[发明专利]基于集中式MIMO雷达数据结构特征最优检测方法

说明书

本发明属于MIMO雷达相关目标检测和参数估计性能领域，涉及一种基于集中式MIMO雷达数据结构特征最优检测方法。该方法利用接收数据协方差斜对称特性，提出了广义似然比准则下，线性规划检测目标的方法。使用斜对称结构，对提高检测概率，降低参数估计方差和旁瓣抑制3种方法进行加权处理，通过使用黄金比例分割法确定最优参数，使得达到的结果最优。仿真结果表明，本发明可以提高雷达目标的检测概率、增加参数估计的准确度同时可以较好抑制旁瓣，运行时间更短。

技术领域

本发明属于MIMO雷达相关目标检测和参数估计性能领域，具体是一种基于集中式MIMO雷达数据结构特征最优检测方法。

背景技术

MIMO雷达的雷达系统能够利用数量较多的天线进行输入和输出信号的处理，把MIMO的理论基础和雷达的实际应用相结合。对比于过去的雷达，MIMO雷达具有极其良好的高效性。

MIMO雷达发射信号在进行优化设计时要同时考虑提高检测概率，降低参数估计方差和旁瓣抑制。在提高检测概率方面，有公开采用自回归模型对运动目标进行检测，把杂波建成一个自回归过程的模型，在检测过程中，把全自适应参数检测器添加自适应模型的阶次选择来进行扩展，在此基础上增加了对运动目标的检测概率，但是对移动平台MIMO雷达的研究相对比较欠缺。也有公开使用了矩阵中的斜对称结构，进行了相应的公式求导以及比较了MIMO-PGLRT和MIMO-PSMI检测器。在参数估计方面，有公开把CRB用于验证MIMO雷达距离压缩是否有效，但是仍然有目标定位精度不够高的问题。有公开研究了分布式的主动MIMO雷达中的场景，给出如下条件，所有发射站之间的发射信号是正交的，每个目标回波通路之间的反射系数是各自独立的，同时每条路径之间杂噪声一样也是独立的，然而这种条件下计算的CRB中未对信号的参数进行估计。在旁瓣抑制方面，有公开运用波形分集技术，有更完美的参数识别性，但是不一样的波形之间的相关性经常使用匹配滤波，会造成距离剖面上的旁瓣电平相对较高，也会对弱目标检测有较糟糕的影响。有公开探究了OFDM LFM信号空域合成后的旁瓣削弱情况，通过建立空间与时间优化模型，同时把序列二次规划法以及遗传算法(Genetic Algorithm，GA)串联起来进行算法优化，最终获得比较良好的旁瓣特性，但是该算法经常需要运用多次迭代，丧失高效的运行效率。还有公开采用接收信号中的斜对称结构，提出一种MIMO雷达斜对称探测器，在发射波形样本数量有限的情况下，检测性能较优，但是随着发射波形样本数量的增加，其检测性能变得比传统检测器差。

为此，有待对现有MIMO雷达目标检测和参数估计性能进行改进。

发明内容

为克服上述不足，本发明的目的是向本领域提供一种基于集中式MIMO雷达数据结构特征最优检测方法，使其解决现有MIMO雷达目标检测和参数估计性能欠佳的技术问题。其目的是通过如下技术方案实现的。

一种基于集中式MIMO雷达数据结构特征最优检测方法，其包括如下步骤：

一、集中式MIMO雷达目标检测信号模型。

假设MIMO雷达存在的发射天线数量为M，并设置接收天线数量为s_m(k)代表第m个发射天线发射的基带信号，k＝1，2，...，K，K是样本数，接收方向的向量完全对称，s_m(k)定义如下：

检测目标方位处的基带信号在窄带模型下定义如下：

f₀是载波频率，第m个发射天线所发射的雷达信号到检测目标的用时为t_m(p)，p表示发射天线位置，发射导向矢量a_t写成：

令第n个接收天线在g脉冲处接收的信号定义为x_k(n，g)，如下所示：