一种基于残差网络的MIMO雷达波束赋形方法技术

本发明专利技术属于雷达技术领域，具体提供一种基于残差网络的MIMO雷达波束赋形方法，用以解决现有方法中所设计波形在绝对恒模的情况下方向图性能会有一定损失、或者在方向图性能较好的情况下未能实现绝对恒模的矛盾。本发明专利技术构建新的优化模型，将主瓣和旁瓣的优化分离，并能够通过调整平衡因子的大小灵活微调主瓣性能和旁瓣性能；同时，优化模型中强制波形为恒模，且实现了良好的方向图优化性能；同时针对上述新的优化模型采用残差网络进行优化，构建残差网络，并将该优化模型中的目标函数设定为损失函数，优化得到最优波形。

【技术实现步骤摘要】
一种基于残差网络的MIMO雷达波束赋形方法
本专利技术属于雷达
，特别涉及一种基于残差网络的MIMO雷达波束赋形方法。
技术介绍
MIMO雷达波形设计是雷达领域的研究热点，其作为一种新兴的雷达技术，其每根天线能够发射不同的波形，因此相较于传统的相控阵雷达，MIMO雷达具有更高的距离分辨率和更高的探测性能通过合理的波形设计，可以实现契合实际需求的目标。由于应用场景和实际需求不同，因此MIMO雷达波形设计的目标函数通常不同；根据目标函数的不同，主要的MIMO雷达波形设计方法可以分为三类：第一类是最大化输出SINR，该方法考虑收发一体的情况，联合设计发射波形与最优滤波器权向量，使得接收端滤波后的输出SINR最大化，如文献《G.Cui,H.LiandM.Rangaswamy,"MIMORadarWaveformDesignWithConstantModulusandSimilarityConstraints,"inIEEETransactionsonSignalProcessing,vol.62,no.2,pp.343-353,Jan.15,2014.》；第二类是最大化MI方法，该方法通过最大化目标响应与接收回波的互信息量来设计波形，以使得回波中具有更多的目标特性，如文献《Y.Chen,Y.Nijsure,C.Yuen,Y.H.Chew,Z.DingandS.Boussakta,"AdaptiveDistributedMIMORadarWaveformOptimizationBasedonMutualInformation,"inIEEETransactionsonAerospaceandElectronicSystems,vol.49,no.2,pp.1374-1385,APRIL2013.》；第三类是波束赋形方法，该方法最小化设计的波形的方向图与所需方向图的误差，以使得MIMO雷达发射能量集中于感兴趣的空域，同时减少干扰方向能量辐射，如文献《P.Stoica,J.LiandY.Xie,"OnProbingSignalDesignForMIMORadar,"inIEEETransactionsonSignalProcessing,vol.55,no.8,pp.4151-4161,Aug.2007.》(下文简称文献1)。上述波形设计方法中，第三类波束赋形方法尤其受到关注；波束赋形方法主要有两种：一种是两步法，即在恒模约束条件下，先求解波形协方差矩阵，进而求解协方差矩阵对应的波形，如文献1；另一种是直接设计波形，如文献《Y.Wang,X.Wang,H.LiuandZ.Luo,"OntheDesignofConstantModulusProbingSignalsforMIMORadar,"inIEEETransactionsonSignalProcessing,vol.60,no.8,pp.4432-4438,Aug.2012.》(下文简称文献2)。其中，文献1提出了一种基于方向图模板匹配的方法，该方法最小化设计的波形的方向图与所需方向图之间的误差，以使得MIMO雷达的发射能量集中于感兴趣的空域，同时最小化互相关旁瓣；然而，由于该问题是一个复杂的非凸优化问题，因此文献1只是设计出了最优协方差矩阵R，并没有近一步根据R设计出MIMO雷达波形。针对该问题，文献《P.Stoica,J.LiandX.Zhu,"WaveformSynthesisforDiversity-BasedTransmitBeampatternDesign,"inIEEETransactionsonSignalProcessing,vol.56,no.6,pp.2593-2598,June2008.》(下文简称文献3)中进一步提出了一种循环迭代算法，从而在设计出最优协方差矩阵R的基础上进一步设计出MIMO雷达波形；然而，该方法难以获得全局最优解。针对该问题，文献《J.Lipor,S.AhmedandM.Alouini,"Fourier-BasedTransmitBeampatternDesignUsingMIMORadar,"inIEEETransactionsonSignalProcessing,vol.62,no.9,pp.2226-2235,May1,2014.》(下文简称文献4)中提出了一种基于傅里叶变换的快速波形协方差合成方法，该算法在天线数量较少的情况下，性能会稍有下降。文献《Z.Cheng,Z.He,S.ZhangandJ.Li,"ConstantModulusWaveformDesignforMIMORadarTransmitBeampattern,"inIEEETransactionsonSignalProcessing,vol.65,no.18,pp.4912-4923,15Sept.15,2017.》(下文简称文献5)进一步提出用ADMM和DADMM方法直接设计最优波形，并且算法本身也具有较好的收敛特性；然而，该方法在恒模约束下，需要通过几十次迭代计算，才能设计出近似恒模的波形，这使得其信号在实际中的应用性能可能会受到一定限制。由上可知，现有波束赋形方法存在的两大设计难点：1.所设计的波形确保绝对恒模的情况下，方向图的性能会有一定损失，2.所设计的波形的方向图性能较好，但是波形本身并不是绝对恒模；基于此，本专利技术提供一种基于残差网络的MIMO雷达波束赋形方法。
技术实现思路
本专利技术的目的在于提供一种基于残差网络的MIMO雷达波束赋形方法，使得所设计波形对应的方向图与期望方向图尽可能拟合，同时降低互相关旁瓣；本专利技术将残差神经网络用于MIMO雷达波形设计，使得所设计波形在绝对恒模的基础上进一步提高波束赋形的性能。为实现上述目的，本专利技术采用的技术方案为：一种基于残差网络的MIMO雷达波束赋形方法，包括以下步骤：步骤1.构建残差网络；所述残差网络包括依次连接的5个残差块，每个残差块由两层神经网络构成；其中，第一个残差块中第一层为权重矩阵维数为ML×J、神经元个数为J的神经网络，第二层为权重矩阵维数为J×J、神经元个数为J的神经网络；第二至第四个残差块中每层均为权重矩阵维数为J×J、神经元个数为J的神经网络；第五个残差块中第一层为为权重矩阵维数为J×J、神经元个数为J的神经网络，第二层为权重矩阵维数为J×ML、神经元个数为ML的神经网络；第一个残差块的输入与输出之间还设置有一层权重矩阵维数为ML×J、神经元个数为J的神经网络，最后一个残差块的输入与输出之间还设置有一层权重矩阵维数为J×ML、神经元个数为ML的神经网络，用以实现维度匹配；设置x＝[x(1),x(2),…,x(ML)]为残差网络的输入，其中，x(i)∈[0,1]且为随机数、i＝1,2,…,ML、M为MIMO雷达发射阵的发射天线数量、L为快拍数；所述残差网络输出为步骤2.设置损失函数，采用ADAM深度学习优化器对步骤1中残差网络进行优化；优化完成后得到最后一次训练的输出所述损失函数为：本文档来自技高网...

【技术保护点】
1.一种基于残差网络的MIMO雷达波束赋形方法，包括以下步骤：/n步骤1.构建残差网络；/n所述残差网络包括依次连接的5个残差块，每个残差块由两层神经网络构成；其中，/n第一个残差块中第一层为权重矩阵维数为ML×J、神经元个数为J的神经网络，第二层为权重矩阵维数为J×J、神经元个数为J的神经网络；/n第二至第四个残差块中每层均为权重矩阵维数为J×J、神经元个数为J的神经网络；/n第五个残差块中第一层为为权重矩阵维数为J×J、神经元个数为J的神经网络，第二层为权重矩阵维数为J×ML、神经元个数为ML的神经网络；/n第一个残差块的输入与输出之间还设置有一层权重矩阵维数为ML×J、神经元个数为J的神经网络，最后一个残差块的输入与输出之间还设置有一层权重矩阵维数为J×ML、神经元个数为ML的神经网络，用以实现维度匹配；/n设置x＝[x(1),x(2),…,x(ML)]为残差网络的输入，其中，x(i)∈[0,1]且为随机数、i＝1,2,…,ML、M为MIMO雷达发射阵的发射天线数量、L为快拍数；/n所述残差网络输出为

【技术特征摘要】
1.一种基于残差网络的MIMO雷达波束赋形方法，包括以下步骤：
步骤1.构建残差网络；
所述残差网络包括依次连接的5个残差块，每个残差块由两层神经网络构成；其中，
第一个残差块中第一层为权重矩阵维数为ML×J、神经元个数为J的神经网络，第二层为权重矩阵维数为J×J、神经元个数为J的神经网络；
第二至第四个残差块中每层均为权重矩阵维数为J×J、神经元个数为J的神经网络；
第五个残差块中第一层为为权重矩阵维数为J×J、神经元个数为J的神经网络，第二层为权重矩阵维数为J×ML、神经元个数为ML的神经网络；
第一个残差块的输入与输出之间还设置有一层权重矩阵维数为ML×J、神经元个数为J的神经网络，最后一个残差块的输入与输出之间还设置有一层权重矩阵维数为J×ML、神经元个数为ML的神经网络，用以实现维度匹配；
设置x＝[x(1),x(2),…,x(ML)]为残差网络的输入，其中，x(i)∈[0,1]且为随机数、i＝1,2,…,ML、M为MIMO雷达发射阵的发射天线数量、L为快拍数；
所述残差网络输出为
步骤2.设置损失函数，采用ADAM深度学习优化器对步骤1中残差网络进行优化；优化完成后得到最后一次训练的输出
所述损失函数为：
loss1＝F1+F2+F3
其中：n1表示主瓣区域的网格点数，η1表示主瓣区域的平衡因子；
εk＝|uoptd(θk)-P(θk)|2，

d(θk)表示期望方向图，






at(θk)表示θk方向的方向向量，表示矩阵的第l列，并还原为M行、L列的矩阵；

n2表示旁瓣区域的网格点数，η2表示旁瓣区域的平衡因子；


表示具有高互相关性的网格点数，η3表示互相关旁瓣项的平衡因子，
|P(θp,θq)|2＝Re(P(θp,θq))2+Im(P(θp,θq))2，



步骤3.计算将s恢复为发射波形矩阵S。

【专利技术属性】
技术研发人员：胡进峰，张伟见，魏志勇，邹欣颖，李玉枝，董重，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51