基于实数域广义多重信号分类算法的目标低仰角估计方法

摘要

本发明公开了一种基于实数域广义多重信号分类算法的目标低仰角估计方法。其实现步骤是：1）对雷达接收回波进行采样；2）利用采样数据计算采样协方差矩阵；3）对采样协方差矩阵进行空间平滑和酉变换，得到实数域协方差矩阵；4）对实数域协方差矩阵进行特征值分解，获得噪声投影矩阵；5）构造实数域导向矢量流形；6）利用噪声投影矩阵和实数域导向矢量流形构造空间谱，对空间谱二维角度搜索，获得初次角度估计值；7）利用初次角度估计值估计多径衰减系数，构造二次空间谱，通过二维角度搜索得到角度估计值；8）比较估计值中两个角度大小，将最大角度作为目标仰角值。本发明降低了运算复杂度，提高了雷达在低信噪比下的角度估计性能。

主权项

1.一种基于实数域广义多重信号分类算法的目标低仰角估计方法，包括如下步骤：（1）在相控阵雷达的俯仰方向上设计含有N个阵元的等距离线阵，接收目标回波信号；（2）对线阵接收到的回波信号进行采样，获得第n个阵元第l次快拍在目标距离单元处的采样数据x_n(l)，其中，n＝1,2,…N，l＝1,2,…L，L为采样数据的总快拍数；（3）利用采样数据x_n(l)，获得采样协方差矩阵（4）对采样协方差矩阵进行双向空间平滑，获得平滑后的协方差矩阵（5）构造酉变换矩阵U：当阵元个数N为偶数时：$U=\frac{1}{\sqrt{2}}\left[\begin{array}{cc}{I}_{N/2}& j{I}_{N/2}\\ J_{N/2}& -j{J}_{N/2}\end{array}\right],$式中，j表示虚部，I_N/2为(N/2)×(N/2)维的单位矩阵，J_N/2为(N/2)×(N/2)维的置换矩阵；当阵元个数N为奇数时：$U=\frac{1}{\sqrt{2}}\left[\begin{array}{ccc}{I}_{(N-1)/2}& 0& j{I}_{(N-1)/2}\\ 0& \sqrt{2}& 0\\ J_{(N-1)/2}& 0& -j{J}_{(N-1)/2}\end{array}\right],$式中，I_(N-1)/2为((N-1)/2)×((N-1)/2)维的单位矩阵，J_(N-1)/2为((N-1)/2)×((N-1)/2)维的置换矩阵；（6）根据酉变换矩阵U对平滑后的协方差矩阵进行酉变换，得到实数域协方差矩阵R_U：$R_U=U^H{\hat{R}}_{\mathrm{fb}}U;$式中，[·]^H表示矩阵共轭转置；（7）对实数域协方差矩阵R_U进行特征值分解，得到N个特征值及与特征值对应的特征矢量，对N个特征值从小到大排列，取前(N-2)个小特征值对应的特征矢量v₁,v₂…v_N-2，构成实数域噪声子空间矩阵：E_nU＝[v₁ v₂ … v_N-2]；（8）利用实数域噪声子空间矩阵E_nU，获得实数域噪声投影矩阵P_U：$P_U=E_{\mathrm{nU}}{E}_{\mathrm{nU}}^H;$（9）根据已知的雷达角度搜索范围[α,β]，构造(θ₁,θ₂)的实数域导向矢量流形A_U(θ₁,θ₂)，其中，α为最小搜索角度，β为最大搜索角度，(θ₁,θ₂)为两个不同的搜索角度θ₁,θ₂构成的向量，且θ₁,θ₂∈[α,β]；（10）利用实数域导向矢量流形A_U(θ₁,θ₂)和实数域噪声投影矩阵P_U，通过空间谱二维角度寻优，获得回波信号的初次角度估计值（11）利用初次角度估计值估计多径衰减系数矩阵$\hat{B}=\frac{{\left[A_U^H({\bar{\theta }}_1,{\bar{\theta }}_2)P_U{A}_U({\bar{\theta }}_1,{\bar{\theta }}_2)\right]}^{-1}w}{w^H{\left[A_U^H({\bar{\theta }}_1,{\bar{\theta }}_2)P_U{A}_U({\bar{\theta }}_1,{\bar{\theta }}_2)\right]}^{-1}w},$式中，w＝[1 0]^T，[·]^T表示矩阵转置，[·]^-1表示矩阵的逆，为搜索角度θ₁的初次估计值，为搜索角度θ₂的初次估计值，为的实数域导向矢量流形；（12）利用步骤(10)中的和获得二次空间谱的搜索角度的搜索区间为搜索角度的搜索区间为（13）根据二次空间谱搜索角度的搜索区间，得到的实数域导向矢量流形（14）利用实数域导向矢量流形实数域协方差矩阵R_U和多径衰减系数矩阵通过二维角度寻优，获得回波信号的二次角度估计值：其中，表示最大值对应的（15）比较二次角度估计值的第一个元素和第二个元素的大小，取其中的最大值作为目标仰角估计值θ_d，即其中，max(·)表示最大值。