[发明专利]信号波形已知条件下的多目标直接定位方法

摘要

本发明涉及一种信号波形已知条件下的多目标直接定位方法，首先通过建立到达信号复包络和载波相位关于目标位置参数的闭式模型，通过基2‑FFT算法将多站阵列天线接收数据转化为频域数据，利用先验已知的信号波形信息和最大似然估计准则建立联合估计多目标参数和信号复传播系数的优化模型，然后通过数学推演得到仅关于多目标位置参数的数学优化模型，最后利用Gauss‑Newton迭代算法实现对多目标的高精度定位。本发明提高多对目标的定位精度，尤其是提高多目标信号时域相关条件下的定位精度，不仅克服传统两步定位方法的缺点，而且在目标信号时域相关的条件下比Weiss‑Amar方法具有更高的定位精度。

主权项

一种信号波形已知条件下的多目标直接定位方法，具体包含如下步骤：步骤1.对N个观测站的M通道阵列天线接收系统做时间同步，根据奈奎斯特采样定理采集目标辐射的无线电信号数据，获得阵列信号时域数据；步骤2.对每个观测站的阵列信号时域数据在时域上划分成K个子段，每个子段内均包含有Q个采集数据点，对每个子段内的Q个数据样本做基2‑FFT运算，得到阵列信号频域数据；步骤3.每个观测站将所获得的阵列信号频域数据传输至中心站，中心站对每个观测站传输的阵列信号频域数据进行堆栈排列，构造高维阵列信号频域数据；步骤4.中心站利用先验已知的信号波形信息以及高维阵列信号频域数据，建立联合估计多目标位置参数和信号复传播系数的最大似然估计准则；步骤5.基于最大似然估计准则，通过数学推演得到仅关于多目标位置参数的数学优化模型；步骤6.针对数学优化模型利用Gauss‑Newton迭代算法进行多目标精确定位；步骤1中第n个观测站的阵列天线所接收到的信号时域模型为：xn(t)=Σd=1Dβndan(pd)sd(t-τn(pd)-td(0))+ϵn(t)(1≤n≤N),]]>其中，pd表示第d个目标的位置向量，表示第d个目标的发射信号时间，sd(t)表示第d个目标信号的复包络，an(pd)表示第d个目标信号相对于第n个观测站的天线阵列流形向量，tn(pd)表示第d个目标信号到达第n个观测站的传播时延，βnd表示第d个目标信号到达第n个观测站的复传播系数，εn(t)表示第n个观测站中天线阵列的阵元噪声向量；步骤2中第n个观测站的阵列天线接收信号在第k个子段内的频域模型为：x~n(k)(ωq)=Σd=1Dβndan(pd)s~d(k)(ωq)·exp{-jωq(τn(pd)+td(0))}+ϵ~n(k)(ωq)=Σd=1Dbn(pd,βnd,ωq)r~d(k)(ωq)+ϵ~n(k)(ωq)(1≤n≤N;1≤k≤K;1≤q≤Q)]]>，其中，和分别表示和的频域形式，ωq表示第q个数字频点，和bn(pd,βnd,ωq)的表达式分别为：r~d(k)(ωq)=s~d(k)(ωq)·exp{-jωqtd(0)}bn(pd,βnd,ωq)=βndan(pd)·exp{-jωqτn(pd)}]]>；步骤3中中心站所获得高维的阵列信号频域模型为：x~(k)(ωq)=Σd=1Db‾(pd,βd,ωq)r~d(k)(ωq)+ϵ~(k)(ωq)=B‾(p,β,ωq)r~(k)(ωq)+ϵ~(k)(ωq)]]>，其中，r~(k)(ωq)=r~1(k)(ωq)r~2(k)(ωq)...r~D(k)(ωq)Tϵ~(k)(ωq)=ϵ~1(k)H(ωq)ϵ~2(k)H(ωq)...ϵ~N(k)H(ωq)TB‾(p,β,ωq)=b‾(p1,β1,ωq)b‾(p2,β2,ωq)...b‾(pD,βD,ωq)b‾(pd,βd,ωq)=diaga1T(pd)·exp{-jωqτ1(pd)}......aNT(pd)·exp{-jωqτN(pd)}·(IN⊗1M×1)βdβd=β1dβ2d...βNdT,β=β1Tβ2T...βDTT,p=p1Tp2T...pDTT]]>；步骤4中中心站所建立的关于联合估计多目标位置参数和信号复传播系数的最大似然估计准则为：minp,βJ(p,β)=minp,βΣq=1Q||(B‾(p,β,ωq)-Z~(ωq))Z~11/2(ωq)||F2]]>，其中，Z~(ωq)=Z~2H(ωq)Z~1-1(ωq)Z~1(ωq)=Σk=1Kr~(k)(ωq)r~(k)H(ωq)Z~2(ωq)=Σk=1Kr~(k)(ωq)x~(k)H(ωq)]]>；步骤5中通过数学推演，将关于联合估计多目标位置参数和信号复传播系数的最大似然估计准则转化为：minp,βJ(p,β)=minp,βΣq=1Q||((Z~11/2(ωq))T⊗IMN)A‾(p,ωq)β-((Z~11/2(ωq))T⊗IMN)z~(ωq)||22]]>，其中，A‾(p,ωq)=blkdiagA(p1,ωq)ΠA(p2,ωq)Π...A(pD,ωq)ΠA(pd,ωq)=diagexp{-jωqτ1(pd)}·a1T(pd)exp{-jωqτ2(pd)}·a2T(pd)...exp{-jωqτN(pd)}·aNT(pd)·(IN⊗1M×1)βdΠ=IN⊗1M×1,z~(ωq)=vec(Z~(ωq)),]]>进一步根据数据推演，得到仅关于多目标位置参数的数学优化模型：其中，表示矩阵ΓΩ(p)列补空间上的正交投影矩阵，表示矩阵的Moore‑Penrose逆，而矩阵Γ，Ω(p)和向量t的表达式分别为：Γ=blkdiag(Z~11/2(ω1))T⊗IMN(Z~11/2(ω2))T⊗IMN...(Z~11/2(ωQ))T⊗IMNt=(((Z~11/2(ω1))T⊗IMN)z~(ω1))H(((Z~11/2(ω2))T⊗IMN)z~(ω2))H...(((Z~11/2(ωQ))T⊗IMN)z~(ωQ))HHΩ(p)=(A‾(p,ω1))H(A‾(p,ω2))H...(A‾(p,ωQ))HH.]]>