论文部分内容阅读
多输入多输出雷达(Multiple-Input Multiple-Output,MIMO)能够运用空间分集和波形分集技术获得更大的系统自由度,从而提高目标探测能力和参数估计性能,已成为雷达领域的研究热点。集中式MIMO雷达作为MIMO雷达的一种,具有小的阵元间距,发射端发射正交波形,接收端利用匹配滤波器分离出相对于各发射通道的信号,能够形成大的虚拟阵列孔径,增加了系统自由度,因此具有更好的参数估计性能。本文研究了集中式MIMO雷达中的阵列配置与参数估计问题,主要研究工作如下:(1)研究了基于非均匀线性阵列(Non-uniform Linear Array,NLA)配置的MIMO雷达的参数估计问题。提出了一种利用最小冗余线性阵列(Minimum Redundancy Linear Array,MRLA)对MIMO雷达进行阵列结构设计与优化的方法,与具有相同阵元数目的均匀线阵相比,该方法能够增加MIMO雷达系统的虚拟阵元个数,扩大虚拟阵列孔径,使MIMO雷达的参数估计性能和可识别目标数均获得提升。针对阵元数增大时获得MRLA存在的运算量大的问题,给出了一种当阵元数较大时MRLA的设计方法,该方法无需穷举搜索,运算复杂度低,获得的冗余线性阵列具有较低的冗余度。(2)研究了基于压缩感知(Compressive Sensing,CS)技术的MIMO雷达参数重构问题。针对高斯测量矩阵硬件实现困难和难以在线优化的不足,提出了基于混沌随机滤波器结构的测量矩阵设计方法,该方法利用了混沌非线性系统的内在确定性和外在随机性,用混沌序列设计滤波器系数,完成对雷达回波的压缩观测。与高斯测量矩阵相比,该方法易于实现波达角(Directional Of Arrival,DOA)重构性能的在线优化。针对一维混沌序列构造二维测量矩阵时存在的随机性损失问题,提出了基于二维时空混沌的测量矩阵设计与优化算法,该算法利用时空混沌信号生成测量矩阵,能够进一步降低感知矩阵的互相关性,便于实现实时优化,提高DOA估计精度。为了进一步降低雷达回波在压缩空间的互相关性,给出了一种基于奇异值分解的测量矩阵优化算法,该算法收敛速度快,能根据系统参数和任务信息优化测量矩阵,减小DOA估计误差,提升场景恢复精度。(3)研究了基于稀疏随机阵列配置的CS-MIMO雷达的压缩观测与参数重构问题。提出了一种利用阵元位置的随机性实现雷达回波压缩观测的方法,该方法的阵列结构设计为满足某种概率分布的稀疏随机阵列,阵列的发射与接收导引矢量的kronecker积能够起到压缩观测的作用。建立了所构造的感知矩阵的归一化互相关系数、Gram矩阵以及阵列方向图之间的内在联系,并证明了当随机阵元位置满足均匀分布时所构造的感知矩阵满足压缩感知重构条件。与满阵配置的CS-MIMO雷达相比,利用相同数量的收发阵元,所提出的方法具有更大的阵列孔径和更优的参数重构性能。并且,由于减少了所需阵元个数,且无需另外引入随机测量矩阵,算法运算量和雷达系统复杂度得到降低。(4)研究了圆阵(Circular Array,CA)和L阵两种平面阵配置方式下MIMO雷达的多参数联合估计问题。在圆阵MIMO雷达中,采用多重信号分类法(Multiple Signal Classification,MUSIC)和Capon算法实现二维DOA估计,并重点推导了圆阵MIMO雷达角度估计的克拉美·罗界(Cramer-Rao Bound,CRB)。在L阵MIMO雷达中,给出了基于多级维纳滤波的旋转不变性参数估计(Estimating Signal Parameters via Rotational Invariance Technology,ESPRIT)算法,该算法能够实现对目标二维角度和多普勒频率的联合估计,与常规的基于特征分解的ESPRIT算法相比,该算法的运算量较小。