[发明专利]一种基于监督学习的分布式MIMO雷达目标定位性能计算方法

说明书

该方法公开了一种基于监督学习的分布式MIMO雷达目标定位性能计算方法，属于信号处理技术领域。利用本发明方法可以基于样本集先验统计特性，得到利用全连接神经网络实现分布式MIMO雷达目标定位任务的MSE性能界。依据此性能界，可以实现对神经网络拓扑结构的优化，使得其性能接近于基于传统方法的性能界。

技术领域

本发明属于信号处理技术领域，它特别涉及用监督学习的方法对目标进行定位的性能分析，适用于分布式MIMO雷达目标定位问题。

背景技术

多输入多输出(Multiple Input Multiple Out，简称MIMO)雷达是一种能够适应复杂环境的新型雷达，它的基本思想是将多个发射天线和接收天线布置在不同的空间位置，每个发射天线发射不同波形的信号，接收天线接收到回波信号将其传递到处理中心进行联合处理。分置天线MIMO雷达除了在波形增益方面具备优势外，还拥有传统雷达不具备的空间分集增益，并在缓解衰落、提升分辨率、抑制干扰以及反隐身等方面具有巨大潜力，可以显著提高雷达的目标定位性能。

对于如目标定位等参数估计问题，一般采用极大似然估计等传统方法。克拉美罗界(Cramer-Rao Bound，简称CRB)为基于传统方法的无偏估计量的方差确定了一个下限，即无偏估计量的方差只能无限制的逼近CRB，而不会小于CRB。在雷达参数估计领域，CRB具有很大的实用意义，它被证明是评估雷达系统参数估计性能最有效的下界之一。

随着深度学习的蓬勃发展，将其应用到雷达信号处理领域成为新的研究热点。当前，由于计算复杂度可控且函数拟合能力强悍，基于监督学习的神经网络作为一种典型的深度学习模型，已被用于解决雷达目标定位问题。在文献1(S.Pak,B.K.Chalise andB.Himed，“Target Localization in Multi-static Passive Radar Systems withArtificial Neural Networks，”International Radar Conference(RADAR),Toulon,France,2019,pp.1-5.)中，针对由多发单收天线以及单一目标组成的被动雷达场景，作者提出了一种基于神经网络的目标定位方法。在文献2(W.Zhu and M.Zhang，“A DeepLearning Architecture for Broadband DOA Estimation，”IEEE 19th InternationalConference on Communication Technology(ICCT),Xi'an,China,2019,pp.244-247.)中，作者提出了一种基于神经网络的宽带DOA估计方法。包括以上文献在内，在构建样本集时，网络的输入往往存在噪声或者误差，对神经网络的参数估计性能造成影响。本发明致力于在已知样本集先验统计特性(包括噪声或者误差统计特性)的前提下，研究基于监督学习的分布式MIMO雷达目标定位的性能，给出其均方误差(Mean Square Error，简称MSE)界，并与基于传统方法的分布式MIMO雷达目标定位的MSE界——CRB进行对比。

发明内容

本发明针对背景技术的不足解决的技术问题是，在已知样本集先验统计特性的前提下，计算基于监督学习的分布式MIMO雷达目标定位的性能，给出其MSE界，并与基于传统方法的分布式MIMO雷达目标定位的CRB进行对比。

本发明技术方案为一种基于监督学习的分布式MIMO雷达目标定位性能计算方法，该方法包括：

步骤1：设分置天线MIMO雷达，具有M个单天线发射机和N个单天线接收机，且场景中存在一个位置未知的静止目标；在接收端，所有NM条收发路径对应的接收信号为：

v_nm＝[v_nm[1],v_nm[2],...,v_nm[K]]^T