最优冗余线阵欠定信号双重构DOA估计方法

针对最小冗余线阵难以用于阵列设计的问题, 设计了一种性能相近的最优冗余线阵, 为实现相应阵列的欠定信号到达角(direction of arrival, DOA)估计, 又提出了一种基于两次重构的快速协方差向量稀疏表示方法。该方法利用凸优化中最优解条件, 实现了Toeplitz协方差矩阵的快速高精度重构, 进而基于构造的协方差向量稀疏表示模型, 实现了欠定信号DOA估计。仿真结果证明, 最优冗余线阵相较于其他稀疏线阵, 耦合影响更低, 测向精度更高, 所提算法较同类算法DOA估计精度更高。     

基于稀疏表示的平行互素阵二维测向方法

针对传统平行阵二维测向自由度低问题,提出一种改进型平行互素阵,基于稀疏表示方法和最小二乘法来估计目标方位。该方法首先利用改进型互素阵构建双平行稀疏阵列,计算平行互素阵的互协方差矩阵。然后通过矢量化处理,利用重排,去冗余处理生成较大孔径的虚拟阵列,将二维波达方向(direction of arrival,DOA)估计问题降维为一维DOA估计问题。进一步将一维DOA估计问题转为复数信号稀疏重构问题,并利用二阶锥规划来进行求解,通过峰值搜索得到方位角信息。最后利用方位角来构建方向矩阵,通过最小二乘方法求解俯仰角。该方法可以在没有目标先验信息的条件下,能够准确估计目标方位,且能够实现自动配对。相比传统的平行均匀线阵以及平行互素阵,该方法扩展了阵列虚拟孔径,提高了估计精度,能够辨识更多的目标源。实验仿真验证了该方法的有效性。     

基于稀疏重构的L型阵列MIMO雷达降维DOA估计

针对L型阵列多输入多输出(multiple-input multiple-output,MIMO)雷达二维空间角估计问题,提出一种基于协方差矩阵联合稀疏重构的降维波达方向(direction of arrival,DOA)估计算法。该算法根据L型阵列MIMO雷达联合流型矢量的特点,通过降维矩阵的设计及回波数据的降维变换,最大程度地去除了所有的冗余数据;通过协方差矩阵联合构造稀疏线性模型,将2维角参量空间映射到1维空间,极大降低字典长度和求解复杂度的同时,不牺牲阵列孔径,实现了二维空间角度的有效估计和参数的自动配对。理论分析与实验仿真表明:与RD_MUSIC算法相比,本文降维处理有效提高阵元利用率的同时,最大程度地降低了回波数据的维数;与传统子空间类算法相比,基于协方差矩阵联合构造的稀疏线性模型充分利用了阵列孔径,无需预先估计目标数目,参数估计性能在低信噪比及小快拍数据长度下优势明显。最后,仿真结果验证了本文理论分析的正确性和算法的有效性。     

基于块稀疏矩阵恢复的MIMO雷达扩展目标高分辨成像算法

针对现有多输入多输出(multiple input multiple output, MIMO)雷达稀疏恢复成像算法中存在的运算量大、对扩展目标成像质量低的问题，提出一种基于块稀疏矩阵恢复的MIMO雷达扩展目标高分辨成像算法, 通过引入目标块稀疏特征, 提高对空间扩展目标的成像质量。首先, 通过构造距离向和方位向感知矩阵, 建立目标散射系数估计的块稀疏矩阵恢复模型。然后, 采用分块二维序列一阶负指数(sequential order one negative exponential, SOONE)函数对目标块稀疏特征进行提取。最后, 利用梯度投影算法对块稀疏矩阵范数优化问题进行求解, 在欠采样条件下得到目标高质量图像。相比于传统成像算法, 所提算法可以在实现对扩展目标高分辨成像的同时, 降低数据采样量, 且具有较高的准确性、鲁棒性和较低的运算量。仿真实验验证了所提成像算法的有效性。     

MIMO阵列旋转不变子空间目标方位估计仿真研究

针对多输入多输出(Multi-Input Multi-Output,MIMO)阵列多目标定位,提出一种基于子空间特征分解的MIMO阵列旋转不变子空间算法(MIMO array estimation of signal parameters via rotational invariance techniques,简称MIMO-ESPRIT).MIMO阵列各阵元发射彼此独立信号,因此阵列输出数据协方差矩阵不存在降秩以及信号子空间向噪声子空间扩散的现象,可直接应用子空间分解算法进行MIMO阵列目标方位估计.性能分析和仿真结果表明,随着发射阵元个数的增加和发射阵元间距的扩大,算法的多目标分辨能力和方位估计精度将得到明显改善.     

基于互协方差稀疏重构的MIMO雷达低仰角估计算法

针对低空目标仰角估计时, 多径信号间的混叠严重影响雷达的测角性能的问题, 基于压缩感知理论的波达方向(direction of arrival, DOA)估计算法与多输入多输出(multi-input and multi-output, MIMO)雷达体制结合起来共同进行低空目标DOA估计的研究, 提出了一种基于互协方差矩阵稀疏重构的MIMO雷达低空目标DOA估计算法。首先, 对MIMO雷达多径接收信号广义匹配滤波后的虚拟矩阵向量化处理, 并针对向量化后虚拟孔径扩展带来运算量大的缺点, 通过降维处理来减少运算量; 然后利用多快拍数互协方差矩阵中的噪声独立不相关的优点, 降低噪声影响, 提高算法估计性能; 最后转化为凸优化问题进行稀疏恢复。仿真结果表明算法在直达信号与多径反射信号相互削弱的情况下, 仍能有效估计低空目标的仰角, 较L1-SVD和L1-SRACV算法对低空目标具有更好的仰角估计性能。     

盲信号压缩重构——模型与方法

通过分析欠定盲信号分离模型和压缩感知模型本质内涵和内在联系,建立了基于压缩感知的欠定盲信号重构问题的数学模型,该模型对于欠定盲信号分离的实现提供了一个新的解决途径。基于该模型的压缩重构方法通过两步来实现：分别利用源信号稀疏域性质实现对盲估计欠定混合矩阵的估计;利用压缩感知的重构稀疏源信号的方法,实现对欠定稀疏盲信号的分离和重构。提出的算法根据实际应用场合,具有一定扩展能力。最后通过模拟实验验证了提出模型和相应算法的有效性。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

基于协方差拟合准则的降维空时自适应处理方法

最优空时自适应处理方法由于计算量大且需要大量的训练样本来估计杂波协方差矩阵而无法满足实际应用, 针对此问题, 本文提出一种基于协方差拟合准则的降维空时自适应处理方法。该方法首先对每个阵元收到的回波信号进行时域滤波, 然后通过协方差拟合准则构造了在高斯信源下与最大似然估计器渐近等价的优化问题, 同时我们将协方差拟合优化问题转换为半定规划问题, 并利用CVX工具包求解优化问题, 进而估计杂波加噪声协方差矩阵。仿真实验表明, 相比于现存在的多普勒滤波后空时联合处理方法, 该方法所需的训练样本数更少, 且杂波抑制性能更好。     

提高MIMO雷达检测和参数估计性能的波形设计

针对目前多输入多输出(multiple-input multiple-output, MIMO)雷达中通常基于某一种而不是整体性能的波形优化问题,提出一种提高MIMO雷达检测和参数估计性能的波形优化方法。该方法基于提高检测概率、降低参数估计方差及抑制旁瓣3种性能约束优化发射波形相关矩阵(waveform covariance matrix, WCM)。首先推导了检测概率及克拉美罗界(Cramer-Rao bound, CRB)的等价表达式,而后联合最大化主旁瓣差约束,并对各约束条件加权,从而得到可灵活调整加权系数以满足实际应用中不同需要的波形优化问题。此波形优化问题可表示为线性规划问题,因而可高效求解。仿真实验对3种约束条件对雷达性能的影响进行了详细分析,实验结果验证了所提方法的有效性。     

稀疏场景下SAR方位向随机丢失数据的迭代成像算法

针对合成孔径雷达(synthetic aperture radar, SAR)方位向随机丢失部分数据导致目标模糊和能量分散的问题, 提出基于稀疏优化理论的重建成像方法。该方法主要针对稀疏观测场景的SAR方位向随机缺失数据的回波信号进行成像处理, 利用SAR回波模拟算子, 避免了二维回波信号矩阵变成向量的操作, 从而减小了内存占用和计算量。所提出的基于SAR近似观测模型的迭代优化重建算法能够实现对观测目标幅度的高精度重建。和传统基于匹配滤波的SAR成像算法相比, 提出的算法能够明显地消除SAR方位向随机丢失部分数据引起的目标模糊和目标能量分散。和迭代软阈值收缩算法相比, 提出的算法重建的目标幅度误差更小。理想的点目标回波数据和真实的星载SAR稀疏观测场景的回波数据处理表明了所提算法在减少重建目标误差、提高观测目标区域的目标背景比等方面有较大的优势。     

基于虚拟阵元内插的互质阵列目标DOD和DOA联合估计算法

传统算法通常采取舍弃互质阵列的“差联合”阵列形成离散虚拟阵元，只利用其中连续虚拟阵元进行离波方向角(direction of departure, DOD)和波达方向角(direction of arrival, DOA)联合估计，存在自由度提升受限、估计性能不佳等问题。对此,提出基于虚拟阵元内插的互质阵列目标DOD和DOA联合估计算法。首先,将两个互质子阵以零点为中心布列,分别构成双基地多输入多输出(multiple input multiple output, MIMO)雷达的发射阵列和接收阵列,该布阵结构将传统的虚拟阵元由阵列“差联合”结构形式变成“和联合”结构形式,降低了虚拟阵列的冗余度。其次,在形成的虚拟阵元基础上,通过在虚拟阵列孔洞位置内插虚拟阵元使其连续,对于内插的虚拟阵元无实际接收信号问题,基于最小化核范数优化理论,采用协方差矩阵Toeplitz化重建的方式恢复内插虚拟阵元的等价接收信号,利于所有虚拟阵元层面的角度联合估计。最后,针对因角度配对导致的高运算量问题,结合降维多重信号分类(reduced dimension multiple signal classification, RD-MUSIC)算法使角度自动配对,从而减小算法运算复杂度。有效提高了目标分辨力和角度联合估计性能，仿真实验验证了算法的有效性。     

空域色噪声背景下双基地MIMO雷达角度估计

空域有色噪声会导致现有多输入多输出(multiple input multiple output, MIMO)雷达算法性能下降, 甚至完全失效。针对空域色噪声背景下双基地MIMO雷达联合波离角(direction of departure, DOD)和波达角(direction of arrival, DOA)估计问题, 分析了现有算法失效的原因。考虑到匹配滤波后无噪协方差矩阵的低秩特性、色噪声协方差矩阵的稀疏特性以及MIMO雷达数据的多维结构特性, 提出一种基于张量分析的角度估计算法。首先, 构造角度估计的协方差张量, 通过去除协方差张量中受噪声协方差影响的元素对色噪声进行抑制。其次，利用张量填充技术对无噪协方差矩阵进行恢复。然后，利用平行因子分解获得目标角度的方向矩阵。最后, 采用最小二乘算法对目标的DOA和DOD进行拟合。仿真结果表明, 所提算法对色噪声不敏感, 且无孔径损失。相比现有矩阵及张量分析算法, 所提算法具有更高的估计精度。