[發(fā)明專利]基于Bi-CGSTAB和SL0算法的MIMO雷達(dá)目標(biāo)參數(shù)估計(jì)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201611029634.5
• 申請(qǐng)日: 2016-11-15
• 公開（公告）號(hào): CN106646414B
• 公開（公告）日: 2019-03-12
• 發(fā)明（設(shè)計(jì)）人: 陳金立;李家強(qiáng);朱艷萍
• 申請(qǐng)（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號(hào): G01S7/41
• 分類號(hào): G01S7/41
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司 32224
• 代理人: 董建林

本發(fā)明公開了一種基于Bi?CGSTAB和SL0算法的MIMO雷達(dá)目標(biāo)參數(shù)估計(jì)方法，屬于MIMO雷達(dá)目標(biāo)參數(shù)估計(jì)技術(shù)領(lǐng)域，通過在SL0算法中由離線計(jì)算獲得的代替感知病態(tài)矩陣A的偽逆A^*(AA^*)^?1，其中(·)^*表示矩陣的共軛轉(zhuǎn)置操作，然后利用改進(jìn)的SL0算法對(duì)MIMO雷達(dá)的接收信號(hào)y進(jìn)行處理。避免因MIMO雷達(dá)感知病態(tài)矩陣病態(tài)而導(dǎo)致SL0算法失效，并改善了SL0算法的穩(wěn)健性，具有較高的重構(gòu)精度；離線計(jì)算并存儲(chǔ)MIMO雷達(dá)感知病態(tài)矩陣的偽逆替代矩陣，在MIMO雷達(dá)中利用SL0算法估計(jì)目標(biāo)參數(shù)時(shí)可以直接調(diào)用偽逆替代矩陣的值，節(jié)省了病態(tài)線性方程組的求解時(shí)間，加快了稀疏目標(biāo)信號(hào)的重構(gòu)速度，提高了MIMO雷達(dá)目標(biāo)參數(shù)估計(jì)的實(shí)時(shí)性。

技術(shù)領(lǐng)域

本發(fā)明屬于MIMO雷達(dá)目標(biāo)參數(shù)估計(jì)技術(shù)領(lǐng)域，特別涉及一種基于Bi-CGSTAB和SL0算法的MIMO雷達(dá)目標(biāo)參數(shù)估計(jì)方法。

背景技術(shù)

多輸入多輸出MIMO雷達(dá)是在相控陣?yán)走_(dá)基礎(chǔ)上發(fā)展起來的一種新體制雷達(dá)體制。該雷達(dá)采用了與相控陣?yán)走_(dá)相同結(jié)構(gòu)的天線陣列，但是利用波形分集技術(shù)擴(kuò)展了其虛擬陣列孔徑，從而提高了目標(biāo)參數(shù)分辨率以及可分辨的最大目標(biāo)個(gè)數(shù)，能獲得更優(yōu)的目標(biāo)檢測(cè)性能和參數(shù)估計(jì)性能。

近年來，壓縮感知CS是信號(hào)處理領(lǐng)域和最優(yōu)化領(lǐng)域的研究熱點(diǎn)，它通過求解基于l_q(0≤q≤1)范數(shù)最小化的優(yōu)化問題，能從少量測(cè)量值中以較高概率恢復(fù)出稀疏信號(hào)。在實(shí)際雷達(dá)探測(cè)場(chǎng)景中，目標(biāo)個(gè)數(shù)僅占據(jù)少量的分辨單元，MIMO雷達(dá)接收到的回波信號(hào)可以稀疏表示，因此可以使用CS方法來精確恢復(fù)稀疏目標(biāo)的參數(shù)信息。文獻(xiàn)[1]利用稀疏約束的正則化迭代最小化SLIM算法從MIMO雷達(dá)的少量采樣數(shù)據(jù)中恢復(fù)出目標(biāo)的距離-角度-多普勒信息，然而該方法的目標(biāo)多普勒分辨能力較差。為了提高目標(biāo)的多普勒分辨能力，文獻(xiàn)[2]提出了一種正則化迭代加權(quán)最小化方法RIRMA，該方法在每次迭代中給出加權(quán)l(xiāng)_q(0＜q＜1)范數(shù)最小化的閉式解來提高算法的運(yùn)算速度，該方法能準(zhǔn)確估計(jì)空間稀疏分布目標(biāo)的角度，距離和多普勒信息。為了加快稀疏信號(hào)的重構(gòu)速度，文獻(xiàn)[3]提出了一種基于平滑l₀范數(shù)SL0的稀疏信號(hào)重構(gòu)方法，該方法是利用一系列逐步逼近l₀范數(shù)的平滑連續(xù)的高斯函數(shù)，將l₀范數(shù)最小化的NP-hard問題轉(zhuǎn)化為易求解的平滑函數(shù)的極值問題，能夠采用較少的測(cè)量值快速重構(gòu)出稀疏信號(hào)，其重構(gòu)速度比基追蹤算法快2～3個(gè)數(shù)量級(jí)，因此被廣泛地應(yīng)用于雷達(dá)的目標(biāo)參數(shù)估計(jì)問題中。為了提高M(jìn)IMO雷達(dá)成像的實(shí)時(shí)性，文獻(xiàn)[4]將SL0算法應(yīng)用于MIMO雷達(dá)的目標(biāo)參數(shù)估計(jì)，該方法利用雙曲正切函數(shù)來逼近信號(hào)的最小l₀范數(shù)，并采用修正牛頓法求解該近似l₀范數(shù)最小化問題，同時(shí)考慮到在實(shí)際應(yīng)用環(huán)境中MIMO雷達(dá)的感知病態(tài)矩陣可能會(huì)呈病態(tài)，該方法還采用正則化方法來避免因感知病態(tài)矩陣導(dǎo)致SL0算法信號(hào)重構(gòu)誤差較大的問題，提高了MIMO雷達(dá)的目標(biāo)參數(shù)估計(jì)速度和性能。然而，該方法的正則化參數(shù)只能根據(jù)經(jīng)驗(yàn)來選擇，而正則化參數(shù)選擇不當(dāng)會(huì)導(dǎo)致MIMO雷達(dá)目標(biāo)參數(shù)估計(jì)性能嚴(yán)重惡化。

當(dāng)MIMO雷達(dá)的感知病態(tài)矩陣相鄰列之間存在近似的線性相關(guān)時(shí)，該矩陣的條件數(shù)較大，為感知病態(tài)矩陣。當(dāng)利用SL0算法估計(jì)MIMO雷達(dá)目標(biāo)參數(shù)時(shí)，在設(shè)定初始值和計(jì)算梯度投影中都需要求解病態(tài)線性方程組，而MIMO雷達(dá)的接收信號(hào)中不可避免存在量化造成的誤差以及噪聲擾動(dòng)干擾，這些誤差擾動(dòng)會(huì)引起病態(tài)線性方程組解的劇烈波動(dòng)，并與真實(shí)值相差甚大，從而導(dǎo)致SL0算法失效。

參考文獻(xiàn)：

[1]Tan X,Roberts W,Li J,Stoica P.Sparse Learning via IterativeMinimization With Application to MIMO Radar Imaging[J].IEEE Transactions onSignal Processing.2011,59(3):1088-1101.