考阵元法向的夹角,dt与dr分别为发射阵元与接收阵元的阵元间距,并且令dt=dr=d=c/2f1,nm(t)为第m个接收阵元的加性复高斯白噪声。
步骤3的具体步骤为:
步骤3.1.对步骤2得到的所有回波信号下变频到基带进行处理,则第m个接收阵元接收到的基带回波信号ym(t)为:
式中,ζk为公共相位项exp{-j2πf1(2Rk/c)}与反射系数αk的乘积,不失一般性,将其重新定义为第k个目标的反射系数并且令ζk=1;
步骤3.2.接收端各阵元利用匹配滤波器组对基带信号进行分离,则第m个接收阵元接收到的信号经匹配滤波输出后,得到由第n个发射阵元发射的信号,此时回波信号yn,m(t)为:
步骤3.3.对分离后的信号按接收阵元进行重新排列,并通过矢量形式进行表示;
y(t)=[y1,1(t),…,y1,M(t),y2,1(t),…,yN,M(t)]T
n(t)=[n1,1(t),…,n1,M(t),n2,1(t),…,nN,M(t)]T
并且,令
x(t)=[x1(t),x2(t),…,xK(t)]T
A(θ)=[a(θ1),a(θ2),…,a(θK)]
式中xk(t)=a(t-2Rk/c),A(θ)为NM×K阶阵列流型矩阵,矩阵中任意一列矢量a(θk)是远场目标点的NM×1维方向矢量;
a(θk)=[a1,1(θk),…,a1,M(θk),a2,1(θk),…,aN,M(θk)]T
式中
信号模型可以通过矢量形式表示:
y(t)=A(θ)x(t)+n(t)。
步骤4的具体步骤为:
对y(t)进行采样,信号模型用矩阵形式表示:
Y=A(θ)X+N
式中Y=[y(1),y(2),…,y(T)]为角度观测矩阵,X=[x(1),x(2),…,x(T)]为角度信源矩阵,N=[n(1),n(2),…,n(T)]为噪声矩阵,T为快拍数,A(θ)为角度阵列流型矩阵。
步骤5的具体步骤为:
Y=Φ(β)S+N
式中,Y为稀疏角度观测矩阵,Φ(β)=A+Bdiag(β)为稀疏角度阵列矩阵,并简记为Φ,S为稀疏角度信源矩阵,S的每一列中只有K个非零元素对应于目标角度;
β=[β1,β2,…,βP]T∈[-r/2,r/2]P
步骤6基于重构稀疏信号角度模型估计角度信源的均值与协方差,角度信源的均值为:
μs(t)=τΣsΦHy(t),t=1,2,…,T
式中τ≡σ-2表示噪声精度,σ2为噪声方差,Σs为角度信源的协方差,Φ为稀疏角度阵列矩阵;
角度信源的协方差为:
Σs=(τΦHΦ+Λα)-1
式中τ≡σ-2表示噪声精度,σ2为噪声方差,Φ为稀疏角度阵列矩阵,Λα=diag(α),α为角度信源参数;
角度信源参数更新后为:
式中T为快拍数,a与b为关于稀疏角度信源参数αp的Gamma分布参数,||·||2为2范数,μp(t)为μs(t)中第p个元素,Σpp为Σs主对角线上第p个元素;
噪声参数更新后为:
式中US=[μs(1),μs(2),…,μs(T)],||·||F表示矩阵的F范数,tr(·)表示矩阵的迹,c与d为关于噪声参数τ的Gamma分布参数,Σs为角度信源的协方差,Φ为稀疏角度阵列矩阵;
目标角度域上的离网参数更新后为:
步骤8所述的更新后的稀疏信号角度估计模型为:
Y=Φ(βnew)S+N
式中,Y为稀疏角度观测矩阵,Φ(βnew)为步骤6中角度离网参数更新后的稀疏角度阵列矩阵,S为稀疏角度信源矩阵,N为噪声矩阵;
所述利用步骤6中迭代更新完成后的角度离网参数更新稀疏信号角度估计模型以获得目标角度信息,具体步骤为:
在步骤6中的角度信源参数α迭代更新完成后,大部分的αp会趋向于无穷大,这就表示与该αp相关的sp(t)服从均值为零,方差为零的高斯分布,即sp(t)=0;
步骤9中将发射阵元频偏Δf设置为非零,得到第m个接收阵元接收的回波信号ym(t)的具体步骤为:
式中,J为角度上目标个数,ζj为公共相位项exp{-j2πf1(2Rj/c)}与目标反射系数αj的乘积,不失一般性,将其重新定义为第j个目标的反射系数并且令ζj=1,c为波速,τ=2Rj/c为公共时延,t为时间变量,Rj为第j个目标相对于参考阵元的距离,f1为参考阵元载频,Δf为频率偏置,此时Δf≠0,dt与dr分别为发射阵元与接收阵元的阵元间距,并且令dt=dr=d=c/2f1,nm(t)为第m个阵元的加性复高斯白噪声。
步骤10的具体步骤为:
步骤10.1.对步骤9得到的所有回波信号下变频到基带进行处理,则第m个阵元接收的基带回波信号ym(t)为:
步骤10.2.接收端各阵元利用匹配滤波器组对基带信号进行分离,则第m个接收阵元接收到的信号经匹配滤波输出后,可得到由第n个发射阵元发射的信号,此时回波信号yn,m(t)为:
步骤10.3.对分离后的信号按接收阵元进行重新排列,并通过矢量形式进行表示;
y1(t)=[y1,1(t),…,y1,M(t),y2,1(t),…,yN,M(t)]T
n1(t)=[n1,1(t),…,n1,M(t),n2,1(t),…,nN,M(t)]T
并且,令
x1(t)=[x1(t),x2(t),…,xJ(t)]T
式中
信号模型可以通过矢量形式表示:
步骤10.4对y(t)进行采样,信号模型用矩阵形式表示:
式中,Y1=[y1(1),y1(2),…,y1(T)]为距离观测矩阵,X1=[x1(1),x1(2),…,x1(T)]为距离信源矩阵,N1=[n1(1),n1(2),…,n1(T)]为噪声矩阵,T为快拍数,为目标角度上距离阵列流型矩阵。
步骤11的具体步骤为:
Y1=Φ(η)H+N1
式中,Y1为稀疏距离观测矩阵,Φ(η)=A1+B1diag(η)为稀疏距离阵列矩阵,并简记为Φ1,H为稀疏距离信源矩阵,H的每一列中只有J个非零元素对应于目标距离;
η=[η1,η2,…,ηL]T∈[-g/2,g/2]L
步骤12所述基于重构稀疏信号距离模型估计距离信源的均值与协方差,距离信源的均值为:
μh(t)=τΣhΦ1Hy1(t),t=1,2,…,T
式中τ≡σ-2表示噪声精度,σ2为噪声方差,Σh为距离信源的协方差,Φ1为稀疏距离阵列矩阵;
距离信源的协方差为:
Σh=(τΦ1HΦ1+Λρ)-1
式中τ≡σ-2表示噪声精度,σ2为噪声方差,Φ1为稀疏距离阵列矩阵,Λρ=diag(ρ),ρ为稀疏距离信源参数;
距离信源参数更新后为:
式中T为快拍数,a1与b1为关于距离信源参数ρl的Gamma分布参数,||·||2为2范数,μl(t)为μh(t)中第l个元素,Σll为Σh主对角线上第l个元素;
噪声参数更新后为:
式中UH=[μh(1),μh(2),…,μh(T)],||·||F表示矩阵的F范数。tr(·)表示矩阵的迹,c与d为关于噪声参数τ的Gamma分布参数,Σh为距离信源的协方差,Φ1为稀疏距离阵列矩阵;
目标距离域上的离网参数更新后为:
步骤14所述的更新后的稀疏信号距离估计模型为:
Y1=Φ(ηnew)H+N1
式中,Y1为稀疏距离观测矩阵,Φ(ηnew)为步骤12中参数更新后的稀疏距离阵列矩阵,H为稀疏距离信源矩阵,N1为噪声矩阵;
所述利用步骤12中迭代更新完成后的距离离网参数更新稀疏信号距离估计模型以获得目标距离信息,具体步骤为:
在步骤12中的距离信源参数ρ迭代更新完成后,大部分的ρl会趋向于无穷大,这就表示与该ρl相关的hl(t)服从均值为零,方差为零的高斯分布,即hl(t)=0;假设其余J个较小的ρl对应的网格坐标为则最终的目标距离估计可以通过下式得到:
与现有技术相比,本发明具有以下优点:
(1)计算简单,易于实现。与传统目标角度距离定位方法相比,本发明无需进行复杂的二维谱峰搜索,并且可以通过较为粗糙的采样网格减小计算复杂度。
(2)定位精度高。与传统的目标角度距离定位方法相比,本发明在目标偏离采样网格的情况下,也能对目标角度距离实现高精度的定位,克服了传统算法在目标偏离采样网格的情况下无法精确定位的不足。
附图说明
图1为由N个发射阵元与M个接收阵元组成的单基地频控阵雷达模型。
图2为本发明FDA-OGSBL算法对单个目标进行角度距离估计的仿真结果图。
图3为本发明FDA-OGSBL算法对相同角度不同距离的多目标进行角度距离估计的仿真结果图。
图4为本发明FDA-OGSBL算法对不同角度不同距离的多目标进行角度距离估计的仿真结果图。
图5为本发明FDA-OGSBL算法与MUSIC算法,L1-SVD算法估计的目标角度与距离随SNR变化的RMSE图。
图6为本发明FDA-OGSBL算法与MUSIC算法,L1-SVD算法估计的目标角度与距离随阵元数变化的RMSE图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实例和仿真实验,并参照附图,对本发明内容做进一步的详细说明。
一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,根据构造的频控阵雷达模型,进行目标定位,具体包括如下步骤:
步骤1.构建由N个发射阵元与M个接收阵元组成的单基地频控阵雷达模型,如图1所示,f1为频控阵雷达发射阵元的参考载频,Δf为频控阵雷达发射阵元间的频率偏移量,dt为发射阵元间距,dr为接收阵元间距,并且设置dt=dr=d=c/2f1,R为远场目标点相对于参考阵元的距离,θ为远场目标点目标与参考阵元法向的夹角;
构建的频控阵雷达的每一个接收阵元都能接收所有发射阵元发出的信号,发射端每个阵元的发射频率依次线性增加,第n个发射阵元信号的载频fn为:
fn=f1+(n-1)Δf n=1,2,…,N
式中,f1为频控阵雷达发射阵元的参考载频,Δf为频控阵雷达发射阵元间的频率偏移量,N为频控阵雷达的发射阵元个数。
步骤2.利用步骤1构建的频控阵雷达,将发射阵元频偏设置为零进行角度域上的目标检测,发射阵元发射信号满足窄带条件,接收阵元接收所有回波信号;
第n个发射阵元发射的窄带信号sn(t)可以表示为:
sn(t)=a(t)exp{j2πfnt},n=1,2,…,N
式中,a(t)为信号复包络,fn为第n个发射阵元的信号载频,t为时间变量;
第m个接收阵元接收到的回波信号ym(t)为:
式中,K为目标个数,αk为第k个目标的反射系数,c为波速,τ=2Rk/c为公共时延,f1为参考阵元载频,t为时间变量,Rk为第k个目标相对于参考阵元的距离,θk为第k个目标与参考阵元法向的夹角,dt与dr分别为发射阵元与接收阵元的阵元间距,并且令dt=dr=d=c/2f1,nm(t)为第m个接收阵元的加性复高斯白噪声。
步骤3的具体步骤为:
步骤3.1.对步骤2得到的所有回波信号下变频到基带,第m个接收阵元接收到的基带回波信号ym(t)为;
式中,ζk为公共相位项exp{-j2πf1(2Rk/c)}与反射系数αk的乘积,不失一般性,将其重新定义为第k个目标的反射系数并且令ζk=1;
步骤3.2.接收端各阵元利用匹配滤波器组对基带信号进行分离,则第m个接收阵元接收到的信号经匹配滤波输出后,可得到由第n个发射阵元发射的信号,此时回波信号yn,m(t)为;
步骤3.3.对分离后的信号按接收阵元进行重新排列,并通过矢量形式进行表示;
y(t)=[y1,1(t),…,y1,M(t),y2,1(t),…,yN,M(t)]T
n(t)=[n1,1(t),…,n1,M(t),n2,1(t),…,nN,M(t)]T
并且,令
x(t)=[x1(t),x2(t),…,xK(t)]T
A(θ)=[a(θ1),a(θ2),…,a(θK)]
式中,xk(t)=a(t-2Rk/c),A(θ)为NM×K阶阵列流型矩阵,矩阵中任意一列矢量a(θk)是远场目标点θk的NM×1维方向矢量;
a(θk)=[a1,1(θk),…,a1,M(θk),a2,1(θk),…,aN,M(θk)]T
式中
信号模型可以通过矢量形式表示:
y(t)=A(θ)x(t)+n(t)。
步骤4.对步骤3得到的所有基带回波数据进行采样,信号模型用矩阵形式表示:
Y=A(θ)X+N
式中,Y=[y(1),y(2),…,y(T)]为角度观测矩阵,X=[x(1),x92),…,x(T)]为角度信源矩阵,N=[n(1),n(2),…,n(T)]为噪声矩阵,T为快拍数,A(θ)为角度阵列流型矩阵。
步骤5.对待观测的角度域空间[-π/2,π/2]进行均匀采样建立角度网格集其中P为角度域上采样网格数并且通常满足P>>K,为角度域上的采样网格间距;假设目标真实角度是最接近θk的网格点且此时角度方向矢量线性近似为;
Y=Φ(β)S+N
式中,Y为稀疏角度观测矩阵,Φ(β)=A+Bdiag(β)为稀疏角度阵列矩阵,并简记为Φ,S为稀疏角度信源矩阵,S的每一列中只有K个非零元素对应于目标角度;
β=[β1,β2,…,βP]T∈[-r/2,r/2]P
步骤6.基于重构离网稀疏信号角度模型估计角度信源的均值与协方差,并基于角度信源的均值与协方差更新噪声参数、角度信源参数与目标角度域上的离网参数;
在稀疏贝叶斯公式中,假设不同快拍不同阵元下的噪声相互独立且服从相同的复高斯分布:式中τ≡σ-2表示噪声精度,σ2为噪声方差,I表示单位矩阵;复高斯分布的概率密度为式中μ为u的均值,Σ为u的协方差矩阵;
则观测矩阵Y的概率分布为:
在本发明中,噪声精度τ是未知的,但τ服从Gamma超先验分布:p(τ)=Γ(τ|c,d);
在本发明的稀疏信号角度信源矩阵S中,假设sp(t)(p=1,2,…,P;t=1,2,…,T)相互独立,且sp(t)服从均值为0,方差为的复高斯先验:式中α=(α1,α2,…,αP)为角度信源超参数,控制sp(t)的估计精度;
Gamma分布的定义为:
模型中的角度离网参数β服从均匀分布,其先验为:
根据上述公式,可得离网角度估计模型的联合概率分布为:
p(Y,S,α,β,τ)=p(Y|S,β,τ)p(S|α)p(α)p(τ)p(β)
根据贝叶斯理论,可得观测矩阵的后验分布为:
由于精确的后验分布p(S,α,β,τ|Y)难以求解,在稀疏贝叶斯模型中是通过对其进行分解从而求得其近似解:
p(S,α,β,τ|Y)=p(S|Y,α,β,τ)p(α,β,τ|Y)
式中,μs(t)=τΣsΦHy(t),t=1,2,…,T,Σs=(τΦHΦ+Λα)-1,Λα=diag(α);
由上述公式可以看出,计算角度信源均值μs(t)与协方差矩阵Σs需要噪声精度τ,角度信源参数α以及角度离网参数β的估计值,采用最大后验(MAP)估计,即最大化p(α,β,τ|Y),在实际求解中,由于P(Y)待估计参数相互独立,因此最大化p(α,β,τ|Y)等价于最大化p(α,β,τ,Y):
使用最大期望(EM)算法,将S视为隐变量并最大化Ep(S|Y,α,β,τ)[ln p(Y,S,α,β,τ)],式中Ep(S|Y,α,β,τ)[·]表示使用参数的当前估计值对隐变量S的后验概率式求期望,并在下文中简写为E[·];
式中T为快拍数,a与b为关于信源参数αp的Gamma分布参数,||·||2为2范数,US=[μs(1),μs(2),…,μs(T)],||·||F表示矩阵的F范数,tr(·)表示矩阵的迹,c与d为关于噪声参数τ的Gamma分布参数,μp(t)为μs(t)中第p个元素,Σpp为Σs主对角线上第p个元素,Φ为稀疏角度阵列矩阵;
式中,C为与β无关的常数项,P为半正定矩阵,(·)*表示共轭,⊙代表Hadamard积,(·)H表示共轭转置,Re{·}表示取实部;
否则:
步骤7.判断迭代更新的角度信源超参数是否满足收敛条件或达到最大迭代次数,若均为否,则返回步骤6,反之,结束迭代,由于EM算法的性能,所以保障了算法在每次迭代后都是收敛的。
步骤8.利用步骤6中迭代更新完成后的角度离网参数更新稀疏信号角度估计模型以获得目标角度信息;
Y=Φ(βnew)S+N
式中,Y为稀疏角度观测矩阵,Φ(βnew)为步骤6中角度离网参数更新后的稀疏角度阵列矩阵,S为稀疏角度信源矩阵,N为噪声矩阵;
实验证明,在步骤6中的角度信源参数α迭代更新完成后,大部分的αp会趋向于无穷大,这就表示与该αp相关的sp(t)服从均值为零,方差为零的高斯分布,即sp(t)=0;假设其余K个较小的αp对应的角度网格坐标为则最终的目标角度估计可以通过下式得到:
步骤9.利用步骤1构建的频控阵雷达,将发射阵元频偏设置为非零,在步骤8获得的目标角度上分别进行距离域上的目标定位,假设在目标角度上存在J个距离不同的目标点,发射阵元发射信号满足窄带条件,接收阵元接收所有回波信号;
第n个发射阵元发射的窄带信号sn(t)可以表示为:
sn(t)=a(t)exp{j2πfnt},n=1,2,…,N
式中,a(t)为信号复包络,fn为第n个发射阵元的信号载频;
第m个接收阵元接收到的回波信号ym(t)为:
式中,J为角度上的目标个数,ζj为公共相位项exp{-j2πf1(2Rj/c)}与目标反射系数αj的乘积,不失一般性,将其重新定义为第j个目标的反射系数并且令ζj=1,c为波速,τ=2Rj/c为公共时延,t为时间变量,Rj为第j个目标相对于参考阵元的距离,f1为参考阵元载频,Δf为频率偏置(此时Δf≠0)。dt与dr分别为发射阵元与接收阵元的阵元间距并且令dt=dr=d=c/2f1,nm(t)为第m个阵元的加性复高斯白噪声。
步骤10.1.将所有回波信号下变频到基带进行处理,则第m个阵元接收的基带回波信号ym(t)为:
步骤10.2.接收端各阵元利用匹配滤波器组对基带信号进行分离,则第m个接收阵元接收到的信号经匹配滤波输出后,可得到由第n个发射阵元发射的信号,此时回波信号yn,m(t)为:
步骤10.3.对分离后的信号按接收阵元进行重新排列,并通过矢量形式进行表示;
y1(t)=[y1,1(t),…,y1,M(t),y2,1(t),…,yN,M(t)]T
n1(t)=[n1,1(t),…,n1,M(t),n2,1(t),…,nN,M(t)]T
并且,令
x1(t)=[x1(t),x2(t),…,xJ(t)]T
式中
信号模型可以通过矢量形式表示:
步骤10.4.对y(t)进行采样,信号模型用矩阵形式表示:
式中,Y1=[y1(1),y1(2),…,y1(T)]为距离观测矩阵,X1=[x1(1),x1(2),…,x1(T)]为距离信源矩阵,N1=[n1(1),n1(2),…,n1(T)]为噪声矩阵,T为快拍数,为目标角度上距离阵列流型矩阵。
步骤11.将目标角度上感兴趣的距离域空间进行均匀采样建立网格集其中L为目标距离域上采样网格数并且通常满足L>>J,为距离域上的采样网格间距;假设目标真实距离是最接近Rj的网格点且此时角度上的距离方向矢量线性近似为:
Y1=Φ(η)H+N1
式中,Y1为稀疏距离观测矩阵,Φ(η)=A1+B1diag(η)为稀疏距离阵列矩阵,并简记为Φ1,H为稀疏距离信源矩阵,H的每一列中只有J个非零元素对应于目标距离;
η=[η1,η2,…,ηL]T∈[-g/2,g/2]L
步骤12.基于重构离网稀疏信号距离模型估计距离信源矩阵的均值与协方差,并基于距离信源的均值与协方差更新噪声参数、距离信源参数与目标距离域上的离网参数;
采取与步骤6中相同的假设条件与估计方法,可得距离信源的均值与协方差;
μh(t)=τΣsΦ1Hy(t),t=1,2,…,T
Σh=(τΦ1HΦ1+Λρ)-1
式中,τ≡σ-2表示噪声精度,σ2为噪声方差,Λρ=diag(ρ),ρ=(ρ1,ρ2,…,ρL)为距离信源参数,控制hl(t)的估计精度,Φ1为稀疏距离阵列矩阵;
式中T为快拍数,a1与b1为关于信源参数ρl的Gamma分布参数,||·||2为2范数,L为距离域上的采样网格数,UH=[μh(1),μh(2),…,μh(T)],||·||F表示矩阵的F范数,tr(·)表示矩阵的迹,c1与d1为关于噪声参数τ的Gamma分布参数,μl(t)为μh(t)中第l个元素,Σll为Σh主对角线上第l个元素,Φ1为稀疏距离阵列矩阵;
更新距离域上的离网参数η:
式中,C为与η无关的常数项,P1为半正定矩阵,(·)*表示共轭,⊙代表Hadamard积,(·)H表示共轭转置,Re{·}表示取实部;
否则:
步骤13.判断迭代更新的距离信源参数是否满足收敛条件或达到最大迭代次数,若均为否,则返回步骤12,反之,结束迭代,由于EM算法的性能,所以保障了算法在每次迭代后都是收敛的。
步骤14.利用步骤12中迭代更新完成后的距离离网参数更新稀疏信号距离估计模型以获得目标距离信息;
Y1=Φ1(βnew)H+N1
式中,Y1为稀疏角度观测矩阵,Φ1(ηnew)为步骤12中距离离网参数更新后的稀疏距离阵列矩阵,H为稀疏距离信源矩阵,N1为噪声矩阵;
实验证明,在步骤12中的距离信源参数ρ迭代更新完成后,大部分的ρl会趋向于无穷大,这就表示与该ρl相关的hl(t)服从均值为零,方差为零的高斯分布,即hl(t)=0;假设其余J个较小的ρl对应的距离网格坐标为则最终的目标距离估计可以通过下式得到:
步骤15.利用步骤8得到的目标角度信息与步骤14得到的距离信息完成目标角度-距离的二维离网目标定位;
为了进一步说明本发明的有效性,进行了以下仿真实验:
仿真条件
单基地频控阵雷达收发模型如图1所示,其中发射阵列与接收阵列都采用均匀线阵,并且设置发射阵元数N与接收阵元数M为N=M=21,发射阵元参考载频f1=10GHz,在进行目标角度估计时,设置频偏Δf=0Hz,进行目标距离估计时,设置频偏Δf=150KHz,dt与dr分别为发射阵元与接收阵元的阵元间距并且令dt=dr=d=c/2f1,c=3×108m/s为波速,信噪比SNR=10dB,快拍数T=100;设置a=c=1,b=d=0以获得角度信源参数αp与噪声参数τ上的均匀分布,初始化αp=1,τ=1,即假设噪声与信源均服从均值为0,方差为1的复高斯分布,同时初始化目标角度离网参数β=0;设置最大迭代次数max_iter=2000,收敛阈值为ε=10-4,设置角度估计上的网格间距r=1°;将感兴趣的距离范围设置为9000m至10000m,设置距离估计上的网格间距g=10m,对于参数的设置与迭代收敛条件采取与角度估计中相同的设置。
仿真内容与结果
仿真1.考虑单目标情况,设置一个点目标,位置为(0.5°,9587m),即目标相对于参考阵元的距离为9587m,目标与参考阵元法向的夹角为0.5°。采用本发明进行目标定位仿真结果如图2所示。通过仿真结果可以看出,本发明有效确定了目标位置,说明本发明能对单目标点进行有效定位。
仿真2.考虑相同角度不同距离的多目标情况,设置三个目标位置为(0.5°,9587m)、(0.5°,9304m)、(0.5°,9873m),采用本发明进行目标定位仿真结果如图3所示。通过仿真结果可以看出,在角度域的只出现一个峰值,说明在Δf=0Hz时,即相控阵只能在角度域中对目标进行检测,而无法对目标进行区分,但是在第二步通过对阵元添加适合的频偏后,在距离域完成了对目标的有效区分。说明本发明能对相同角度不同距离的多目标进行有效定位。
仿真3.考虑不同角度不同距离的多目标情况,设置三个目标位置为(-20.4°,9587m)、(0.5°,9304m)、(20.6°,9873m),采用本发明进行目标定位仿真结果如图4所示。通过仿真结果可以看出,在角度域与距离域分别形成了3个峰值,并且一一匹配。说明本发明能对不同角度不同距离的多目标进行有效定位。
仿真4.在仿真3设置的多目标条件下,采用本发明进行目标定位与传统的MUSIC算法、L1-SVD算法估计的目标角度与距离随SNR变化的RMSE仿真结果如图5所示。通过仿真结果可以看出,本发明所提算法具有更小的RMSE。说明本发明相对于传统算法的优越性。
仿真5.在仿真3设置的多目标条件下,采用本发明进行目标定位与传统的MUSIC算法、L1-SVD算法估计的目标角度与距离随阵元数变化的RMSE仿真结果如图6所示。通过仿真结果可以看出,本发明所提算法具有更小的RMSE。说明本发明相对于传统算法的优越性。
综上所述,本发明基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法为实现目标角度与距离的定位提供了参考,仿真实验验证了本发明的有效性。
Claims (13)
1.一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,其特征在于,包括以下步骤:
步骤1.构建由N个发射阵元与M个接收阵元组成的单基地频控阵雷达模型;
步骤2.利用步骤1构建的频控阵雷达,将发射阵元频率偏移量设置为零进行角度域上的目标检测,发射阵元发射信号满足窄带条件,接收阵元接收所有回波信号;
步骤3.将步骤2得到的所有回波信号下变频到基带,并分别进行匹配滤波,分离后的信号按接收阵元进行重新排列,并通过矢量形式进行表示;
步骤4.将步骤3得到的所有基带回波数据进行采样得到角度观测模型;
步骤6.基于重构稀疏信号角度模型估计角度信源的均值与协方差,并基于角度信源的均值与协方差更新噪声参数、角度信源参数与目标角度域上的离网参数;
步骤7.判断迭代更新的稀疏角度信源参数是否满足收敛条件或达到最大迭代次数,若均为否,则返回步骤6,反之,结束迭代;
步骤8.利用步骤6中迭代更新完成后的角度离网参数更新稀疏信号角度估计模型以获得目标角度信息;
步骤9.利用步骤1构建的频控阵雷达,将发射阵元频率偏移量设置为非零,在步骤8获得的目标角度基础上分别进行目标距离域上的定位,发射阵元发射信号满足窄带条件,接收阵元接收所有回波信号;
步骤10.重复步骤3,步骤4,得到目标角度上距离观测模型;
步骤12.基于重构稀疏信号距离模型估计距离信源的均值与协方差,并基于距离信源的均值与协方差更新噪声参数、距离信源参数与目标距离域上的离网参数;
步骤13.判断迭代更新的信源参数是否满足收敛条件或达到最大迭代次数,若均为否,则返回步骤12,反之,结束迭代;
步骤14.利用步骤12中迭代更新完成后的距离离网参数更新稀疏信号距离估计模型以获得目标距离信息;
步骤15.利用步骤8得到的目标角度信息与步骤14得到的目标距离信息完成目标角度-距离的二维离网目标定位。
2.根据权利要求1所述的基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,其特征在于:步骤1所构建的频控阵雷达的每一个接收阵元都能接收所有发射阵元发出的信号;
所构建的频控阵雷达的发射阵元的信号频率依次线性增加,第n个阵元发射信号的载频fn为:
fn=f1+(n-1)Δf n=1,2,…,N
式中,f1为频控阵雷达发射阵元的参考载频,Δf为频控阵雷达发射阵元间的频率偏移量,N为频控阵雷达的发射阵元个数。
3.根据权利要求1所述的基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,其特征在于:步骤2所述构建频控阵雷达,第n个发射阵元发射的窄带信号sn(t)表示为:
sn(t)=a(t)exp{j2πfnt},n=1,2,...,N
式中,a(t)为信号复包络,fn为第n个发射阵元的信号载频,t为时间变量;
将发射阵元频偏Δf设置为零,第m个接收阵元接收到的回波信号ym(t)为:
式中,K为目标个数,αk为第k个目标的反射系数,c为波速,τ=2Rk/c为公共时延,f1为参考阵元载频,t为时间变量,Rk为第k个目标相对于参考阵元的距离,θk为第k个目标与参考阵元法向的夹角,dt与dr分别为发射阵元与接收阵元的阵元间距,并且令dt=dr=d=c/2f1,nm(t)为第m个接收阵元的加性复高斯白噪声。
4.根据权利要求1所述的基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,其特征在于:步骤3的具体步骤为:
步骤3.1.对步骤2得到的所有回波信号下变频到基带进行处理,则第m个接收阵元接收到的基带回波信号ym(t)为:
式中,ζk为公共相位项exp{-j2πf1(2Rk/c)}与反射系数αk的乘积,不失一般性,将其重新定义为第k个目标的反射系数并且令ζk=1;
步骤3.2.接收端各阵元利用匹配滤波器组对基带信号进行分离,则第m个接收阵元接收到的信号经匹配滤波输出后,得到由第n个发射阵元发射的信号,此时回波信号yn,m(t)为:
步骤3.3.对分离后的信号按接收阵元进行重新排列,并通过矢量形式进行表示;
y(t)=[y1,1(t),…,y1,M(t),y2,1(t),…,yN,M(t)]T
n(t)=[n1,1(t),…,n1,M(t),n2,1(t),…,nN,M(t)]T
并且,令
x(t)=[x1(t),x2(t),…,xK(t)]T
A(θ)=[a(θ1),a(θ2),…,a(θK)]
式中,xk(t)=a(t-2Rk/c),A(θ)为NM×K阶阵列流型矩阵,矩阵中任意一列矢量a(θk)是远场目标点的NM×1维方向矢量;
a(θk)=[a1,1(θk),…,a1,M(θk),a2,1(θk),…,aN,M(θk)]T
式中
信号模型可以通过矢量形式表示:
y(t)=A(θ)x(t)+n(t)。
5.根据权利要求1所述的基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,其特征在于:步骤4的具体步骤为:
对y(t)进行采样,信号模型用矩阵形式表示:
Y=A(θ)X+N
式中,Y=[y(1),y(2),…,y(T)]为角度观测矩阵,X=[x(1),x(2),…,x(T)]为角度信源矩阵,N=[n(1),n(2),…,n(T)]为噪声矩阵,T为快拍数,A(θ)为角度阵列流型矩阵。
7.根据权利要求1所述的基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,其特征在于:步骤6基于重构稀疏信号角度模型估计角度信源的均值与协方差,角度信源的均值为:
μs(t)=τΣsΦHy(t),t=1,2,…,T
式中τ≡σ-2表示噪声精度,σ2为噪声方差,Σs为角度信源的协方差,Φ为稀疏角度阵列矩阵;
角度信源的协方差为:
Σs=(τΦHΦ+Λα)-1
式中τ≡σ-2表示噪声精度,σ2为噪声方差,Φ为稀疏角度阵列矩阵,Λα=diag(α),α为角度信源参数;
角度信源参数更新后为:
式中T为快拍数,a与b为关于稀疏角度信源参数αp的Gamma分布参数,||·||2为2范数,μp(t)为μs(t)中第p个元素,Σpp为Σs主对角线上第p个元素;
噪声参数更新后为:
式中US=[μs(1),μs(2),…,μs(T)],||·||F表示矩阵的F范数,tr(·)表示矩阵的迹,c与d为关于噪声参数τ的Gamma分布参数,Σs为角度信源的协方差,Φ为稀疏角度阵列矩阵;
目标角度域上的离网参数更新后为:
8.根据权利要求1所述的基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,其特征在于:步骤8所述的更新后的稀疏信号角度估计模型为:
Y=Φ(βnew)S+N
式中,Y为稀疏角度观测矩阵,Φ(βnew)为步骤6中角度离网参数更新后的稀疏角度阵列矩阵,S为稀疏角度信源矩阵,N为噪声矩阵;
所述利用步骤6中迭代更新完成后的角度离网参数更新稀疏信号角度估计模型以获得目标角度信息,具体步骤为:
在步骤6中的角度信源参数α迭代更新完成后,大部分的αp会趋向于无穷大,这就表示与该αp相关的sp(t)服从均值为零,方差为零的高斯分布,即sp(t)=0;假设其余K个较小的αp对应的网格坐标为则最终的目标角度估计可以通过下式得到:
9.根据权利要求1所述的基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,其特征在于:步骤9中将发射阵元频偏Δf设置为非零,得到第m个接收阵元接收的回波信号ym(t)的具体步骤为:
10.根据权利要求1所述的基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,其特征在于:步骤10的具体步骤为:
步骤10.1.对步骤9得到的所有回波信号下变频到基带进行处理,则第m个阵元接收的基带回波信号ym(t)为:
步骤10.2.接收端各阵元利用匹配滤波器组对基带信号进行分离,则第m个接收阵元接收到的信号经匹配滤波输出后,可得到由第n个发射阵元发射的信号,此时回波信号yn,m(t)为:
步骤10.3.对分离后的信号按接收阵元进行重新排列,并通过矢量形式进行表示;
y1(t)=[y1,1(t),…,y1,M(t),y2,1(t),…,yN,M(t)]T
n1(t)=[n1,1(t),…,n1,M(t),n2,1(t),…,nN,M(t)]T
并且,令
x1(t)=[x1(t),x2(t),…,xJ(t)]T
式中
信号模型可以通过矢量形式表示:
步骤10.4.对y(t)进行采样,信号模型用矩阵形式表示:
12.根据权利要求1所述的基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,其特征在于:步骤12所述基于重构稀疏信号距离模型估计距离信源的均值与协方差,距离信源的均值为:
μh(t)=τΣhΦ1Hy1(t),t=1,2,…,T
式中τ≡σ-2表示噪声精度,σ2为噪声方差,Σh为距离信源的协方差,Φ1为稀疏距离阵列矩阵;
距离信源的协方差为:
Σh=(τΦ1HΦ1+Λρ)-1
式中τ≡σ-2表示噪声精度,σ2为噪声方差,Φ1为稀疏距离阵列矩阵,Λρ=diag(ρ),ρ为稀疏距离信源参数;
距离信源参数更新后为:
式中,T为快拍数,a1与b1为关于距离信源参数ρl的Gamma分布参数,||·||2为2范数,μl(t)为μh(t)中第l个元素,Σll为Σh主对角线上第l个元素;
噪声参数更新后为:
式中,UH=[μh(1),μh(2),…,μh(T)],||·||F表示矩阵的F范数,tr(·)表示矩阵的迹,c与d为关于噪声参数τ的Gamma分布参数,Σh为距离信源的协方差,Φ1为稀疏距离阵列矩阵;
目标距离域上的离网参数更新后为:
式中,P1为半正定矩阵,v1为矢量参数,g为距离域上的采样网格间距,
13.根据权利要求1所述的基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法,其特征在于:
步骤14所述的更新后的稀疏信号距离估计模型为:
Y1=Φ(ηnew)H+N1
式中,Y1为稀疏距离观测矩阵,Φ(ηnew)为步骤12中参数更新后的稀疏距离阵列矩阵,H为稀疏距离信源矩阵,N1为噪声矩阵;
所述利用步骤12中迭代更新完成后的距离离网参数更新稀疏信号距离估计模型以获得目标距离信息,具体步骤为:
在步骤12中的距离信源参数ρ迭代更新完成后,大部分的ρl会趋向于无穷大,这就表示与该ρl相关的hl(t)服从均值为零,方差为零的高斯分布,即hl(t)=0;假设其余J个较小的ρl对应的网格坐标为则最终的目标距离估计可以通过下式得到:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485947.1A CN111610512B (zh) | 2020-06-01 | 2020-06-01 | 一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485947.1A CN111610512B (zh) | 2020-06-01 | 2020-06-01 | 一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111610512A true CN111610512A (zh) | 2020-09-01 |
CN111610512B CN111610512B (zh) | 2022-08-09 |
Family
ID=72198250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010485947.1A Active CN111610512B (zh) | 2020-06-01 | 2020-06-01 | 一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111610512B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406575A (zh) * | 2021-06-17 | 2021-09-17 | 电子科技大学 | 一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法 |
EP4050372A1 (en) * | 2021-02-25 | 2022-08-31 | Nxp B.V. | Radar-based detection using angle of arrival estimation based on pruned sparse learning of support vector |
US11906651B2 (en) | 2021-02-25 | 2024-02-20 | Nxp B.V. | Radar-based detection using sparse array processing |
US11927664B2 (en) | 2021-02-25 | 2024-03-12 | Nxp B.V. | Radar-based detection using angle of arrival estimation based on sparse array processing |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201207625D0 (en) * | 2012-05-02 | 2012-06-13 | Inputdynamics Ltd | Signal processing systems |
EP2845191A1 (en) * | 2012-05-04 | 2015-03-11 | Kaonyx Labs LLC | Systems and methods for source signal separation |
CN105119670A (zh) * | 2015-09-10 | 2015-12-02 | 桂林电子科技大学 | 一种宽带协作频谱感知方法 |
CN106772337A (zh) * | 2016-11-11 | 2017-05-31 | 桂林电子科技大学 | 一种基于music算法的频率分集阵列两层介质目标定位方法 |
CN108445462A (zh) * | 2018-02-05 | 2018-08-24 | 江苏大学 | 一种基于稀疏贝叶斯学习的双基地mimo雷达的dod和doa估计方法 |
CN108459296A (zh) * | 2018-01-17 | 2018-08-28 | 江苏大学 | 一种基于离格稀疏贝叶斯学习的nested阵列波达方向估计方法 |
CN109633634A (zh) * | 2019-01-10 | 2019-04-16 | 江苏大学 | 一种基于稀疏贝叶斯学习的mimo雷达波离方向和波达方向联合估计方法 |
CN110109051A (zh) * | 2019-04-09 | 2019-08-09 | 天津大学 | 基于频控阵的互耦阵列doa估计方法 |
CN110208735A (zh) * | 2019-06-12 | 2019-09-06 | 西北工业大学 | 一种基于稀疏贝叶斯学习的相干信号doa估计方法 |
-
2020
- 2020-06-01 CN CN202010485947.1A patent/CN111610512B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201207625D0 (en) * | 2012-05-02 | 2012-06-13 | Inputdynamics Ltd | Signal processing systems |
EP2845191A1 (en) * | 2012-05-04 | 2015-03-11 | Kaonyx Labs LLC | Systems and methods for source signal separation |
CN105119670A (zh) * | 2015-09-10 | 2015-12-02 | 桂林电子科技大学 | 一种宽带协作频谱感知方法 |
CN106772337A (zh) * | 2016-11-11 | 2017-05-31 | 桂林电子科技大学 | 一种基于music算法的频率分集阵列两层介质目标定位方法 |
CN108459296A (zh) * | 2018-01-17 | 2018-08-28 | 江苏大学 | 一种基于离格稀疏贝叶斯学习的nested阵列波达方向估计方法 |
CN108445462A (zh) * | 2018-02-05 | 2018-08-24 | 江苏大学 | 一种基于稀疏贝叶斯学习的双基地mimo雷达的dod和doa估计方法 |
CN109633634A (zh) * | 2019-01-10 | 2019-04-16 | 江苏大学 | 一种基于稀疏贝叶斯学习的mimo雷达波离方向和波达方向联合估计方法 |
CN110109051A (zh) * | 2019-04-09 | 2019-08-09 | 天津大学 | 基于频控阵的互耦阵列doa估计方法 |
CN110208735A (zh) * | 2019-06-12 | 2019-09-06 | 西北工业大学 | 一种基于稀疏贝叶斯学习的相干信号doa估计方法 |
Non-Patent Citations (3)
Title |
---|
DAN WANG.ET AL.: "Grid Adaptive Sparse Bayesian Learning for 2D-DOA Estimation with L-shape Array", 《2019 IEEE 30TH ANNUALINTERNATIONAL SYMPOSIUM ON PERSONAL,INDOOR AND MOBILE RADIO COMMUNICATIONS(PIMRC)》 * |
LIAO YANPING.ET AL.: "Target Parameters Estimation of Frequency Diverse Array based on Preprocessing l 1-SVD Algorithm", 《中国科技论文在线》 * |
王天云等: "基于贝叶斯压缩感知的FD-MIMO雷达Off-Grid目标稀疏成像", 《电子学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4050372A1 (en) * | 2021-02-25 | 2022-08-31 | Nxp B.V. | Radar-based detection using angle of arrival estimation based on pruned sparse learning of support vector |
US11906651B2 (en) | 2021-02-25 | 2024-02-20 | Nxp B.V. | Radar-based detection using sparse array processing |
US11927664B2 (en) | 2021-02-25 | 2024-03-12 | Nxp B.V. | Radar-based detection using angle of arrival estimation based on sparse array processing |
CN113406575A (zh) * | 2021-06-17 | 2021-09-17 | 电子科技大学 | 一种基于稀疏贝叶斯学习算法的雷达距离超分辨计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111610512B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111610512B (zh) | 一种基于稀疏贝叶斯学习的频控阵雷达离网目标定位方法 | |
CN108710103B (zh) | 基于稀疏阵列的强弱多目标超分辨测向与信源数估计方法 | |
Fuchs et al. | A machine learning perspective on automotive radar direction of arrival estimation | |
CN109613532B (zh) | 一种机载雷达实时多普勒波束锐化超分辨成像方法 | |
CN113189592A (zh) | 考虑幅相互耦误差的车载毫米波mimo雷达测角方法 | |
CN110579737B (zh) | 一种杂波环境中基于稀疏阵列的mimo雷达宽带doa计算方法 | |
CN113376607B (zh) | 机载分布式雷达小样本空时自适应处理方法 | |
CN109932679B (zh) | 一种传感器列系统最大似然角度分辨率估计方法 | |
CN112881975B (zh) | 基于子阵特征矩阵联合对角化的单脉冲和差波束测角方法 | |
CN111896929B (zh) | 非均匀mimo雷达的dod/doa估计算法 | |
Fuchs et al. | Model order estimation using a multi-layer perceptron for direction-of-arrival estimation in automotive radar sensors | |
Xi et al. | Joint range and angle estimation for wideband forward-looking imaging radar | |
Aboutanios et al. | Fast iterative interpolated beamforming for high fidelity single snapshot DOA estimation | |
CN109270484B (zh) | 一种基于运动合成阵列的多信源doa估计方法 | |
CN112924947B (zh) | 一种基于实值稀疏贝叶斯学习的mimo雷达稳健doa估计方法 | |
CN113075621B (zh) | 针对分布式网络化雷达的信号级定位算法精度界计算方法 | |
CN114325560A (zh) | 波束扫描雷达超分辨目标测向方法 | |
CN115372891A (zh) | 一种基于改进的离网格稀疏贝叶斯学习的doa估计方法 | |
CN112099010A (zh) | 基于结构化非凸低秩表征的带微动部件目标isar成像方法 | |
Simoni et al. | Height estimation for automotive MIMO radar with group-sparse reconstruction | |
Rawat et al. | RLS-Based adaptive time-varying RCS estimation and imaging in MIMO radar systems | |
Monnoyer et al. | Grid Hopping: Accelerating Direct Estimation Algorithms for Multistatic FMCW Radar | |
Vasylyshyn | Estimation of signal parameters using SSA and Unitary Root-Music | |
CN113759316B (zh) | 一种基于fft的线性调频连续波雷达检测前参数估计方法 | |
Pan et al. | Time-delay Estimation of Coherent GPR Signal by Using Sparse Frequency Sampling and IMUSIC Method |
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 |