一种基于测量矩阵低秩分解的梯度下降检测方法及系统与流程

摘要: 本发明涉及雷达检测,尤其涉及一种基于测量矩阵低秩分解的梯度下降检测方法及系统。背景技术:1、为了高精度地检测雷达目标,人们提出了多种基于子空间分解与稀疏重构理论...
一种基于测量矩阵低秩分解的梯度下降检测方法及系统与流程

本发明涉及雷达检测,尤其涉及一种基于测量矩阵低秩分解的梯度下降检测方法及系统。

背景技术:

1、为了高精度地检测雷达目标,人们提出了多种基于子空间分解与稀疏重构理论的超分辨率算法,例如 music、esprit 以及压缩感知等高精度参数估计方法。传统基于快速傅里叶变换(fft)的谱分析方法受限于瑞利分辨极限,难以在有限观测长度和低信噪比条件下实现高精度分辨,而上述高分辨算法通过引入信号结构先验,有效突破了传统分辨率限制。

2、其中,music(multiple signal classification)算法基于信号子空间与噪声子空间的正交性原理,通过对协方差矩阵进行特征值分解,将观测空间划分为信号子空间和噪声子空间,并利用导向矢量与噪声子空间之间的正交关系构造谱函数,从而在参数空间中形成尖锐峰值,实现高分辨率估计。esprit(estimation of signal parameters viarotational invariance techniques)算法则利用阵列结构中的旋转不变性特性,通过构造子阵列之间的线性关系,直接求解特征值以获得目标参数,相比 music 避免了谱峰搜索过程,具有更低的计算复杂度。

3、压缩感知(compressed sensing, cs)算法则从稀疏表示角度出发,基于目标在某一参数域内具有稀疏特性的假设,将目标检测问题转化为稀疏重构问题。通过构建离散化字典矩阵,并利用 l_1 范数最小化或贪婪算法(如 omp)求解稀疏系数向量,实现对目标参数的估计。压缩感知方法在低采样率条件下仍可实现高精度重构,具有较强的抗噪能力与灵活性。

4、然而,压缩感知类算法的主要缺点在于其依赖预先构建的离散网格字典。由于实际目标参数通常为连续变量,而字典构建过程需要对参数空间进行离散化,因此不可避免地产生“网格失配”(off-grid)问题。当真实目标参数不落在预设网格点上时,重构结果会出现能量扩散或估计偏差,导致检测精度受限。虽然可以通过加密网格来减小误差,但这将显著增加字典维度与计算复杂度,并可能引起字典列间高度相关性,影响算法稳定性。因此,压缩感知算法在本质上仍受到格子分辨率的限制,检测精度难以进一步提升。

5、近年来,一种名为原子范数最小化(atomic norm minimization, anm)的无网格超分辨率方法被提出,该方法可以从根本上解决压缩感知类算法对离散网格的依赖问题。anm 方法基于连续参数域建模思想,将信号表示为一组连续参数原子的线性组合,并通过定义原子集合及其对应的原子范数,将参数估计问题转化为凸优化问题。不同于传统 cs中的离散字典,anm 直接在连续域内进行优化,因此不存在网格失配误差。

6、具体而言,anm 通过构造与 toeplitz 结构相关的半正定约束,将原子范数最小化问题等价转化为半正定规划(sdp)问题,从而在理论上实现无限精度的连续参数估计。在满足一定分离条件和信噪比条件下,anm 可以实现超分辨率恢复,即在目标间距小于传统瑞利分辨极限的情况下仍然能够准确分离目标。该方法不仅避免了网格限制问题,而且具有严格的数学恢复保证,在雷达目标检测、阵列信号处理以及通信感知一体化等领域展现出良好的应用前景。anm 算法也被应用于正交频分复用(ofdm)无源雷达,以检测目标的距离和速度。其主要思想是将感兴趣的二维信号向量化,然后将信号的二维范德蒙结构转化为适合anm 的半定规划(sdp)形式。

7、此类原子范数检测算法虽然检测精度高,但是由于计算量非常大,在大规模 isac场景中存在“不可算、不可扩展、不可集成”的关键技术瓶颈。特别是在大规模 isac 场景中,当子载波数、积累帧数或协同接收站点数量显著增加时,传统基于 sdp 的原子范数最小化方法往往难以扩展,而本发明所提方法的复杂度主要由目标稀疏度而非系统维度主导,从而天然适配大规模、多维度的感知建模需求。

技术实现思路

1、针对上述技术问题,本发明提供了一种基于测量矩阵低秩分解的梯度下降检测方法及系统。

2、本发明是采用以下技术方案实现的:一种基于测量矩阵低秩分解的梯度下降检测方法,包括如下步骤:

3、s1:通过通感一体化系统ofdm输入初始数据,并对初始数据进行预处理,以得到频域矩阵;

4、s2:利用通信重构数据对频域矩阵进行校正,以消除调制影响,得到测量矩阵;

5、s3:采用梯度下降算法对测量矩阵进行迭代低秩分解,以获取距离自相关矩阵和速度自相关矩阵,直至满足迭代条件;

6、s4:通过速度自相关矩阵分解速度频率,并获取目标径向速度;通过距离自相关矩阵分解距离频率,并获取目标双基地距离。

7、进一步的,所述初始数据包括时域采样数据、最大迭代次数、频域重构数据、收敛门限、以及正则化系数中的一种或多种。

8、进一步的,所述预处理包括如下子步骤:

9、去除循环前缀:

10、;

11、其中,为去除循环前缀后的数据;为时域采样数据;为循环前缀长度;n为每个符号包含的子载波数量;

12、进行n点fft:

13、;

14、其中,为fft变换后的数据;为单位化fft矩阵;

15、构造频域矩阵:

16、;

17、其中,y为频域矩阵;为频域重构数据;m为ofdm 符号数量。

18、进一步的,所述利用通信重构数据对频域矩阵进行校正的具体实现方法为:对频域矩阵进行逐元素均衡,以得到测量矩阵:

19、;

20、其中,为测量矩阵;y为频域矩阵;为通信端恢复得到的频域重构数据;为hadamard乘积,表示矩阵中的每一个元素进行相乘。

21、进一步的,步骤s3包括如下子步骤:

22、s31:用随机复高斯变量初始化多个变量矩阵,包括:

23、;

24、其中,m为ofdm 符号数量;n为每个符号包含的子载波数量;均为拉格朗日乘子;r为目标个数;为复数集合;为速度低秩因子矩阵;为距离低秩因子矩阵;

25、s32:计算初始代价函数:;

26、其中,为测量矩阵,为的共轭转置矩阵;为的共轭转置矩阵;为正则化系数;为速度自相关矩阵;为距离自相关矩阵;为frobenius范数;

27、s33:通过梯度下降算法分别对多个变量矩阵进行迭代更新,直至满足迭代条件。

28、进一步的,和的更新方法为:

29、;

30、;

31、其中,表示的学习率, 它决定了每次沿梯度方向更新的幅度,可以在0.0001和0.1之间选取;为目标函数关于的梯度,其计算方法为:

32、;

33、表示的学习率,它决定了每次沿梯度方向更新的幅度,可以在0.0001和0.1之间选取;为目标函数关于的梯度,其计算方法为:

34、。

35、进一步的,所述距离自相关矩阵和速度自相关矩阵的获取方法为:

36、;

37、其中,表示投影到hermitian toeplitz结构。

38、进一步的,所述迭代终止条件判断方法为:更新代价函数:

39、;

40、若满足或达到则停止迭代;否则k=k+1,继续迭代;其中,k为迭代次数;tol为收敛门限;为最大迭代次数;和分别为本次增广拉格朗日函数值和前一次增广拉格朗日函数值。

41、进一步的,所述获取目标径向速度的计算方法为:

42、;

43、其中,为目标径向速度;为载波波长;为第k个ofdm符号的速度频率估计值;为每个ofdm符号持续时间;

44、所述获取目标双基地距离的计算方法为:

45、;

46、其中,为目标双基地距离;为双基地距离时延估计值;c为光速;

47、,其中,为子载波间隔。

48、一种基于测量矩阵低秩分解的梯度下降检测系统,用以实现上述所述的梯度下降检测方法,包括:

49、预处理模块,用于对通感一体化系统ofdm输入的初始数据进行预处理,以得到频域矩阵;

50、校正模块,利用通信重构数据对频域矩阵进行校正,以消除调制影响,得到测量矩阵;

51、梯度下降迭代更新模块,采用梯度下降算法对测量矩阵进行迭代低秩分解,以获取距离自相关矩阵和速度自相关矩阵,直至满足迭代条件;

52、估计模块,通过速度自相关矩阵分解速度频率,并获取目标径向速度;通过距离自相关矩阵分解距离频率,并获取目标双基地距离。

53、本发明的有益效果在于:

54、本发明显著降低计算复杂度,提升工程可部署性。通过将原始 d-anm 中的高维半正定规划(sdp)问题转化为基于低秩因子化的梯度下降迭代求解框架,所提方法有效避免了传统内点法在大规模优化问题中所面临的高计算复杂度与巨大存储开销。该转化使每次迭代仅涉及低维因子矩阵的乘加运算、结构化投影以及简单的线性约束更新操作,从而将整体计算复杂度由随系统维度快速增长的高阶多项式规模,显著降低为与目标数量及观测维度线性或近线性相关的形式,极大提升了算法在大规模场景下的可扩展性。

55、本发明增强数值稳定性与实际可实现性。相较于传统 sdp 求解方式,该方法在数值实现上更加稳定,对计算资源的依赖显著降低。在基站侧处理单元、边缘计算节点等算力与存储资源受限的实际系统环境中,仍能够实现高效运行。因此,该方法为 d-anm 类连续域超分辨感知算法在通感一体化系统中的工程化部署提供了切实可行的技术路径。