一种单站无网格多目标无源定位方法技术

本发明专利技术公开了一种单站无网格多目标无源定位方法，包括：获得接收信号的协方差矩阵模型；根据所述协方差矩阵模型建立无网格定位模型，所述无网格定位模型为L0范数最小化问题模型；根据所述无网格定位模型建立稀疏恢复模型；对所述稀疏恢复模型进行交替优化，确定目标的位置。本发明专利技术通过基于阵列协方差矩阵的无网格压缩感知技术，提出了一种新的稀疏恢复算法，该算法具有同时估计多个目标位置的能力。与传统的纯方位定位方法相比，通过更少的天线元件和更少的观测位置实现了更好的定位性能。元件和更少的观测位置实现了更好的定位性能。元件和更少的观测位置实现了更好的定位性能。

【技术实现步骤摘要】
一种单站无网格多目标无源定位方法


[0001]本专利技术属于电子侦察
，具体涉及一种单站无网格多目标无源定位方法，可用于单站多目标定位中根据协方差矩阵的稀疏性进行目标定位。

技术介绍

[0002]几十年来，大量文献致力于应用经典信号处理方法解决无源定位问题。定位问题所需的测量值通常是入射到天线上的信号相位、强度或时间信息，如到达时间(TOA)、到达时差(TDOA)、接收信号强度(RSS)、到达方向(DOA)和截获信号的相位差率等。纯方位定位(BOL)或基于相位差速率的算法本质上都是利用信号中的相位差信息。接收站传感器通常被建模为窄带接收天线阵列。在传统的方法中，使用两个步骤来获取目标位置。首先，通过使用多信号分类(MUSIC)或相位差来估计目标的DOA。其次，通过使用这些DOA的估计值或相位差率来估计目标的位置。然而，这种两步定位方法存在相位差和目标位置之间的非线性关系的问题，它还具有较差的信噪比(SNR)表现。此外，传统的定位研究通常集中在单个目标问题上。只有当测量值可以被唯一地分解给单个目标时，多目标定位问题才可以被划分为多个单目标定位问题。
[0003]W.Mati,K.Thomas等人在其发表的论文“Decentralized processing in sensor arrays”中通过在分散的子阵列之间传递协方差矩阵的估计值，提出了一种多目标一步定位算法，该方法仅略微增加了通信的负载。这是一种基于子空间分解的类MUSIC算法。它具有同时定位多个目标的能力。B.Demissie,M.Oispuu等人在论文“Localization of multiple sources with a moving array using subspace data fusion”中使用了相同的思想，用于给定Cram
é
r
‑
Rao边界(CRB)的移动天线阵列定位问题。随着压缩感知(CS)的发展，J.Luo,K.Yu等人在论文“Passive source localization from array covariance matrices via joint sparse representations”中提出了用于多相阵列上辐射源定位的阵列协方差矩阵(JSRACM)的联合稀疏表示，可以通过求解无约束优化问题来估计位置。这些算法假设所有目标都精确地位于预定义的网格上。为了获得更精确的目标位置，就需要更精细的网格。在三维定位问题中，它们会有极高的计算复杂度，且字典中原子的相关性也会大大增加。
[0004]近年来，压缩感知(也称为稀疏恢复)越来越受到关注。与传统的奈奎斯特准则相反，压缩感知依靠寻找欠定线性系统的稀疏解，可以从比使用奈奎斯特采样率少得多的样本中重构信号。压缩感知在从图像处理到阵列信号处理的各个领域都有着重要的应用。压缩感知的早期研究假设稀疏解位于一些固定网格上。然而，在实际应用中并非如此，因此提出了无网格压缩感知。在无网格情况下，G.G.Tang,B.N.Bhaskar等人在论文“Compressed sensing off the grid”中提出了一种原子范数最小化方法，以精确恢复未知波形。该问题通过将其重新建模为精确半定问题来解决。另一方面，J.Fang,F.Wang等人在论文“Super
‑
resolution compressed sens
‑
ing for line spectral estimation:an iterative reweighted approach”中提出了一种用于无网格压缩感知的迭代重加权方法，其中联合估
计了用于构建真实字典的稀疏信号和未知参数。
[0005]无网格压缩感知的概念一出现，就迅速应用于定位问题。无线传感器网络中无网格目标的计算和定位问题被建模为稀疏恢复问题，其中真实和未知的稀疏字典通过已知字典的一阶或第二阶泰勒展开来近似。为了通过时差测量值定位多个目标源，T.N.Zhang,X.P.Mao等人在论文“An analytical subspace
‑
based robust sparse Bayesian inference estimator for off
‑
grid TDOAlocalization”中考虑无网格误差提出了一种新的贝叶斯学习方法。但这些基于RSS和TDOA的定位方法仅适用于多个接收站的场景中，未考虑单个接收站的定位问题。

技术实现思路

[0006]为了解决现有技术中存在的上述问题，本专利技术提供了一种单站无网格多目标无源定位方法，以解决现有技术多采用多个接收站且为了获得更精确的目标位置需要更精细的网格，从而带来的计算复杂度的急剧增加以及字典原子之间的相关性的问题。本专利技术要解决的技术问题通过以下技术方案实现：
[0007]本专利技术提供了一种单站无网格多目标无源定位方法，包括：
[0008]S1：获得接收信号的协方差矩阵模型；
[0009]S2：根据所述协方差矩阵模型建立无网格定位模型，所述无网格定位模型为L0范数最小化问题模型；
[0010]S3：根据所述无网格定位模型建立稀疏恢复模型；
[0011]S4：对所述稀疏恢复模型进行交替优化，确定目标的位置。
[0012]在本专利技术的一个实施例中，所述S1包括：
[0013]S1.1：建立接收信号模型：
[0014]s
r
(t
m,n
)＝A(t
m
)s(t
m,n
)+n
r
(t
m,n
)
[0015]其中，s(t
m,n
)表示K个辐射源在t
m
时刻第n帧的发射信号的复包络，K表示辐射源的数量，t
m
表示离散的时刻，m＝1,...,M，M表示采样时刻的总数，N表示同一个时刻内的信号快照，n＝1,...,N，A(t
m
)表示t
m
时刻的导向矢量矩阵，n
r
(t
m,n
)表示加性高斯白噪声，s
r
(t
m,n
)是天线阵列在t
m
时刻第n帧所有接收信号复包络的和；
[0016]S1.2：获得所述接收信号的协方差矩阵：
[0017][0018]其中，E[]表示期望运算符，I
L
是L
×
L阶的单位阵，L表示接收天线的数量，且：
[0019][0020]其中，表示各个辐射源的信号功率，diag()表示由括号中的向量构成的对角阵；
[0021]S1.3：对接收信号的协方差矩阵进行向量化，获得接收信号的理想协方差稀疏表示模型：
[0022][0023]其中，r(t
m
)表示协方差向量，vec()表示矩阵向量化操作，且：
[0024][0025]其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种单站无网格多目标无源定位方法，其特征在于，包括：S1：获得接收信号的协方差矩阵模型；S2：根据所述协方差矩阵模型建立无网格定位模型，所述无网格定位模型为L0范数最小化问题模型；S3：根据所述无网格定位模型建立稀疏恢复模型；S4：对所述稀疏恢复模型进行交替优化，确定目标的位置。2.根据权利要求1所述的单站无网格多目标无源定位方法，其特征在于，所述S1包括：S1.1：建立接收信号模型：s
r
(t
m,n
)＝A(t
m
)s(t
m,n
)+n
r
(t
m,n
)其中，s(t
m,n
)表示K个辐射源在t
m
时刻第n帧的发射信号的复包络，K表示辐射源的数量，t
m
表示离散的时刻，m＝1,...,M，M表示采样时刻的总数，N表示同一个时刻内的信号快照，n＝1,...,N，A(t
m
)表示t
m
时刻的导向矢量矩阵，n
r
(t
m,n
)表示加性高斯白噪声，s
r
(t
m,n
)是天线阵列在t
m
时刻第n帧所有接收信号复包络的和；S1.2：获得所述接收信号的协方差矩阵：其中，E[
·
]表示期望运算符，I
L
是L
×
L阶的单位阵，L表示接收天线的数量，且：其中，表示各个辐射源的信号功率，diag()表示由括号中的向量构成的对角阵；S1.3：对接收信号的协方差矩阵进行向量化，获得接收信号的理想协方差稀疏表示模型：其中，r(t
m
)表示协方差向量，vec()表示矩阵向量化操作，且：其中，表示相对于辐射源位置p
p
的阵列导向矢量，其中，f表示辐射源发射信号的中心频率，a
m1
表示平台上第一根天线在t
m
时刻的位置，a
m2
表示平台上第二根天线在t
m
时刻的位置，a
mL
表示平台上第L根天线在t
m
时刻的位置，p
p
表示第p个辐射源的位置。||a
ml
‑
p
p
||表示第l根天线与第p个辐射源之间的距离；S1.4：根据所述理想协方差稀疏表示模型获得接收信号的实际协方差稀疏表示模型：其中，为r(t
m
)的估计值，n(t
m
)为服从渐进高斯分布的估计误差；S1.5：将所有时刻的协方差稀疏表示模型进行堆叠，获得完整协方差矩阵模型：
其中，n＝[n
T
(t1)
…
n
T

【专利技术属性】
技术研发人员：鲍丹，王盛杰，未争超，梅路洋，王爽，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：