论文部分内容阅读
多输入多输出(Multiple-Input Multiple-Output, MIMO)雷达目前是国内外的一项研究热点,角度估计是重要的研究内容之一。但是,目前对于MIMO雷达的研究大多以均匀线阵为主要的阵列配置,只能估计目标的一维角度信息,而基于L型阵列配置的MIMO雷达可以估计目标的二维角度信息,即俯仰角和方位角,更具有实际应用价值。因此,本文在现有角度估计算法的基础上,结合张量代数和非圆信号,研究L型MIMO雷达的角度估计算法,并提出性能更加优越的算法。首先,建立L型MIMO雷达的阵列结构和信号模型,研究虚拟阵元的形成原理,并且分析了 L型MIMO雷达的分辨力和最大可估计目标数。然后介绍了传统角度估计算法中的MUSIC算法、Root-MUSIC算法和ESPRIT算法的基本原理,研究这三种算法的优缺点,并通过仿真实验,分析其角度估计性能。其次,研究了张量代数的基本运算,包括张量的展开矩阵、张量与矩阵相乘、张量的外积和标量积、张量的高阶奇异值分解(HOSVD)和典范(CP)分解等。然后利用L型MIMO雷达匹配滤波输出数据的结构特性,建立张量信号模型,研究基于张量分解的角度估计算法:对于MUSIC类算法,研究基于张量高阶奇异值分解的2D-MUSIC算法,但该算法运算量较大,针对此问题提出基于L型MIMO雷达张量结构数据高阶奇异值分解的降维MUSIC算法,将2D-MUSIC算法的谱峰搜索从二维降为一维搜索,从而减小算法的运算量,同时由于利用了 L型MIMO雷达输出数据的结构信息,在小样本的情况下具有更加优越的性能;对于ESPRIT类算法,通过对原始的复值张量进行酉变换得到实值张量,再对该张量奇异值分解进行角度估计,该算法有效降低了运算量,同时角度估计性能也获得一定的提升。再次,研究了基于L型MIMO雷达的张量CP分解算法。首先对张量结构数据进行CP分解,确定CP分解模型,并且分析了 CP分解的唯一性,然后利用交替最小二乘算法计算CP分解的因子矩阵。针对计算过程中运算量较大问题,采用维数较低的核张量先得到降维后的因子矩阵,然后再恢复原始的因子矩阵,最后利用因子矩阵的范德蒙特性质求取目标角度。最后,利用非圆信号可以扩展虚拟阵列孔径的优势,提出基于张量分解的非圆信号L型MIMO雷达角度估计算法。在L型MIMO雷达发射非圆信号的基础上,对张量结构接收数据进行扩展,分别利用ESPRIT算法和UESPRIT算法估计目标的二维角度信息。