[发明专利]基于迭代优化网络的MIMO雷达波形优化方法

说明书

本发明公开了基于迭代优化网络的MIMO雷达波形优化方法，涉及雷达技术领域，解决了相关性的加权时延仅优化了波形的WISL且深度学习波形设计无法收敛以及初值不敏感的问题。本发明包括在设置的网络模型中输入一个归一化的随机向量或者为优化过的归一化相位矢量，输出信号矩阵，信号矩阵为MIMO雷达波形；将信号处理函数设置为网络模型的损失函数，所述信号处理函数用于驱动网络模型，所述网络模型的参数通过Adam深度学习方法优化。本发明促进优化的更彻底也解决了无效迭代的问题。

技术领域

本发明涉及雷达技术领域，具体涉及基于迭代优化网络的MIMO雷达波形优化方法。

背景技术

由于MIMO雷达具有比相控阵雷达更好的性能，因此MIMO雷达波形具有良好的自相关和互相关特性受到了广泛的关注，也相较于传统雷达而言具有更多的优点。一方面，发射具有良好相关性波形的时候，MIMO雷达可以有效的进行噪声和干扰的抑制，以此来提高信干噪比。MIMO雷达在目标定位，参数估计以及提高空间分辨率上有着显著的优势，并且在接收端可以通过滤波器进行虚拟孔径增大。目前MIMO雷达的波形优化主要是基于相位的波形设计。

MIMO雷达波形设计有基于相关性的全部时延的波形设计方法、如《J.Song,P.Babu,and D.P.Palomar,“Optimization methods for designing sequences with lowautocorrelation sidelobes,”IEEE Trans.Signal Process.,vol.63,no.15,pp.3998–4009,Aug.2015》中进行了优化自相关性能的波形设计，但是这只优化了自相关而对于互相关没有限制。文献《Hu J,Wei Z,Li Y,et al.Designing Unimodular Waveform(s)forMIMO Radar by Deep Learning Method[J].IEEE Transactions on Aerospace andElectronic Systems,2020.》引入了深度学习方法对波形的自相关和互相相关性能进行了同步的优化，这可以生成综合波形，然而这个方法对于初值不敏感并且没有相应的收敛条件。

应对一些特殊的情况，相关性的加权时延的波形设计方法同样被广泛的研究。文献《H.He,P.Stoica,and J.Li,“Designing unimodular sequence sets withgoodcorrelations；including an application to MIMO radar,”IEEE Trans.SignalProcess.,vol.57,no.11,pp.4391–4405,Nov.2009》首次提出对于相关性的加权时延进行优化，这里优化的准则是近似的加权集成旁瓣水平(WISL)，无法直接优化WISL。随后文献《Cui G,Yu X,Piezzo M,et al.Constant modulus sequence set design with goodcorrelation properties[J].Signal Processing,2017,139:75-85.》提出了直接对于WISL的优化，这里更进一步提高了性能和优化时间。然而这些方法均无法对加权峰值旁瓣水平(WPSL)进行约束，因此所优化的波形会产生较高的峰值。

由上能够发现，现有MIMO雷达针对相关性的加权时延进行波形设计的方法都仅仅优化了波形的WISL，并且已有的深度学习波形设计方法存在无法收敛以及初值不敏感的问题。

发明内容

本发明所要解决的技术问题是：相关性的加权时延仅优化了波形的WISL且深度学习波形设计无法收敛以及初值不敏感，本发明提供了解决上述问题的基于迭代优化网络的MIMO雷达波形优化方法。

本发明通过下述技术方案实现：

基于迭代优化网络的MIMO雷达波形优化方法，在设置的网络模型中输入一个归一化的随机向量或者为优化过的归一化相位矢量，输出信号矩阵，信号矩阵为MIMO雷达波形；