一种MIMO雷达智能化DOA估计超分辨方法与流程

摘要: 本发明属于雷达信号处理领域,特别涉及一种mimo雷达智能化doa(directionofarrival,波达方向)估计超分辨方法。背景技术:1、多输入多输出(m...
一种MIMO雷达智能化DOA估计超分辨方法与流程

本发明属于雷达信号处理领域,特别涉及一种mimo雷达智能化doa(direction ofarrival, 波达方向)估计超分辨方法。

背景技术:

1、多输入多输出(multiple-input multiple-output, mimo)雷达通过波形分集形成虚拟阵列,相比传统相控阵雷达具有更高的角度分辨率和对目标参数的估计能力,在自动驾驶、无人机探测等领域具有广阔应用前景。然而,由于实际环境中低信噪比、有限快拍及目标密集分布等因素的限制,传统波束形成和子空间类方法难以获得高精度角度估计。

2、为解决上述问题,文献“y. zhang, w. li, y. zhang, y. huang and j. yang,"a fast iterative adaptive approach for scanning radar angularsuperresolution," in ieee journal of selected topics in applied earthobservations an d remote sensing, vol. 8, no. 11, pp. 5336-5345, nov. 2015,doi: 10.1109/jstars.2015.2449090.”提出一种基于加权最小二乘迭代的快速迭代自适应方法,能够在无需预设正则化参数的条件下实现目标幅度估计,并适用于单快拍场景,但该方法在低信噪比下分辨率提升受限;文献“salama a a, ahmad m o, swamy m n s.underdetermined doa estimation using mvdr-weighted lasso[j]. sensors, 2016,16(9): 1549.”提出一种基于压缩感知的lasso类doa估计方法,虽能获得较高的角度分辨率,但正则化参数依赖经验选取,缺乏自适应调节能力;文献“p. stoica, p. babu and j.li, "new method of sparse parameter estimation in separable models and itsuse for spectral analysis of irregularly sampled data," in ieee transactionson signal processing, vol. 59, no. 1, pp. 35-47, jan. 2011, doi: 10.1109/tsp.2010.2086452.”提出一种基于协方差拟合准则的稀疏迭代协方差估计方法(sparsecovariance-based estimation, spice),该方法无需预设正则化参数,能够同时估计目标幅度和噪声功率,具有较强的鲁棒性,但其高维矩阵求逆导致计算负担重,难以满足实时处理需求。因此,如何实现无需人工调参、计算时间确定且兼顾噪声抑制的自适应超分辨doa估计,已成为本领域亟待解决的关键技术难题。

技术实现思路

1、 技术实现要素:

2、本发明针对现有mimo雷达在低信噪比和有限快拍条件下角度分辨率不足、难以分辨邻近目标的技术缺陷,以及传统算法需手动调节稀疏指数、计算复杂度高和缺乏低信噪比回波预处理机制的问题,提出一种基于深度去噪网络与深度展开稀疏贝叶斯迭代重构算法(sparse bayesian iterative reconstruction algorithm, sbira)的mimo雷达超分辨doa估计方法。

3、本发明的解决方案是:

4、首先,基于mimo雷达阵列信号模型,搭建了编码器-解码器结构的深度去噪网络,通过卷积下采样与双向长短期记忆网络自适应压制噪声,并借助跳跃连接实现残差修复与相位信息保留,实现了回波信号的高质量预处理。然后,搭建深度展开迭代优化网络,实现稀疏重构的高效求解;接着,将噪声功率和稀疏指数设置为可学习参数,通过网络训练实现端到端的自适应优化;最后,将深度去噪网络与深度展开迭代网络级联,进行端到端训练,并利用训练好的级联网络对回波信号进行前向计算,实现超分辨doa估计。具体技术方案如下:

5、一种mimo雷达智能化doa估计超分辨方法,包括以下步骤:

6、步骤一:建立mimo雷达阵列信号模型,通过正交信号波形设计发射信号,获取回波信号;

7、步骤二:基于深度去噪网络对原始回波信号进行预处理,所述深度去噪网络采用编码器-瓶颈层-解码器的三层结构,瓶颈层通过双向长短期记忆网络进行双向建模;

8、步骤三:搭建基于深度展开的迭代优化网络模块;首先初始化反射系数和功率谱,迭代优化网络的第t层在前向传播时,接收深度去噪网络预处理后的去噪回波信号和上一层估计的反射系数,基于深度展开稀疏贝叶斯迭代重构算法进行确定性变换,得到当前层的反射系数;

9、步骤四:对于深度去噪网络的卷积核权重和迭代优化网络中的可学习参数,采用反向传播进行端到端训练,含噪回波信号经深度去噪网络和迭代优化网络两级网络前向传播得到估计结果,计算损失后同步更新卷积核权重和可学习参数;

10、步骤五:训练完成后得到端到端的智能化doa估计级联网络,将含噪回波信号输入至级联网络中,输出反射系数估计。

11、进一步的,所述步骤一具体如下:

12、构建mimo雷达阵列信号模型,由个发射阵元和个接收阵元组成,发射阵元间距为,接收阵元间距为,通过正交信号波形设计,mimo雷达在接收端等效构建出具有个阵元的虚拟线性阵列;

13、将角度范围划分为个网格点,对于位于角度的单个点目标,其对应的mimo雷达接收信号的导向矢量是发射导向矢量和接收导向矢量的克罗内克积:

14、将所有k个角度网格的导向矢量组合成字典矩阵如下:

15、

16、假设场景中存在多个点目标,其复反射系数向量为:

17、

18、其中,表示角度处的目标反射系数;接收信号表示为:

19、

20、其中,是虚拟阵列接收到的数据向量,为加性高斯白噪声。

21、进一步的,所述深度去噪网络具体如下:

22、首先将接收信号的实部与虚部分别作为两个通道输入,得到输入张量;

23、编码器由l个编码单元级联构成,逐级对输入特征进行下采样,提取多尺度抽象特征;

24、瓶颈层首先采用一维卷积对编码器输出进行特征变换,随后接入双向长短期记忆网络bilstm对特征序列进行双向建模,将编码器输出按序列维度变换后输入bilstm,得到前向隐藏状态与后向隐藏状态,拼接后利用其非线性门控机制自适应抑制噪声分量,得到门控输出;通过转置卷积逐级上采样恢复至原始维度;

25、解码器由l个解码单元级联构成,解码器的每一解码单元引入编码器对应层的跳跃连接,融合浅层细节特征与深层语义特征,实现残差修复与相位信息保留;

26、最终经输出层一维卷积得到去噪后的双通道输出。

27、进一步的,所述迭代优化网络的第t层具体执行以下过程:

28、利用前一层估计的反射系数计算功率谱,其元素为:

29、

30、其中,为稀疏指数,为步骤一中划分的角度网格总数,为网格点索引;

31、基于功率谱构造自适应协方差矩阵:

32、

33、其中,表示以为对角元素的对角矩阵,为噪声功率,为单位矩阵;

34、通过求解线性方程组实现空间白化投影:

35、

36、其中,为投影向量,为去噪回波信号,随后得到:

37、

38、其中,表示投影后各角度网格上的重构信号分量;

39、按闭式解更新当前层的反射系数估计:

40、

41、第层输出即为最终空间谱,上述层依次链接,前一层输出作为下一层的输入参与计算,构成固定层数的前向传播网络。

42、进一步的,所述深度去噪网络的训练以重建回波与理想纯净回波之间的均方误差为损失函数;所述迭代优化网络的训练以预测反射系数与真实反射系数之间的均方误差作为损失函数,噪声功率和稀疏指数设置为可学习参数,将初始值设为和,计算损失后同步更新卷积核权重及噪声功率和稀疏指数。

43、进一步的,所述步骤五具体如下:

44、所述级联网络的前向传播过程为:将含噪信号输入深度去噪网络,输出去噪信号至迭代优化网络,最终输出反射系数估计,取反射系数估计的幅度谱即得到高分辨率角度谱。

45、进一步的,所述编码器的第i个编码单元表示为:

46、

47、其中,,为最大池化,为非线性激活函数,为批归一化操作, 表示一维卷积操作;第层的输出特征图同时作为跳跃连接保留;编码器输出为;

48、所述解码器的第i个解码单元表示为:

49、

50、其中,convtranspose表示转置卷积操作,表示特征拼接操作,为第层解码器输出。

51、本发明的有益效果如下:

52、本发明利用深度去噪网络与深度展开迭代优化网络的级联架构,通过端到端训练将噪声功率和稀疏指数设置为可学习参数,并结合确定性时延的前馈计算设计,解决了传统方法在低信噪比下角度分辨率不足、需手动调参且迭代时间不确定的问题,实现了无需人工干预的超分辨doa估计。