基于块Hankel张量构造的MIMO雷达鲁棒DOA估计方法技术

本发明专利技术公开了基于块Hankel张量构造的MIMO雷达鲁棒DOA估计方法，当MIMO雷达出现阵元故障时，由其接收数据沿快拍方向堆叠形成的三阶观测张量存在具有大量缺失的切片，即结构性数据缺失，仅利用张量低秩约束无法恢复缺失数据。为此，提出基于块Hankel张量构造的故障阵元缺失数据补偿方法，以更好地利用正常阵元数据和故障阵元数据之间的多维约束关系，改善缺失数据恢复的精度，从而能提高阵元故障时DOA估计的精度，且计算复杂度较低。且计算复杂度较低。且计算复杂度较低。

【技术实现步骤摘要】
基于块Hankel张量构造的MIMO雷达鲁棒DOA估计方法


[0001]本专利技术公开了基于块Hankel张量构造的MIMO雷达鲁棒DOA估计方法，涉 及MIMO雷达DOA估计


技术介绍

[0002]多输入多输出(Multiple
‑
input Multiple
‑
output,MIMO)雷达作为一种新 体制雷达，其特点在于发射端多个阵元同时发射相互正交的信号，接收端利用 匹配滤波器对远场信号的回波实现分离，从而增加了阵列的虚拟孔径以及虚拟 阵元的数目，使得MIMO雷达相比于传统相控阵雷达，在参数估计、信号检测、 目标跟踪等领域展现出更好的性能。波达方向角(Direction of Arrival， DOA)估计一直是MIMO雷达领域中重点研究方向之一，现有DOA估计方法可分 为子空间类、稀疏表征类和张量分解类等。实际应用中，受到恶劣天气和元器 件老化等因素的影响，MIMO雷达无法避免出现部分阵元故障的情况。由于故 障阵元无法正常发射和接收信号波形，在接收端经过匹配滤波形成的虚拟阵列 中存在大量失效的虚拟阵元，从而降低了现有DOA估计方法的精度。当MIMO 雷达处于海底、太空、战场等极端环境下，无法立即修复或更换故障阵元，因 此采取适当的补偿措施以有效恢复MIMO雷达缺失数据，是后续实现高精度鲁 棒DOA估计的必要条件。
[0003]Zhu等人在论文“Impaired Sensor Diagnosis,Beamforming,and DOAEstimation With Difference Co
‑
Array Processing”(IEEE SensorsJournal,2015,15(7):3773
‑
3780)中，提出一种通过基于协方差矩阵重构的 DOA估计方法，对均匀线性阵列(Uniform Linear Array,ULA)的协方差矩阵 做差分处理得到虚拟差分阵列，利用虚拟差分阵列中的冗余阵元数据替换故障 阵元缺失数据，但当非冗余阵元故障时，利用冗余阵元数据无法填补虚拟差分 阵列中存在的空洞，DOA估计性能不理想。
[0004]Chen等人在论文“Joint Sensor Failure Detection and CorruptedCovariance Matrix Recovery in Bistatic MIMO Radar With ImpairedArrays”(IEEE Sensors Journal,2019,19(14):5834
‑
5842)中，提出一 种基于块Hankel矩阵填充的MIMO雷达故障阵元缺失数据恢复方法，利用虚拟 阵列协方差矩阵构造具有四重Hankel结构的高维矩阵，再利用不定增广拉格 朗日乘子法(Inexacted Augmented Lagrange Method,IALM)算法填补缺失数 据，但由于生成的Hankel矩阵的维度庞大，该方法时效性较差。
[0005]Liu等人在论文“Tensor Completion for Estimating Missing Valuesin Visual Data”(IEEE Transactions on Pattern Analysis and MachineIntelligence,2013,35(1):208
‑
220)中，提出一种针对张随机数据缺失的低 秩张量补全方法，先将张量秩的凸松弛形式定义为张量各模式展开矩阵核范数 之和，然后提出了三种经典的低秩张量填充(Low Rank Tensor Completion, LRTC)算法：简单低秩张量填充算法(Simple Low Rank Tensor Completion, SiLRTC)、快速低秩张量填充算法(Fast Low Rank Tensor Completion, FaLRTC)以及高精度低秩张量填充算法(High Accurency Low Rank TensorCompletion,HaLRTC)。
[0006]Yang等人在论文“Tensor Completion From Structurally
‑
MissingEntries by Low
‑
TT
‑
Rankness and Fiber
‑
Wise Sparsity”(IEEE Journalof Selected Topics in Signal Processing,2018,12(6):1420
‑
1434)中， 提出一种针对结构性数据缺失的低秩张量补全方法，对待恢复数据经过张量火 车(Tensor Train,TT)分解得到的矩阵施加低秩约束，再利用多个冗余字典对 张量数据经过Tucker分解得到的矩阵进行稀疏表示，联合低秩和稀疏恢复缺 失数据，但该方法依赖于样本集的选取，以大规模样本集学习冗余字典的过程 将耗费大量时间。
[0007]Farnaz Sedighin等人在论文“Matrix and Tensor Completion inMultiway Delay Embedded Space Using Tensor Train,With Applicationto Signal Reconstruction”(IEEE Signal Processing Letters,2020, 27:810
‑
814)中，提出一种基于多路延时嵌入变换(Multi
‑
way DelayEmbedding Transform,MDT)的低秩张量补全方法，将存在结构性缺失的张量 数据进行MDT转换到高维空间以形成块Hankel张量，对高维的块Hankel张 量进行Tucker分解以实现结构性缺失数据重构，然而该方法计算复杂度较高， 运算时间较长，并不适用于对时效性要求较高的MIMO雷达故障阵元缺失数据 恢复问题。
[0008]MIMO雷达输出数据本质是具有复杂时空结构的多维张量，上述基于矩阵 模型的故障阵元缺失数据补偿方法仅利用MIMO雷达张量数据某个维度的结构 特征，而忽略了张量数据其它维度的结构特征，故障阵元对应数据的恢复精度 存在较大提升空间。然而，当MIMO雷达发射或接收阵列中某些阵元故障时， 由匹配滤波后输出数据构建的三阶观测张量存在部分切片上的全部数据缺失， 即结构性数据缺失，此时仅利用低秩先验无法恢复结构不完整的张量。

技术实现思路

[0009]本专利技术针对上述
技术介绍
中的缺陷，提供基于块Hankel张量构造的MIMO 雷达鲁棒DOA估计方法，利用正常阵元数据和故障阵元数据之间的多维约束关 系，改善缺失数据恢复的精度，从而能提高阵元故障时DOA估计的精度，且计 算复杂度较低。
[0010]为实现上述目的，本专利技术采用的技术方案如下：基于块Hankel张量构造 的MIMO雷达鲁棒DOA估计方法，包括以下步骤：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于块Hankel张量构造的MIMO雷达鲁棒DOA估计方法,其特征在于，包括以下步骤：获取存在阵元故障的MIMO雷达回波信号的虚拟阵列输出数据矩阵；将虚拟阵列输出数据矩阵堆叠形成三阶观测张量；采用高阶奇异值分解降低三阶观测张量中快拍方向的维度，得到降维后的观测张量；将降维后的观测张量的各正向切片分别转换为具有二重Hankel结构的切片，构造新张量；将构造的新张量划分为多个子张量，通过对子张量进行多次串联构造高维的块Hankel张量；通过建立秩最小化问题实现高维的块Hankel张量中缺失数据的重构，并对恢复后的块Hankel张量进行逆变换操作得到完整的降维后的观测张量；将完整的降维后的观测张量的正向切片平铺形成完整的虚拟阵列输出矩阵，并采用RD
‑
MUSIC算法进行目标DOA估计。2.根据权利要求1所述的基于块Hankel张量构造的MIMO雷达鲁棒DOA估计方法，其特征在于，获取存在阵元故障的MIMO雷达回波信号的虚拟阵列输出数据矩阵具体包括以下步骤：对存在阵元故障时的MIMO雷达回波信号进行匹配滤波处理，得到MN*L虚拟阵列输出数据矩阵其中，M为发射阵元数；N为接收阵元数；L为脉冲周期数；(
·
)
T
表示矩阵的转置，
⊙
表示矩阵的Khatri
‑
Rao积；为阵元故障时发射阵列的流形矩阵，为阵元故障时发射阵列的流形矩阵，表示大小为M
×
P的复数矩阵集合；为阵元故障时接收阵列的流形矩阵，为阵元故障时接收阵列的流形矩阵，表示大小为N
×
P的复数矩阵集合；S为目标系数矩阵，S为目标系数矩阵，表示大小为L
×
P的复数矩阵集合；P为相互独立的远场目标个数。3.根据权利要求2所述的基于块Hankel张量构造的MIMO雷达鲁棒DOA估计方法，其特征在于，将虚拟阵列输出数据矩阵堆叠形成三阶观测张量具体包括以下步骤：将大小为MN*L虚拟阵列输出数据矩阵堆叠形成具有发射方向、接收方向、快拍方向的三阶观测张量堆叠形成具有发射方向、接收方向、快拍方向的三阶观测张量堆叠形成具有发射方向、接收方向、快拍方向的三阶观测张量表示维度为M*N*L的复数张量集合；将观测张量表示为Tucker分解形式：其中，
×1表示张量与矩阵的模式1乘积；
×2表示张量与矩阵的模式2乘积；
×3表示张量与矩阵的模式3乘积；为P
×
P
×
P的单位张量。
4.根据权利要求3所述的基于块Hankel张量构造的MIMO雷达鲁棒DOA估计方法，其特征在于，采用高阶奇异值分解降低三阶观测张量中快拍方向的维度，得到降维后的观测张量具体包括以下步骤：对观测张量进行HOSVD分解:其中，为维度为M*N*L的核心张量；为由观测张量模式1展开矩阵的左奇异值向量组成的酉矩阵，即左奇异值向量矩阵；为由观测张量模式2展开矩阵的左奇异值向量矩阵；为由观测张量模式3展开矩阵的左奇异值向量矩阵；对观测张量与矩阵和D
P
进行模3乘积得到进行模3乘积得到其中，为降维后的观测张量，为降维后的观测张量，表示维度为M*N*P的复数张量集合；D
P
＝[I
P 0
P
×
(L
‑
P)
]为定义的辅助降维矩阵，其中I
P
为P
×
P的单位矩阵，0
P
×
(L
‑
P)
为P
×
(L
‑
P)的全零矩阵，(
·
)
H
为矩阵的共轭转置；降维后的观测张量的Tucker分解形式表示：其中，为降维后的目标系数矩阵。5.根据权利要求4所述的基于块Hankel张量构造的MIMO雷达鲁棒DOA估计方法，其特征在于，将降维后的观测张量的各正向切片分别转换为具有二重Hankel结构的切片，构造新张量，具体包括以下步骤：定义为降维后的观测张量第p个正向切片，p＝1,2,
…
,P：,P：表示大小为M
×
N的复数矩阵集合；为观测张量第p个正向切片上的第n个列纤维，n＝1,2,
…
,N：,N：表示长度为M
×
1的复数向量集合；为列纤维上的第m个元素，m＝1,2,
…
,M；是以为元素构成的列纤维，即以列纤维中的γ个元素构造列向量：
其中，表示长度为γ的列向量；表示中第i个元素；i＝k
γ
,k
γ
+1,
…
,k
γ
+γ
‑
1；其中，k
γ
＝1,2,
…
,M
‑
γ+1；γ+1；表示向下取整运算；将...

【专利技术属性】
技术研发人员：陈金立，瞿彦涛，李家强，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：