基于RD-SRT的TR MIMO雷達DOA估計算法

劉夢波,胡國平,周 豪,韓昊鵬

(空軍工程大學(xué) 防空反導(dǎo)學(xué)院,陜西 西安 710051)

在通信領(lǐng)域,多輸入多輸出(multi-input multi-output,MIMO)技術(shù)可以擴展通信容量,提高通信質(zhì)量。該技術(shù)依賴于系統(tǒng)的空間分集,可以用于雷達探測。MIMO雷達[1-2]在工作時,通過天線陣元分集和信號波形正交,增大了雷達系統(tǒng)的靈活性,具有更高的角度估計精度和自由度以及更好的參數(shù)分辨率,因此受到了廣泛關(guān)注。

時間反轉(zhuǎn)(time reversal,TR)技術(shù)并不是時間倒流,它起源于光學(xué)研究,通過相位共軛,實現(xiàn)光信號的能量聚焦。在復(fù)雜多散射環(huán)境下,TR技術(shù)[3-5]根據(jù)靜態(tài)媒質(zhì)中波動方程的時間對稱性和空間互易性,利用相干疊加來處理多徑分量,通過非相干疊加去除信號中的雜波干擾[6],從而使信號在時間和空間上聚焦。目前,各國學(xué)者對時間反轉(zhuǎn)的研究大多為MIMO通信。

近年來,越來越多的國外學(xué)者將TR技術(shù)和雷達探測相結(jié)合,其中文獻[7-10]將TR技術(shù)應(yīng)用到雷達中,顯示其獨特的性能優(yōu)勢。文獻[8]首次將TR MIMO雷達體制擴展到目標定位,推導(dǎo)出克拉美-羅界的表達式,并通過實驗說明在強雜波的環(huán)境中,TR MIMO雷達有更好的目標定位能力。但是,MIMO雷達在擁有良好性能的同時,由于運算量的大幅增加,給工程實踐帶來了困難,而時間反轉(zhuǎn)技術(shù)的接收重發(fā)也增大了計算冗余,所以TR MIMO雷達系統(tǒng)有龐大的計算量。目前,TR技術(shù)應(yīng)用到MIMO目標定位也引起了國內(nèi)學(xué)者的關(guān)注。文獻[3]將TR技術(shù)應(yīng)用于UltraWideband(UWB)-MIMO雷達,利用多重信號分類(multiple signal classification,MUSIC)算法進行DOA(direction of arrival)和發(fā)射角(direction of departure,DOD)聯(lián)合估計,增強了雷達的抗噪能力,有更好的估計精度。但是,TR MIMO和二維估計[11-12]都具有龐大計算量,造成了更加巨大的計算復(fù)雜度。文獻[13]提出了一種降維的MIMO雷達DOA算法,有效地降低了計算復(fù)雜度,并且對雷達的估計精度影響較小,但計算效率還有提升的空間。文獻[14]利用旋轉(zhuǎn)變換技術(shù)對噪聲子空間進行降維重構(gòu),降低了噪聲子空間的維度,從而有效地降低了估計時間,但算法的精度和目標分辨率都難以和MIMO雷達相比。

為了降低TR MIMO雷達系統(tǒng)的計算復(fù)雜度,更好地將TR 技術(shù)應(yīng)用到MIMO目標定位中,本文提出了一種基于降維(reduced dimension,RD)子空間旋轉(zhuǎn)變換技術(shù)(subspace rotation technique,SRT)的TR MIMO DOA估計算法。算法的主要思想是通過噪聲矩陣按行分塊并取其逆矩陣,構(gòu)造低維噪聲子空間,利用正交性原理獲得MUSIC函數(shù)譜進行目標角度估計。相比于傳統(tǒng)的TR MIMO DOA估計算法,本文算法有效地降低了計算量,提高了目標分辨率,對目標估計精度損失相對較小。

1 TR MIMO信號模型及MUSIC算法

1.1 TR MIMO信號模型

為說明算法,本文建立單基地MIMO雷達模型,MIMO雷達陣元間距為d(d為波長一半)且為均勻線陣,設(shè)計發(fā)射端陣元數(shù)為M,對應(yīng)的接收端為N。假設(shè)存在遠場目標,目標數(shù)為K。在此模型中,發(fā)射和接收陣列間距較近,所以發(fā)射角和接收角可作近似處理,設(shè)為θk(k=1,2,…,K)。如圖1所示。

因此,在接收端通過匹配濾波器后可以得到信號矩陣為[13]

X=(At°Ar)S(t)+n(t)

(1)

式中:At=(at(θ1)at(θ2) …at(θK)),Ar=(ar(θ1)ar(θ2) …ar(θK))包含了K個目標的角度信息;at(θk)=(1 e-jπsinθk… e-jπ(M-1)sinθk)T,ar(θk)=(1e-jπsinθk…e-jπ(N-1)sinθk)T分別為發(fā)射波和反射波導(dǎo)向矢量矩陣,S(t)=(β1ej2πf1tβ2ej2πf2t…βKej2πfKt)T,βk為目標散射系數(shù);n(t)為均值為0且方差為σ2的高斯白噪聲,“°”為Khatri-Rao積。

At°Ar=(at(θ1)?ar(θ1)at(θ2)?ar(θ2)…at(θK)?ar(θK))

(2)

式中:“?”為Kronecker積,At°Ar為MN×K維矩陣。

為得到TR MIMO數(shù)據(jù)模型,根據(jù)時間反轉(zhuǎn)的原理,將MIMO雷達接收端信號矩陣取共軛并且時間反轉(zhuǎn),進行能量歸一化,再次發(fā)射出去。發(fā)射信號模型為εX*(-t),則TR MIMO接收端通過匹配濾波器后的信號矩陣為[8]

(3)

式中:ε為常數(shù),作為能量歸一化因子;(·)*表示取復(fù)共軛;η=(ej4πf1t|β1|2ej4πf2t|β2|2… ej4πfKt|βK|2)T為K×1維矩陣;v為M2×1維高斯白噪聲,均值為0,方差為σ2IMM。

(4)

1.2 TR MIMO MUSIC算法

相對于理論分析,在實際操作中,考慮到采樣數(shù),協(xié)方差矩陣可以表示為

(5)

式中:(·)H表示取矩陣的共軛轉(zhuǎn)置,L為采樣快拍數(shù)。

對協(xié)方差矩陣R進行分解:

(6)

式中:λi(i=1,2,…,K)為R分解后的K個較大特征值,λj(j=K+1,K+2,…,M2)表示特征分解的M2-K個小特征值,ei和ej分別為λi和λj的特征向量。定義:

(7)

則分別以Es和En的列為基構(gòu)成信號子空間和噪聲子空間。根據(jù)正交性原理span(Es)⊥span(En),TR MIMO MUSIC算法為

(8)

2 基于RD-SRT的TR MIMO DOA估計算法

2.1 TR MIMO降維變換

由文獻[11]可知,TR MIMO的合成導(dǎo)向矢量a(θ)中僅有2M-1個不同的元素,則a(θ)可以重新寫為

(9)

式中:b(θ)=(e-jπ(M-1)sinθk… 1 … ejπ(M-1)sinθk)T是(2M-1)×1維矩陣,G為MM×(2M-1)維變換矩陣

(10)

根據(jù)式(10),定義W=GHG。則W=diag(1,2,…,M,…,2,1)∈C(2M-1)×(2M-1)。

利用W-1/2GH,可對接收信號Y作降維處理,則有:

(11)

(12)

此時,空間譜函數(shù)可表示為

(13)

2.2 子空間旋轉(zhuǎn)變換

(14)

(15)

(16)

(17)

(18)

(19)

根據(jù)式(19)可構(gòu)造如下空間譜函數(shù):

(20)

2.3 p最優(yōu)值討論

根據(jù)文獻[14]可知,p存在最優(yōu)解使得本文算法的計算量最小。所以,根據(jù)p的取值范圍,即2≤p≤2M-1-K,從算法復(fù)雜度入手,對p做如下討論。

CFJ=O{(2M-1)2K}

(21)

CO=O{p(2M-1)(2M-1-K)}+O{(2M-1)(2M-1-K)}

(22)

將搜索范圍設(shè)為[-π/2,π/2],總的搜索點數(shù)為T,那么在搜索時RD-MUSIC的復(fù)雜度為

CRD=O{2TM(2M-1-K)}

(23)

本文算法搜索時的復(fù)雜度為

CSS=O{2Tp(2M-p)}

(24)

綜上所述,RD-MUSIC和本文算法的復(fù)雜度分別為

CRM=O{(2M-1)2K}+O{2TM(2M-1-K)}

(25)

CRSM=O{(2M-1)2K}+O{p(2M-1)(2M-1-K)}+O{(2M-1)(2M-1-K)}+O{2Tp(2M-p)}

(26)

一般來說,有T?M>K,因此可作如下近似:

(27)

顯然,p應(yīng)該以CRSM取得最小值為原則,同時滿足2≤p≤2M-1-K的條件,即:

(28)

可以分3種情況討論p的最優(yōu)值:

①情況1。M≥K+1,此時,2M-1-K≥M,CRSM在邊界p=2及p=2M-1-K的取值如圖2所示,p的最優(yōu)值為popt=2。

②情況2。(3/2)+(K/2)≤M

根據(jù)以上分析,可得:

(29)

3 算法步驟及性能分析

3.1 算法步驟

綜上所述,本文算法具體步驟如下:

①對TR MIMO雷達接收信號進行降維變換,即Z=W-1/2GHY;

⑤通過式(20)進行角度估計。

3.2 算法性能分析

1)估計精度和分辨率。

2)算法的復(fù)雜度。

根據(jù)式(29)和式(27),可以看出,在p=popt時,本文算法復(fù)雜度最低為

CRSM=8T(M-1)

(30)

RD-MUSIC和本文算法復(fù)雜度的比值為

(31)

圖5為比值H隨陣元數(shù)的變化圖。從圖中可知,在較少目標和較多陣元時,本文算法的計算效率具有更大的優(yōu)勢。

4 仿真實驗

為了證實算法的正確性,通過以下5組實驗進行對比分析。在實驗中,設(shè)計MIMO模型的陣元間距為信號波長一半且為均勻線陣,發(fā)射端陣元M=8,接收端陣元N=6,采樣數(shù)L=200。設(shè)置目標數(shù)K=3,來波方向分別為θ1=-10°,θ2=20°,θ3=40°。為了分析算法的統(tǒng)計性能進行300次Monte Carlo仿真。定義靠近角θ1和θ2,如果有函數(shù)f(·)滿足:

(32)

即認為分辨成功。

1)檢驗算法估計性能仿真實驗。

圖6為使用本文算法和文獻[17]算法進行的30次DOA估計,其中選取信噪比RSN=-15 dB,3個目標的角度分別為θ1=10°,θ2=15°,θ3=20°,φ為空間譜。

從圖6可以看出,文獻[17]算法難以分辨靠近目標,而本文算法在較低的信噪比下可以估計出目標的DOA,并且每個目標的譜峰位置較為集中,具有較好的估計性能和可靠性。

2)檢驗信噪比對算法精度影響仿真實驗。

圖7為不同信噪比4種算法的均方根誤差(σ),從圖7中可以看出,在低信噪比(RSN<-5 dB)時,文獻[17]的低復(fù)雜度算法誤差明顯增大。另一方面,本文算法相比于MUSIC算法和RD-MUSIC算法的精度僅有較小損失,明顯好于文獻[17]。

3)檢驗快拍數(shù)對算法精度影響仿真實驗。

圖8是通過改變快拍數(shù)來觀察均方根誤差的變化,其中選取信噪比RSN=0。

從圖8可以看出,圖中的算法在低快拍時都能表現(xiàn)出良好的性能,本文算法性能甚至接近于MUSIC算法,明顯好于文獻[17]低復(fù)雜度算法。

4)檢驗算法目標分辨率仿真實驗。

圖9和圖10分別給出了θ1=15°和θ2=16°的2個近目標分辨成功率隨信噪比和快拍的變化關(guān)系。圖中,η為分辨成功率,圖9的快拍數(shù)為200,圖10選取RSN=0。

從圖9和圖10中可以看出,相比于圖中其他算法,本文算法擁有最高的分辨成功率,在低信噪比(RSN<-5 dB)和小快拍數(shù)(l<80)下全面優(yōu)于其他幾種算法。

5)算法運行時間對比仿真實驗。

圖11為本文算法、RD-MUSIC算法和文獻[17]中算法在不同陣元數(shù)的條件下完成一次DOA估計的時間對比,其中選取信噪比RSN=0,目標位置分別為θ1=-10°,θ2=20°,θ3=40°。圖中,ts為仿真時間。

從圖11可以看出,對于計算時間,本文算法明顯低于未經(jīng)子空間重構(gòu)的算法并接近于文獻[17]中的算法。在大陣元數(shù)的條件下,相比于RD-MUSIC算法,本文算法擁有更低的計算時間,這與前面給出的計算量分析結(jié)果一致。

5 結(jié)論

本文將時間反轉(zhuǎn)技術(shù)用于MIMO雷達系統(tǒng),結(jié)合降維思想和子空間旋轉(zhuǎn)變換技術(shù),提出了一種科學(xué)的多目標角度估計方法。算法充分反映了TR MIMO雷達估計精度和分辨率高等特點,極大地降低了傳統(tǒng)算法的計算量。仿真實驗證明了算法的有效性。

[1] SHTARKALEV B,MULGREW B. Effects of FDMA/TDMA orthogonally on the Gaussian pulse train MIMO ambiguity function[J]. IEEE Signal Processing Letters,2015,22(2):153-157.

[2] 胡仁榮,童寧寧,何興宇,等. 基于模式耦合稀疏貝葉斯的MIMO雷達成像[J]. 空軍工程大學(xué)學(xué)報,2018,19(4):51-56.

HU Renrong,TONG Ningning,HE Xingyu,et al. MIMO radar imaging based on pattern-coupled sparse Bayesian learning[J]. Journal of Air Force Engineering University,2018,19(4):51-56.(in Chinese)

[3] 蔣艷英,歐陽繕,晉良念,等. 時間反轉(zhuǎn)在UWB-MIMO雷達中的應(yīng)用[J]. 桂林電子科技大學(xué)學(xué)報,2013,33(3):173-176.

JIANG Yanying,OU Yangshan,JIN Liangnian,et al. Time reversal detection in UWB MIMO radar[J]. Journal of Guilin University of Electronic Technology,2013,33(3):173-176.(in Chinese)

[4] MOHAMMAD H,SAJJADIEH S,ASIF A. Compressive sensing time reversal MIMO radar:joint direction and doppler frequency estimation[J]. IEEE Signal Processing Letters,2015,22(9):1283-1287.

[5] 吳索路,歐陽繕,張海如. 基于時間反轉(zhuǎn)的探地雷達多目標成像算法研究[J]. 微波學(xué)報,2015,31(5):51-54.

WU Suolu,OU Yangshan,ZHANG Hairu. Multi-target imaging algorithm based on time reversal for ground penetrating radar data[J]. Journal of Microwaves,2015,31(5):51-54.(in Chinese)

[6] 連振,白渭雄,付孝龍,等. SSC移頻算法的改進型間歇采樣轉(zhuǎn)發(fā)干擾[J]. 空軍工程大學(xué)學(xué)報,2018,19(1):60-64.

LIAN Zhen,BAI Weixiong,FU Xiaolong,et al. Improved interrupted-sampling repeater jamming based on spectrum spread and compression algorithm[J]. Journal of Air Force Engineering University,2018,19(1):60-64.(in Chinese)

[7] JIN Y,MOURA J,O’DONOUGHUE N. Time reversal adaptive waveform in MIMO radar[C]//Proceedings of 2010 International Conference on Electromagnetics in Advanced Applications. Sydney:IEEE,2010:741-744.

[8] FOROOZAN F,ASIF A,JIN Y,et al. Direction finding algorithms for time reversal MIMO radars[C]//Proceedings of IEEE Statistical Signal Processing Workshop. Nice:IEEE,2011:433-436.

[9] FOROOZAN F,ASIF A. Time reversal MIMO radars for estimation of velocity and direction[C]//Proceedings of IEEE Statistical Signal Processing Workshop. Annarbor:IEEE,2012:860-863.

[10] FOROOZAN F,ASIF A,JIN Y. Cramér-rao bounds for time reversal MIMO radars with multipath[J]. IEEE Trans Aerospace and Electronic System,2016,52(1):137-154.

[11] LI J,ZHANG X. Closed-form blind 2D-DOD and 2D-DOA estimation for MIMO radar with arbitrary arrays[J]. Wireless Personal Communications,2013,69(1):175-186.

[12] 張秦,張林讓,鄭桂妹,等. 任意陣列雙基地MIMO雷達半實值MUSIC目標DOD和DOA聯(lián)合估計[J]. 系統(tǒng)工程與電子技術(shù),2016,38(3):532-538.

ZHANG Qin,ZHANG Linrang,ZHENG Guimei,et al. Joint DOD and DOA estimation for bistatic MIMO radar with arbitrary array using semi-real-valued MUSIC[J]. Systems Engineering and Electronics,2016,38(3):532-538.(in Chinese)

[13] 黨曉方,張輝. 基于RD-RISR的單基地MIMO雷達DOA估計方法[J]. 火控雷達技術(shù),2016,45(4):31-37.

DANG Xiaofang,ZHANG Hui. RD-RISR based DOA estimation method of monostatic MIMO radar[J]. Fire Control Radar Technology,2016,45(4):31-37.(in Chinese)

[14] 閆鋒剛,齊曉輝,劉帥,等. 基于子空間旋轉(zhuǎn)變換的低復(fù)雜度波達角估計算法[J]. 電子與信息學(xué)報,2016,38(3):629-634.

YAN Fenggang,QI Xiaohui,LIU Shuai,et al. Low-complexity DOA estimation via subspace rotation technique[J]. Journal of Electronics and Information Technology,2016,38(3):629-634.(in Chinese)

[15] GOLUB G H. Matrix computations[M]. Baltimore,MD:The Johns Hopkins University Press,1996:238-246.

[16] XU G,KAILATH T. Fast subspace decomposition[J]. IEEE Transactions on Signal Processing,1999,42(3):539-551.

[17] ZHANG Xiaofei,XU Lingyun,XU Dazhuan. Direction of departure(DOD)and direction of arrival(DOA)estimation in MIMO radar with reduced-dimension MUSIC[J]. IEEE Commun Letters,2010,14(12):1161-1163.