【技术实现步骤摘要】
本专利技术属于雷达，特别涉及一种基于复圆流形网络的mimo雷达单模波形设计方法。
技术介绍
1、波形设计是mimo雷达系统中的一项关键技术，以实现干扰抑制和提高信干噪比从而保证目标检测性能。为了保证发射机的使用效率，在实际实现中首选恒模波形。因此，具有恒模约束(cmc)的波形设计问题受到了广泛关注。
2、对于基于模型的方法，通常应用问题松弛。例如，在长序列处理中，文献《q.li,c.li,and j.lin,“constant modulus secure beamforming for multicast massivemimo wiretap channels,”ieee transactions on information forensics andsecurity,vol.15,pp.264–275,2020.》通过交替方向乘子法(admm)引入辅助变量使问题变得容易处理。文献《m.soltanalian and p.stoica,“designing unimodular codes viaquadratic optimization,”ieee transactions on signal processing,vol.62,no.5,pp.1221–1234,2014.》重点研究了基于二次优化的单模波形设计方法，并提出了一种著名的类幂方法(pml)来求解该问题。作为进一步的工作，文献《g.cui,y.fu,x.yu,and j.li,“local ambiguity function shaping
3、除了上述优化方法外，各种工作中还利用演化算法进行了波形设计。例如，遗传算法(ga)已被用于设计空间域中的相位编码波形、正交频分多路复用(ofdm)雷达脉冲以及离散频率和线性调频编码波形。然而，交叉率、变异率等参数的选取对解的质量有很大的影响。为了减少多个参数的选择，文献《j.hu,z.wei,y.li,h.li,and j.wu,“designingunimodular waveform(s)for mimo radar by deep learning method,”ieeetransactions on aerospace and electronic systems,vol.57,no.2,pp.1184–1196,2021.》考虑了基于残差网络的纯数据驱动的深度神经网络(res-net)方法，该方法通过学习网络的大量权重系数来实现，这通常需要大量的计算资源。一般而言，在训练数据有限的常见情况下，这些方法的性能可能不令人满意。近年来，基于深度展开网络的雷达信号处理技术刚刚兴起。文献《s.khobahi,a.mostajeran,m.emadi,p.wang,and m.soltanalian,“guaranteed deep learning for reliable radar signal processing,”in 2022ieee12th sensor array and multichannel signal processing workshop(sam),pp.291–295,2022.》引入了一种基于neumann级数求逆引理的定制的基于模型的深度结构来寻找失配滤波器(mmf)，与矩阵求逆相比，降低了计算复杂度。然而，这种方法可能不适用于单模波形设计。针对这一问题，文献《s.khobahi,a.bose,and m.soltanalian,“deep radarwaveform design for efficient automotive radar sensing,”in 2020ieee 11thsensor array and multichannel signal processing workshop(sam),pp.1–5,2020.》在类似幂方法(pml)算法的启发下，提出了一种基于模型的深层体系结构。它可以通过基于随机行走的训练策略学习网络体系结构参数。然而，基于随机行走的模型依赖于概率转移，可能需要大量样本才能获得更好的结果。
4、总体而言，基于模型的松弛方法、基于dnnn的解释性较差的方法以及随机训练的深度展开网络可能会导致波形设计性能有限，但它们都具有独特的优势，因此有必要研究一种融合这些独特优势的波形设计方法。
技术实现思路
1、本专利技术的目的在于提供基于复圆流形网络的mimo雷达单模波形设计方法，以提高信干噪比(sinr)，提高发射机的效率。
2、本专利技术采用的技术方案为：
3、基于复圆流形网络的mimo雷达单模波形设计，其包括下列步骤：
4、目标函数构建步骤：
5、基于具有nr个接收天线和nt个发射天线的共置mimo雷达的信干噪比sinr构建目标函数，该目标函数的约束项为发射信号矢量s每一向量元素s(l)满足|s(l)|＝1，其中，发射信号矢量s为nt×m的发射波形矩阵s的列向量化；发射信号矢量s的向量元素索引l＝1，2，…，mnt，m为快拍数；基于s及其约束构建复圆流形将构建的目标函数转化为复圆流形上的无约束二次分式问题，以通过梯度下降算法进行求解；
6、复圆流形网络构建步骤：
7、复圆流形网络用于学习梯度下降算法的步长，复圆流形网络包括若干网络层(如定义k表示其网络层数)，其每一层中，步长被转化为可学习的本文档来自技高网...
【技术保护点】
1.基于复圆流形网络的MIMO雷达单模波形设计，其特征在于，，包括下列步骤：
2.如权利要求1所述的基于复圆流形网络的MIMO雷达单模波形设计，其特征在于，目标函数的表达式为：
3.如权利要求1或2所述的基于复圆流形网络的MIMO雷达单模波形设计，其特征在于，MIMO雷达参数包括：接收天线NR、NT个发射天线、快拍数M、阵列导向矢量；信源参数包括：目标源的目标方向、目标源的信噪比，干扰源数量、每个干扰源的干扰方向以及干扰噪声比、高斯白噪声方差。
4.如权利要求2所述的基于复圆流形网络的MIMO雷达单模波形设计，其特征在于，每一层执行的计算具体为：
5.如权利要求3所述的基于复圆流形网络的MIMO雷达单模波形设计，其特征在于，复圆流形网络在训练时的损失函数为：
6.如权利要求1或2所述的基于复圆流形网络的MIMO雷达单模波形设计，其特征在于，复圆流形网络还包括一层软量化层，该软量化层的输入为最后一层用于获取关于发射信号矢量s的求解结果的网络层的输出，通过逆切线运算获取软量化层的输入的连续相位，再基于软量化函数获取软量化相位
7.如权利要求6所述的基于复圆流形网络的MIMO雷达单模波形设计，其特征在于，软量化函数具体为：
8.如权利要求6所述的基于复圆流形网络的MIMO雷达单模波形设计，其特征在于，通过硬量化函数对软量化层输出的量化相位的波形量化为离散的相位，其中，硬量化函数的表达式为：
...【技术特征摘要】
1.基于复圆流形网络的mimo雷达单模波形设计，其特征在于，，包括下列步骤：
2.如权利要求1所述的基于复圆流形网络的mimo雷达单模波形设计，其特征在于，目标函数的表达式为：
3.如权利要求1或2所述的基于复圆流形网络的mimo雷达单模波形设计，其特征在于，mimo雷达参数包括：接收天线nr、nt个发射天线、快拍数m、阵列导向矢量；信源参数包括：目标源的目标方向、目标源的信噪比，干扰源数量、每个干扰源的干扰方向以及干扰噪声比、高斯白噪声方差。
4.如权利要求2所述的基于复圆流形网络的mimo雷达单模波形设计，其特征在于，每一层执行的计算具体为：
5.如权利要求3所述的基于复圆流形网络的mimo雷达单模波形设计，其特征在于，复圆流形网络在训练时...
【专利技术属性】
技术研发人员：钟凯，钟一棚，胡进峰，安东旭，姚皓然，
申请(专利权)人：电子科技大学，
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。