CN117420525A - 信号源数量估计方法、装置、处理装置、雷达、及介质 - Google Patents
信号源数量估计方法、装置、处理装置、雷达、及介质 Download PDFInfo
- Publication number
- CN117420525A CN117420525A CN202311409850.2A CN202311409850A CN117420525A CN 117420525 A CN117420525 A CN 117420525A CN 202311409850 A CN202311409850 A CN 202311409850A CN 117420525 A CN117420525 A CN 117420525A
- Authority
- CN
- China
- Prior art keywords
- covariance matrix
- data
- signal source
- sequence
- data block
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 95
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000009825 accumulation Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000001427 coherent effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G01S7/418—Theoretical aspects
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)
Abstract
本公开实施例中提供信号源数量估计方法、装置、处理装置、雷达、及介质,方法包括:基于单帧回波数据进行二维频域变换以得到数据块;其中,单帧回波数据基于每个通道的一组发射信号的回波信号所生成,数据块包括每个通道的二维频谱图;基于数据块的恒虚警检测,以得到具有与通道数量相同维数的快拍数据;基于快拍数据构造协方差矩阵;对协方差矩阵进行去相干处理;基于重构协方差矩阵进行特征分解,以得到通道数量个的特征值;基于各特征值的大小排序形成序列,并根据序列中各对相邻特征值之间的最大差异关系确定信号源数量。能够在低信噪比下工作,只用单帧便能够具有很好地估计概率,具有很好的稳健性和鲁棒性,且计算量较低。
Description
技术领域
本公开涉及视线雷达探测技术领域,尤其涉及信号源数量估计方法、装置、处理装置、雷达、及介质。
背景技术
4D雷达在自动驾驶中扮演着必不可缺的角色,与传统雷达不同的是,4D雷达具备测量俯仰角的能力,且角分辨率比传统雷达要高,在角分辨率足够的情况下,需要能够准确估算出总共有多少个同距同速但不同角度的目标,这就需要进行目标信源估计。即超分辨算法需要事先获取雷达准确的信源数信息。
当前已有的信源估计算法中,包括AIC(信息论准则)、GDE(修正盖氏圆半径法)等,AIC准则和GDE两种方法需要在高信噪比条件下才能有相对准确的估计概率,需要在多个帧的积累下工作,且在低信噪比下误差概率较大,同时在工程应用上,两者的计算量较大,占据的计算资源较多,使用具有很大的局限性。
发明内容
鉴于以上所述现有技术的缺点,本公开的目的在于提供信号源数量估计方法、装置、处理装置、雷达、及介质,解决相关技术中的问题。
本公开第一方面提供一种信号源数量估计方法,应用于基于调频连续波进行探测的雷达;所述方法包括:基于多通道的单帧回波数据进行距离和速度的二维频域变换以得到数据块;其中,所述单帧回波数据基于每个通道的一组发射信号的回波信号所生成,所述数据块包括每个通道的二维频谱图;基于所述数据块的恒虚警检测,以得到具有与通道数量相同维数的单次的快拍数据;基于所述快拍数据构造协方差矩阵;对所述协方差矩阵进行去相干处理以得到重构协方差矩阵;基于重构协方差矩阵进行特征分解,以得到各个特征值;基于各所述特征值的大小排序形成序列,并根据所述序列中各对相邻特征值之间的最大差异关系确定较大特征值集和较小特征值集的分界点,根据较大特征值集中的特征值数量确定信号源数量。
在第一方面的实施例中,所述二维频域变换包括二维快速傅里叶变换;和/或,所述基于所述快拍数据构造协方差矩阵包括:基于所述快拍数据及其转置矩阵的乘积得到协方差矩阵。
在第一方面的实施例中,在所述基于所述数据块的恒虚警检测之前,包括:基于所述数据块进行非相干积累,并基于所述非相干积累的输出结果进行恒虚警检测,以得到所述快拍数据。
在第一方面的实施例中,所述对所述协方差矩阵进行去相干处理以得到重构协方差矩阵,包括:对所述协方差矩阵进行多次翻转,并对多次翻转后的矩阵求和以得到重构协方差矩阵。
在第一方面的实施例中,所述多次翻转包括:水平翻转和垂直翻转。
在第一方面的实施例中,所述基于各所述特征值的大小排序形成序列,并根据所述序列中各对相邻特征值之间的最大差异关系确定较大特征值集和较小特征值集的分界点,根据较大特征值集中的特征值数量确定信号源数量,包括:将各所述特征值从大至小排序,以得到所述序列;按所述序列顺序计算每对相邻特征值之间的比值,以确定分界点位于具有最大比值的两个相邻特征值之间,并将序列中分界点之前的特征值数量确定为所述信号源数量。
本公开第二方面提供一种信号源数量估计装置,应用于基于调频连续波进行探测的雷达;所述装置包括:信号处理模块,用于基于单帧回波数据进行二维频域变换以得到数据块;其中,所述单帧回波数据基于每个通道的一组发射信号的回波信号所生成,所述数据块包括每个通道的二维频谱图;目标检测模块,用于基于所述数据块的恒虚警检测,以得到具有与通道数量相同维数的单次的快拍数据;矩阵构造模块,用于基于所述快拍数据构造协方差矩阵;去相干处理模块,用于对所述协方差矩阵进行去相干处理以得到重构协方差矩阵;特征分解模块,用于基于重构协方差矩阵进行特征分解,以得到各个特征值;排序比较模块,用于基于各所述特征值的大小排序形成序列,并根据所述序列中各对相邻特征值之间的最大差异关系确定较大特征值集和较小特征值集的分界点,根据较大特征值集中的特征值数量确定信号源数量。
本公开第三方面提供一种信号处理装置,包括:处理器及存储器;所述存储器存储有程序指令;所述处理器,用于运行所述程序指令,以执行如第一方面中任一项所述的信号源数量估计方法。
本公开第四方面提供一种计算机可读存储介质,存储有程序指令,所述程序指令被运行以执行如第一方面中任一项所述的信号源数量估计方法。
本公开第五方面提供一种基于调频连续波进行探测的雷达,包括:收发天线阵列,被配置成等效的虚拟收发阵列,所述虚拟收发阵列包括:至少一个发射阵元、及其通道连接的多个接收阵元;如第三方面所述的信号处理装置,耦接所述收发天线阵列。
如上所述,本公开实施例中提供信号源数量估计方法、装置、处理装置、雷达、及介质,方法包括:基于单帧回波数据进行二维频域变换以得到数据块;其中,所述单帧回波数据基于每个通道的一组发射信号的回波信号所生成,所述数据块包括每个通道的二维频谱图;基于所述数据块的恒虚警检测,以得到具有与通道数量相同维数的单次的快拍数据;基于所述快拍数据构造协方差矩阵;对所述协方差矩阵进行去相干处理以得到重构协方差矩阵;基于重构协方差矩阵进行特征分解,以得到各个特征值;基于各所述特征值的大小排序形成序列,并根据所述序列中各对相邻特征值之间的最大差异关系确定较大特征值集和较小特征值集的分界点,根据较大特征值集中的特征值数量确定信号源数量。能够在低信噪比下工作,只用单帧便能够具有很好地估计概率,具有很好的稳健性和鲁棒性,且计算量较低。
附图说明
图1展示本公开实施例中的信号源数量估计方法的流程示意图。
图2展示雷达测距的信号处理原理示意图。
图3展示chirp帧结构示意图。
图4展示二维快速傅里叶变换的频谱图。
图5展示本公开一实施例中快拍数据获取的信号处理流程示意图。
图6展示一实验示例中本公开实施例中方法与AIC和GDE方法的信源数量估计效果对比的示意图。
图7展示本公开实施例中的信号源数量估计装置的模块示意图。
图8展示本公开实施例中信号处理装置的结构示意图。
具体实施方式
以下通过特定的具体示例说明本公开的实施方式,本领域技术人员可由本公开所揭露的消息轻易地了解本公开的其他优点与功效。本公开还可以通过另外不同的具体实施方式加以实施或应用模块,本公开中的各项细节也可以根据不同观点与应用模块,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
下面以附图为参考,针对本公开的实施例进行详细说明,以便本公开所属技术领域的技术人员能够容易地实施。本公开可以以多种不同形态体现,并不限定于此处说明的实施例。
在本公开的表示中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的表示意指结合该实施例或示例表示的具体特征、结构、材料或者特点包括于本公开的至少一个实施例或示例中。而且,表示的具体特征、结构、材料或者特点可以在任一个或一组实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本公开中表示的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于表示目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的表示中,“一组”的含义是两个或两个以上,除非另有明确具体的限定。
为了明确说明本公开,省略与说明无关的器件,对于通篇说明书中相同或类似的构成要素,赋予了相同的参照符号。
在通篇说明书中,当说某器件与另一器件“连接”时,这不仅包括“直接连接”的情形,也包括在其中间把其它元件置于其间而“间接连接”的情形。另外,当说某种器件“包括”某种构成要素时,只要没有特别相反的记载,则并非将其它构成要素排除在外,而是意味着可以还包括其它构成要素。
虽然在一些示例中术语第一、第二等在本文中用来表示各种元件,但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如,第一接口及第二接口等表示。再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、模块、项目、种类、和/或组,但不排除一个或一组其他特征、步骤、操作、元件、模块、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
此处使用的专业术语只用于言及特定实施例,并非意在限定本公开。此处使用的单数形态,只要语句未明确表示出与之相反的意义,那么还包括复数形态。在说明书中使用的“包括”的意义是把特定特性、区域、整数、步骤、作业、要素及/或成份具体化,并非排除其它特性、区域、整数、步骤、作业、要素及/或成份的存在或附加。
虽然未不同地定义,但包括此处使用的技术术语及科学术语,所有术语均具有与本公开所属技术领域的技术人员一般理解的意义相同的意义。普通使用的字典中定义的术语追加解释为具有与相关技术文献和当前提示的消息相符的意义,只要未进行定义,不得过度解释为理想的或非常公式性的意义。
空间谱估计是近几十年来发展起来的一种信号处理技术,它在雷达、通信、声纳等方面的应用越来越受到重视。信号源个数的估计是空间谱估计的一个重要环节,而且也是空间谱估计理论应用到实际中的一个最难解决的问题。因此,在最近的一个时期内,空间信号源个数估计成为该领域内的一个研究热点。
目前,4D雷达已成为自动驾驶的重要技术部分。4D雷达具备测量俯仰角的能力,且角分辨率比传统雷达要高,在角分辨率足够的情况下,需要能够准确估算出总共有多少个同距同速但不同角度的目标,这就需要进行目标信源估计。即超分辨算法需要事先获取雷达准确的信源数信息。但是,当前的信源数估计方法如AIC、GDE等,需要在高信噪比条件下才能有相对准确的估计概率,且需要在多个帧的积累下工作,且在低信噪比下误差概率较大,同时在工程应用上,两者的计算量较大,占据的计算资源较多,使用具有很大的局限性。
鉴于此,本公开的一些实施例中可以提供信号源数量估计方法,以解决以上问题。
如图1所示,展示本公开实施例中的信号源数量估计方法的流程示意图。
本公开实施例中的信号源数量估计方法可以应用于基于调频连续波(FMCW)进行探测的雷达,例如FMCW毫米波雷达(也有可能是FMCW激光雷达)。所述雷达可以是“3D”或“4D”的。其中,3D是指它可以测量距离、方位和速度,这三个维度的信息。4D毫米波雷达则又在此基础上,增加了俯仰角的测量能力,也就是能够检测到障碍物的高度信息。
在一些实施例中,所述雷达可以具有收发天线阵列,在发射端和接收端都采用多根天线,以能通过多入多出(MIMO)技术等效为虚拟天线阵列。比如,3发射天线及4接收天线,可以得到等效的虚拟天线阵列,包含1个发射阵元以及3*4=12个接收阵元,由此形成1个发射阵元分别同12个接收阵元之间的相互独立的通道,即12个通道。这种虚拟阵列可以比等效实体阵列大得多。与等效的实体阵列天线相比,MIMO系统将以较小的代价具有更好的空间分辨率。
在图1中,所述信号源数量估计方法包括:
步骤S101:基于多通道的单帧回波数据进行距离和速度的二维频域变换以得到数据块。
为清楚介绍所述二维频域变换,以下先简要介绍FMCW雷达进行测距及测速的原理。
如图2所示,图中上方的坐标系是横轴为时间、以及纵轴为频率的坐标系,FMCW雷达可以连续发送频率线性变化的特定波形的信号,该波动性如图中的斜线形状,被称为啁啾(Chirp)。示例性地,图中仅展示发射信号包含的一个chirp,展示为TX chirp。TX chirp被发射阵元发射后,射到信号源(或称目标)后形成回波信号返回,被至少一个通道的接收阵元所接收,回波信号展示为图中的RX chirp。TX chirp和RX chirp波形相同,相互之间的时延τ为发射TX chirp到通道接收到RX chirp的飞行时间。TX chirp和RX chirp经混频,可以得到恒定频率的中频信号(IF Signal),其频率为以TX chirp和RX chirp之间在重叠时间上的频率差f0=Sτ,S为TX chirp和RX chirp的斜率。τ与雷达同目标的间距d满足τ=2d/c,c为信号速度,可以得到f0=S*2d/c,得到d=f0*c/2S,即得到目标距离。
当需要对多个目标进行测距时,就需要发出N>2数量的chirp。如图3中所示,每一组多个chirp构成一个帧(frame),图中标识了chirp C1~CN的帧结构,则相应的也能收到一帧的回波信号,并经数字化处理为数字格式的回波数据(即ADC数据),其中可以包含了多个目标的信息。每个chirp的回波数据有数据长度,一个通道收到的一帧chirp的回波数据,即一帧数据存储成一个二维矩阵形式。对该矩阵执行距离维度的一维频域变换,输出结果以连续行的形式存储在矩阵中。其中,每一行对应于一个chirp。其中,所述一维频域变换可以是傅里叶变换,优选为快速傅里叶变换(FFT)。
当对各个目标进行测距和测速时,则对一帧回波数据执行二维频域变换,例如二维快速傅里叶变换(2D-FFT),输出结果如图4所示的矩阵,其中的每列暗点表示距离和频率索引,为频率峰值而可能对应于目标。
可以理解的是,在有多个通道的情况下,所述单帧回波数据基于每个通道的一组发射信号的回波信号所生成,所述数据块包括每个通道的二维频谱图,在距离和速度两维FFT的情况下得到的是距离多普勒矩阵(Range-Dopple Matrix,RDM)。多个通道的二维频谱图会叠加形成三维的数据块。例如图5所示,多通道的一帧ADC数据,每个chirp的数据长度为512,一帧共256个chirp,通道有8个,该帧ADC数据呈现为256*512*8的最左侧的三维矩阵,经过2D-FFT之后,得到左数第二个256*512*8的三维矩阵形式的数据块。
步骤S102:基于所述数据块的恒虚警检测,以得到具有与通道数量相同维数的单次的快拍数据。
在一些实施例中,在所述基于所述数据块的恒虚警检测之前,可以包括:基于所述数据块进行非相干积累,并基于所述非相干积累的输出结果进行恒虚警检测,以得到所述快拍数据。积累是雷达信号处理中提高信噪比的常用技术之一,相干积累和非相干积累都被广泛使用。相干积累是指复数的积累,非相干积累是指仅基于数据量(幅值)的积累。非相干积累可将数据块各通道的数据积累起来构成一个矩阵。例如,图5中展示了非相干积累后的结果。
恒虚警检测(CFAR,Constant False Alarm Rate Detector)主要作用是在背景噪声中检测出目标信号,同时保证误检概率不变。具体实现方式可例如通过窗口在矩阵上滑动,对窗口内的检测单元(CUT,cell under test)与参考单元之间计算信号强度差异的明显性,以判断检测单元处是否有目标。常见的恒虚警检测方法包括CA-CFAR、SO-CFAR、GO-CFAR、WCA-CFAR等。
作为示例,在图5中,通过CFAR后可以得到目标的距离和速度。最后得到长度为8个值的单次的快拍数据,此数据包含同距同速下所有目标的信息。通过对此快拍数据的波达方向定位(DOA)处理,可以得到同距同速下的不同目标的角度,可以将不同角度下但是距离速度一样的不同目标区分出。
步骤S103:基于所述快拍数据构造协方差矩阵。
在一些实施例中,可以基于所述快拍数据及其转置矩阵的乘积得到协方差矩阵。举例来说,示例性地,对于得到的快拍数据中的n个值用X(n)表示,其中n表示通道个数,可以求其协方差矩阵Rf=X*XH,X和XH即为X(n)的矩阵及转置矩阵的表达。设n=8,则X可以是8×1矩阵,XH为1×8矩阵,两者相乘得到8×8的协方差矩阵。
步骤S104:对所述协方差矩阵进行去相干处理以得到重构协方差矩阵。
在一些实施例中,可以对所述协方差矩阵进行多次翻转,并对多次翻转后的矩阵求和以得到重构协方差矩阵。所述多次翻转包括:水平翻转和垂直翻转。例如,对于协方差矩阵Rf进行左右翻转和上下翻转,得到新的矩阵Rs,将Rf和Rs进行相加,得到新的矩阵R=Rf+Rs,此步骤为去相干处理,水平翻转和垂直翻转后相加作用在于实现矩阵的空间平滑,防止矩阵出现不满秩,混入相干信号的情况出现。此种做法不会对信息有破坏,可以将矩阵对角线进行平均化,消除相干信号的影响。该去相干处理与普通去相干处理方式相比,只需要采用单次的快拍数据,计算量小且也能得到满秩矩阵,以方便进行后续的处理。
步骤S105:基于重构协方差矩阵进行特征分解,以得到各个特征值。
特征值分解(EVD),又称谱分解(Spectral decomposition),是将矩阵分解为由其特征值和特征向量表示的矩阵之积的方法。
例如,对于矩阵Rn×n,Rn×n的EVD可以表示为:
R=U∑UH,Σ为由n个特征值为主对角线元素的对角阵。U为n个特征向量张成的矩阵,ui为U的列向量,若将n个特征向量标准化,即||ui||2=1,此时n个特征向量为标准正交基,满足UHU=I,所以U为酉矩阵。以前述示例中构建的n=8,即8×8的协方差矩阵为例,可以经特征值分解得到对角阵的8个特征值。
步骤S106:基于各所述特征值的大小排序形成序列,并根据所述序列中各对相邻特征值之间的最大差异关系确定较大特征值集和较小特征值集的分界点,根据较大特征值集中的特征值数量确定信号源数量。
具体而言,在阵列信号处理中得到的协方差矩阵的特征值分解,其中较大的特征值对应于信号子空间,即目标(信号源)张成的空间向量,有多少个较大的特征值即对应有多少个而相对较小的特征值的数量对应于噪声空间。为简单准确地区分“较大”和“较小”的标准,通过序列中相邻特征值的差异比较以找到差异最大化的位置确定为信号空间和噪声空间的分界点,以此确定信号源数量。示例性地,所述差异比较可以通过比值来表示,或者也可以通过其它计算方式。作为示例,可以将各所述特征值从大至小排序,以得到所述序列;按所述序列顺序计算每对相邻特征值之间的比值,以确定分界点位于具有最大比值的两个相邻特征值之间,并将序列中分界点之前的特征值数量确定为所述信号源数量。
更直观地进行举例,对于去相干处理后的R进行特征值分解,得到8个特征值用μn来表示,将μn的值按从大到小进行排列得到,μ1≥μ2≥…≥μ8。令βk为观测样本矩阵的主要特征值。最终估计的信源个数由/>给出。
若序列为{9,8,7,6,2,2,2,1},则可得到各9/8,8/7,7/6,6/2,2/2,2/2,2/1,可以得到6/2处的分界点,向前9、8、7、6较大特征值有4个,则信号源数量为4。
可以理解的,本公开实施例中的方法,可以采用改进的特征值分解算法来估计低信噪比下的相干信号源的个数。通过构建单次快拍数据对应的协方差矩阵,通过空间平滑的去相干处理,进行重构协方差矩阵,保证协方差矩阵的非奇异性质。并且,对重新构建的协方差矩阵进行特征值分解。采用单次去相干处理,可以有效对协方差矩阵进行重构,得到满秩协方差矩阵。
通过方便准确的序列及比较方式,确定大特征值和小特征值的分界点,以此快速确定信号源数量,即同距同速下的目标个数。在确定目标个数之后,就可以进行后续的超分辨测角估计算法。在一些需要事先知道信源个数的超分辨算法中,信源数量估计很关键,同时在最终的超分辨测角估计算法能得到更加精确可靠的目标方位角信息。利用此方法中对特征值的特殊处理,可以使得信源估计在低信噪比下比其它常用算法具有更好的性能,而且能够在具有相干信号情况下也能正常工作;计算量相比于其它常用算法更低,有利于实际工程中的实现。
如图6所示,申请人在具体实验中对比本公开实施例中的方法与传统AIC和GDE方法所达到的信源数量估计效果。给出均匀8根线阵情况下,三个同距同速不同角度目标的1000次蒙特卡洛仿真,仿真均是在单快拍情况下进行的。可见本公开实施例中的方法在不同SNR下均获得最高的数量估计成功率。即本公开实施例中的方法相比于常用的信源数量估计方法,能够在低信噪比下工作,只用单帧便能够具有很好地估计概率,具有很好的稳健性和鲁棒性,且计算量较低,可用于工程中实现。
如图7所示,展示本公开实施例中的信号源数量估计装置的模块示意图。所述信号源数量估计装置应用于基于调频连续波进行探测的雷达。所述信号源数量估计装置的原理、技术实现可以参考之前实施例中的信号源数量估计方法实施例(例如图1),因此本实施例中不作重复赘述。
所述信号源数量估计装置700包括:
信号处理模块701,用于基于单帧回波数据进行二维频域变换以得到数据块;其中,所述单帧回波数据基于每个通道的一组发射信号的回波信号所生成,所述数据块包括每个通道的二维频谱图;
目标检测模块702,用于基于所述数据块的恒虚警检测,以得到具有与通道数量相同维数的单次的快拍数据;
矩阵构造模块703,用于基于所述快拍数据构造协方差矩阵;
去相干处理模块704,用于对所述协方差矩阵进行去相干处理以得到重构协方差矩阵;
特征分解模块705,用于基于重构协方差矩阵进行特征分解,以得到各个特征值;
排序比较模块706,用于基于各所述特征值的大小排序形成序列,并根据所述序列中各对相邻特征值之间的最大差异关系确定较大特征值集和较小特征值集的分界点,根据较大特征值集中的特征值数量确定信号源数量。
需特别说明的是,在图7实施例中的各个功能模块,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以程序指令产品的形式实现。程序指令产品包括一个或一组程序指令。在计算机上加载和执行程序指令指令时,全部或部分地产生按照本公开的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。程序指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
并且,图7实施例所揭露的装置,可通过其它的模块划分方式实现。以上所表示的装置实施例仅仅是示意性的,例如所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如一组模块或模块可以结合或者可以动态到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接于可以是通过一些接口,装置或模块的间接耦合或通信连接于,可以是电性或其它的形式。
另外,图7实施例中的各功能模块及子模块可以动态在一个处理部件中,也可以是各个模块单独物理存在,也可以两个或两个以上模块动态在一个部件中。上述动态的部件既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述动态的部件如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
需特别说明的是,本公开上述实施例的流程图表示的流程或方法表示可以被理解为,表示包括一个或更一组被配置成实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能。
例如,图1方法实施例中的各个步骤的顺序可能可以在具体场景中加以变化,并非以上述表示为限。
如图8所示,展示本公开实施例中信号处理装置的结构示意图。
所述信号处理装置800包括总线801、处理器802、存储器803。处理器802、存储器803之间可以通过总线801通信。所述存储器803中可以存储有程序指令。所述处理器802通过运行存储器803中的程序指令来实现之前实施例中方法步骤,比如图1中的方法。
总线801可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,虽然图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。当然,图示中的总线连接方式仅为示例,在其他实施例中也可以采用直连的方式,并非以总线连接方式为限。
在一些实施例中,处理器802可以为中央处理器(Central Processing Unit,CPU)、微处理单元(MCU)、片上系统(System On Chip)、或现场可编程逻辑阵列(FPGA)等实现。存储器803可以包括易失性存储器(Volatile Memory)以用于运行程序时的数据暂存使用,例如随机存取存储器(Random Access Memory,RAM)。
存储器803还可以包括非易失性存储器(non-volatile memory)以用于数据存储,例如只读存储器(Read-Only Memory,ROM),快闪存储器,硬盘驱动器(Hard Disk Drive,HDD)或固态盘(Solid-State Disk,SSD)。
在一些实施例中,所述电子装置800还可以包括通信器804。所述通信器804用于与外部通信。在具体实例中,所述通信器804可以包括一个或一组有线和/或无线通信接口。
本公开实施例中还可以提供基于调频连续波进行探测的雷达,包括:收发天线阵列,被配置成等效的虚拟收发阵列,所述虚拟收发阵列包括:至少一个发射阵元、及其通道连接的多个接收阵元;例如图8中的信号处理装置,耦接所述收发天线阵列。所述信号处理装置作为雷达中的。在应用示例中,所述雷达可以是3D或4D的毫米波雷达。
本公开实施例中还可以提供一种计算机可读存储介质,其特征在于,存储有程序指令,所述程序指令被运行执行例如图1实施例中的信号源数量估计方法。
即上述实施例中的方法步骤被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此表示的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。
综上所述,本公开实施例中提供信号源数量估计方法、装置、处理装置、雷达、及介质,方法包括:基于单帧回波数据进行二维频域变换以得到数据块;其中,所述单帧回波数据基于每个通道的一组发射信号的回波信号所生成,所述数据块包括每个通道的二维频谱图;基于所述数据块的恒虚警检测,以得到具有与通道数量相同维数的单次的快拍数据;基于所述快拍数据构造协方差矩阵;对所述协方差矩阵进行去相干处理以得到重构协方差矩阵;基于重构协方差矩阵进行特征分解,以得到各个特征值;基于各所述特征值的大小排序形成序列,并根据所述序列中各对相邻特征值之间的最大差异关系确定较大特征值集和较小特征值集的分界点,根据较大特征值集中的特征值数量确定信号源数量。能够在低信噪比下工作,只用单帧便能够具有很好地估计概率,具有很好的稳健性和鲁棒性,且计算量较低。
上述实施例仅例示性说明本公开的原理及其功效,而非用于限制本公开。任何熟悉此技术的人士皆可在不违背本公开的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本公开所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本公开的权利要求所涵盖。
Claims (10)
1.一种信号源数量估计方法,其特征在于,应用于基于调频连续波进行探测的雷达;所述方法包括:
基于多通道的单帧回波数据进行距离和速度的二维频域变换以得到数据块;其中,所述单帧回波数据基于每个通道的一组发射信号的回波信号所生成,所述数据块包括每个通道的二维频谱图;
基于所述数据块的恒虚警检测,以得到具有与通道数量相同维数的单次的快拍数据;
基于所述快拍数据构造协方差矩阵;
对所述协方差矩阵进行去相干处理以得到重构协方差矩阵;
基于重构协方差矩阵进行特征分解,以得到各个特征值;
基于各所述特征值的大小排序形成序列,并根据所述序列中各对相邻特征值之间的最大差异关系确定较大特征值集和较小特征值集的分界点,根据较大特征值集中的特征值数量确定信号源数量。
2.根据权利要求1所述的信号源数量估计方法,其特征在于,所述二维频域变换包括二维快速傅里叶变换;和/或,所述基于所述快拍数据构造协方差矩阵包括:基于所述快拍数据及其转置矩阵的乘积得到协方差矩阵。
3.根据权利要求1所述的信号源数量估计方法,其特征在于,在所述基于所述数据块的恒虚警检测之前,包括:
基于所述数据块进行非相干积累,并基于所述非相干积累的输出结果进行恒虚警检测,以得到所述快拍数据。
4.根据权利要求1所述的信号源数量估计方法,其特征在于,所述对所述协方差矩阵进行去相干处理以得到重构协方差矩阵,包括:
对所述协方差矩阵进行多次翻转,并对多次翻转后的矩阵求和以得到重构协方差矩阵。
5.根据权利要求4所述的信号源数量估计方法,其特征在于,所述多次翻转包括:水平翻转和垂直翻转。
6.根据权利要求1所述的信号源数量估计方法,其特征在于,所述基于各所述特征值的大小排序形成序列,并根据所述序列中各对相邻特征值之间的最大差异关系确定较大特征值集和较小特征值集的分界点,根据较大特征值集中的特征值数量确定信号源数量,包括:
将各所述特征值从大至小排序,以得到所述序列;
按所述序列顺序计算每对相邻特征值之间的比值,以确定分界点位于具有最大比值的两个相邻特征值之间,并将序列中分界点之前的特征值数量确定为所述信号源数量。
7.一种信号源数量估计装置,其特征在于,应用于基于调频连续波进行探测的雷达;所述装置包括:
信号处理模块,用于基于单帧回波数据进行二维频域变换以得到数据块;其中,所述单帧回波数据基于每个通道的一组发射信号的回波信号所生成,所述数据块包括每个通道的二维频谱图;
目标检测模块,用于基于所述数据块的恒虚警检测,以得到具有与通道数量相同维数的单次的快拍数据;
矩阵构造模块,用于基于所述快拍数据构造协方差矩阵;
去相干处理模块,用于对所述协方差矩阵进行去相干处理以得到重构协方差矩阵;
特征分解模块,用于基于重构协方差矩阵进行特征分解,以得到各个特征值;
排序比较模块,用于基于各所述特征值的大小排序形成序列,并根据所述序列中各对相邻特征值之间的最大差异关系确定较大特征值集和较小特征值集的分界点,根据较大特征值集中的特征值数量确定信号源数量。
8.一种信号处理装置,其特征在于,包括:
处理器及存储器;
所述存储器存储有程序指令;
所述处理器,用于运行所述程序指令,以执行如权利要求1至6中任一项所述的信号源数量估计方法。
9.一种计算机可读存储介质,其特征在于,存储有程序指令,所述程序指令被运行以执行如权利要求1至6中任一项所述的信号源数量估计方法。
10.一种基于调频连续波进行探测的雷达,其特征在于,包括:
收发天线阵列,被配置成等效的虚拟收发阵列,所述虚拟收发阵列包括:至少一个发射阵元、及其通道连接的多个接收阵元;
如权利要求8所述的信号处理装置,耦接所述收发天线阵列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311409850.2A CN117420525A (zh) | 2023-10-27 | 2023-10-27 | 信号源数量估计方法、装置、处理装置、雷达、及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311409850.2A CN117420525A (zh) | 2023-10-27 | 2023-10-27 | 信号源数量估计方法、装置、处理装置、雷达、及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117420525A true CN117420525A (zh) | 2024-01-19 |
Family
ID=89526067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311409850.2A Pending CN117420525A (zh) | 2023-10-27 | 2023-10-27 | 信号源数量估计方法、装置、处理装置、雷达、及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117420525A (zh) |
-
2023
- 2023-10-27 CN CN202311409850.2A patent/CN117420525A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111373282B (zh) | 用于fmcw雷达系统的雷达处理链 | |
EP1850147A1 (en) | Arriving correction deducing device and program | |
CN109581352B (zh) | 一种基于毫米波雷达的超分辨测角系统 | |
CN110673086A (zh) | 一种基于数字阵列雷达的二维角度超分辨方法 | |
CN111736131A (zh) | 一种剔除一比特信号谐波虚假目标的方法及相关组件 | |
CN113504522B (zh) | 一种基于发射天线随机切换的时空解耦与超分辨测角方法 | |
CN109884627B (zh) | 任意线阵构型的近程毫米波快速三维成像方法 | |
CN113109781B (zh) | 波达方向估计方法、雷达和可移动设备 | |
CN114609623B (zh) | 单脉冲雷达的目标检测方法、装置和计算机设备 | |
CN110579737B (zh) | 一种杂波环境中基于稀疏阵列的mimo雷达宽带doa计算方法 | |
Ding et al. | Tdm-mimo automotive radar point-cloud detection based on the 2-d hybrid sparse antenna array | |
CN115327473B (zh) | 等效多快拍的4d毫米波雷达测角方法、装置及相关设备 | |
JP7056212B2 (ja) | 方位推定方法および装置 | |
CN117420525A (zh) | 信号源数量估计方法、装置、处理装置、雷达、及介质 | |
CN114265058A (zh) | Mimo雷达目标测角方法、装置、电子设备及存储介质 | |
KR102331907B1 (ko) | 거리와 각도 동시 추정을 위한 레이더 신호 처리 장치 및 그 방법 | |
Cui et al. | Millimetre-wave Radar for Low-Cost 3D Imaging: A Performance Study | |
JP2014142261A (ja) | レーダ装置 | |
CN109061592B (zh) | 基于压缩感知的多点发射毫米波雷达测向方法 | |
CN113093111A (zh) | 基于压缩感知和遗传算法的均匀圆阵解调二维相干信号方法及系统 | |
Schurwanz et al. | Compressive sensing techniques applied to a semi-circular mmWave MIMO array | |
CN112698263A (zh) | 一种基于正交传播算子的单基地互质mimo阵列doa估计算法 | |
JP7191262B1 (ja) | レーダ装置 | |
CN116106847B (zh) | 毫米波雷达二维联合超分辨测角方法、装置及存储介质 | |
CN116256716B (zh) | 基于加权线性拟合的毫米波雷达超分辨方法和系统 |
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 |