MIMO(multiple-input multiple-output)雷达是近年来提出的一种新型体制雷达[1],与以往雷达相比具有许多优势,按天线的配置其可分为统计MIMO雷达和双(单)基地MIMO雷达。双基地MIMO雷达由于发射相互正交的信号[2],通过匹配滤波可以形成大的虚拟阵列孔径,增加了自由度,提高了雷达的角度分辨力,因而引起了许多相关学者的关注。
近10年,关于双基地MIMO雷达测向研究取得了丰硕的成果。文献[3]利用最大似然方法估计目标的DOD和DOA,并利用轮换投影算法以降低最大似然方法多维搜索的运算量。文献[4]提出了一种RD-MUSIC算法,与2D-MUSIC算法相比,在降低运算量的同时,估计精度也相应降低。文献[5]对文献[4]进行了推广,算法的性能得到了提高。文献[6]利用压缩感知的方法,通过冗余字典矩阵中原子的位置估计目标的DOD,然后利用恢复信号估计目标的DOA,而且DOD和DOA不需要额外配对,但是算法的估计精度取决于压缩感知算法的恢复精度。文献[7]基于张量分解并使用特殊矩阵互质阵进行MIMO雷达目标的DOD、DOA和多普勒频率估计。针对相干目标,文献[8]推导了几种空间平滑算法以解决MIMO雷达相干目标的测向问题。文献[9]将匹配滤波后的数据转换成三阶测量张量,再配合传统测向算法以提高目标角度估计的精确性。文献[10]通过数据的互相关矩阵消除空间色噪声,但是算法仅对发射端阵元为2个或3个时有效。文献[11]使用了2次ESPRIT算法估计目标的DOD和DOA,且算法能够自动配对,虽然方法简单,但是角度估计性能差。文献[12]利用联合对角化方向矩阵估计目标的DOD和DOA,该方法不需要额外配对,且能够增加阵元的自由度。
本文将匹配滤波之后的数据构造测量张量,利用张量的高阶奇异值分解来构造信号子空间来有效地抑制噪声,然后通过传统的ESPRIT算法来估计目标的DOD。将信号子空间进行矩阵变换并与估计的DOD一起估计接收端的导向矢量,最后估计目标的DOA。注意,在文中⊗、⊕、*、()T、()H和()#分别表示为Kronecker积、Khatri-Rao积、共轭、转置、共轭转置和伪逆,Dk()表示将括号中矩阵的第k行作为对角元素组成的对角阵。diag()表示以括号中的元素为对角元素组成的对角阵。angle()为求取导向矢量的相位。
1 双基地MIMO雷达信号模型假设双基地MIMO雷达系统的发射端和接收端阵元数分别为M和N,且均为相邻阵元间距半波长的均匀线阵。发射端发射M路同频率同带宽的窄带正交信号,经P个目标反射到接收端,在接收端通过匹配滤波后接收数据为
(1) |
式中A=At⊕Ar为双基地MIMO雷达系统的导向矢量,L为快拍次数。定义
式中atφp=[1 ejπsin φp…ejπ(M-1)sin φp]T为发射端的阵列导向矢量,p=1,2,…,P;ar(Φp)=[1ejπsin φp…ejπN-1sin φp]T为接收端的阵列导向矢量,φp和Φp分别为目标p的DOD和DOA;s(l)=[β1ej2πf1tl,β2ej2πf2tl,…,βPej2πfPtl]T,βp和fp分别为目标p的雷达截面的反射系数和多普勒频率,tl为第l次快拍的时间;n(t)为MN×1维的高斯噪声矢量。
经过L次快拍获得的数据矩阵为
(2) |
式中:
2 基于张量ESPRIT-SVD的DOD和DOA的联合估计 2.1 双基地MIMO雷达的张量ESPRIT-SVD测向算法根据文献[9],将L次快拍数据利用匹配滤波的多维结构特性构造三阶测量张量X_∈CM×N×L,并求取四阶采样协方差张量R∈CM×N×M×N:
(3) |
式中:m1、m2=1,2,…,M;n1、n2=1,2,…,N。
对4阶协方差张量进行高阶奇异值分解(HOSVD):
(4) |
式中:U为核张量,Ui为R(i)奇异值分解的左奇异值矢量,{R(i)=UiΣiViH}i=14,R(i)为R按i模展开。
构造新的协方差矩阵,具体推导过程请参考文献[9]:
(5) |
式中:R=1/L·XXH,U-is为R(i)奇异值分解P个最大奇异值所对应的左奇异值矢量。
对构造的新协方差矩阵Rsimp进行特征分解得
(6) |
式中:Es和Σs分别为协方差矩阵Rsimp的MN×P维的信号子空间和P个大特征值组成的对角矩阵;同理,En和Σn分别为MN×(MN-P)维的噪声子空间和MN-P个小特征值组成的对角矩阵。易知,存在唯一P×P维的非奇异矩阵T,使
(7) |
首先,定义接收数据的前N(M-1)维为
(8) |
则接收数据的后N(M-1)维为
(9) |
式中Af2=Af1Θt,且
假设Ef1和Ef2分别为数据Xf1(l)和Xf2(l)的协方差矩阵经过特征分解以后的信号子空间,那么Ef2=Ef1T-1ΘtT=Ef1Ψ,其中Ψ=T-1ΘtT。因此,可以通过ESPRIT算法即可估计目标的DOD。
易知,可以通过一个置换矩阵H,使HA=B,其中B=Ar⊕At。使用置换矩阵H乘以式(7),则
(10) |
将式(10)中的块矩阵按行排列组成一个新的矩阵如下:
(11) |
根据估计的DOD构建接收端的导向矢量Ât,然后利用导向矢量Ât的伪逆Ât#乘以式(11)得
(12) |
在理想情况下,式(12)为
取Er的第p行Er(p,:),从第1个元素开始,每P个元素作为一个块矩阵,排列成一个新的列矩阵:
(13) |
若存在噪声条件下,Er应修改为
(14) |
式中Z为误差矩阵,然后取Êr的第p行Êr(p,:)。同样地,从第一个元素开始,每P个元素作为一个块矩阵,排列成一个新的列矩阵:
(15) |
式中zp为相对应的噪声部分。
对式(15)进行截尾奇异值分解得
(16) |
式中:
假设特征值最大值为σ1p,则其所对应的特征矢量为u1p=γ1pAr(:,p)=γ1par(Φp),其中γ1p为复数。我们可以采用文献[10]中的方法估计目标的DOA。求取特征矢量u1p的相位
(17) |
取
(18) |
则
(19) |
式中n=1,2,…,N。
若令
则
理论上,目标p所对应的接收端导向矢量的相位应为
(20) |
式中Π=[0, π, …, (N-1)π]T,则
(21) |
假设构建的发射端的导向矢量Ât的第p列对应目标的DOD为
根据上文的分析,可以总结出基于张量ESPRIT-SVD算法的双基地MIMO雷达测向方法的具体步骤如下:
1)将通过匹配滤波之后的数据构造测量张量,进而求取协方差张量。
2)对协方差张量进行特征分解求取信号子空间如式(6),利用阵元间的旋转不变性使估计目标的DOD。
3)通过式(10)和(11)对信号子空间Es进行矩阵变换得Eex。利用估计的DOD构建发射端的导向矢量Ât,通过式(14)和(15)获得Ênewp。
4)对Ênewp进行截尾奇异值分解如式(16),获得接收端的导向矢量。利用式(17)~(21)估计目标的DOA。
3 实验仿真在仿真实验中,使用ESPRIT-SVD算法与ESPRIT[11]算法和JDDM[12]算法进行比较。假设收发端阵元间距均为半波长,发送端发送的是Hadamard编码的相位编码信号。假设有3个观测目标,目标角度分别(φ1,Φ1)=(15°,20°)、(φ2,Φ2)=(35°,30°)和(φ3,Φ3)=(45°,50°)。
定义均方根误差公式为
图 1为成功概率随信噪比的变化曲线。仿真实验中,收发阵元分别为10个,蒙特卡罗仿真次数为200次,快拍数为25次。对每一个目标的DOD和DOA,若估计角度与真实角度差的绝对值小于等于1°,就认为算法估计成功一次。由图 1可知,随着信噪比变化的过程中,ESPRIT算法优于JDDM算法,ESPRIT-SVD算法的成功概率最好。
图 2为均方根误差随信噪比的变化曲线。仿真中收发阵元分别为10个,蒙特卡罗仿真次数为200次,快拍数为25次。由图 2看出,随信噪比变化的过程中ESPRIT-SVD算法的均方根误差最小。
图 3为均方根误差随快拍数的变化曲线。仿真中收发阵元分别为10个,信噪比为0 dB,蒙特卡罗仿真次数为200次。由图 3可以看出,该算法的均方根误差最好,且均方根误差明显优于JDDM算法和ESPRIT算法。
图 4为均方根误差随收发阵元数的变化曲线。仿真实验中,快拍数为50次,信噪比为0 dB,蒙特卡罗仿真次数为200次,取收发阵元数目相等。由图 4看出,ESPRIT-SVD算法在收发阵元数变化的过程中,均方根误差明显小于JDDM算法和ESPRIT算法,并且随收发阵元数目的增大,优势更明显。
4 结论文中提出了ESPRIT-SVD算法。
1)利用张量结构构造信号子空间,并将其应用到ESPRIT-SVD算法。
2)该方法不需要MUSIC算法中的二维谱峰搜索以及极大似然方法的多维搜索,运算量比较小。
仿真结果表明,该算法具有较好的测向精度,不需要额外配对。
[1] | FISHLER E, HAIMOVICH A, BLUM R, et al. MIMO radar: an idea whose time has come[C]//Proceedings of the IEEE Radar Conference. Philadelphia, USA: IEEE, 2004: 71-78. |
[2] | LI Jian, STOICA P. MIMO radar with colocated antennas[J]. IEEE signal processing magazine,2007, 24 (5) : 106 –114. |
[3] | TANG Bo, TANG Jun, ZHANG Yu, et al. Maximum likelihood estimation of DOD and DOA for bistatic MIMO radar[J]. Signal processing,2013, 93 (5) : 1349 –1357. |
[4] | ZHANG Xiaofei, XU Lingyun, XU Lei, et al. Direction of departure (DOD) and direction of arrival (DOA) estimation in MIMO radar with reduced-dimension MUSIC[J]. IEEE communications letters,2010, 14 (12) : 1161 –1163. |
[5] | XIE Rong, LIU Zheng, WU Jianxin. Direction finding with automatic pairing for bistatic MIMO radar[J]. Signal processing,2012, 92 (1) : 198 –203. |
[6] | LI Jianfeng, ZHANG Xiaofei. Sparse representation-based joint angle and Doppler frequency estimation for MIMO radar[J]. Multidimensional systems and signal processing,2013, 26 (1) : 179 –192. |
[7] | 樊劲宇, 顾红, 苏卫民, 等. 基于张量分解的互质阵MIMO雷达目标多参数估计方法[J]. 电子与信息学报,2015, 37 (4) : 933 –938. |
[8] | HONG Sheng, WAN Xianrong, KE Hengyu. Spatial difference smoothing for coherent sources location in MIMO radar[J]. Signal processing,2015, 109 : 69 –83. |
[9] | CHENG Yuanbing, YU Rusheng, GU Hong, et al. Multi-SVD based subspace estimation to improve angle estimation accuracy in bistatic MIMO radar[J]. Signal processing,2013, 93 (7) : 2003 –2009. |
[10] | JIN Ming, LIAO Guisheng, LI Jun. Joint DOD and DOA estimation for bistatic MIMO radar[J]. Signal processing,2009, 89 (2) : 244 –251. |
[11] | JINLI C, HONG G, WEIMIN S. Angle estimation using ESPRIT without pairing in MIMO radar[J]. Electronics letters,2008, 44 (24) : 1422 –1423. |
[12] | XIA Tieqi. Joint diagonalization based DOD and DOA estimation for bistatic MIMO radar[J]. Signal processing,2015, 108 : 159 –166. |