[发明专利]基于结构化递归最小二乘的米波雷达测高方法

说明书

本发明公开一种基于结构化递归最小二乘的米波雷达测高方法，主要解决现有方法在复杂地形环境下多径信号数目未知时，无法保证对低仰角目标高度有效估计的问题。其方案是：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，获取噪声子空间；2)在复杂地形情况下，利用雷达回波数据对目标仰角及镜像仰角进行联合估计，得到目标仰角及镜像仰角集合的初始估计值；3)在多径数目信息未知的情况下，利用1)和2)的结果迭代估计目标仰角及镜像仰角，得到目标仰角最终估计值；4)利用最终估计值，计算出目标高度。本发明能有效实现对低仰角目标仰角及高度的测量，提升雷达对复杂多径环境下低仰角目标的跟踪性能，可用于目标跟踪与定位。

技术领域

本发明属于雷达技术领域，特别涉及一种米波雷达目标测高方法，可用于复杂阵地条件下米波雷达对低仰角目标仰角及高度的估计。

背景技术

米波雷达在中远程预警等方面具有优势，近些年越来越受到世界各国的重视。但其在复杂阵地环境、多径数目未知的情况下对低仰角目标的跟踪仍面临一些技术难题。造成该问题的主要原因是由于多径效应的存在，即雷达回波信号中即包含目标直达波信号又包含与目标直达波信号相干的地面反射多径信号，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。

近些年来，随着数字阵列雷达的发展，通过阵列超分辨技术实现对低仰角目标仰角的精确估计成为了众学者研究的热点之一。现有的米波雷达低仰角目标测高算法大致可分为基于子空间类算法和基于最大似然类算法两大类。第一类算法以经典多重信号分类MUSIC算法最为代表，但经典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SS可以使阵列接收信号协方差矩阵的秩在相干源情况下得以有效恢复，从而改善经典MUSIC算法对相关信号的处理能力，但空间平滑SS-MUSIC算法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。最大似然ML类算法是另一类常见的阵列超分辨测高算法，这类算法可以直接用来处理相干源场景且对阵列流形没有特殊要求，是参数估计理论中一种典型的估计方法，但其对似然函数的求解是一个非线性的多维优化问题，直接通过多维搜索求解所需运算量随着目标个数的增加呈指数增长，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，如天线高度，直达波信号与反射波信号之间的结构信息，简化了信号模型，最终只需进行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、丘陵等复杂地形场景下，由于直达波信号与多径信号之间的内在结构关系会随着目标的运动而改变且很难量测，导致现有经典多径信号模型与真实目标回波之间可能将产生失配，使得上述依赖地形信息RML测高算法无法对复杂地形情况下低仰角目标仰角进行有效估计，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，提出一种复杂阵地环境下的米波雷达目标测高方法，以在反射面非平坦、多径数目未知的情况下完成对低仰角目标仰角以及高度的估计，改善复杂阵地环境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.基于结构化递归最小二乘的米波雷达测高方法，包括：

(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)对协方差矩阵R_X进行特征值分解，得到噪声子空间U_n；

(3)在复杂阵地及多径数目未知的情况下，利用目标回波数据X，对目标仰角及镜像仰角进行联合估计，得到目标仰角及镜像仰角的初始估计值：

(3a)设定最大迭代次数I＝20，令初始迭代序列i＝1，通过目标回波数据X构造如下代价函数：