[发明专利]一种基于深度学习的MIMO雷达波形设计方法

说明书

本发明属于雷达技术领域，特别涉及一种基于深度学习的MIMO雷达波形设计方法，用以克服现有MIMO雷达波形设计方法都仅仅优化部分性能的问题。本发明构建全新的将多个性能指标加权相加的综合目标函数，并通过权重的设置，可对这些性能指标中的部分或全部进行优化；同时，采用深度学习模型(自编码网络和深度残差网络)对综合目标函数进行优化，通过设计损失函数来驱动神经网络，实现MIMO雷达波形设计。本发明基于自编码网络和深度残差网络的两种方法优化的性能均优于传统方法；同时，两种方法均能够在可接受的时间内对长序列信号进行优化；另外，本发明也为唯一能够针对长序列进行ISL和PSL联合优化的方法。

技术领域

本发明属于雷达技术领域，特别涉及一种基于深度学习的MIMO雷达波形设计方法。

背景技术

与传统相控阵雷达相比，MIMO雷达的巨大优越性主要体现在每根天线发射的波形相互正交；MIMO雷达的正交波形设计可以带来以下优点：使发射波束的设计更加的灵活，方便在接收端分离滤波，同时也可以更加有效的抑制噪声，正交波形在接收端经过匹配滤波处理之后可以获得虚孔径的增大，可以提高目标的定位精度和分辨率。

目前的MIMO雷达波形设计主要有基于频率的波形设计、如《B.Shtarkalev andB.Mulgrew,“Effects of FDMA/TDMA orthogonality on the gaussian pulse trainMIMO ambiguity function,”IEEE Signal Process.Lett.,vol.22,no.2,pp.153–157,Feb.2015》和基于相位编码的波形设计、如《J.Song,P.Babu,and D.P.Palomar,“Optimization methods for designing sequences with low autocorrelationsidelobes,”IEEE Trans.Signal Process.,vol.63,no.15,pp.3998–4009,Aug.2015》，其中，基于相位编码的波形设计尤其受到关注。而基于相位编码的波形设计方法主要分为如下两类：

第一类是仅优化自相关性能，如文献《J.Song,P.Babu,and D.P.Palomar,“Optimization methods for designing sequences with low autocorrelationsidelobes,”IEEE Trans.Signal Process.,vol.63,no.15,pp.3998–4009,Aug.2015》中进行了自相关综合旁瓣水平(AISL)性能的优化，但是并未优化自相关峰值旁瓣水平(APSL)性能，导致可能会有较高的峰值旁瓣。所以文献《H.Esmaeili-Najafabadi,M.Ataei,andM.F.Sabahi,“Designing sequence with minimum PSL using Chebyshev distance andits application for chaotic MIMO radar waveform design,”IEEE Trans.SignalProcess.,vol.65,no.3,pp.690–704,Feb.2017》针对自相关峰值旁瓣水平(APSL)进行优化，解决了上述问题；并且可以通过modified Bernoulli system对互相关进行限制。