平面稀布天线阵列的优化算法

基于一种改进的实数遗传算法,以降低平面稀布阵旁瓣电平为优化目标,提出了一种综合有阵元数约束、孔径约束和最小阵元间距约束的稀布面阵的新方法。与稀疏布阵相比,该方法利用了阵元在布阵时更大的自由度,因而在阵元数、孔径和最小阵元间距相同的条件下可以获得更优的峰值旁瓣性能,仿真试验显示了改进的实数遗传算法应用到该多约束稀布平面阵优化问题中是稳健和高效的。     

一种稳健的机载面阵雷达非均匀杂波抑制方法

在非均匀杂波和密集目标环境下,由于没有足够的独立同分布(IID)训练样本,传统空时自适应处理(STAP)方法的杂波抑制性能严重下降。针对以上问题,该文提出一种对阵元误差稳健的机载面阵雷达非均匀杂波抑制方法。该方法首先根据雷达系统参数先验知识构造杂波表示基矩阵。然后在考虑阵元误差的情况下,基于最小二乘准则迭代地估计杂波表示系数和阵元误差,最后利用估计得到的最优杂波表示系数和阵元误差直接在阵元脉冲域进行杂波对消。该方法无须估计待检测单元统计特性;没有孔径损失;不需要训练样本;即使在距离模糊情况下也能有效地抑制密集目标环境下机载面阵雷达回波数据中的非均匀杂波。仿真结果验证了该文方法的有效性。     

阵元失效下基于Khatri-Rao积的高分辨测向方法

在雷达、声呐、深空通信等实际应用中,阵元的失效会造成检测性能下降,虚警率增加;在目标方位估计中,阵元失效会造成采样协方差矩阵的秩亏问题,使得基于子空间类的传统目标方位估计方法失效。针对存在阵元失效的均匀线列阵的目标方位估计问题,提出了一种基于Khatri-Rao(KR)积处理的阵列自由度恢复方法以及Toeplitz矩阵数据重构的高分辨DOA估计方法。首先对有损伤的阵列采样协方差矩阵进行KR积处理,将产生的冗余项进行平均处理, 处理后的阵列模型将重构阵列自由度,并将阵列孔径扩展为之前的2倍。该阵列模型等效为一确定噪声下的单快拍的相干源估计, 采用基于Toeplitz矩阵数据重构的方法来去相干,重构协方差,最后采用MUSIC方法进行方位估计。数值仿真表明该方法能有效解决均匀线列阵阵元失效下的自由度损失问题,提高阵列的目标方位估计性能,而且具有计算量小的优点。     

基于复值深度神经网络的目标检测方法

针对雷达在检测概率要求严苛的多旁瓣干扰复杂场景下使用传统目标检测方法无法满足需求,性能有待进一步提升的问题,本文提出了一种基于多通道复值深度神经网络的雷达目标检测方法。传统脉冲体制阵列雷达的恒虚警率目标检测通常在和通道进行,在对回波信号进行空域相参预处理过程中获得了相参积累的同时丢失了阵元间的相位信息,而实际上目标回波在阵元间存在着一定的相位关系。本文利用神经网络强大的拟合能力和分类能力,将目标检测视为二元分类问题,设计复值深度神经网络深入挖掘目标与背景在不同阵元间的幅度及相位信息差异,从而在传统目标检测和通道-距离-多普勒空间的更前端更好地区分目标与背景的差异,提升了雷达目标检测性能。实验结果显示,所提方法在存在大量旁瓣干扰的场景下,相较传统方法具有更好的检测性能表现和抗干扰能力,且在杂波环境中也有良好的表现。      

均匀圆阵相干信源DOA估计的模式平滑算法

本文提出了一种适用于均匀圆阵的相干信源空间谱估计的方法。它利用空间预处理技术,将阵元空间的均匀圆阵变换成相位模式空间内的虚拟均匀线阵。通过将均匀线阵的空间平滑技术和增强平滑技术应用于该虚拟阵,可获得文中的模式平滑算法。该算法仅利用一维搜索就可使均匀圆阵具有检测相干信源的能力,避免了将圆阵看成是一般平面阵时所必须的多维搜索,减少了计算量。计算机模拟结果证明了该算法的正确性和有效性。     

七元非典型声强向量阵对舰船的被动定向和尺度估计

该文提出了利用七元非典型声强向量阵对舰船体积目标3亮点部位定向和定位的方法。基阵的7个阵元都可以布放在水下探测平台表面,并且阵元间的间距可以根据平台尺寸进行调整,便于工程应用。舰船体积目标中部、中后部辐射的低频声源用声强向量法定向,舰船尾部辐射的高频声源用传统的时延估计法定向,两种方法可以在同一基阵上实现。利用实测舰船辐射噪声数据进行了计算机仿真。仿真结果表明:该方法能够实现舰船目标3亮点部位的高精度定向,在信噪比10dB时,定向误差在2以内。并且在探测平台深度已知的情况下,利用定向的结果能够对舰船目标进行尺度估计,估计精度小于船长的10％。     

基于PSO-MUSIC算法的分布式目标DOA估计

提出了一种基于粒子群优化算法（PSO）和多重信号分类（MUSIC）算法的分布式目标波达方向（Direction of Arrival,DOA）估计方法。在空间欠采样情况下,该方法首先利用粒子群优化算法优化阵列阵元间距,得到阵列天线方向图高旁瓣电平最小情况下的阵元间距,阵列阵元间距决定了阵列流形,然后在该阵列流形下构造分布式目标信号模型,最后结合分布式目标导向矢量和MUSIC算法获得空间欠采样情况下分布式目标中心DOA的准确估计。仿真结果表明了该方法的有效性。     

基于空域稀疏性的嵌套MIMO雷达DOA估计算法

针对传统MIMO雷达可分辨目标数受限于虚拟阵元数的问题,该文提出一种基于嵌套阵的MIMO雷达阵形设计新方法并改进了相应的稀疏DOA估计算法。首先分析对传统MIMO雷达的虚拟阵元进行嵌套采样给DOA估计性能带来的影响;然后提出嵌套MIMO雷达阵形设计方法,在虚拟阵元数相同的情况下,该阵形比传统阵形分辨更多的目标;最后提出一种基于空域稀疏性的嵌套MIMO雷达改进DOA估计算法,该算法使用噪声子空间加权,在提高分辨率的同时可以有效消除伪峰。仿真结果验证了该文算法的有效性和优越性。     

阵元失效条件下MIMO雷达成像方法研究

为了提高天线阵元失效条件下非均匀采样MIMO雷达的成像性能,提出了一种基于失效阵元丢失数据重构的MIMO雷达成像方法。该方法先对失效阵元丢失的数据上叠加幅度微小的随机扰动量,利用矩阵填充技术恢复成均匀采样整体数据,并采用迭代加权lq方法获得低精度的目标场景向量估计值,然后根据该目标场景向量估计值和感知矩阵重构出失效阵元所丢失的回波数据,最后利用矩阵填充和迭代加权lq方法以获得更接近最佳稀疏度的目标场景向量估计值。仿真结果表明,该方法能有效降低天线阵元失效情况下MIMO雷达的目标场景向量估计误差,提高目标的三维成像质量。     

基于空间三维非均匀SISO阵列雷达的介质目标快速成像算法

近年来,随着高精度定位系统的迅猛发展,基于手持式毫米波雷达的阵列成像技术在无损检测和医疗成像等涉及介质内部结构成像的领域中引起了广泛关注.与常见的二维（Two-Dimensional,2D）平面单发单收（SingleInput-Single-Output,SISO）阵列不同的是,基于手持式毫米波雷达的阵列,其阵元通常非均匀分布于三维（Three-Dimensional,3D）空间中,导致现有的基于平面SISO阵列的对介质目标内部结构进行快速成像重构的算法无法适用.为此,本文提出了一种适用于空间3D非均匀SISO阵列雷达的半空间介质目标快速成像算法.该算法将空间3D非均匀SISO阵列的每一个阵元扩展为一个的虚拟阵列,然后将所有虚拟阵列的回波数据变换至波数域后进行相干累加,最后通过3D逆傅里叶变换（Inverse Fourie Transform,IFT）实现快速成像.数值仿真和实验测量表明,与同样适用于该场景的改进后向投影（Improved Backward Projection,IBP）算法相比,在本文给定的成像参数条件下,所提算法可以在保证成像质量的同时,将成像时间缩短94%以上.     

一种多基地雷达抗距离欺骗干扰技术

针对距离多假目标欺骗干扰下多基地雷达系统,提出一种基于同源定位检验的抗欺骗干扰技术。首先,各接收站对获取到的目标角度量测进行预处理,划分出同一方位向上目标并进行数据压缩,以此提高同一方向上目标角度量测精度;同时,利用发射站和接收站组成的双基地雷达系统进行目标定位;最后,将各站定位结果进行同源定位检验,并融合检验后结果。仿真结果表明:该方法能有效抑制距离多假目标欺骗干扰,并能对多目标进行精确定位。     

仅依赖连通度的压缩感知多目标定位方法

提出仅依赖连通度的多目标定位方法,将多目标定位问题转化为基于压缩感知的稀疏向量重构,解决室内参照物高密度分布的目标定位问题。定位方法仅以连通度为观测值,运用最小化l1-范数法求解目标位置。当观测数据压缩为1 bit时,提出半正定松弛和不动点迭代法结合的目标求解算法。根据仿真实验结果,与MDS-MAP、DV-Hop和RSS-CS方法进行比较得出,仅连通度的非1-bit和1-bit量化的CS定位方法的平均定位误差小于1个网格,且2种方法占用的比特数只相当于RSS定位方法占用比特数的 和 。     

Decentralized Consensus Based Target Localization in Wireless Sensor Networks

Target localization is an attractive subject for modern systems that utilize different types of distributed sensors for location based services such as navigation, public transport, retail services and so on. Target localization could be performed in both centralized and decentralized manner. Due to drawbacks of centralized systems such as security and reliability issues, decentralized systems are become more desirable. In this paper, we introduce a new decentralized and cooperative target localization algorithm for wireless sensor networks. In cooperative consensus based localization, each sensor knows its own location and estimates the targets position using the ranging techniques such as received signal strength. Then, all nodes cooperate with their neighbours and share their information to reach a consensus on targets location. In our proposed algorithm, we weight the received information of neighbour nodes according to their estimated distance toward the target node. Simulation results confirm that our proposed algorithm is faster, less sensitive to targets location and improves the localization accuracy by 85% in comparison with distributed Gauss–Newton algorithm.     

Multi-target localization algorithm based on adaptive grid in wireless sensor network

The RSS-based multi-target localization has the natural property of the sparsity in wireless sensor networks.A multi-target localization algorithm based on adaptive grid in wireless sensor networks was proposed,which divided the multi-target localization problem into two phases:large-scale grid-based localization and adaptive grid-based localization.In the large-scale grid-based localization phase,the optimal number of measurements was determined due to the sequential compressed sensing theory,and then the locations of the initial candidate grids were reconstructed by applying l_p (0＆lt; p＆lt;1) optimization.In the adaptive grid-based localization phase,the initial candidate grids were adaptively partitioned according to the compressed sensing theory,and then the locations of the targets were precisely estimated by applying l_poptimization once again.Compared with the traditional multi-target localization algorithm based on compressed sensing,the simulation results show that the proposed algorithm has higher localization accuracy and lower localization delay without foreknowing the number of targets.Therefore,it is more appropriate for the multi-target localization problem in the large-scale wireless sensor networks.     

结合SBL的双脉冲频控阵雷达离网目标定位方法

目标定位是雷达信号处理中一个具有重要理论意义与实际意义问题。为解决频控阵雷达传统的目标定位算法存在计算量大、目标真实位置偏离空间离散采样网格等问题。本文将频控阵雷达特性与离网稀疏贝叶斯模型结合提出了基于稀疏贝叶斯学习的双脉冲频控阵雷达离网目标定位算法。频控阵雷达发送两个脉冲,其频率偏移量分别为零和非零,然后基于离网稀疏贝叶斯模型估计目标的方位角与斜距。这种方法可以理解为当频控阵雷达以零频偏发射脉冲时,在角度域中检测目标,然后通过适当选择非零频率偏移量在距离域中对目标定位。仿真结果表明,即使在较粗糙的采样网格下,该算法也能保持较高的估计精度,显示了其优于传统算法的优势,证明了该方法的有效性与可靠性。      

Multi‐target localization in wireless sensor networks: a compressive sampling‐based approach

This paper considers the problem of localizing a group of targets whose number is unknown by wireless sensor networks. At each time slot, to save energy and bandwidth resources, only part of sensor nodes are scheduled to activate to remain continuous monitoring of all the targets. The localization problem is formulated as a sparse vector recovery problem by utilizing the spatial sparsity of targets’ location. Specifically, each activated sensor records the RSS values of the signals received from the targets and sends the measurements to the sink node where a compressive sampling‐based localization algorithm is conducted to recover the number and locations of targets. We decompose the problem into two sub‐problems, namely, which sensor nodes to activate, and how to utilize the measurements. For the first subproblem, to reduce the effect of measurement noise, we propose an iterative activation algorithm to re‐assign the activation probability of each sensor by exploiting the previous estimate. For the second subproblem, to further improve the localization accuracy, a sequential recovery algorithm is proposed, which conducts compressive sampling on the least squares residual of the previous estimate such that all the previous estimate can be utilized. Under some mild assumptions, we provide the analytical performance bound of our algorithm, and the running time of proposed algorithm is given subsequently. Simulation results demonstrate the effectiveness of our algorithms.Copyright © 2013 John Wiley & Sons, Ltd.     

Joint parameter estimation of DOD/DOA/polarization for bistatic MIMO radar

In the paper,polarization-sensitive array is exploited at the receiver of multiple input multiple output (MIMO) radar system,a novel method is proposed for joint estimation of direction of departure (DOD),direction of arrival (DOA) and polarization parameters for bistatic MIMO radars. A signal model of polarimetric MIMO radar is developed,and the multi-parameter estimation algorithm for target localization is described by exploiting polarization array processing and the invariance property in both transmitter array and receiver array. By making use of polarization diversity techniques,the proposed method has advantages over traditional localization algorithms for bistatic MIMO radar. Simulations show that the performance of DOD and DOA estimation is greatly enhanced when different states of polarization of echoes is fully utilized. Especially,when two targets are closely spaced and cannot be well separated in spatial domain,the estimation resolution of traditional algorithms will be greatly degraded. While the proposed algorithm can work well and achieve high-resolution identification and accurate localization of multiple targets.     

角度传感器网络多目标定位的数据关联算法

在基于方向角等被动式的多目标监测中,由于面临量测-目标匹配关系未知,现有定位算法很难实时给出目标的精确位置,尤其是在方向角量测误差存在的情况下.针对不可靠角度量测传感器网络下的多目标定位问题,分析和设计了无目标先验信息下的量测关联算法.通过分析量测误差对关联算法的影响,给出所得多目标定位来源于真实目标概率的理论推导以及相关门限选取方法,并应用在此基础上设计算法,给出最优的多目标位置组合.该关联算法在引入各传感器量测信息的同时更新门限,以此保证多重定位是真实目标定位的可靠性.仿真结果表明,所提出的数据关联算法于所示情形下均具有较好的性能,在多目标定位中能捕获大部分目标,且计算量较低.     

一种深度学习辅助的探地雷达定位方法

在恶劣条件下,例如在雨、雪、沙尘、强光以及黑夜等环境下,自动驾驶方案中常用的视觉和激光传感器因为无法准确感知外界环境而面临失效问题。因此,该文提出一种通过深度学习辅助的探地雷达感知地下目标特征用于车辆定位的方法。所提方法分为离线建图和在线定位两个阶段。在离线建图阶段,首先利用探地雷达采集地下目标的回波数据,然后使用深度卷积神经网络(DCNN)提取采集的地下回波数据中的目标特征,同时存储提取的目标特征和当前地理位置信息,形成地下目标特征指纹地图。在定位阶段,首先利用DCNN提取探地雷达采集到的当前地下回波数据中的目标特征。然后基于粒子群优化方法搜索特征指纹地图中与当前提取的目标特征最相似的特征,并输出该特征的地理位置信息,作为探地雷达定位车辆的结果。最后利用卡尔曼滤波融合探地雷达定位结果和测距轮测量的里程信息,得到高精度的定位结果。实验选取地下目标丰富的场景和实际城市道路场景来测试所提方法的定位性能。实验结果表明,与单一使用探地雷达原始回波数据地图的定位方法相比,深度学习辅助的探地雷达定位方法能避免直接计算原始雷达回波数据间的相似度,减少数据计算量以及数据传输量,具有实时定位能力,同时特征指纹地图对回波数据的变化有鲁棒性,因此所提方法的平均定位误差减少约70%。深度学习辅助的探地雷达定位方法可作为未来自动驾驶车辆在恶劣环境下感知定位方法的补充。     

基于稀疏贝叶斯学习的网格自适应多源定位

多源定位是信号处理中的重要问题。该文针对目标偏离初始网格点引起的基不匹配问题,构建具有Laplace先验的稀疏贝叶斯学习框架,提出基于稀疏贝叶斯学习的网格自适应多源定位算法AGMTL。本质上,AGMTL实现了稀疏信号重建和网格自适应定位字典的学习。仿真结果表明,AGMTL通过网格自适应调整,在定位误差,估计可靠性,抗噪性能上均远远优于传统的压缩感知定位算法。