双基地MIMO雷达多目标多参数联合估计

为了实现双基地多输入多输出(MIMO)雷达目标参数估计,建立了双基地MIMO雷达信号模型,提出了一种目标方向角和多普勒频率联合估计的方法,该方法通过构造空时矩阵,只进行一次特征值分解,即可得到雷达多目标多参数的闭式解,避免了多维非线性的谱峰搜索,并可实现自动配对.仿真结果证明了所提算法的有效性.     

低快拍下多输入多输出雷达中的角度估计算法

研究了双基地多输入多输出(MIMO)雷达中的角度估计问题,提出了一种低快拍下的MIMO雷达的离开角(DOD)和波达角(DOA)联合估计算法。该算法利用矩阵束方法从接收数据中构造出扩展矩阵来进行奇异值分解(SVD),进而进行二维角度估计联合估计。在低快拍数情况下所提算法的角度估计性能优于传统的借助旋转不变技术的信号参数估计(ESPRIT)方法,同时该算法能自动配对、无需谱峰搜索,而且复杂度也低于传统的ESPRIT算法。分析了所提算法复杂度,推导了克拉美-罗界(CRB)。仿真结果验证了该算法的有效性。     

基于波束域实值HOSVD的双基地MIMO雷达测角算法

本文提出了一种基于波束域实值处理的高阶奇异值分解(Higher-Order Singular Value De-composition)双基地多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达测角算法.该算法与传统波束域测角算法不同,通过凸优化方法对发射和接收波束域矩阵进行优化设...     

基于协方差匹配SLO算法的MIMO雷达DOA估计

利用加权平滑l0范数(Smoothed l0, SL0)算法估计MIMO雷达目标DOA时,需要把协方差矩阵进行矢量化来获得相应的稀疏重构模型,并利用信号和噪声子空间的正交性来构造加权向量。然而当存在相干信源时,MIMO雷达协方差矩阵的秩将退化,这会使得稀疏重构模型的误差较大以及无法正确区分信号和噪声子空间,导致加权SL0算法的DOA估计性能恶化。针对上述问题提出了一种基于协方差匹配SL0算法的MIMO雷达DOA估计方法。该方法利用协方差匹配准则重构出一个满秩的协方差矩阵,恢复MIMO雷达协方差矩阵的Toeplitz特性,并利用协方差逆矩阵的高阶幂来近似噪声子空间从而计算加权向量。仿真分析表明,该方法能够在无需预知信源数目的情况下有效地完成对相干信号的DOA估计。     

基于正则化的改进平滑l0方位超分辨方法

为提升雷达方位分辨率,文中提出了一种基于正则化的改进平滑l₀(Smoothed l₀,SL0)方位超分辨方法。首先,在目标稀疏性质的前提下,将雷达方位超分辨问题构建为l₀正则化优化问题;其次,在利用SL0算法求解l₀优化问题时,不可避免的需要对病态的天线方向图矩阵求伪逆运算,导致成像误差较大。为解决上述问题,文中利用正则化策略对病态的天线测量矩阵进行处理,获得了非病态的天线卷积矩阵。最后,利用非病态的天线测量矩阵,实现了SL0算法在雷达方位超分辨成像中的应用。相比于传统的l₁正则化超分辨方法和迭代自适应方法,文中提出的改进SL0方法在分辨性能与运行时间上都有相应的优势。     

基于QR-RPCA的双基地MIMO雷达参数估计方法

针对冲击噪声下因接收信号二阶及以上矩不存在而产生性能恶化的问题,提出一种基于QR分解和鲁棒性主成分分析法(QR-RPCA)的双基地多输入多输出(MIMO)雷达参数估计方法。针对RPCA算法适用于实数矩阵处理的情况,先将复数信号转化为实数;然后根据冲击噪声的稀疏特点与目标信号矩阵的低秩特点,利用QR-RPCA算法将低秩信号矩阵从受冲击噪声污染的接收信号中提取出来,并直接得到信号子空间,该算法避免了传统RPCA算法中的大规模奇异值分解,时间复杂度有所降低;最后根据信号子空间并利用旋转不变信号参数估计技术(ESPRIT)对目标方位进行估计。理论与仿真表明,本文算法相较于其他消除冲击噪声的算法,对于低特征指数的冲击噪声具有更好的估计性能。     

一种新的双基地MIMO雷达目标参数联合估计算法

摘 要：为了实现双基地多输入多输出（MIMO）雷达目标参数估计,本文建立了双基地MIMO雷达信号模型,提出了一种目标方向角和多普勒频率联合估计方法,该方法通过构造空时矩阵,只进行一次特征值分解,即可得到雷达多目标多参数的闭式解,避免了多维非线性的谱峰搜索,并可实现自动配对。仿真结果证明了所提算法的有效性。     

一种双基地MIMO雷达快速多目标定位方法

该文研究了双基地MIMO雷达测向交叉多目标定位方法,提出了一种基于传播算子的双基地MIMO雷达快速多目标定位算法。该方法避免了一般子空间方法中占主要运算量的协方差矩阵估计和奇异值分解,不需要二维谱峰搜索,在保证二维方位角估计性能的基础上,降低了运算复杂度。利用矩阵的初等变换以及矩阵、矩阵特征值和特征值对应的特征向量三者之间的关系,该算法所估计二维方位角参数能自动配对,不需要额外的配对运算。最后仿真结果验证了该算法的有效性。     

双基地稀疏阵列MIMO雷达快速多目标定位方法

针对双基地稀疏阵列MIMO雷达目标定位问题,该文提出一种基于投影处理与奇异值分解的多测量矢量欠定系统正则化聚焦求解(Projection-SVD-RMFOCUSS, PSVDRMF)算法.该算法首先估计接收角,接着依次将回波信号向目标存在的角度进行投影,最后将投影后的数据重排进行发射角估计,从而得到目标的准确位置.同时借助奇异值分解(SVD)进行信号降维与能量积累,进一步降低运算量,提高了传统压缩感知恢复算法在低信噪比下的估计性能.与现有稀疏重建算法相比,该算法减少了2维场景带来的庞大运算负担,且保持了良好的性能,可以稳健地对相干与非相干目标进行定位.     

基于贝叶斯压缩感知的噪声MIMO雷达稳健目标参数提取方法

针对压缩感知雷达(Compressive Sensing Radar, CSR)面临测量噪声、信道干扰及系统精度误差等扰动时,非自适应随机测量值和感知矩阵失配导致传统CSR目标参数提取性能下降的问题,该文提出一种基于贝叶斯压缩感知(Bayesian Compressive Sensing, BCS)的噪声MIMO雷达稳健目标参数提取方法。文中首先建立了噪声MIMO雷达的稀疏感知模型,推导了基于目标参数稀疏贝叶斯模型的联合概率密度函数,随后将 BCS 方法与 LASSO (Least-Absolute Shrinkage and Selection Operator)算法相结合对联合概率密度函数进行优化求解。与传统CSR算法相比,该方法能够在CSR系统模型存在失配误差时对目标参数进行有效估计,降低了目标参数估计误差,改善了CSR目标参数提取的准确性和鲁棒性。计算机仿真验证了该方法的有效性。     

基于压缩感知的矩阵型联合SAR成像与自聚焦算法

模型准确情况下,压缩感知在合成孔径雷达成像中得到良好应用;但在实际情况中,模型会存在一定误差,这些误差造成图像偏离真实位置、引起散焦降低成像质量.本文提出一种矩阵型联合CS-SAR成像与自聚焦算法,该算法在CS-SAR成像重构方法方面,基于光滑l₀范数方法提出了矩阵型正则化光滑l₀范数重构方法,该方法具有较强容错能力并能直接重构矩阵型信号,能克服现有联合CS-SAR成像与自聚焦算法在计算效率方面的缺陷.最后,通过仿真验证了所提算法的有效性.     

用于压缩感知信号重建的SL0改进算法

SL0算法是一种基于近似l₀范数的压缩感知信号重建算法,其思想是用一个光滑函数来近似l₀范数,然后求解一个优化问题。目前采用的光滑函数都是高斯函数族,文中突破了以往采用高斯函数族近似l₀范数,提出了采用复合三角函数作为近似估计l₀范数的函数,然后结合修正牛顿法和阻尼牛顿法提出一种更精确的重建算法DNSL0。实验结果表明,在相同测试环境下,DNSL0算法在峰值信噪比和匹配度方面比SL0算法和NSL0算法都有了大幅提高。     

基于平滑l_0范数的压缩感知近场声全息方法

传统平面近场声全息(CPNAH)是一类典型的不适定问题,采用波数域滤波或Tikhonov正则化等方法都无法彻底解决,因此,提出一种基于平滑l_0范数的压缩感知平面近场声全息法(SL0-CS-PNAH)。根据全息面上测量声压的特点,采用symlets8小波函数构建正交小波变换矩阵,将其作为重建面质点法向振速的稀疏基。将CPNAH中使用的瑞利(Rayleigh)第一积分公式离散化,确定SL0-CS-PNAH中满足约束等距原则的测量矩阵,设置合适的压缩比,利用测量矩阵对稀疏信号进行压缩采样。在由感知矩阵、全息面测量声压和稀疏向量共同构成的约束条件下,建立稀疏向量的最小l_0范数优化模型,采用平滑l_0范数重建算法求解此模型下的最优化问题,得到质点法向振速的最优稀疏解,再将最优稀疏解和稀疏基相乘恢复重建面质点法向振速。在数值仿真实验中,将测量点由64×64减少到32×64的情况下将传统CPNAH、基于正交匹配追踪算法的压缩感知近场声全息(OMPCS-PNAH)、基于子空间追踪算法的压缩感知近场声全息(SP-CS-PNAH)和SL0-CS-PNAH进行比较。实验结果表明,在相同采样率和压缩比条件下,采用SL0-CS-PNAH的声场重建质量较好且重建效率较高。     

基于ROMP 的压缩感知算法在雷达成像中的应用

压缩感知理论能够解决大带宽、多通道雷达系统的大数据量存储和传输问题。本文将压缩感知理论应用到雷 达高分辨率成像中,研究了基于正则匹配追踪算法（ROMP）的雷达成像算法,并把它和基于平滑0-范数（SL0）优化 和1-范数优化(L1)的雷达成像算法做了对比。通过对数值仿真实验,验证了这三种成像算法的有效性。仿真结果表 明基于ROMP 的压缩感知雷达成像算法在计算速度方面优于基于SL0 和L1 范数的压缩感知雷达成像算法。     

Esprit算法在单基地MIMO雷达中的应用

多输入多输出（MIMO）雷达是近年来提出的一种新体制雷达,由于发射正交信号,不同位置目标的回波信号相互独立,因此在DOA估计和目标分辨方面,比传统雷达具有较大优势。文中将Esprit算法应用于单基地MIMO雷达系统中,并对两种结构的MIMO雷达分别进行一维和二维DOA估计,仿真证明了算法的优越性。     

基于SL0压缩感知信号重建的改进算法

SL0算法是一种基于近似L0范数的压缩感知信号重建算法,它采用最速下降法和梯度投影原理,逐步逼近最优解,具有匹配度高、重建时间短、计算量低、不需要信号的稀疏度这个先验条件等优点。但是,它的迭代方向为负梯度方向,存在“锯齿效应”,并且SL0算法及其改进算法(NSL0)中的连续函数“陡峭性”不大,使近似L0范数的估计不精确、收敛速度慢。本文采用“陡峭性”大的近似双曲正切函数,结合修正牛顿法和阻尼牛顿法,提出一种更快速高效的信号重建算法(ANSL0)。数值计算结果表明,在相同的条件下,相比SL0和NSL0算法,ANSL0算法在匹配度、峰值信噪比和信噪比方面都有了较大提高。      

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.     

The high resolution MIMO radar system based on minimizing the statistical coherence of compressed sensing matrix

Compressed Sensing (CS) theory is a great breakthrough of the traditional Nyquist sampling theory. It can accomplish compressive sampling and signal recovery based on the sparsity of interested signal, the randomness of measurement matrix and nonlinear optimization method of signal recovery. Firstly, the CS principle is reviewed. Then the ambiguity function of Multiple-Input Multiple- Output (MIMO) radar is deduced. After that, combined with CS theory, the ambiguity function of MIMO radar is analyzed and simulated in detail. At last, the resolutions of coherent and non-coherent MIMO radars on the CS theory are discussed. Simulation results show that the coherent MIMO radar has better resolution performance than the non-coherent. But the coherent ambiguity function has higher side lobes, which caused a deterioration in radar target detection performances. The stochastic embattling method of sparse array based on minimizing the statistical coherence of sensing matrix is proposed. And simulation results show that it could effectively suppress side lobes of the ambiguity function and improve the capability of weak target detection.     

基于 GSVD 的分布式 MIMO 雷达测向算法

针对分布式多输入多输出（multi-input multi-output, MIMO）雷达测向中存在的数据信息提取不充分、运算量偏大等问题，开展了基于广义奇异值分解（generalized singular value decomposition, GSVD）的测向算法研究，以提高低信噪比条件下的角度估计性能。首先，建立了分布式阵列MIMO雷达回波信号的统一化表征模型；其次，将分布式MIMO雷达系统接收阵列数据的多线程GSVD问题转换为一个联合优化问题，运用交替最小二乘（alternating least squares, ALS）技术实现阵列信号流行矩阵的拟合，并引入子空间类算法实现目标角度联合估计；最后，对优化问题增加l1范数约束，避免了每次迭代中进行的奇异值分解运算，降低了算法运算量。仿真实验从角度联合估计、均方误差、运算时间等方面验证了所提算法的有效性。