CN112904296A - 基于实值处理cs-parafac算法的双基地mimo雷达角度估计方法 - Google Patents
基于实值处理cs-parafac算法的双基地mimo雷达角度估计方法 Download PDFInfo
- Publication number
- CN112904296A CN112904296A CN202110063244.4A CN202110063244A CN112904296A CN 112904296 A CN112904296 A CN 112904296A CN 202110063244 A CN202110063244 A CN 202110063244A CN 112904296 A CN112904296 A CN 112904296A
- Authority
- CN
- China
- Prior art keywords
- tensor
- representing
- real
- estimation
- angle estimation
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 239000013598 vector Substances 0.000 claims abstract description 43
- 230000006835 compression Effects 0.000 claims abstract description 21
- 238000007906 compression Methods 0.000 claims abstract description 21
- 238000009499 grossing Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 239000000126 substance Substances 0.000 claims description 24
- 230000001427 coherent effect Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G01S7/418—Theoretical aspects
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
Description
技术领域
本发明属于雷达信号处理技术领域,具体涉及一种基于实值处理CS-PARAFAC算法的双基地MIMO雷达角度估计方法。
背景技术
多输入多输出(Multiple Input Multiple Output,简称MIMO)雷达与传统相控阵雷达相比,具有多通道,低辐射功率,覆盖范围广等优点,引起了国内外研究人员的高度关注。双基地MIMO雷达结合了MIMO雷达和双基地雷达布阵方式的优点,成为当前MIMO雷达研究的热点方向。
目前,针对双基地MIMO雷达的研究主要集中在参数估计、目标定位跟踪以及波形设计等方面。在这些内容中,国内外相关机构和学者围绕双基地MIMO雷达的多目标角度估计问题展开了深入研究,提出了很多创新性的方法。但传统的双基地MIMO雷达测角算法需要对接收信号的自相关矩阵进行特征分解求得信号子空间或者噪声子空间,该类算法由于需要对子空间进行估计,因此会受到低信噪比或者低快拍的制约而出现较大的性能损失。而且传统算法基于矩阵信号模型,本身并没有利用双基地MIMO雷达接收信号的多维信息,测角精度存在一定的损失。为了解决这个问题,双基地MIMO雷达接收信号的复值张量模型被提出,平行因子(Parallel factor,简称PARAFAC)算法被用于双基地MIMO雷达目标角度估计中。
但是,传统的基于平行因子分解算法的双基地MIMO雷达目标角度估计,算法计算复杂度高,且对存储空间要求较大。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于实值处理CS-PARAFAC算法的双基地MIMO雷达角度估计方法。
本发明的一个实施例提供了一种基于实值处理CS-PARAFAC算法的双基地MIMO雷达角度估计方法,包括以下步骤:
其中,IK表示一K×K的单位矩阵,K表示雷达目标数目,表示双基地MIMO雷达接收数据中的噪声项,M表示发射阵元数目,N表示接收阵元数目,Q表示相干处理间隔内的脉冲数目,A=[a(θ1),a(θ2),…,a(θk)]表示发射导向矩阵,θk表示第k个目标的DOD估计值,表示接收导向矩阵,表示第k个目标的DOA估计值,C=[c1,c2,…,cQ]T表示反射系数矢量矩阵,cq=[α1,q,α2,q,…,αK,q]T,αk,q表示第k个目标在第q个脉冲的反射系数。
在本发明的一个实施例中,步骤2包括:
在本发明的一个实施例中,步骤5包括:
步骤5.1、分别构建DOA估计的过完备字典、DOD估计的过完备字典;
步骤5.3、分别对所述DOA角度估计稀疏矢量、DOD角度估计稀疏矢量进行稀疏估计得到自动配对的DOA角度估计值、DOD角度估计值。
在本发明的一个实施例中,步骤5.2中进行稀疏表示得到的DOD角度估计稀疏矢量表示为:
其中,表示载荷估计矩阵的第k列,Ap表示DOD估计的过完备字典,且i=1,...,I,ea表示一I×1的稀疏矢量并且它的第k个元素为αak,其余元素都是零,αak表示DOD估计的尺度系数,rk表示DOD估计时对应的噪声;
进行稀疏表示得到的DOA角度估计稀疏矢量表示为:
其中,表示载荷估计矩阵的第k列,Bp表示DOA估计的过完备字典,且f=1,...,F,eb表示一F×1的稀疏矢量并且它的第k个元素为αbk,其余元素都是零,αbk表示DOA估计的尺度系数,ok表示DOA估计时对应的噪声。
在本发明的一个实施例中,步骤5.3中对所述DOD角度估计稀疏矢量进行稀疏估计表示为:
其中,||·||F表示求F范数,||·||0表示求0范数;
对所述DOA角度估计稀疏矢量进行稀疏估计表示为:
与现有技术相比,本发明的有益效果:
本发明提供的基于实值处理CS-PARAFAC算法的双基地MIMO雷达角度估计方法,将张量进行压缩处理且采用实值处理,有着更低的计算复杂度且更节约存储空间,提升了运算效率和速度。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于实值处理CS-PARAFAC算法的双基地MIMO雷达角度估计方法的流程示意图;
图2本发明实施例提供的三个非相干目标脉冲数固定为Q=50时不同算法下角度估计的均方根误差随着信噪比变化的曲线示意图;
图3本发明实施例提供的两个相干目标相关系数为0.95且脉冲数固定为Q=50时不同算法下角度估计的均方根误差随着信噪比变化的曲线示意图;
图4本发明实施例提供的三个相干目标相关系数为0.95且脉冲数固定为Q=50时不同算法下角度估计的均方根误差随着信噪比变化的曲线示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1是本发明实施例提供的一种基于实值处理CS-PARAFAC算法的双基地MIMO雷达角度估计方法的流程示意图。本实施例提出了一种基于实值处理CS-PARAFAC算法的双基地MIMO雷达角度估计方法,该基于实值处理CS-PARAFAC算法的双基地MIMO雷达角度估计方法包括以下步骤:
具体而言,假设一双基地MIMO雷达有M个发射阵元和N个接收阵元,M个发射阵元发射正交信号T表示单个脉冲的采样点数。假设远场目标的个数为K,第k个目标的DOD估计值和DOA估计值分别用θk和来表示,一个相干处理间隔内的脉冲数为Q。则本实施例接收阵列接收到的第q个脉冲信号可以表示为:
将公式(1)写成矩阵形式表示为:
Xq=BΛqATS+Nq (4)
其中,A=[a(θ1),a(θ2),…,a(θk)]和分别表示发射和接收导向矩阵,对角矩阵Λq=diag(cq),cq=[α1,q,α2,q,…,αK,q]T。对公式(4)两边分别右乘SH进行匹配滤波得到:
其中,反射系数矢量矩阵向量dk表示反射系数矢量矩阵C的第k列,表示接收数据中的噪声项,符号ο表示外积。定义复值张量与发射导向矩阵的i模式积为张量用公式表示为×i表示i模式积,则本实施例公式(6)重新表示为:
其中,IK表示一K×K的单位矩阵。
其中,(·)*表示共轭,ΠN表示一N×N的反对角矩阵,反对角矩阵的反对角线上的元素为1,其余元素为零。
当酉矩阵U的下角标为奇数时,其表示为:
将公式(7)代入公式(8),公式(8)中重新表示为:
将公式(13)代入到公式(9)中,公式(9)重新表示为:
将公式(14)代入到公式(10)中,公式(10)重新表示为:
其中,IK表示K×K维单位矩阵。公式(16)能够用矩阵形式表示为:
其中,表示一矢量,它的所有元素都为1,符号⊙表示Khatri-Rao积,vec(·)表示矩阵向量化操作。本实施例设计了一压缩矩阵HPL<<MN(2Q),压缩矩阵S具有一个特殊的结构,即其中是压缩矩阵,三个压缩矩阵可以通过Tucker3分解生成或者随机生成,并且有H≤N,P≤M,L≤2Q,符号表示Kronecker积。
具体而言,为了得到压缩张量的实值载荷矩阵的估计,本实施例利用三线性交替最小二乘法进行PARAFAC分解,具体地:在载荷矩阵前一次估计值基础上,用最小二乘法交替更新载荷矩阵,直到收敛。利用该方法,对压缩张量进行PARAFAC分解得到载荷估计矩阵载荷估计矩阵其中,压缩张量进行PARAFAC分解还可以得到载荷估计矩阵
其中,分别表示载荷估计矩阵的第k列,ak,bk分别表示载荷矩阵的第k列,αak,αbk分别表示DOD估计、DOA估计的尺度系数,并且rk,ok分别表示DOD估计、DOA估计对应的噪声。本实施例步骤5包括步骤5.1、步骤5.2、步骤5.3:
步骤5.1、分别构建DOA估计的过完备字典、DOD估计的过完备字典。
具体而言,本实施例构建的用于DOD估计的过完备字典表示为:
类似于DOD估计,本实施例同样构建了用于DOA估计的过完备字典表示为:
具体而言,为了进一步降低算法的计算复杂度,利用矩阵的稀疏性,假设目标的DOD位于θk处,则有ak=Apea,ea表示一I×1的稀疏矢量并且它的第k个元素是αak,其余元素都是零。则公式(20)进行稀疏表示后得到的DOD角度估计稀疏矢量表示为:
步骤5.3、分别对所述DOA角度估计稀疏矢量、DOD角度估计稀疏矢量进行稀疏估计得到自动配对的DOA角度估计值、DOD角度估计值。
具体而言,本实施例通过l0范数约束,对于DOD角度估计可以得到ea的估计表示:
公式(26)可以改写为:
同理,αbk也能被估计,具体对于DOA角度估计可以得到ea的估计表示:
公式(29)可以改写为:
为了验证本实施例提出的基于实值处理CS-PARAFAC算法的双基地MIMO雷达角度估计方法的有效性,通过以下仿真实验以进一步证明。
一、仿真条件
假设双基地MIMO雷达的发射天线个数为M=10,接收天线个数N=8,发射阵列和接收阵列均为阵元间距半波长的等距线阵。阵元通道噪声为高斯白噪声。采用均方根误差(Root mean square error,简称RMSE)来衡量算法的测角精度,定义为:
二、仿真内容
仿真1、请参见图2,图2本发明实施例提供的三个非相干目标脉冲数固定为Q=50时不同算法下角度估计的均方根误差随着信噪比变化的曲线示意图,在上述条件下,假设有三个非相干目标分别位于 图2给出了本发明算法和其他算法角度估计的均方根误差随着信噪比变化的曲线,脉冲数固定为Q=50,图2中横坐标为信噪比,纵坐标为均方根误差。从图2中可以看出,本发明算法、U-PARAFAC算法和CS-PARAFAC算法都要好于U-ESPRIT算法,这是由于基于张量模型的算法利用了接收信号的多维信息,因此相比于传统基于矩阵模型的算法有更高的测角精度。其中,图2中的克拉美罗界(Cramer-Rao Bound,简称CRB)作为参考对比数据。
仿真2、请参见图3,图3本发明实施例提供的两个相干目标相关系数为0.95且脉冲数固定为Q=50时不同算法下角度估计的均方根误差随着信噪比变化的曲线示意图,假设两个相干目标分别位于和这两个目标之间的相关系数是0.95且脉冲数固定为Q=50。如图3所示,在处理相干目标时,本发明算法、U-PARFAC算法和U-ESPRIT算法都具有较好的性能,而CS-PARAFAC算法在目标高度相关时性能有所下降,这是由于本发明算法、U-PARFAC算法和U-ESPRIT算法在实值信号模型的构造过程中都用到了前后平滑技术,前后平滑技术可以使得测角算法获得部分去相关性能。
仿真3、请参见图4,图4本发明实施例提供的三个相干目标相关系数为0.95且脉冲数固定为Q=50时不同算法下角度估计的均方根误差随着信噪比变化的曲线示意图,考虑三个相干目标,它们分别位于 前两个目标和后两个目标的相关系数均设为0.95,图4给出了各算法均方根误差随信噪比变化的曲线,此时的脉冲数固定为Q=50。从图4中可以看出,相比于其他算法,本发明算法和U-PARFAC算法在测量两个以上相干目标时具有较好的性能,U-ESPRIT算法性能下降严重,这是由于相干目标数的增加,基于子空间的算法性能会严重下降,而CS-PARAFAC算法又不具有去相干的能力。本发明算法具有较好的性能是因为避免了对信号子空间的估计且用到了前后平滑技术。而本发明算法和U-PARAFAC算法相比,由于利用了压缩感知技术,所以计算复杂度会下降,运算效率提升,对存储空间的需求也会减少。
综上所述,本实施例提出的基于实值处理CS-PARAFAC算法的双基地MIMO雷达角度估计方法,将张量进行压缩处理且采用实值处理,因此相比于酉PARAFAC方法和CS-PARAFAC方法,有着更低的计算复杂度且更节约存储空间,提升了运算效率和速度;同时本实施例不需要对信号子空间进行估计且采用前后平滑技术进行实值处理,因此具有很好的去相关能力,在处理空间角度接近目标和两个以上的相干目标时,相比其他方法有更好的性能;本实施例采用基于张量模型的算法,利用了接收信号的多维信息,因此相比于传统基于矩阵模型的算法有更高的测角精度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
9.根据权利要求8所述的基于实值处理CS-PARAFAC算法的双基地MIMO雷达角度估计方法,其特征在于,步骤5.2中进行稀疏表示得到的DOD角度估计稀疏矢量表示为:
其中,表示载荷估计矩阵的第k列,Ap表示DOD估计的过完备字典, 且i=1,...,I,ea表示一I×1的稀疏矢量并且它的第k个元素为αak,其余元素都是零,αak表示DOD估计的尺度系数,rk表示DOD估计时对应的噪声;
进行稀疏表示得到的DOA角度估计稀疏矢量表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110063244.4A CN112904296B (zh) | 2021-01-18 | 2021-01-18 | 基于实值处理cs-parafac算法的双基地mimo雷达角度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110063244.4A CN112904296B (zh) | 2021-01-18 | 2021-01-18 | 基于实值处理cs-parafac算法的双基地mimo雷达角度估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112904296A true CN112904296A (zh) | 2021-06-04 |
CN112904296B CN112904296B (zh) | 2023-12-26 |
Family
ID=76115212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110063244.4A Active CN112904296B (zh) | 2021-01-18 | 2021-01-18 | 基于实值处理cs-parafac算法的双基地mimo雷达角度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112904296B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093185A (zh) * | 2015-08-23 | 2015-11-25 | 哈尔滨工程大学 | 基于稀疏表示的单基地多输入多输出雷达目标波达方向估计方法 |
US20160358107A1 (en) * | 2015-06-04 | 2016-12-08 | Accusonus, Inc. | Data training in multi-sensor setups |
WO2017161874A1 (zh) * | 2016-03-23 | 2017-09-28 | 中兴通讯股份有限公司 | 一种mimo雷达波达方向估计方法和装置 |
CN107290730A (zh) * | 2017-05-10 | 2017-10-24 | 长江大学 | 互耦条件下双基地mimo雷达角度估算方法 |
WO2018049595A1 (zh) * | 2016-09-14 | 2018-03-22 | 深圳大学 | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统 |
CN110412537A (zh) * | 2019-09-05 | 2019-11-05 | 武汉亿维登科技发展有限公司 | 一种双基地mimo雷达角度估计方法 |
CN110907923A (zh) * | 2019-10-29 | 2020-03-24 | 长江大学 | 基于平行因子算法的双基地emvs-mimo雷达角度估计算法及装置 |
CN110927711A (zh) * | 2019-10-24 | 2020-03-27 | 长江大学 | 一种双基地emvs-mimo雷达的高精度定位算法及装置 |
-
2021
- 2021-01-18 CN CN202110063244.4A patent/CN112904296B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160358107A1 (en) * | 2015-06-04 | 2016-12-08 | Accusonus, Inc. | Data training in multi-sensor setups |
CN105093185A (zh) * | 2015-08-23 | 2015-11-25 | 哈尔滨工程大学 | 基于稀疏表示的单基地多输入多输出雷达目标波达方向估计方法 |
WO2017161874A1 (zh) * | 2016-03-23 | 2017-09-28 | 中兴通讯股份有限公司 | 一种mimo雷达波达方向估计方法和装置 |
WO2018049595A1 (zh) * | 2016-09-14 | 2018-03-22 | 深圳大学 | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统 |
CN107290730A (zh) * | 2017-05-10 | 2017-10-24 | 长江大学 | 互耦条件下双基地mimo雷达角度估算方法 |
CN110412537A (zh) * | 2019-09-05 | 2019-11-05 | 武汉亿维登科技发展有限公司 | 一种双基地mimo雷达角度估计方法 |
CN110927711A (zh) * | 2019-10-24 | 2020-03-27 | 长江大学 | 一种双基地emvs-mimo雷达的高精度定位算法及装置 |
CN110907923A (zh) * | 2019-10-29 | 2020-03-24 | 长江大学 | 基于平行因子算法的双基地emvs-mimo雷达角度估计算法及装置 |
Non-Patent Citations (2)
Title |
---|
文方青;张弓;王鑫海;张宇;贲德;: "基于三维压缩感知的MIMO雷达角度估计算法", 数据采集与处理, no. 02 * |
谢前朋;潘小义;陈吉源;肖顺平;: "基于稀疏阵列的电磁矢量传感器多输入多输出雷达高分辨角度和极化参数联合估计", 物理学报, no. 07 * |
Also Published As
Publication number | Publication date |
---|---|
CN112904296B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106980106B (zh) | 阵元互耦下的稀疏doa估计方法 | |
CN109932680B (zh) | 一种基于平移互质阵列的非圆信号波达方向估计方法 | |
CN109471082B (zh) | 基于信号子空间重构的阵元缺损mimo雷达角度估计方法 | |
CN110109051B (zh) | 基于频控阵的互耦阵列doa估计方法 | |
CN108303683B (zh) | 单基地mimo雷达实值esprit非圆信号角度估计方法 | |
CN107092004B (zh) | 基于信号子空间旋转不变性的互质阵列波达方向估计方法 | |
CN110045323B (zh) | 一种基于矩阵填充的互质阵稳健自适应波束形成算法 | |
CN106680815B (zh) | 基于张量稀疏表示的mimo雷达成像方法 | |
CN105403856A (zh) | 基于嵌套式最小冗余阵列的波达方向估计方法 | |
CN104977558A (zh) | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 | |
CN106646344A (zh) | 一种利用互质阵的波达方向估计方法 | |
CN110244272B (zh) | 基于秩一去噪模型的波达方向估计方法 | |
CN111239678A (zh) | 一种基于l型阵列的二维doa估计方法 | |
CN105403874A (zh) | 非均匀阵列欠定波达方向估计方法 | |
CN111693947A (zh) | 基于互质阵列doa估计的改进music方法 | |
CN111814096B (zh) | 基于子空间拟合的加权块稀疏恢复的mimo雷达定位方法 | |
CN111965591A (zh) | 一种基于四阶累积量矢量化dft的测向估计方法 | |
CN110927711A (zh) | 一种双基地emvs-mimo雷达的高精度定位算法及装置 | |
CN112269172A (zh) | 一种基于张量结构的嵌套mimo雷达角度估计方法和装置 | |
CN113655444B (zh) | 一种阵元失效下基于重加权先验的mimo雷达doa估计方法 | |
CN115236584A (zh) | 基于深度学习的米波雷达低仰角估计方法 | |
CN108828586B (zh) | 一种基于波束域的双基地mimo雷达测角优化方法 | |
CN112711000B (zh) | 基于最小化准则的电磁矢量互质面阵张量功率谱估计方法 | |
CN112924947A (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 | |
CN109471087B (zh) | 基于互质mimo雷达差集和集信号快速傅里叶变换的波达方向估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |