基于压缩测量的EMVS阵列2D-DOA和极化参数联合估计方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114994591A(43)申请公布日2022.09.02(21)申请号202210445913.9(22)申请日2022.04.26(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人陈伯孝井佳秋朱东晨(74)专利代理机构西安嘉思特知识产权代理事务所(普通合伙)61230专利代理师王海栋(51)Int.Cl.G01S3/14(2006.01)G06F17/16(2006.01)G06F17/12(2006.01)权利要求书2页说明书7页附图6页(54)发明名称基于压缩测量的EMVS阵列2D-DOA和极化参数联合估计方法(57)摘要本发明提供的一种基于压缩测量的EMVS阵列二维波达方向和极化参数的联合估计方法，一方面将电磁矢量传感器阵列与压缩网络相结合，提出压缩降维多信号分类的处理过程，同时估计目标的俯仰角信息、方位角信息以及感兴趣信号的极化参数，因此本发明可以获取更多的目标信息，方便后续的目标检测与识别；另一方面，由于现有技术在选择压缩网络的系数矩阵时，随机选择会导致信息丢失，从而导致估计算法的性能下降；本发明通过对压缩矩阵进行优化，获得最优压缩矩阵，可以达到降低硬件设备成本，并且达到确保阵列孔径损失在一定范围内的目的。CN114994591ACN114994591A权利要求书1/2页1.一种基于压缩测量的EMVS阵列二维波达方向和极化参数的联合估计方法，其特征在于，包括以下步骤：步骤一：获取电磁矢量传感器阵列降维后的数据；其中，降维后的数据由电磁矢量传感器阵列所接收的数据经过压缩网络压缩得到；步骤二：根据降维后的数据计算协方差矩阵，并对协方差矩阵进行特征值分解，得到噪声子空间；步骤三：利用噪声子空间将MUSIC的四维搜索问题转化为瑞利‑里兹问题；步骤四：利用求解瑞利‑里兹问题的二维搜索过程进行二维DOA估计，得到仰角以及方位角；步骤五：根据估计出的仰角以及方位角，估计琼斯矢量；步骤六：利用估计出的琼斯矢量，估计极化辅角和极化相位差的封闭解；步骤七：利用估计出的极化辅角、极化相位差、仰角以及方位角，计算阵列流形；步骤八：基于所述阵列流形，利用最大信噪比准则构造优化问题，求解优化问题得到最优压缩向量；步骤九：利用最优压缩向量，得到最优压缩矩阵的封闭解。2.根据权利要求1所述的联合估计方法，其特征在于，所述对协方差矩阵进行特征值分解，得到噪声子空间包括：对协方差矩阵进行特征值分解，得到多个特征值；将多个特征值中按从大到小的顺序删除前K个的特征值，将剩余特征值对应的特征向量进行展开，得到噪声子空间。3.根据权利要求2所述的联合估计方法，其特征在于，降维后的数据表示为：y(t)＝Φx(t)+w(t)其中，y(t)包含K个目标，x(t)表示EMVS阵列所接收的数据，w(t)为压缩网络附加的与x(t)独立的高斯白噪声信号，Φ表示压缩网络。4.根据权利要求3所述的联合估计方法，其特征在于，协方差矩阵表示为：其中，表示协方差矩阵，Rs＝diag(p1,p2,...pK)代表着信号协方差矩阵，pk(k＝1,2,...,K)代表着第k个信号源的能量，B＝ΦA＝Φ(As⊙Ap)，As＝(as1,as2,...asK)以及Ap＝(ap1,ap2,...apK)分别代表K个信号源的空域响应矩阵和空域‑极化响应矩阵。5.根据权利要求4所述的联合估计方法，其特征在于，所述步骤三包括：利用Kronecker积的性质重写MUSIC的四维搜索问题的整个导向矢量，以将四维搜索问题转化为瑞利‑里兹问题；瑞利‑里兹问题表示为：s.t.gHg＝1H其中，gg＝1，θ表示仰角，φ表示方位角，as表2CN114994591A权利要求书2/2页示导向矢量，H表示空域响应矩阵。6.根据权利要求5所述的联合估计方法，其特征在于，所述步骤四包括：利用瑞利‑里兹理论，建立二维搜索过程方程；利用二维搜索过程方程进行二维DOA估计，得到仰角以及方位角；二维搜索过程方程表示为：其中，表示估计出的仰角以及方位角。7.根据权利要求6所述的联合估计方法，其特征在于，所述琼斯矢量表示为：其中，为的最小特征值对应的特征向量。8.根据权利要求7所述的联合估计方法，其特征在于，极化辅角和极化相位差的封闭解为：其中，表示琼斯矢量的第二个元素，表示琼斯矢量的第一个元素。9.根据权利要求8所述的联合估计方法，其特征在于，阵列流形表示为：10.根据权利要求9所述的联合估计方法，其特征在于，利用最大信噪比准则构造如下的优化问题表示为：其中当Φ*第i行非零元素向量的下标索引为j时对角阵Ei的元素Ei,j为1；最优压缩向量表示为：由于最优压缩矩阵wopt为矩阵W的向量化形式，存在一对一的映射关系，Φopt＝W*，Φopt