基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法技术

本发明专利技术公开了一种基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法，包括步骤：建立机载三维异构阵的阵列模型；利用欧拉旋转变换，对机载三维异构阵的每个阵元进行局部直角坐标系到全局直角坐标系的转换；通过过完备字典矩阵将目标的角度估计问题转化为入射信号矩阵的稀疏恢复问题；利用稀疏贝叶斯学习算法求解。本发明专利技术将欧拉旋转变换引入到机载三维异构阵的方向图求解中，得到更为通用的机载三维异构阵阵列流形模型，从而构建出适用于机载三维异构阵的DOA估计模型。异构阵的DOA估计模型。异构阵的DOA估计模型。

【技术实现步骤摘要】
基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法


[0001]本专利技术涉及雷达信号处理
，具体涉及基于稀疏贝叶斯学习的机载三维异构阵DOA(波达方向)估计方法。

技术介绍

[0002]机载三维异构阵是由多个不同的曲面阵构成的三维复杂阵列，它具有与载机外形相一致的空气动力外形，可以有效减小载机雷达反射截面积、降低载机负荷及增大有效发射孔径，能够满足复杂战场环境下雷达对目标探测的需求。相比于传统的二维平面阵，三维异构阵是一种更加广义的构型，可以看作是多个共形阵的组合阵。因此，三维异构阵的DOA估计方法可以参考共形阵的研究方法，但是目前很多研究方法如MUSIC(多信号分类)和ESPRIT(旋转不变性子空间)方法虽然具有一定效果，但是都忽略了载体曲率带来的对天线极化方向图的影响，并且受到算法需要大量快拍数据支撑的限制。
[0003]近年来，随着稀疏恢复类算法的兴起，如OMP(正交匹配追踪)算法、IAA(迭代自适应)算法、SBL(稀疏贝叶斯学习)算法等被应用到阵列的DOA估计中，通过构建压缩感知模型，使得少量快拍的DOA估计成为可能。但是，由于机载三维异构阵的复杂性，线阵平面阵的稀疏DOA估计方法无法适用，仍需要对相应模型进行改进。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术的目的在于提供一种基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法，将欧拉旋转变换引入到机载三维异构阵的方向图求解中，得到更为通用的机载三维异构阵阵列流形模型，从而构建出适用于机载三维异构阵的DOA估计模型。
[0005]为了达到上述目的，本专利技术采用以下技术方案予以实现。
[0006]基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法，包括以下步骤：
[0007]步骤1，建立机载三维异构阵的阵列模型；
[0008]步骤2，利用欧拉旋转变换，对机载三维异构阵的每个阵元进行局部直角坐标系到全局直角坐标系的转换，得到机载三维异构阵的全局天线方向图；
[0009]步骤3，获取机载三维异构阵的接收信号，并建立对应的过完备字典矩阵；通过所述过完备字典矩阵将目标的角度估计问题转化为入射信号矩阵的稀疏恢复问题，并建立对应的压缩感知模型；
[0010]步骤4，利用稀疏贝叶斯学习算法求解所述压缩感知模型，得到机载三维异构阵的DOA估计结果。
[0011]与现有技术相比，本专利技术的有益效果为：
[0012](1)本专利技术方法考虑了机载三维异构阵的载体曲率对方向图综合的影响，DOA估计模型更加符合实际情况。
[0013](2)本专利技术方法可以实现少量快拍情况下机载三维异构阵的DOA估计；且本专利技术方
法无需目标数量的先验信息。
[0014](3)本专利技术方法首次将压缩感知模型以及稀疏贝叶斯方法引进到机载三维异构阵的DOA估计上面，对后续学者的相关研究具有一定的指引作用。
附图说明
[0015]下面结合附图和具体实施例对本专利技术做进一步详细说明。
[0016]图1是本专利技术提供一种基于稀疏贝叶斯学习的机载三维异构阵的DOA估计方法的流程示意图；
[0017]图2是本专利技术实施例提供的机载三维异构阵的几何特性示意图
[0018]图3是本专利技术实施例提供的机载三维异构阵的阵元布置示意图；
[0019]图4是本专利技术实施例提供的机载三维异构阵的阵元坐标图；
[0020]图5是本专利技术实施例提供的异构阵三轴欧拉旋转变换过程示意图；
[0021]图6本专利技术实施例提供的圆柱阵和圆锥阵的欧拉旋转变换过程示意图；其中，6(a)对应圆柱阵，6(b)对应圆锥阵；
[0022]图7本专利技术实施例的单次快拍的DOA估计结果图；其中，7(a)对应目标1的DOA估计结果，7(b)对应目标2的DOA估计结果，7(c)对应目标3的DOA估计结果。
具体实施方式
[0023]下面将结合实施例对本专利技术的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本专利技术，而不应视为限制本专利技术的范围。
[0024]参考图1，本专利技术提供的一种基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法，包括以下步骤：
[0025]步骤1，建立机载三维异构阵的阵列模型；
[0026]参考图2，机载三维异构阵由四个部分的共形阵组成，分别为机头的圆锥阵、机身圆柱阵、机身圆台阵和机翼阵。下面以其中的圆柱共形阵和圆锥共形阵组成的三维异构阵为例，进行本专利技术方法的介绍。载机沿y轴正方向飞行，速度矢量为v,飞行高度为H，异构阵的几何关系图如图3所示，阵元坐标图如图4所示。
[0027]参考图3，机载圆柱阵由M1个圆环阵组成，每个圆环阵由关于圆心对称的N1个天线阵元组成。M1个圆环阵彼此平行，阵元间距和圆环阵间距都为d,且共同垂直于y轴。每个圆环阵半径为r，第1个圆环阵位于xoz平面。以圆环阵上顶部阵元为第1个阵元，阵元序号为逆时针排序，则圆柱阵第m1个阵列圆环上第n1个阵元的位置矢量为：
[0028][0029]圆柱阵对应的阵元位置坐标为：
[0030][0031]圆柱阵整体的位置矢量：
[0032][0033]与圆柱阵相比，圆锥阵由不同半径、不同阵元个数的M2个圆环阵组成。将第m2(m2＝1,2,
…
,M2)个圆环阵的半径记为阵元个数记为底层半径与阵元个数与圆柱阵一致，圆柱阵半径和阵元数的表达式为：
[0034][0035][0036]第1个圆环阵离原点距离为D2，同样以圆环阵上顶部阵元为第1个阵元，阵元序号为逆时针排序，则圆锥阵第m2个阵列圆环上第n2个阵元的位置矢量为：
[0037][0038]其中，n2的最大取值为随着圆环阵序号m2变换。
[0039]圆锥阵对应的阵元位置坐标为：
[0040][0041]则圆锥阵整体的位置矢量：
[0042][0043]则整个异构阵的坐标为：
[0044]P＝[P1，P2][0045]其中，P∈C3×
N
，N为几个共形阵的阵元数总和，对应的第n个阵元的位置矢量为：
[0046][0047]其中，n∈1,2,
…
,N。
[0048]如果再加入其他共形阵，以列向量形式将坐标进行合并即可。
[0049]步骤2，利用欧拉旋转变换，对机载三维异构阵的每个阵元进行局部直角坐标系到全局直角坐标系的转换，得到机载三维异构阵的全局天线方向图；
[0050]由于三维异构阵面的非线性特性，即使每个阵元的辐射方向图具有相同极化，在阵列的全局坐标系下，由于载体曲面的弯曲，载体表面各阵元辐射方向图具有不同极化，亦即产生了交叉极化。根据交叉极化定义的极化基和θ来计算极化阵列的辐射方向图。因为考虑极化因素，阵列天线在方向的场强方向图可以表示为：
[0051][0052]其中，中，和分别为在和θ方向的场分量，和分别表示表达式为
[0053][0054][0055]其中，Δ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法，其特征在于，包括以下步骤：步骤1，建立机载三维异构阵的阵列模型；步骤2，利用欧拉旋转变换，对机载三维异构阵的每个阵元进行局部直角坐标系到全局直角坐标系的转换，得到机载三维异构阵的全局天线方向图；步骤3，获取机载三维异构阵的接收信号，并建立对应的过完备字典矩阵；通过所述过完备字典矩阵将目标的角度估计问题转化为入射信号矩阵的稀疏恢复问题，并建立对应的压缩感知模型；步骤4，利用稀疏贝叶斯学习算法求解所述压缩感知模型，得到机载三维异构阵的DOA估计结果。2.根据权利要求1所述的基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法，其特征在于，所述机载三维异构阵的阵列模型包括机头共形阵、机身圆柱共形阵、两侧机翼共形阵和机身圆台共形阵中的一种或多种。3.根据权利要求2所述的基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法，其特征在于，所述建立机载三维异构阵的阵列模型具体为：首先，对于圆柱
‑
圆锥阵进行模型建立：以圆柱阵第1个圆环阵的中心点的正下方地面点为参考点即坐标原点，以载机飞行方向为y轴正方向，y轴正方向顺时针转90度为x轴正方向，竖直向上为z轴正方向，建立全局直角坐标系；其次，载机速度矢量为v，飞行高度为H；圆柱阵部分：由M1个等半径的圆环阵组成，每个圆环阵由关于圆心对称的N1个天线阵元组成，阵元间距为d；M1个圆环阵彼此平行，间距为d，且共同垂直于y轴；每个圆环阵半径为r；圆锥阵部分：由M2个半径按比例降低的圆环阵组成，圆锥顶部为单点阵，圆锥底层半径与圆柱底层半径相同，阵元数相等；以底层为第一层，依次排序，则圆锥阵的第m层圆环阵上的阵元个数为N
m
；则圆柱阵上第m1层阵列环上第n1个阵元的空间坐标为：其中，上标T为矩阵转置操作；以圆环阵上z轴正向上的阵元为第1个阵元，阵元序号为逆时针排序，则圆柱阵对应的阵元位置的坐标为：圆柱阵整体的位置矢量：将第m2个圆环阵的半径记为阵元个数记为底层半径阵元个数与圆柱阵一
致，圆柱阵半径和阵元数的表达式为：致，圆柱阵半径和阵元数的表达式为：设第1个圆环阵离原点距离为D2，以圆环阵上顶部阵元为第1个阵元，阵元序号为逆时针排序，则圆锥阵第m2个阵列圆环上第n2个阵元的位置矢量为：其中，上标T表示矩阵的转置操作；圆锥阵对应的阵元位置坐标为：则整个圆锥阵的位置矢量为：则整个三维异构阵的坐标为：P＝[P1，P2]其中，P∈C3×
N
，N为整个三维异构阵的阵元数总和，对应的第n个阵元的位置矢量为：其中，n∈1，2，...，N。4.根据权利要求1所述的基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法，其特征在于，所述利用欧拉旋转变换，对机载三维异构阵的每个阵元进行局部直角坐标系到全局直角坐标系的转换，具体为：(2.1)根据每个天线形式确定其局部球坐标系下的天线方向图函数；(2.2)将入射信号方向的全局球坐标转换为全局直角坐标系下的坐标(x，y，z)，转换关系为：(2.3)利用欧拉旋转变换将全局直角坐标系下的入射方向(x，y，z)变换为局部直角坐标系下的入射方向(x
l
，y
l
，z
l
)，转换关系为：
其中，R为欧拉旋转变换的变换矩阵；(2.4)将局部直角坐标(x
l
，y
l
，z
l
)转换为局部球坐标转换关系为：θ
l
＝arccos z
l
(2.5)将步骤(2.4)的局部球坐标代入步骤(2.1)中的天线方向图函数，得到局部坐标系下的阵元辐射方向图；然后再用所述欧拉变换的逆变换将局部坐标系下的阵元辐射方向图转换成全局球坐标系下的天线方向图即可。5.根据权利要求4所述的基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法，其特征在于，当阵元天线为圆形微带天线时，其局部球坐标系下的第n个阵元的天线方向图函数表示为：为：为：其中，和分别为局部球坐标下方位角和俯仰角θ
l
方向上的单位向量；和分别为第n个阵元局部方向图在和θ
l
方向的场分量；J2()和J0()分别为2阶和0阶Bessel函数；为入射信号方向在局部坐标系下的坐标；λ为波长，d为阵元间距，j为虚数单位。6.根据权利要求4所述的基于稀疏贝叶斯学习的机载三维异构阵DOA估计方法，其特征在于...

【专利技术属性】
技术研发人员：梁毅，殷志文，吴建新，王文杰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：