本文基于一种基于正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)的雷达通信一体化系统,利用目标时延与多普勒在时频域优良的稀疏性,提供了多种基于无网格的二维时频联合估计方法以解决传统稀疏恢复方法字典失配导致...本文基于一种基于正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)的雷达通信一体化系统,利用目标时延与多普勒在时频域优良的稀疏性,提供了多种基于无网格的二维时频联合估计方法以解决传统稀疏恢复方法字典失配导致的性能较差的问题,有效提高了动目标参数估计性能,并提供了多测量向量(Multiple measurement vector,MMV)模型,可有效解决低信噪比下目标参数估计性能差的问题。同时,针对基于矢量二维原子范数计算量较大的问题,本文利用半正定规划(SDP)将传统方法的高维Toeplitz矩阵解耦为两个低维Toeplitz矩阵,可将计算复杂度降低几个数量级,同时保留原子范数在超分辨性能的优势,可适应于OFDM多子载波与多符号数波形体制。仿真结果证明该方法保持了原子范数类算法的估计性能优势,并显著减少了计算量。展开更多
由于无网格(grid-less)稀疏重构方法的波达方向(direction of arrival,DOA)估计数学模型为单快拍形式,因此该方法只有在噪声电平趋近于零时才具有优越的性能.为了提高grid-less方法在信噪比(signal-to-noise ratio,SNR)较低时宽带相干...由于无网格(grid-less)稀疏重构方法的波达方向(direction of arrival,DOA)估计数学模型为单快拍形式,因此该方法只有在噪声电平趋近于零时才具有优越的性能.为了提高grid-less方法在信噪比(signal-to-noise ratio,SNR)较低时宽带相干信源的估计性能,提出了一种多快拍grid-less DOA估计方法.首先,对多快拍阵列观测矢量实施奇异值分解(singular value decomposition,SVD)获得观测矩阵的时域信号子空间,通过观测矩阵到时域信号子空间的投影实现观测矩阵的降噪;然后,为了不增加多快拍计算复杂度,将降噪后观测矩阵的列向量加权累加处理得到单快拍形式;最后,从理论上证明了本文提出的GL-SVD方法求解的模型是凸的,能够实现宽带信号DOA的精确重构.仿真结果表明,该方法在低SNR以及宽带相干信源情况下的估计精度都高于L 1范数最小化奇异值分解(L 1-norm minimum singular value decomposition,L 1-SVD)和离格稀疏贝叶斯推断奇异值分解(off-grid sparse Bayesian inference singular value decomposition,OGSBI-SVD),且在较小角度间隔的情况下具有更高的估计概率和分辨率.展开更多
文摘由于无网格(grid-less)稀疏重构方法的波达方向(direction of arrival,DOA)估计数学模型为单快拍形式,因此该方法只有在噪声电平趋近于零时才具有优越的性能.为了提高grid-less方法在信噪比(signal-to-noise ratio,SNR)较低时宽带相干信源的估计性能,提出了一种多快拍grid-less DOA估计方法.首先,对多快拍阵列观测矢量实施奇异值分解(singular value decomposition,SVD)获得观测矩阵的时域信号子空间,通过观测矩阵到时域信号子空间的投影实现观测矩阵的降噪;然后,为了不增加多快拍计算复杂度,将降噪后观测矩阵的列向量加权累加处理得到单快拍形式;最后,从理论上证明了本文提出的GL-SVD方法求解的模型是凸的,能够实现宽带信号DOA的精确重构.仿真结果表明,该方法在低SNR以及宽带相干信源情况下的估计精度都高于L 1范数最小化奇异值分解(L 1-norm minimum singular value decomposition,L 1-SVD)和离格稀疏贝叶斯推断奇异值分解(off-grid sparse Bayesian inference singular value decomposition,OGSBI-SVD),且在较小角度间隔的情况下具有更高的估计概率和分辨率.
