[发明专利]基于字典学习的米波雷达低仰角目标测高方法

说明书

本发明公开一种基于字典学习的米波雷达低仰角目标测高方法，主要解决现有方法在复杂地形环境下多径信号方向上理想阵列流型受扰动时，无法保证对低仰角目标高度有效估计的问题。其实现过程是：1.估计米波雷达回波数据的协方差矩阵，并对其进行特征值分解，获取降维后的信号矢量；2.在复杂地形情况下，根据构造包含扰动信息的参数化字典和获取的降维后的信号矢量，对地面扰动参数矩阵、目标仰角进行联合估计，得到目标仰角最终估计值；3.利用天线阵列与目标仰角的最终估计值，计算目标高度估计值。本发明能有效实现对低仰角目标高度的测量，提升雷达对复杂多径环境下低仰角目标的跟踪性能，可用于目标定位与跟踪。

技术领域

本发明属于雷达技术领域，涉及米波雷达低仰角目标测高方法，可用于复杂多径环境下米波雷达对低仰角目标仰角及高度的估计。

背景技术

米波雷达具有远距离探测等方面的优势，近些年越来越受到世界各国的重视。但其在复杂地形、多径方向上阵列流型受扰动的情况下对低仰角目标的跟踪仍面临一些技术难题。造成米波雷达对低仰角目标跟踪困难的主要原因是多径效应的存在，即存在与目标直达波信号相干的地面反射的镜像多径信号，从而影响了其对目标仰角的估计性能以及对目标的跟踪性能。

阵列超分辨技术是人们解决上述问题的主要研究方向，现有的米波雷达低仰角目标仰角估计方法可分为基于子空间算法和基于最大似然算法两大类。第一类算法以空间平滑的多重信号分类SS-MUSIC算法最为代表。经典MUSIC算法最为突显的缺陷之一是不能直接处理相干信号，虽然通过空间平滑技术可以获得去相关预处理，从而改善经典MUSIC算法对相关信号的处理能力，但空间平滑会带来有效阵列孔径的损失，进而降低算法的参数估计性能。第二类算法基于最大似然类算法，该类算法可以直接处理相干信号，是米波雷达测角问题中最常用的算法，但是最大似然算法需要进行多维搜索，运算量大，难以满足实时性应用。为此，有学者提出了一种改进的最大似然RML算法，该算法通过利用一些先验信息，如目标距离、天线高度以及直达波信号与反射波信号之间的内在结构信息，简化了信号模型，最终只需一维搜索便可实现对目标仰角的估计，大大减少了运算量。但是在实际应用中，特别是在山区、丘陵等复杂地形情况下，由于直达波信号与多径信号之间的内在结构信息一般会随着目标的机动而改变且很难量测，这将使得上述RML算法中所利用的先验信息失效，导致RML算法无法对复杂地形情况下低仰角目标高度进行有效估计，从而影响了米波雷达在复杂地形情况下对低仰角目标的跟踪性能。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种复杂地形环境下的米波雷达低仰角目标测高方法，以在地面非均匀、多径方向上阵列流型受扰动的情况下完成对低仰角目标仰角以及高度的估计，改善复杂地形条件下米波雷达对低仰角目标的跟踪性能。

为实现上述目的，本发明的技术方案，包括如下：

(1)利用阵列天线接收目标回波数据X，估计该接收数据的协方差矩阵R_X；

(2)对(1)中得到的协方差矩阵R_X进行特征值分解，得到降维后的信号矢量其中，v_max为A的最大特征值，u_max为最大特征值v_max对应的特征向量；

(3)在复杂地形情况下，对地面扰动参数矩阵、目标仰角进行联合估计，得到目标仰角最终估计值：

(3a)构建整个观测空间上的完备字典D(Γ)：

D(Γ)＝[B_d,ΓB_s]，