基于粒子群算法的认知雷达波形优化方法技术

本发明专利技术属于认知雷达领域，为提出一种基于粒子群优化算法的波形优化方法，与目前存在的方法相比该方法更简单方便且能够得到更好的效果。为此，本发明专利技术采用的技术方案是，基于粒子群算法的认知雷达波形优化方法，雷达接收机利用接收到的波形信息进行目标散射系数估计，估计的方法是采用最大后验概率估计并用卡尔曼滤波进行迭代估计，将估计的目标散射系数与实际的目标散射系数进行比较，计算两者之间的最小均方误差作为粒子群算法优化的目标函数，将要优化的波形作为变量，从而实现对目标的信息最准确估计。本发明专利技术主要应用于认知雷达的设计制造场合。

【技术实现步骤摘要】
基于粒子群算法的认知雷达波形优化方法
本专利技术属于认知雷达领域，是一种基于粒子群优化算法对认知雷达中自适应波形进行优化来提高对目标散射系数估计精确度的算法。
技术介绍
由发射机、接收机和环境组成的认知雷达系统是一个动态的闭环回路[1]，它能够通过感知复杂多变的环境而自适应的调整雷达收发系统以适应当前的环境,并大幅提升雷达系统性能。接收机将接收到的环境信息反馈给发射机，发射机根据反馈信息对传输的波形进行优化，从而不断提高系统的估计和检测性能。因此，波形优化是认知雷达中最主要的问题。现有的波形优化方法一般基于以下几个方面：最大化互信息量[2]，最小化克拉美罗界[3]，最小化均方误差[4]，最大化信号干扰噪声比[5]和信噪比[6]，优化模糊度函数[7]等等。然而，这些问题一般都是非凸[8]问题，只能将这些问题转化为凸优化问题，并利用半定松弛法(SDR)[9]来解决这些问题。虽然SDR是解决优化问题的一种有效的方法，但是一些约束条件往往被舍弃从而降低结果的准确性，因此，我们要尝试寻找其他的方法。粒子群优化ParticleSwarmOptimization(PSO)算法是从鸟群觅食行为中得到启示而提出的元启发式算法。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。本专利技术基于粒子群优化算法提出了一种用于解决认知雷达波形优化的方法，得到很好的优化结果。[1]S.Haykin,“Cognitiveradar:awayofthefuture,”IEEESignalProcessingMagazine,vol.23,no.1,pp.30–40,Jan.2006.[2]A.Leshem,O.Naparstek,andA.Nehorai,“Informationtheoreticadaptiveradarwaveformdesignformultipleextendedtargets,”IEEEJournalofSelectedTopicsinSignalProcessing,vol.1,no.1,pp.42–55,Jun.2007.[3]P.Liu,Y.Liu,andX.Wang,“Acognitiveradarapproachforextendedtargetranging,”in2017IEEERadarConference(RadarConf),May2017,pp.0709–0712.[4]Y.YangandR.S.Blum,“Mimoradarwaveformdesignbasedonmutualinformationandminimummean-squareerrorestimation,”IEEETransactionsonAerospaceandElectronicSystems,vol.43,no.1,pp.330–343,Jan.2007.[5]X.ZhangandC.Cui,“Signaldetectionforcognitiveradar,”ElectronicsLetters,vol.49,no.8,pp.559–560,Apr.2013.[6]S.Haykin,Y.Xue,andT.N.Davidson,“Optimalwaveformdesignforcognitiveradar,”in42ndAsilomarConferenceonSignals,SystemsandComputers,Oct.2008,pp.3–7.[7]S.Shi,G.Yang,Z.Zhao,andJ.Liu,“Anovelradarwaveformdesignforalow-powerhfmonostaticradar,”IEEEGeoscienceandRemoteSensingLetters,vol.12,no.6,pp.1352–1356,Jun.2015.[8]S.BoydandL.Vandenberghe,Convexoptimization.Cambridgeuniversitypress,2004.[9]Z.Luo,W.Ma,A.M.So,Y.Ye,andS.Zhang,“Semidefiniterelaxationofquadraticoptimizationproblems，”IEEESignalProcessingMagazine，vol.27，no.3，pp.20-34，May2010。
技术实现思路
为克服现有技术的不足，本专利技术旨在提出一种基于粒子群优化算法的波形优化方法，与目前存在的方法相比该方法更简单方便且能够得到更好的效果。为此，本专利技术采用的技术方案是，基于粒子群算法的认知雷达波形优化方法，雷达接收机利用接收到的波形信息进行目标散射系数估计，估计的方法是采用最大后验概率估计并用卡尔曼滤波进行迭代估计，将估计的目标散射系数与实际的目标散射系数进行比较，计算两者之间的最小均方误差作为粒子群算法优化的目标函数，将要优化的波形作为变量，从而实现对目标的信息最准确估计。采用粒子群方法的具体计算步骤如下：Step1：种群初始化：可以进行随机初始化或者根据被优化的问题设计特定的初始化方法，然后计算个体的适应值，从而选择出个体的局部最优位置向量Pi和种群的全局最优位置向量Pg；Step2：迭代设置：设置迭代次数gmax，并令当前迭代次数g＝1；Step3：速度更新：根据公式(1)更新每个粒子的速度向量：其中，m维空间中，t个粒子，k代表迭代次数，Xi＝(xi1，xi2，…，xim)代表粒子i的位置向量，Vi＝(vi1，vi2，…，vim)代表粒子i的速度向量，参数w为惯性权重，Pi和Pg分别代表粒子i的历史最佳位置向量和粒子群内所有粒子的历史最佳位置向量；c1，c2为学习因子或加速系数，r1，r2取值范围是[0，1]，是该区间内均匀分布的伪随机数；Step4：位置更新：根据公式(2)更新每个个体的位置向量：Step5：局部位置向量和全局位置向量更新：更新每个粒子的Pi和种群的Pg；Step6：终止条件判断：判断迭代次数时都达到gmax，如果满足，输出Pg；否则继续进行迭代，跳转至step3。本专利技术的特点及有益效果是：本算法的优点是能够更好的解决波形优化问题，提高波形优化的精确度，为认知雷达更好的适应环境的变化提供帮助。在认知雷达扩展目标估计的过程中，需要通过回波来对目标散射系数进行估计，为了使评估的标准达到最优，认知雷达需要优化发射波形，使接收回来的回波估计的目标散射系数能更接近实际值。现有的解决波形优化的方法都是将非凸问题转化为凸优化问题，这样计算出来的结果不够精确，本专利技术基于粒子群优化算法提出的波形优化方法简单方便而且能够得到更好的结果。仿真结果表明，与目前存在的优化方法相比，粒子群优化算法能够达到更好的估计结果。图2为实际的目标散射系数，图3表示SDR和PSO算法优化波形后估计的目标散射系数，图4表示估计的目标散射系数和实际值的最小均方误差。附图说明：图1算法流程图。图2实际目标散射系数。图3估计目标散射系数。图4最小均方误差。具体实施方式认知雷达被提出之后，得到了迅速发展。它打破了传统雷达接收发射的开环模式，充分利用环境资源，使其具备更好的估计和检测性能，成为近本文档来自技高网...

【技术保护点】
1.一种基于粒子群算法的认知雷达波形优化方法，其特征是，雷达接收机利用接收到的波形信息进行目标散射系数估计，估计的方法是采用最大后验概率估计并用卡尔曼滤波进行迭代估计，将估计的目标散射系数与实际的目标散射系数进行比较，计算两者之间的最小均方误差作为粒子群算法优化的目标函数，将要优化的波形作为变量，从而实现对目标的信息最准确估计。

【技术特征摘要】
1.一种基于粒子群算法的认知雷达波形优化方法，其特征是，雷达接收机利用接收到的波形信息进行目标散射系数估计，估计的方法是采用最大后验概率估计并用卡尔曼滤波进行迭代估计，将估计的目标散射系数与实际的目标散射系数进行比较，计算两者之间的最小均方误差作为粒子群算法优化的目标函数，将要优化的波形作为变量，从而实现对目标的信息最准确估计。2.如权利要求1所述的基于粒子群算法的认知雷达波形优化方法，其特征是，采用粒子群方法的具体计算步骤如下：Step1：种群初始化：可以进行随机初始化或者根据被优化的问题设计特定的初始化方法，然后计算个体的适应值，从而选择出个体的局部最优位置向量Pi和种群的全局最优位置向量Pg；Step2：迭代设置：设置迭代次数gmax，并令当前迭代次数...

【专利技术属性】
技术研发人员：汪清，乔彦铭，高丽蓉，李萌，窦同东，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12