[发明专利]一种MIMO雷达智能DOA估计方法

说明书

本发明公开了一种MIMO雷达智能DOA估计方法，首先建立稀疏场景下的集中式MIMO雷达回波模型，构建深度展开网络的迭代过程和单层网络结构，再构建基于深度神经网络的降噪自编码器，通过训练深度展开网络，得到重构的空间谱，最后对重构的空间谱进行谱峰搜索，实现DOA估计。本发明的方法通过训练深度神经网络来学习数据中的隐性特征以增强DOA估计的鲁棒性，并对网络模型赋予可解释性使得模型泛化能力提升，不仅能够保证低信噪比和单快拍采样时DOA估计的估计精度和鲁棒性，而且在波束锐化和旁瓣抑制方面有显著的效果。

技术领域

本发明属于雷达信号处理领域，具体涉及一种MIMO雷达智能DOA估计方法。

背景技术

作为一种新型雷达体制，MIMO雷达在参数估计、抗干扰和遥感等方面收到越来越多的关注。与其他现有的阵列天线雷达相比，MIMO雷达通过多发射天线和多接收天线实现波形分集，从而能够以更少的物理天线数量实现更精准的方位向测量。但是，现有的基于匹配滤波的MIMO雷达波束形成方法存在宽主瓣、高旁瓣的问题，导致角分辨率较低，难以在实际场景中应用。

为了进一步提升MIMO雷达的目标方位向角分辨率，文献“T.Yardibi，J.Li，P.Stoica，M.Xue and A.B.Baggeroer，et al.Source Localization and Sensing：ANonparametric Iterative Adaptive Approach Based on Weighted LeastSquares.IEEE Transactions on Aerospace and Electronic Systems.2010，46(1)：425-443”提出了一种迭代自适应方法(iterative adaptive approach，IAA)，该方法通过迭代的方式对自相关矩阵进行自适应更新，极大地改善了雷达测向时的角分辨率。但是，IAA算法的存在高计算复杂度的问题，不适用于实时处理；伴随人工智能的兴起，文献“L.Wu，Z.Liu and Z.Huang.Deep Convolution Network for Direction of ArrivalEstimation With Sparse Prior.IEEE Signal Processing Letters，2019，26(11)：1688-1692”提出了一种基于卷积神经网络的阵列DOA(波达方向)估计方法，该方法利用空域的稀疏特性建立阵列输出协方差向量与空间谱之间的映射关系，实现高精度的空间谱重构。然而，该方法使用的是端到端的“黑盒”模型，缺乏一定的可解释性，导致泛化能力减弱。

发明内容

为解决上述技术问题，本发明提出了一种MIMO雷达智能DOA估计方法，通过设计一种具备可解释性的深度展开网络模型，对稀疏场景下MIMO雷达探测到的目标进行DOA估计，该方法构建的深度展开网络不仅能够保证单快拍采样时DOA估计的估计精度和鲁棒性，而且在波束锐化和旁瓣抑制方面有显著的效果。

本发明的采用的技术方法为：一种MIMO雷达智能DOA估计方法，具体步骤如下：

步骤一、建立稀疏场景下的集中式MIMO雷达回波模型；

采用一个装备有M_t个发射天线和M_r个接收天线的MIMO雷达系统模型，设定MIMO雷达探测到K个相互独立的远场目标，目标的方向可表示为目标信号可表示为T表示矩阵的转置，t表示距离向时间变量。

当目标源相对于整个空域是稀疏时，令表示整个空域的离散采样角度集，L表示采样点数，采样间隔为则在稀疏背景下，接收天线阵列经过匹配滤波后的超完备形式y(t)表示为：

其中，表示阵列导向矩阵，表示M_tM_r×L维的复值列矢量，符号表示Kronecker积，n(t)表示满足高斯分布的加性噪声。表示发射阵列导向矢量，表示接收阵列导向矢量，表达式如下：