[发明专利]MIMO雷达观测噪声优化方法及装置

说明书

本发明公开了一种MIMO雷达观测噪声优化方法及装置，方法包括：获得雷达观测目标信息和先验知识信息；根据先验知识信息确定系统方程；根据雷达观测目标信息和观测方程确定贝叶斯新息；根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵，确定Kalman递归方程增益，估计误差协方差矩阵根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新，后验观测噪声协方差矩阵根据提议分布进行更新；根据过程方程，贝叶斯新息和Kalman递归方程增益，进行雷达观测目标运动状态估计。本发明可以减小MIMO雷达观测噪声的干扰，在保证准确性的同时提高噪声优化实时性。

技术领域

本发明涉及雷达噪声分析技术领域，尤其涉及MIMO雷达观测噪声优化方法及装置。

背景技术

近年来，鲁棒滤波器的设计一直是现代雷达系统的研究热点之一。出现这种情况的主要原因有两个。首先，目标雷达信号可能会受到噪声、杂波等的干扰，从而导致接收信号统计模型的不确定性。其次，在雷达系统的实际应用中，发射机和接收机的设置会影响测量系统的模型。不幸的是，通过获得或理解真实世界中的精确模型来设计最优滤波器是代价高昂而不可行的，这使得一些与假设模型有很小偏差的名义上的最优滤波器的性能显著下降。因此，在一定的不确定性模型条件下，鲁棒滤波器可以看作是一种最优滤波器。

经典的Kalman滤波器是动态高斯线性系统下的最优滤波器。它在通信、导航、雷达、控制等领域都得到了较好的应用。然而，它也存在着突出的缺点，例如，完全掌握噪声的统计模型和信号的状态是获得良好性能的前提条件。因此，如何在噪声分布知识缺失或不精确的情况下设计一个鲁棒的Kalman滤波器，并能用于解决实际工程问题，对研究人员和开发人员都是一个很大的挑战。

现有技术中提出了许多同时估计信号状态和噪声的方法，即采用自适应Kalman滤波器进行MIMO雷达观测噪声优化，但这类方法往往需要利用大量的数据才能在整个估计周期内获得一定的准确性，无法满足某些特定场景下的实时性要求。

因此，亟需一种可以克服上述问题的MIMO雷达观测噪声优化方案。

发明内容

本发明实施例提供一种MIMO雷达观测噪声优化方法，用以进行MIMO雷达观测噪声优化，在保证准确性的同时提高噪声优化实时性，该方法包括：

获得雷达观测目标信息和先验知识信息，所述先验知识信息包括：状态转移矩阵，观测转移矩阵，过程噪声转移矩阵和噪声先验分布；

根据所述状态转移矩阵，观测转移矩阵和过程噪声转移矩阵，确定系统方程，所述系统方程包括：过程方程和观测方程；

根据所述雷达观测目标信息和观测方程，确定贝叶斯新息；

根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵，确定Kalman递归方程增益，所述估计误差协方差矩阵是根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新的，后验观测噪声协方差矩阵是根据提议分布进行更新的，所述提议分布是根据所述噪声先验分布利用模拟退火算法确定的；

根据所述过程方程，贝叶斯新息和Kalman递归方程增益，进行雷达观测目标运动状态估计。

本发明实施例提供一种MIMO雷达观测噪声优化装置，用以进行MIMO雷达观测噪声优化，在保证准确性的同时提高噪声优化实时性，该装置包括：

信息获得模块，用于获得雷达观测目标信息和先验知识信息，所述先验知识信息包括：状态转移矩阵，观测转移矩阵，过程噪声转移矩阵和噪声先验分布；

方程确定模块，用于根据所述状态转移矩阵，观测转移矩阵和过程噪声转移矩阵，确定系统方程，所述系统方程包括：过程方程和观测方程；

新息确定模块，用于根据所述雷达观测目标信息和观测方程，确定贝叶斯新息；