[发明专利]基于截断修正SL0算法的MIMO雷达参数估计方法

说明书

本发明公开了一种基于截断修正SL0算法的MIMO雷达参数估计方法，首先改善MIMO雷达感知矩阵的病态性，利用SVD反变换从修正后的奇异值及其对应的左右奇异矩阵中获得非病态感知矩阵；其次利用SL0算法对MIMO雷达目标参数进行估计，并在计算初值和梯度投影值时，将病态感知矩阵的伪逆由获得的非病态感知矩阵的伪逆代替；最后根据SL0算法得到的目标场景向量估计值中非零元素的位置确定MIMO雷达目标的角度、距离和多普勒信息。本发明解决了病态感知矩阵下MIMO雷达目标参数估计问题。降低了MIMO雷达目标参数估计的复杂度，有利于工程实现，适合于在现代战争中要求实时性较高的目标探测场合。

技术领域

本发明涉及一种基于截断修正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。

背景技术

多输入多输出雷达(Multiple Input and Multiple Output，MIMO)是一种新体制雷达系统。与相控阵雷达相比，MIMO雷达采用波形分集技术，提高了目标分辨率，增强了系统参数识别能力，在参数估计、噪声抑制和目标探测方面具有很大优势。压缩感知(Compressed Sensing,CS)是一种新兴的信号采样和重建理论，不同于传统的奈奎斯特(Nyquist)采样定理，它通过随机采样的少量观测值就能实现稀疏信号重构，是目前信号处理领域的研究热点。在实际雷达探测区域，目标呈稀疏分布，其回波信号呈稀疏性，故可以将CS理论应用于雷达目标探测。稀疏重构问题等价于l₀范数最小化问题，此问题是NP-hard，其求解难度随着维度增加而增大，因此利用l₀范数最小化难以对高维度稀疏重构问题进行求解。现有技术中，提出一种利用正则化迭代重加权最小化方法(RegularizedIterative reweighted Minimization Approach，RIRMA)实现MIMO雷达目标参数估计，该方法通过一系列迭代加权l_q(0＜q≤1)范数来逼近l₀范数，只需少量观测值即可精确重构MIMO雷达的目标信号，但RIRMA方法在每次迭代时需对更新后的大维度矩阵进行求逆，导致该方法计算速度较慢。SL0(Smoothed l₀norm)算法是一种匹配度高和计算效率高的稀疏重构算法，它由一系列高斯函数来趋近l₀范数，从而将l₀范数最小化问题转化成平滑函数最小化问题，并利用最速下降法和梯度投影法求解该最小化问题，从而快速实现稀疏信号的重构。还有将SL0算法应用于MIMO雷达的目标参数估计，采用收敛性更好的双曲正切函数来近似l₀范数，然后利用修正牛顿法求解该极值问题，并采用正则化方法改善SL0算法中的病态问题，提高了MIMO雷达目标参数估计的实时性。

为保证稀疏重构算法对MIMO雷达目标参数估计的精度，目标场景一般被划分成精细的栅格，则MIMO雷达的感知矩阵不可避免地存在近似线性相关的列，从而导致该矩阵呈病态。将SL0算法应用于MIMO雷达能明显提高其目标参数的估计速度，但是SL0算法中初值和梯度投影步骤都需要对病态感知矩阵求伪逆，则当MIMO雷达的接收信号中存在微小的噪声扰动时，就会引起初值和梯度投影计算误差较大，进而导致SL0算法失效。现有技术中，将截断奇异值分解(Truncated Singular Value Decomposition，TSVD)技术引入SL0算法，对感知矩阵进行奇异值分解，通过剔除对噪声干扰较为敏感的较小奇异值及其对应的左右奇异矩阵，改善感知矩阵的病态性，从而提高了SL0算法的稳健性。但是该方法仅仅剔除感知矩阵中较小的奇异值而未对较大奇异值进行修正，导致感知矩阵病态性的改善效果有限。因此，为了能将SL0算法应用于MIMO雷达目标参数估计问题中，对MIMO雷达感知矩阵的奇异值进行截断修正处理以改善其病态性是非常有必要的。

发明内容

目的：为了克服SL0算法在MIMO雷达目标参数估计中因感知矩阵的病态性而导致其失效的问题，本发明提供基于截断修正SL0算法的MIMO雷达参数估计方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：