CN116389198A - 一种基于指数滤波器的多目标时延稀疏重构估计方法 - Google Patents
一种基于指数滤波器的多目标时延稀疏重构估计方法 Download PDFInfo
- Publication number
- CN116389198A CN116389198A CN202310187536.8A CN202310187536A CN116389198A CN 116389198 A CN116389198 A CN 116389198A CN 202310187536 A CN202310187536 A CN 202310187536A CN 116389198 A CN116389198 A CN 116389198A
- Authority
- CN
- China
- Prior art keywords
- time delay
- exponential
- sparse reconstruction
- representing
- target time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005314 correlation function Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 230000005855 radiation Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 63
- 238000005070 sampling Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 4
- 230000001934 delay Effects 0.000 description 7
- 238000005316 response function Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于指数滤波器的多目标时延稀疏重构估计方法,属于通信技术领域,该方法包括利用辐射源参考信号构造最优阶数p的指数滤波器Hp;将接收到的多目标接收信号输入至指数滤波器Hp,得到接收信号的指数阶互相关函数;对指数阶互相关函数进行小波软阈值去噪处理;利用经去噪后的指数阶互相关函数构建多目标时延参数稀疏重构优化模型;利用l1范数稀疏重构算法,对多目标时延参数稀疏重构优化模型进行求解,得到多目标时延估计值。本发明解决了现有技术在多目标相隔较近时存在时延估计精度不足,在低信噪比时算法不稳定和算法复杂度较高的问题。
Description
技术领域
本发明属于通信技术领域,尤其涉及一种基于指数滤波器的多目标时延稀疏重构估计方法。
背景技术
时延估计在雷达探测、声呐定位、无线通信和卫星通信等诸多领域中都起着至关重要的作用。对多目标时延进行估计的最经典方法是基于匹配滤波器的相关函数类方法,相关函数类方法具有较低的计算复杂度,且在单目标情况下具有最高的输出信噪比。但当多个目标相隔较近时,匹配滤波器的输出即相关函数往往具有较胖的主峰和较高的旁瓣,多个目标混合在一起时就会出现峰值重叠、大目标旁瓣遮挡小目标主峰等情况,从而无法准确得到多个目标的时延估计值。因此基于匹配滤波器的相关函数类方法往往受到分辨力的限制而不能满足多目标时延估计的高精度要求。
随着信息技术的不断进步以及信号处理领域对时延精度要求的不断提高,超分辨力多目标时延估计方法逐渐成为时延估计研究中的热点问题。很多新理论、新方法被应用到不同环境的超分辨力多目标时延估计问题中并取得了理想的效果。已有学者针对匹配滤波器提出了一些改进的失配滤波器和相应的时延估计算法,比如在匹配滤波器的频率响应函数中引入可控指数p(p∈[-1,1])由此得到一种失配滤波器—指数滤波器,可以证明p=1的指数滤波器即为经典的匹配滤波器,而指数小于1的指数滤波器具有比匹配滤波器(p=1)更高的分辨力,其输出(称为指数阶相关函数)较传统的相关函数具有更尖锐的主瓣和更低的旁瓣,且指数越小,分辨力越高。不过指数滤波器分辨力的提高仍然是以输出信噪比的损失为代价的,这种多目标分辨力和输出信噪比的矛盾也限制了基于指数滤波器的改进时延估计方法的时延估计精度。
另两大类经典的超分辨时延估计方法是最大似然类方法和子空间类方法。最大似然类方法作为理论最优算法,时延估计性能在低信噪比下可逼近克拉美罗界,但该方法需要较大规模的网格搜索因此计算复杂度较高。子空间类方法将接收信号分解为信号子空间和噪声子空间两个相互正交的子空间,通过伪谱峰搜索得到多目标时延估计,但在小样本、低信噪比的条件下其性能仍然会大大下降,而无法满足目前日益增加的多目标超分辨力要求。
与此同时,压缩感知稀疏重构作为一种新兴的理论,在过去的10多年中吸引了学术界与工业界的大量关注,并且在诸如信号处理、图像科学、机器学习、统计建模和基因组学数据分析等很多领域都取得了成功的应用。目前已有学者将稀疏重构理论应用到多目标时延估计中,结合经典的匹配滤波器和稀疏重构方法的多目标时延估计算法将传统的时延估计问题转换为稀疏重构的线性观测模型并求解,大大地提高了经典的基于匹配滤波器的相关函数类算法时延估计分辨力,同时在小样本情况下也仍然适用。但是由于此类算法是以传统的相关函数为模板构建稀疏重构线性观测模型,其分辨力实际上也受到相关函数分辨力的约束,在多目标相隔非常近的条件下不能满足多目标时延估计的高精度要求。也有方法基于互相关频域形式得到多目标时延参数模型,根据协方差拟合准则,对时延参数模型对应协方差矩阵采用稀疏迭代算法进行时延参数估计,但由于引入协方差矩阵迭代运算也间接增加了计算复杂度,同时也需要提前预知多目标个数,因此也在一定程度上限制了该方法的适用范围。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于指数滤波器的多目标时延稀疏重构估计方法,解决了现有技术在多目标相隔较近时存在时延估计精度不足,在低信噪比时算法不稳定和算法复杂度较高的问题。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种基于指数滤波器的多目标时延稀疏重构估计方法,包括以下步骤:
S1、利用辐射源参考信号构造最优阶数p的指数滤波器Hp;
S2、将接收到的多目标接收信号输入至指数滤波器Hp,得到接收信号的指数阶互相关函数;
S3、对指数阶互相关函数进行小波软阈值去噪处理;
S4、利用经去噪后的指数阶互相关函数构建多目标时延参数稀疏重构优化模型;
S5、利用l1范数稀疏重构算法,对多目标时延参数稀疏重构优化模型进行求解,得到多目标时延估计值,完成对多目标时延稀疏的重构估计。
进一步地,所述指数阶互相关函数的表达式如下:
其中,rp[m]表示参考信号r(t)的p阶指数阶互相关函数的第m个采样值,hp[m]和hp[k]表示p阶指数滤波器单位冲击响应第m个采样值和第k个采样值,M表示采样值总数,r表示参考信号r(t)的离散采样信号,*表示离散卷积运算,r[m]表示参考信号r(t)的第m个采样值。
再进一步地,所述多目标时延参数稀疏重构优化模型的表达式如下:
其中,表示多目标时延参数稀疏重构优化模型,yp表示指数相关域上接收信号的线性观测稀疏模型,||||1,||||2分别表示向量的l1和l2范数,λ表示超参数,/>表示观测矩阵,/>表示补零扩展后的N维待求目标幅度向量,其第n个分量为/>n=1,2,...,N,N表示/>的分量总数,即维数,/>表示/>的第N个分量,wp表示噪声向量,其第m个分量即为对噪声的第m个采样值/> 表示wp的第M个采样值,/>表示参考信号r(t)的p阶指数阶互相关函数第/>个采样值,T表示向量转置运算。
再进一步地,所述利用l1范数稀疏重构算法,对多目标时延参数稀疏重构优化模型进行求解,其具体为:
A1、利用l1范数稀疏重构算法,将多目标时延参数稀疏重构优化模型转换为以下具有线性不等式约束的凸二次优化问题:
其中,t表示时刻,在第一次迭代中给定初值,表示观测矩阵的转置,D1、D2、g1和g2表示均中间变量,Δa,Δu表示迭代向量/>u每一步的迭代方向,diag[·]表示对角阵,/>表示迭代向量/>第n个分量,n=1,2,...,N,N表示/>的分量总数,即维数;
B2、计算s=βρ的值,得到每一步迭代的步长,其中,α和β表示预先设定的常数,ρ表示满足下面不等式的最小正整数,s表示计算得到的中间变量:
其中,
其中,φt(·)表示多元函数,Δa,Δu表示分别向量u每一步的迭代方向,/>表示迭代方向向量Δa第n个分量,Δun表示迭代方向向量Δu第n个分量,n=1,2,...,N,N是/>和u的分量总数,即维数,βρ表示β的ρ次方;
本发明的有益效果:
(1)本发明中采用了具有可控阶数p的指数滤波器得到目标接收信号和参考信号的指数阶互相关函数,针对该指数阶互相关函数建立对多目标的时延估计的稀疏重构线性观测模型,利用l1范数稀疏重构凸优化算法求解该模型得到最终的多目标时延估计,算法具有较低的计算复杂度。
(2)在多目标相隔较近或存在杂波干扰的情况下,经典的基于互相关函数的匹配滤波器时延估计方法往往存在目标主瓣混叠的情况而无法精确估计出所有目标时延;基于指数阶相关函数的指数滤波器由于具有更高的分辨力可更为精确地分辨各个目标,但在低信噪比情况下,指数滤波器受噪声干扰更大,因此仍然存在时延估计精度不足的问题。本发明基于(小波滤波后的)指数阶互相关函数建立稀疏重构模型,可有效提高估计算法多目标分辨力,同时基于l1范数稀疏重构优化算法求解,将低于阈值的解分量剔除,可在一定程度滤除噪声和杂波,最终提高算法在低信噪比环境下的稳定性。
(3)本发明基于l1范数稀疏重构优化算法求解相应多目标时延的稀疏重构模型时,无需预知多目标个数,因而可适用于更多的应用场景。
附图说明
图1为本发明的方法流程图。
图2为本发明采用的小波后指数滤波器输出与现有时延估计方法匹配滤波器和指数滤波器输出的对比图。
图3为本发明与现有时延估计技术对时延估计结果的对比图。
图4为本发明与现有时延估计技术对时延估计均方误差对比图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例
现有技术中,假设参考信号为r(t),含有K个目标的带噪多目标接收信号可以表示为:
其中,ai和τi分别表示第i个目标的幅度和时延。对多目标时延进行估计的最经典方法是基于匹配滤波器的相关函数类方法,其技术方案是:首先由参考信号r(t)构造匹配滤波器,假设参考信号r(t)r(t)的傅里叶变换为R(ω),匹配滤波器的频域响应函数则为R*(ω);随后将多目标接收信号输入匹配滤波器,在目标相隔较远的情况下,匹配滤波器的输出(即参考信号和接收信号的互相关函数)将在各个时延处取得峰值;因此对其输出峰值逐一搜索即得到多目标时延估计值。
在匹配滤波器的频率响应函数中引入可控指数p得到指数滤波器,其频域响应函数为:
Hp(ω)=|R(ω)|1+pR-1(ω) (2)
当可控指数p=1时,指数滤波器即为经典的匹配滤波器。接收信号经过指数滤波器的输出称为指数阶互相关函数,可以证明此类指数阶互相关函数仍然在目标时延处取得极值,因此,对其输出峰值逐一搜索也可得到多目标时延估计值。同时当阶数p<1时,指数阶互相关函数和匹配滤波器输出即经典的相关函数相比具有更高的分辨力。
上述现有技术方案基于匹配滤波器的相关函数类方法具有较低的计算复杂度,且在单目标情况下具有非常高的输出信噪比,因此当多目标相隔较远时能够较为准确地实现多目标时延估计。但当目标相隔较近时,单目标输出的互相关函数往往具有较胖的主峰和较高的旁瓣,多目标混合在一起时就会出现峰值重叠,大目标旁瓣遮挡小目标主峰的情况,从而无法准确得到多目标时延估计值。因此此类算法受到分辨力的限制而不能满足多目标时延估计的高精度要求。
基于指数滤波器的改进时延估计算法则通过引入可控参数p提高了输出相关函数的分辨力:具有阶数p<1的指数阶相关函数较传统的相关函数(p=1)具有更尖锐的主瓣以及更低的旁瓣,因此具有更高的多目标分辨力。但分辨力的提高是以输出信噪比的损失为代价的,可以证明,阶数p越小,输出的多目标分辨力越大,但输出信噪比也越低。因此这种多目标分辨力和输出信噪比的矛盾也使得指数滤波器的阶数p不能选择得太小,其实也限制了基于指数滤波器的改进时延估计算法的时延估计精度。
现有技术中,随着稀疏重构方法的兴起,也有人提出了结合经典的匹配滤波器和稀疏重构方法的多目标时延估计算法。该方法首先将接收信号输入匹配滤波器,其输出即为传统的互相关函数,由互相关函数(或其频域形式)构造时延参数的稀疏重构线性方程组模型,利用稀疏重构的稀疏迭代算法求解此线性方程组进行时延参数估计。
具体来说,假设参考信号r(t)以采样间隔Δt的离散采样信号为r[m]=r(mΔt),m=1,2,...,M。同时假设所有目标时延τi均在采样点上,即τi=diΔt,i=1,2,...,K,di为0到M的整数,则(1)式中的时域多目标接收信号的离散形式可以写为:
将离散接收信号(3)式输入匹配滤波器(脉冲响应设为h[m],m=1,2,...,M),其输出为:
其中,R[m]和W[m]分别是参考信号r(t)和噪声n(t)经过匹配滤波器的输出。
接着将上述观测模型(4)扩展成稀疏重构线性方程组模型,在一定时延范围(Ta,Tb)内设置维数为N的离散时延网格为:其中,/>均为整数,i=1,...,N。同时假设所有目标时延的离散值在网格中,即/>设目标幅度向量a=(a1,a2,...,aN)T的补零扩展形式为/>当且仅当/>(目标真实时延离散值)时,/>有非零分量值/>(目标真实幅度),其它/>当时延网格化总数N远大于真实目标个数K时,/>是一个稀疏度为K的稀疏向量,最后得到相关域上接收信号的(超完备)线性观测稀疏模型为:
上述现有技术结合经典的匹配滤波器和稀疏重构方法的多目标时延估计算法将传统的时延估计问题转换为稀疏重构的线性观测模型并求解,极大地提高了经典的相关函数类算法时延估计分辨力,同时在小样本情况下也仍然适用。但是由于此类算法是以传统的互相关函数为模板构建稀疏重构线性观测模型,其分辨力实际上也受到互相关函数分辨力的约束,在多目标相隔非常近的条件下不能满足多目标时延估计的高精度要求。此外,此方法在利用稀疏重构优化方法求解多目标时延时,也往往需预知多目标个数,这也在一定程度上限制了该方法的适用范围。
针对上述现有技术在多目标相隔较近时存在时延估计精度不足,在低信噪比时算法不稳定和算法复杂度较高等缺点,如图1所示,本发明提供了一种结合指数滤波器和l1范数稀疏重构算法的多目标时延估计方法,其实现方法如下:
S1、利用辐射源参考信号构造最优阶数p的指数滤波器Hp;
S2、将接收到的多目标接收信号输入至指数滤波器Hp,得到接收信号的指数阶互相关函数;
S3、对指数阶互相关函数进行小波软阈值去噪处理;
S4、利用经去噪后的指数阶互相关函数构建多目标时延参数稀疏重构优化模型;
S5、利用l1范数稀疏重构算法,对多目标时延参数稀疏重构优化模型进行求解,得到多目标时延估计值,完成对多目标时延稀疏的重构估计。
本实施例中,设带噪多目标接收信号如式(1),这里加性噪声n(t)假设为零均值且方差为σ2的高斯白噪声。参考信号r(t)以采样间隔Δt的离散采样信号为r[m]=r(mΔt),m=1,2,...,M,由参考信号r(t)构造阶数为p的指数滤波器Hp,其频率响应函数为Hp(ω)=|R(ω)|1+pR-1(ω),其脉冲响应函数hp(t)则为Hp(ω)的逆傅里叶变换。参考信号r(t)经过阶数为p的指数滤波器Hp的输出即为p阶指数阶自相关函数:
其中,rp[m]表示参考信号r(t)的p阶指数阶互相关函数的第m个采样值,hp[m]和hp[k]表示p阶指数滤波器单位冲击响应第m个采样值和第k个采样值,M表示采样值总数,r表示参考信号r(t)的离散采样信号,*表示离散卷积运算,r[m]表示参考信号r(t)的第m个采样值。
假设所有时延τi均在采样点上,即τi=diΔt,i=1,2,...,K,di为0到M的整数,则上述时域接收信号的离散信号为:
将离散接收信号输入指数滤波器Hp,其输出为:
其中,np[m]=n*hp[m]为噪声n(t)经过指数滤波器的输出。
本实施例中,为进一步提高指数滤波器的输出信噪比,本发明将指数滤波器的输出经过小波软阈值滤波算法去噪,其结果记为而噪声经过小波处理之后的结果则记为/>令观测向量/>目标幅度向量为a=(a1,a2,...,aK)T,噪声向量为/>则上述离散接收信号(8)式可以改写为如下的线性观测线性方程组模型:
yp=Apa+wp (10)
其中观测矩阵为:
上述线性观测模型(10)并不是稀疏形式,现将其扩展成稀疏重构模型,在一定时延范围(Ta,Tb)内设置维数为N的离散时延网格为:其中/>均为整数,i=1,...,N。同时假设所有目标时延的离散值在网格中,即/>设目标幅度向量的补零扩展形式为/>当且仅当/>(目标真实时延离散值)时,/>有非零分量值/>(目标真实幅度),其它/>当时延网格化总数N远大于真实目标个数K时,/>是一个稀疏度为K的稀疏向量。
同时,观测矩阵Ap的扩展形式为:
综上,指数相关域上接收信号的(超完备)线性观测稀疏模型为:
其中,表示多目标时延参数稀疏重构优化模型,yp表示指数相关域上接收信号的线性观测稀疏模型,||||1,||||2分别表示向量的l1和l2范数,λ表示超参数,/>表示观测矩阵,/>表示补零扩展后的N维待求目标幅度向量,其第n个分量为/> N表示/>的分量总数,即维数,/>表示/>的第N个分量,wp表示噪声向量,其第m个分量即为对噪声的第m个采样值/> 表示wp的第M个采样值,/>表示参考信号r(t)的p阶指数阶互相关函数第/>个采样值,T表示向量转置运算。
利用l1范数稀疏重构算法,对多目标时延参数稀疏重构优化模型进行求解,其具体为:
A1、利用l1范数稀疏重构算法,将多目标时延参数稀疏重构优化模型转换为以下具有线性不等式约束的凸二次优化问题:
其中,t表示时刻,在第一次迭代中给定初值,表示观测矩阵的转置,D1、D2、g1和g2表示均中间变量,Δa,Δu表示迭代向量/>u每一步的迭代方向,diag[·]表示对角阵,/>表示迭代向量/>第n个分量,n=1,2,...,N,N表示/>的分量总数,即维数;
B2、计算s=βρ的值,得到每一步迭代的步长,其中,α和β表示预先设定的常数,ρ表示满足下面不等式的最小正整数,s表示计算得到的中间变量:
其中,
其中,φt(·)表示多元函数,Δa,Δu表示分别向量u每一步的迭代方向,/>表示迭代方向向量Δa第n个分量,Δun表示迭代方向向量Δu第n个分量,n=1,2,...,N,N是/>和u的分量总数,即维数,βρ表示β的ρ次方;
反之,当误差ξ≥εrel时,按如下公式更新t回到步骤B1继续计算迭代:
本实施例中,smin和μ均为设定的常数。
下面对本发明作进一步说明。
仿真实例1
参考信号取为带宽为10MHz、起始载频为3000KHz的线性调频信号,在小样本(即小快拍)、低信噪比的情况下进行仿真实验。其中带噪声接收信号含有3个目标,输入信噪比为0dB,3个目标的真实时延分别为118、120和130(单位为采样点数)。接收信号用于稀疏重构的总快拍数为M=200,图2分别给出了接收信号经过匹配滤波器的输出,经过最优阶数为p=-0.3的指数滤波器的输出,以及阶数为p=-0.3的指数滤波器的输出经过小波滤波的输出,三个输出的峰值对应估计出的时延参数的位置。可以看到本发明基于小波软阈值滤波和指数滤波器的输出,对多目标的分辨力更强,同时也有着很好的抗噪声能力,相应的多目标时延估计结果更为准确。这里,输入信噪比定义为
仿真实例2
采用和仿真实例1相同的线性调频信号作为参考信号,考虑具有4个目标的多目标接收信号,输入信噪比为-3dB,真实时延为d1=112,d2=120,d3=130,d4=135(单位为采样点数)。经过J=100次独立的Monte Carlo实验,如图3所示,本发明所提基于指数滤波器的稀疏重构时延估计方法相比于基于匹配滤波器(即互相关函数)的稀疏重构时延估计方法,其峰值对多目标的分辨力更强,对真实时延的估计更为准确,并且具有更少的干扰伪峰,因此将具有更高的多目标时延估计精度。
仿真实例3
Claims (5)
1.一种基于指数滤波器的多目标时延稀疏重构估计方法,其特征在于,包括以下步骤:
S1、利用辐射源参考信号构造最优阶数p的指数滤波器Hp;
S2、将接收到的多目标接收信号输入至指数滤波器Hp,得到接收信号的指数阶互相关函数;
S3、对指数阶互相关函数进行小波软阈值去噪处理;
S4、利用经去噪后的指数阶互相关函数构建多目标时延参数稀疏重构优化模型;
S5、利用l1范数稀疏重构算法,对多目标时延参数稀疏重构优化模型进行求解,得到多目标时延估计值,完成对多目标时延稀疏的重构估计。
3.根据权利要求2所述的基于指数滤波器的多目标时延稀疏重构估计方法,其特征在于,所述多目标时延参数稀疏重构优化模型的表达式如下:
B1、利用共轭梯度迭代算法求解以下线性方程组给出目标幅度向量a和约束边界向量u每一步的迭代方向向量Δa,Δu:
其中,t表示时刻,在第一次迭代中给定初值,表示观测矩阵的转置,D1、D2、g1和g2表示均中间变量,Δa,Δu表示迭代向量/>u每一步的迭代方向,diag[·]表示对角阵,/>表示迭代向量/>第n个分量,n=1,2,...,N,N表示/>的分量总数,即维数;
B2、计算s=βρ的值,得到每一步迭代的步长,其中,α和β表示预先设定的常数,ρ表示满足下面不等式的最小正整数,s表示计算得到的中间变量:
其中,
其中,φt(·)表示多元函数,Δa,Δu表示分别向量u每一步的迭代方向,/>表示迭代方向向量Δa第n个分量,Δun表示迭代方向向量Δu第n个分量,n=1,2,...,N,N是/>和u的分量总数,即维数,βρ表示β的ρ次方;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310187536.8A CN116389198A (zh) | 2023-03-01 | 2023-03-01 | 一种基于指数滤波器的多目标时延稀疏重构估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310187536.8A CN116389198A (zh) | 2023-03-01 | 2023-03-01 | 一种基于指数滤波器的多目标时延稀疏重构估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116389198A true CN116389198A (zh) | 2023-07-04 |
Family
ID=86960555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310187536.8A Pending CN116389198A (zh) | 2023-03-01 | 2023-03-01 | 一种基于指数滤波器的多目标时延稀疏重构估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116389198A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117434426A (zh) * | 2023-11-20 | 2024-01-23 | 芯火微测(成都)科技有限公司 | 一种开关电容滤波器的测试方法、系统及装置 |
-
2023
- 2023-03-01 CN CN202310187536.8A patent/CN116389198A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117434426A (zh) * | 2023-11-20 | 2024-01-23 | 芯火微测(成都)科技有限公司 | 一种开关电容滤波器的测试方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108957388B (zh) | 一种基于协方差匹配sl0算法的mimo雷达相干信源doa估计方法 | |
CN109444810B (zh) | 一种非负稀疏贝叶斯学习框架下的互质阵列非网格doa估计方法 | |
CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
Ren et al. | Sinusoidal parameter estimation from signed measurements via majorization–minimization based RELAX | |
CN109116293B (zh) | 一种基于离格稀疏贝叶斯的波达方向估计方法 | |
Jiang et al. | Deep learning denoising based line spectral estimation | |
CN109598175B (zh) | 一种基于多小波基函数和超正交前向回归的时频分析方法 | |
CN110174658B (zh) | 基于秩一降维模型和矩阵补全的波达方向估计方法 | |
CN113376569B (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
CN116389198A (zh) | 一种基于指数滤波器的多目标时延稀疏重构估计方法 | |
CN111159888A (zh) | 一种基于互相关函数的协方差矩阵稀疏迭代时延估计方法 | |
CN112731306A (zh) | 基于CS和简化FrFT的UWB-LFM信号参数估计方法 | |
Zheng et al. | Sparse Bayesian learning for off-grid DOA estimation with Gaussian mixture priors when both circular and non-circular sources coexist | |
Sharifi-Tehrani et al. | Eigen analysis of flipped Toeplitz covariance matrix for very low SNR sinusoidal signals detection and estimation | |
CN110118958B (zh) | 基于变分编码-解码网络的宽带雷达复回波去噪方法 | |
CN111398912B (zh) | 基于张量低秩逼近的合成孔径雷达干扰抑制方法 | |
CN116165619A (zh) | 一种高机动目标运动参数估计和相参积累检测方法 | |
CN115221768A (zh) | 基于多嵌套阵列的改进无迹粒子滤波直接跟踪方法 | |
CN116626645B (zh) | 一种宽带雷达高速目标相参积累栅瓣抑制方法 | |
Song et al. | Block sparse Bayesian learning using weighted Laplace prior for super-resolution estimation of multi-path parameters | |
CN107656897B (zh) | 基于常量时间奇异值分解的快速高阶线路径分离方法 | |
Chen et al. | Angle estimation based on Vandermonde constrained CP tensor decomposition for bistatic MIMO radar under spatially colored noise | |
Alty et al. | Efficient time-recursive implementation of matched filterbank spectral estimators | |
CN111753681A (zh) | 基于Legendre小波多分辨率分析的分数阶系统辨识方法 | |
CN110927678B (zh) | 自适应稀疏分数阶模糊函数杂波抑制及动目标检测方法 |
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 |