一种双基地MIMO雷达测向方法

一种双基地mimo雷达测向方法
技术领域
1.本发明属于雷达信号处理领域，涉及一种双基地mimo雷达测向方法，特别是一种冲击噪声下的双基地mimo雷达快速高精度测向方法。


背景技术：

2.近年来，多输入多输出(multiple input multiple output,mimo)雷达受到专家学者的广泛关注。mimo雷达与相控阵雷达相比具有诸多优势，这不仅是因为mimo雷达采用多发多收的配置结构，更重要的是它允许各个阵元独立发射波形。因此，mimo雷达能够提高雷达系统的自由度，从而在目标检测、最大目标识别数目、参数估计以及跟踪等方面更具优势。双基地mimo雷达收发阵列分别放置在相距较远的两个基地中，同时具有双基地雷达和mimo雷达的优势，能够对目标波离角(direction of departure,dod)和波达角(direction of arrival,doa)进行联合估计。因此针对双基地mimo雷达已经提出了许多高分辨率测向算法，这些测向算法大多假设背景噪声为高斯噪声,利用二阶或高阶累积量进行分析可以获得理想的结果。然而实际中有非高斯噪声的存在，如海杂波噪声、大气噪声、无线信道噪声等，这些噪声的模型可表示成sαs随机过程,它与高斯噪声模型失配,使得传统的基于二阶或高阶累积量的算法失效，因此研究在冲击噪声下的双基地mimo雷达快速高精度测向方法具有重要的意义和价值。
3.使用music算法进行测向，可以获得高精度超分辨的测向性能，但是需要对空间谱函数进行二维谱峰搜索，不仅会产生不可避免的量化误差，而且计算量会随扫描间隔减小而急剧增大，极大地限制了music算法的工程应用，因此如何快速无量化误差得到搜索结果是music算法应用的经典难题，使用智能优化算法对其求解是一种具有潜力的解决方案，但其只能求解多维联合优化问题，不能有效求解多峰优化问题得到多个最优解，因此需要针对具体问题设计新的多峰智能优化算法进行多峰优化。
4.通过对现有技术文献的检索发现，mohamed laid bencheikh等在《signal processing》(2010,90(09):2723-2730)上发表的“polynomial root finding technique for joint doa dod estimation in bistatic mimo radar”中提出基于music算法的双基地mimo雷达测向方法，并提出了一种多项式求根快速估计方法，在高斯噪声环境下表现出一定的鲁棒性，但在冲击噪声下性能将会下降甚至失效。gong shu等在《iet communications》(2018,12(12):1397-1405)上发表的“joint dod and doa estimation for bistatic multiple-input multiple-output radar target discrimination based on improved unitary esprit method”利用esprit算法实现了dod和doa的联合估计，但其只适用于高斯噪声，在冲击噪声下将会失效。
5.已有文献的检索结果表明，现有的双基地mimo雷达测向方法多采用music算法和esprit算法等，music算法计算量大，且存在量化误差，esprit算法在低信噪比，小快拍数下性能较差，这两类算法都适用于高斯噪声，在冲击噪声的环境下性能将会恶化甚至失效，因此提出一种在冲击噪声下的双基地mimo雷达快速高精度测向方法，其具体是在冲击噪声下
设计了一种加权范数相关熵，设计基于加权范数相关熵的music测向方程进行双基地mimo雷达测向，并且设计了一种多峰量子猎食者机制快速无量化误差求解，解决了现有双基地mimo雷达测向方法在冲击噪声下性能恶化的技术难题，极大地降低了music算法的计算量，将会推进music算法的工程应用进程。


技术实现要素：

6.针对上述现有技术，本发明要解决的技术问题是提供一种冲击噪声下快速高精度的双基地mimo雷达测向方法，在冲击噪声环境下具有鲁棒性，并且设计了多峰量子猎食者机制进行快速无量化误差求解，突破了现有双基地mimo测向方法的一些应用局限，将会推进music等谱峰搜索类算法的工程应用进程。
7.为解决上述技术问题，本发明的一种双基地mimo雷达测向方法，包括以下步骤：
8.步骤一、获取阵列接收信号的快拍采样数据并进行匹配滤波，构造基于加权范数相关熵的music空间谱函数；
9.步骤二、初始化每个个体的量子位置并设定相关参数，构造适应度函数；
10.步骤三，利用k均值聚类将种群分为p个群体，并对所有个体进行适应度函数的评价，选择每个群体中具有最优适应度个体的量子位置作为该群体的最优量子位置；
11.步骤四、所有群体中每个个体依概率选择猎人演化或猎物演化更新其量子位置；
12.步骤五、将所有群体中每个个体更新后的量子位置映射为位置，计算更新后所有个体的适应度函数值，更新每个群体中全局最优量子位置；
13.步骤六、对最优量子位置集合中的元素进行局部开发；
14.步骤七、判断是否达到最大迭代次数g，若未达到，令g＝g+1，返回步骤三；若达到则终止循环迭代，输出全局最优量子位置集合，经过映射变换为全局最优位置即为dod和doa的估计值。
15.进一步的，步骤一包括：
16.假设双基地mimo雷达的发射端为由m
t
个全向阵元组成的均匀线阵，接收端为由mr个全向阵元组成的均匀线阵，阵元间距分别为d
t
和dr；定义最大快拍数为k
p
，假设空间存在p个远场目标，其dod和doa分别为θi和i＝1,2
…
,p，接收端接收第k次快拍数据并进行匹配滤波后，接收数据为其中，为m
t
mr×
p维阵列流型矩阵，和分别为发射导向矢量和接收导向矢量，λ为信号波长，为kronecker积，s(k)＝[s1(k),s2(k),
…
,s
p
(k)]
t
为接收信号经匹配滤波后输出的复幅度，n(k)为m
t
mr×
1维服从特征指数为α的标准sαs分布的复冲击噪声，j为复数单位，t为矩阵转置；第k次接收数据经加权范数归一化可以表示为其中，β∈[0.8,1]为加权常数，则
阵元接收数据的加权范数相关熵可以表示为其中，第n行第l列元素为σ为核长，μ为一常数，k
p
为最大快拍数，上标*表示共轭；对r进行特征分解，其中，us是由p个较大特征值对应的特征向量张成的信号子空间，∑s是由p个较大特征值构成的对角阵，un是由剩余较小特征值对应的特征向量张成的噪声子空间，∑n是由剩余较小特征值构成的对角阵，上标h表示共轭转置，则构造基于加权范数相关熵的music空间谱函数为
[0017]
进一步的，步骤二包括：
[0018]
首先设定个体数目为b，最大迭代次数为g，在第g次迭代中，第b个个体在2维搜索空间中的量子位置为当g＝1时，初代所有个体的量子位置的每一维初始化为[0,1]之间的均匀随机数，根据量子位置映射成位置的映射规则将所有个体的量子位置的每一维映射到搜索空间范围内，其中，x
1,max
和x
1,min
分别为dod搜索空间上下限，x
2,max
和x
2,min
分别为doa搜索空间上下限，b＝1,2,
…
,b，得到第b个个体的位置第b个个体的适应度函数为
[0019]
进一步的，步骤三包括：
[0020]
步骤3.1：从种群中随机选择p个个体的量子位置作为初始的群体中心集合
[0021]
步骤3.2：对于第b个个体，计算其与群体中心集合中所有元素的欧几里得距离其中，根据计算得到的欧几里得距离将第b个个体的量子位置分配到距离最近的群体中，所有个体都分配完毕后，对于第p个群体，计算群体中所有个体量子位置的平均值作为新的群体中心，如果群体中心集合和上次相比不再变化，则对所有个体进行适应度函数的评价，选择群体中具有最优适应度个体的量子位置作为该群体的最优量子位置进入下一步；否则，返回步骤3.2对所有个体重新分配。
[0022]
进一步的，步骤四包括：
[0023]
对于第p个群体中第ω个个体，产生一个[0,1]之间均匀分布的随机数其中，其中，为第g代第p个群体的个体数，如果其中，ps为选择概率，则将该个体视为猎人进行演化，则第g+1代第p个群体中第ω个个体该个体的量子旋转角矢量为
其中，cg＝1-0.98g/g表示第g代的平衡参数，为第g代的自适应参数，
⊙
为hadamard积，为kronecker积，r
1g
是[0,1]之间均匀分布的随机数，为[0,1]之间均匀分布的2维随机矢量，为满足条件vg＝＝0的矢量的索引值，是一个值为0和1的2维矢量，为[0,1]之间均匀分布的2维随机矢量，～为取反操作，为第g代第p个群体的平均量子位置，为则第g代第p个群体中第ω个个体的量子位置，为第g代第p个群体中猎物的量子位置，为该群体中所有个体量子位置和之间欧几里得距离按升序排列后的第k
best
个个体，ceil(
·
)为向上取整函数，之后使用模拟量子旋转门更新第p个群体第ω个个体第d维量子位置：其中，和分别表示第g+1代中第p个群体第ω个个体第d维量子位置和量子旋转角，ω＝1,2,
…
,b
p
，p＝1,2
…
,p，d＝1,2；
[0024]
如果则将该个体视为猎物进行演化，则第g+1代第p个群体中第ω个个体该个体的量子旋转角矢量为其中，为[-1,1]之间均匀分布的随机数，为第g代第p个群体中的最优量子位置；之后使用模拟量子旋转门更新第p个群体第ω个个体第d维量子位置：更新第p个群体第ω个个体第d维量子位置：表示第g代第p个群体中最优量子位置的第d维。
[0025]
进一步的，步骤五包括：
[0026]
对于第g+1代第p个群体中第ω个个体，将其更新后的量子位置映射为位置然后群体中每个个体进行适应度函数的计算和评价，更新到第g+1代为止第p个群体的最优量子位置更新所有群体的最优量子位置得到最优量子位置集合
[0027]
进一步的，步骤六包括：
[0028]
对于第g+1代第p个群体，产生一个[0,1]之间均匀分布的随机数如果其中，为第g+1代第p个群体局部开发的概率，为第g+1代第p个群体最优个体的适应度，和分别表示第g+1代中所有群体最优个体适应度的最小值和最大值，η是一个非常小的正数，避免除零操作，则利用高斯采样生成新的量子位置q为采样点数，为第g+1代第p个群体第q个抽样点的第d维量子位置，服从均值为方差为ζ2的高斯分布，
为第g+1代第p个群体最优量子位置的第d维，d＝1,2，对进行适应度函数的评价，如果的适应度优于的适应度，则
[0029]
本发明的有益效果：与现有技术相比，本发明具有以下优点：
[0030]
(1)针对现有双基地mimo雷达测向方法计算复杂度高和在冲击噪声环境下性能恶化的问题，设计了更具鲁棒性的基于多峰量子猎食者机制的双基地mimo雷达测向方法，在冲击噪声下设计了加权范数相关熵，并利用基于多峰量子猎食者机制的music测向方法实现了双基地mimo雷达的快速高精度测向。
[0031]
(2)本发明设计的双基地mimo雷达测向方法设计了加权范数相关熵，在冲击噪声下实现了对目标的有效测向，设计的多峰量子猎食者机制可以对基于加权范数相关熵的music测向方程进行高精度求解，快速准确的得到测向结果。
[0032]
(3)仿真实验证明了冲击噪声下基于多峰量子猎食者机制的双基地mimo雷达测向方法的有效性，突破了传统方法在冲击噪声下性能恶化的应用局限，且实现了music算法的快速无量化误差求解，计算量降低了110倍，将会推进music算法的工程应用进程。
附图说明
[0033]
图1为本发明所设计的双基地mimo雷达快速高精度测向方法示意图。
[0034]
图2为α＝1.4时dod均方根误差与广义信噪比关系曲线。
[0035]
图3为α＝1.4时doa均方根误差与广义信噪比关系曲线。
具体实施方式
[0036]
下面结合说明书附图和实施例对本发明做进一步说明。
[0037]
结合图1，本发明包括以下步骤：
[0038]
步骤一，获取阵列接收信号的快拍采样数据并进行匹配滤波，构造基于加权范数相关熵的music空间谱函数。
[0039]
假设双基地mimo雷达的发射端为由m
t
个全向阵元组成的均匀线阵，接收端为由mr个全向阵元组成的均匀线阵，阵元间距分别为d
t
和dr。定义最大快拍数为k
p
，假设空间存在p个远场目标，其dod和doa分别为θi和i＝1,2
…
,p，接收端接收第k次快拍数据并进行匹配滤波后，接收数据为其中，其中，为m
t
mr×
p维阵列流型矩阵，和分别为发射导向矢量和接收导向矢量，λ为信号波长，为kronecker积，s(k)＝[s1(k),s2(k),
…
,s
p
(k)]
t
为接收信号经匹配滤波后输出的复幅度，n(k)为m
t
mr×
1维服从特征指数为α的标准sαs分布的复冲击噪声，j为复数单位，t为矩阵转置。第k次接收数据经加权范数归一化可以表示为其中，β∈[0.8,1]为加权常数，则
阵元接收数据的加权范数相关熵可以表示为其中，第n行第l列元素为σ为核长，μ为一常数，k
p
为最大快拍数，上标*表示共轭。之后对r进行特征分解，其中，us是由p个较大特征值对应的特征向量张成的信号子空间，∑s是由p个较大特征值构成的对角阵，un是由剩余较小特征值对应的特征向量张成的噪声子空间，∑n是由剩余较小特征值构成的对角阵，上标h表示共轭转置，则构造基于加权范数相关熵的music空间谱函数为
[0040]
步骤二，初始化每个个体的量子位置并设定相关参数，构造适应度函数。
[0041]
首先设定个体数目为b,最大迭代次数为g。在第g次迭代中，第b个个体在2维搜索空间中的量子位置为当g＝1时，初代所有个体的量子位置的每一维初始化为[0,1]之间的均匀随机数，根据量子位置映射成位置的映射规则将所有个体的量子位置的每一维映射到搜索空间范围内，其中，x
1,max
,x
1,min
分别为dod搜索空间上下限，x
2,max
,x
2,min
分别为doa搜索空间上下限，b＝1,2,
…
,b，得到第b个个体的位置第b个个体的适应度函数为
[0042]
步骤三，利用k均值聚类将种群分为p个群体，并对所有个体进行适应度函数的评价，选择每个群体中具有最优适应度个体的量子位置作为该群体的最优量子位置，具体步骤为：
[0043]
(1)从种群中随机选择p个个体的量子位置作为初始的群体中心集合
[0044]
(2)对于第b个个体，计算其与群体中心集合中所有元素的欧几里得距离其中，p＝1,2,
…
,p，根据计算得到的欧几里得距离将第b个个体的量子位置分配到距离最近的群体中，所有个体都分配完毕后，对于第p个群体，计算群体中所有个体量子位置的平均值作为新的群体中心，如果群体中心集合和上次相比不再变化，则对所有个体进行适应度函数的评价，选择群体中具有最优适应度个体的量子位置作为该群体的最优量子位置p＝1,2,
…
,p，进入下一步；否则，返回步骤三(2)对所有个体重新分配。
[0045]
步骤四，所有群体中每个个体依概率选择猎人演化或猎物演化更新其量子位置，具体步骤为：
[0046]
对于第p个群体中第ω个个体，产生一个[0,1]之间均匀分布的随机数其中，其中，为第g代第p个群体的个体数，如果其中，ps为选择概率，则将该个体视为猎人进行演化，则第g+1代第p个群体中第ω个个体该个体
的量子旋转角矢量为其中，cg＝1-0.98g/g表示第g代的平衡参数，为第g代的自适应参数，
⊙
为hadamard积，为kronecker积，r
1g
是[0,1]之间均匀分布的随机数，为[0,1]之间均匀分布的2维随机矢量，为满足条件vg＝＝0的矢量的索引值，是一个值为0和1的2维矢量，为[0,1]之间均匀分布的2维随机矢量，～为取反操作，为第g代第p个群体的平均量子位置，为则第g代第p个群体中第ω个个体的量子位置，为第g代第p个群体中猎物的量子位置，为该群体中所有个体量子位置和之间欧几里得距离按升序排列后的第k
best
个个体，ceil(
·
)为向上取整函数，之后使用模拟量子旋转门更新量子位置：其中，和分别表示第g+1代中第p个群体第ω个个体第d维量子位置和量子旋转角，ω＝1,2,...,b
p
，p＝1,2
…
,p，d＝1,2。
[0047]
如果则将该个体视为猎物进行演化，则第g+1代第p个群体中第ω个个体该个体的量子旋转角矢量为其中，为[-1,1]之间均匀分布的随机数，为第g代第p个群体中的最优量子位置，之后使用模拟量子旋转门更新量子位置：更新量子位置：表示第g代第p个群体中最优量子位置的第d维。
[0048]
步骤五，将所有群体中每个个体更新后的量子位置映射为位置，计算更新后所有个体的适应度函数值，更新每个群体中全局最优量子位置。
[0049]
对于第g+1代第p个群体中第ω个个体，将其更新后的量子位置映射为位置然后群体中每个个体进行适应度函数的计算和评价，更新到第g+1代为止第p个群体的最优量子位置更新所有群体的最优量子位置得到最优量子位置集合
[0050]
步骤六，对最优量子位置集合中的元素进行局部开发。
[0051]
对于第g+1代第p个群体，产生一个[0,1]之间均匀分布的随机数如果其中，为第g+1代第p个群体局部开发的概率，为第g+1代第p个群体最优个体的适应度，和分别表示第g+1代中所有群体最优个体适应度的最小值和最大值，η是一个非常小的正数，避免除零操作，则利用高斯采样生成新的量子位置q＝1,2,
…
,q，q为采样点数，为第g+1代第
p个群体第q个抽样点的第d维量子位置，服从均值为方差为ζ2的高斯分布，为第g+1代第p个群体最优量子位置的第d维，d＝1,2，对进行适应度函数的评价，如果的适应度优于的适应度，则将替换为
[0052]
步骤七，判断是否达到最大迭代次数g，若未达到，令g＝g+1，返回步骤三；若达到则终止循环迭代，输出全局最优量子位置集合，经过映射变换为全局最优位置即为dod和doa的估计值。
[0053]
本发明所设计的基于多峰量子猎食者机制的双基地mimo雷达测向方法记作mqhpo-wnce-music；基于二维谱峰搜索的分数低阶矩music测向方法记作flom-music。
[0054]
在仿真实验中目标数p＝2，dod矢量为θ＝[-30.55
°
,50.55
°
]，doa矢量为k
p
＝100，m
t
＝mr＝4，β1，σ＝1，μ＝0.5，发射和接收阵列的阵元间距均为半波长，flom-music的扫描间隔为0.1
°
，分数低阶矩阶数为1.2，monte carlo实验次数为100。
[0055]
多峰量子猎食者机制参数设置如下：b＝100，g＝100，ps＝0.1，η1e-4，q＝4，ζ＝1e-4，[x
1,min
,x
1,max
]＝[-90,90]，[x
2,min
,x
2,max
]＝[-90,90]。在特征指数α＝1.4的冲击噪声下，对比dod和doa均方根误差随广义信噪比变化曲线，体现了本发明所设计的方法相对于传统方法的在冲击噪声环境下的优势，而且传统方法运行一次平均需要131.9秒，本发明所设计的方法仅需要1.2秒，计算时间降低了110倍，实现了传统方法的快速无量化误差求解，将会推动传统谱峰搜索类算法的工程应用进程。