CN116008948B - 雷达定位方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种雷达定位方法、装置、设备及存储介质，该方法包括：通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据；通过多重信号分类算法模型对目标雷达回波数据进行数据处理，获得对应的空间倒谱；并根据提取的空间倒谱的辐射源角度和极化参数进行雷达定位。相较于现有的在DSP处理器中通过波达方向估计进行雷达定位的方式，本发明采用了单精度浮点运算模型对待处理雷达回波数据进行向量点乘，整个过程为全浮点流程，保证了计算结果的动态范围和精度，同时通过多重信号分类算法对目标雷达回波数据进行数据处理提高了计算效率，从而提高了处理器对雷达回波数据的处理效率，进而实现了雷达定位性能的提升。

Description

雷达定位方法、装置、设备及存储介质

技术领域

本发明涉及雷达技术领域，尤其涉及一种雷达定位方法、装置、设备及存储介质。

背景技术

目前对于极化敏感阵列中波达方向估计(Direction Of Arrival，DOA)的相关应用中，大多数是一些对实时性要求不太严格的应用，如对雷雨天气的研究，对慢速船舶的定位等，但在移动通信，电子侦察以及电子对抗等对实时性要求严格领域中受到比较大的限制，究其原因，主要是因为算法包含非常大的计算量，现有系统的处理速度较低，难以满足实际应用的需要。

并且传统的极化敏感阵列的强实时DOA技术应用于各类弹载导引头定位一般采用的是国外的DSP处理器，时间一般停留在ms量级。无论是模块性能和采购安全都受到极大限制。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种雷达定位方法、装置、设备及存储介质，旨在解决现有技术通过波达方向估计进行雷达定位时，现有DSP处理系统处理效率较低的技术问题。

为实现上述目的，本发明提供了一种雷达定位方法，所述方法包括以下步骤：

通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据；

通过多重信号分类算法模型对所述目标雷达回波数据进行数据处理，获得所述目标雷达回波数据对应的空间倒谱；

提取所述空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位。

可选地，所述通过多重信号分类算法模型对所述目标雷达回波数据进行数据处理，获得所述目标雷达回波数据对应的空间倒谱之后，还包括：

根据九宫搜峰算法模型对所述空间倒谱进行谱峰搜索，获得所述空间倒谱中的主峰和预设数量的副峰；

通过最小二乘算法模型对所述主峰和所述副峰进行数据处理，获得所述空间倒谱对应的精测空间倒谱；

相应地，所述提取所述空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位，包括：

提取所述精测空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位。

可选地，所述通过多重信号分类算法模型对所述目标雷达回波数据进行数据处理，获得所述目标雷达回波数据对应的空间倒谱，包括：

通过多重信号分类算法模型对所述目标雷达回波数据进行补偿运算，获得对应的补偿协方差矩阵数据；

对所述补偿协方差矩阵数据进行特征分解，获得所述补偿协方差矩阵数据对应的特征值和特征向量；

根据预设数量对所述特征值进行信源数判定，并根据由判定结果获得的噪声特征向量构建噪声子空间矩阵数据；

对所述噪声子空间矩阵数据进行倒数运算，获得所述目标雷达回波数据对应的空间倒谱。

可选地，所述根据预设数量对所述特征值进行信源数判定，并根据由判定结果获得的噪声特征向量构建噪声子空间矩阵数据，包括：

对所述特征值按大小顺序进行排序，获得排序后的特征值；

根据预设数量提取所述排序后的特征值中排序末尾的特征值，并将所述排序末尾的特征值作为噪声特征值，所述噪声特征值对应的特征向量作为噪声特征向量；

根据所述噪声特征向量构建相应的噪声子空间矩阵数据。

可选地，所述通过最小二乘算法模型对所述主峰和所述副峰进行数据处理，获得所述空间倒谱对应的精测空间倒谱，包括：

通过最小二乘算法模型对所述主峰和所述副峰进行外积运算，获得所述主峰和所述副峰对应的外积值；

根据所述外积值构建外积矩阵数据，并获得所述外积矩阵数据对应的内插系数；

根据所述内插系数和预设数量的所述副峰构建拟合导向矢量，并对所述拟合导向矢量进行倒数运算，获得所述空间倒谱对应的精测空间倒谱。

可选地，所述通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据，包括：

提取待处理雷达回波数据中的快拍数和通道数；

根据所述快拍数和所述待处理雷达回波数据构建协方差矩阵，并获取所述协方差矩阵的协方差矩阵数据；

通过单精度浮点运算模型和所述通道数对所述协方差矩阵数据进行向量点乘，获得目标雷达回波数据。

可选地，所述通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据之前，还包括：

获取待处理的雷达回波信号；

通过模数转换器将所述雷达回波信号转换为雷达回波数据；

将所述雷达回波数据存储至预设寄存器中。

此外，为实现上述目的，本发明还提出一种雷达定位装置，所述装置包括：

向量点乘模块，用于通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据；

空间倒谱模块，用于通过多重信号分类算法模型对所述目标雷达回波数据进行数据处理，获得所述目标雷达回波数据对应的空间倒谱；

雷达定位模块，用于提取所述空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位。

此外，为实现上述目的，本发明还提出一种雷达定位设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达定位程序，所述雷达定位程序配置为实现如上文所述的雷达定位方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有雷达定位程序，所述雷达定位程序被处理器执行时实现如上文所述的雷达定位方法的步骤。

本发明通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据；然后通过多重信号分类算法模型对所述目标雷达回波数据进行数据处理，获得所述目标雷达回波数据对应的空间倒谱；最后提取所述空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位。相较于现有的在DSP处理器中通过波达方向估计进行雷达定位的方式，本发明采用了单精度浮点运算模型对待处理雷达回波数据进行向量点乘，整个过程为全浮点流程，保证了计算结果的动态范围和精度，同时通过多重信号分类算法对目标雷达回波数据进行数据处理获得空间倒谱提高了计算效率，从而提高了处理器对雷达回波数据的处理效率，进而实现了雷达定位性能的提升。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的雷达定位设备的结构示意图；

图2为本发明雷达定位方法第一实施例的流程示意图；

图3为本发明雷达定位方法第一实施例中向量点乘的软浮点实现的示意图；

图4为本发明雷达定位方法第二实施例的流程示意图；

图5为本发明雷达定位方法第二实施例中雷达定位的数据处理流程示意图；

图6为本发明雷达定位装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的雷达定位设备结构示意图。

如图1所示，该雷达定位设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对雷达定位设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及雷达定位程序。

在图1所示的雷达定位设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明雷达定位设备中的处理器1001、存储器1005可以设置在雷达定位设备中，所述雷达定位设备通过处理器1001调用存储器1005中存储的雷达定位程序，并执行本发明实施例提供的雷达定位方法。

本发明实施例提供了一种雷达定位方法，参照图2，图2为本发明雷达定位方法第一实施例的流程示意图。

本实施例中，所述雷达定位方法包括以下步骤：

步骤S10：通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据。

需要说明的是，本实施例方法的执行主体可以是具有数据处理以及程序运行功能的计算服务设备，例如电脑，微型服务器等，还可以是能够实现相同或相似功能的其他电子设备，本实施例对此不加以限制。在本实施例和其他实施例中，以雷达定位设备为例进行说明。

应理解的是，单精度浮点运算模型是基于现场可编程门阵列（Field-Programmable Gate Array，FPGA）的单精度浮点运算(IEEE-754标准)的一种模型，此模型可以基于软件实现，也可以基于工程硬件实现。

可理解的是，待处理雷达回波数据是采集到的雷达数据，雷达的发射机产生电磁信号，由天线辐射到空中，发射的信号一部分被目标拦截并向许多方向再辐射，向后再辐射回到雷达的信号被天线采集，并送到接收机，对采集到的模拟雷达信号进行模数转换，转换后获得的雷达回波数据就是待处理雷达回波数据。对待处理雷达回波数据经过一系列数据处理即可进行雷达定位。

可理解的是，向量点乘是待处理雷达回波数据进行数据处理的一个过程，其目的是提高数据的处理效率，其中向量点乘的实现效率是非常关键，采用脉动结构可大大降低FPGA的资源占用和提高数据处理的效率。

为了便于理解，参考图3进行说明，但并不对本方案进行限定。图3为本发明雷达定位方法第一实施例中向量点乘的软浮点实现的示意图，图中，上图为向量点乘的一个模拟示意图，下图为向量点乘的脉冲结构示意图。上图的模拟示意图从左侧输入数据，开始进行向量点乘，再将点乘后的数据逐级（1、2、3）进行相加，最后输出目标雷达回波数据。下图的脉冲结构示意图更加精确地表现了向量点乘的部分过程，输入的数据（A、B、C、D、E、F、G、H、I、J）进行点乘处理，由第二级脉冲结构获得的部分点乘CD输入至第一级脉冲结构获得AB+CD，由第三级脉冲结构获得的部分点乘EF+GH输入至第二级脉冲结构获得AB+CD+EF+GH，由第四级脉冲结构获得的部分点乘GH输入至第三级脉冲结构获得EF+GH，由第五级脉冲结构获得的部分点乘IJ+KL+MN+OP输入至第四级脉冲结构获得AB+CD+EF+GH+IJ+KL+MN+OP，以此类推，若待处理雷达回波数据经处理后为N维方阵，则N维方阵相乘需要计算n×n次向量点乘，从而实现高效率的浮点算子(如浮点加，减，乘，dot(向量点乘))。

在具体实现中，雷达定位设备首先获取待处理雷达回波数据，然后提取待处理雷达回波数据中回波次数（例如快拍数、通道数），根据回波次数构建协方差矩阵，然后根据协方差矩阵的维数进行向量点乘，获得目标雷达回波数据。

例如：若输入雷达回波数据X，快拍数m，通道数n，则构建协方差矩阵，然后再进行/>次m维向量点乘，实现结构如图3所示。

步骤S20：通过多重信号分类算法模型对所述目标雷达回波数据进行数据处理，获得所述目标雷达回波数据对应的空间倒谱。

需要说明的是，多重信号分类算法模型是根据多重信号分类算法建立的模型，将目标雷达回波数据输入值此模型中即可获得经过多重信号分类算法处理后的数据。多重信号分类算法（Multiple Signal Classification，MUSIC）是经典的波达方向估计算法，其基本思想是特征分解任意阵列输出数据的协方差矩阵，从而得到与信号分类相对应的信号子空间和与信号分量相正交的噪声子空间，接着构造两个子空间的正交空间谱函数，从而通过搜索谱峰检测出信号的波达方向。

可理解的是，空间倒谱是目标雷达回波数据经过多重信号分类算法的处理后得到的数据，空间倒谱的生成也基于大量的向量点乘，若采用上述并行脉动结构可大大降低FPGA的资源占用。

在具体实现中，雷达定位设备可以通过多重信号分类算法模型对目标雷达回波数据进行数据处理，获得目标雷达回波数据对应的空间倒谱。其具体处理过程可以为对目标雷达回波数据基于QR算法的特征分解进行计算，获得特征值，也可以基于修正施密特正交化的QR分解计算获得特征值；然后通过噪声子空间计算并生成空间倒谱。

其中，基于QR算法的特征分解计算如下：

对于非奇异方阵，进行QR分解,可得/>。其中/>为正交矩阵(即/>)，为上三角矩阵，则：

；

也即是说，与/>是正交相似的,它们具有相同的特征值。因此，可以采用如下的QR迭代格式：

；

；

；

取，经过上式迭代，可以证明/>收敛到矩阵/>的特征值, 同时，特征向量可以/>由得到。

进一步地，基于修正施密特正交化的QR分解计算过程如下：

任何一组基ɑ1、ɑ2、.....、ɑs，可以构造正交基β1、β2、.........βs，

；

将ɑi移到左边得到

；

即

；

其中A为列满序矩阵，Q为标准正交矩阵，R为上三角矩阵，从而获得QR分解计算的特征值。

步骤S30：提取所述空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位。

需要说明的是，辐射源角度和极化参数是雷达定位目标（即辐射源）时所需的数据，雷达定位设备根据空间倒谱提取相关的辐射源角度和极化参数可以进行定位。

进一步地，为了使雷达定位更加精准，本实施例中在步骤S20之后，还包括：根据九宫搜峰算法模型对所述空间倒谱进行谱峰搜索，获得所述空间倒谱中的主峰和预设数量的副峰；通过最小二乘算法模型对所述主峰和所述副峰进行数据处理，获得所述空间倒谱对应的精测空间倒谱；相应地，所述提取所述空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位，包括：提取所述精测空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位。

需要说明的是，上述通过多重信号分类算法模型获得的空间倒谱是基于的空间谱估计的粗测算法，为了使雷达定位更加精准，可以使用最小二乘算法模型对空间倒谱进一步计算获得更加精确的辐射源角度和极化参数。

可理解的是，九宫搜峰算法模型是基于九宫格排列的深度算法模型。根据九宫搜峰算法模型对空间倒谱进行谱峰搜索获得空间倒谱中的主峰和预设数量的副峰的具体过程如下：

表1

如表1所示，P5>(p1，p2，p3，p4，p6，p7，p8，p9) and p5>搜峰门限。

其中，P5为所需谱峰，其坐标对应为辐射源的俯仰角和方向角。

在具体实现中，雷达定位设备根据九宫搜峰算法模型对空间倒谱进行谱峰搜索，获得主峰和预设数量的副峰；通过最小二乘算法模型对主峰和副峰进行数据处理，获得空间倒谱对应的精测空间倒谱；处理过程可以是对预设数量的副峰进行外积计算并构建协方差矩阵数据进行特征分解获得特征值，然后通过特征值构建噪声子空间矩阵数据从而获得精测空间倒谱；最后提取精测空间倒谱的辐射源角度和极化参数，并根据辐射源角度和所述极化参数进行雷达定位。

进一步地，考虑到一开始获取的雷达信号为模拟信号，本实施例中在步骤S10之前，还包括：获取待处理的雷达回波信号；通过模数转换器将所述雷达回波信号转换为雷达回波数据；将所述雷达回波数据存储至预设寄存器中。

需要说明的是，模数转换器又称为ADC转换器，用于将模拟信号转换为数字信号。

在具体实现中，雷达定位设备再获取到初始的待处理的雷达回波信号时，通过模数转换器将雷达回波信号转换为雷达回波数据；再利用FPGA的BRAM缓存雷达回波数据。从而将模拟数据转换数字数据，便于雷达定位设备进行处理。

本实施例雷达定位设备首先获取待处理雷达回波数据，然后提取待处理雷达回波数据中回波次数（例如快拍数、通道数），根据回波次数构建协方差矩阵，然后根据协方差矩阵的维数进行向量点乘，获得目标雷达回波数据。接着可以通过多重信号分类算法模型对目标雷达回波数据进行数据处理，获得目标雷达回波数据对应的空间倒谱。其具体处理过程可以为对目标雷达回波数据基于QR算法的特征分解进行计算，获得特征值，也可以基于修正施密特正交化的QR分解计算获得特征值；然后通过噪声子空间计算并生成空间谱。最后提取精测空间倒谱的辐射源角度和极化参数，并根据辐射源角度和所述极化参数进行雷达定位。相较于现有的在DSP处理器中通过波达方向估计进行雷达定位的方式，本发明采用了单精度浮点运算模型对待处理雷达回波数据进行向量点乘，整个过程为全浮点流程，保证了计算结果的动态范围和精度，同时通过多重信号分类算法对目标雷达回波数据进行数据处理获得空间倒谱提高了计算效率，从而提高了处理器对雷达回波数据的处理效率，进而实现了雷达定位性能的提升。

参考图4，图4为本发明雷达定位方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，考虑到通过多重信号分类算法模型对目标雷达回波数据进行处理的精度，所述步骤S20包括：

步骤S21：通过多重信号分类算法模型对所述目标雷达回波数据进行补偿运算，获得对应的补偿协方差矩阵数据。

步骤S22：对所述补偿协方差矩阵数据进行特征分解，获得所述补偿协方差矩阵数据对应的特征值和特征向量。

需要说明的是，补偿运算可以通过补偿矩阵及其共轭转置和协方差矩阵进行矩阵乘运算，完成补偿运算，获得补偿协方差矩阵数据。

可理解的是，特征分解可以通过QR分解公式进行分解，获得相应的特征值和特征向量。

在具体实现中，例如，雷达定位设备对目标雷达回波数据开始协方差计算，然后进行向量点乘，向量点乘器的并行宽度可以为快拍数的，如果通道数为8，协方差矩阵计算时间为8×8×（512/8）=1024时钟周期；然后可以进行补偿矩阵及其共轭转置和协方差矩阵进行矩阵乘运算，获得补偿协方差矩阵数据；接着将补偿后的协方差矩阵，写入特征分解模块的BRAM进行缓存，特征分解模块由QRD(即QR分解）迭代构成，迭代的次数可由上位机决定或人工设置，通常为通道数的1.5倍。特征分解模块的启动信号由协方差矩阵计算完成信号经延时形成；如果通道数为8，特征分解计算时间约为8×1.5×2k(单次QRD时间）=24k时钟周期。完成计算后，输出8个特征值(/>)和8个特征向量(/>)。

进一步地，为了节省BRAM，可以考虑：1、进行协方差计算时开启定点模式，计算完成再转为FPAG地单精度浮点运算；2、计算所需的共轭对称矩阵可以用原始矩阵变换，无需进行存储。

步骤S23：根据预设数量对所述特征值进行信源数判定，并根据由判定结果获得的噪声特征向量构建噪声子空间矩阵数据。

需要说明的是，预设数量是由上位机决定或人工设置，例如上述的8个特征值就是预设数量为8。

在实际实现中，雷达定位设备可以根据上位机或人工设定的预设数量，参考8个特征值()结果，进行信源数判定，再选出相应的特征向量，形成噪声子空间矩阵。在进行预设数量对所述特征值进行信源数判定时，可以预先排序根据排序结果确定噪声特征向量，也可以设置阈值，超过阈值即确定为噪声特征向量。

步骤S24：对所述噪声子空间矩阵数据进行倒数运算，获得所述目标雷达回波数据对应的空间倒谱。

在具体实现中，雷达定位设备将噪声子空间矩阵数据读入DDR中的阵列流形(128×128×2矩阵)，然后计算的倒数，从而获得空间倒谱/>。

进一步地，考虑到构建相应的噪声子空间矩阵数据，本实施例中在步骤S23包括：对所述特征值按大小顺序进行排序，获得排序后的特征值；根据预设数量提取所述排序后的特征值中排序末尾的特征值，并将所述排序末尾的特征值作为噪声特征值，所述噪声特征值对应的特征向量作为噪声特征向量；根据所述噪声特征向量构建相应的噪声子空间矩阵数据。

在实际实现中，具体的噪声子空间计算和生成空间倒谱的过程如下：

将矩阵的特征值进行从小到大的排序，

；

其中个较大的特征值对应于信号，/>个较小的特征值对应于噪声。

用噪声向量构造一个噪声矩阵：

；

然后定义空间倒谱：

；

其中，空间倒谱生成也基于大量的向量点乘(dot)，通过采用并行脉动结构可大大降低雷达定位设备中的FPGA的资源占用，提高了雷达定位设备的数据处理效率。

进一步地，考虑到小二乘算法模型获取精测空间倒谱的精度，本实施例中在步骤所述通过最小二乘算法模型对所述主峰和所述副峰进行数据处理，获得所述空间倒谱对应的精测空间倒谱，包括：通过最小二乘算法模型对所述主峰和所述副峰进行外积运算，获得所述主峰和所述副峰对应的外积值；根据所述外积值构建外积矩阵数据，并获得所述外积矩阵数据对应的内插系数；根据所述内插系数和预设数量的所述副峰构建拟合导向矢量，并对所述拟合导向矢量进行倒数运算，获得所述空间倒谱对应的精测空间倒谱。

需要说明的是，外积运算是一种数学运算公式，通过获得副峰的方位格点可以计算外积值。其具体过程如下：

以三个副峰为例，对所找到的主峰及主峰对应的周围3个副峰计算外积，在主峰附近，选择三个方位格点/>，/>和/>，并计算/>，，/>，/>，其中/>代表矢量的外积。

可理解的是，内插系数是根据外积值构建的矩阵获得的最小二乘解。其具体过程如下：

再得到外积后，/>，计算矩阵/>的逆：

；

其中，，/>。然后通过矩阵/>求逆得到内插系数/>：

；

其中，。

在实际实现中，拟合导向矢量可以根据内插系数和副峰构建，进而进行倒数运算，获得空间倒谱对应的精测空间倒谱。其具体过程如下：

由内插系数得到拟合导向矢量/>；

；

；

然后计算空间倒谱。

进一步地，考虑到根据待处理雷达回波数据构建雷达回波数据的精确程度，本实施例中在步骤S10包括：提取待处理雷达回波数据中的快拍数和通道数；根据所述快拍数和所述待处理雷达回波数据构建协方差矩阵，并获取所述协方差矩阵的协方差矩阵数据；通过单精度浮点运算模型和所述通道数对所述协方差矩阵数据进行向量点乘，获得目标雷达回波数据。

需要说明的是，快拍数是基于时间轴获取雷达回波数据的次数，通道数是上述向量点乘脉冲结构的通道数量。一般而言，快拍数和通道数的数值越大，获得的目标雷达回波数据雷达也就越精确。

在实际实现中，雷达定位设备提取待处理雷达回波数据中的快拍数和通道数（例如快拍数=，通道数=/>），若待处理雷达回波数据/>，则根据所述快拍数和所述待处理雷达回波数据构建协方差矩阵/>，接着通过单精度浮点运算模型和所述通道数对所述协方差矩阵数据进行/>次m维向量点乘(dot)，从而获得更加精确的目标雷达回波数据。

进一步地，为了便于理解，提出整个方案的整体流程图，参考图5，图5为本发明雷达定位方法第二实施例中雷达定位的数据处理流程示意图；具体实现步骤如下：

首先，进行ADC模数转换。雷达定位设备在获取雷达回波信号后，对待处理雷达回波信号进行ADC模数转换获得雷达回波数据，并利用设备中FPGA的 BRAM缓存雷达回波数据。

然后，基于快拍书采样计算浮点写方差矩阵。雷达定位设备获取待处理雷达回波数据中的快拍数和通道数（例如快拍数=，通道数=/>），若待处理雷达回波数据/>，则根据所述快拍数和所述待处理雷达回波数据构建协方差矩阵/>，接着通过FPGA对其进行单精度浮点转换进行/>次m维向量点乘(dot)，获得目标雷达回波数据。

接着是对目标雷达回波数据进行数据处理，包括基于多重信号分类算法的空间谱估计的粗测算法和基于外代数的最小二乘算法的精测算法，具体步骤如下：

步骤一，补偿协方差矩阵：通过补偿矩阵及其共轭转置和协方差矩阵进行矩阵乘运算，完成补偿运算。

步骤二，特征值分解：补偿后的协方差矩阵，写入雷达定位设备中特征分解的模块的BRAM进行缓存，特征分解模块由QR分解迭代构成，迭代的次数可由上位机设置，通常为通道数的1.5倍。特征分解模块的启动信号由协方差矩阵计算完成信号经延时形成。如果通道数为8，特征分解计算时间约为8×1.5×2k(单次QRD时间）=24k时钟周期。完成计算后，输出8个特征值()和8个特征向量(/>)。

步骤三，形成噪声子空间矩阵：根据上位机设定的信源数门限，参考8个特征值()结果，进行信源数判定，再选出相应的特征向量，形成噪声子空间矩阵/>。

步骤四，生成空间倒谱：将噪声子空间矩阵读入雷达定位设备的DDR中的阵列流形(128×128×2矩阵)，计算的倒数，即为空间倒谱。整个空间倒谱的计算和搜索过程基于向量点乘实现，每个谱峰点的计算或搜索时间为1个周期，整个谱峰生成，搜索时间为128×128×2=32768周期。/>

步骤五，九宫格搜峰，找到主峰：对计算得到的倒谱，进行九宫格谱峰搜峰，找到主峰。

步骤六，选择主峰及周围三个副峰计算外积值：对找到的主峰及主峰对应的周围3个副峰计算外积，在主峰附近，选择三个方位格点/>，/>和/>，并计算，/>，/>，/>，其中/>代表矢量的外积；

步骤七，矩阵求逆求内插系数：由步骤六得到外积，/>，计算矩阵/>的逆：

；

其中，，/>。

步骤八，计算拟合导向矢量：通过矩阵求逆得到内插系数/>的最小二乘解：

其中，。

步骤九，计算拟合后的空间倒谱：由内插系数得到拟合导向矢量；

；

；

并计算精测空间倒谱。

最后，根据精测空间倒谱计算辐射源角度和极化参数，并根据辐射源角度和极化参数进行雷达定位。经过实验数据对比结论，传统DPS对雷达回波数据的处理时间一般是6ms，设备时延为7ms；而采用本实施例上述方案对雷达回波数据的处理时间一般是0.2ms，设备时延为0.3ms。相对于传统的采用国外的DSP处理器，时间停留在ms量级，本实施例提出的雷达定位方法所处理数据的处理效率更加高效。

本实施例相较于现有的在DSP处理器中通过波达方向估计进行雷达定位的方式，本实施例采用了FPGA的单精度浮点运算模型对待处理雷达回波数据进行向量点乘，整个过程为全浮点流程，保证了计算结果的动态范围和精度，同时通过多重信号分类算法对目标雷达回波数据进行数据处理获得空间倒谱，提高了计算效率，在浮点计算密集计算的情况下，计算效率和能量效率都优于传统的国外的DSP处理器，整体采用了新的算法和创新的工程同时实现了雷达定位的国产化和性能提升。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有雷达定位程序，所述雷达定位程序被处理器执行时实现如上文所述的雷达定位方法的步骤。

参照图6，图6为本发明雷达定位装置第一实施例的结构框图。

如图6所示，本发明实施例提出的雷达定位装置包括：

向量点乘模块601，用于通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据；

空间倒谱模块602，用于通过多重信号分类算法模型对所述目标雷达回波数据进行数据处理，获得所述目标雷达回波数据对应的空间倒谱；

雷达定位模块603，用于提取所述空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位。

本实施例雷达定位设备首先获取待处理雷达回波数据，然后提取待处理雷达回波数据中回波次数（例如快拍数、通道数），根据回波次数构建协方差矩阵，然后根据协方差矩阵的维数进行向量点乘，获得目标雷达回波数据。接着可以通过多重信号分类算法模型对目标雷达回波数据进行数据处理，获得目标雷达回波数据对应的空间倒谱。其具体处理过程可以为对目标雷达回波数据基于QR算法的特征分解进行计算，获得特征值，也可以基于修正施密特正交化的QR分解计算获得特征值；然后通过噪声子空间计算并生成空间谱。最后提取精测空间倒谱的辐射源角度和极化参数，并根据辐射源角度和所述极化参数进行雷达定位。相较于现有的在DSP处理器中通过波达方向估计进行雷达定位的方式，本发明采用了单精度浮点运算模型对待处理雷达回波数据进行向量点乘，整个过程为全浮点流程，保证了计算结果的动态范围和精度，同时通过多重信号分类算法对目标雷达回波数据进行数据处理获得空间倒谱提高了计算效率，从而提高了处理器对雷达回波数据的处理效率，进而实现了雷达定位性能的提升。

本发明雷达定位装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种雷达定位方法，其特征在于，所述雷达定位方法包括：

通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据；

通过多重信号分类算法模型对所述目标雷达回波数据进行数据处理，获得所述目标雷达回波数据对应的空间倒谱；

提取所述空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位。

2.如权利要求1所述的雷达定位方法，其特征在于，所述通过多重信号分类算法模型对所述目标雷达回波数据进行数据处理，获得所述目标雷达回波数据对应的空间倒谱之后，还包括：

根据九宫搜峰算法模型对所述空间倒谱进行谱峰搜索，获得所述空间倒谱中的主峰和预设数量的副峰；

通过最小二乘算法模型对所述主峰和所述副峰进行数据处理，获得所述空间倒谱对应的精测空间倒谱；

相应地，所述提取所述空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位，包括：

提取所述精测空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位。

3.如权利要求2所述的雷达定位方法，其特征在于，所述通过多重信号分类算法模型对所述目标雷达回波数据进行数据处理，获得所述目标雷达回波数据对应的空间倒谱，包括：

通过多重信号分类算法模型对所述目标雷达回波数据进行补偿运算，获得对应的补偿协方差矩阵数据；

对所述补偿协方差矩阵数据进行特征分解，获得所述补偿协方差矩阵数据对应的特征值和特征向量；

根据预设数量对所述特征值进行信源数判定，并根据由判定结果获得的噪声特征向量构建噪声子空间矩阵数据；

对所述噪声子空间矩阵数据进行倒数运算，获得所述目标雷达回波数据对应的空间倒谱。

4.如权利要求3所述的雷达定位方法，其特征在于，所述根据预设数量对所述特征值进行信源数判定，并根据由判定结果获得的噪声特征向量构建噪声子空间矩阵数据，包括：

对所述特征值按大小顺序进行排序，获得排序后的特征值；

根据预设数量提取所述排序后的特征值中排序末尾的特征值，并将所述排序末尾的特征值作为噪声特征值，所述噪声特征值对应的特征向量作为噪声特征向量；

根据所述噪声特征向量构建相应的噪声子空间矩阵数据。

5.如权利要求2所述的雷达定位方法，其特征在于，所述通过最小二乘算法模型对所述主峰和所述副峰进行数据处理，获得所述空间倒谱对应的精测空间倒谱，包括：

通过最小二乘算法模型对所述主峰和所述副峰进行外积运算，获得所述主峰和所述副峰对应的外积值；

根据所述外积值构建外积矩阵数据，并获得所述外积矩阵数据对应的内插系数；

根据所述内插系数和预设数量的所述副峰构建拟合导向矢量，并对所述拟合导向矢量进行倒数运算，获得所述空间倒谱对应的精测空间倒谱。

6.如权利要求1至5中任一项所述的雷达定位方法，其特征在于，所述通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据，包括：

提取待处理雷达回波数据中的快拍数和通道数；

根据所述快拍数和所述待处理雷达回波数据构建协方差矩阵，并获取所述协方差矩阵的协方差矩阵数据；

通过单精度浮点运算模型和所述通道数对所述协方差矩阵数据进行向量点乘，获得目标雷达回波数据。

7.如权利要求1至5中任一项所述的雷达定位方法，其特征在于，所述通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据之前，还包括：

获取待处理的雷达回波信号；

通过模数转换器将所述雷达回波信号转换为雷达回波数据；

将所述雷达回波数据存储至预设寄存器中。

8.一种雷达定位装置，其特征在于，所述装置包括：

向量点乘模块，用于通过单精度浮点运算模型对待处理雷达回波数据进行向量点乘，获得目标雷达回波数据；

空间倒谱模块，用于通过多重信号分类算法模型对所述目标雷达回波数据进行数据处理，获得所述目标雷达回波数据对应的空间倒谱；

雷达定位模块，用于提取所述空间倒谱的辐射源角度和极化参数，并根据所述辐射源角度和所述极化参数进行雷达定位。

9.一种雷达定位设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达定位程序，所述雷达定位程序配置为实现如权利要求1至7中任一项所述的雷达定位方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有雷达定位程序，所述雷达定位程序被处理器执行时实现如权利要求1至7任一项所述的雷达定位方法的步骤。