基于稀疏重构的机动拖曳线列阵空间谱估计

针对常规单拖曳线列阵声纳目标方位估计中存在的左右舷模糊问题,提出了一种联合多个波束快拍量测的空间谱稀疏重构估计方法。首先给出了拖曳线阵转向机动时的阵形递推估计方法,建立机动拖曳线列阵的接收信号模型;然后,利用拖曳线列阵转向机动引起的目标方位变化特征,从构造矩阵相关性角度分析实现拖曳线列阵空间谱无模糊重构的机理,构建了基于连续多个时刻波束快拍量测的稀疏重构模型。通过计算机仿真研究,对比分析了所提方法与常规波束形成方法的空间谱估计性能,结果表明所提方法对模糊目标的抑制比远大于目标信噪比,同时具有更好的角度分辨率,从而实现了拖曳线列阵全向空间谱估计。     

基于协方差矩阵重构的单基地MIMO阵列无网格DOA估计方法

提出了一种单基地多输入多输出(multiple-input multiple-output, MIMO)阵列中的协方差矩阵重构的无网格波达方向(direction-of-arrival, DOA)估计方法。该方法通过降维处理将MIMO阵列等效为信噪比(signal-to-noise ratio, SNR)提升的均匀线列阵,将目标方位估计问题转化为混合范数最小化(mixed norm minimization, MixNM)稀疏信号重构问题。进一步给出了与该稀疏重构问题等价的基于网格的凸优化问题,并模型化为半定规划来求解。为了解决网格大小影响估计性能的问题,利用了等价均匀线列阵的托普利兹结构,模型化为半定规划问题来重构无噪声协方差矩阵,最后通过范德蒙分解来估计目标方位。与传统的基于MixNM方位估计方法相比,该方法减少了优化变量个数。与其他离网格方法相比,该方法估计精度不受网格大小的影响,且能够估计相干源目标。实验仿真验证了该方法的有效性。     

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。     

基于稀疏重构的机载雷达训练样本挑选方法

针对空时自适应处理中训练样本受目标信号污染时检测性能下降的问题,提出了一种基于稀疏重构技术的训练样本选取方法。该方法首先将接收数据由阵元脉冲距离域转换到阵元多普勒距离域,然后采用改进的正则化FOCUSS算法进行空域稀疏重构,估计待检测多普勒通道对应的阵元距离域数据得到高分辨角度距离谱,利用杂波多普勒与角度的先验关系,剔除角度距离谱上明显偏离角度期望的样本,实现对训练样本的有效选择。仿真表明,相比传统样本选择方法,该方法无须估计协方差矩阵,在小样本集情况下依然能够剔除被污染的样本,有较大优势。     

基于差集表遍历搜索的互素阵列DOA估计器

为降低波达方向(direction-of-arrival, DOA)估计中阵元硬件成本和阵元间耦合,提出基于差集表遍历搜索的互素稀疏阵列DOA估计器。该估计器兼顾低复杂度和高精度的特点。其低复杂度在于:仅需依据互素稀疏阵列的阵元坐标即可构造出差集表,以该差集表为指导,可实现观测阵元的协方差矩阵到Nyquist虚拟阵列协方差矩阵的快速转换,进而借助多信号分类分解实现多目标DOA估计;其高精度在于:差集表遍历搜索措施可提升信号子空间的维度,进而提高了空间谱分辨率。鉴于高频段、低波长的阵列信号处理应用日益展开,该DOA估计器具有较为广阔的应用前景。     

基于拖曳长线阵的水下目标模拟系统

水下目标模拟系统对于水下航行体试验与训练、舰艇水声对抗与安全防御等具有十分重要的意义。基于水下目标声学多亮点回波理论,给出了多亮点目标宽带回波信号模型。通过计算机仿真,验证了目标回波各重要特征和目标回波信号模型的有效性。基于拖曳长线阵和高速数字信号处理技术构建了水下目标模拟系统,根据目标回波信号模型综合模拟了水下分布式多亮点运动目标声散射特性,准确模拟了目标不同部位声学亮点的空间方位分布特征。分别对点源目标、真实大尺度目标、拖曳长线阵目标模拟系统进行了声纳目标识别试验,结果表明,拖曳长线阵目标模拟系统的目标特性明显不同于点源目标,而与实际大尺度目标一致。     

雷达动目标短时稀疏分数阶表示域探测方法

机动目标检测和精细化运动状态估计始终是雷达信号处理的热点和难点问题,基于时频分布的动目标检测方法难以同时获得高时频分辨率,且参数估计精度受搜索步长的限制。稀疏时频分布技术结合了经典时频分析技术和高分辨稀疏域信号处理的优势,是传统变换域处理技术的扩展。构建了短时稀疏分数阶表示域信号处理框架,并在此基础上,提出了两种雷达机动目标检测和估计方法,即短时稀疏分数阶变换和短时稀疏分数阶模糊函数,实现了时变信号的时间稀疏变换域高分辨表示。对海雷达目标探测试验验证表明,所提方法适用于复杂背景下雷达机动目标的探测,并能获得目标运动状态的精细估计。     

基于CPT和RPF的空中高机动目标检测与参数估计

提出了一种基于三次相位变换(cubic phase transform,CPT)和重构相位函数(reconstructing phase function,RPF)的空中高机动目标参数估计方法。为了实现目标高阶参数的估计,该方法首先通过双线性变换求得接收信号的相位函数,实现信号降阶和待估参数的分离;然后利用多阵元采样重构参考阵元的相位函数,等效增加了参考阵元相位函数的时间采样,实现了参考相位函数的相干积累;最后进行参数估计。仿真结果表明,在输入信噪比较低、采样脉冲较少的情况下,该算法能够以较高的精度实现对高机动目标的参数估计。     

基于广义近似消息传递的快速DOA估计方法

针对稀疏恢复类波达方向(direction of arrival, DOA)估计算法中计算复杂度高的问题, 提出了一种基于广义近似消息传递(generalized approximate message passing, GAMP)方法的稀疏贝叶斯学习算法。该算法在现有双基地无源雷达系统模型基础上, 构建了多快拍下的GAMP信号统计模型, 将高维联合后验概率密度的计算简化为标量运算, 提高了算法的计算效率。对于离网目标, 利用梯度下降方法推导了角度空间网格更新策略, 进一步提高了角度估计的精度。仿真结果表明, 该算法在有限快拍、低信噪比情况下, 估计精度较高, 计算复杂度较低, 适用于实时性要求高的应用场景。     

基于双模天线阵列的ESPRIT波达方向估计

考虑阵列信号波达方向(DOA)估计问题,提出了一种基于双模天线阵列的模式域旋转不变参数估计(ESPRIT)算法.与传统空域ESPRIT相比,模式ESPRIT的旋转因子仅与信号DOA有关而与阵列结构无关,因而无需阵元位置信息,也无需阵列存在空间匹配子阵.若阵元位置信息精确已知,还可利用空域稀疏采样获得无模糊多尺度DOA估计.计算机仿真结果验证了算法的有效性.     

基于广义模式耦合稀疏Bayesian学习的1-Bit压缩感知

在1-Bit压缩感知(compressive sensing, CS)框架下,将信号的稀疏结构先验引入广义稀疏Bayesian学习(generalized sparse Bayesian learning, Gr-SBL),研究基于Gr-SBL的1-Bit CS重构。将广义线性模型与模式耦合稀疏Bayesian学习相结合,提出了一种基于广义模式耦合稀疏Bayesian学习1-Bit CS重构算法，简称为1-Bit Gr-PC-SBL算法。该算法将1-Bit CS重构问题迭代地分解成一系列标准CS重构问题,在信号稀疏模式未知的情况下,基于模式耦合稀疏Bayesian学习实现信号重构。进而,引入阈值自适应的二进制量化,设计了自适应阈值的1-Bit Gr-PC-SBL算法,进一步提升了算法的信号重构性能。     

基于广义模式耦合稀疏Bayesian学习的1-Bit压缩感知

在1-Bit压缩感知(compressive sensing, CS)框架下,将信号的稀疏结构先验引入广义稀疏Bayesian学习(generalized sparse Bayesian learning, Gr-SBL),研究基于Gr-SBL的1-Bit CS重构。将广义线性模型与模式耦合稀疏Bayesian学习相结合,提出了一种基于广义模式耦合稀疏Bayesian学习1-Bit CS重构算法，简称为1-Bit Gr-PC-SBL算法。该算法将1-Bit CS重构问题迭代地分解成一系列标准CS重构问题,在信号稀疏模式未知的情况下,基于模式耦合稀疏Bayesian学习实现信号重构。进而,引入阈值自适应的二进制量化,设计了自适应阈值的1-Bit Gr-PC-SBL算法,进一步提升了算法的信号重构性能。     

基于前后向协方差矩阵投影的信源数估计算法

针对均匀线阵的信源数估计问题,提出了一种基于前向-后向采样协方差矩阵正交投影的多目标信源数快速估计算法。该算法将经过酉变换后的前向-后向采样协方差矩阵的列矢量做Gram-Schmidt (GS)正交化,并将正交化后矢量的模值与一个自适应判决门限做比较来估计信源个数。该判决门限根据阵列采样协方差矩阵估计误差的渐近分布特性推导得到。计算机仿真证明了该算法的正确性和有效性。     

基于3种典型天线阵列的3D MIMO Kronecker信道建模

在传统的二维多输入多输出(two dimensional multiple input multiple output, 2D MIMO)信道模型基础上,引入仰角因子研究三维多输入多输出(three dimensional MIMO, 3D MIMO)信道模型。推导出基于均匀线形阵列(uniform linear array, ULA)、均匀圆形阵列(uniform circular array, UCA)和均匀矩形阵列(uniform rectangle array, URA)的3D MIMO Kronecker信道模型,并进一步讨论了信号离开角和到达角分别服从高斯分布、拉普拉斯分布和VMF(Von Mises Fisher)分布时的信道模型。仿真结果表明,当信号空间角度服从VMF分布时所建信道模型容量最大,在该角度分布下基于ULA信道模型的容量优于UCA和URA。     

宽带MIMO雷达的阵列设计和成像方法

为了降低多输入多输出(multiple-input and multiple-output, MIMO)成像雷达的阵列规模和系统硬件的复杂性,结合宽带MIMO雷达发射/接收阵元的角度分集和信号分集特性,提出了一种基于双均匀线阵组合的非线性阵列模型,并给出了该阵列的设计准则。不同于基于实孔径均匀阵列的宽带MIMO雷达成像系统,提出的非线性阵列模型可有效增加虚拟阵元个数和扩展阵列孔径,在不改变目标方位向成像质量条件下能有效降低实孔径均匀线阵的阵列规模和系统硬件的复杂度。同时,该阵列设计易于操作和实现。最后,仿真实验对该阵列模型的有效性进行了验证。     

基于Gabor框架的线性调频信号压缩采样与重构

针对线性调频信号在传统采集过程中存在的高采样频率问题, 提出了一种基于Gabor框架的线性调频信号压缩采样与重构方法。首先, 利用线性调频信号在Gabor变换下所具有的时频稀疏特性, 提出了基于Gabor框架的线性调频信号压缩采样系统。基于该采样系统, 分析了压缩采样系统工作过程, 建立了该系统压缩观测过程数学模型。随后, 分析了压缩采样系统重构模型, 将压缩采样重构问题转化为多观测向量重构问题。最后, 基于多维扩展的稀疏贝叶斯学习算法, 提出利用优化分类的方法来保证线性调频信号的精确重构。仿真实验结果表明, Gabor框架压缩采样系统有效降低了线性调频信号采样频率与采样点数, 在重构过程中, 本文提出的重构方法能够有效降低重构误差, 提高重构概率。     

基于时变偏差分离估计的杂波下机动目标跟踪

在杂波环境机动目标跟踪问题中,波门位置和范围的确定是关键技术之一。在分析了时变偏差分离估计算法的有偏差的状态估计协方差基础上,提出了基于时变偏差分离估计(separate bias estimation, SBE)和概率数据关联(probabilistic data association, PDA)的新算法,利用了偏差估计和有偏差的状态估计协方差来确定波门位置和范围,并结合PDA处理多个回波的能力,实现杂波环境下机动目标的跟踪。通过仿真实验,说明了新算法的优势和有效性。     

基于线性预测的ETAM水下目标方位估计方法

在传统的扩展拖曳阵列测量（extended towed array measurements, ETAM）方法的基础上，提出一种基于线性预测(linear prediction, LP)的ETAM水下目标方位估计新方法（LP-ETAM）来估计多个相干目标的方位。首先,使用传统的ETAM方法由物理阵的接收数据矩阵合成扩展后的虚拟阵的接收数据矩阵。然后,根据虚拟阵的接收数据矩阵来计算向前和向后线性预测的空域滤波器系数，并使用外推插值方法将虚拟阵向左方和右方扩展来得到更长的虚拟阵。最后，对最终得到的虚拟阵使用常规波束形成法输出波束来确定目标的方位。仿真实验显示,与ETAM方法相比，LP-ETAM对水下远程目标具有更好的分辨能力和阵增益。