基于波形选择的MIMO雷达三维稀疏成像与角度误差校正方法

该文研究稀疏目标场景下,波形选择对基于压缩感知理论的MIMO雷达成像效果的影响并提出一种改进的成像角度误差校正方法。首先分析了模糊函数和压缩感知匹配字典的相关系数之间的关系;然后,在空间小角度域情况下,针对成像场景中的角度误差,提出一种改进的基于迭代最小化的稀疏学习(SLIM)算法进行校正。仿真结果表明,选择具有较低旁瓣模糊函数的发射波形可以提高成像质量,改进的SLIM算法可以有效补偿角度误差。

一种车载毫米波TDM⁃MIMO雷达高精度成像方法

针对现有的车载毫米波雷达高分辨成像方法因存在离网误差导致精度低的问题,通过利用最大似然(ML)准则的统计特性,提出了一种迭代最小化稀疏学习(SLIM)与ML估计相结合的高精度测角方法用于点云成像。首先对中频数据进行距离维FFT得到距离像,再对新的数据进行多普勒维FFT得到多普勒像,经恒虚警率检测(CFAR)之后获取目标的距离、速度索引点,然后对索引点对应的多个虚拟接收阵元数据使用SLIM方法进行角度估计,最后通过最小化ML成本函数来细化波达方向(DOA),从而获得高精度的点云像。仿真和实验结果表明,该方法得到的点云像具有高精度的特点,角度精度能够达到0.1°。

低信噪比条件下宽带欠定信号高精度DOA估计

为提高低信噪比条件下宽带欠定信号DOA估计精度,该文提出基于网格失配迭代最小化稀疏学习的宽带DOA估计方法。该方法首先对频域协方差矩阵进行矢量化处理实现虚拟阵列扩展,将欠定信号转换为超定信号。其次利用线性变换滤除含有噪声项的虚拟阵元,并对协方差估计误差进行了白化处理,抑制了信号中的干扰项。最后建立了包含不同频点联合稀疏参数和网格失配参数的贝叶斯层次架构,推导了联合稀疏参数、网格失配参数的最小稀疏表达式并进行了迭代学习。较传统方法,该方法不依赖任何先验信息,更好地抑制了虚拟阵元中的噪声和干扰,降低了网格失配对DOA估计的影响,在低信噪比条件下具有更高的DOA估计精度和分辨率。仿真实验验证了该方法的有效性。