【技术实现步骤摘要】
：本专利技术涉及雷达信号处理，具体的说是一种能够显著提高参数估计性能的基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法。
技术介绍
0、
技术介绍
：
1、阵列信号处理是现代信号处理的一个重要分支，在近几十年来得到了迅猛发展。与传统阵列相比，极化敏感阵列可以获取信号的空间信息的同时也可以获得电磁信号的极化信息，这使得其在理论上具有明显的优势，具有很好的军事和民用前景。相干源场景在实际中较为常见，如多径效应、电子干扰等场景，而相干源条件下许多经典的参数估计算法失效，因此相干源条件下的参数估计问题是另一大挑战。
2、现有技术中，ong l t提出的空间平滑技术是一种有效的解相干算法，但它是通过牺牲有效阵元数来换取的，对阵列孔径有一定的损失，且在低信噪比时算法性能较差；同时为保证子阵结构相同，需限定阵列阵型为均匀线阵。jian l将空间平滑技术扩展到极化域得到了极化平滑技术，有效实现了相干源的doa估计，且突破了空间平滑技术对阵型的限制，但是，该类算法解相干信号个数有限，解相干信号数为阵元极化方式个数，且在平滑过程中模糊了信号的极化参数，使得不能实现对相干信号极化参数的估计。将空间平滑技术和极化平滑技术结合起来可以实现解相干个数的翻倍，但该类算法仍受阵型限制，且不能估计极化参数。子空间拟合的概念是20世纪90年代之后提出的，其基本思想在于构造这样一个事实：即阵列流型矩阵与阵列接收数据的子空间之间存在一个拟合关系。该类算法不会造成阵列孔径损失，并且适合任意不存在流形模糊的阵型。同时，针对于极化doa估计，学者提出了广
技术实现思路
0、
技术实现思路
：
1、本专利技术针对现有技术中存在的缺点和不足，提出了一种能够显著提高参数估计性能的基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法。
2、本专利技术通过以下措施达到：
3、一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，包括以下步骤：
4、步骤1：针对于双正交偶极子阵列，分别构造水平极化子阵和垂直极化子阵；
5、步骤2：分别对两个子阵的接收数据进行酉变换，将接收数据转换为实值数据，同时将doa和极化参数解耦合，进而使用块稀疏算法进行估计；
6、步骤3：利用酉变换的特性，将重构后的块信号进行转换，进而利用块信号之间的相关性实现极化参数的估计。
7、本专利技术在均匀线阵的模型下进行，线阵的可分辨空间域的角度为[-90°，90°]，考虑由空间距为半波长d＝λ/2的m个正交偶极子阵元组成的均匀线阵和p个远场窄带完全极化信号，第p个信号的方位角为θp，极化辅助角和极化相位角分别为γp和ηp，假设入射信号互不相关且与噪声之间相互独立，则该极化敏感阵列的接收信号可以表示为：
8、y(t)＝as(t)+n(t)(1)，
9、其中，是阵列信号的空间极化域联合阵列流形矩阵，s(t)＝[s1(t),s2(t),…,sp(t)]t∈cp×1为p个相互独立的入射信源，n(t)＝[n1(t),n2(t),…,n2m(t)]t∈c2m×1为零均值，方差为σ2的加性高斯白噪声，且对应于第p个信号的理想导向矢量具体表示为：
10、
11、其中，为第p个信号的空域导向矢量；为第p个信号的极化矢量；表示克罗内克积。
12、本专利技术步骤1中，对于双正交偶极子阵列，分别选取水平极化阵元和垂直极化阵元构造子阵1和子阵2；其中，对于子阵1，有：
13、
14、其中，a(θ)＝[1,exp(-j2πdsin(θ)/λ),…,exp(-j2π(m-1)dsin(θ)/λ)]t,
15、
16、则子阵1接收数据可以表示为
17、
18、其中，e＝diag(e1,e2,…,ep)，a1(θ)＝a(θ)·v1，
19、a(θ)＝[a(θ1),a(θ2),…,a(θp)]，v1＝diag(v1,x,v2,x,…,vp,x)，
20、同理可得，对于子阵2有
21、y2＝a2(θ)e·x+n2(8)，
22、其中，a2(θ)＝a(θ)·v2，
23、v2＝diag(v1,y,v2,y,…,vp,y)；
24、构造增广矩阵：
25、yaug1＝[y1,jmy1*jl] (9)，
26、yaug2＝[y2,jmy2*jl] (10)，
27、其中，jm∈rm，jl∈rl为副对角线上元素均为1，其余元素均为0的置换矩阵。
28、本专利技术步骤2中所述分别对两个子阵的接收数据进行酉变换，将接收数据转换为实值数据，同时将doa和极化参数解耦合，具体包括：
29、对于子阵1，有：
30、yaug1＝[y1,jmy1*jl]
31、＝[a1ex+n1 jm(a1ex+n1)*jl]
32、＝[a1ex+n1 jma1*e*x*jl+jmn1*jl]
33、＝[a1ex jma1*e*x*jl]+[n1 jmn1*jl] (11)，
34、对于均匀线阵，空域导向矢量存在以下关系：
35、a1λ＝jma1* (12)，
36、其中，
37、λ＝diag{exp(j2π(m-1)sin(θ1)/λ),…,exp(j2π(sin(θp)/λ),1}
38、对增广矩阵进行酉变换，有
39、yr1＝umhyaug1u2l (13)，
40、代入式有
41、yr1＝umh[a1ex jma1*e*x*jl]u2l+umh[n1 jmn1*jl]u2l (14)本文档来自技高网...
【技术保护点】
1.一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，在均匀线阵的模型下进行，线阵的可分辨空间域的角度为[-90°，90°]，考虑由空间距为半波长d＝λ/2的M个正交偶极子阵元组成的均匀线阵和P个远场窄带完全极化信号，第p个信号的方位角为θp，极化辅助角和极化相位角分别为γp和ηp，假设入射信号互不相关且与噪声之间相互独立，则该极化敏感阵列的接收信号可以表示为：
3.根据权利要求1所述的一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，步骤1中，对于双正交偶极子阵列，分别选取水平极化阵元和垂直极化阵元构造子阵1和子阵2；其中，对于子阵1，有：
4.根据权利要求1所述的一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，步骤2中所述分别对两个子阵的接收数据进行酉变换，将接收数据转换为实值数据，同时将DOA和极化参数解耦合，具体包括：对于子阵1，有：
5.根据权利要求4所述的一种基于酉变
6.根据权利要求5所述的一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，步骤2中，为了将BSBL框架应用于多测量矢量模型，应该将MMV模型转换为单个测量矢量模型：
7.根据权利要求6所述的一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，步骤2中，BSBL算法架构假定第i个信号块服从高斯分布
8.根据权利要求1所述的一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，步骤3中，极化参数的估计具体包括以下内容：将矢量化后的块信号恢复成矢量化前的信号，由4L×1的块信号按照相应的规则转换为2×2L的块信号；
...【技术特征摘要】
1.一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，在均匀线阵的模型下进行，线阵的可分辨空间域的角度为[-90°，90°]，考虑由空间距为半波长d＝λ/2的m个正交偶极子阵元组成的均匀线阵和p个远场窄带完全极化信号，第p个信号的方位角为θp，极化辅助角和极化相位角分别为γp和ηp，假设入射信号互不相关且与噪声之间相互独立，则该极化敏感阵列的接收信号可以表示为：
3.根据权利要求1所述的一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，步骤1中，对于双正交偶极子阵列，分别选取水平极化阵元和垂直极化阵元构造子阵1和子阵2；其中，对于子阵1，有：
4.根据权利要求1所述的一种基于酉变换实值块稀疏贝叶斯学习的阵列信号处理方法，其特征在于，步骤2中所述分别对两个子阵的接收数据进行酉变换，将接收数据转换为实值数据，同时将doa和极化参数解耦合，具体包括：对于子阵1，有：
5.根据权利要求4所述的一...
【专利技术属性】
技术研发人员：许媛媛，刘帅，闫锋刚，金铭，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：
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。