CN115334524A - 一种基于全向智能超表面的通信和雷达目标检测方法 - Google Patents

Abstract

本发明公开了一种基于全向智能超表面的通信和雷达目标检测方法，包括：步骤1，构建以最大化最小波束模式增益为优化目标的优化问题模型；所述通信系统为基于全向智能超表面的通信感知一体化系统；步骤2，对步骤1中构建的优化问题模型，设置约束条件；约束条件包括：用户最小速率约束、基站最大发射功率约束、全向智能超表面的幅度和相位约束；步骤3，对设置约束条件后的优化问题模型进行求解，得到最大化最小波束模式增益的优化方案。本方法在保障通信用户服务质量的情况下，进一步提高检测雷达目标的能力。本发明能够充分挖掘和利用系统有限的通信资源，实现系统性能的提升。

Description

一种基于全向智能超表面的通信和雷达目标检测方法

技术领域

本发明涉及一种通信系统设计方法，特别是一种基于全向智能超表面的通信和雷达目标检测方法。

背景技术

随着信息技术的快速发展，移动通信、物联网、人工智能与大数据等技术深度融合，催生出了沉浸式业务、AI业务、数字孪生等一系新业务。这些新兴业务对6G网络提出了更高的要求，使得通信感知一体化成为6G技术与业务的主导趋势之一。IMT2030(6G)推进组已将通信感知一体化技术视作未来6G的潜在技术之一。通信感知一体化技术将赋予6G网络无时不刻、无处不在地感知物理世界的能力，开启超越传统移动通信网络联接的应用空间。

与此同时，全向智能超表面作为一种新的智能超表面技术，被认为是解决未来无线通信网络所面临困难的最具前景的技术之一。全向智能超表面由大量无源单元组成，每个单元可独立的将入射信号分为两部分，即反射信号和透射信号。因而，全向智能超表面能够实现通信区域的360°全向覆盖。另外，通过合理的调节全向智能超表面的反射和透射系数，通信系统中的直达路径信号、反射和透射路径信号能够在接收端叠加，进而增加用户端的接收信号功率。目前，基于全向智能超表面的通信系统研究已经成为学术界的研究热点。基于此，本发明提出了一种基于全向智能超表面的通信和雷达目标检测方法，并以最大化最小波束模式增益为目标进行系统优化。

发明内容

发明目的：本发明在通信感知一体化系统中引入全向智能超表面，提供一种基于全向智能超表面的通信和雷达目标检测方法。该方法充分挖掘和利用系统有限的通信资源，设计高效的通信传输方案。

为了实现上述目的，本发明公开了一种基于全向智能超表面的通信和雷达目标检测方法包括以下步骤：

步骤1，构建以最大化最小波束模式增益为优化目标的优化问题模型；所述通信感知一体化系统是基于全向智能超表面的通信感知一体化系统；

步骤2，对步骤1中构建的优化问题模型，设置约束条件；约束条件包括：用户最小速率约束、基站最大发射功率约束、全向智能超表面的幅度和相位约束；

步骤3，对设置约束条件后的优化问题模型进行求解，得到最大化最小波束模式增益的优化方案。

步骤1中所述的基于全向智能超表面的通信感知一体化系统应用于下行通信链路中，基站在全向智能超表面的辅助下与用户进行通信并完成雷达目标检测。

步骤1中所述的全向智能超表面每个单元均具有同时反射和透射信号的功能。经单元反射后的信号称为反射信号，穿过单元的信号称为透射信号。全向智能超表面所覆盖的通信区域被分为两部分，即：反射区(反射信号所覆盖的区域)和透射区(透射信号所覆盖的区域)。

本发明步骤1中所述的优化问题模型如下：

其中，

表示发射波束赋形向量，

为了雷达信号的协方差矩阵，

和

分别为反射和透射波束赋形向量，

和

分别为全向智能超表面第m个单元的反射幅度和反射相位，

和

分别为全向智能超表面第m个单元的透射幅度和透射相位，

为波束模式增益，

为第q个待检测角度在全向智能超表面的导向矢量，θ_q为相对于全向智能超表面的第q个待检测角度，

为透射波束赋形矩阵，

表示全向智能超表面与基站之间的信道，M为全向智能超表面单元总个数，N为基站配备的天线个数，Q为待检测角度总个数，Δ为载波波长与天线间距的比值，m∈{1,2,…,M}，q∈{1,2,…,Q}，

表示N维的复数列向量，

表示M×N维的复数矩阵。diag{·}表示将向量转换为对角矩阵，(·)^T和(·)^H分别表示向量的转置和共轭转置，e^j·表示复数的指数形式，sin(·)表示正弦函数。

本发明步骤2中所述的约束条件包括：

约束条件1：R≥R_min

约束条件2：||w||²+Tr(R₀)≤P_max

约束条件3：

约束条件4：

约束条件5：R₀≥0

其中，

为用户的数据传输速率，

表示用户与全向智能超表面之间的信道，

为反射波束赋形矩阵，R_min为用户的最小速率，σ²为加性高斯白噪声的方差，π为圆周率，||·||²表示向量l₂范数的平方，Tr(·)表示矩阵的迹，|·|²表示复数模的平方，P_max表示基站的最大发射功率，R₀≥0表示R₀为半正定矩阵。

约束条件1为用户最小速率约束，约束条件2为基站最大发射功率约束，约束条件3和约束条件4分别为全向智能超表面的幅度和相位约束；

本发明步骤3中所述的对设置约束条件后的优化问题模型进行求解，方法包括：

步骤3-1：初始化

和

令迭代次数τ₀＝0；

步骤3-2：对于给定的

和

利用发射波束赋形矩阵和协方差矩阵的闭式解更新

和

步骤3-3：对于给定的

和

利用反射和透射波束赋形向量联合优化算法更新

和

步骤3-4：令τ₀＝τ₀+1；

步骤3-5：重复步骤3-2至步骤3-4，直到

收，获得最优发射波束赋形矩阵W、雷达协方差矩阵R₀、反射波束赋形矩阵V_r和透射波束赋形矩阵V_t；

步骤3-6：利用Cholesky分解，分别从矩阵W、V_r和V_t中恢复得到最优发射波束赋形向量w、反射波束赋形向量v_r和透射波束赋形向量v_t，即：W＝ww^H、

和

步骤3-7：输出最大化最小波束模式增益的优化方案，即输出最优发射波束赋形向量w、雷达协方差矩阵R₀、反射波束赋形矩阵v_r和透射波束赋形矩阵v_t；

其中，

和

分别为反射波束赋形矩阵和透射波束赋形矩阵，

为发射波束赋形矩阵，χ为引入的变量，用于将步骤1中的最大最小优化问题转化为最大化优化问题；

分别为第τ₀次迭代过程中W、R₀、V_r、V_t、χ对应的值。

本发明步骤3-2中所述的发射波束赋形矩阵和协方差矩阵的闭式解为：

其中，w＝(h^H Wh)^-1/2 Wh，h^H＝g^HΘ_rF。

和

为如下凸优化问题的最优解：

约束条件：

约束条件：

约束条件：Tr(W)+Tr(R₀)≤P_max

约束条件：R₀≥0，W≥0

其中，

W≥0表示W为半正定矩阵。

步骤3-3中所述的反射和透射波束赋形向量联合优化算法，具体步骤如下：

步骤3-3-1：初始化

和

和惩罚系数η，所述惩罚系数η用于惩罚Ψ(V_r,V_t)＞0，η＞＞1；

步骤3-3-2：令迭代次数τ₁＝0；

步骤3-3-4：对于给定的W和R₀，求解反射和透射波束赋形向量联合优化问题更新

和

步骤3-3-5：令τ₁＝τ₁+1；

步骤3-3-6：重复步骤3-3-4至步骤3-3-5，直到

收敛；

其中，

和

分别为第τ₁次迭代过程中V_r和V_t对应的值，Ψ(V_r,V_t)＝||V_r||_*-||V_r||₂+||V_t||_*-||V_t||₂为惩罚项，

||·||_*表示矩阵的核范数，||·||₂表示矩阵的谱范数。

本发明步骤3-3-4中所述的反射和透射波束赋形向量联合优化问题为：

约束条件：

约束条件：

约束条件：[V_r]_m,m+[V_t]_m,m＝1,m∈{1,2,…,M}

约束条件：V_r≥0，V_t≥0

其中，

Υ_q＝diag(α^H(θ_q))F(W+R₀)F^Hdiag(α(θ_q))，

Γ＝diag(g^H)FWF^Hdiag(g)，

为Ψ(V_r,V_t)的近似值，V_r≥0和V_t≥0分别表示V_r和V_t为半正定矩阵；

和

分别为||V_r||₂和||V_t||₂在第τ₁次迭代过程中的一阶泰勒近似，定义如下：

其中，

和

分别为第τ₁次迭代过程中

和

的最大特征值对应的特征向量。

本发明中，增加全向智能超表面单元总个数M，雷达目标检测性能提升。

有益效果：

本发明利用全向智能超表面提供360°全向通信覆盖，使得基站在全向智能超表的辅助下，能够同时实现通信和雷达目标检测的功能。通过对基站端的发射波束赋形向量、雷达信号的协方差矩阵、全向智能超表面的反射和透射波束赋形向量进行联合优化，在保障用户服务质量的情况下，提高通信感知一体化系统检测雷达目标的能力。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是本发明实施例提供的一种基于全向智能超表面的通信和雷达目标检测方法的应用场景示意图。

图2是本发明实施例提供的一种基于全向智能超表面的通信和雷达目标检测方法的仿真示意图。

图3是本发明实施例中的全向智能超表面单元总个数取不同值时，波束模式增益随检测角度的变化示意图。

图4是本发明实施例提供的一种基于全向智能超表面的通信和雷达目标检测方法和现有技术的波束模式增益随检测角度的变化示意图。

具体实施方式

下面结合附图及实施例对本发明进行详细说明。

本发明提供一种基于全向智能超表面的通信和雷达目标检测方法，应用于基于全向智能超表面的通信感知一体化系统，如图1所示，该系统包括一个基站、一个全向智能超表面、1个用户和L(L≥1)个雷达目标。其中，用户和雷达目标分别位于全向智能超表面的两侧。假设基站配有N(N>1)根天线、用户配有1根天线，全向智能超表面由M(M>1)个单元组成。由于障碍物遮挡等原因，基站和用户之间无直连链路，并且雷达目标在基站的非视距链路上，基站在全向智能超表面的辅助下与用户进行下行链路通信，并在全向智能超表面的辅助下完成目标检测功能。进一步，假设基站能够准确获得基站与用户、基站与全向智能超表面、用户与全向智能超表面之间的所有信道状态信息，并且雷达目标相对于全向智能超表面的角度是已知的。

全向智能超表面每个单元均具有同时反射和透射信号的能力。经单元反射后的信号称为反射信号，穿过单元的信号称为透射信号。全向智能超表面所覆盖的通信区域被分为两部分，即：反射区(反射信号所覆盖的区域)和透射区(透射信号所覆盖的区域)。如图1所示，其中用户分布在反射区，雷达目标分布在透射区。令

和

分别为全向智能超表面第m个单元的反射幅度和透射幅度，

和

分别为全向智能超表面第m个单元的反射相位和透射相位，其中幅度和相位满足如下约束：

π为圆周率。根据能量守恒定律，反射信号和透射信号的能量总和等于入射信号的能量，因此反射幅度和透射幅度还应满足如下约束：

令

表示反射波束赋形向量，

表示透射波束赋形向量，其中[·]^H表示向量的共轭转置，e^j·表示复数的指数形式。

为了同时实现通信和目标检测的功能，假设基站同时发射通信信号s和雷达信号

其中雷达信号s₀的均值为0，协方差矩阵为：

其中

表示期望，

表示N维的复数列向量，

表示N×N维的复数矩阵。进一步假设雷达信号与通信信号相互独立。令w表示发射波束赋形向量，那么基站端的发射信号为：x＝ws+s₀。基站的发射功率为：

其中||·||²表示向量l₂范数的平方，Tr(·)表示矩阵的迹。假设基站的最大发射功率为P_max，可得如下总发射功率约束：||w||²+Tr(R₀)≤P_max。

令

表示全向智能超表面与基站之间的信道，

表示用户与全向智能超表面之间的信道。用户接收到的信号为：

y＝g^HΘ_rFws+g^HΘ_rFs₀+z 式(1)

其中，

为反射波束赋形矩阵，z为加性高斯白噪声，其均值为0，方差为σ²，diag{·}表示将向量转换为对角矩阵。

由于雷达信号s₀是预先定义的，对于基站和用户来说是已知的。因此，假设用户能够在接收信号中取消雷达信号的干扰。那么，用户的速率R为：

其中，|·|²表示复数模的平方。

下面讨论雷达目标检测问题，因为雷达目标在基站的非视距区域，因此这里采用全向智能超表面的虚拟视距链路进行目标检测。令

为全向智能超表面的导向矢量，其中θ为相对于全向智能超表面的待检测角度，Δ为载波波长与天线间距的比值。那么，波束模式增益定义为：

其中，

为透射波束赋形矩阵，sin(·)表示正弦函数。

假设有Q(Q≥L)个待检测角度，θ_q为相对于全向智能超表面的第q个待检测角度。在考虑用户最小速率约束、全向智能超表面的幅度和相位约束以及总发射功率约束的情况下，最大化最小波束模式增益的优化问题模型如下：

约束条件：R≥R_min 式(4.b)

约束条件：||w||²+Tr(R₀)≤P_max 式(4.c)

约束条件：

约束条件：

约束条件：R₀≥0 式(4.f)

其中，R_min为用户的最小速率，P_max为基站的最大发射功率，R₀≥0表示R₀半正定矩阵，m∈{1,2,…,M}。约束条件(4.b)为用户最小速率约束，约束条件(4.c)为基站最大发射功率约束，约束条件(4.d)和(4.e)分别为全向智能超表面的幅度和相位约束；

引入变量χ＞0，用于将最大最小优化问题(4)转化为最大化优化问题。那么，优化问题(4)等效为如下优化问题：

约束条件：

约束条件：(4.b)、(4.c)、(4.d)、(4.e)、(4.f) 式(5.c)

根据交替优化算法，优化问题(5)的解可通过交替求解如下两个子优化问题得到：

约束条件：式(4.b)、式(4.c)、式(4.f)、式(5.b) 式(6.b)

约束条件：式(4.b)、式(4.d)、式(4.e)、式(5.b) 式(7.b)

其中，子优化问题(6)为发射波束赋形向量和雷达协方差矩阵联合优化问题，子优化问题(7)为反射和透射波束赋形向量联合优化问题。

下面给出求解子优化问题(6)和子优化问题(7)的算法。

一、求解子优化问题(6)

令

为发射波束赋形矩阵，并且满足rank(W)＝1，其中rank(·)表示矩阵的秩。式(5.b)中的波束模式增益可以改写为：

求解子优化问题(6)可等效于求解如下半正定优化问题：

约束条件：

约束条件：

约束条件：Tr(W)+Tr(R₀)≤P_max 式(8.d)

约束条件：R₀≥0，W≥0 式(8.e)

约束条件：rank(W)＝1 式(8.f)

其中，

W≥0表示W半正定矩阵。

因为约束条件(8.f)为非凸的，所以优化问题(8)是非凸的。为了解决该问题，可先将约束条件(8.f)去掉，进而得到如下松弛半正定优化问题：

约束条件：式(8.b)、式(8.c)、式(8.d)、式(8.e) 式(9.b)

显然，优化问题(9)是凸优化问题。令

和

为优化问题(9)的最优解，通常W的秩不为1。下面利用优化问题(9)的最优解来构造优化问题(8)的最优解。

定理1：令W和R₀为优化问题(8)的最优解，那么发射波束赋形矩阵W和协方差矩阵R₀可通过如下闭式解得到：

其中，w＝(h^H Wh)^-1/2 Wh。

证明：由式(10)可得：W+R₀＝W+R₀ ，进而可得下式成立：

式(11)说明W和R₀满足约束条件(8.b)。另外，W和R₀也满足约束条件(8.d)。

进一步，根据式(10)可得：

将该式带入约束条件(8.c)，可得：

这说明W和R₀也满足约束条件(8.c)。

对于任意的列向量

下式恒成立：

根据Cauchy-Schwarz(柯西—施瓦茨)不等式，可知：(a^H Wa)(h^H Wh)≥|a^H Wh|²。结合式(12)可得如下不等式：a^H(W-W)a≥0，因此W-W≥0。又因为W≥0和R₀ ≥0，所以R₀≥0。进而可知W和R₀也满足约束条件(8.e)。

综上所述，W和R₀是优化问题(8)的最优解。

二、求解子优化问题(7)

令

和

分别为透射波束赋形矩和为反射波束赋形矩阵，并且满足rank(V_r)＝1和rank(V_t)＝1。那么，式(5.b)中的波束模式增益改写为：

其中，Υ_q＝diag(α^H(θ_q))F(W+R₀)F^Hdiag(α(θ_q))。

子优化问题(7)等效于如下优化问题：

约束条件：

约束条件：

约束条件：[V_r]_m,m+[V_t]_m,m＝1,m∈{1,2,…,M} 式(14.d)

约束条件：V_r≥0，V_t≥0 式(14.e)

约束条件：rank(V_r)＝1，rank(V_t)＝1 式(14.f)

其中Γ＝diag(g^H)FWF^Hdiag(g)，V_r≥0和V_t≥0分别表示V_r和V_t为半正定矩阵。

由于约束条件(14.f)是非凸的，优化问题(14)是非凸优化问题。为了处理非凸的秩1约束问题，可在目标函数中引入惩罚项。该惩罚项定义为：

Ψ(V_r,V_t)＝||V_r||_*-||V_r||₂+||V_t||_*-||V_t||₂ 式(15.f)

其中，||·||_*表示矩阵的核范数，||·||₂表示矩阵的谱范数。

那么，求解优化问题(14)等效于求解如下优化问题：

约束条件：式(14.b)、式(14.c)、式(14.d)、式(14.e) 式(16.b)

其中，η＞＞1为惩罚系数，用于惩罚Ψ(V_r,V_t)＞0。由于惩罚项中的||V_r||₂和||V_t||₂是非凸的，因此优化问题(16)仍然是非凸的，可采用一阶泰勒近似来解决该问题。在第τ₁次迭代过程中，定义如下替代函数：

其中，

和

分别为第τ₁次迭代过程中V_r和V_t的值，

和

分别为第τ₁次迭代过程中

和

的最大特征值对应的特征向量。

那么，在第τ₁次迭代中，惩罚项近似为：

根据上述分析，求解优化问题(16)转化为迭代求解如下凸优化问题：

约束条件：式(14.b)、式(14.c)、式(14.d)、式(14.e) 式(20.b)

综上所述，本发明提出的反射和透射波束赋形向量联合优化算法的具体步骤如下：

步骤1：初始化

和

惩罚系数η；

步骤2：令迭代次数τ₁＝0；

步骤4：对于给定的W和R₀，求解优化问题(20)更新

和

步骤5：令τ₁＝τ₁+1；

步骤6：重复步骤4～步骤5，直到

收敛；

三、交替优化算法求解原优化问题(4)

原优化问题(4)的解，可通过交替的求解子优化问题(7)和子优化问题(8)得到。根据上述分析，本发明提出的求解原优化问题(4)的交替优化算法的具体步骤如下：

步骤1：初始化

和

令迭代次数τ₀＝0；

步骤2：对于给定的

和

利用闭式解式(10)更新

和

步骤3：对于给定的

和

利用反射和透射波束赋形向量联合优化算法更新

和

步骤4：令τ₀＝τ₀+1；

步骤5：重复步骤2至步骤4，直到

收敛，获得最优发射波束赋形矩阵W、雷达协方差矩阵R₀、反射波束赋形矩阵V_r和透射波束赋形矩阵V_t；

步骤6：利用Cholesky分解，分别从矩阵W、V_r和V_t中恢复得到最优发射波束赋形向量w、反射波束赋形向量v_r和透射波束赋形向量v_t，即：W＝ww^H、

和

步骤7：输出最大化最小波束模式增益的优化方案，即输出最优发射波束赋形向量w、雷达协方差矩阵R0、反射波束赋形矩阵v_r和透射波束赋形矩阵v_t；

仿真示例

下面对本发明进行仿真，并分析其性能。基站、全向智能超表面、用户和雷达目标的坐标位置如图2所示，其中雷达目标总个数L＝2，角度分别为：θ₁＝-40°和θ₂＝40°。令Π表示波束模式宽度，并设为Π＝10°。那么，两个雷达目标的待检测角度范围分别为：

和

令

表示理想波束模式增益，

可定义为：

进一步，将角度范围[-90°,90°]离散化，即平均分为100份。待检测角度个数Q为待检测角度范围

和

离散化后所包含的角度总个数。另外，假设基站的天线数N＝10，基站的最大发射功率P_max＝30dBm，用户的最小速率Rmin＝0.5bits/s/Hz，噪声功率σ²＝-90dBm。所涉及的信道均采用莱斯信道进行建模，并假设信道衰落指数为2.2，单位距离的信道衰落为30dBm。通过本实施例对设置约束条件后的优化问题模型进行求解，得到最大化最小波束模式增益的优化方案，获得最优发射波束赋形向量w、雷达协方差矩阵R₀、反射波束赋形向量v_r和透射波束赋形向量v_t，即当基站发射的发射信号的发射波束赋形向量为w，雷达信号的均值为0，雷达协方差矩阵为R₀，全向智能超表面的反射波束赋形向量为v_r和透射波束赋形向量为v_t时，本实施例提供的方法能够在保证基站与用户通信QoS(Quality of Service，服务质量)的前提下实现雷达目标检测。

如图3所示，本实施例提供的方法在待检测角度范围

和

范围内，波束模式增益大于其他角度的波束模式增益，说明本实施例能够检测到雷达目标；且在θ₁＝-40°和θ₂＝40°时，最小波束模式增益最大，说明雷达目标在这两个角度，与实际相符。图3中，本实施例比较了全向智能超表面单元总个数M取不同值时，波束模式增益随检测角度的变化。从图中可以看出M取值较大时，波束模式增益较大。这表明，能够通过增加全向智能超表面的单元个数提高雷达检测目的性能。

如图4所示，本发明比较了不同算法的波束模式增益随检测角度的变化。其中，comm-only方法为对比方法，表示仅用通信信号来检测雷达目标，即基站端仅有发射波束赋形向量w，无雷达协方差矩阵R₀。comm-only方法中发射波束赋形向量、反射和透射波束赋形向量的求解方法仍然采用本发明提出的发射波束赋形向量求解方法。从图中可以看出，本发明提供的方法优于comm-only算法，在目标角度方向有比较明显的增益提升，而在非目标角度方向，增益泄露较少。

具体实现中，本申请提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的一种基于全向智能超表面的通信和雷达目标检测方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，ROM)或随机存储记忆体(random access memory，RAM)等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机，服务器，单片机，MUU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本发明提供了一种基于全向智能超表面的通信和雷达目标检测方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (10)

1.一种基于全向智能超表面的通信和雷达目标检测方法，其特征在于，应用于通信感知一体化系统，包括以下步骤：

步骤1，构建以最大化最小波束模式增益为优化目标的优化问题模型；所述通信感知一体化系统是基于全向智能超表面的通信感知一体化系统；

步骤2，对步骤1中构建的优化问题模型，设置约束条件；约束条件包括：用户最小速率约束、基站最大发射功率约束、全向智能超表面的幅度和相位约束；

步骤3，对设置约束条件后的优化问题模型进行求解，得到最大化最小波束模式增益的优化方案，从而实现通信和雷达目标检测。

2.根据权利要求1所述的一种基于全向智能超表面的通信和雷达目标检测方法，其特征在于，步骤1中所述的基于全向智能超表面的通信感知一体化系统应用于下行通信链路中，基站在全向智能超表面的辅助下与用户进行通信并完成雷达目标检测。

3.根据权利要求2所述的一种基于全向智能超表面的通信和雷达目标检测方法，其特征在于，步骤1中所述的全向智能超表面每个单元均具有同时反射和透射信号的功能，经单元反射后的信号称为反射信号，穿过单元的信号称为透射信号；全向智能超表面所覆盖的通信区域被分为两部分，即：反射区和透射区。

4.根据权利要求3所述的一种基于全向智能超表面的通信和雷达目标检测方法，其特征在于，步骤1中所述的优化问题模型如下：

其中，

表示发射波束赋形向量，

为雷达信号的协方差矩阵，

和

分别为反射和透射波束赋形向量，

和

分别为全向智能超表面第m个单元的反射幅度和反射相位，

和

分别为全向智能超表面第m个单元的透射幅度和透射相位，

为波束模式增益，

为第q个待检测角度在全向智能超表面的导向矢量，θ_q为相对于全向智能超表面的第q个待检测角度，

为透射波束赋形矩阵，

表示全向智能超表面与基站之间的信道，M为全向智能超表面单元总个数，N为基站配备的天线个数，Q为待检测角度总个数，Δ为载波波长与天线间距的比值，m∈{1,2,…,M}，q∈{1,2,…,Q}，

表示N维的复数列向量，

表示M×N维的复数矩阵；diag{·}表示将向量转换为对角矩阵，(·)^T和(·)^H分别表示向量的转置和共轭转置，e^j·表示复数的指数形式，sin(·)表示正弦函数。

5.根据权利要求4所述的一种基于全向智能超表面的通信和雷达目标检测方法，其特征在于，步骤2中所述的约束条件包括：

约束条件1：R≥R_min

约束条件2：||w||²+Tr(R₀)≤P_max

约束条件3：

约束条件4：

约束条件5：R₀≥0

其中，

为用户的数据传输速率，

表示用户与全向智能超表面之间的信道，

为反射波束赋形矩阵，R_min为用户的最小速率，σ²为加性高斯白噪声的方差，π为圆周率，||·||²表示向量l₂范数的平方，Tr(·)表示矩阵的迹，|·|²表示复数模的平方，P_max表示基站的最大发射功率，R₀≥0表示R₀半正定矩阵；

约束条件1为用户最小速率约束，约束条件2为基站最大发射功率约束，约束条件3和约束条件4分别为全向智能超表面的幅度和相位约束。

6.根据权利要求5所述的一种基于全向智能超表面的通信和雷达目标检测方法，其特征在于，步骤3中所述的对设置约束条件后的优化问题模型进行求解，包括：

步骤3-1：初始化

和

令迭代次数τ₀＝0；

步骤3-2：对于给定的

和

利用发射波束赋形矩阵和协方差矩阵的闭式解更新

和

步骤3-3：对于给定的

和

利用反射和透射波束赋形向量联合优化算法更新

和

步骤3-4：令τ₀＝τ₀+1；

步骤3-5：重复步骤3-2至步骤3-4，直到

收，获得最优发射波束赋形矩阵W、雷达协方差矩阵R₀、反射波束赋形矩阵V_r和透射波束赋形矩阵V_t；

步骤3-6：利用Cholesky分解，分别从矩阵W、V_r和V_t中恢复得到最优发射波束赋形向量w、反射波束赋形向量v_r和透射波束赋形向量v_t，即：W＝ww^H、

和

步骤3-7：输出最大化最小波束模式增益的优化方案，即输出最优发射波束赋形向量w、雷达协方差矩阵R₀、反射波束赋形矩阵v_r和透射波束赋形矩阵v_t；

其中，

和

分别为反射波束赋形矩阵和透射波束赋形矩阵，

为发射波束赋形矩阵，χ为引入的变量，用于将步骤1中的最大最小优化问题转化为最大化优化问题；

分别为第τ₀次迭代过程中W、R₀、V_r、V_t、χ对应的值。

7.根据权利要求6所述的一种基于全向智能超表面的通信和雷达目标检测方法，其特征在于，步骤3-2中所述的发射波束赋形矩阵和协方差矩阵的闭式解为：

其中，w＝(h^H Wh)^-1/2 Wh，h^H＝g^HΘ_rF；

和

为如下凸优化问题的最优解：

约束条件：

约束条件：

约束条件：Tr(W)+Tr(R₀)≤P_max

约束条件：R₀≥0，W≥0

其中，

W≥0表示W为半正定矩阵。

8.根据权利要求7所述的一种基于全向智能超表面的通信和雷达目标检测方法，其特征在于，步骤3-3中所述的反射和透射波束赋形向量联合优化算法，步骤如下：

步骤3-3-1：初始化

和

和惩罚系数η，所述惩罚系数η用于惩罚Ψ(V_r,V_t)＞0，η＞＞1；

步骤3-3-2：令迭代次数τ₁＝0；

步骤3-3-4：对于给定的W和R₀，求解反射和透射波束赋形向量联合优化问题更新

和

步骤3-3-5：令τ₁＝τ₁+1；

步骤3-3-6：重复步骤3-3-4至步骤3-3-5，直到

收敛；

其中，

和

分别为第τ₁次迭代过程中V_r和V_t对应的值，Ψ(V_r,V_t)＝||V_r||_*-||V_r||₂+||V_t||_*-||V_t||₂为惩罚项，

||·||_*表示矩阵的核范数，||·||₂表示矩阵的谱范数。

9.根据权利要求8所述的一种基于全向智能超表面的通信和雷达目标检测方法，其特征在于，步骤3-3-4中所述的反射和透射波束赋形向量联合优化问题为：

约束条件：

约束条件：

约束条件：[V_r]_m,m+[V_t]_m,m＝1,m∈{1,2,…,M}

约束条件：V_r≥0，V_t≥0

其中，

Υ_q＝diag(α^H(θ_q))F(W+R₀)F^Hdiag(α(θ_q))，

Γ＝diag(g^H)FWF^Hdiag(g)，

为Ψ(V_r,V_t)的近似值，V_r≥0和V_t≥0分别表示V_r和V_t为半正定矩阵；

和

分别为||V_r||₂和||V_t||₂在第τ₁次迭代过程中的一阶泰勒近似，定义如下：

其中，

和

分别为第τ₁次迭代过程中

和

的最大特征值对应的特征向量。

10.根据权利要求9所述的一种基于全向智能超表面的通信和雷达目标检测方法，其特征在于，增加全向智能超表面单元总个数M，雷达目标检测性能提升。

Images