基于RD－RISR的單基地MIMO雷達DOA估計方法

黨曉方 張 輝

(1.西安電子工程研究所西安710100;2.陸航軍代局駐西安地區軍代室西安710065)

信號數據處理

基于RD－RISR的單基地MIMO雷達DOA估計方法

黨曉方1張 輝2

(1.西安電子工程研究所西安710100;2.陸航軍代局駐西安地區軍代室西安710065)

針對單基地MIMO雷達的到達角估計，提出了基于迭代最小均方差準則的降維重復迭代超分辨算法。首先利用降維矩陣將高維接收數據降維，然后利用重復迭代超分辨算法估計目標角度。該算法在不需要提前估計目標數，在少快拍情況下估計性能并未出現明顯下強，在相干目標的情況下(如多徑)可能很好的估計目標數目與角度，仿真結果驗證了本文所提算法的有效性。

MIMO雷達;降維;重復迭代;超分辨

0 引 言

MIMO雷達［1］起源于MIMO通信系統，其利用多個發射天線同時發射相互正交的信號，在接收端利用多個接收單元接收目標回波信號。與相控陣雷達相比，MIMO雷達具有更好的參數分辨力［2］，更高的自由度［2］以及角度估計精度等優點［3］。根據雷達布陣方式的不同，MIMO雷達可以分為分布式［3，4］與單基地兩種模式［5］:分布式雷達發射天線與接收天線間隔較遠，可以有效的克服目標RCS閃爍;而單基地MIMO雷達發射陣與接收陣相隔較近，相對于目標的角度是相同的，根據發射陣子與接收陣子間的相位差，單基地MIMO雷達可以形成一個虛擬的長孔徑陣列，從而得到窄帶寬，低旁瓣，高角度分辨力與角度估計精度的優點［5，6］。

現有的MIMO雷達的角度估計算法很多。針對雙基地MIMO雷達，文獻［7］中提出兩維Capon算法估計目標的波離角與波達角;為了降低運算量，文獻［8］提出了一種多項式求根算法;文獻［9］與［10］分別提出了2維MUSIC算法與降維MUSIC算法;為了進一步降低算法運算時間，文獻［11］提出了利用ESPRIT算法估計目標角度。

然而，上面所提算法都要首先估計目標數目，然后利用接收數據估計數據協方差矩陣，再進行特征值分解，最后估計目標的角度參數。當目標的角度隨時間變化較快，可用的快拍書就會減少，這樣估計的數據協方差矩陣就不準確，最終導致目標角度信息的不準確;特別當在相干目標情況下，上面所提算法就會失效。針對以上缺點，本文提出一種降維重復迭代超分辨算法，該算法不需要估計數據協方差矩陣以及特征值分解，可以實現目標數，角度與幅度的同時估計，同時該算法在多徑條件下仍然能夠取得良好的表現。

1 單基地MIMO雷達信號模型

考慮一個單基地MIMO雷達，其發射陣列是陣元數為的均勻線陣，陣元間距為半波長，接收陣列的陣元數為，亦為距為半波長的均勻線陣，接收陣列和發射陣列放置的足夠近，使得對于遠場目標而言，目標的波離方向DOD和波達方向DOA是相同的，在陣列遠場同一距離單元有個目標。如圖1所示。

圖1 單基地MIMO雷達天線位置示意圖

這樣，在接收端匹配濾波器的輸出信號可以寫成［7］

其中αk是第k個目標的復幅度;αt(θk)=［1 e－jπsinθk…ej(M－1)πsinθk］T∈CM×1和 αr(θk)=［1

ejπsinθk…ej(N－1)πsinθk］T∈CN×1分別是第 k個目標的發射和接收導向矢量;S∈CM×N是發射的正交信號，N∈CN×N是高斯白噪聲。由于發射信號是正交的，所以在接收端可以用SH對接收信號進行匹配濾波，這樣，輸出信號就可以表示為［12］

其中珚N=NSH為噪聲項。假設接收和發射導向矢量在L個快拍內是不變的，這樣多個快拍的接收信號可以寫為

將珔Y(l)按列依次排列，可以將式(3)中的接收矩陣矢量化為如下形式

其中g(θk)=αr(θk) αt(θk)∈CMN×1為發射－接收合成導向矢量。

2 基于RD－RISR算法的角度估計

由文獻［13］可知，發射－接收合成導向矢量g

(θ)中僅僅有M+N－1個不相同的元素:［1

ejπsinθk…ej(M+N－1)πsinθk］∈C(M+N－1)×1，所以 g(θ)可以重新寫成這M+N－1個不同元素的線性組合

其中 b(θ)=［1 ejπsinθk…ej(M+N－1)πsinθk］T是一個M+N－1維的Vandermonde矢量，T是一個MN ×(M+N－1)維的變換矩陣:

將式(5)代入式(4)后，接收信號可表示為

從式(7)可以看出，接收信號 珔Y(l)中的目標信號位于由Tb(θk)張成的低維信號空間。因此，可以將高維的接收數據轉化至該低維空間，然后再估計目標角度。定義D為降維矩陣，此時接收數據重新寫為如下形式:

其中span{D}=span{T}，即由D展開的空間與T展開的空間是相同的。注意到額外的噪聲項N(l)變為DHN(l)，為了保證DHN(l)仍然是一個均值為0，方差矩陣為σ2IM+N－1的高斯白噪聲，將D構造為［13］

將式(9)代入式(8)，可以得到

注意到b(θ)=［1 ejπsinθk…ej(M+N－1)πsinθk］T是由目標的角度信息θ和降維后的陣列個數M+N－1共同決定的，而從式(10)中可以看到，目標角度的估計可以看成是在第l次快拍下對K個目標在θ空間下的定位。這個過程可以通過將接收數據Y珘(l)近似參數化完成，如:

其中，B是一個(M+N－1)×Q維的矩陣，通常情況下Q遠遠大于M+N－1，其是由b(θ)構造而成的，形式如下

其中Q的含義是將整個θ空間平分為Q等份，即將2π量化為Q個離散量，相鄰等份的角度間隔為θΔ=2π/Q。很明顯，為了得到更好的角度估計精度，就需要對2π更細致的量化，意味著需要Q更大。在式(11)中，α(l)是矩陣B中Q個導向矢量的復幅度矢量，其維數為Q×1。比較式(10)與式(11)，可以看到，如果對θ空間量化的足夠細致，α(l)會僅僅在K個目標所在的角度處不為0，而在其他位置處均為0。因此，目標的角度估計問題就轉化為搜索矢量α(l)的峰值位置。在這里注意到，對于MUSIC和ESPRIT算法，目標的個數需要在處理之前通過其他方法估計，而該算法下目標的數量僅僅需要通過確定α(l)的峰值個數就可以獲得，而且，峰值的幅度就是目標回波的幅度。

對α(l)的估計可以轉化為最小化如下最小均方差

其中W(l)為一個(M+N－1)×Q維的最小均方差匹配濾波器組。通過式(13)可以得到W (l)的形式如下

假設目標回波和噪聲是統計獨立的，將式(11)代入式(14)可以得到

在式(15)中，E{珚N(l)珚NH(l)}為噪聲協方差矩陣，定義為R，注意到，噪聲的方差為σ2，所以可以簡化為R=σ2I;而對于信號相關項BE{α(l)αH(l)}BH，假設 中各個元素都在時間上是不相關的，這是由于RD－RISR算法在本質上是對每個快拍數據進行獨立處理，所以該算法并不關心目標在時間上是否相關，因此與子空間類算法不同，RD－RISR算法也可以估計相關目標的角度。為了保證α(l)中各個元素都在時間上是不相關的假設，空間譜分布矩陣可以定義為如下形式

其中P(l)的對角元素組成了空間能量分布譜，IQ×Q是一個R=σ2I維的單位陣。將式(16)和代入到式(15)中可得

注意到上式中P(l)是未知的，在迭代過程中需要對P(l)求得一個初始值，而P(l)的形式可以看到要得到其初始估計，就要求對α(l)進行初始估計，而α(l)的初始估計可以通過將量化后的接收信號與一個匹配濾波器組相乘得到，在這里，導向矢量矩陣B可以作為該匹配濾波器組，這樣就可以得到

因此，P(l)的初始估計如下

然后根據式(20)得到第i次 的最小均方差估計

根據式(21)得到的第i次估計

式(19)、(20)和(21)構成了RD－RISR算法的第i次迭代的基本形式。當迭代夠事先決定的次數或者時，整個迭代過程停止，其中 ε為事先定義的極小值。這時的對角元素就是RD－RISR譜，給出了K個目標的幅度和角度信息。

前面所有的討論均是在單次快拍的情況下討論的，然而，當目標的功率譜分布在給定的時間內是不變的時，RD－RISR同樣也可以處理多個快拍數據。同時實驗表明多次快拍下的估計性能要比單次快拍下好的多。

當目標的功率譜分布在L個快拍數據內是不變的時候，可以用一個總的匹配濾波器組對L個快拍的接收數據+l－1)］處理，得到

在第i次迭代中，用式(24)中的平均功率估計代替式(20)中的，然后求得第i次總最小均方差濾波器組而式(17)中最初的濾波器組依然是矩陣B。可以看到單個快拍下的RDRISR算法其實是多次快拍下額特例，在下面的討論中，該算法均是對L個快拍數據進行處理。

為了方便，RD－RISR的角度估計步驟如下: 1.用SH對接收信號進行匹配濾波，得到數據矢量

4 計算機仿真

仿真中單基地MIMO雷達的發射陣列與接收陣列均為間距半波長的等距線陣，M=N=10。其測角的均方根誤差表示如下

其中Z為MonteCarlo次數，^θk，z為第K個目標角度θk的第z次估計。

仿真1 算法收斂性驗證

本仿真中考慮兩個非相關目標，目標一的角度為θ1=10°，信噪比SNR=20 dB，目標二角度為θ2=14°，信噪比SNR=10 dB;快拍數L=5，角度空間量化量Q=3600。圖2分別給出了初始的，經過2、10和17次迭代的RD－RISR譜。從圖中可以看出經兩次迭代之后RD－RISR譜的旁瓣基本被消除，并且大概可以看到兩個目標;經過10次迭代之后兩個目標已經可以清晰的分辨出來;經過17次迭代之后，RD－RISR譜僅僅在目標所在的角度處是非0值，這說明在沒有目標個數的先驗信息下，RD－RISR譜中非零值的個數就是目標的個數，在對角度估計的同時也完成了對目標個數的估計。并且，可以觀察到目標的幅度也分別是真實的20dB和10dB。

圖2 RD－RISR算法收斂性

仿真2 分辨率與角度估計精度驗證

仿真條件如仿真1，不過在仿真2中快拍數L分別為2、3、5、8和10，為了不將錯誤的測角信息也進行比較，所以在做測角精度仿真的同時也要做分辨率的仿真，僅僅當成功分辨之后才將測角結果記入RMSE估計。由圖3可以看到，在同信噪比下，隨著快拍數的增多，RD－RISR算法的分辨率會變好，特別可以看到當快拍數從2到3時，算法的分辨率有了明顯的提升。而從圖4中可以看到，在同信噪比下，隨著快拍數的增多，目標的測角精度也隨之提高，同時也可以看到，當SNR＞15dB時，快拍數L等于5、8和10的性能相同，而且不再降低，這是由于測角精度的下限受到角度量化值Q的限制，其無法突破2π/Q。

圖3 分辨率隨SNR變化圖

圖4 角度估計RMSE隨SNR變化圖

仿真3 相關源估計能力驗證

在本仿真中，假設有三個相關源，其角度分別為θ1=－10°，θ2=10°和θ3=15°，信噪比SNR= 10dB，快拍數L=5。在圖5中，同時給出了RDMUSIC譜和 RD－CAPON譜用以比較算法性能。從圖中可以看到由于相關源的存在，RD－MUSIC和RD－CAPON算法并不能分辨出三個目標，這是由于三個目標的特征值相同，導致數據協方差矩陣是秩虧損的，而RD－RISR算法可以清楚的分辨出三個相關源的位置與幅度。圖6給出了當目標相關時不同快拍下目標角度估計精度隨SNR的變化圖，如同非相關目標，在相同信噪比下，隨著快拍數的增加，RD－RISR算法的測角精度也隨之提高，在低信噪比和少快拍數的情況下，目標的估計精度也是可以得到保證的。

圖5 相關目標算法譜圖

圖6 相關目標角度估計RMSE隨SNR變化圖

圖7 角度估計RMSE隨信噪比變化圖

仿真4 角度估計性能比較

目標信息如仿真一，快拍數L=100，角度空間量化量 Q=18000，也就是測角精度的下限為0.02°。從圖中可以看到，RD－RISR算法的估計性能優于RD－Capon算法。

3 小 結

本文針對單基地 MIMO雷達提出了 RDRISR算法，該算法在降低計算量的同時，可以對目標的數量、幅度和角度信息同時完成估計，并且該算法可以實現對相關目標的估計，仿真結果驗證了算法的有效性。

［1］E.Fishler，A.Haimovich，R.Blum，D.Chizhik，L.Cimini，R.Valen－zuela，MIMO radar:an idea whose time has come，in:Proceedings of the IEEE Radar Conference，Philadelphia，PA，USA，2004，(1):71－78.

［2］I.Bekkerman，J.Tabrikian，Target detection and localization using MIMO radars and sonars，IEEE Transactions on Signal Processing，2006，54(10):3873－3883.

［3］E.Fishler，A.Haimovich，R.Blum，L.Cimini，D.Chizhik，R.Valenzuela，Spatial diversity in radarsmodels and detection performance，IEEE Transactions on Signal Processing 54(3)(2006)823－838.

［4］A.M.Haimovich，R.Blum，L.Cimini，MIMO radar with widely separated antennas，IEEE Signal Processing Magazine，2008，25(1):116－129.

［5］J.Li，P.Stoica，MIMO radar with colocated antennas，IEEE Signal Processing Magazine 24(5)(2007)106－114.

［6］L.Z.Xu，J.Li，P.Stoica，Target detection and parameter estimation for MIMO radar system，IEEE Transactions on Aerospace and Electronic Systems，2008，44 (30):927－939.

［7］H.Yan，J.Li，G.Liao，Multitarget identification and localization using bistatic MIMO radar systems，EURASIP Journal on Advances in Signal Processing，2008，8 (1):283483.

［8］Rong Xie，Zheng Liu，Zi－jingZhang，DOA estimation for monostatic MIMO radar using ploynomial rooting，Signal Processing，2010，90:3284－3288.

［9］Gao，X.，Zhang，X.F.，Feng，G.P.，et al.(2009).On the MUSIC－derived approaches of angle estimation for bistatic MIMO radar.In International conference on wireless networks and information systems，343－346.

［10］Zahernia，A.，Dehghani，M.J.，＆ Javidan，R.(2011).MUSIC algorithm for DOA estimation using MIMO arrays.In 6th international conference on telecommunication systems，services and applications，149－153.

［11］C.Duofang，C.Baixiao，Q.Guodong，Angle estimation using ESPRIT in MIMO radar，Electronics Letters 44(12)(2008)770－771.

［12］H.Lv，D.Feng，H.Liu，Tri－iterative least－square method for bearing estimation in MIMO radar，Signal Processing 89(2009)2686－2691.

［13］L.Xu，J.Li，and P.Stoica，Adaptive techniques for MIMO radar，in:Proceedings of the 4th IEEE Workshop on Sensor Array and Multi－Channel Processing，Waltham，MA，2006:258－262.

RD－RISR－Based DOA Estimation Method of Monostatic MIMO Radar

Dang Xiaofang1，Zhang Hui2
(1.Xi’an Electronic Engineering Research Institute，Xi’an 710100; 2.Xi’an Representative Office of Army Aviation，General Armament Department，Xi’an 710065)

Aiming at DOA estimation of monostatic MIMO radar，a dimensionality reduction repeat iterative superresolution algorithm based on iterative least mean square error criteria is presented.Firstly，high dimension receiving data is reduced by using dimension reduction matrix，then，target angle is estimated by using repeat iterative superresolution algorithm.It is not needed to estimate target number and angle in advance by using this algorithm，the estimation performance is not decreased obviously in condition of absent snapshot，and in condition of coherent target(like multipath)，the target quantity and angle may be estimated favorably.The simulation result verifies effectiveness of the presented algorithm.

MIMO radar;dimension reduction;repeat iterative;super－resolution

TN

A

1008-8652(2016)04-031-06

2016-01-11

黨曉方(1987－)，男，博士研究生。研究方向為MIMO雷達。