【技术实现步骤摘要】
本专利技术涉及信号处理方法，具体是一种基于阵列流形矩阵学习的均匀矩形阵目标方位估计方法。
技术介绍
1、目标方位估计技术是目标探测的有力手段之一，被广泛应用于雷达、声呐、无线通信等领域。发展高效、高精度的目标方位估计方法有助于目标探测系统的性能提升。在已有的目标方位估计方法中，稀疏类方法的估计精度高，且能够在低信噪比和少快拍数据的不利条件下仍然具有良好的估计性能，故受到了广泛的关注与研究。目前，大部分稀疏类目标方位估计方法处理的是线列阵时域快拍数据，针对的是一维目标方位估计问题。一般，稀疏类目标方位估计方法对观测角度空间进行离散化处理，利用得到的离散角度点构造阵列流形矩阵，用于稀疏参数估计，并根据稀疏参数估计值获得目标方位估计值。通常我们将这种涉及角度离散化处理的稀疏类目标方位估计方法称为网格类方法。对于网格类稀疏目标方位估计方法来说，离散角度点的疏密程度会影响目标方位估计的精度与计算复杂度；使用较密的离散角度点在一定程度上可以获得更高的估计精度，但是计算复杂度将大大增加。
2、对于二维目标方位估计问题，若将一维网格类稀疏目标方位估计方法直接扩展到二维形式，由于涉及到的离散角度点的数量大大增加，阵列流形矩阵的维数会大大增加，从而令稀疏参数计算的复杂度显著增加，不利于实际应用。另一方面，若目标方位偏离预设的离散角度点，即存在角度失配误差，这时网格类稀疏目标方位估计方法的角度估计精度将下降，需要引入角度细化处理来补偿角度失配误差，以保证角度估计精度。这种额外的角度细化处理将进一步增加网格类稀疏目标方位估计方法的计算复杂度
3、因此，针对一维网格类稀疏目标方位估计方法的二维直接扩展版本计算复杂度高的问题，亟需提出相应的解决方案。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于阵列流形矩阵学习的均匀矩形阵目标方位估计方法，通过阵列流形矩阵学习策略，得到一个从零开始逐个增加元素的二维方向角度集合，构造得到具有较少列向量的阵列流形矩阵用于参数迭代计算，降低了计算复杂度，提高了运算效率。
2、为实现上述目的，本专利技术提出一种基于阵列流形矩阵学习的均匀矩形阵目标方位估计方法，包括：
3、s1根据均匀矩形阵的布阵信息，得到阵列流形矩阵的表达式；
4、s2根据阵列流形矩阵学习策略，迭代地计算候选目标信号的二维方向角度集合、精度向量以及高斯白噪声精度参数，并且在每次迭代中，利用所述二维方向角度集合对阵列流形矩阵进行更新，然后利用所述精度向量、高斯白噪声精度参数和更新后的阵列流形矩阵，计算候选目标信号的后验估计量(即后验均值和后验协方差矩阵)，将后验均值作为候选目标信号的估计值；
5、s3利用得到的候选目标信号的估计值计算归一化空间谱值，归一化空间谱值中前k个最大值对应的二维方向角度即为目标方位估计值，其中k为真实目标信号数目。
6、进一步的，所述阵列流形矩阵的表达式，即：
7、
8、式中，为候选目标信号的二维方向角度的集合，为候选目标信号的数目，θi和分别为第个二维方向角度的俯仰角和方位角，为二维方向角度上的导向矢量，表达式为：
9、
10、式中，为kronecker乘积，其中，(·)t为转置运算符，λ为目标信号的波长，mz和my分别为所述均匀矩形阵的z轴向和y轴向的阵元数目，dz和dy分别为z轴向和y轴向阵元的阵元间隔。
11、进一步的，根据所述阵列流形矩阵学习策略进行的参数迭代计算，包括如下步骤：
12、s201初始化候选目标信号的二维方向角度集合、精度向量和高斯白噪声精度参数，设置最大迭代次数和迭代收敛条件；
13、s202更新二维方向角度集合θ和精度向量利用二维方向角度集合的更新值θnew得到新的阵列流形矩阵a(θnew)；
14、s203更新高斯白噪声精度参数β，计算公式为：
15、
16、式中，tr(·)为矩阵求迹运算，为求moore-penrose伪逆矩阵运算，im为m＝my×mz维单位矩阵，为采样协方差矩阵，y＝[y(1),…,y(t)]为所述均匀矩形阵的时域快拍数据矩阵，t为时域快拍数目，y(t),t＝1,…,t为第t个时域快拍数据向量，(·)h为共轭转置运算；
17、s204更新候选目标信号的后验均值μ＝[μ(1),…,μ(t)]和后验协方差矩阵∑，将后验均值作为候选目标信号的估计值，即其中，μ(t),t＝1,…,t和∑的计算公式分别为：
18、μ(t)＝β∑a(θnew)hy(t)，
19、∑＝[diag(αnew)+βa(θnew)ha(θnew)]-1，
20、式中，diag(αnew)为以精度向量的更新值αnew为主对角线元素的对角矩阵，(·)-1为矩阵求逆运算；
21、s205重复上述s202、s203和s204，并进行迭代计数；若迭代计数达到最大迭代次数，或者满足迭代收敛条件，则结束迭代计算，输出二维方向角度集合θnew和候选目标信号的估计值其中，迭代收敛条件为：
22、
23、式中，为上次迭代得到的候选目标信号的估计值，τ为迭代收敛判决门限，size(·)表示矩阵维数，“&&”表示逻辑“与”运算，||·||f为矩阵的frobenius范数。
24、进一步的，所述二维方向角度集合θ和精度向量的更新计算，包括：
25、首先，所述θ和α的更新过程涉及两种更新操作，即新角度添加操作和已有角度更新操作；
26、在所述新角度添加操作中，计算一个新的二维方向角度以添加到θ中，计算方向上候选目标信号的精度参数以添加到α中，计算所述新角度添加操作的对数边际似然增量△l0；
27、在所述已有角度更新操作中，对于θ中已有的每一个二维方向角度计算辅助参数和若则进入已有角度删除操作，即从θ中移除从α中移除精度参数αi，计算所述已有角度删除操作的对数边际似然增量若则进入已有角度重新估计操作，即计算更新值用于替换计算精度参数更新值用于替换αi，计算所述已有角度重新估计操作的对数边际似然增量
28、其中，所述三种对数边际似然增量△l0、和的计算公式分别为：
29、
30、
31、
32、式中，为参数对的对数边际似然贡献量，所述辅助参数和的计算公式分别为：
33、
34、
35、式中，
36、其次，在所述θ和α的更新过程中，共得到个对数边际似然增量，即△l0和比较这个对数边际似然增量，得到最大的对数边际似然增量。若△l0最大，则执行所述新角度添加操作，得到θ和α的更新值分别为和本文档来自技高网...
【技术保护点】
1.一种基于阵列流形矩阵学习的均匀矩形阵目标方位估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于阵列流形矩阵学习的均匀矩形阵目标方位估计方法，其特征在于，所述阵列流形矩阵的表达式，即：
3.根据权利要求1所述的一种基于阵列流形矩阵学习的均匀矩形阵目标方位估计方法，其特征在于，所述基于阵列流形矩阵学习策略进行的参数迭代计算，包括如下步骤：
4.根据权利要求3所述的基于阵列流形矩阵学习策略的参数迭代计算，其特征在于，所述二维方向角度集合Θ和精度向量的更新计算，包括：
5.根据权利要求1或3所述的一种基于阵列流形矩阵学习的均匀矩形阵目标方位估计方法，其特征在于，所述更新操作涉及到的高效二维方向角度计算和候选目标信号的精度参数计算，所述两种计算在新角度添加操作和已有角度重新估计操作中使用，实现步骤为：
6.根据权利要求1所述的一种基于阵列流形矩阵学习的均匀矩形阵目标方位估计方法，其特征在于，所述归一化空间谱值的计算，P中第个元素Pk的计算公式为：
【技术特征摘要】
1.一种基于阵列流形矩阵学习的均匀矩形阵目标方位估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于阵列流形矩阵学习的均匀矩形阵目标方位估计方法，其特征在于，所述阵列流形矩阵的表达式，即：
3.根据权利要求1所述的一种基于阵列流形矩阵学习的均匀矩形阵目标方位估计方法，其特征在于，所述基于阵列流形矩阵学习策略进行的参数迭代计算，包括如下步骤：
4.根据权利要求3所述的基于阵列流形矩阵学习策略的参数迭代计算，其特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。