[发明专利]一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法

说明书

本发明公开了一种基于稀疏贝叶斯学习的MIMO雷达波离方向和波达方向联合估计方法，1：接收到的信号经匹配滤波后，在接收机处的输出表示为y(t)；2：建立二维非均匀采样网格；3：在L快拍情况下，建立基于步骤2网格的离网模型Y；4：设置迭代次数计数变量i＝1，信号的精度向量中各元素初始化为1，噪声精度初始化为α₀＝1；5：初始化β和η中各元素为0，固定δ为当前值，更新α₀；6：固定α₀，β和η为当前值，更新δ；7：固定α₀，δ和η为当前值，更新β；8：固定α₀，δ和β为当前值，更新η；9：利用7，8中的β和η更新网格10：判断i是否达到上限或δ是否收敛，如都不满足，则i＝i+1，返回5；11：对δ进行谱峰搜索，得到K个极大值点对应的角度，即为目标角度最终估计值。

技术领域

本发明属于雷达信号处理领域，涉及一种多输入多输出通信系统的目标角度估计方法，具体地说是一种基于稀疏贝叶斯学习的双基地MIMO雷达的波离方向和波达方向联合估计方法。

背景技术

多输入多输出(MIMO)雷达在阵列信号处理中引起了很多关注，因为它相比传统的相控阵雷达具有许多潜在的优点，例如，增加的自由度和增强的分辨率。其中波离方向(DOD)和波达方向(DOA)联合估计是MIMO雷达信号处理中的关键问题。目前MIMO雷达中的方向估计问题主要由基于MUSIC或ESPRIT的子空间算法解决。例如在文献：G.Zheng,B.Chen,and M.Yang,“Unitary ESPRIT algorithm for bistatic MIMO radar,”ElectronicsLetters,vol.48,no.3,pp.179–181,2012.中，提出了一种改进的酉ESPRIT算法。然而，传统的基于子空间处理的算法易受信噪比和快拍数的影响，并且很难处理相干或相关信号。

发明内容

针对上述问题，通过改进二维网格，本发明首次将Sparse Bayesian Learning算法运用在MIMO雷达的目标角度估计上，并应用一种改进的线性近似网格细化方法消除模型误差，从而增强目标角度估计的性能。

用于实现本发明的技术解决方案包括如下步骤：

步骤1：接收系统接收到的信号经过匹配滤波后，在接收机处的输出表示为y(t)。

步骤2：建立二维非均匀采样网格。

步骤3：在L快拍的情况下，建立基于步骤2网格的离网(off-grid)模型Y。

步骤4：设置迭代次数计数变量i＝1，信号的精度向量中各元素初始化为1，噪声精度初始化为α₀＝1。

步骤5：初始化β和η中各元素为0，固定δ为当前值，更新α₀。

步骤6：固定α₀，β和η为当前值，更新δ。

步骤7：固定α₀，δ和η为当前值，更新β。

步骤8：固定α₀，δ和β为当前值，更新η。

步骤9：利用步骤7，8中的β和η更新网格

步骤10：判断迭代计数变量i是否达到上限I或δ是否收敛，如果都不满足，则迭代计数变量i＝i+1，并返回步骤5。

步骤11：对δ进行谱峰搜索，得到的K个极大值点对应的角度，即为目标角度的最终估计值。

本发明的有益效果：