技术领域
本发明属于雷达技术领域,尤其涉及一种实值求根多重信号分类方法、系统、计算机设备及应用。
背景技术
目前:多输入多输出(multiple input multiple output,MIMO)雷达采用多个发射天线发射不同的波形,同时采用多个接收天线同时接收目标反射信号。与传统的相控阵雷达相比,MIMO雷达在目标探测、抗干扰、目标参数估计和目标识别等方面具有更多潜在的优势,因而得到了学术界的广泛关注。
波达方向(direction ofarrival,DOA)估计是MIMO雷达参数估计的一个重要内容。ESPRIT算法和MUSIC算法是经典的基于子空间的高分辨估计方法,基于子空间的特性获得目标的DOA估计。Root-MUSIC(Signal Processing,2010,90(9):2723-2730)将多项式求根MUSIC方法运用到双基地MIMO雷达的角度估计中,避免了谱峰搜索,并且能实现DOA和DOD的自动配对,但其运算复杂度将随着收发阵元数的增加急剧增加。波束域root-MUSIC(Wireless personal communications,2014,75(4):1879-1889)在波束空间用多项式求根来估计DOD和DOA,但该方法仍涉及复值协方差矩阵的特征值分解和复系数多项式求根,且会有部分角度估计精度的损失。在低信噪比和快拍数受制约的条件下,由于子空间估计的不准确,会使以上算法的估计性能严重下降,甚至可能导致估计失败。
研究表明,非圆波形有助于改善雷达目标探测、抗干扰和角度估计的性能。近几年来,不少学者利用非圆信号的特性,提出了一些适用于MIMO雷达目标方位估计的改进方案。共轭ESPRIT算法(reduced complexity conjugate ESPRIT,RC-ESPRIT,SignalProcessing,2013,93(7):2070-2075)将非圆信号应用于MIMO雷达,构造虚拟阵元数加倍的接收数据矩阵,可以获得估计性能的显著提升,但同时算法的计算成本也显著增加。ESPRIT-like算法(Journal ofApplied Remote Sensing,2016.10,025003)利用信号的非圆特性构造实值观测数据矩阵来估计目标方位。该算法采用了实值化处理,但其估计性能不如RC-ESPRIT算法。由于ESPRIR算法本身估计精度不如求根MUSIC算法,此类算法在低信噪比和低拍快数条件下也难以满足实际应用的需要。此外,ESPRIR算法角度分辨力不够,对于方位接近的目标无法实施分辨或分辨失败,这也限制了ESPRIR算法的应用范围。
综上所述,现有技术存在的问题是:MUSIC算法和ESPRIT算法是经典的子空间类DOA估计算法,它们均需要对接收信号的自相关矩阵进行子空间估计,利用子空间的特性获得目标的DOA估计。在低信噪比和快拍数受制约的条件下,由于子空间估计的不准确,会使算法的估计性能严重下降,甚至可能导致估计失败。因此需要提高该类算法的估计精度。目前有些算法考虑将信号的非圆特性与ESPRIT算法相结合来提高角度估计精度。然而,由于在同等条件下,ESPRIT算法本身估计精度不如求根MUSIC方法,在低信噪比和低拍快数条件下其估计精度与求根MUSIC算法相差更多,且ESPRIT算法的角度分辨力不及求根MUSIC算法,无法很好地分辨两个方位接近的目标,因而在很多情况下仍然无法满足实际应用的需求。常规求根MUSIC算法估计性能优于ESPRIT算法,但在低信噪比和低拍快数场合下性能下降严重,其估计性能仍需提高。另外,求根MUSIC算法虽然利用多项式求根代替谱峰搜索,但仍需要进行高维复数协方差矩阵的特征值分解和复系数多项式求根运算,因而其计算复杂度依然很高,这将成为算法实际应用的阻碍。因此需要考虑对算法进行优化,降低运算复杂度,为实际应用奠定基础。
通过上述分析,现有技术存在的问题及缺陷为:
(1)ESPRIT算法本身估计精度和角度分辨力不如求根MUSIC方法,在低信噪比和低快拍数条件下,由于子空间估计的不准确,会使算法的估计性能严重下降,甚至可能导致估计失败。且ESPRIT算法无法很好地分辨两个方位接近的目标,应用范围受限。有些算法利用信号的非圆特性来提高ESPRIT算法的估计精度,在很多情况下仍然无法满足实际应用的需求,估计性能仍有改进的空间。
(2)求根MUSIC算法虽然估计性能优于ESPRIT算法,但也受信噪比和拍快数的限制,不适用于低信噪比和低快拍数场合,无法满足实际应用的需求。求根MUSIC算法虽然利用多项式求根代替谱峰搜索,但仍需要进行高维复数协方差矩阵的特征值分解和复系数多项式求根运算,因而其计算复杂度依然很高,会加重雷达系统的实时处理压力,为算法的实际应用带来困难。
解决以上问题及缺陷的难度为:目前,将信号的非圆特性与求根MUSIC算法结合的文献较少,如何充分利用信号的非圆特性,巧妙构造扩展的接收数据矩阵,构造正交的新的噪声子空间和新的导向矢量,将非圆特性与MUSIC算法有效融合是一个难点。此外,扩展的接收数据矩阵会带来额外的计算量,使得原本的计算成本增加,因而在保证估计精度提高的基础上,如何采取有效的措施优化算法的复杂度也是解决以上问题的难点。
解决以上问题及缺陷的意义为:将求根MUSIC算法和非圆信号特点结合,可以大幅度提高角度估计精度,解决子空间算法在低信噪比和快拍数受限条件下估计精度不足的问题,突破信噪比和快拍数对子空间类算法的限制,且算法具有更高的角度分辨成功概率和更低的信噪比门限,对分辨角度接近的目标也能胜任,因而算法的角度估计性能更优,使用范围更广,更适合于实际应用场合。此外,算法在大幅度提高角度估计精度的同时兼顾了计算复杂度,联合采用降维和实值化方法,通过在低维空间中构造实系数多项式并求解来得到目标角度的估计,从而减轻雷达系统的实时处理压力,为MIMO雷达的实际应用奠定基础。
发明内容
针对现有技术存在的问题,本发明提供了一种实值求根多重信号分类方法、系统、计算机设备及应用。
本发明是这样实现的,一种实值求根多重信号分类方法,所述实值求根多重信号分类方法通过对接收数据进行降维处理,利用信号的非圆特性,在低维空间中将接收数据的实部和虚部进行拼接,得到虚拟阵元数加倍的实值接收数据;再构造新的导向矢量和新的噪声子空间,并根据其正交性构造实系数多项式;通过求解该实系数多项式的根得到目标方位的估计。降维处理利用了接收数据结构特点,将数据接收维度大大降低,不仅可以降低后续运算的复杂度,还可以有效地抑制噪声,提高信噪比,从而提高估计精度;将接收数据的实部和虚部进行拼接,相当于使阵列的虚拟孔径加倍,充分利用了信号的非圆特性,从而大幅度提升角度估计性能。构造新的相互正交的导向矢量和噪声子空间,可以充分保证求根MUSIC算法的正确性和有效性。在低维空间中构造实系数多项式求解,可以降低目标角度估计的运算复杂度,减轻雷达系统的实时处理压力。
进一步,所述单实值求根多重信号分类方法包括以下步骤:
步骤一,选取降维变换矩阵U,将其左乘接收数据x,得到降维后的数据y;
步骤二,利用信号的非圆特性,将降维接收数据y的实部和虚部进行拼接,获得虚拟阵元数加倍的观测数据矩阵y
步骤三,计算扩展观测数据y
步骤四,构造新的导向矢量c(θ)和新的噪声子空间E
步骤五,根据构造新的导向矢量c(θ)和新的噪声子空间E
步骤六,求解代价函数J(θ),得到实系数多项式;
步骤七,求解实系数多项式的根得到目标方位的估计。
进一步,所述步骤一中接收阵列输出为:
其中,
x(t)=AΛr(t)+n(t);
其中,
所述步骤一中的降维后的数据矩阵为:
y=Ux=V
其中,U=V
进一步,所述步骤二中接收数据的实部和虚部进行拼接,构造虚拟阵元数加倍的实值接收数据y
其中,降维观测数据y(t)的实部和虚部为:
利用信号的非圆特性,实值接收数据简写为:
y
其中,
进一步,所述步骤四中构造的新的噪声子空间和新的导向矢量分别为:
E
进一步,所述步骤五中定义的代价函数为:
J(θ)=c(θ)
最小化代价函数J(θ)即可得到目标方位角的估计。
进一步,所述步骤六中的实系数多项式为:
式中,
求解该(4N
θ
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:通过对接收数据进行降维处理;利用信号的非圆特性,在低维空间中将接收数据的实部和虚部进行拼接,得到虚拟阵元数加倍的实值接收数据;再构造新的导向矢量和新的噪声子空间,并根据其正交性构造实系数多项式;通过求解该实系数多项式的根得到目标方位的估计。
本发明的另一目的在于提供一种实施所述实值求根多重信号分类方法的实值求根多重信号分类系统,所述实值求根多重信号分类系统包括:
数据转换模块,用于利用降维矩阵将接收数据转换到低维空间;
实值观测数据构造模块,用于利用信号的非圆特性,构造虚拟阵元数加倍的实值观测数据;
信号子空间计算模块,用于计算扩展观测数据的协方差矩阵,进行特征值分解得到信号子空间;
构造模块,用于构造新的信号子空间和新的导向矢量;
代价函数构造模块,用于根据新的信号子空间和新的导向矢量的正交性,构造代价函数;
求根多项式处理模块,用于求解代价函数,得到实系数求根多项式;
目标DOA估计获取模块,用于求解实系数求根多项式的根,获得目标DOA的估计。
本发明的另一目的在于提供一种雷达,所述雷达运行所述实值求根多重信号分类方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明将非圆信号特点运用于求根MUSIC方法,显著提高了角度估计性能,具有比常规子空间类算法更高的角度估计精度,更高的分辨成功概率和更低的信噪比门限,且具有很好地分辨接近目标的能力。本发明可以解决子空间算法在低信噪比和快拍数受限条件下估计精度不足的问题,突破信噪比和快拍数对子空间类算法的限制,为低快拍和低信噪比场合MIMO雷达目标角度估计提供了更好的现实方案。与比常规子空间类算法相比,本发明的角度估计性能更优,使用范围更广,更适合于实际应用场合。本发明同时兼顾到算法的计算复杂度问题,联合采用降维和实值化方法来减轻计算负担,从而减轻雷达系统的实时处理压力,具有更高的实用价值,为MIMO雷达的实际应用奠定基础。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的实值求根多重信号分类方法流程图。
图2是本发明实施例提供的实值求根多重信号分类系统的结构示意图;
图2中:1、数据转换模块;2、实值观测数据构造模块;3、信号子空间计算模块;4、构造模块;5、代价函数构造模块;6、求根多项式处理模块;7、目标DOA估计获取模块。
图3是本发明实施例提供的在M=8,N=6,L=20,SNR=10dB条件下进行100次仿真实验得到的目标DOA估计值示意图。
图4是本发明实施例提供的在M=8,N=6,L=20条件下,角度估计的均方根误差随信噪比的变化关系曲线示意图。
图5是本发明实施例提供的在M=8,N=6,SNR=10dB条件下,角度估计的均方根误差随快拍数的变化关系曲线示意图。
图6是本发明实施例提供的在M=8,N=6,L=100条件下,角度估计分辨率随信噪比的变化关系曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种实值求根多重信号分类方法、系统、计算机设备及应用,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的实值求根多重信号分类方法包括以下步骤:
S101:利用降维矩阵将接收数据转换到低维空间;
S102:利用信号的非圆特性,构造虚拟阵元数加倍的实值观测数据;
S103:计算扩展观测数据的协方差矩阵,进行特征值分解得到信号子空间;
S104:构造新的信号子空间和新的导向矢量;
S105:根据新的信号子空间和新的导向矢量的正交性,构造代价函数;
S106:求解代价函数,得到实系数求根多项式;
S107:求解实系数求根多项式的根,获得目标DOA的估计。
本发明提供的实值求根多重信号分类方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的实值求根多重信号分类方法仅仅是一个具体实施例而已。
如图2所示,本发明提供的实值求根多重信号分类系统包括:
数据转换模块1,用于利用降维矩阵将接收数据转换到低维空间;
实值观测数据构造模块2,用于利用信号的非圆特性,构造虚拟阵元数加倍的实值观测数据;
信号子空间计算模块3,用于计算扩展观测数据的协方差矩阵,进行特征值分解得到信号子空间;
构造模块4,用于构造新的信号子空间和新的导向矢量;
代价函数构造模块5,用于根据新的信号子空间和新的导向矢量的正交性,构造代价函数;
求根多项式处理模块6,用于求解代价函数,得到实系数求根多项式;
目标DOA估计获取模块7,用于求解实系数求根多项式的根,获得目标DOA的估计。
下面结合附图对本发明的技术方案作进一步的描述。
本发明实施例提供的实值求根多重信号分类((multiple signalclassification,MUSIC))方法,实现了单基地MIMO雷达实值root-MUSIC角度估计方法具体包括以下步骤:
(1)选取降维变换矩阵U,将其左乘接收数据矩阵x,得到降维后的数据矩阵:
所涉及接收数据为:
x=As+n;
其中,
所涉及的降维后的数据矩阵为:
y=Ux=V
其中,U=V
(2)利用信号的非圆特性,将接收数据的实部和虚部进行拼接,获得虚拟阵元数加倍的观测数据y
所涉及的虚拟阵元数加倍的实值接收数据y
其中,降维观测数据的实部y
(3)计算扩展观测数据矩阵y
所涉及的扩展观测数据矩阵y
R=E
其中,Λ
(4)构造新的导向矢量c(θ)和新的噪声子空间E
所涉及的新的噪声子空间E
其中,E
(5)根据构造新的导向矢量c(θ)和新的噪声子空间正交性E
所涉及的代价函数为:
J(θ)=c(θ)
E
(6)求解代价函数J(θ),得到实系数多项式;
所涉及的实系数多项式为:
其中,
(7)求解实系数多项式的根得到目标方位的估计。
所涉及的P个目标的角度估计值为:
θ
其中,z
下面结合仿真对本发明的技术效果作详细的描述。
(一)仿真条件与内容,通过以下计算机仿真实验来验证算法的性能并将其与ESPRIT算法、RD-CESPRIT算法、ESPRIT-like算法和RD root-MUSIC算法进行对比分析。各仿真实验结果采用500次蒙特卡洛实验的统计平均。实验考虑由均匀等距线阵组成的单基地MIMO雷达系统,阵元间距为半波长。假设远场存在3个非相干窄带目标,各目标方位角分别为θ
其中,K为蒙特卡罗实验次数,
(二)仿真结果
1、MIMO雷达目标定位性能
图3为采用本发明进行100次仿真实验得到的目标DOA估计值。实验中,M=8,N=6,L=20,三个目标到达角θ
2、MIMO雷达角度估计的均方根误差随信噪比的变化关系
图4为四种算法在条件下进行500次蒙特卡罗实验得到的角度估计的均方根误差随信噪比M=8,N=6,L=20的变化关系曲线。角度估计的均方根误差随信噪比的变化关系。仿真采用500次独立的蒙特卡罗实验。从图4中可以看出,随着信噪比的增加,四种算法的估计性能均有所提升,本文算法的估计精度明显高于其他三种算法。
3、MIMO雷达角度估计的均方根误差随快拍数的变化关系
图5显示了四种算法角度估计的均方根误差随快拍数的变化关系。其中收发阵元数M=8,N=6,L=20,3个目标的信噪比均为10dB,进行500次独立的蒙特卡罗实验。从图中可以看出,四种算法的角度估计精度均随着快拍数的增加而提高,RD-CESPRIT算法由于利用了信号的非圆特性,因而估计精度比RD root-MUSIC算法高,而本文算法高于其他三种算法。
4、MIMO雷达角度估计的分辨率随信噪比的变化关系
图6给出了四种算法角度分辨的成功概率随信噪比变化的关系。仿真实验中,假定有两个距离较近的目标,其方位角分别为θ
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
机译: 确保设备属性,计算机程序,计算机可读存储介质和设备的至少一个值的真实性的方法
机译: 确保设备属性,计算机程序,计算机可读存储介质和设备的至少一个值的真实性的方法
机译: 确保设备属性,计算机程序,计算机可读存储介质和设备的至少一个值的真实性的方法