[发明专利]基于Bi-CGSTAB和SL0算法的MIMO雷达目标参数估计方法

说明书

本发明公开了一种基于Bi‑CGSTAB和SL0算法的MIMO雷达目标参数估计方法，属于MIMO雷达目标参数估计技术领域，通过在SL0算法中由离线计算获得的代替感知病态矩阵A的伪逆A^*(AA^*)^‑1，其中(·)^*表示矩阵的共轭转置操作，然后利用改进的SL0算法对MIMO雷达的接收信号y进行处理。避免因MIMO雷达感知病态矩阵病态而导致SL0算法失效，并改善了SL0算法的稳健性，具有较高的重构精度；离线计算并存储MIMO雷达感知病态矩阵的伪逆替代矩阵，在MIMO雷达中利用SL0算法估计目标参数时可以直接调用伪逆替代矩阵的值，节省了病态线性方程组的求解时间，加快了稀疏目标信号的重构速度，提高了MIMO雷达目标参数估计的实时性。

技术领域

本发明属于MIMO雷达目标参数估计技术领域，特别涉及一种基于Bi-CGSTAB和SL0算法的MIMO雷达目标参数估计方法。

背景技术

多输入多输出MIMO雷达是在相控阵雷达基础上发展起来的一种新体制雷达体制。该雷达采用了与相控阵雷达相同结构的天线阵列，但是利用波形分集技术扩展了其虚拟阵列孔径，从而提高了目标参数分辨率以及可分辨的最大目标个数，能获得更优的目标检测性能和参数估计性能。

近年来，压缩感知CS是信号处理领域和最优化领域的研究热点，它通过求解基于l_q(0≤q≤1)范数最小化的优化问题，能从少量测量值中以较高概率恢复出稀疏信号。在实际雷达探测场景中，目标个数仅占据少量的分辨单元，MIMO雷达接收到的回波信号可以稀疏表示，因此可以使用CS方法来精确恢复稀疏目标的参数信息。文献[1]利用稀疏约束的正则化迭代最小化SLIM算法从MIMO雷达的少量采样数据中恢复出目标的距离-角度-多普勒信息，然而该方法的目标多普勒分辨能力较差。为了提高目标的多普勒分辨能力，文献[2]提出了一种正则化迭代加权最小化方法RIRMA，该方法在每次迭代中给出加权l_q(0＜q＜1)范数最小化的闭式解来提高算法的运算速度，该方法能准确估计空间稀疏分布目标的角度，距离和多普勒信息。为了加快稀疏信号的重构速度，文献[3]提出了一种基于平滑l₀范数SL0的稀疏信号重构方法，该方法是利用一系列逐步逼近l₀范数的平滑连续的高斯函数，将l₀范数最小化的NP-hard问题转化为易求解的平滑函数的极值问题，能够采用较少的测量值快速重构出稀疏信号，其重构速度比基追踪算法快2～3个数量级，因此被广泛地应用于雷达的目标参数估计问题中。为了提高MIMO雷达成像的实时性，文献[4]将SL0算法应用于MIMO雷达的目标参数估计，该方法利用双曲正切函数来逼近信号的最小l₀范数，并采用修正牛顿法求解该近似l₀范数最小化问题，同时考虑到在实际应用环境中MIMO雷达的感知病态矩阵可能会呈病态，该方法还采用正则化方法来避免因感知病态矩阵导致SL0算法信号重构误差较大的问题，提高了MIMO雷达的目标参数估计速度和性能。然而，该方法的正则化参数只能根据经验来选择，而正则化参数选择不当会导致MIMO雷达目标参数估计性能严重恶化。

当MIMO雷达的感知病态矩阵相邻列之间存在近似的线性相关时，该矩阵的条件数较大，为感知病态矩阵。当利用SL0算法估计MIMO雷达目标参数时，在设定初始值和计算梯度投影中都需要求解病态线性方程组，而MIMO雷达的接收信号中不可避免存在量化造成的误差以及噪声扰动干扰，这些误差扰动会引起病态线性方程组解的剧烈波动，并与真实值相差甚大，从而导致SL0算法失效。

参考文献：

[1]Tan X,Roberts W,Li J,Stoica P.Sparse Learning via IterativeMinimization With Application to MIMO Radar Imaging[J].IEEE Transactions onSignal Processing.2011,59(3):1088-1101.