[發明專利]基于迭代優化網絡的MIMO雷達波形優化方法

有效

• 申請號: 202110293102.7
• 申請日: 2021-03-18
• 公開（公告）號: CN113050077B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 王鵬飛;魏志勇;胡進峰;張偉見;李玉枝;鄒欣穎;董重
• 申請（專利權）人: 電子科技大學長三角研究院（衢州）
• 主分類號: G01S13/02
• 分類號: G01S13/02;G01S7/02;G06N3/04;G06N3/08
• 代理公司: 成都云縱知識產權代理事務所(普通合伙) 51316
• 代理人: 伍星

本發明公開了基于迭代優化網絡的MIMO雷達波形優化方法，涉及雷達技術領域，解決了相關性的加權時延僅優化了波形的WISL且深度學習波形設計無法收斂以及初值不敏感的問題。本發明包括在設置的網絡模型中輸入一個歸一化的隨機向量或者為優化過的歸一化相位矢量，輸出信號矩陣，信號矩陣為MIMO雷達波形；將信號處理函數設置為網絡模型的損失函數，所述信號處理函數用于驅動網絡模型，所述網絡模型的參數通過Adam深度學習方法優化。本發明促進優化的更徹底也解決了無效迭代的問題。

技術領域

本發明涉及雷達技術領域，具體涉及基于迭代優化網絡的MIMO雷達波形優化方法。

背景技術

由于MIMO雷達具有比相控陣雷達更好的性能，因此MIMO雷達波形具有良好的自相關和互相關特性受到了廣泛的關注，也相較于傳統雷達而言具有更多的優點。一方面，發射具有良好相關性波形的時候，MIMO雷達可以有效的進行噪聲和干擾的抑制，以此來提高信干噪比。MIMO雷達在目標定位，參數估計以及提高空間分辨率上有著顯著的優勢，并且在接收端可以通過濾波器進行虛擬孔徑增大。目前MIMO雷達的波形優化主要是基于相位的波形設計。

MIMO雷達波形設計有基于相關性的全部時延的波形設計方法、如《J.Song,P.Babu,and D.P.Palomar,“Optimization methods for designing sequences with lowautocorrelation sidelobes,”IEEE Trans.Signal Process.,vol.63,no.15,pp.3998–4009,Aug.2015》中進行了優化自相關性能的波形設計，但是這只優化了自相關而對于互相關沒有限制。文獻《Hu J,Wei Z,Li Y,et al.Designing Unimodular Waveform(s)forMIMO Radar by Deep Learning Method[J].IEEE Transactions on Aerospace andElectronic Systems,2020.》引入了深度學習方法對波形的自相關和互相相關性能進行了同步的優化，這可以生成綜合波形，然而這個方法對于初值不敏感并且沒有相應的收斂條件。

應對一些特殊的情況，相關性的加權時延的波形設計方法同樣被廣泛的研究。文獻《H.He,P.Stoica,and J.Li,“Designing unimodular sequence sets withgoodcorrelations；including an application to MIMO radar,”IEEE Trans.SignalProcess.,vol.57,no.11,pp.4391–4405,Nov.2009》首次提出對于相關性的加權時延進行優化，這里優化的準則是近似的加權集成旁瓣水平(WISL)，無法直接優化WISL。隨后文獻《Cui G,Yu X,Piezzo M,et al.Constant modulus sequence set design with goodcorrelation properties[J].Signal Processing,2017,139:75-85.》提出了直接對于WISL的優化，這里更進一步提高了性能和優化時間。然而這些方法均無法對加權峰值旁瓣水平(WPSL)進行約束，因此所優化的波形會產生較高的峰值。

由上能夠發現，現有MIMO雷達針對相關性的加權時延進行波形設計的方法都僅僅優化了波形的WISL，并且已有的深度學習波形設計方法存在無法收斂以及初值不敏感的問題。

發明內容

本發明所要解決的技術問題是：相關性的加權時延僅優化了波形的WISL且深度學習波形設計無法收斂以及初值不敏感，本發明提供了解決上述問題的基于迭代優化網絡的MIMO雷達波形優化方法。

本發明通過下述技術方案實現：

基于迭代優化網絡的MIMO雷達波形優化方法，在設置的網絡模型中輸入一個歸一化的隨機向量或者為優化過的歸一化相位矢量，輸出信號矩陣，信號矩陣為MIMO雷達波形；