论文部分内容阅读
分布式压缩感知理论(Distributed Compressed Sensing,DCS)是将单信号在某个基下的稀疏扩展到信号群在某个共同基下的联合稀疏,最终实现信号群的联合重构。利用DCS理论解决多输入多输出(Multiple input Multiple output,MIMO)雷达多通道信号处理问题,可以有效地提高目标探测性能。本论文研究共址DCS-MIMO雷达、统计DCS-MIMO雷达目标参数估计和统计DCS-MIMO雷达发射能量自适应设计问题,完成的工作如下:研究了分布式压缩感知理论的背景知识、联合稀疏模型和联合重构算法。以JSM-2模型下多传感器观测同一稀疏场景的情况为例,分析比较了CS和DCS系统框架的区别。DCS融合了各个传感器接收到的信号进行联合重构,而CS分别重构某一传感器的信息,然后进行数据融合。因此DCS与CS相比,融合级别更高并且估计更精准。研究了共址DCS-MIMO雷达目标参数估计问题。首先构建共址DCS-MIMO稀疏基,然后由于一般的参数估计算法未假设雷达接收通道噪声功率不一致的情况,导致估计精度和恢复概率严重下降,提出了基于信噪比加权的DCS-MIMO参数估计算法和多种信噪比加权方法。理论和仿真结果表明该方法的估计精度和重构概率高于共址CS-MIMO和共址DCS-MIMO算法,多种信噪比加权方法能够适应不同的接收通道噪声功率水平。为了减少重构算法的复杂度,进一步提出了基于信噪比加权的快速DCS重构算法,该算法中通过增加每次选择最佳原子的个数来减少迭代次数。研究了统计DCS-MIMO雷达的场景重构和目标参数估计问题。首先分析了统计MIMO雷达信号模型,实现雷达接收信号的联合稀疏表示,然后给出了JSM-2模型下联合重构算法,并比较了统计DCS-MIMO与统计CS-MIMO的实现结构。理论分析与实验仿真表明,与统计CS-MIMO雷达相比,统计DCS-MIMO的雷达信号模型与联合重构算法最大化地利用了各个发射—接收通道包含的信息,提高了观测场景的重构概率,减小了重构误差。基于认知雷达的思想,研究了统计DCS-MIMO雷达发射能量自适应设计问题。由于统计MIMO雷达不同的发射—接收天线对目标观测的角度不同,因此各个传输路径对能量衰减也不一致,均分发射能量并不能达到最优性能。提出了单目标和多目标环境下统计DCS-MIMO雷达发射能量优化准则并给出了求解方法。在仿真过程中,引入并修正了CS-MIMO雷达系统下多目标参数估计性能指标。结果表明发射能量优化后的MIMO雷达与均分发射能量相比性能优势明显。