CN115932743A - 一种基于波形自适应选择的认知雷达方法与装置 - Google Patents
一种基于波形自适应选择的认知雷达方法与装置 Download PDFInfo
- Publication number
- CN115932743A CN115932743A CN202110951104.0A CN202110951104A CN115932743A CN 115932743 A CN115932743 A CN 115932743A CN 202110951104 A CN202110951104 A CN 202110951104A CN 115932743 A CN115932743 A CN 115932743A
- Authority
- CN
- China
- Prior art keywords
- radar
- array
- cognitive
- target
- module
- 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.)
- Pending
Links
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 title claims description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006386 memory function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000008447 perception Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于波形自适应选择的认知雷达方法与装置。该方法基于环境感知机制,能自适应选择发射机和接收机阵列中的阵元属性:通过有核递归最小二乘观测器的在线扩展卡尔曼滤波器预测目标未来方位;发射机利用接收机的反馈,确保下一时刻在目标所处方位的最大功率;雷达通过智能选择发送和接收阵列阵元实现波形的自适应选择。与传统雷达相比,该认知雷达降低了计算复杂度,提高了检测概率和信号干扰噪声比。本发明实现了认知雷达波形自适应选择的技术实施和应用,结合遗传算法模型与扩展卡尔曼滤波器,实现了其对监测目标当前位置和未来方位的更高预测精度,并使其对目标的检测具有更好的信噪比与更高的检测概率。
Description
技术领域
本发明属于信息通讯领域,具体涉及一种基于波形自适应选择的认知雷达方法与装置。
背景技术
传统雷达通常采用固定的发射信号,通过接收端的各种信号处理算法的来提高性能。天线阵列雷达基于发射/接收天线阵列上的相干处理信号的思想,通过相干增益来提高性能。不同于传统雷达和天线阵列雷达的单一设计,认知雷达能够充分地利用历史环境地先验知识,并通过与环境的持续互动来学习,一经提出就受到广泛关注,并被认为是下一代雷达的发展方向。因此,认知雷达与天线阵列的混合模型成为了更为强大的雷达系统。认知技术能被应用于阵列天线以改善相位调制、减少相位失调,提高系统性能,该技术即将广泛应用于下一代通信系统。
然而,目前已知的认知雷达与阵列天线雷达的混合模型中,阵列天线雷达接收器并没有完全适应环境的变化,并且预测算法也需要进行认知设计,使其充分利用天线阵列雷达。
因此,本发明提出一种新型认知天线阵列雷达,利用遗传算法(GA)估计目标位置和可能出现干扰的方位,以提高发射器的输出信噪比和检测概率;利用一种具有核递归最小二乘观测器的在线扩展卡尔曼滤波算法来预测目标的未来方位,提高了位置预测块的性能。
不同于传统的天线阵列雷达,本装置中认知雷达的发射器和接收器会自适应地改变阵元的数量及布局位置,以实现波形的自适应选择,从而使雷达获得更高的信噪比,并分别采用遗传算法(GA)和具有核递归最小二乘观测器算法提高了雷达的目标DOA估计性能以及方位、范围的预测性能。
发明内容
针对上述技术问题,本发明提供一种基于波形自适应选择的认知雷达方法与装置,解决传统雷达缺乏自适应能力和检测精度有限等缺点,为不同场景下的动态目标检测提供有效检测数据,并分别采用遗传算法GA和具有核递归最小二乘观测器提高了雷达的目标DOA估计性能以及目标下一时刻方位、范围的预测性能。
本发明的目的可以通过采取如图1至图3所示的技术方案达到;包括:认知雷达波达获取数据维度估计模块(包括方位DOA估计模块、认知雷达距离范围估计模块、频率、速度、尺寸估计模块等),认知雷达接收器选择模块,认知雷达预测器模块,认知阵雷达发射器选择模块。
所述认知阵雷达DOA模块基于遗传算法,用于估计当前时刻目标的方位;所述认知阵雷达距离范围估计模块用于估计当前时刻目标的距离范围;所述认知阵雷达接收器选择模块决定接收天线阵列的阵列阵元的数量和权重,所述认知天线阵列雷达预测器模块预测目标的下一时刻位置和方位,此目标位置作为反馈信息发送到发射器;所述认知雷达发射选择器模块为天线阵列选择适当数量的阵元及其权重,该决策基于其作为反馈接收到的目标预测位置和方位。
进一步地,所述的认知雷达DOA估计模块,其特征在于,该雷达接收器将回波数据作为DOA估计块的输入,通过遗传算法GA找到一组复数权重,以利用基础波束模式合成高增益波束模式,该复数权重将存储于内存中。
进一步地,所述的遗传算法GA,其特征在于,该适应度函数定义为撞击接收机无源天线阵列的信号DOA的期望值和估计值之间的均方误差,假设L远场源分别从不同的仰角撞击接收器的均匀线性阵列,阵列的阵元数量为M,
该适应度函数定义了期望输出和估计输出之间的均方误差E m ,并给出为:
进一步地,所述的认知雷达距离范围估计模块,其特征在于,该雷达距离范围估计模块通过测量发送和接收信号峰值之间的时间延迟来计算远场目标的距离范围。
进一步地,所述的认知雷达接受器选择模块,其特征在于,该雷达接收器选择模块用于确定接收天线阵列的阵元数量,而最小方差失真无响应(MVDR)自适应波束形成器计算所选阵列阵元的权重向量,用于在估计目标的干涉方位上放置零,以改进其信噪比;
进一步地,所述的认知雷达预测器模块,其特征在于,DOA估计器和范围估计器将当前时刻目标的估计方位和距离范围发送到该认知雷达预测器模块,该模块通过基于具有核递归最小二乘观测器的在线扩展卡尔曼滤波器来预测目标的下一时刻位置和方位,并将此信息作为反馈信息发送到发射器。
进一步地,所述的基于具有核递归最小二乘观测器的在线扩展卡尔曼滤波器,其特征在于,该滤波器的测量矩阵不是预先设定的,而是通过对真实数据的在线学习得到的。其中,测量模型是使用核递归最小二乘法在再现内核希尔伯特空间中构建的。
进一步地,所述的认知阵雷达发射器选择模块,其特征在于,该模块在存储数据库中为发射天线阵列确定阵元的适当数量N、布局位置和阵列权重,或者由权重选择算法使得天线阵列生成基于目标方向的最大功率波形,从而实现波形的自适应选择。
进一步地,所述的用存储数据库选择元件数量N及布局位置,其特征在于,通过离线训练前馈神经网络更新数据库内距离范围值与元件数量对应关系表,并实现存储器的记忆功能,然后将距离范围的估计值作为输入,通过数据库匹配到特定的发射天线属性。
一种装置,其特征在于,所述设备至少包括一个处理器,以及与所述处理器连接的至少一个存储器、总线、雷达装置,其中,所述处理器、所述存储器、所述雷达装置通过所述总线完成相互间的通信,所述处理器用于调用所述存储器中的程序指令对所述雷达装置的信号进行处理分析,以执行权利要求1至12中任意一项所述的认知雷达位置估计和跟踪方法。
与现有技术相比,本发明所提供的基于波形自适应选择的认知雷达方法与装置具有以下优点效果:
1)本发明所提供的基于波形自适应选择的认知雷达方法与装置能够通过遗传算法获得最优权重以提高达波方位的检测精度;
2)本发明所提供的基于波形自适应选择的认知雷达方法与装置能够通过核递归最小二乘观测器的在线扩展卡尔曼滤波器来提高目标下一时刻位置和方位的预测精度;
3)本发明所提供的基于波形自适应选择的认知雷达方法与装置能够通过权重选择算法实现波形的自适应选择,以生成基于目标方位的最大功率波形;
4)本发明所提供的基于波形自适应选择的认知雷达方法与装置在每次扫描中的计算复杂度均有所降低,检测概率和信号干扰噪声比都有所提高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明方法与装置的模块结构图;
图2为本发明接收器天线阵列阵元数量与权重选择框架;
图3为本发明发射器天线阵列阵元数量与权重选择框架。
具体实施方式
为了使本发明实施例的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明实施例进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1-3,本发明提供一种基于波形自适应选择的认知雷达方法与装置,其包括如下模块:认知雷达波达获取数据维度估计模块(包括方位DOA估计模块、认知雷达距离范围估计模块、频率、速度、尺寸估计模块等),认知雷达接收器选择模块,认知雷达预测器模块,认知阵雷达发射器选择模块;
所述认知雷达波达方位DOA估计模块接收雷达环境的发射回波,对波达方位进行估计,然后将估计信息传入接收器选择模块。
具体的,所述的雷达波达方位DOA估计模块,其特征在于,认知雷达向探测区域发射某一组参数的波形,认知雷达接收端采集反射回的雷达回波送入波达方位DOA估计模块,所述模块采用遗传算法GA获得一组复数权重,从而得到最优估计结果。
具体的,所述的遗传算法GA,其特征在于,该适应度函数定义为撞击接收机无源天线阵列的信号DOA的期望值和估计值之间的均方误差,假设L远场源分别从不同的仰角撞击接收器的均匀线性阵列,阵列的阵元数量为M,
该适应度函数定义了期望输出和估计输出之间的均方误差E m ,并给出为:
所述认知雷达距离范围估计模块接收雷达环境的发射回波,对目标距离范围进行估计,然后将估计信息传入接收器的选择模块。
具体的,所述的雷达距离范围估计模块对发送和接收信号峰值时间进行测量,之后计算两者之间的时间延时,从而计算出远场目标的距离范围。
所述认知雷达接收器选择模块分别接收认知雷达波达方位DOA估计模块以及认知雷达距离范围估计模块的估计信息,然后对接收器天线阵列的阵列阵元数量和权重进行选择。
具体的,所述的认知雷达接收器选择模块首先基于接收器天线阵列阵元数必须大于干扰数这一原则,选择接收器天线阵列的阵元,之后通过最小方差失真无响应(MVDR)自适应波束形成器计算所选阵列阵元的权重向量,用于在估计目标的干涉方位上放置零,以改进其信噪比。
所述的认知雷达预测器模块,分别接收认知雷达波达方位DOA估计模块以及认知雷达距离范围估计模块的估计信息,然后对通过基于具有最小二乘观测器的在线扩展卡尔曼滤波器来预测目标的下一时刻位置和方位,之后将此信息作为反馈信息发送到发射器。
所述的基于具有核递归最小二乘观测器的在线扩展卡尔曼滤波器,其特征在于,该滤波器的测量矩阵不是预先设定的,而是通过对真实数据的在线学习得到的。其中,测量模型是使用核递归最小二乘法在再现内核希尔伯特空间中构建的。
所述的认知雷达发射器选择模块,接收来自雷达预测器模块的目标下一时刻预测位置和预测方位信息,对发射器天线阵列的阵元数和权重进行选择。从而使得发射器天线阵列生成基于目标方位的最大功率波形,以实现波形的自适应选择。
具体的,所述的认知阵雷达发射器选择模块,其特征在于,该模块在存储数据库中为发射天线阵列确定阵元的适当数量N、布局位置和阵列权重,或者由权重选择算法使得雷达天线生成基于目标方向的最大功率波形,从而实现波形的自适应选择。
具体的,所述的用存储数据库选择阵元数量N及其布局位置,其特征在于,通过离线训练前馈神经网络更新数据库内距离范围值与元件数量对应关系表,并实现存储器的记忆功能,然后将距离范围的估计值作为输入,通过数据库匹配到特定的发射天线属性。
一种装置,其特征在于,所述设备至少包括一个处理器,以及与所述处理器连接的至少一个存储器、总线、雷达装置,其中,所述处理器、所述存储器、所述雷达装置通过所述总线完成相互间的通信,所述处理器用于调用所述存储器中的程序指令对所述雷达装置的信号进行处理分析,以执行权利要求1至12中任意一项所述的认知雷达位置估计和跟踪方法。
本说明书的描述中,参考术语“实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包括于本发明的至少一个实施例或示例中。本发明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (13)
1.一种基于波形自适应选择的认知雷达方法与装置,其特征在于,包括:认知雷达波达获取数据维度估计模块(包括方位DOA估计模块、认知雷达距离范围估计模块、频率、速度、尺寸估计模块等),认知雷达接收器选择模块,认知雷达预测器模块,认知阵雷达发射器选择模块;
所述认知雷达DOA模块基于遗传算法,用于估计当前时刻目标的方位;所述认知雷达距离范围估计模块用于估计当前时刻目标的距离范围;所述认知雷达接收机选择模块决定接收天线阵列的阵列阵元的数量和权重,所述认知雷达预测器模块预测目标的下一时刻位置和方位,此目标位置作为反馈信息发送到发射器;所述认知雷达发射选择器模块为天线阵列选择适当数量的阵元及其权重,该决策基于其作为反馈接收到的目标预测位置和方位。
2.根据权利要求1所述的认知雷达DOA估计模块,其特征在于,该雷达接收器将回波数据作为DOA估计块的输入,通过遗传算法GA找到一组复数权重,以利用基础波束模式合成高增益波束模式,该复数权重将存储于内存中。
4.根据权利要求1所述的认知雷达距离范围估计模块,其特征在于,该雷达距离范围估计模块通过测量发送和接收信号峰值之间的时间延迟来计算远场目标的距离范围。
5.根据权利要求1所述的认知雷达接受器选择模块,其特征在于,该雷达接收器选择模块用于确定接收天线阵列的阵元数量,而最小方差失真无响应(MVDR)自适应波束形成器计算所选阵列阵元的权重向量,用于在估计目标的干涉方位上放置零,以改进其信噪比。
8.根据权利要求1所述的认知雷达预测器模块,其特征在于,DOA估计器和范围估计器将当前时刻目标的估计方位和距离范围发送到该认知雷达预测器模块,该模块通过基于具有核递归最小二乘观测器的在线扩展卡尔曼滤波器来预测目标的下一时刻位置和方位,并将此信息作为反馈信息发送到发射器。
9.根据权利要求8所述的基于具有核递归最小二乘观测器的在线扩展卡尔曼滤波器,其特征在于,该滤波器的测量矩阵不是预先设定的,而是通过对真实数据的在线学习得到的;其中,测量模型是使用核递归最小二乘法在再现内核希尔伯特空间中构建的。
10.根据权利要求1所述的认知阵雷达发射器选择模块,其特征在于,该模块在存储数据库中为发射阵列确定元件的适当数量N、布局位置和阵列权重,或者由权重选择算法使得雷达天线生成基于目标方向的最大功率波形,从而实现波形的自适应选择。
11.根据权利要求9所述的用存储数据库选择元件数量N及其布局位置其特征在于,通过离线训练前馈神经网络更新数据库内距离范围值与元件数量对应关系表,并实现存储器的记忆功能,然后将距离范围的估计值作为输入,通过数据库匹配到特定的发射天线属性。
13.一种装置,其特征在于,所述设备至少包括一个处理器,以及与所述处理器连接的至少一个存储器、总线、雷达装置,其中,所述处理器、所述存储器、所述雷达装置通过所述总线完成相互间的通信,所述处理器用于调用所述存储器中的程序指令对所述雷达装置的信号进行处理分析,以执行权利要求1至12中任意一项所述的认知雷达姿态估计和识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951104.0A CN115932743A (zh) | 2021-08-18 | 2021-08-18 | 一种基于波形自适应选择的认知雷达方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951104.0A CN115932743A (zh) | 2021-08-18 | 2021-08-18 | 一种基于波形自适应选择的认知雷达方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115932743A true CN115932743A (zh) | 2023-04-07 |
Family
ID=86649476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110951104.0A Pending CN115932743A (zh) | 2021-08-18 | 2021-08-18 | 一种基于波形自适应选择的认知雷达方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115932743A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010285A (zh) * | 2023-10-07 | 2023-11-07 | 山东科技大学 | 一种基于卷积神经网络的唯相阵列置零方法 |
-
2021
- 2021-08-18 CN CN202110951104.0A patent/CN115932743A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010285A (zh) * | 2023-10-07 | 2023-11-07 | 山东科技大学 | 一种基于卷积神经网络的唯相阵列置零方法 |
CN117010285B (zh) * | 2023-10-07 | 2024-01-02 | 山东科技大学 | 一种基于卷积神经网络的唯相阵列置零方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109283522B (zh) | 一种联合时空资源管理的共址mimo雷达目标跟踪方法 | |
US11585885B2 (en) | Electronic apparatus, angle estimation system, and signal processing method | |
CN106707255B (zh) | 一种相控阵雷达仿真系统及方法 | |
KR101768587B1 (ko) | 비정상 클러터 및 이종 클러터 억제를 위한 공분산 행렬 추정방법 | |
KR20160012284A (ko) | 송신신호 파형의 직교성을 이용한 재머 신호 억제 및 원신호 도래각 추정 방법 및 장치 | |
CN110888105A (zh) | 一种基于卷积神经网络和接收信号强度的doa估计方法 | |
CN114662271A (zh) | 集中式mimo雷达多目标跟踪中的波束-功率-带宽联合分配方法 | |
CN115932743A (zh) | 一种基于波形自适应选择的认知雷达方法与装置 | |
CN113721236B (zh) | 基于发射方向图的集中式mimo雷达系统功率分配方法 | |
JP2016114468A (ja) | 目標検出装置 | |
Hamza et al. | Learning sparse array capon beamformer design using deep learning approach | |
US11152986B2 (en) | Fast spatial search using phased array antennas | |
Shen et al. | Adaptive beamforming for target detection and surveillance based on distributed unmanned aerial vehicle platforms | |
Basit et al. | Range–angle-dependent beamforming for cognitive antenna array radar with frequency diversity | |
CN113075628B (zh) | 一种对单脉冲雷达旁瓣相消器的干扰机及其干扰方法 | |
An et al. | Enhanced monopulse MIMO radar using reliable αβ filtering | |
KR20230102998A (ko) | Uav-irs 기반 무선 통신 방법 및 장치 | |
Wan et al. | A range-Doppler-angle estimation method for passive bistatic radar | |
CN114355324A (zh) | 一种航迹生成方法 | |
Kaak et al. | Real‐time capable multiple‐input–multiple‐output SONAR systems—An algorithmic approach | |
CN115603789B (zh) | 一种高动态毫米波定向窄波束的生成和跟踪方法 | |
Kadam et al. | Salp swarm optimization in hybrid beamforming for MIMO radar | |
Gao et al. | Quantum-inspired cultural fireworks algorithm for direction finding of monostatic MIMO radar | |
Hong et al. | Adaptive beamforming for MIMO radar with sidelobe control based on second order cone programming | |
Rosić et al. | Research Article Passive Target Localization Problem Based on Improved Hybrid Adaptive Differential Evolution and Nelder-Mead Algorithm |
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 |