一种基于凸优化学习的机载雷达自适应波束形成算法制造技术

本发明专利技术公开了一种基于凸优化学习的机载雷达自适应波束形成算法，包括以下步骤：步骤1、面阵阵列接收信号模型；步骤2、自相关矩阵估计，迭代步长确定；步骤3、梯度迭代外循环起始；步骤4、随机梯度迭代内循环起始；步骤5、最后一次外循环输出最终矢量；步骤6、自适应波束形成。本发明专利技术的算法基于上述原理和迭代方式，可适用于目标函数为不可微和非平稳信号的情形。在工程实际应用中，如阵列结构庞大，可将面阵进行子阵分块，采用SVRGD算法计算各子阵的阵列输出，再合成整个阵面的方向图，在保证优良的波束性能同时也大大节约计算时间，具有较高的应用前景。

【技术实现步骤摘要】
一种基于凸优化学习的机载雷达自适应波束形成算法
本专利技术属于雷达信号处理
，涉及一种基于凸优化学习的机载雷达自适应波束形成算法，具体地说，涉及机载预警雷达系统数字信号处理中的基于随机方差缩减梯度下降的自适应波束形成方法。
技术介绍
上世纪90年代以来，由于相控阵雷达具有波形捷变、多功能、自适应、低截获概率、抗干扰(意味着天线超低旁瓣、自适应信号处理)、高可靠性以及有效成本等诸多优点，基于有源相扫阵列天线的有源相控阵雷达与数字阵列雷达正成为当前机载雷达中普遍应用的典型雷达体制，机载雷达作为作战飞机及作战支援飞机上的核心传感器正发挥着日益重要的作用。随着战争形态的不断变化，空战场电磁环境也将发生巨大改变，对相控阵雷达系统在复杂电磁环境下发现目标、抗电磁干扰以及对大量阵元接收数据进行实时有效的解算提出了更高要求。在雷达接收机中将接收的射频信号经下变频、解调、模数变换等处理后输出数字信号，然后进行空域滤波、脉冲压缩、PD多普勒处理、恒虚警检测等数字信号处理，判断有无目标，再进行雷达数据处理提取目标量测信息。数字信号处理的第一步就是基于阵列天线的自适应波束形成，波束形成技术能够使得阵列天线方向图的主瓣指向所需的方向，并在干扰的方向形成零陷，它已经成为阵列信号处理的重要标志。波束形成的实质就是对每个阵元输出的数字信号进行加权、求和，并且该权系数可以随着信号环境的改变而进行自适应的调整，从而保证自适应形成的主瓣始终对准信号方向，而在干扰的方向形成波瓣置零。自适应波束形成的最关键问题就是自适应波束形成算法。即依据一定的准则和一定的算法来调整阵列波束方向图进行自适应控制。随着电磁频谱领域的对抗越加激烈，战机的机动性不断增强，集群作战的快速发展，这就给自适应波束形成算法的收敛速度、鲁棒性、精确性提出更高的要求。在这样的背景下，对机载雷达的自适应波束形成算法改进研究具有重要的现实意义。
技术实现思路
本专利技术的目的在于克服现有技术中存在的问题，提供一种基于凸优化学习的机载雷达自适应波束形成算法，在基于传统最小均方误差(LMS)算法的基础上，从垂直向面阵天线结构的阵列特性分析和梯度下降的改进两个方面对机载雷达的自适应波束形成进行了研究，并相应地提出了一种基于随机方差缩减梯度下降的自适应波束形成方法，从而为数字信号处理性能增强探索了一条有效的途径。聚焦典型阵列结构，基于随机梯度下降原理采用随机梯度代替LMS算法中的标准梯度，允许迭代方向是一个随机向量，但是迭代方向的期望值与梯度方向是相等的。针对随机梯度法的收敛速度不高，导致梯度估计的方差较大，引入方差缩减法通过内外循环迭代方式进行梯度修正，以减小随机梯度估计的方差，改善其收敛速度、提升波束形成指向和抗干扰能力。其具体技术方案为：一种基于凸优化学习的机载雷达自适应波束形成算法，包括以下步骤：步骤1、建立面阵阵列接收信号模型，定义方位角和俯仰角，建立相应的方向矩阵；步骤2、计算自相关矩阵，估计信号最大功率，确定迭代步长；步骤3、初始化赋值，开始梯度迭代外循环，计算整体的梯度；步骤4、对内循环赋值，开始随机梯度迭代内循环，随机选取样本点计算梯度和权值，并将所有权值取平均，跳出内循环开始外循环；步骤5、最后一次外循环输出最终阵列权系数；步骤6、输出的最终权系数用于自适应波束形成。进一步，步骤1中，阵列结构采用垂直向面阵放置，阵元在水平方向和垂直方向成均匀分布，对阵元个数没有明确的限制，并假设阵列处在空间信号辐射的远场中，所以空间源信号到达阵列时可以看作是一束平行的平面波，空间源信号到达阵列各阵元在时间上的不同时延，可由阵列的几何结构和空间波的来向所决定。进一步，迭代步长的取值一般为1/4tr(Rxx)，其中Rxx代表接收信号的自相关矩阵，tr(·)表示矩阵的迹。与现有技术相比，本专利技术的有益效果：本专利技术主要从机载雷达的一种典型阵列结构和LMS算法中的梯度下降方法两个方面对自适应波束形成技术进行了研究，建立面阵结构的阵列接收信号数据模型，基于随机梯度下降(SGD)原理，引入方差缩减法通过内外循环迭代方式进行梯度修正，以减小随机梯度估计的方差，在内循环迭代中输出平均权系数向量作为外循环的输入，直至最后一个外循环结束获得最终权系数向量输出，对阵列单元进行加权获得接收自适应波束形成，构建了算法模型与实现流程。该方法在低快拍数、强干扰和强噪声背景下具有优良的波束形成性能和自适应干扰方向调零功能，具备较快的收敛速度。本算法采用机器学习凸优化方法，综合采用随机梯度下降策略、平均策略及方差缩减策略实现极小化目标函数，从而求取阵元加权系数，实现优良的波束形成性能。该方法基于上述原理和迭代方式，可适用于目标函数为不可微和非平稳信号的情形。在工程实际应用中，如阵列结构庞大，可将面阵进行子阵分块，采用SVRGD算法计算各子阵的阵列输出，再合成整个阵面的方向图，在保证优良的波束性能同时也大大节约计算时间，具有较高的应用前景。附图说明图1为基于随机方差缩减梯度下降的自适应波束形成算法流程图；图2为均匀垂直向面阵与目标入射角的几何关系图；图3为自适应波束形成示意图。具体实施方式下面结合附图和实施例对本专利技术的技术方案作进一步详细地说明。一种基于随机方差缩减梯度下降的自适应波束形成算法，该算法具体包括以下步骤：如图1所示，一种基于随机方差缩减梯度下降的自适应波束形成算法，算法流程如图1所示。该方法具体包括以下步骤：(一)建立面阵结构的阵列接收信号模型：从机载雷达典型阵列结构出发，确定XOZ垂直向面阵结构，建立面阵天线的统计模型和阵列响应矢量，建立面阵列接收信号模型。具体步骤如下：(1)阵列结构及入射角的定义。如图2所示，均匀平面阵位于XOZ面内，阵列阵元数M×N，即有M行N列阵源。水平方向和垂直方向的阵元间距分别为dx和dz，接收到的信号所包含的信号个数为K。Θi＝(θi,φi)(i＝1,2,…,K)矩阵代表信源所包含的信息集，θi和φi分别代表第k个信源的俯仰角和方位角，其中，0≤θi＜90°，0≤φi＜360°。(2)面阵阵列响应矢量的确定。以位于坐标原点的阵元为参考，在空间中第个任意阵元与处于原点的参考阵元之间的相位差为：式中：(xi,yi,zi)表示第i个阵元的坐标。由于yi的值为0，根据均匀直线阵的分析可知，x轴和z轴上的方向矩阵分别为：子阵列1的方向矩阵为Ax，而子阵列2的方向矩阵就得考虑沿z轴的偏移，每个阵元相对于参考阵元的相位差就等于子阵列1的阵元的相位差加上-j2πdzsinθsinφ/λ，所以第M个子阵列的方向矩阵为AM＝AxDM(Az)，其中，DM(Az)表示由矩阵AZ的第M行构造的一个对角矩阵。所以有：面阵列的方向矩阵可表示为：A(Θ)＝[A1；A2；…；AM]∈CMN×K阵列接收信号模型为：X(t)＝A(Θ)S(t)+N(t)。其中，S(t)是本文档来自技高网...

【技术保护点】
1.一种基于凸优化学习的机载雷达自适应波束形成算法，其特征在于，包括以下步骤：/n步骤1、建立面阵阵列接收信号模型，定义方位角和俯仰角，建立相应的方向矩阵；/n步骤2、计算自相关矩阵，估计信号最大功率，确定迭代步长；/n步骤3、初始化赋值，开始梯度迭代外循环，计算整体的梯度；/n步骤4、对内循环赋值，开始随机梯度迭代内循环，随机选取样本点计算梯度和权值，并将所有权值取平均，跳出内循环开始外循环；/n步骤5、最后一次外循环输出最终阵列权系数；/n步骤6、输出的最终权系数用于自适应波束形成。/n

【技术特征摘要】
1.一种基于凸优化学习的机载雷达自适应波束形成算法，其特征在于，包括以下步骤：
步骤1、建立面阵阵列接收信号模型，定义方位角和俯仰角，建立相应的方向矩阵；
步骤2、计算自相关矩阵，估计信号最大功率，确定迭代步长；
步骤3、初始化赋值，开始梯度迭代外循环，计算整体的梯度；
步骤4、对内循环赋值，开始随机梯度迭代内循环，随机选取样本点计算梯度和权值，并将所有权值取平均，跳出内循环开始外循环；
步骤5、最后一次外循环输出最终阵列权系数；
步骤6、输出的最终权系数用于自适应波束形成。


2...

【专利技术属性】
技术研发人员：彭芳，吴军，向建军，王帅，李志军，肖冰松，张永利，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：陕西;61