基于多帧相位增强的米波雷达低仰角目标DOA估计方法

发布时间：2024-03-29 22:39

　　针对米波雷达低仰角目标的DOA估计问题,该文提出一种新的基于多帧相位特征增强方法,所提方法可以有效解决低仰角条件下阵列接收信号中直达信号相位特征模糊问题,进而提高DOA估计精度。通过学习多帧原始数据的相位分布特征与理想环境下直达波信号的相位分布特征之间的复杂映射关系,有效削弱多径信号引起的相位误差,将增强后的相位信息与原始的幅度信息进行数据重组,并利用已有的超分辨算法进行DOA估计。通过计算机仿真实验和实测数据验证,该文所提方法在DOA估计性能以及泛化能力上优于基于物理驱动的MUSIC算法以及数据驱动的基于特征反演和基于支持向量回归的两种估计方法。

【文章页数】：9 页

【部分图文】：

图1信号模型

此外，已有的物理驱动的超分辨DOA估计算法中，DBF算法、MUSIC和ML算法的估计公式可总结为图2幅相敏感度分析

图2幅相敏感度分析

图1信号模型其中，UN为噪声子空间，PA(θ)为投影到导向矢量矩阵A(θ)的列向量张成空间的投影算子，tr[·]表示矩阵的迹。通过搜索仰角θ，实现对目标仰角的估计。分析搜索仰角的过程，由于搜索仰角仅影响导向矢量的相位，导向矢量的幅度特征并不受仰角的影响，因此搜索仰角的过程，实....

图3相位增强系统框图

本文提出的相位增强方法系统框图如图3所示。其中，训练部分主要完成原始数据相位特征的提取、预处理以及DNN和CNN的训练；增强部分则将预处理后的相位特征作为训练好的神经网络的输入，增强后的相位特征与原始的幅度特征重构出新的数据协方差矩阵，并采用经典的物理驱动的超分辨算法进行DOA估....

图4深度神经网络结构

其中，f(i)(x)=g(Wi·x+bi)。经典的非线性激活函数g(·)包括Sigmoid函数和ReLU函数，分别表示为图5深度卷积神经网络结构

本文编号：3941411