大规模MIMO测向中基于特征空间的无源单目标检测方法与流程

大规模mimo测向中基于特征空间的无源单目标检测方法
技术领域
1.本发明涉及无线通信大规模mimo测向系统的检测技术领域，尤其涉及大规模mimo测向中基于特征空间的无源单目标检测方法。


背景技术：

2.无线测向问题可以追溯到无线通信的起始阶段，由于其在通信、雷达、声呐、导航等方面的应用而引起了学术与工业界的广泛关注。自二十世纪初以来，高频环境下信号产生器和信号放大器的显著发展极大地扩展了到达角(direction of arrival,doa)估计系统的能力和适用性。随着大规模多输入多输出(multiple-input multiple-output,mimo)系统出现，全数字结构具有电路成本高等瓶颈问题，混合结构由于其电路成本与计算复杂度低，自然而然获得了广泛地关注和研究。众所周知，方向估计问题可以分成两类：基于空间谱估计问题与基于参数估计问题。最早的一些参考文献称doa估计为谱估计，因为它能够从众多信号中选择各种频谱成分。较早的doa估计算法都是基于线性谱技术的，这类算法都不能突破阵列孔径决定的瑞利极限，若要提高精度就需要更多阵元数来弥补这一缺陷。在基于大规模mimo测向的检测方法中，对于使用大规模mimo的doa测量系统，在进行doa估计之前，必须推断目标是否存在。受雷达检测思想的启发，本发明基于特征空间的无源单目标检测，提出了三种高性能检测方法，从接收信号向量的样本协方差矩阵的特征空间推断单个目标的存在。
3.在估计检测性能的过程中，所涉及到的复数乘法和加法的计算次数对检测算法的计算复杂度起主要的影响作用。检测性能与计算复杂度是一对矛盾的，但至关重要的两个指标，影响算法性能。因此研究出一种具有优良的检测性能且求解复杂度适中的检测算法具有重要意义。


技术实现要素：

4.本发明的目的在于提供大规模mimo测向中基于特征空间的无源单目标检测方法，以解决上述背景技术中提出的问题。
5.本发明是通过以下技术方案实现的：大规模mimo测向中基于特征空间的无源单目标检测方法，包括下列步骤：
6.定义接收信号y(t)的表达式，对所述接收信号y(t)的协方差矩阵ry进行特征值分解，获得多个特征值；
7.基于多个特征值，获得检测统计量，当所述检测统计量大于门限值时，弱小目标存在，否则，所述弱小目标不存在。
8.可选的，所述接收信号y(t)的表达式为：y(t)＝a(θ0)s(t) v(t)，式中，a(θ0)是信号传输方向，a(θ)为阵列流形，s(t)表示基带信号，v(t)表示噪声信号。
9.可选的，确定所述接收信号的协方差矩阵，包括：在存在个单目标的情况下，用估计值来表征协方差矩阵的实际值，其协方差矩阵的估计值为：
[0010][0011]
式中，代表接收信号的方差，也就等于接收信号的平均功率，是噪声方差，in是n
×
n的单位矩阵，y[n]是采样后的接收信号，y[n]h是采样后的接收信号的厄密形式。
[0012]
可选的，通过下式协方差矩阵的估计值进行特征分解：
[0013][0014]
式中，是信号子空间，是噪声子空间，是将整个接收信号子空间分为信号子空间和噪声子空间两个部分。
[0015]
可选的，基于多个特征值，获得检测统计量，具体包括：
[0016]
判断多个特征值之中的最大特征值与最小特征值，最大特征值与最小特征值之比即为所述检测统计量。
[0017]
可选的，基于多个特征值，获得检测统计量，进一步包括：
[0018]
计算噪声方差，并判断多个特征值中的最大特征值，最大特征值与所述噪声方差之比即为所述检测统计量。
[0019]
可选的，基于多个特征值，获得检测统计量，进一步包括：
[0020]
判断多个特征值之中的最大特征值与最小特征值，最大特征值与最小特征值的平均值即为所述检测统计量。
[0021]
与现有技术相比，本发明达到的有益效果如下：
[0022]
本发明提供的大规模mimo测向中基于特征空间的无源单目标检测方法，从接收信号向量的样本协方差矩阵的特征空间推断单个目标的存在，适用于大规模mimo或超大规模mimo测向中，能够在虚警概率小于0.3的情况下，获得比传统广义似然比检测方法更好的检测性能。
附图说明
[0023]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0024]
图1为本发明提供的大规模mimo测向中基于特征空间的无源单目标检测方法的流程图；
[0025]
图2为本发明提供的三种检测方法的roc曲线图；
[0026]
图3为本发明提供的三种检测方法在不同的天线数n下的漏检概率示意图。
具体实施方式
[0027]
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的
本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
[0028]
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
[0029]
应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。
[0030]
在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
[0031]
为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明提出的技术方案。本发明的可选实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。
[0032]
实施例一
[0033]
参见图1，大规模mimo测向中基于特征空间的无源单目标检测方法，其特征在于，包括下列步骤：
[0034]
s1、定义接收信号y(t)的表达式，对所述接收信号y(t)的协方差矩阵ry进行特征值分解，获得多个特征值；
[0035]
在本步骤中，首先定义远场发射器发射信号模型其中s(t)表示基带信号，fc表示载波频率，我们考虑均匀线性阵列(ula)，信号被具有m根天线的天线阵列接收，每根天线上接收的信号存在不同的延迟。将通带信号转化成基带信号，由于是窄带信号，有s(t-τm)≈s(t)，其中τm表示从发射器到接收阵列第m根天线上的延迟，对于线性阵列，τm＝τ
0-(dm/c)sinθ。
[0036]
其中，τ0表示从发射器到天线阵列上的参考点的传播延迟，dm表示第m根天线到参考点的距离，c表示光速，θ表示相对于垂直于天线阵列的测量线的发射器方向。一般假设τ0＝0，此时τm＝-(dm/c)sinθ。
[0037]
故天线阵列输出一般通过采样的形式表示，接收信号为：y(t)＝a(θ0)s(t) v(t)，其中a(θ0)是信号传输方向，a(θ)为阵列流形，v(t)表示噪声信号，它可认为是单位振幅信号的响应。
[0038]
同时，假设信号s(t)为基带信号，e[|s(t)|2]＝ps，其均值为全零向量，且协方差矩阵为对角的、非奇异半正定矩阵rs
[0039]
rs＝e{s(t)sh(t)}≥0
[0040]
噪声向量v(l)的均值是全零向量，在存在个单目标的情况下，协方差矩阵ry为实际上，协方差矩阵ry无法获得，但其估计值可由下式给出：
[0041][0042]
对估计协方差矩阵做奇异值分解(evd)：
[0043][0044]
式中，代表接收信号的方差，是噪声方差，in是n
×
n的单位矩阵，y[n]是采样后的接收信号，y[n]h是采样后的接收信号的厄密形式，是是对应于最大特征值的k
×
1维特征向量，是对应于k-1个较小特征值的特征向量组成的矩阵，是将整个接收信号子空间分为信号子空间和噪声子空间两个部分。
[0045]
得所有特征值的联合概率密度函数为：
[0046][0047]
式中，代表接收信号的方差，也就等于接收信号的平均功率，是噪声方差，in是n
×
n的单位矩阵，y[n]是采样后的接收信号，y[n]h是采样后的接收信号的厄密形式，是一个只依赖于n和l的常数，α＝l-n-1，λ1≥λ2…
≥λn是的特征值序列。
[0048]
s2、基于多个特征值，获得检测统计量，当所述检测统计量大于门限值时，弱小目标存在，否则，所述弱小目标不存在。
[0049]
其中，所述检测统计量通过r-maxev-minev检测器获得，其具体包括：判断多个特征值之中的最大特征值与最小特征值，最大特征值与最小特征值之比即为所述检测统计量，当所述检测统计量大于门限值时，弱小目标存在，否则，所述弱小目标不存在。
[0050]
实施例二
[0051]
本实施例二与实施例一的区别在于，所述检测统计量通过m-maxev-minev检测器获得，其具体包括：
[0052]
计算噪声方差，并判断多个特征值中的最大特征值，最大特征值与所述噪声方差之比即为所述检测统计量，当所述检测统计量大于门限值时，弱小目标存在，否则，所述弱小目标不存在。
[0053]
实施例三
[0054]
本实施例三与实施例二的区别在于，所述检测统计量通过r-maxev-nv检测器获得，其具体包括：判断多个特征值之中的最大特征值与最小特征值，最大特征值与最小特征值的平均值即为所述检测统计量，当所述检测统计量大于门限值时，弱小目标存在，否则，所述弱小目标不存在。
[0055]
图2绘制了以传统glrt方法作为性能基准的三种所提出的检测方法的roc曲线。与现有的glrt相比，从图2中可以看出，对于虚警概率相同的情况，所提出的m-maxev-minev和r-maxev-nv的检测性能远优于现有的glrt。此外，值得注意的是，在相同虚警概率的情况下，所提出的r-maxev-minev在检测概率方面略优于grlt。
[0056]
为了评估提出的三种检测方法的检测性能随天线数量的变化趋势，图3展示了snr＝-20db下漏检率与天线数量n的关系曲线。固定虚警概率pf＝0.1,从图中可以看出，随着n从2增加到512，很明显四种方法在检测性能上有递增的顺序：grlt、r-maxev-minev、r-maxev-nv和m-maxev-minev。显然，随着天线数量的大规模化，r-maxev-nv和m-maxev-mine的检测概率得到了显着提高。
[0057]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。