【技术实现步骤摘要】
本专利技术申请涉及毫米波雷达信号处理领域，具体涉及一种雷达来波信号角度估计方法。
技术介绍
1、雷达作为一种可以远距离探测目标的方位，距离以及运动状态等信息的传感器已经被广泛应用于地形测量，航海航空，气象等很多领域,包括激光雷达，红外雷达，毫米波雷达等。
2、其中毫米波雷达由于其穿透能力强，探测距离远，同时体积较小等优势广泛应用于自动驾驶以及智慧交通等领域。而对于车载毫米波雷达来说，由于其体积和孔径的限制，导致其角度测量很难达到很高的精度
3、目标角度估计算法一般被称为波达方向估计算法(doa)，其中sbl算法是通过构造来波信号先验概率分布函数，再通过雷达阵列接收信号计算来波信号的最大后验概率来确定先验概率分布函数中相关参数，最终应用于doa估计。对比于其他稀疏重构算法，sbl算法的估计精度更高，鲁棒性也更好。但目前sbl相关算法广泛存在着网格划分以及计算量过大的问题。
技术实现思路
1、本申请公开了一种基于稀疏重构的雷达来波信号处理方法，包括如下步骤：
2、s1:初始化系统设定参数：阵元数m，快拍数j，角度区间，网格向量,最大迭代次数i，获得来波信号参数；
3、s2:设定雷达阵列的阵元数，收集信号的快拍数，预先划分的先验网格范围以及数量；
4、s3:利用来波信号以及算法参数设定，建立接受信号矩阵；
5、所述的接收信号矩阵为：
6、ym×j＝em×nxn×j(t)+nm×j(t)；
7、
8、建立信号矩阵x和噪声矩阵n的先验概率分布模型建立过程如下：
9、设定噪声n服从均值为0，方差为α＝σ-2的复高斯分布，则j个快拍下噪声n的联合概率分布密度函数为：
10、
11、设定信号x作先验假设，设其服从均值为0，方差为β＝[β1,β2,…,βn]的复高斯分布；
12、
13、其中λ＝diagβ
14、以上得出阵列接收信号矩阵y的联合概率分布密度函数为：
15、
16、s4:得到接收信号矩阵后，从接收信号矩阵中恢复出来波信号；
17、s5:对信号矩阵进行后验概率分布计算得到信号矩阵x的均值，计算过程如下：
18、结合阵列输出的似然函数和先验分布，y的后验分布可以由贝叶斯准则获得，它包含超参数β和α：
19、
20、上式的分母p(y；β,α)是数据的边缘分布；对于给定的β,α，证据因子时归一化因子，将其看成固定值而将其忽略，具体为：
21、p(x|y；β,α)∝p(y|x；α)p(x；β)
22、p(y|x；α)，p(x；β)是高斯分布，其后验均值μx为：
23、
24、更具体的方案当中，接受信号矩阵构造方式如下：
25、设定有k个远场窄带信号，入射到m个阵元组成的毫米波雷达阵列上，则第k个入射信号可以设为：
26、sk(t)＝wk(t)ejwt；
27、则某一时刻所有入射信号可表示为：
28、s＝[s1(t),s2(t),...,sk(t)]t；
29、某一时刻m个阵元接收到的信号可表示为：
30、y＝[y1(t),y2(t),…,ym(t)]；
31、设定阵列模型为均匀直线阵列，根据均匀直线阵列模型可以得出第m个阵元处接收到的第k个信号的值可表示为：
32、
33、其中，c为声速，d为阵元间距，此处设为λ/2，φ表示入射信号与阵列轴线之间的角度，表示第k个信号到第m个阵列所需要的时间延迟，将阵列单个快拍下接收到的数据以矩阵形式可表示为：
34、
35、γm(t)表示第m个阵元处的噪声，设快拍数为j,则在j个快拍下阵列接收信矢量形式可表示为：
36、ym×j＝em×ksk×j(t)+nm×j(t)。
37、更具体的方案当中，，恢复出来波信号的方法如下：
38、设离散网格数量为n，得到一个维度为n的功率向量，找到离散网格中功率超过阈值的点，即为来波信号方向；
39、划分的角度集一共有n个网格点，在[-π/2,π/2]之间均匀划分，则根据信号模型，可以得到阵列接收信号为：
40、ym×j＝em×nxn×j(t)+nm×j(t)
41、其中，n>>m>k,n为网格数，m为阵元数，k为实际信号源数，x为预设网格处发出的信号，n为噪声矩阵。
42、更具体的方案当中，恢复出信号矩阵方法如下：
43、建立信号矩阵x和噪声矩阵n的先验概率分布模型建立过程如下：
44、假设噪声n服从均值为0，方差为α＝σ-2的复高斯分布，则j个快拍下噪声n的联合概率分布密度函数为：
45、
46、同样对信号x作先验假设，设其服从均值为0，方差为β＝[β1,β2,…,βn]的复高斯分布。
47、
48、其中λ＝diagβ
49、以上可以得出阵列接收信号矩阵y的联合概率分布密度函数为：
50、
51、更具体的方案当中，所述方法还包括更新入射角度集φ、更新参数字典矩阵e、更新信号矩阵x。
52、更具体的方案当中，所述方法还包括：计算出概率分布超参数α，β。
53、更具体的方案当中，计算出概率分布超参数α，β方法如下：
54、将似然函数和先验的积对x求积分，得到证据因子p(y；β,α)为：
55、
56、则其对数似然函数为：
57、
58、通过最大化上式就可以的到超参数的估计值，根据快证据因子最大化方法，超参数交替更新；快速证据因子最大化方法为：
59、
60、
61、其中，fy＝yyh/j,bm由矩阵β中η个最大值的列组成。
62、若信源数k已知，则η＝k；否则选择满足η<m的值；不同的η值只影响算法的收敛性，且η选取0到m中的任一个数。
63、相较于传统的稀疏贝叶斯压缩感知算法，本方法代码运行效率更高。相较于传统的稀疏贝叶斯压缩感知算法，本方法具有更高的角度估计精度。本方法能够克服器件非线性误差导致的信号接受矩阵产生幅相误差的问题。
本文档来自技高网...【技术保护点】
1.一种基于稀疏重构的雷达来波信号处理方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于稀疏重构的雷达来波信号处理方法，其特征在于，接受信号矩阵构造方式如下：
3.根据权利要求2基于稀疏重构的雷达来波信号处理方法，其特征在于，恢复出来波信号的方法如下：
4.根据权利要求3所述的基于稀疏重构的雷达来波信号处理方法，其特征在于，恢复出信号矩阵方法如下：
5.根据权利要求4所述的基于稀疏重构的雷达来波信号处理方法，其特征在于，对信号矩阵进行后验概率分布计算得到信号矩阵X的均值。
6.根据权利要求5所述的基于稀疏重构的雷达来波信号处理方法，其特征在于，所述方法还包括更新入射角度集Φ、更新参数字典矩阵E、更新信号矩阵X。
7.根据权利要求6所述的基于稀疏重构的雷达来波信号处理方法，其特征在于，所述方法还包括：计算出概率分布超参数α，β。
8.根据权利要求7所述的基于稀疏重构的雷达来波信号处理方法，其特征在于，计算出概率分布超参数α，β方法如下：
【技术特征摘要】
1.一种基于稀疏重构的雷达来波信号处理方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于稀疏重构的雷达来波信号处理方法，其特征在于，接受信号矩阵构造方式如下：
3.根据权利要求2基于稀疏重构的雷达来波信号处理方法，其特征在于，恢复出来波信号的方法如下：
4.根据权利要求3所述的基于稀疏重构的雷达来波信号处理方法，其特征在于，恢复出信号矩阵方法如下：
5.根据权利要求4所述的基于稀疏重构的雷达来波信号处理方法，...
【专利技术属性】
技术研发人员：吕超，刘东奇，刘云清，姚广宇，颜飞，
申请(专利权)人：长春理工大学，
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。