CN113777572A - 一种三维超稀疏阵列静态方向图综合方法 - Google Patents
一种三维超稀疏阵列静态方向图综合方法 Download PDFInfo
- Publication number
- CN113777572A CN113777572A CN202110893578.4A CN202110893578A CN113777572A CN 113777572 A CN113777572 A CN 113777572A CN 202110893578 A CN202110893578 A CN 202110893578A CN 113777572 A CN113777572 A CN 113777572A
- Authority
- CN
- China
- Prior art keywords
- directional diagram
- dimensional
- array
- region
- optimized
- 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
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种三维超稀疏阵列静态方向图综合方法,包括步骤如下:首先获取无人机阵元实时坐标,得到二维方向图;分别设置方位向方向图、俯仰向方向图的零零主瓣宽度,将二维方向图划分为若干个待优化区域与1个主瓣区域;为若干个待优化区域设置参考电平与初始干扰值,计算各个待优化区域优化迭代前的数据协方差矩阵以及各阵元初始权值;根据LCMV方法更新不同区域的干扰值,根据干扰值迭代计算数据协方差矩阵,迭代各阵元的权矢量;将权矢量作用到三维超稀疏阵列,得到优化后二维方向图,若各个待优化区域方向图达到所设置的参考电平或收敛条件,则停止迭代;否则,继续迭代;停止迭代后,得到最终的权矢量作用到目标阵列,即可得到满足性能的二维发射方向图。
Description
技术领域
本发明涉及雷达信号处理技术领域,更具体的,涉及一种三维超稀疏阵列静态方向图综合方法。
背景技术
面对日益复杂的作战环境和作战任务,准确获取战争信息、实现零伤亡是未来武器装备的迫切要求。然而,单平台有人机载预警雷达无法深入敌方做到稳定覆盖探测,且雷达截面积较大及机动性较差,导致战争中易被摧毁造成人员伤亡。目前,发展的大型无人预警机虽然可以降低人员伤亡,但是其成本高且机动性极差。为了改善以上预警平台缺点,研究者们将研究重心转移到小型无人机集群协同探测。
随着无人机技术的发展,无人机已逐渐从单一平台转向群协作方式。与传统的大型单基无人机平台相比,无人机集群协同探测具有许多明显的优势。首先,其更大的天线孔径和更大的空域自由度可以实现更好的空间分辨率和杂波抑制性能。其次,无人机集群可以极大地提高预警探测系统的续航能力,即使一架或多架无人机被敌人击毁,仍能保持较好的集群整体探测性能。最后,小型无人机具有更小的雷达截面积和更高的机动性,使其能够穿越隐蔽环境,通过深入靠近高威胁区域的前沿进行有效探测,从而扩大探测范围。此外,小型无人机的成本远低于大型单基无人机平台。
在实际作战当中,为了满足作战需求和无人机安全间距,无人机集群往往是随机的或按照一定编队的三维超稀疏阵列分布(阵元间距大于半波长)。这种三维超稀疏阵列分布的主波束窄空间分辨率高,但是其旁瓣电平高、栅瓣效应强容易带来强干扰信号,引起虚警与目标角度模糊。这将导致无人机集群协同探测性能大大降低。为了缓解该现象,我们需要对集群系统的方向图综合以获得低旁瓣弱栅瓣效应的阵列方向图。
目前提出的基于线性约束最小方差(LCMV)准则的方向图综合方法通过从不同角度注入虚拟干扰来计算各阵元权值,其仅针对一维或二维分布的阵列,并且只能将方位方向图与俯仰方向图旁瓣优化到相同的电平。然而,在实际作战中,方位向与俯仰向方向图的要求性能往往是不同的。因此,如果能将方位向与俯仰向方向图分别优化至不同的性能,那将更加贴近实际的作战需求,大大增加作战成功率。
发明内容
本发明为了解决以上现有技术中存在不足的问题,提供了一种三维超稀疏阵列静态方向图综合方法,方法更加贴近实际作战需求,并且比现有的LCMV方向图综合方法迭代次数更少,迭代速度更快。
为实现上述本发明目的,采用的技术方案如下:
一种三维超稀疏阵列静态方向图综合方法,所述的方法包括步骤如下:
S1:首先获取无人机阵元实时坐标,从而得到二维方向图;
S2:分别设置方位向方向图、俯仰向方向图的零零主瓣宽度,将二维方向图划分为若干个待优化区域与1个主瓣区域;
S3:分别为若干个待优化区域设置参考电平与初始干扰值,计算各个待优化区域优化迭代前的数据协方差矩阵以及各阵元初始权值;
S4:根据LCMV方法的迭代公式更新不同区域的干扰值,根据干扰值迭代计算数据协方差矩阵,迭代各阵元的权矢量;
S5:将步骤S4所得的权矢量加权到三维超稀疏阵列的各阵元中,得到优化后二维方向图,若各个待优化区域方向图达到所设置的参考电平或收敛条件,则停止迭代;否则,回到步骤S4继续迭代;
S6:停止迭代后,得到最终的权矢量加权到目标阵列,即可得到满足性能的二维发射方向图。
进一步地,设置方位向方向图的零零主瓣宽度为20°,设置俯仰向方向图的零零主瓣宽度为8°,将待优化区域分为3个区域,分别如下:区域1为方位旁瓣-俯仰主瓣)、区域2为方位主瓣-俯仰旁瓣,区域3为方位旁瓣-俯仰旁瓣;主瓣区域为方位主瓣-俯仰主瓣。
再进一步地,设置区域1、区域2、区域3的参考电平分别对应为Pr1=-40dB,Pr2=-30dB,Pr3=-50dB。
再进一步地,不同区域的干扰值ξi迭代公式如下:
再进一步地,更新迭代干扰值:当所在角度方向图电平低于参考电平时,该角度干扰值减小;反之,该角度干扰值增大。
再进一步地,构造各个区域的信号流形矩阵,结合不同区域的干扰值迭代计算数据协方差矩阵;
其中,构造各个区域的信号流形矩阵如下:
再进一步地,第k次迭代数据协方差矩阵Rk的计算公式如下:
Rk=[A1 A2 A3]·diag[ξ1kξ2kξ3k]·[A1 A2 A3]H+σI
其中,σ表示一个常数,I表示(32×8×6)维的单位矩阵。
再进一步地,第k次迭代歌阵元的权矢量w表示为:
其中,当k=0时,令ξi0=0,则R0=σI,w0表示为:
再进一步地,设置收敛条件为Δ<σ,其中Δ表达式如下:
Δ=|mean[Fsl(k)]-mean[Fsl(k-1)]|
其中,Fsl为方向图的旁瓣电压数值,mean表示均值。
本发明的有益效果如下:
本发明通过对三维超稀疏阵列的二维方向图进行划分为若干个待优化区域与1个主瓣区域分区处理,然后分别给待优化区域设置不同的参考电平,通过给不同区域注入干扰,使不同区域的方向图电平不断逼近所设电平直到收敛。该方法可以将方位与俯仰方向图分别优化至不同参考电平,从而更加贴近实际作战需求。同时,通过这种分区操作,该方法比传统LCMV方法迭代速度更快,收敛效果更好。因此本发明适用于无人机集群协同探测。
附图说明
图1是本实施例1所述的方法的步骤流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
假设32架无人机随机在240×240×240m3三维空间,飞行安全间距为10m以上,无人机集群高度为5000m,各架无人机载8×6阵元且阵元间距半波长的相控阵阵列天线,在接收端各无人机相控阵天线微波合成一个通道,因此整个阵列为32通道的超稀疏大孔径阵列,波长λ=0.6m,主波束指向下面结合图1和实例说明一下整个发明的详细步骤:
如图1所示,一种三维超稀疏阵列静态方向图综合方法,所述的方法包括步骤如下:
S1:首先采用三维超稀疏阵列机载雷达获取无人机阵元实时坐标,从而得到二维方向图,所述的三维超稀疏阵列机载雷达采用相控阵天线;
S2:分别设置方位向方向图、俯仰向方向图的零零主瓣宽度,将二维方向图划分为若干个待优化区域与1个主瓣区域;
S3:分别为若干个待优化区域设置参考电平与初始干扰值,计算各个待优化区域优化迭代前的数据协方差矩阵以及各阵元初始权值;
S4:根据LCMV方法的迭代公式更新不同区域的干扰值,根据干扰值迭代计算数据协方差矩阵,迭代各阵元的权矢量;
S5:将步骤S4所得的权矢量加权到三维超稀疏阵列的各阵元中,得到优化后二维方向图,若各个待优化区域方向图达到所设置的参考电平或收敛条件,则停止迭代;否则,回到步骤S4继续迭代;
S6:停止迭代后,得到最终的权矢量加权到目标阵列,即F=|woptA|,其中wopt为最优权矢量,A为阵列的信号流矩阵,可得到满足性能的二维发射方向图F。
在一个具体的实施例中,设置方位向方向图的零零主瓣宽度为20°,设置俯仰向方向图的零零主瓣宽度为8°,将待优化区域分为3个区域,分别如下:区域1为方位旁瓣-俯仰主瓣)、区域2为方位主瓣-俯仰旁瓣,区域3为方位旁瓣-俯仰旁瓣;主瓣区域为方位主瓣-俯仰主瓣。所述的方位向与俯仰向主瓣宽度为零零主瓣宽度,且与所设旁瓣电平相关。
本实施例设置区域1的参考电平为Pr1=-40dB;设置区域2参考电平为Pr2=-30dB;区域3的参考电平为Pr3=-50dB。待优化区域的初始干扰值设置为1。
在一个具体的实施例中,不同区域的干扰值ξi迭代公式如下:
本实施例利用LCMV迭代公式可以更新迭代干扰值:当所在角度方向图电平低于参考电平时,该角度干扰值应该减小;反之,该角度干扰值应该增大。
在一个具体的实施例中,构造各个区域的信号流形矩阵,结合不同区域的干扰值迭代计算数据协方差矩阵;
其中,构造各个区域的信号流形矩阵如下:
其中,第k次迭代数据协方差矩阵Rk的计算公式如下:
Rk=[A1 A2 A3]·diag[ξ1kξ2kξ3k]·[A1 A2 A3]H+σI
其中,σ表示一个常数,I表示(32×8×6)维的单位矩阵;diag()表示一种函数,其作用是矩阵对角元素的提取和创建对角阵。
在一个具体的实施例中,第k次迭代歌阵元的权矢量w表示为:
其中,当k=0时,令ξi0=0,则R0=σI表示初始化数据协方差矩阵,w0表示初始化权矢量为:
在一个具体的实施例中,根据方向图特性设置收敛条件,比如当旁瓣方向图的平均电平变化小于一个较小的常数时,停止迭代。因此本实施例停止迭代设置收敛条件为Δ<σ,其中Δ表达式如下:
Δ=|mean[Fsl(k)]-mean[Fsl(k-1)]|
其中,Fsl为方向图的旁瓣电压数值,mean表示均值。
本实施例将所得的权矢量作用到三维超稀疏阵列,可以将不同区域旁瓣电平压低到不同的值同时减小栅瓣效应,更加贴近实际作战需求。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种三维超稀疏阵列静态方向图综合方法,其特征在于:所述的方法包括步骤如下:
S1:首先获取无人机阵元实时坐标,从而得到二维方向图;
S2:分别设置方位向方向图、俯仰向方向图的零零主瓣宽度,将二维方向图划分为若干个待优化区域与1个主瓣区域;
S3:分别为若干个待优化区域设置参考电平与初始干扰值,计算各个待优化区域优化迭代前的数据协方差矩阵以及各阵元初始权值;
S4:根据LCMV方法的迭代公式更新不同区域的干扰值,根据干扰值迭代计算数据协方差矩阵,迭代各阵元的权矢量;
S5:将步骤S4所得的权矢量加权到三维超稀疏阵列的各阵元中,得到优化后二维方向图,若各个待优化区域方向图达到所设置的参考电平或收敛条件,则停止迭代;否则,回到步骤S4继续迭代;
S6:停止迭代后,得到最终的权矢量加权到目标阵列,即可得到满足性能的二维发射方向图。
3.根据权利要求1所述的三维超稀疏阵列静态方向图综合方法,其特征在于:设置方位向方向图的零零主瓣宽度为20°,设置俯仰向方向图的零零主瓣宽度为8°,将待优化区域分为3个区域,分别如下:区域1为方位旁瓣-俯仰主瓣)、区域2为方位主瓣-俯仰旁瓣,区域3为方位旁瓣-俯仰旁瓣;主瓣区域为方位主瓣-俯仰主瓣。
4.根据权利要求3所述的三维超稀疏阵列静态方向图综合方法,其特征在于:设置区域1、区域2、区域3的参考电平分别对应为Pr1=-40dB,Pr2=-30dB,Pr3=-50dB。
6.根据权利要求5所述的三维超稀疏阵列静态方向图综合方法,其特征在于:更新迭代干扰值:当所在角度方向图电平低于参考电平时,该角度干扰值减小;反之,该角度干扰值增大。
8.根据权利要求7所述的三维超稀疏阵列静态方向图综合方法,其特征在于:第k次迭代数据协方差矩阵Rk的计算公式如下:
Rk=[A1 A2 A3]·diag[ξ1k ξ2k ξ3k]·[A1 A2 A3]H+σI
其中,σ表示一个常数,I表示(32×8×6)维的单位矩阵。
10.根据权利要求9所述的三维超稀疏阵列静态方向图综合方法,其特征在于:设置收敛条件为Δ<σ,其中Δ表达式如下:
Δ=|mean[Fsl(k)]-mean[Fsl(k-1)]|
其中,Fsl为方向图的旁瓣电压数值,mean表示均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893578.4A CN113777572B (zh) | 2021-08-04 | 2021-08-04 | 一种三维超稀疏阵列静态方向图综合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893578.4A CN113777572B (zh) | 2021-08-04 | 2021-08-04 | 一种三维超稀疏阵列静态方向图综合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113777572A true CN113777572A (zh) | 2021-12-10 |
CN113777572B CN113777572B (zh) | 2023-08-08 |
Family
ID=78836939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110893578.4A Active CN113777572B (zh) | 2021-08-04 | 2021-08-04 | 一种三维超稀疏阵列静态方向图综合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113777572B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090281775A1 (en) * | 2008-05-07 | 2009-11-12 | Industry-University Cooperation Foundation Sogang University | Method for optimal design of non-uniform weighted periodic sparse arrays for ultrasound imaging system |
CN104615854A (zh) * | 2015-01-05 | 2015-05-13 | 电子科技大学 | 一种基于稀疏约束的波束展宽和旁瓣抑制方法 |
CN106772260A (zh) * | 2017-03-31 | 2017-05-31 | 西安电子科技大学 | 基于凸优化算法的雷达阵列和差波束方向图优化方法 |
CN108919199A (zh) * | 2018-07-12 | 2018-11-30 | 南京航空航天大学 | 多波束成像声纳稀疏阵列的旁瓣抑制方法、阵列稀疏方法 |
CN109061561A (zh) * | 2018-08-09 | 2018-12-21 | 西北工业大学 | 一种基于二分查找的自适应阵列方向图综合方法 |
CN110995300A (zh) * | 2019-12-04 | 2020-04-10 | 中国空间技术研究院 | 一种基于精确波束控制的空域抗干扰方法 |
CN112162266A (zh) * | 2020-09-28 | 2021-01-01 | 中国电子科技集团公司第五十四研究所 | 一种基于凸优化理论的共形阵二维波束优化方法 |
CN113051745A (zh) * | 2021-03-19 | 2021-06-29 | 西安电子科技大学 | 最小误差的单点阵列响应控制方向图综合方法 |
-
2021
- 2021-08-04 CN CN202110893578.4A patent/CN113777572B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090281775A1 (en) * | 2008-05-07 | 2009-11-12 | Industry-University Cooperation Foundation Sogang University | Method for optimal design of non-uniform weighted periodic sparse arrays for ultrasound imaging system |
CN104615854A (zh) * | 2015-01-05 | 2015-05-13 | 电子科技大学 | 一种基于稀疏约束的波束展宽和旁瓣抑制方法 |
CN106772260A (zh) * | 2017-03-31 | 2017-05-31 | 西安电子科技大学 | 基于凸优化算法的雷达阵列和差波束方向图优化方法 |
CN108919199A (zh) * | 2018-07-12 | 2018-11-30 | 南京航空航天大学 | 多波束成像声纳稀疏阵列的旁瓣抑制方法、阵列稀疏方法 |
CN109061561A (zh) * | 2018-08-09 | 2018-12-21 | 西北工业大学 | 一种基于二分查找的自适应阵列方向图综合方法 |
CN110995300A (zh) * | 2019-12-04 | 2020-04-10 | 中国空间技术研究院 | 一种基于精确波束控制的空域抗干扰方法 |
CN112162266A (zh) * | 2020-09-28 | 2021-01-01 | 中国电子科技集团公司第五十四研究所 | 一种基于凸优化理论的共形阵二维波束优化方法 |
CN113051745A (zh) * | 2021-03-19 | 2021-06-29 | 西安电子科技大学 | 最小误差的单点阵列响应控制方向图综合方法 |
Non-Patent Citations (2)
Title |
---|
HONGTU XIE等: "High-Efficiency and High-Precision Reconstruction Strategy for P-Band Ultra-Wideband Bistatic Synthetic Aperture Radar Raw Data Including Motion Errors", 《IEEE ACCESS》, vol. 8, no. 2, pages 31143 - 31158, XP011772640, DOI: 10.1109/ACCESS.2020.2971660 * |
段克清等: "共形阵机载火控雷达杂波建模与杂波抑制", 《系统工程与电子技术》, vol. 33, no. 8, pages 1738 - 1744 * |
Also Published As
Publication number | Publication date |
---|---|
CN113777572B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109669178B (zh) | 一种星载三阵元单脉冲两维测向方法 | |
CN107346986B (zh) | 一种基于稀疏频控传感器天线阵列的多波束形成方法 | |
CN104615854B (zh) | 一种基于稀疏约束的波束展宽和旁瓣抑制方法 | |
CN109635240A (zh) | 大规模数字阵列零陷展宽自适应波束形成方法 | |
CN112965041B (zh) | 球面相控阵天线波控自跟踪的差阵列划分方法 | |
CN105445718A (zh) | 一种基于阵列重构的分布式多载舰超视距雷达的doa估计方法 | |
CN114488027A (zh) | 一种共形阵天线的波束调零展宽方法 | |
CN111551908B (zh) | 降低相控阵系统阵元激活算法复杂度的方法 | |
CN111830495A (zh) | 一种基于凸优化学习的机载雷达自适应波束形成算法 | |
CN113777572B (zh) | 一种三维超稀疏阵列静态方向图综合方法 | |
CN113777571B (zh) | 一种基于深度学习的无人机集群动态方向图综合方法 | |
CN111487594A (zh) | 一种基于粒子群优化的圆阵列波束形成方法 | |
CN111398907B (zh) | 一种相控阵雷达空域二维数字差波束形成方法 | |
Xiong et al. | Nonstationary clutter suppression based on four dimensional clutter spectrum for airborne radar with conformal array | |
CN113126021B (zh) | 一种基于三平行线阵的单快拍二维doa估计方法 | |
CN112230214B (zh) | 一种基于分块平滑内插的mimo雷达虚拟稀疏面阵测角方法 | |
CN115470660B (zh) | 一种球柱面阵差波束零深优化方法及装置 | |
CN113391274B (zh) | 一种机载相控阵雷达低空目标最优搜索方法 | |
CN113740824B (zh) | 基于波束先验的三维组合波束降维空时自适应处理方法 | |
CN113447925B (zh) | 一种基于图像域偏移特征的地面运动目标参数估计方法 | |
Lei et al. | Research on conformal array antenna beam optimization method | |
Shi et al. | Joint Design of Transmit Beamforming and Stap Filter in the Modified Phased Array Based on Prior Information | |
CN117054976A (zh) | 一种机载多面阵雷达强旁瓣杂波剔除方法 | |
Jiang et al. | Study on clutter model and characteristics of airborne radar with parabolic conformal phased array | |
CN116315677A (zh) | 基于虚拟阵元的弧形频控阵的天线波束优化方法、装置及存储介质 |
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 |