基于頻域波束降維的車載雷達多參數(shù)聯(lián)合超分辨方法

摘 要：針對車載雷達多參數(shù)聯(lián)合超分辨計算復(fù)雜度高、無法快速實現(xiàn)參數(shù)估計的問題，提出了基于頻域波束降維的多參數(shù)聯(lián)合超分辨算法。所提算法通過快速傅里葉變換（fast Fourier transform， FFT）將空時多參數(shù)域聯(lián)合數(shù)據(jù)變換到頻域，處理感興趣區(qū)域的多維頻域數(shù)據(jù)，完成空時波束空間降維和基于頻域數(shù)據(jù)的多參數(shù)聯(lián)合超分辨，實現(xiàn)目標(biāo)信息的快速聯(lián)合估計。推導(dǎo)了頻域子空間正交性及頻域波束降維超分辨算法理論。仿真研究了算法的分辨率和估計性能與信噪比的關(guān)系。仿真結(jié)果表明，所提算法的精度和分辨率遠超傳統(tǒng)FFT算法，相對于傳統(tǒng)多重信號分類（multiple signal classification， MUSIC）算法，所提算法計算量大幅降低。

關(guān)鍵詞： 頻域; 波束空間; 聯(lián)合超分辨; 多重信號分類

中圖分類號： TN 911.23; TN 958

文獻標(biāo)志碼： A" DOI：10.12305/j.issn.1001-506X.2024.10.10

Frequency-domain beam dimension reduction based multi-parameter joint

super-resolution algorithm for vehicle radar

LIU Runhu^1， CAO Bingxia LI Yingchun YAN Fenggang JIN Ming¹

（1. Institute of Information Engineering， Harbin Institute of Technology （Weihai）， Weihai 264209， China;

2. School of Electronics and Information Engineering， Harbin Institute of Technology， Harbin 15000 China）

Abstract： Aiming at the problem that the multi-parameter joint super-resolution of vehicle radar has high computational complexity and cannot achieve parameter estimation quickly， a multi-parameter joint super-resolution algorithm based on frequency-domain beam dimension reduction is proposed. The proposed algorithm transforms the joint data of space-time multi-parameter domain to frequency domain by fast Fourier transform （FFT）， to process multi-dimensional frequency-domain data of the region of interest and complete the dimension reduction of the beam-space in space-time and the multi-parameter joint super-resolution based on the frequency-domain data， which achieve fast joint estimation of target information. The theory of frequency-domain subspace orthogonality and frequency-domain beam dimension reduction super-resolution is deduced. The relationship between the resolution， estimation performance of the algorithm and the signal to noise ratio （SNR） is investigated in simulation， and the simulation results show that compared with the traditional FFT， the accuracy and resolution of the proposed algorithm have been greatly improved， and the computational quantity is greatly reduced compared with that of the multiple signal classification （MUSIC） algorithm.

Keywords： frequency domain; beam-space; joint super-resolution; multiple signal classification （MUSIC）

0 引 言

在目標(biāo)探測算法中，傳統(tǒng)的快速傅里葉變換（fast Fourier transform， FFT）算法能夠快速地實現(xiàn)目標(biāo)的多維參數(shù)估計。車載雷達的角度分辨率隨陣列天線的增加而提升，距離分辨率隨信號帶寬的增加而提升，速度分辨率隨幀時間的增加而提升。對于一個參數(shù)固定的車載雷達而言，由于硬件體積及成本要求，天線個數(shù)有限，信號帶寬及幀時間固定，則目標(biāo)的參數(shù)估計分辨率在傳統(tǒng)FFT算法下存在固定值^［1］。同時，F(xiàn)FT的估計精度受陣列的幾何結(jié)構(gòu)、信噪比、多徑等因素的影響，無法有效地估計高動態(tài)范圍和高速移動目標(biāo)的到達角^［2］。針對傳統(tǒng)FFT算法瓶頸，為提升目標(biāo)參數(shù)估計的精度及分辨率，超分辨算法逐漸被應(yīng)用至車載雷達的目標(biāo)探測^［3］。以多重信號分類（multiple signal classification， MUSIC）算法^［47］及旋轉(zhuǎn)不變子空間（estimating signal parameter via rotational invariance techniques， ESPRIT）算法^［811］等為代表的超分辨算法雖然可以提升目標(biāo)信息的估計精度及分辨率，但龐大的數(shù)據(jù)運算量仍然嚴重影響上述算法的工程化應(yīng)用進程^［1214］。

如何實現(xiàn)空時多參數(shù)聯(lián)合超分辨算法的高效化，降低算法的復(fù)雜度，是目前亟待解決的問題，也是算法工程化中無法繞開的問題。Bienvenu等^［15］提出的基于波束空間降維的高分辨目標(biāo)方位估計方法，通過波束轉(zhuǎn)換矩陣將陣元域數(shù)據(jù)轉(zhuǎn)換到波束域輸出，利用部分感興趣波束數(shù)據(jù)進行超分辨估計，選擇的波束空間維數(shù)通常遠小于原陣元數(shù)據(jù)維數(shù)，極大地降低了超分辨算法的復(fù)雜度。波束空間降維能提高空間譜矩陣估計的統(tǒng)計穩(wěn)定性，去除波束外干擾，增強算法穩(wěn)健性^［16］。通過波束的合理選擇，參數(shù)估計的精度和分辨率都可以得到提高^［17］。同時，在車載雷達的多目標(biāo)探測場景應(yīng)用中，參數(shù)估計通常包括陣元域?qū)?yīng)的角度測量、快時域和慢時域?qū)?yīng)的距離和速度測量，而原始采樣的空時多參數(shù)聯(lián)合數(shù)據(jù)非常龐大，原始數(shù)據(jù)的存儲、計算都是工程實現(xiàn)的難題^［1821］。在工程操作中，一般根據(jù)目標(biāo)信息或數(shù)據(jù)預(yù)處理結(jié)果，確定感興趣的參數(shù)區(qū)域，再進行超分辨。

基于以上傳統(tǒng)聯(lián)合超分辨超高復(fù)雜度無法工程化應(yīng)用的難題，本文將波束空間降維思想^［22］應(yīng)用至頻域，提出一種基于頻域波束降維的多參數(shù)聯(lián)合超分辨方法，基于空時數(shù)據(jù)的多維離散傅里葉變換（discrete Fourier transform， DFT）和波束空間變換的等效性，根據(jù)目標(biāo)的先驗信息，選擇目標(biāo)區(qū)域?qū)?yīng)的頻域數(shù)據(jù)區(qū)域，進行基于波束降維的三維（three dimensional， 3D）MUSIC聯(lián)合超分辨。波束域數(shù)據(jù)維度的極大降低，使得聯(lián)合超分辨工程實現(xiàn)成為可能，可以實現(xiàn)對車載雷達的目標(biāo)多參數(shù)快速聯(lián)合探測。相比于傳統(tǒng)FFT算法的固定分辨能力，本文所提算法使得目標(biāo)參數(shù)估計的分辨率顯著提升，是一種工程可行的快速聯(lián)合超分辨算法。

1 信號模型

車載雷達常采用時分復(fù)用多輸入多輸出（time division multiplexing-multiple input multiple output， TDM-MIMO）雷達擴展虛擬孔徑，以提升角度估計精度。TDM-MIMO雷達陣列模型如圖1所示。TDM-MIMO雷達工作時，發(fā)射天線分時發(fā)射調(diào)頻信號，每個調(diào)頻周期內(nèi)只有一個發(fā)射天線工作，接收天線相應(yīng)地分時接收回波信號^［2326］。

設(shè)定L_TX、L_RX分別為發(fā)射、接收天線的個數(shù)，T_x1為第一個發(fā)射天線，T_xLTX為第L_TX個發(fā)射天線，簡化陣列模型如圖1所示。接收陣元間距為d_r=λ/2，λ為信號波長，發(fā)射陣元間距為d_t，其中d_t=L_RX·d_r。假設(shè)某一任意接收天線l_RX與接收天線陣列中的第一個接收天線之間的間距d_r/（RX）=（l_RX－1）d_r。圖1雷達模型產(chǎn)生的虛擬陣元數(shù)為L=L_TX·L_RX的陣列，其系統(tǒng)結(jié)構(gòu)可等效為陣列孔徑為（L_TXL_RX－1）·λ/2的均勻線陣。

通過TDM-MIMO雷達擴展虛擬孔徑，本文針對圖1模型下的線性調(diào)頻連續(xù)波（linear frequency modulated continuous wave， LFMCW）雷達為例分析系統(tǒng)信號模型^［27］，雷達發(fā)射的鋸齒LFMCW信號（簡稱為鋸齒波）及回波信號的頻率時間示意圖如圖2所示。

圖2中，f_IF為差拍信號頻率。在此模型下獲取TDM-MIMO LFMCW雷達鋸齒波差拍信號為

x（t）=A_mpTsA_mpRs·expj2π2vf_cc+2μRc+2μvmT_mct·

expj2π（（l_tx－1）L_RXd_r+（l_rx－1）d_r）sin θλ·

expj2π2Rf_cc+2f_cvmT_mc+G（t）=

A_mpTsA_mpRs·expj2π2vf_cc+2μRc+2μvmT_mct·

expj2πl(wèi)d_rsin θλ·expj2π2Rf_cc+2f_cvmT_mc+G（t）（1）

式中：A_mpTs，A_mpRs分別表示發(fā)射、接收信號對應(yīng)幅度;R，v，θ分別為目標(biāo)相對毫米波雷達的距離、速度、方位角；c=3×10⁸ m/s為電磁波傳播速度;fc為信號載頻;μ=B/T_m表示調(diào)頻斜率，其中B為信號帶寬，T_m為鋸齒波的重復(fù)周期;l_tx=1，2，…，L_TX，l_rx=1，2，…，L_RX，L_TX和L_RX分別為發(fā)射、接收天線個數(shù);l=0，1，…，L－1代表虛擬陣列接收天線陣元序號，L為通過接收、發(fā)射天線得到的虛擬陣列的天線個數(shù)；m=0，1，…，M－1代表重復(fù)周期序號，M為最大重復(fù)周期個數(shù)，即慢時域采樣數(shù)；T_m為信號重復(fù)周期；G（t）為加性高斯白噪聲。

2 時頻等效的頻域波束空間變換

2.1 空時超分辨處理等效性

式（1）表明，天線陣列的接收數(shù)據(jù)是一個包括空域、快時域和慢時域的3D大規(guī)模數(shù)據(jù)包，分別對應(yīng)了對目標(biāo)的方位角、距離和運動速度的測量。本節(jié)首先說明空域數(shù)據(jù)的超分辨算法對時域數(shù)據(jù)的等效性，確定空時數(shù)據(jù)聯(lián)合超分辨的理論可行性。

文獻［28］證明了采樣中的空時等效性，闡述了空時信號處理等效原理;文獻［29］對時域延遲及空域延遲的等效性、特殊性進行闡明分析：即可通過延遲器實現(xiàn)時域延遲，通過陣元間空間距離實現(xiàn)空域延遲。二者在某些特定條件下可進行相互轉(zhuǎn)換，即時域處理可應(yīng)用至空域，空域處理可應(yīng)用至?xí)r域。

設(shè)每個Chirp內(nèi)的快時域采樣數(shù)為N，根據(jù)空時等效性，距離維、角度維和速度維進行超分辨的導(dǎo)向矢量分別如下所示：

a_R（R）=［1，e^{－j2π2μRcfs}，…，e^{－j2π2μRcfs（N－1）}］T

a_θ（θ）=［1，e^{－j2πdsin θλ}，…，e^{－j2πdsin θλ（L－1）}］T

a_v（v）=［1，e^{－j2π2fcvTmc}，…，e^－j2π2f_c^{vTmc（M－1）}］T（2）

式中：f_s為采樣頻率。

依據(jù)空時等效性，空域的角度聯(lián)合超分辨可擴展到空時域進行距離、角度和速度的空時聯(lián)合超分辨，時域超分辨的維度遠高于空域，聯(lián)合超分辨的技術(shù)瓶頸是算法的快速實時性。

在所有降低超分辨復(fù)雜度的方法中，波束空間降維算法只選擇遠小于原陣元數(shù)據(jù)維數(shù)的維數(shù)，還可以保證譜估計的性能，是工程可行的低復(fù)雜度超分辨方法。最早的波束空間降維是基于空域的波束形成提出的。根據(jù)空時等效性原理，盡管物理意義不同，在時域，對速度和距離參數(shù)，同樣可以進行形式類似的降維超分辨算法。對式（1）模型對應(yīng)的大規(guī)模數(shù)據(jù)進行3D聯(lián)合超分辨，采用類似空域波束空間降維的形式，進行降維聯(lián)合超分辨，是可能的聯(lián)合超分辨工程實現(xiàn)方案。

2.2 空時頻域超分辨處理可行性

為了減輕硬件的數(shù)據(jù)存儲壓力，對原始采樣數(shù)據(jù)進行多維FFT處理，只存儲感興趣的參數(shù)區(qū)域數(shù)據(jù)。此時的數(shù)據(jù)為頻域數(shù)據(jù)，通常超分辨算法使用的是空域或時域采樣數(shù)據(jù)，需要證明FFT后頻域數(shù)據(jù)與原數(shù)據(jù)的協(xié)方差矩陣具有相同的特征子空間且具備子空間正交性，即子空間類超分辨算法在頻域仍成立。

為不失一般性，下面以一維均勻線陣為例，論證上述問題。天線接收的時域數(shù)據(jù)，在信號入射方向陣列流型張成的子空間與信號子空間相同，且均與噪聲子空間正交^［29］，即：

span（S）⊥span（G）

span（A）=span（S）（3）

式中：span（S）為信號子空間；span（G）為噪聲子空間；span（A）為陣列流型張成的子空間;⊥表示正交。

L個天線組成一維均勻線陣，其任意一次快拍接收的時域數(shù)據(jù)可用L×1維列向量表示為

x_t（l）=［x_t（1），x_t（2），…，x_t（L）］T

=A（θ）s（l）+n（l）（4）

對x_t（l）進行DFT，可得到L點的頻域數(shù)據(jù)。根據(jù)DFT理論，第k（k=1，2，…，L）個DFT的值為

x_f（k）=∑Ll=1x_t（l）e^－j2kπLl=

e^－j1L2kπ，e^－j2L2kπ，…，e^－jLL2kπx_t（1）

x_t（2）

x_t（L）=fT（ω_k）x_t（l）（5）

式中：f（ω_k）=［e^－j1L2kπ，e^－j2L2kπ，…，e^－jLL2kπ］T為L×1維列向量;ω_k=（2kπ）/L為第k個DFT值所對應(yīng)的頻譜值。根據(jù)式（5），可將L點的DFT用L×1維列向量表示為

x_f（k）=［x_f（1），x_f（2），…，x_f（L）］T=

［f（ω₁），f（ω₂），…，f（ω_k）］Tx_t（l）=Fx_t（l）（6）

式中：F=［f（ω₁），f（ω₂），…，f（ω_k）］T為L×L維傅里葉變換矩陣。將式（4）代入式（6），可得

x_f（k）=F［A（θ）s（l）+n（l）］（7）

時域的特征子空間分解可通過時域數(shù)據(jù)協(xié)方差矩陣特征分解獲取，則根據(jù)式（7），可得x_f（k）的協(xié)方差矩陣為

R_f=E［x_f（k）xH_f（k）］=［FA］R_s［FA］H+σ²_nFFH（8）

由式（8）可知，頻域數(shù)據(jù)相當(dāng)于具有等價流型的F（ω）A所觀測到的時域數(shù)據(jù)，而變換矩陣F為常數(shù)矩陣，與波達角無關(guān)。因此，在頻域也可以采用超分辨算法，則式（8）可重寫為

R_f=S_fΛ_sSH_f+G_fΛ_sGH_f（9）

式中：S_f=FS;G_f=FG。式（9）即為R_f的特征值分解（eigenvalue decomposition， EVD），而S_f和G_f則分別為R_f EVD后所提取的信號子空間和噪聲子空間。其中，F(xiàn)具有范德蒙結(jié)構(gòu)，S_f和G_f分別為S和G的滿秩變換，S_f和G_f的秩必然分別相等于S和G的秩;由于S_f和G_f的列分別可以表示為S和G列的線性組合，因此S_f和G_f的列張成的子空間必然分別相等于S和G的列張成的子空間。

可見，R_f與時域數(shù)據(jù)x_t（k）的數(shù)據(jù)協(xié)方差矩陣R_t具有相同的特征子空間及子空間正交性，頻域數(shù)據(jù)同樣可以進行超分辨估計。由span［FA］=（A）得，在頻域：

span（S_f）⊥span（G_f）

span（A）=span（S_f）（10）

因此，在頻域構(gòu)造譜函數(shù)時所采用的搜索導(dǎo)向矢量與時域搜索譜函數(shù)時所采用的導(dǎo)向矢量相同。

由上述內(nèi)容可得，對陣元域數(shù)據(jù)，做FFT后的頻域數(shù)據(jù)超分辨算法仍然成立;同理，對快時域和慢時域數(shù)據(jù)，做FFT后的頻域數(shù)據(jù)也可直接進行超分辨。在本文論證的系統(tǒng)中，原始數(shù)據(jù)先進行3D-FFT到頻域，對FFT后的頻域數(shù)據(jù)和原始空時數(shù)據(jù)聯(lián)合超分辨，結(jié)果是一致的，即3D頻域數(shù)據(jù)可完成聯(lián)合超分辨參數(shù)估計，算法步驟如算法1所示。

算法 1 3D超分辨算法

步驟 1 由采樣數(shù)據(jù)得到3D聯(lián)合數(shù)據(jù)的協(xié)方差矩陣;

步驟 2 對3D聯(lián)合協(xié)方差矩陣進行EVD;

步驟 3 確定信號子空間;

步驟 4 在參數(shù)搜索范圍內(nèi)，進行譜峰搜索（spectral peak search， SPS）;

步驟 5 求得目標(biāo)角度、速度及距離信息。

直接對目標(biāo)信息做聯(lián)合超分辨可以獲得目標(biāo)的角度速度距離的聯(lián)合信息，但是龐大的數(shù)據(jù)計算量導(dǎo)致工程實現(xiàn)的可能性幾乎為零，接下來對超分辨過程中的計算復(fù)雜度進行分析。超分辨過程中計算復(fù)雜度的來源主要包括3個方面：① 陣列協(xié)方差矩陣（array covariance matrix， ACM）的生成過程;② 協(xié)方差矩陣的EVD處理部分;③ SPS部分。其計算復(fù)雜度如表1所示。

假設(shè)天線陣元個數(shù)L=30，距離維的快時域采樣數(shù)為N=200，速度維的慢時域快拍采樣數(shù)M=256。定義角度維搜索個數(shù)l_s=236，距離維搜索個數(shù)n_s=89，速度維搜索個數(shù)m_s=118，代入可算出計算復(fù)雜度為O（3.623 9e+18），因此研究一種快速的多維聯(lián)合超分辨算法具有必要性。

2.3 基于直接選取的頻域波束降維方法

波束空間降維超分辨算法取原始采樣數(shù)據(jù)與波束空間轉(zhuǎn)換矩陣相乘，獲取波束域數(shù)據(jù)，同時導(dǎo)向矢量也根據(jù)波束選擇進行降維。本文方法先對多維數(shù)據(jù)進行FFT，且只存儲了感興趣的參數(shù)區(qū)域?qū)?yīng)的頻域數(shù)據(jù);當(dāng)且僅當(dāng)頻域直接選取數(shù)據(jù)與波束空間變換數(shù)據(jù)等價時，對部分頻域數(shù)據(jù)進行超分辨，才與原始數(shù)據(jù)的波束空間降維超分辨等價。下面分別推導(dǎo)證明一維到多維FFT后的頻域數(shù)據(jù)直接選擇與對應(yīng)維度波束空間變換的等效性。

2.3.1 一維頻域波束降維

由文獻［29］可知，陣元間距為λ/2的L元的均勻線陣陣列的導(dǎo)向矢量為

a（θ）=［1，exp（jπu），…，exp（jπ（L－1）u）］T（11）

式中：u=sin θ。

通過L點傅里葉變換構(gòu)成的向量為式（5）中的fT（ω_k），由fT（ω_k）可知式（11）為傅里葉變換的不同表現(xiàn)形式。不同之處在于exp（－j（2π/L））變?yōu)閑xp（－juπ）。定義L×L維的傅里葉變換矩陣為F_L，F(xiàn)_L中對于陣列輸出的第l次DFT為

f（u，l）=∑L－1k=0x_k（l）exp（－jkπu）=aH_L（u）x（l）（12）

由式（12）可知，陣列的導(dǎo)向矢量本質(zhì)上是一個波束形成器，形成的波束主瓣指向sin θ，定義L×L維的全波束形成矩陣W為

W=［a（0），a2L，…，a（L－2）2L，a（L－1）2L］（13）

其中，每一列為波束主瓣指向sin（2k/L）（k=0，1，…，L－1）的波束形成器，各個相鄰的主瓣指向之間的間隔為Δ=2/L。通過式（11）～式（13）可知，對于陣元間距為λ/2的均勻線陣，進行波束空間變換后的陣元域數(shù)據(jù)與傅里葉變換后的數(shù)據(jù)相差一個系數(shù)，兩種數(shù)據(jù)進行超分辨算法的結(jié)果是等價的，即直接在頻域數(shù)據(jù)中選擇對應(yīng)的參數(shù)區(qū)域與原始數(shù)據(jù)利用波束形成矩陣得到的數(shù)據(jù)是等價的。

基于第2.1節(jié)的空時等效性，上述結(jié)論在時域也是成立的，因此空時數(shù)據(jù)可進行聯(lián)合波束降維。為減輕數(shù)據(jù)存儲壓力和降低計算復(fù)雜度，空時數(shù)據(jù)統(tǒng)一進行多維FFT，經(jīng)過數(shù)據(jù)預(yù)處理或者直接根據(jù)其他已知信息選取感興趣的目標(biāo)區(qū)域數(shù)據(jù)，在多個維度上直接選取頻域數(shù)據(jù)完成數(shù)據(jù)降維，同樣可實現(xiàn)多維的降維超分辨。下面分別以理論公式說明上述結(jié)論擴展到二維和3D也成立。

2.3.2 多維頻域波束降維

首先，分別定義各維度的波束空間陣列流型中的波束變換矩陣，角度維波束變換矩陣WH_θ∈C^L_b^×L，L_b為空域有效波束選擇個數(shù)，即降維后數(shù)據(jù)長度，WH_θ的第l_b行為

wH_θ=［1，e^－jlb2πLb，…，e^{－j（Lb－1）lb2πLb}］（14）

式中：0≤l_b≤L_b－1;L_b≤L。當(dāng)L_b=L時，WH_θ為角度維全波束變換矩陣。同理，定義距離維波束變換矩陣為WH_R∈C^Nb×N，N_b為距離維有效波束選擇個數(shù)，其第n_b行為

wH_R=［1，e^－jnb2πNb，…，e^{－j（Nb－1）nb2πNb}］（15）

式中：0≤n_b≤N_b－1;N_b≤N。當(dāng)N_b=N時，WH_R為距離維全波束變換矩陣。同理，定義速度維波束變換矩陣為WH_v∈C^Mb×M，M_b為速度維有效波束選擇個數(shù)，其第m_b行為

wH_v=［1，e^－jmb2πMb，…，e^{－j（Mb－1）mb2πMb}］（16）

式中：0≤m_b≤M_b－1;M_b≤M。當(dāng)M_b=M時，WH_v為速度維全波束變換矩陣。

對3D傅里葉變換后的數(shù)據(jù)，通過直接數(shù)據(jù)選取的方式實現(xiàn)了波束空間降維，這里以距離維、角度維為例說明直接選取頻域二維數(shù)據(jù)的波束空間降維算法是成立的。

假設(shè)一維傅里葉變換的矩陣分別為F_N和F_L，定義同式（7）。數(shù)據(jù)X_NL為N×L的距離角度二維原始數(shù)據(jù)，則二維傅里葉變換得到的頻域數(shù)據(jù)矩陣Y_NL表示為

Y_NL=F_NX_NLFT_L（17）

式（17）從左往右看是對每一列做FFT，從右往左看是對每一行做FFT，而且先做左邊或右邊的最終結(jié)果相同，即二維傅里葉變換為兩個一維傅里葉變換，且無關(guān)順序，更高維度傅里葉變換同理。若x₁，x₂，…，x_L是X_NL的列向量，則X_NL可寫為X_NL=∑^L_ix_ieT_i變換，其中e_i是單位矩陣I_L的第i列，故：

vec（F_NX_NLFT_L）=vec{F_N（∑Li=1x_ieT_i）FT_L}=

∑Li=1vec（F_Nx_ieT_iFT_L）=∑Li=1vec{（F_Nx_i）（F_Le_i）T}=

∑Li=1F_Le_iF_Nx_i=（F_LF_N）∑Li=1（e_ix_i）=

（F_LF_N）vec（X_NL）（18）

式中：表示Kronecker乘積。故上述二維傅里葉變換可改寫為

vec（Y_NL）=（F_LF_N）vec（X_NL）（19）

參考文獻［30］定義二維波束空間變換后的數(shù)據(jù)矩陣為Z，且有：

vec（Z）=（WH_RWH_θ）vec（X_NL）（20）

由式（19）對比式（20）可知，二維波束空間變換與二維傅里葉變換等效，式（19）是二維FFT的另一種表達方式，同時也具有和二維波束空間變換取全部波束時形式上完全一致的表達式，即二維FFT與二維波束空間在全波束時是等效的。當(dāng)波束空間降維的兩個維度分別降為L_b和N_b時，與二維FFT數(shù)據(jù)按照波束的線性對應(yīng)關(guān)系直接選取數(shù)據(jù)也是對應(yīng)的。由此推理，直接取二維頻域數(shù)據(jù)和二維波束空間降維是等效的。

以上證明了波束空間降維與直接選取頻域數(shù)據(jù)的等效性，對于波束空間超分辨算法，文獻［29］完成了基于波束空間的一維MUSIC證明，通過式（19）可將基于波束空間的一維MUSIC算法擴展至二維，以距離維角度維的聯(lián)合估計為例，式（20）實現(xiàn)了原始數(shù)據(jù)矩陣X_NL向數(shù)據(jù)矩陣Z的降維變換，為協(xié)方差估計、EVD及SPS等計算量的降低提供基礎(chǔ)。定義二維波束空間搜索導(dǎo)向矢量為

b（θ，R）=（WH_Ra_R）（WH_θa_θ）=b_Rb_θ（21）

協(xié)方差矩陣為

R_{beam－2MUSIC}=1N_bL_bZZH（22）

對其進行EVD后可得噪聲子空間U_n-2BMUSIC，得到SPS函數(shù)為

P_2D=1bH（θ，R）U_n－2BMUSICUH_n－2BMUSICb（θ，R）（23）

對式（23）進行SPS可獲取譜峰值，而譜峰對應(yīng)處即為距離和角度的信息。相比傳統(tǒng)二維MUSIC算法，波束空間后的MUSIC算法在協(xié)方差估計、EVD及SPS部分均實現(xiàn)了數(shù)據(jù)維度的降低，大大減少了計算時間。

接下來論證3D頻域數(shù)據(jù)直接選取的頻域波束降維超分辨理論的正確性。在原有距離角度的二維信息數(shù)據(jù)上增加速度維信息，定義速度維傅里葉變換矩陣為F_M。已知目標(biāo)信息數(shù)據(jù)矩陣為（N×L）×M的3D數(shù)據(jù)X_3dim，若將N×L維的平面數(shù)據(jù)定義為一幀數(shù)據(jù)，則X_3dim共有M幀數(shù)據(jù)。距離角度二維傅里葉變換在M幀上都完成后，就完成了3D數(shù)據(jù)中距離速度維的傅里葉變換。此時，可將每個幀的二維數(shù)據(jù)向量化，得到了NL×M的二維數(shù)據(jù)，再對該二維數(shù)據(jù)進行NL次F_M對應(yīng)的M維傅里葉變換，數(shù)據(jù)就變成了頻域的Y_M×NL，即：

Y_NL×M=（FT_LF_M）X_NL×MF_M（24）

對式（24）進行向量化式，參照式（18）得

vec（Y_NL×M）=vec（（F_LF_M）X_NL×MF_M）=

（（FT_LF_M）TF_N）vec（X_N×LM）（25）

式（25）左側(cè)為3D數(shù)據(jù)傅里葉變換后的向量化，右側(cè)為原始數(shù)據(jù)3D波束空間變換表達式。與二維結(jié)論相同，直接選取3D頻域數(shù)據(jù)和3D波束空間降維是等效的。由此可見，系統(tǒng)預(yù)處理只需要存儲感興趣的參數(shù)區(qū)域?qū)?yīng)的頻域3D數(shù)據(jù)，再直接選取3D頻域數(shù)據(jù)完成3D波束空間降維超分辨，即可實現(xiàn)低復(fù)雜度的3D參數(shù)聯(lián)合估計。定義3D波束空間搜索導(dǎo)向矢量為

a=［vecexp［j2π2vf_cc+2μRc+2μvmT_mct］·

exp［j2πl(wèi)d_rsin θλ］·exp［j2π2Rf_cc+2f_cvmT_mc］］T（26）

因此，a是L_bM_bN_b維的列向量。與傳統(tǒng)3D-MUSIC算法相比，搜索導(dǎo)向矢量實現(xiàn)了由LMN到L_bM_bN_b的降維。計算所選頻域數(shù)據(jù)的協(xié)方差矩陣，通過EVD得到3D波束空間變換后的噪聲子空間U_n-3DBS，則SPS函數(shù)為

P_3D=1aH（R，θ，v）U_n-3DBSUH_n-3DBSa（R，θ，v）（27）

基于頻域的聯(lián)合超分辨，數(shù)據(jù)存儲壓力和計算復(fù)雜度均得到顯著降低。根據(jù)已有研究，在波束選擇合理的條件下，波束空間降維算法的分辨率和參數(shù)估計性能更具穩(wěn)定性^［16］。

本文所提的基于頻域波束降維的車載雷達多參數(shù)聯(lián)合超分辨算法過程如算法2所示，其主要的計算復(fù)雜度同樣來自于ACM、EVD及SPS部分，其計算復(fù)雜度如表2所示。

算法 2 基于頻域波束降維的多維聯(lián)合超分辨算法

步驟 1 通過FFT將數(shù)據(jù)轉(zhuǎn)換到頻域;

步驟 2 建立波束變換矩陣，合理選擇波束個數(shù);

步驟 3 通過頻域波束范圍選擇頻域數(shù)據(jù);

步驟 4 獲取選取的頻域數(shù)據(jù)的協(xié)方差矩陣;

步驟 5 對協(xié)方差矩陣做EVD，獲取噪聲子空間;

步驟 6 對導(dǎo)向矢量進行波束變換;

步驟 7 通過SPS獲取角度、速度及距離信息。

假設(shè)在角度維頻域波束取L_b=8，距離維頻域波束取N_b=13，速度維頻域波束取M_b=13。n、m及l(fā)數(shù)值與前文相同，代入則可算出計算復(fù)雜度O（5.824 0e+09），相比前文復(fù)雜度降低了8個數(shù)量級。當(dāng)選定目標(biāo)區(qū)域較小時，波束數(shù)還可以更小，實現(xiàn)復(fù)雜度的進一步降低。

3 仿真實驗

根據(jù)頻域子空間正交性和頻域波束空間降維算法的理論證明，對頻域數(shù)據(jù)進行基于波束空間降維的聯(lián)合超分辨開展仿真參數(shù)設(shè)置，如表3所示。

按照傳統(tǒng)FFT方法，距離分辨率R_res=1 m，速度分辨率V_res=1.53 m/s，角度分辨率為θ_res=3.8°。在本文中采用均方根誤差（root mean square error， RMSE）作為衡量目標(biāo)信息估計精度的唯一標(biāo)準：

RMSE_θ=1ment∑menti=1（θ^_i－θ）²

RMSE_R=1ment∑menti=1（R^_i－R）²

RMSE_v=1ment∑menti=1（v^_i－v）²（28）

式中：ment為蒙特卡羅實驗次數(shù);θ^_i，R^_i，v^_i分別為第i次蒙特卡羅實驗時信號入射角度θ、距離R及速度v的估計值。

（1） 目標(biāo)信息有效估計圖

目標(biāo)的3D譜峰數(shù)據(jù)不易直接顯示，在本文中將兩個維度數(shù)據(jù)看作一幀數(shù)據(jù)，在另一個維度進行相干累積繪制二維圖像，直觀表現(xiàn)目標(biāo)分辨和參數(shù)的估計情況。信噪比SNR=0 dB時，以速度距離為例，分別繪制本文所提算法的距離速度維有效性估計圖及傳統(tǒng)3D-FFT算法有效性估計圖，如圖3和圖4所示，并對其進行對比。

由圖3可知，本文所提算法可有效實現(xiàn)目標(biāo)信息的有效估計。由圖3與圖4對比可知，在此條件下3D-FFT無法對兩個目標(biāo)進行分辨，本文所提算法則可實現(xiàn)兩個目標(biāo)的有效分辨和更精確的參數(shù)估計。

（2） 目標(biāo)信息分布圖

在本實驗中，設(shè)置SNR=0 dB，通過選取蒙特卡羅實驗中的前50次實驗，將本文所提基于頻域波束降維的車載雷達多參數(shù)聯(lián)合超分辨算法與3D-FFT算法對兩個目標(biāo)各維度的信息估計值與目標(biāo)真實值進行對比，得到距離維目標(biāo)信息分布圖、角度維目標(biāo)信息分布圖及速度維目標(biāo)信息分布圖，如圖5所示。

由圖5可知，當(dāng)前仿真條件下，傳統(tǒng)的3D-FFT算法不能完成兩目標(biāo)分辨，而本文所提算法可成功分辨兩目標(biāo)，且兩目標(biāo)的3D參數(shù)估計結(jié)果均與真實值相近。3D-FFT算法無法突破瑞利限的限制，分辨能力取決于陣列及參數(shù)大小，無法分辨參數(shù)相近的多目標(biāo)，本文算法在3個維度上均實現(xiàn)了超分辨。

（3） 性能分析-RMSE統(tǒng)計

信噪比變化為－30 dB：10 dB：20 dB，ment=100。將傳統(tǒng)3D-FFT算法與所提算法對目標(biāo)1進行估計誤差分析，實驗結(jié)果如圖6所示。

由圖6仿真結(jié)果可知，不同信噪比下本文所提算法在目標(biāo)距離、速度及角度維的估計精度均高于傳統(tǒng)3D-FFT算法，且在3個維度中其估計性能均隨著信噪比增加而提升，速度維及距離維估計精度略高于角度維估計精度。

（4） 復(fù)雜度分析

由于傳統(tǒng)3D-MUSIC算法的計算復(fù)雜度太大，無法實現(xiàn)計算機仿真，為了更好地對比，使用傳統(tǒng)二維MUSIC超分辨作為參照，并將本文所提可應(yīng)用至3D聯(lián)合超分辨的算法取兩維進行仿真分析。即使是對兩維進行分析處理，但在本文所提算法仿真條件下，速度距離聯(lián)合超分辨的計算復(fù)雜度仍然較高。為了方便起見，選取速度角度下的傳統(tǒng)二維MUSIC與本文所提的基于頻域波束降維的速度角度聯(lián)合算法進行比較，結(jié)果如表4所示。

由表4可知，在本文前文仿真條件下，直接對速度角度維數(shù)據(jù)進行二維MUSIC超分辨耗時巨大，但通過本文所提算法進行降維處理后，算法耗時降低，為進一步工程化應(yīng)用打下基礎(chǔ)。但值得注意的是，雖然表4的仿真實驗實現(xiàn)了復(fù)雜度的降低，但是1.007 684 s的CPU運行時間仍然不理想。為了更快地得到估計信息，可以進一步降低波束個數(shù)，實現(xiàn)維度的進一步降低。

4 結(jié) 論

本文提出一種基于頻域波束降維的車載毫米波雷達多參數(shù)聯(lián)合超分辨算法，相較于傳統(tǒng)3D-FFT算法實現(xiàn)了分辨率及估計精度的有效提升。相對于傳統(tǒng)的多維MUSIC算法，通過頻域空時波束降維的方式，極大地減小了數(shù)據(jù)存儲壓力和數(shù)據(jù)處理的規(guī)模，實現(xiàn)了數(shù)據(jù)存儲和計算復(fù)雜度的多量級降低，利于工程化應(yīng)用的實現(xiàn)，為車載毫米波雷達目標(biāo)精準探測難題的解決提供了有效的技術(shù)支撐和合理的解決方案。

參考文獻

［1］ HEO J M， JUNG Y C， LEE S J， et al. FPGA implementation of an efficient FFT processor for FMCW radar signal processing［J］. Sensors， 202 21（19）： 6443.

［2］ WU J C， CUI H， DAHNOUN N. An improved angle estimation algorithm for millimeter wave radar［C］∥Proc.of the 11th Mediterranean Conference on Embedded Computing， 2022.

［3］ LI S B， ZHAI Y， YANG B， et al. Smoothing method for range and angle super resolution frequency-division-multiplexing FMCW MIMO radar［C］∥Proc.of the IEEE 6th International Conference on Signal and Image Processing， 2021： 590594.

［4］ SCHMIDT R. Multiple emitter location and signal parameter estimation［J］. IEEE Trans.on Antennas and Propagation， 1986， 34（3）： 276280.

［5］ CHEN L， YE C B， LI B B. Computationally efficient ambiguity-free two-dimensional DOA estimation method for coprime planar array： RD-root-MUSIC algorithm［J］. Mathematical Problems in Engineering， 2020， 2020（23）： 2794387.

［6］ YAN F G， MENG X T， GRECO M S， et al. Half-dimension subspace decomposition for fast direction finding with arbitrary linear arrays［J］. IEEE Signal Processing Letters， 202 29： 14821486.

［7］ MENG X T， CAO B X， YAN F G， et al. Real-valued MUSIC for efficient direction of arrival estimation with arbitrary arrays： mirror suppression and resolution improvement［J］. Signal Processing， 2023， 202： 108766.

［8］ ROY R， KAILATH T. ESPRIT-estimation of signal parameters via rotational invariance techniques［J］. IEEE Trans.on Acoustics， Speech， and Signal Processing， 1989， 37（7）： 984995.

［9］ ESFANDIARI M， VOROBYOV S A. Enhanced standard esprit for overcoming imperfections in DOA estimation［C］∥Proc.of the IEEE International Conference on Acoustics， Speech and Signal Processing， 2021： 43754379.

［10］ QI J， ZHANG Y， XIE G Z， et al. Joint range， elevation， and azimuth estimation for 77 GHz FMCW radar with a rectangular array［C］∥Proc.of the IEEE 10th Asia-Pacific Conference on Antennas and Propagation， 2022.

［11］ ZHAN C H， HU G P， ZHAO F Z， et al. Co-prime MIMO radar for DOD， DOA， and Doppler frequency estimation with low complexity［J］. IEEE Access， 2023， 11： 6656866578.

［12］ SUN F G， OUYANG S Q， LAN P， et al. Reduced dimensional 2D DOA estimation via least partial search with automatic pairing for parallel co-prime arrays［C］∥Proc.of the IEEE 11th Sensor Array and Multichannel Signal Processing Workshop， 2020.

［13］ CAO Z， LIU Y X， CAI Z R. Low computation complexity methods for DOA estimation［C］∥Proc.of the Global Reliability and Prognostics and Health Management， 2022.

［14］ LIU X， LIU Z Y， ZHAO Y W， et al. Low complexity DOA estimation algorithms based on propagator for massive MIMO systems［C］∥Proc.of the IEEE 22nd International Conference on Communication Technology， 2022： 121126.

［15］ BIENVENU G， KOPP L. Decreasing high resolution method sensitivity by conventional beamformer preprocessing［C］∥Proc.of the IEEE International Conference on Acoustics， Speech， and Signal Processing， 1984： 714717.

［16］ VAN-TREES H L. Optimum array processing： Part IV of detection， estimation， and modulation theory［M］. New York： Library of Congress Press， 2002.

［17］ VAN-TREES H L. 最優(yōu)陣列處理技術(shù)［M］. 湯俊， 譯. 北京： 清華大學(xué)出版社， 2008.

VAN-TREES H L. Optimal array processing technology［M］. TANG J， Trans.Beijing： Tsinghua University Press， 2008.

［18］ KOH C L， WEISS S， LIU W. A comparison of adaptive beamforming implementations for wideband scenarios［C］∥Proc.of the 2nd IEE/EURASIP Conference on DSPenabledRadio， 2005： 11086.

［19］ GODARA L C. Application of the fast Fourier transform to broadband beamforming［J］. The Journal of the Acoustical Society of America， 1995， 98（1）： 230240.

［20］ ZHENG Q W， YANG L J， XIE Y P， et al. A target detection scheme with decreased complexity and enhanced performance for range-Doppler FMCW radar［J］. IEEE Trans.on Instrumentation and Measurement， 2020， 70： 8001113.

［21］ ZHU L U， LIU Y S， HE D P， et al. A low-complexity noise reduction algorithm for enhanced target detection in FMCW radar［J］. IEEE Trans.on Vehicular Technology， 2023， 72（12）： 1522715236.

［22］ XU S Q， CHEN B X， CHEN X Y， et al. A beamspace dimension reduction technique with application to DOA estimation in low-angle tracking［C］∥Proc.of the CIE International Conference on Radar， 2021： 15851588.

［23］ LI X R， WANG X D， YANG Q， et al. Signal processing for TDM MIMO FMCW millimeter-wave radar sensors［J］. IEEE Access， 202 9： 167959167971.

［24］ 楊希博. TDM-MIMO高分辨雷達陣列優(yōu)化及DOA算法研究［D］. 成都： 電子科技大學(xué)， 2021.

YANG X B. TDM-MIMO optimization high resolution radar array and DOA algorithm research［D］. Chengdu： University of Electronic Science and Technology of China， 2021.

［25］ BARAL A B， TORLAK M. Joint Doppler frequency and direction of arrival estimation for TDM MIMO automotive radars［J］. IEEE Journal of Selected Topics in Signal Processing， 202 15（4）： 980995.

［26］ PAPURCU H， ROMSTADT J， HANSEN S， et al. A wideband four-channel SiGe D-band transceiver MMIC for TDM MIMO FMCW radar［C］∥Proc.of the IEEE 23rd Topical Meeting on Silicon Monolithic Integrated Circuits in RF Systems， 2023： 1215.

［27］ 劉潤虎. 毫米波MIMO雷達多維超分辨技術(shù)研究［D］. 哈爾濱： 哈爾濱工業(yè)大學(xué)， 2021.

LIU R H. Research on multi-dimensional super resolution technology of millimeter wave MIMO radar［D］. Harbin： Harbin Institute of Technology， 2021.

［28］ 陳輝. 空時信號處理等效原理與方法［M］. 北京： 清華大學(xué)出版社， 2021.

CHEN H. Equivalent principle and method of space-time signal processing［M］. Beijing： Tsinghua University Press， 2021.

［29］ 王永良. 空間譜估計理論與算法［M］. 北京： 清華大學(xué)出版社， 2004.

WANG Y L. Spatial spectrum estimation theory and algorithms［M］. Beijing： Tsinghua University Press， 2004.

［30］ LIU W K， HE J， YU W X. A Computationally efficient scheme for FMCW radar detection and parameter estimation［C］∥Proc.of the IEEE International Conference on Signal， Information and Data Processing， 2019.

作者簡介

劉潤虎（1998—），男，博士研究生，主要研究方向為陣列信號處理、毫米波雷達信號處理。

曹丙霞（1988—），女，副教授，博士，主要研究方向為陣列信號處理、雷達電子對抗。

李迎春（1987—），男，副教授，博士，主要研究方向為雷達系統(tǒng)、多源融合感知技術(shù)。

閆鋒剛（1982—），男，教授，博士，主要研究方向為自適應(yīng)信號處理、電子對抗。

金 銘（1968—），男，教授，博士，主要研究方向為陣列信號處理、雷達系統(tǒng)設(shè)計。