CN112924925A - 基于稀疏贝叶斯学习的机载三维异构阵doa估计方法 - Google Patents
基于稀疏贝叶斯学习的机载三维异构阵doa估计方法 Download PDFInfo
- Publication number
- CN112924925A CN112924925A CN202110099049.7A CN202110099049A CN112924925A CN 112924925 A CN112924925 A CN 112924925A CN 202110099049 A CN202110099049 A CN 202110099049A CN 112924925 A CN112924925 A CN 112924925A
- Authority
- CN
- China
- Prior art keywords
- array
- airborne
- dimensional heterogeneous
- coordinate system
- axis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000011084 recovery Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 28
- 238000003491 array Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 230000010287 polarization Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005388 cross polarization Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012545 processing 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
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
- G01S3/143—Systems for determining direction or deviation from predetermined direction by vectorial combination of signals derived from differently oriented antennae
-
- 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
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
- G01S3/46—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference 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
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
- G01S3/56—Conical-scan beam systems using signals indicative of the deviation of the direction of reception from the scan axis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法,包括步骤:建立机载三维异构阵的阵列模型;利用欧拉旋转变换,对机载三维异构阵的每个阵元进行局部直角坐标系到全局直角坐标系的转换;通过过完备字典矩阵将目标的角度估计问题转化为入射信号矩阵的稀疏恢复问题;利用稀疏贝叶斯学习算法求解。本发明将欧拉旋转变换引入到机载三维异构阵的方向图求解中,得到更为通用的机载三维异构阵阵列流形模型,从而构建出适用于机载三维异构阵的DOA估计模型。
Description
技术领域
本发明涉及雷达信号处理技术领域,具体涉及基于稀疏贝叶斯学习的机载三维异构阵DOA(波达方向)估计方法。
背景技术
机载三维异构阵是由多个不同的曲面阵构成的三维复杂阵列,它具有与载机外形相一致的空气动力外形,可以有效减小载机雷达反射截面积、降低载机负荷及增大有效发射孔径,能够满足复杂战场环境下雷达对目标探测的需求。相比于传统的二维平面阵,三维异构阵是一种更加广义的构型,可以看作是多个共形阵的组合阵。因此,三维异构阵的DOA估计方法可以参考共形阵的研究方法,但是目前很多研究方法如MUSIC(多信号分类)和ESPRIT(旋转不变性子空间)方法虽然具有一定效果,但是都忽略了载体曲率带来的对天线极化方向图的影响,并且受到算法需要大量快拍数据支撑的限制。
近年来,随着稀疏恢复类算法的兴起,如OMP(正交匹配追踪)算法、IAA(迭代自适应)算法、SBL(稀疏贝叶斯学习)算法等被应用到阵列的DOA估计中,通过构建压缩感知模型,使得少量快拍的DOA估计成为可能。但是,由于机载三维异构阵的复杂性,线阵平面阵的稀疏DOA估计方法无法适用,仍需要对相应模型进行改进。
发明内容
针对现有技术存在的问题,本发明的目的在于提供一种基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法,将欧拉旋转变换引入到机载三维异构阵的方向图求解中,得到更为通用的机载三维异构阵阵列流形模型,从而构建出适用于机载三维异构阵的DOA估计模型。
为了达到上述目的,本发明采用以下技术方案予以实现。
基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法,包括以下步骤:
步骤1,建立机载三维异构阵的阵列模型;
步骤2,利用欧拉旋转变换,对机载三维异构阵的每个阵元进行局部直角坐标系到全局直角坐标系的转换,得到机载三维异构阵的全局天线方向图;
步骤3,获取机载三维异构阵的接收信号,并建立对应的过完备字典矩阵;通过所述过完备字典矩阵将目标的角度估计问题转化为入射信号矩阵的稀疏恢复问题,并建立对应的压缩感知模型;
步骤4,利用稀疏贝叶斯学习算法求解所述压缩感知模型,得到机载三维异构阵的DOA估计结果。
与现有技术相比,本发明的有益效果为:
(1)本发明方法考虑了机载三维异构阵的载体曲率对方向图综合的影响,DOA估计模型更加符合实际情况。
(2)本发明方法可以实现少量快拍情况下机载三维异构阵的DOA估计;且本发明方法无需目标数量的先验信息。
(3)本发明方法首次将压缩感知模型以及稀疏贝叶斯方法引进到机载三维异构阵的DOA估计上面,对后续学者的相关研究具有一定的指引作用。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1是本发明提供一种基于稀疏贝叶斯学习的机载三维异构阵的DOA估计方法的流程示意图;
图2是本发明实施例提供的机载三维异构阵的几何特性示意图
图3是本发明实施例提供的机载三维异构阵的阵元布置示意图;
图4是本发明实施例提供的机载三维异构阵的阵元坐标图;
图5是本发明实施例提供的异构阵三轴欧拉旋转变换过程示意图;
图6本发明实施例提供的圆柱阵和圆锥阵的欧拉旋转变换过程示意图;其中,6(a)对应圆柱阵,6(b)对应圆锥阵;
图7本发明实施例的单次快拍的DOA估计结果图;其中,7(a)对应目标1的DOA估计结果,7(b)对应目标2的DOA估计结果,7(c)对应目标3的DOA估计结果。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域的技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限制本发明的范围。
参考图1,本发明提供的一种基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法,包括以下步骤:
步骤1,建立机载三维异构阵的阵列模型;
参考图2,机载三维异构阵由四个部分的共形阵组成,分别为机头的圆锥阵、机身圆柱阵、机身圆台阵和机翼阵。下面以其中的圆柱共形阵和圆锥共形阵组成的三维异构阵为例,进行本发明方法的介绍。载机沿y轴正方向飞行,速度矢量为v,飞行高度为H,异构阵的几何关系图如图3所示,阵元坐标图如图4所示。
参考图3,机载圆柱阵由M1个圆环阵组成,每个圆环阵由关于圆心对称的N1个天线阵元组成。M1个圆环阵彼此平行,阵元间距和圆环阵间距都为d,且共同垂直于y轴。每个圆环阵半径为r,第1个圆环阵位于xoz平面。以圆环阵上顶部阵元为第1个阵元,阵元序号为逆时针排序,则圆柱阵第m1个阵列圆环上第n1个阵元的位置矢量为:
圆柱阵对应的阵元位置坐标为:
圆柱阵整体的位置矢量:
圆锥阵对应的阵元位置坐标为:
则圆锥阵整体的位置矢量:
则整个异构阵的坐标为:
P=[P1,P2]
其中,P∈C3×N,N为几个共形阵的阵元数总和,对应的第n个阵元的位置矢量为:
其中,n∈1,2,…,N。
如果再加入其他共形阵,以列向量形式将坐标进行合并即可。
步骤2,利用欧拉旋转变换,对机载三维异构阵的每个阵元进行局部直角坐标系到全局直角坐标系的转换,得到机载三维异构阵的全局天线方向图;
由于三维异构阵面的非线性特性,即使每个阵元的辐射方向图具有相同极化,在阵列的全局坐标系下,由于载体曲面的弯曲,载体表面各阵元辐射方向图具有不同极化,亦即产生了交叉极化。根据交叉极化定义的极化基和θ来计算极化阵列的辐射方向图。因为考虑极化因素,阵列天线在方向的场强方向图可以表示为:
接下来通过欧拉坐标旋转变换将局部坐标系下的天线方向图变换到全局直角坐标系下的天线方向图。
欧拉旋转变换是一种实现局部坐标和全局坐标之间变换的有效方向。不同坐标系、不同共形阵对应的欧拉旋转矩阵不同,本发明提到的异构阵要实现坐标变换需要进行三次欧拉旋转变换。下面说明一种变换情况,如图5所示,其旋转轴依次为z轴,y轴,x轴,欧拉旋转角分别为Dn、En和Fn,三次欧拉旋转矩阵表达式分别为:
沿z轴顺时针旋转:
沿y轴顺时针旋转:
沿x轴顺时针旋转:
则最终的变换矩阵为:R=RxRyRz
不同的坐标系,不同共形阵的旋转情况都不一样。
如图6所示,以圆柱阵和圆锥阵为例,圆柱阵只需要进行一个沿y轴的旋转,如图6(a)所示,则第m个阵元对应的旋转角分别为:
Dn=0
En=π-θ0+(m-1)β
Fn=0;
如图6(b)所示,圆锥阵需要先进行一个y轴的旋转,然后沿x轴旋转,则第m个阵元对应的旋转角分别为:
Dn=0
En=π-θ0+(m-1)β
Fn=θ0;
其中,θ0为圆锥阵的锥角,m表示阵元序号,β表示相邻阵元之间的夹角;
首先需要知道阵元的局部方向图,然后进行旋转变换得到全局的方向图。阵元局部球坐标系下的方向图跟具体天线有关,一般选用圆形微带天线作为共形阵的阵元天线,其局部球坐标系下的第n个阵元的天线方向图表示为:
其中,和分别为局部球坐标下和θl方向上的单位向量;和分别为第n个阵元局部方向图在和θl方向的场分量;J2()和J0()分别为2阶和0阶Bessel函数;为入射信号方向在局部坐标系下的坐标,其与全局球坐标系下的坐标的转换关系为实现步骤为:
(b1)利用欧拉旋转变换将全局直角坐标系下的入射方向(x,y,z)变换为局部直角坐标系下的入射方向(xl,yl,zl),转换关系为:
θl=arccoszl
将局部球坐标代入之前的微带天线的方向图函数就可得到局部坐标系下的阵元辐射方向图,然后再用上述欧拉变换的逆变换转换成全局球坐标系方向图,具体步骤如下:
(a2)利用球坐标系和直角坐标系的转换关系,得到天线方向图在局部直角坐标系下的分量,转换后的阵元方向图为:
转换关系:
步骤3,获取机载三维异构阵的接收信号,并建立对应的过完备字典矩阵;通过所述过完备字典矩阵将目标的角度估计问题转化为入射信号矩阵的稀疏恢复问题,并建立对应的压缩感知模型;
(3.1)接受信号获取:
在得到阵元的位置矢量后,机载三维异构阵的阵元的空间相位差为:
对应的导向矢量为:
接收信号快拍数据模型可表示为:
各向量分别定义为:
X(t)=[x1(t),x2(t),…,xN(t)]T
S(t)=[s1(t),s2(t),…,sK(t)]T
n(t)=[n1(t),n2(t),…,nN(t)]T
(3.2)考虑到上述信号模型的DOA估计是一个二维非线性问题,本发明假设信号快拍数为Nt=1,将阵元角度问题转变为稀疏表达问题,通过构建过完备字典矩阵建立压缩感知模型,通过稀疏恢复算法估计方位角和俯仰角。
均匀量化后的快拍数据模型可表示为:
(3.3)在上述量化后的模型中,通过过完备字典矩阵Φ使得角度估计问题转化为γ的稀疏恢复问题。由于信号源个数远小于空间域的量化的网格点数,γ在空间域是稀疏的,可以构建成L1范数最小化的求解问题,其目标函数为:
步骤4,利用稀疏贝叶斯学习算法求解所述压缩感知模型,得到机载三维异构阵的DOA估计结果。
稀疏贝叶斯学习(SBL,Sparse Bayesian Learning)是在贝叶斯原理的基础上,加入最大后验概率估计和最大似然估计的一种稀疏恢复算法。稀疏贝叶斯在无需稀疏度先验信息和噪声干扰阈值信息的条件下,可以较为准确得到稀疏信号的估计值,本发明采用该算法来进行L1范数的求解。直接给出SBL步骤:
(4.2)根据下式计算稀疏信号后验概率的方差Σ和均值μ,并令μold=μ;
∑=(σ-2ΦTΦ+Λ)
μ=σ-2ΣΦTX
(4.5)计算dμ=abs(max(μnew-μold)),并判断dμ是否小于等于Δ,若是,则停止迭代,μnew即为重构信号γ;否则令μold=μnew,返回步骤(4.3)。
仿真实验
以下通过仿真实验验证本发明的有效性,以圆柱-圆锥阵的组成的异构阵为例,仿真参数如表所示:
表1系统仿真参数
目标1、2和3对应的估计结果如图7(a)、7(b)和7(c)所示,图7(a)估计的目标1的角度值(60°,100°),(70°,110°),幅度值为0.7dB和0.1dB;7(b)估计的角度值为(64.76°,105.2°),(70°,110°),幅度值为0.9999dB,1dB;7(c)估计的角度值为(64.76°,105.2°),(74.76°,115.2°),幅度值为0.75dB,0.9dB,可以看出,三个目标幅度值的估计基本正确,目标2和目标3角度估计有一个小于网格精度0.476误差,这是由于网格划分的精度不够而产生的误差,在误差允许范围。综上,本发明方法能很好的进行机载三维异构阵的DOA估计。
虽然,本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法,其特征在于,包括以下步骤:
步骤1,建立机载三维异构阵的阵列模型;
步骤2,利用欧拉旋转变换,对机载三维异构阵的每个阵元进行局部直角坐标系到全局直角坐标系的转换,得到机载三维异构阵的全局天线方向图;
步骤3,获取机载三维异构阵的接收信号,并建立对应的过完备字典矩阵;通过所述过完备字典矩阵将目标的角度估计问题转化为入射信号矩阵的稀疏恢复问题,并建立对应的压缩感知模型;
步骤4,利用稀疏贝叶斯学习算法求解所述压缩感知模型,得到机载三维异构阵的DOA估计结果。
2.根据权利要求1所述的基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法,其特征在于,所述机载三维异构阵的阵列模型包括机头共形阵、机身圆柱共形阵、两侧机翼共形阵和机身圆台共形阵中的一种或多种。
3.根据权利要求2所述的基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法,其特征在于,所述建立机载三维异构阵的阵列模型具体为:
首先,对于圆柱-圆锥阵进行模型建立:以圆柱阵第1个圆环阵的中心点的正下方地面点为参考点即坐标原点,以载机飞行方向为y轴正方向,y轴正方向顺时针转90度为x轴正方向,竖直向上为z轴正方向,建立全局直角坐标系;
其次,载机速度矢量为v,飞行高度为H;圆柱阵部分:由M1个等半径的圆环阵组成,每个圆环阵由关于圆心对称的N1个天线阵元组成,阵元间距为d;M1个圆环阵彼此平行,间距为d,且共同垂直于y轴;每个圆环阵半径为r;
圆锥阵部分:由M2个半径按比例降低的圆环阵组成,圆锥顶部为单点阵,圆锥底层半径与圆柱底层半径相同,阵元数相等;以底层为第一层,依次排序,则圆锥阵的第m层圆环阵上的阵元个数为Nm;
其中,上标T为矩阵转置操作;
以圆环阵上z轴正向上的阵元为第1个阵元,阵元序号为逆时针排序,则圆柱阵对应的阵元位置的坐标为:
圆柱阵整体的位置矢量:
圆锥阵对应的阵元位置坐标为:
则整个圆锥阵的位置矢量为:
则整个三维异构阵的坐标为:
P=[P1,P2]
其中,P∈C3×N,N为整个三维异构阵的阵元数总和,对应的第n个阵元的位置矢量为:
其中,n∈1,2,...,N。
4.根据权利要求1所述的基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法,其特征在于,所述利用欧拉旋转变换,对机载三维异构阵的每个阵元进行局部直角坐标系到全局直角坐标系的转换,具体为:
(2.1)根据每个天线形式确定其局部球坐标系下的天线方向图函数;
(2.3)利用欧拉旋转变换将全局直角坐标系下的入射方向(x,y,z)变换为局部直角坐标系下的入射方向(xl,yl,zl),转换关系为:
其中,R为欧拉旋转变换的变换矩阵;
θl=arccos zl
(2.5)将步骤(2.4)的局部球坐标代入步骤(2.1)中的天线方向图函数,得到局部坐标系下的阵元辐射方向图;然后再用所述欧拉变换的逆变换将局部坐标系下的阵元辐射方向图转换成全局球坐标系下的天线方向图即可。
7.根据权利要求6所述的基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法,其特征在于,当异构阵为圆柱阵时,对应的欧拉变换为沿y轴旋转,则圆柱阵某一圆环阵上的第m1个阵元对应的旋转角分别为:
Dn=0
En=π-θ0+(m1-1)β
Fn=0;
当异构阵为圆锥阵时,对应的欧拉变换为先进行一个y轴的旋转,然后沿x轴旋转,则圆锥阵某一圆环阵上的第m2个阵元对应的旋转角分别为:
Dn=0
En=π-θ0+(m2-1)β
Fn=θ0;
其中,θ0为圆锥阵的锥角,β为相邻的阵元夹角。
9.根据权利要求7所述的基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法,其特征在于,所述通过所述过完备字典矩阵将目标的角度估计问题转化为入射信号矩阵的稀疏恢复问题,具体过程为:
则均匀量化后的快拍数据模型为:
(3.2)由于信号源个数远小于空间域的量化网格点数,Υ在空间域是稀疏的,构建成L1范数最小化的求解问题,其目标函数为:
其中,|| ||1为求L1范数,|| ||2为求L2范数,ε为常数。
10.根据权利要求9所述的基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法,其特征在于,所述利用稀疏贝叶斯学习算法求解所述压缩感知模型,具体过程为:
(4.2)根据下式计算稀疏信号后验概率的方差∑和均值μ,并令μold=μ;
∑=(σ-2ΦTΦ+Λ)
μ=σ-2∑ΦTX
(4.5)计算dμ=abs(max(μnew-μold)),并判断dμ是否小于等于Δ,若是,则停止迭代,μnew即为重构信号Υ;否则令μold=μnew,返回步骤(4.3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110099049.7A CN112924925B (zh) | 2021-01-25 | 2021-01-25 | 基于稀疏贝叶斯学习的机载三维异构阵doa估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110099049.7A CN112924925B (zh) | 2021-01-25 | 2021-01-25 | 基于稀疏贝叶斯学习的机载三维异构阵doa估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112924925A true CN112924925A (zh) | 2021-06-08 |
CN112924925B CN112924925B (zh) | 2022-10-28 |
Family
ID=76167597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110099049.7A Active CN112924925B (zh) | 2021-01-25 | 2021-01-25 | 基于稀疏贝叶斯学习的机载三维异构阵doa估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112924925B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625219A (zh) * | 2021-06-23 | 2021-11-09 | 沈阳航空航天大学 | 基于稀疏贝叶斯学习的矢量共形阵列doa-极化参数联合估计方法 |
CN114280533A (zh) * | 2021-12-23 | 2022-04-05 | 哈尔滨工程大学 | 一种基于l0范数约束的稀疏贝叶斯DOA估计方法 |
CN117610323A (zh) * | 2024-01-24 | 2024-02-27 | 南京理工大学 | 一种基于矢量场变化的复杂曲面共形阵列散射场确定方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100265799A1 (en) * | 2007-11-01 | 2010-10-21 | Volkan Cevher | Compressive sensing system and method for bearing estimation of sparse sources in the angle domain |
US20120259590A1 (en) * | 2011-04-11 | 2012-10-11 | Jong Chul Ye | Method and apparatus for compressed sensing with joint sparsity |
CN104537249A (zh) * | 2015-01-04 | 2015-04-22 | 西安电子科技大学 | 基于稀疏贝叶斯学习的波达方向角估计方法 |
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 |
CN105572630A (zh) * | 2015-12-23 | 2016-05-11 | 西安电子科技大学 | 基于多波位联合处理的单脉冲目标doa估计方法 |
CN105676168A (zh) * | 2015-12-02 | 2016-06-15 | 江苏科技大学 | 一种声矢量阵方位估计方法 |
CN106291476A (zh) * | 2016-07-29 | 2017-01-04 | 西安电子科技大学 | 机载三维异构阵的雷达地面杂波回波获取方法 |
CN107015214A (zh) * | 2017-06-06 | 2017-08-04 | 电子科技大学 | 一种基于稀疏贝叶斯学习的空时自适应处理方法 |
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 |
CN108020812A (zh) * | 2017-11-28 | 2018-05-11 | 天津大学 | 基于特殊三平行线阵结构的二维doa估计方法 |
CN109188342A (zh) * | 2018-07-24 | 2019-01-11 | 南京航空航天大学 | 共形圆阵下的低复杂度二维doa估计方法 |
CN111983599A (zh) * | 2020-08-18 | 2020-11-24 | 西北工业大学 | 一种基于方位-俯仰字典的目标二维doa估计方法 |
CN112230194A (zh) * | 2020-08-05 | 2021-01-15 | 北京航空航天大学杭州创新研究院 | 一种基于平移阵列的解模糊方法、设备及存储介质 |
-
2021
- 2021-01-25 CN CN202110099049.7A patent/CN112924925B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100265799A1 (en) * | 2007-11-01 | 2010-10-21 | Volkan Cevher | Compressive sensing system and method for bearing estimation of sparse sources in the angle domain |
US20120259590A1 (en) * | 2011-04-11 | 2012-10-11 | Jong Chul Ye | Method and apparatus for compressed sensing with joint sparsity |
CN104537249A (zh) * | 2015-01-04 | 2015-04-22 | 西安电子科技大学 | 基于稀疏贝叶斯学习的波达方向角估计方法 |
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 |
CN105676168A (zh) * | 2015-12-02 | 2016-06-15 | 江苏科技大学 | 一种声矢量阵方位估计方法 |
CN105572630A (zh) * | 2015-12-23 | 2016-05-11 | 西安电子科技大学 | 基于多波位联合处理的单脉冲目标doa估计方法 |
CN106291476A (zh) * | 2016-07-29 | 2017-01-04 | 西安电子科技大学 | 机载三维异构阵的雷达地面杂波回波获取方法 |
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 |
CN107015214A (zh) * | 2017-06-06 | 2017-08-04 | 电子科技大学 | 一种基于稀疏贝叶斯学习的空时自适应处理方法 |
CN108020812A (zh) * | 2017-11-28 | 2018-05-11 | 天津大学 | 基于特殊三平行线阵结构的二维doa估计方法 |
CN109188342A (zh) * | 2018-07-24 | 2019-01-11 | 南京航空航天大学 | 共形圆阵下的低复杂度二维doa估计方法 |
CN112230194A (zh) * | 2020-08-05 | 2021-01-15 | 北京航空航天大学杭州创新研究院 | 一种基于平移阵列的解模糊方法、设备及存储介质 |
CN111983599A (zh) * | 2020-08-18 | 2020-11-24 | 西北工业大学 | 一种基于方位-俯仰字典的目标二维doa估计方法 |
Non-Patent Citations (8)
Title |
---|
YI LIANG ET AL.: "A Nonparametric Paired Echo Suppression Method for Helicopter-Borne SAR Imaging", 《PROCEEDINGS OF 2007 INTERNATIONAL SYMPOSIUM ON INTELLIGENT SIGNAL PROCESSING AND COMMUNICATION SYSTEMS》 * |
叶杰等: "机载预警雷达共形阵应用技术分析", 《现代雷达》 * |
孙珂等: "基于杂波谱稀疏恢复的空时自适应处理", 《电子学报》 * |
张娟等: "一种有效的MIMO 雷达相干信源波达方向估计方法", 《电子学报》 * |
张泽浩等: "可穿戴传感网络中姿态测量技术", 《仪器仪表用户》 * |
李红光等: "基于稀疏贝叶斯的多跳频信号二维波达方向估计", 《上海交通大学学报》 * |
王书豪: "基于改进块稀疏贝叶斯学习算法的波达方向估计", 《计算机应用研究》 * |
王布宏等: "共形天线阵列流形的建模方法", 《电子学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625219A (zh) * | 2021-06-23 | 2021-11-09 | 沈阳航空航天大学 | 基于稀疏贝叶斯学习的矢量共形阵列doa-极化参数联合估计方法 |
CN113625219B (zh) * | 2021-06-23 | 2023-10-13 | 沈阳航空航天大学 | 基于稀疏贝叶斯学习的矢量共形阵列doa-极化参数联合估计方法 |
CN114280533A (zh) * | 2021-12-23 | 2022-04-05 | 哈尔滨工程大学 | 一种基于l0范数约束的稀疏贝叶斯DOA估计方法 |
CN117610323A (zh) * | 2024-01-24 | 2024-02-27 | 南京理工大学 | 一种基于矢量场变化的复杂曲面共形阵列散射场确定方法 |
CN117610323B (zh) * | 2024-01-24 | 2024-04-19 | 南京理工大学 | 一种基于矢量场变化的复杂曲面共形阵列散射场确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112924925B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112924925B (zh) | 基于稀疏贝叶斯学习的机载三维异构阵doa估计方法 | |
CN106443663B (zh) | 一种用于相控阵雷达降维四通道和差波束测角的方法 | |
CN107870315B (zh) | 一种利用迭代相位补偿技术估计任意阵列波达方向方法 | |
CN104407335B (zh) | 一种3轴交叉阵列的doa估计方法 | |
CN113391259B (zh) | 基于非参数迭代自适应的机载三维异构阵doa估计方法 | |
CN112130111B (zh) | 一种大规模均匀十字阵列中单快拍二维doa估计方法 | |
CN113835063B (zh) | 一种无人机阵列幅相误差与信号doa联合估计方法 | |
CN113311397B (zh) | 基于卷积神经网络的大型阵列快速自适应抗干扰方法 | |
CN110161452A (zh) | 基于互质式l型电磁矢量传感器阵列的波达方向估计方法 | |
CN106249196A (zh) | 三分量声矢量传感器稀疏阵列四元数解模糊方法 | |
CN112800497B (zh) | 基于稀疏谱恢复的机载三维异构阵杂波抑制方法 | |
Gao et al. | A novel DOA estimation algorithm using directional antennas in cylindrical conformal arrays | |
CN107121665A (zh) | 一种基于稀疏阵的近场相干源的无源定位方法 | |
CN111983554A (zh) | 非均匀l阵下的高精度二维doa估计 | |
Zhao et al. | Two-dimensional DOA estimation with reduced-dimension MUSIC algorithm | |
CN113671485B (zh) | 基于admm的米波面阵雷达二维doa估计方法 | |
CN104833947B (zh) | 一种任意阵接收对称虚拟变换2d‑doa分离算法 | |
CN111896929B (zh) | 非均匀mimo雷达的dod/doa估计算法 | |
CN112230215B (zh) | 未知极化参数的自适应单脉冲测向方法 | |
Li et al. | DOD and DOA estimation for MIMO radar based on combined MUSIC and sparse Bayesian learning | |
CN113419209B (zh) | 一种锥面共形阵列盲极化波达方向估计方法 | |
Chen et al. | A PCA-BP fast estimation method for broadband two-dimensional DOA of high subsonic flight targets based on the acoustic vector sensor array | |
CN114706034A (zh) | 一种无人机搭载智能反射面的目标测向方法 | |
CN113341371A (zh) | 一种基于l阵和二维esprit算法的doa估计方法 | |
CN111585631A (zh) | 一种提高分布式极化敏感阵列发射增益的波束形成方法 |
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 |