一种极化MIMO阵列雷达的相干目标角度估计方法与流程

本发明属于雷达信号处理中的目标定位技术领域，尤其涉及一种极化MIMO阵列雷达的相干目标角度估计方法。

背景技术：

MIMO雷达作为一种适应现代战争需求而出现的新体制雷达，以其独特的优势受到了广泛的关注。MIMO雷达在发射端采用多通道发射正交信号(事实上为非相干信号即可)，在接收端利用多个天线来接收，在空间形成多个通道。相比常规相控阵雷达，MIMO雷达具有明显的优势。而目标定位又是雷达的基本任务之一，因此MIMO雷达的DOA估计发展迅速。

另一方面，空间电磁波信号是一个矢量信号，完备的电场和磁场信息为六维的复矢量，而电磁矢量传感器通常是由3个电偶极子和3个磁偶极子同空间位置组合而成。电磁矢量传感器每个阵元不同的极化选择特性使之能以矢量方式观测信号电磁波场，从而提取更为细致的信息，这一矢量信息的利用为提高阵列信号处理的整体性能奠定了基础。

结合集中式MIMO雷达提供的波形分集和电磁矢量传感器提供的极化分集，构造了极化MIMO雷达的信号模型。根据平行因子分析方法、ESPRIT算法等方法研究了电磁矢量传感器构成的极化MIMO雷达的角度估计问题，该方法不需要利用阵列的位置信息，且无需搜索。但是目前极化MIMO雷达的角度估计问题是建立在目标之间为非相干的基础之上。由于多径传播、电子干扰等因素的影响，仍然会遇到存在相干信源的电磁环境。当空间存在相干源时，通常的基于特征分解的高分辨DOA估计算法就无法正确估计信源DOA。空间平滑算法是一种常用的解相干预处理方法。但是空间平滑算法是通过牺牲阵列的有效孔径来获得其解相干能力的，由于阵列孔径的损失，算法对相干源的分辨能力有较大幅度的下降。

综上可知已有技术存在以下弊病，现有的极化MIMO阵列雷达的相干目标角度估计方法无法有效避免相干信源的干扰，不适用于阵元任意空间分布的阵列结构，无法准确估计信源DOA，采用现有的空间平滑算法进行解相干预处理则会导致阵列有效孔径的缺失。

技术实现要素：

本发明针对现有技术存在的上述不足，提出了一种极化MIMO阵列雷达的相干目标角度估计方法，该方法与空间平滑方法相比可以避免减少阵列有效孔径,并且适用于阵元任意空间分布的阵列结构。具体发明内容如下：

本发明提供一种极化MIMO阵列雷达的相干目标角度估计方法，其特征在于，所述方法是一种极化平滑方法，具体包括如下步骤：

步骤一：对极化MIMO雷达接收数据进行匹配滤波，得到虚拟阵列；

步骤二：将所述虚拟阵列划分为空域上完全相同的六个子阵；

步骤三：利用最大似然方法计算得出所述六个子阵的六个协方差矩阵；

步骤四：将所述六个协方差矩阵进行加权平均，得到极化平滑后的协方差矩阵；

步骤五：针对所述极化平滑后的协方差矩阵，应用ESPRIT超分辨算法得到角度估计值。

本发明中，步骤一包括以下子步骤：

步骤1a)：极化MIMO雷达的接收数据为：

其中，A_r(θ,φ)表示接收阵列的空域导向矩阵、A_t(θ,φ)表示发射阵列的空域导向矩阵、A_pol(θ,φ,γ,η)表示单个电磁矢量传感器的空域-极化域联合导向矩阵、φ表示目标的方位角、θ表示目标的俯仰角、γ表示目标的极化辅角、η表示目标的极化相位差、S为发射信号矩阵、W(t)表示噪声、b(t)表示接收系数矢量；

步骤1b)：对数据矩阵X(t)进行匹配滤波处理，即右乘S^H，得到如下数据矩阵：

其中上标(·)^H表示共轭转置，噪声项N(t)＝W(t)S^H，

对(2)进行矢量化处理得到：

其中，n(t)＝vec[N(t)]为噪声转化项。

本发明中，步骤二包括以下子步骤：

步骤2a)：提取同一个指向的天线接收数据组成一个子阵数据；

步骤2b)：采用步骤2a)的方法提取出另外五个子阵数据，得到六个子阵数据；

步骤2c)：将所述六个子阵数据按顺序排列，得到空域上完全相同的六个子阵。

本发明中，步骤三包括以下子步骤：

步骤3a)：定义选择矩阵其中矢量I_MN为MN×MN维的单位矩阵；

步骤3b)：对导向矩阵进行选择可以得到子阵i的导向矩阵：

其中，A_pol,i表示第i＝1,…6个极化矩阵；

步骤3c)：根据J_i计算六个子阵的协方差矩阵：其中R_x为接收数据的协方差矩阵。

本发明中，步骤四包括以下子步骤：

步骤4a)：定义平滑处理的加权系数；

步骤4b)：根据所述加权系数求相加平均值，得到极化平滑后的协方差矩阵。

本发明与现有技术相比具有以下优点：

1)本发明采用同一点位的信息构成子阵，其适用于阵元任意空间分布的阵列结构，且平滑后子阵不损失阵列有效孔径，定位精度大大增加。

2)本发明适用于分离式电磁矢量传感器，其互耦大大降低，有利用降低硬件成本。

附图说明

图1为本发明的算法流程框图

图2为本发明极化平滑前后协方差矩阵特征值分布图

图3为本发明极化平滑算法与空间平滑算法随信噪比变化的性能对比图

具体实施方式

下面结合附图对本发明实施例作详细说明，具体实施方式包括以下步骤：

第一步，对极化MIMO雷达接收数据进行匹配滤波，得到虚拟阵列，包括以下子步骤：

步骤1a)：极化MIMO雷达的接收数据为：

其中，A_r(θ,φ)表示接收阵列的空域导向矩阵、A_t(θ,φ)表示发射阵列的空域导向矩阵、A_pol(θ,φ,γ,η)表示单个电磁矢量传感器的空域-极化域联合导向矩阵、φ表示目标的方位角、θ表示目标的俯仰角、γ表示目标的极化辅角、η表示目标的极化相位差、S为发射信号矩阵、W(t)表示噪声、b(t)表示接收系数矢量；

步骤1b)：对数据矩阵X(t)进行匹配滤波处理，即右乘S^H，得到如下数据矩阵：

其中，上标(·)^H表示共轭转置，噪声项N(t)＝W(t)S^H。

对上式(2)进行矢量化处理得到：

其中，n(t)＝vec[N(t)]为噪声转化项。

第二步，将该虚拟阵列划分为六个空域上完全相同的子阵，包括以下子步骤：

步骤2a)：将同一个指向的天线接收数据提取出来组成一个子阵数据；

步骤2b)：用步骤2a)的方法提取出另外五个子阵数据；

步骤2c)：将该六个子阵数据按顺序排列。

第三步，利用最大似然方法计算得出六个子阵的六个协方差矩阵，包括以下子步骤：

步骤3a)：定义选择矩阵其中矢量I_MN为MN×MN维的单位矩阵；

步骤3b)：对导向矩阵进行选择可以得到子阵i的导向矩阵：

其中，A_pol,i表示第i＝1,…6个极化矩阵；

步骤3c)：根据J_i计算六个子阵的协方差矩阵：其中R_x为接收数据的协方差矩阵。

第四步，针对这六个协方差矩阵进行加权平均，得到极化平滑后的协方差矩阵，包括以下子步骤：

步骤4a)：定义平滑处理的加权系数w_i；

步骤4b)：根据加权系数求相加平均值：

其中，R_smoothing为秩恢复的协方差矩阵。

第五步，针对极化平滑后的协方差矩阵，应用ESPRIT超分辨算法得到角度估计值。

本发明的有益效果通过以下两次计算仿真作进一步说明：

仿真1：设置发射阵元为六，接收电磁矢量传感器个数为六。在图2的仿真中，假设有三个目标。采用极化平滑对接收数据进行处理，得到平滑前和平滑后的协方差矩阵特征值分布。信噪比为20，快拍数为200。从图2中清楚的看出平滑前只有一个大特征值，平滑后则有与目标数相同的三个特征值，证明了本发明极化平滑算法的有效性。

仿真2：设置发射阵元为六，接收电磁矢量传感器个数为六。在图3的仿真中，我们设置目标为两个，目标角度和极化状态角为：2°，53°，45°，-90°和5°，58°，45°，-90°。快拍数为200，蒙特卡洛实验次数1000次。为了与空间平滑算法进行比较，设置接收阵列为x轴分布的均匀半波长线阵，发射阵列为y轴分布的均匀半波长线阵。空间平滑后采用空域ESPRIT算法对目标俯仰角和方位角进行估计。图3给出了本发明极化平滑算法与空间平滑算法的性能对比图，从图3中可以看出，空间平滑次数任意选择，本发明的算法都要比空间平滑算法好。

上述实施例仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。