基于CS的脉冲压缩雷达单快拍DOA估计

在脉冲压缩雷达系统中估计目标波达方向（direction of arrival, DOA）的主要问题之一是：脉压前信号的信噪比低、目标没有在距离域分开;脉压后的信号虽然信噪比得到了改善且目标已按距离分开,但是快拍数却非常有限。为了解决这一矛盾,提出了基于压缩感知的单快拍DOA(single-snap DOA, SSDOA)估计方法。与传统DOA方法相比,该方法具有更高的估计精度和分辨能力,并且能处理相干信号,且无需已知目标数目。仿真表明,本文提出的SSDOA算法在估计精度上和分辨能力上都优于多重信号分类（multiple signal classification, MUSIC）算法,并为雷达系波达方向估计; 压缩感知; 单快拍处理; 脉冲压缩雷达统的实时分析提供了保障。     

单次快拍波达方向矩阵法

提出了一种新的基于阵列系统单次快拍数据的相干信源二维波达方向(direction of arrival, DOA)快速估计方法--单次快拍波达方向矩阵法(single snapshot DOA matrix method, SS-DOAM)。该方法保持了原DOA矩阵法无需二维谱峰搜索和参数配对的优点,利用阵列系统结构特点,构建单次快拍数据矩阵,通过对单次快拍波达方向矩阵进行特征分解,解决了二维DOA估计问题并实现了相干信源完全解相干。由于该算法只利用一次快拍数据,不需要快拍累计和进行相关运算,计算复杂度大幅降低,适用于对二维DOA估计实时性要求高的应用背景。针对单快拍算法在低信噪比时估计误差较大的问题,进一步提出了利用同相数据叠加来改善估计精度的对策。仿真结果证明了该方法的有效性。     

基于L型阵列MIMO雷达的DOA矩阵方法

首先提出一种基于波达方向（direction of arrival, DOA）矩阵思想的L型阵列多输入多输出（multiple input multiple output, MIMO）雷达二维角度估计方法。通过将L型阵列MIMO雷达所产生的二维虚拟平面阵列划分为两个子阵,并构造估计矩阵以实现二维角度估计。在此基础上,针对角度兼并问题,进一步提出联合对角化DOA矩阵方法。该方法通过构造4个子阵,并采用联合对角化方法估计目标二维角度。该方法在保持原DOA矩阵法无需二维谱峰搜索和参数配对等优点的基础上避免了角度兼并问题,能够减少阵列孔径损失,有效提高阵元利用率和角度估计精度。仿真实验验证了所提方法的有效性。     

基于单快拍空间平滑的多伯努利DOA跟踪算法

针对阵列信号处理中单快拍情况下的多源时变波达方向(direction of arrival, DOA)跟踪问题, 提出了一种基于单快拍空间平滑的多伯努利DOA跟踪算法。首先,利用多伯努利随机有限集(random finite set, RFS)描述状态过程的随机性, 并直接利用从传感器阵列中获得单快拍量测。其次, 采用空间平滑技术对单快拍量测进行处理, 得到伪协方差矩阵, 并进行奇异值分解。最后,用多重信号分类(multiple signal classification, MUSIC)谱函数作为伪似然函数进行多伯努利DOA跟踪。仿真结果表明, 该算法能实时有效跟踪单快拍量测下的时变信源DOA状态, 且能准确估计信源个数。     

单基地MIMO雷达降维酉ESPRIT算法

波达方向(direction of arrival, DOA)估计问题是单基地多输入多输出(multiple input multiple output, MIMO)雷达信号处理中的一个关键问题。在低信噪比、低快拍数的情况下,常规DOA估计算法的性能会严重下降。针对此问题,提出一种新的DOA估计算法：降维酉旋转不变性信号参数估计技术算法。该算法首先通过降维变换将MIMO雷达数据变换至低维信号空间,然后在该低维信号空间构造实值旋转不变性方程估计目标的DOA。仿真结果表明该方法能够在低信噪比、低快拍数的环境下获得较常规ESPRIT方法更高的DOA估计精度,同时具有更低的运算量。     

MIMO雷达嵌套平行阵下基于子空间的目标二维波达角估计

研究了多输入多输出(multiple input multiple output, MIMO)雷达中的二维波达角(direction of arrival, DOA)估计问题,并提出了一种嵌套平行阵下基于子空间的二维DOA估计算法。利用存在嵌套关系的双平行阵(two parallel uniform linear array, TPULA)作为收发阵列,大大增加了自由度(degree of freedom, DOF)。在DOA估计方面,算法利用数据重构增加虚拟脉冲数,并利用酉变换降低运算复杂度,然后分别基于信号子空间和噪声子空间获得了自动配对的二维DOA估计的闭式解。算法复杂度低,而且相比MIMO雷达中传统TPULA下的算法,该算法拥有更好的角度估计性能,并可辨别空间相干目标。仿真结果验证了算法的有效性。     

一种不依赖超参数的稀疏信号单快拍DOA估计方法

基于传感器阵列输出模型的稀疏重构,研究了利用单快拍数据进行相干信号波达方向(direction-of-arrival,DOA)估计的问题.定义一个干扰协方差矩阵作为权矩阵,通过加权最小二乘(weighted least squares,WLS)准则的迭代自适应求解,实现单快拍DOA高精度估计算法,简称WLS-IAE算法...     

基于虚拟孔径扩展的子带信息融合宽带DOA估计

如何有效地利用宽带信号各频点所提供的信息实现高精度波达角(direction of arrival, DOA)估计一直是热点问题,针对宽带DOA估计问题,提出一种基于孔径扩展的子带信息融合(subband information fusion, SIF)DOA估计方法。该方法在宽带信号的频域模型基础上,结合虚拟阵列方法实现孔径扩展,并联合各子带信息统一处理,从而提高DOA估计的精度。与其他SIF方法相比,该方法利用二阶统计量将数据转化为单快拍模型,不仅提高了可估计信源数目,而且极大程度地降低了运算复杂度,同时在小快拍、低信噪比条件下仍能得到DOA估计结果。仿真实验验证了所提方法的有效性。     

基于均匀圆阵伪协方差矩阵的单快拍测向方法

传统的单快拍测向算法只适用于具有Vandermonde形式的阵列流型, 均匀圆阵的阵列流型不具有Vandermonde矩阵结构, 因此大部分基于线阵的伪协方差矩阵的构造方法无法直接适用于均匀圆阵。针对该问题, 从侦察方的角度对波达方向(direction of arrival, DOA)估计算法进行了研究, 改进了伪协方差矩阵的构造方法, 提出了一种基于均匀圆阵的单快拍测向算法。通过与模式空间前后向平滑(mode forward-backward spatial smoothing, MODE-FBSS)算法的对比仿真, 验证了算法的有效性, 证实了所提方法的性能优于MODE-FBSS算法。     

基于二维干涉式APES算法的分布式相参阵盲DOA估计

结合干涉雷达的天线结构和二维波达方向（direction of arrival, DOA）估计方法,提出一种基于二维干涉式幅相估计的分布式相参阵盲DOA估计算法。利用二维干涉式幅相估计算法的空间谱和模型阶数选择准则获得目标个数和目标方向余弦的粗估计;使用子阵间的相位中心偏移来获得目标方向余弦的精估计;针对分布孔径带来的测角模糊问题,采用双尺度解模糊算法实现分布式阵列的高精度方向估计。仿真结果验证了分布式相参阵的高精度测角性能及所提算法的有效性,也验证了分布阵DOA估计中存在基线模糊门限。     

基于迭代连续匹配追踪的高频地波雷达单次快拍DOA估计方法

高频地波超视距雷达在一个相参积累时间内只能获得空域的单次快拍,在单次快拍条件下进行波达方向估计常常性能很差。针对该问题,本文以压缩感知理论为基础,并根据目标信号在探测方位分布的稀疏性,提出单次快拍下目标方位估计方法。该方法首先利用稀疏变换字典将位于连续方位空间的目标信号变换到满足稀疏条件的离散网格点上;然后采用正交匹配追踪方法获得粗略的方位信息;最后根据迭代最小二乘连续匹配追踪算法得到目标的精确方位。理论分析与仿真证明,该方法可以提高在单次快拍下对低信噪比相干信号的方位估计精度,并且完全适用于阵元数较少的小规模高频地波雷达系统。     

用一次快拍数据实现二维完全解相干和解互耦

针对相干信源背景和考虑二维阵列互耦效应时的二维波达方向(direction of arrival, DOA)快速估计问题,提出了一种只利用一次快拍数据即可实现二维完全解相干和解互耦的快速算法--互耦效应下的单次快拍波达方向矩阵(single snapshot DOA matrix method in the presence of mutual coupling, MC-SS-DOAM)法。该算法仅利用特殊阵列的单次快拍数据构造等效的接收数据协方差矩阵,避免了传统算法需要多次快拍累积的弊端,将其分解后得到了具有对角阵形式的等效信号协方差矩阵,因此实现了完全解相干,此时互耦系数已经从阵列流型矩阵中剥离,归入至对角元素中,即实现了完全解互耦。文中进一步对互耦系数可能导致的二维盲角进行了分析。仿真结果表明,该算法能够完全实现解互耦和解相干,且仅利用一次快拍的本文算法二维估计性能接近50次快拍的DOAM算法,明显优于40次快拍的DOAM算法。     

基于噪声特征向量重构的地波雷达单次快拍超分辨算法

高频地波雷达在一个相参积累时间内通常只能得到频域一次快拍,利用其直接进行波达方向估计性能较差。针对这一问题,在分析时、频域协方差矩阵特征分解后差异的基础上,在频域采用降维方法估计协方差矩阵。根据频域目标信噪比相对较大的特点,利用最大特征值对应的信号特征向量构造原始的数据矩阵,并对该矩阵进行奇异值分解得到新的噪声子空间,进而构造出新的噪声特征向量,最后利用该噪声特征向量进行方位角估计。仿真和实测数据分析验证了算法的有效性,相比降维Toeplitz算法和前后向空间平滑算法有着更高的分辨力和估计精度。     

双基地MIMO雷达相干目标角度估计算法

提出一种双基地多输入多输出（multiple input multiple output,MIMO）雷达相干多目标角度快速估计算法。采用单次快拍数据构建的一组Toeplitz矩阵重构出新的协方差矩阵,使得矩阵的秩等于目标的总个数;通过矩阵变换使得变换后的协方差矩阵满足centro Hermitian性,即可利用酉变换将复矩阵转化为实矩阵进行实数域的参数求解,采用旋转不变信号参数估计（estimation of signal parameters via rotational invariance technique, ESPRIT）算法即可准确估计出对应的目标角度。通过仿真表明：所提算法能够实现相干目标源的角度估计且参数自动配对;降低了复矩阵特征分解所带来的巨大运算复杂度,具有更高的参数估计精度和算法稳健性;同时能够对移动目标进行角度跟踪,具有良好的跟踪性能。     

Direction-of-arrival estimation based on direct data domain （D3） method

A direction-of-arrival (DOA) estimation algorithm based on direct data domain (D3) approach is presented. This method can accuracy estimate DOA using one snapshot modified data, called the temporal and spatial two-dimensional vector reconstruction (TSR) method. The key idea is to apply the D3 approach which can extract the signal of given frequency but null out other frequency signals in temporal domain. Then the spatial vector reconstruction processing is used to estimate the angle of the spatial coherent signal source based on extract signal data. Compared with the common temporal and spatial processing approach, the TSR method has a lower computational load, higher real-time performance, robustness and angular accuracy of DOA. The proposed algorithm can be directly applied to the phased array radar of coherent pulses. Simulation results demonstrate the performance of the proposed technique.     

基于相位差的均匀圆阵DOA估计新方法

根据均匀圆阵阵列结构的特点,提出一种利用相邻阵元间相位差进行二维波达方向(direction of arrival, DOA)估计的方法。分析了均匀圆阵相邻阵元间接收信号相位差的变化规律,得出了其与入射信号的方位角和俯仰角的对应关系,在此基础上推导出入射信号方位角和俯仰角的闭式解。同时,针对相位差测量中存在相位模糊的问题,提出一种循环搜索算法有效地实现了相位差的解模糊,极大地提高了利用相位差进行DOA估计的稳健性和适用范围。理论分析和仿真结果表明,该二维DOA估计方法可以在存在相位模糊的情况下稳健有效地工作。     

改进的稀疏约束波达方向估计方法

基于观测数据矢量形式的稀疏约束波达方向估计方法一般通过正则化处理抑制噪声,未能利用有关信号子空间的约束信息。在均匀线阵条件下,研究了一种新的基于观测数据矩阵形式的稀疏约束迭代单次快摄波达方向估计方法,能够利用数据矩阵的维数信息,并能自动保持Hankel结构约束,在较低信噪比条件下,改善了波达方向估计性能。