CN113311413B - 可控制模糊度函数的声呐波形设计方法 - Google Patents
可控制模糊度函数的声呐波形设计方法 Download PDFInfo
- Publication number
- CN113311413B CN113311413B CN202110318484.4A CN202110318484A CN113311413B CN 113311413 B CN113311413 B CN 113311413B CN 202110318484 A CN202110318484 A CN 202110318484A CN 113311413 B CN113311413 B CN 113311413B
- Authority
- CN
- China
- Prior art keywords
- doppler
- ambiguity function
- function
- controlling
- domain
- 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.)
- Active
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种可控制模糊度函数的声呐波形设计方法,属于波形设计技术领域,涉及一种可控制任意“时延‑多普勒”域内模糊度函数的声呐波形设计方法,主要解决现有波形设计方法计算量大、实时性差的问题。其实现过程是:通过应用最大最小方法将原有的难以求解的四次优化问题转化为若干个易于求解的一次优化问题,并通过迭代得到满足条件的探测波形。本发明具有控制声呐探测波形在任意“时延‑多普勒”域内模糊度函数的能力,及运算速度快,实时性好的优点。
Description
技术领域
本发明属于波形设计技术领域,具体涉及一种可控制任意“时延-多普勒”域内模糊度函数的声呐波形设计方法。
背景技术
声呐是实现水中目标探测的一种电子设备,图1为其工作原理示意图。声呐的工作原理是通过发射声信号至目标,再对反射声信号做处理,从中提取目标与平台的相对距离和相对速度等信息。因此,探测波形的性质是决定声呐性能的决定性因素。目标探测系统的难点在于检测弱目标并获取其精确的时延和多普勒信息,而提高任意“时延-多普勒”域内的弱目标分辨能力是获取弱目标准确信息的根本。
近年来,国内外学者在控制“时延-多普勒”域内的模糊度函数、提高弱目标分辨能力方面做了大量研究工作。具有代表性的,如景阳在《Designing Unimodular SequenceWith Low Peak of Sidelobe Level of Local Ambiguity Function》中利用拉格朗日乘子神经网络法和交替方向乘子法推导了Hybrid LPNN-ADMM算法,但该算法只可用于控制“时延-多普勒”原点附近的模糊度函数。Hamid Esmaeili Najafabadi在《UnimodularWaveform Design With Desired Ambiguity Function for Cognitive Radar》中推导了用于控制任意“时延-多普勒”域内的模糊度函数的AFSIM算法,但该算法在迭代运算的过程中需要进行复杂的矩阵计算,导致其运算速度非常慢,实时性差。
以上提到的两种代表性波形设计算法都存在一定的局限性,这些局限性使其难以在工程实际中获得应用。
发明内容
本发明针对现有方法的不足,公开一种可控制模糊度函数的声呐波形设计方法,主要解决现有的波形设计方法计算量大、实时性差,难以工程应用的问题。
本发明是可控制模糊度函数的声呐波形设计方法(AFC波形设计方法)。本方法利用最大最小方法(MM)将原有的难以求解的四次优化问题转化为若干个易于求解的一次优化问题,并通过迭代得到满足条件的探测波形。
本发明解决其技术问题所采用的详细步骤如下:
步骤1:构造可控制任意“时延-多普勒”域内模糊度函数的优化问题;
步骤2:将原四次问题转化为二次问题;
步骤3:将二次问题转化为一次问题;
步骤4:利用探测波形的性质得到满足条件的探测波形;
步骤5:重复步骤2、3、4直至收敛。
本发明与现有方法相比,具有以下优点:
(1)本发明所述方法与Hybrid LPNN-ADMM算法相比,具有可控制任意“时延-多普勒”域内的模糊度函数的幅度的优点;
(2)本发明所述方法与Hybrid LPNN-ADMM算法相比,具有可控制多个“时延-多普勒”域内的模糊度函数的幅度的优点;
(3)本发明所述方法计算复杂度低,运行速度快,实时性强。
附图说明
图1是声呐工作原理示意图;
图2是本发明方法的目标函数值随迭代次数的变化图;
图3是本发明方法的目标函数值随运行时间的变化图;
图4为本发明方法生成信号的模糊度函数伪彩图。
具体实施方式
下面结合附图、具体实施方式和实施例对本发明进行详细说明。
本发明是可控制模糊度函数的声呐波形设计方法,通过应用最大最小方法将原有的难以求解的四次优化问题转化为若干个易于求解的一次问题,并通过迭代方法得到满足条件的探测波形。
具体实施过程为:
步骤1:问题建模构造可控制任意“时延-多普勒”域内模糊度函数的优化问题
一种可控制任意“时延-多普勒”域内模糊度函数的声呐波形设计方法。用s=[s1,...,sN]T表示序列长度为N的非周期恒模序列,则该序列的时间离散模糊度函数为
r(k,f)=|sHEk Diag(v(f))s|2 (1)
其中
v(f)=[ej2πf,…,ej2πfN] (2)
假设[fd,fu]为包含所有感兴趣的多普勒区域的最小频率范围, {p(k,f)|f∈[fd,fu],k=1-N,...,N-1}为对离散时间和连续多普勒的权重。则I={(k,f)|p(k,f)≠0}为感兴趣的“时延-多普勒”域。为了使感兴趣的区域内的模糊度函数接近期望的模糊度函数,提出如式(4)所示最小二乘代价函数
其中D(k,f)为期望模糊度函数。对于需要提升弱目标分辨能力的“时延-多普勒”域,可将其D(k,f)设为0。
其中pk,l=p(k,fl)是离散后的权重,κ(k,l)=D(k,fl)是离散后的期望模糊度函数。除此之外,Jk,l的定义为
Jk,l=Ek Diag(v(fl)) (6)
忽略目标函数中的常数后得到的优化问题为
其中
步骤2:使用MM方法将原四次问题转化为二次问题
因为式(8)所示的Ψ1(s)是一个四次函数,难以直接优化,选择用MM方法来解决其优化问题。定义S=ssH,则Ψ1(s)可转化为
vec(S)HΠvec(S) (10)
其中
在MM方法的第t次迭代中构造优化器
u1(S,S(t))=λmax(Π)vec(S)H vec(S)
+2Re(vec(S)H(Π-λmax(Π)I)vec(S(t))) (12)
+vec(S(t))H(λmax(Π)I-Π)vec(S(t))
其中Π的最大特征值λmax(Π)=maxk{pk,l(N-k)|k=1,…,N-1,l=1,…,L}, S(t)=s(t)(s(t))H,I为N×N维的单位矩阵。
由于s为恒模序列,则u1(S,S(t))中的第一项为常数。u1(S,S(t))的第三项也为与S无关的变量。忽略常数后,原问题就可以转化为下面的二次问题
步骤3:使用MM方法将二次问题转化为一次问题
首先将目标函数整理为二次型形式。将式(13)中的目标函数展开有
令
则问题(13)可转化为
令G=(R+RH)/2,则问题(16)可转化为
则可利用MM方法构造优化器
u2(s,s(t))=λu sHs
+2Re(sH(G-λmax(Π)s(t)(s(t))H-λuI)s(t)) (18)
+(s(t))H(λuI-(G-λmax(Π)s(t)(s(t))H))s(t)
其中λu为G-λmax(Π)s(t)(s(t))H的最大特征值的上界。由于u2(s,s(t))的第一项为常数,第三项为与变量无关的数,则将常数忽略后可得优化问题
下面的问题就是如何求得λu。由于λmax(Π)一定为正值,则有
λu≤λmax(G) (20)
由于对于任意N×N维的复矩阵A都有
其中ai,j为A的第(i,j)个元素,λi为A的第i个特征值。所以可以取
由于
及pk,lκ(k,l)为非负值则可取
步骤4:利用探测波形的性质得到满足条件的探测波形
令
y=(G-λmax(Π)s(t)(s(t))H-λuI)s(t) (25)
则问题(19)可转化为
由s的恒模性质可得,问题(26)等价于
则问题(27)有闭式解
s=exp[j·arg(-y)] (28)
步骤5:重复步骤2、3、4直至收敛。
实施例
为了验证本发明方法的有效性,下面结合具体实例以及附图进行详细说明。
仿真条件为设计长度为N=28的波形,要求其在模糊函数在时延区域为[5,...,10]码元长度,归一化多普勒区域为[3,...,7]/28内的期望模糊度函数为0,算法收敛条件为两次迭代中波形变化量的二范数小于5e-4。通过公式(1)-(28)的计算迭代可求得满足条件的探测波形。本发明方法的目标函数值随迭代次数和运行时间的变化图如图2和图3所示。设计波形的模糊度函数如图4所示,框内为指定的“时延-多普勒”域。由图4可以看出,设计波形的模糊度函数在给定的“时延-多普勒”域内的旁瓣可达到-30dB以下,与域外的旁瓣相比非常低。本发明AFC算法与相同仿真条件下的AFSIM算法的收敛速度及收敛效果的对比如表1所示。从表1中可以看出,本发明AFC算法与AFSIM算法相比,收敛所需的迭代次数更少,收敛所需的运行时间更短,收敛后的目标函数值也更低。
表1AFSIM算法和本发明AFC算法的收敛速度及收敛效果对比
Claims (1)
1.可控制模糊度函数的声呐波形设计方法,包括以下步骤:
步骤1:构造可控制任意“时延-多普勒”域内模糊度函数的优化问题;
步骤2:将原四次问题转化为二次问题;
步骤3:将二次问题转化为一次问题;
步骤4:利用探测波形的性质得到满足条件的探测波形;
步骤5:重复步骤2、3、4直至收敛;
所述步骤1中,构造可控制任意“时延-多普勒”域内模糊度函数的优化问题由下述步骤确定:
可控制任意“时延-多普勒”域内模糊度函数的声呐波形设计方法为,用s=[s1,...,sN]T表示序列长度为N的非周期恒模序列,则该序列的时间离散模糊度函数为
r(k,f)=|sHEkDiag(v(f))s|2 (1)
其中
v(f)=[ej2πf,...,ej2πfN] (2)
假设[fd,fu为包含所有感兴趣的多普勒区域的最小频率范围,{p(k,f)|f∈[fd,fu],k=1-N,...,N-1}为对离散时间和连续多普勒的权重;则为感兴趣的“时延-多普勒”域;为了使感兴趣的区域内的模糊度函数接近期望的模糊度函数,提出如式(4)所示最小二乘代价函数
其中D(k,f)为期望模糊度函数;对于需要提升弱目标分辨能力的“时延-多普勒”域,可将其D(k,f)设为0;
其中pk,l=p(k,fl)是离散后的权重,κ(k,l)=D(k,fl)是离散后的期望模糊度函数;除此之外,Jk,l的定义为
Jk,l=EkDiag(v(fl)) (6)
忽略目标函数中的常数后得到的优化问题为
其中
所述步骤2具体为:
因为式(8)所示的Ψ1(s)是一个四次函数,难以直接优化,选择用MM方法来解决其优化问题;定义S=ssH,则Ψ1(s)可转化为vec(S)HΠvec(S) (10)
其中
在MM方法的第t次迭代中构造优化器
其中Π的最大特征值λmax(Π)=maxk{pk,l(N-k)|k=1,...,N-1,l=1,...,L},S(t)=s(t)(s(t))H,I为N×N维的单位矩阵;
由于s为恒模序列,则u1(S,S(t))中的第一项为常数;u1(S,S(t))的第三项也为与S无关的变量;忽略常数后,原问题就可以转化为下面的二次问题
所述步骤3具体为:
首先将目标函数整理为二次型形式;将式(13)中的目标函数展开有
令
则问题(16)可转化为
令G=(R+RH)/2,则问题(16)可转化为
则可利用MM方法构造优化器
其中λu为G-λmax(Π)s(t)(s(t))H的最大特征值的上界;由于u2(s,s(t))的第一项为常数,第三项为与变量无关的数,则将常数忽略后可得优化问题
下面的问题就是如何求得λu;由于λmax(Π)一定为正值,则有
λu≤λmax(G) (20)
由于对于任意N×N维的复矩阵A都有
其中ai,j为A的第(i,j)个元素,λi为A的第i个特征值;所以可以取
由于
及pk,lκ(k,l)为非负值则可取
所述步骤4具体为:
令
y=(G-λmax(Π)s(t)(s(t))H-λuI)s(t) (25)
则问题(19)可转化为
由s的恒模性质可得,问题(26)等价于
则问题(27)有闭式解
s=exp[j·arg(-y)] (28)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110318484.4A CN113311413B (zh) | 2021-03-25 | 2021-03-25 | 可控制模糊度函数的声呐波形设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110318484.4A CN113311413B (zh) | 2021-03-25 | 2021-03-25 | 可控制模糊度函数的声呐波形设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113311413A CN113311413A (zh) | 2021-08-27 |
CN113311413B true CN113311413B (zh) | 2022-10-11 |
Family
ID=77372108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110318484.4A Active CN113311413B (zh) | 2021-03-25 | 2021-03-25 | 可控制模糊度函数的声呐波形设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113311413B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5121125A (en) * | 1991-01-18 | 1992-06-09 | Grumman Aerospace Corporation | Optimum matched illumination waveform design process |
US9929783B2 (en) * | 2012-06-25 | 2018-03-27 | Cohere Technologies, Inc. | Orthogonal time frequency space modulation system |
EP3087689B1 (en) * | 2013-12-27 | 2019-09-18 | LG Electronics Inc. | Method and apparatus for reporting channel state information |
CN106680776B (zh) * | 2016-12-13 | 2019-06-21 | 西北工业大学 | 对多普勒信息不敏感的低旁瓣波形设计方法 |
CN106970368B (zh) * | 2017-04-10 | 2020-01-10 | 电子科技大学 | 一种基于模糊函数局部优化的雷达波形设计方法 |
CN108693508A (zh) * | 2018-03-26 | 2018-10-23 | 天津大学 | 基于粒子群算法的认知雷达波形优化方法 |
CN109633586B (zh) * | 2018-12-21 | 2022-07-12 | 电子科技大学 | 一种消除相位模糊度的时延估计方法 |
-
2021
- 2021-03-25 CN CN202110318484.4A patent/CN113311413B/zh active Active
Non-Patent Citations (6)
Title |
---|
Sonar Image MRF Segmentation Algorithm Based;Wang Huigang et al.;《Global Oceans 2020: Singapore-U.S.Gulf Coast》;20201231;全文 * |
一种抑制模糊度函数特定区域旁瓣级的波形设计方法;周飞等;《舰船科学技术》;20190430;第41卷(第4期);全文 * |
基于模糊函数构型的动目标探测波形设计;赵宜楠等;《系统工程与电子技术》;20190829(第02期);全文 * |
基于模糊函数的MIMO雷达跳频相位编码波形设计;刘锦等;《重庆科技学院学报(自然科学版)》;20190831;第21卷(第4期);全文 * |
恒模和相似性约束下机载MIMO雷达快速波形设计优化算法;童日武等;《舰船电子对抗》;20191225(第06期);全文 * |
盲分离的模糊性;王惠刚等;《信号处理》;20030801;第19卷;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113311413A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104076351B (zh) | 一种用于高速高机动目标的相参积累检测方法 | |
CN104777479B (zh) | 基于多核dsp的前侧视sar实时成像方法 | |
CN103308904B (zh) | 一种兼顾近场和远场性能的三维摄像声纳系统换能器阵列的稀疏优化方法 | |
CN103076594B (zh) | 一种基于互相关的水声脉冲信号双阵元定位的方法 | |
CN106443588A (zh) | 一种lfmcw信号快速检测和估计方法 | |
CN109521410A (zh) | 基于时间反转变换的高速机动目标相参积累检测方法 | |
CN106019288A (zh) | 基于简正波模态消频散变换的声源距离深度估计方法 | |
CN105137424A (zh) | 一种杂波背景下实波束扫描雷达角超分辨方法 | |
CN103760527B (zh) | 单基地mimo雷达相干源波达方向估计方法 | |
CN111337917B (zh) | 基于变步长插值迭代的fmcw雷达高精度距离估计方法 | |
CN105093224A (zh) | 一种大斜视合成孔径雷达成像处理方法 | |
CN105652258A (zh) | 多项式拉东-多项式傅里叶变换的高超声速目标检测方法 | |
CN110632596A (zh) | 一种太赫兹sar多频振动误差补偿方法 | |
CN107402380A (zh) | 一种实现多普勒波束锐化成像的快速自适应迭代方法 | |
CN103713276A (zh) | 基于最小互熵谱分析的波达方向估计方法 | |
CN113311413B (zh) | 可控制模糊度函数的声呐波形设计方法 | |
CN101149435B (zh) | 一种u型阵波束形成加权方法 | |
CN109239680B (zh) | 一种低截获概率雷达lfm信号的参数估计方法 | |
CN113468804B (zh) | 一种基于矩阵束和深度神经网络的地下管道识别方法 | |
CN112394223B (zh) | 一种信号分量频率和初相位的联合估计方法 | |
CN111025253B (zh) | 用于雷达脉冲压缩处理的窗函数波形联合设计方法 | |
CN103837871A (zh) | 一种逆波束形成方法及系统 | |
CN105137398B (zh) | 基于遗传算法的雷达抗转发式干扰的脉压滤波器优化方法 | |
CN107329131A (zh) | 一种利用粒子滤波的雷达微弱目标检测跟踪方法 | |
CN109655783A (zh) | 一种感应器列阵来波方向的估计方法 |
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 |