[发明专利]一种基于空时数据的高分辨目标方位估计方法

说明书

技术领域

本发明涉及雷达技术领域，特别涉及一种基于空时数据的高分辨目标方位估计方法。

背景技术

空间定位功能是天线应用的关键技术之一。为了追求更高的定位精度，根据方位估计与时间信号的频率估计的相似性，许多时域非线性定位方法推广到空间方位估计中便产生了所谓的高分辨方位估计方法。

美国的Schmidt提出了著名的多重信号分类(MUSIC)方法，实现了现代高分辨方位估计技术的飞跃，从而促进了特征子空间类方法的兴起，该方法通过数据矩阵的奇异值分解(SVD)或空间协方差矩阵的特征值分解(EVD)来获得相互正交的信号子空间和噪声子空间，然后利用天线阵列导向矢量和子空间的关系来构造信号参数的估计算法，得到方位估计的渐近无偏估计，突破了以往方位估计算法中阵列孔径对参数估计性能的瑞利限制，目标分辨能力可以达到波束宽度的1/3～1/5。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

在实际应用中，信噪比低于零以及采样数较小时，经典MUSIC方法在区分信号子空间和噪声子空间时性能出现急剧下降的问题，导致在确定信源的方位角时准确性下降。

发明内容

为了解决现有技术的问题，本发明提供了一种基于空时数据的高分辨目标方位估计方法，所述方法包括：

步骤一，通过传感器阵列对信号进行采样，获取到第一信号矢量x₁(t)、第二信号矢量x₂(t)，其中x₁(t)＝A₁s(t)+n₁(t)，x₂(t)＝A₁Φs(t)+n₂(t)；

步骤二，在开始采样后的第一个时刻，构造与所述第一信号矢量、所述第二信号矢量的对应的矩阵

其中R_s为自相关矩阵，为所述采样过程中的噪声，在开始采样后的第二个时刻，构造与所述第一信号矢量、所述第二信号矢量对应的矩阵

依次在每个时刻均构造两个相关矩阵，并根据时间顺序，将全部相关矩阵组合为相关矩阵组其中k代表时刻数，Λ_m＝Φ^m-1，

步骤三，将所述全部相关矩阵进行特征分解，对所述全部相关矩阵中的噪声进行估计，得到每个噪声的估计值对所述全部特征矩阵进行去噪，得到去噪相关矩阵组

步骤四，构造初始矩阵U(0)，建立第一代价函数

其中，l代表循环次数，对所述第一代价函数进行特征值分解，得到第一分解式

其中，为特征值矩阵,为特征向量矩阵,令矩阵V(l-1)为矩阵的前P个大特征值对应的特征向量形成的矩阵,建立第二代价函数

其中，l代表循环次数，对所述第二代价函数进行特征值分解，得到第二分解式

其中，为特征值矩阵,为特征向量矩阵,所述第一代价函数、第二代价函数为U(l-1)到U(l)的一次循环，对所述U(l)循环计算，直至满足

||U(l)U^H(l)-U(l-1)U^H(l-1)||_F＜ε

时停止循环，获取停止循环时的l；

步骤五，根据所述停止循环时的l，确定信号子空间U(l)，令得到投影矩阵根据所述投影矩阵得到角度估计

本发明提供的技术方案带来的有益效果是：

通过采样记录天线各传感器通道接收的数据，将采样数据排成列向量的形式，在时间域、空间域和延迟域形成相关矩阵，对相关矩阵进行去噪处理，利用循环特征分解方法计算信号子空间，从信号和噪声子空间的关系求解噪声子空间，得到噪声子空间的投影矩阵，基于投影矩阵反解目标方位和俯仰信息，避免了经典MUSIC方法在区分信号子空间和噪声子空间时性能出现急剧下降的问题，提高了确定信源的方位角、俯仰角时准确性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明提供的一种基于空时数据的高分辨目标方位估计方法示意图；

图2为本发明提供的传感器的结构示意图；