一种复杂场景下改善MIMO雷达目标检测性能的字典设计方法

本发明属于稀疏表示领域，具体涉及一种复杂场景下改善mimo雷达目标检测性能的字典设计方法。

背景技术：

1、相较于传统相控阵雷达，(multiple-in multiple-out，mimo)雷达由于发射相干波形而仅具有接收自由度，多输入多输出其可发射任意波形由此具有收发自由度从而空间自由度获得显著提高进而具有优良的目标检测及参数估计性能，受到了工程及科研人员的广泛关注。均匀杂波场景下，共置mimo雷达的目标检测问题得到了较为深入的研究。为了获得杂波协方差矩阵(clutter covariance matrix,ccm)的高精度估计，通常需要足够的服从独立同分布(independent identical distribution,iid)的样本数目。由于共置mimo雷达所具有的波形分集特性使得其可获得较大虚拟孔径，进而导致共置mimo雷达的ccm估计所需样本数远超传统相控阵雷达。然而，实际应用中，由于雷达平台运动所导致的场景空时变化使得杂波具有非均匀性从而致使杂波统计特征难以保持平稳特性进而无法获得足够多iid样本。由此，均匀场景样本数目的不足将加大ccm估计误差从而导致mimo雷达目标检测性能显著下降。幸运的是，由于待检测目标在其参数空间(角度，距离，速度等)中所占据空间比例较少从而具有稀疏性，此种特性使得利用小样本条件下具有优良目标检测估计特性的稀疏表示方法有效处理非均匀场景下mimo雷达目标检测问题成为可能。

2、近年来，稀疏表示理论在信号处理领域得到了广泛研究，已成功应用于图像去噪、特征提取和雷达目标检测等方面。稀疏表示的基本思想可简述为：特定域内具有稀疏性的信号可经由数据自适应完备字典有效线性表达。由此可知，字典构造在稀疏表示模型中起着至关重要的作用，其将严重影响稀疏表示及信息恢复性能。目标信息未知条件下，ma以及yang等直接通过均匀离散化空时频参数空间并基于空时频导向矢量构造完备字典。然而，经由此种方式所得固定字典通常无法有效匹配实测数据，因此存在表达误差较大以及信息恢复性能较差等问题。针对此问题，gioanneschi等基于字典学习(dictionary learning，dl)理论提出数据自适应字典构造的海洋杂波抑制方法以抑制海杂波从而提升海面弱目标检测性能。dong等基于雷达回波数据提出在线字典学习方法以提升杂波抑制能力进而改善目标检测性能。然而，上述方法基于训练数据获得完备字典，没有利用mimo雷达资源配置设计字典，因而所得字典场景匹配性有限。基于此，ajorloo等通过设计mimo雷达发射波形相关矩阵(waveform covariance matrix,wcm)以降低感知矩阵(sensing matrix,sm)相干性进而改善mimo雷达检测性能。基于如下原则：最大化bhattacharyya距离，最小化sm互相干性，shahbazi等设计sm以最大化信杂噪比(signal-to-clutter-plus-noise ratio,scnr)从而抑制杂波。rogers等基于压缩感知理论设计波形以改善稀疏场景下多扩展目标检测性能。需要注意的是，这些方法仅考虑通过设计发射波形而不是联合优化mimo雷达收发空时资源以获得匹配场景的完备字典。再者，上述字典构造方法没有考虑目标杂波的区分性，目标杂波共用同部字典，从而导致目标杂波的可分性较差。此外，实际应用中，由于受到实际场景及系统非理想时空因素影响，mimo雷达接收数据具有非线性特征，而现有稀疏线性表示方法仅可抽取数据线性特征，因而所构建模型与实际场景错配，所得目标杂波稀疏恢复精度较低，从而使得二者可分性变差，进而导致杂波抑制能力下降。

3、非线性变换可映射包含非理想因素的非线性数据至有效线性表达空间从而提升目标杂波稀疏恢复精度。常见的非线性变换方法主要有基于拟合的非线性变换、核化稀疏编码方法、核变换方法等。基于拟合的传统非线性变换灵活性较差，无法较好表达实际因素导致的非线性效应，且恢复雷达原始输入数据的逆变换获取极为困难甚至可能不存在。针对上述问题，gao等提出核化稀疏编码方法，其基于所设计核函数将样本非线性变换至隐式高维特征空间以提升类内聚集度。基于此方法，nguyen和wang等提出基于核变换的非线性字典学习方法，其通过将原始数据映射到高维空间并基于非线性方法构造字典。然而，上述基于核变换的方法灵活性差且表达能力有限。

技术实现思路

1、本发明的目的在于，提供一种复杂场景下改善mimo雷达目标检测性能的字典设计方法，基于最小化重构误差及目标杂波字典相关性分别设计目标杂波字典以提升目标杂波可分性从而提升非均匀杂波场景下目标检测性能。

2、为实现上述目的，一种复杂场景下改善mimo雷达检测性能的字典设计方法，包括：

3、建立共置mimo雷达信号稀疏表示模型；

4、获取接收数据非线性特征抽取及矫正的cae模型；

5、基于最小化重构误差以及目标杂波相关性准则构建联合优化模型；

6、通过交替迭代策略以及增广拉格朗日乘子法(augmented lagrange method，alm)交替更新联合优化模型的cae模型参数、目标杂波字典及对应稀疏系数，并获取最优目标杂波字典及对应稀疏系数；

7、基于最小二乘准则获得收发空时资源联合优化模型，以得到最优目标杂波字典的所需发射波形，收发阵元位置以及发射脉冲间隔。

8、本发明与现有技术相比具有以下优点：本发明可有效矫正雷达测量系统及实际环境所带来的非线性效应，基于最小化重构误差及目标杂波字典相关性分别设计目标杂波字典以提升目标杂波可分性从而提升非均匀杂波场景下目标检测性能。此外，为了获得最优目标杂波字典，本发明基于最小二乘准则，构建收发空时资源配置模型以优化发射波形、收发阵元位置以及发射脉冲间隔，进而获得高可分目标杂波字典。

技术特征：

1.一种复杂场景下改善mimo雷达目标检测性能的字典设计方法，其特征在于具体包含：

2.根据权利要求1所述复杂场景下改善mimo雷达目标检测性能的字典设计方法，其特征在于，建立共置mimo雷达信号稀疏表示模型，具体为：基于压缩感知cs理论，雷达接收回波y由稀疏表示模型表述如下：

3.根据权利要求1所述复杂场景下改善mimo雷达目标检测性能的字典设计方法，其特征在于，所述cae模型包括卷积编码网络和反卷积译码网络；所述卷积编码网络，采用尺寸为f×f的卷积核对雷达接收数据进行卷积运算，j为接收数据个数，即：

4.根据权利要求1所述复杂场景下改善mimo雷达目标检测性能的字典设计方法，其特征在于，基于最小化重构误差以及目标杂波字典相关性准则，构建如下所示关于卷积自编码器、目标杂波字典以及对应稀疏表示系数的联合优化模型：

5.根据权利要求4所述复杂场景下改善mimo雷达目标检测性能的字典设计方法，其特征在于，获取最优目标杂波字典及对应稀疏系数，包括：

6.根据权利要求4所述复杂场景下改善mimo雷达目标检测性能的字典设计方法，其特征在于，获取最优目标杂波字典及对应稀疏系数，还包括：

7.根据权利要求4所述复杂场景下改善mimo雷达目标检测性能的字典设计方法，其特征在于，获取最优目标杂波字典及对应稀疏系数，还包括：

8.根据权利要求1所述复杂场景下改善mimo雷达目标检测性能的字典设计方法，其特征在于，所述收发空时资源联合优化模型为：

技术总结
本发明一种复杂场景下改善MIMO雷达目标检测性能的字典设计方法，属于稀疏表示领域；建立共置MIMO雷达信号稀疏表示模型；获取接收数据非线性特征抽取及矫正的CAE模型；基于最小化重构误差以及目标杂波相关性准则构建联合优化模型；交替更新联合优化模型的CAE模型参数、目标杂波字典及对应稀疏系数，并获取最优目标杂波字典及对应稀疏系数；基于最小二乘准则获得收发空时资源联合优化模型，凸优化方法求解所得优化问题，获得可有效矫正复杂场景下MIMO雷达回波数据非线性效应的CAE模型，本发明具有高可分特性的目标杂波字典及对应稀疏系数，构造完备字典的雷达收发空时资源配置参数从而改善复杂非均匀杂波场景下目标检测性能。

技术研发人员：王洪雁,周贺,黄梓峰,马嘉康
受保护的技术使用者：浙江理工大学
技术研发日：
技术公布日：2024/1/15