受恶劣电磁环境和元器件老化等因素影响,多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达的天线阵元发生故障的概率增加,而阵元故障会严重降低目标波达方向(Direction of Arrival,DOA)估计性能。现有的大多数基于深度学习的DOA...受恶劣电磁环境和元器件老化等因素影响,多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达的天线阵元发生故障的概率增加,而阵元故障会严重降低目标波达方向(Direction of Arrival,DOA)估计性能。现有的大多数基于深度学习的DOA估计方法未能充分利用阵列模型的先验信息,导致其建立的映射关系极为复杂,从而使得网络拟合难度较大。为此,提出一种基于先验驱动残差注意力网络的阵元故障MIMO雷达DOA估计方法。首先,利用MIMO雷达协方差矩阵的双重Toeplitz先验特性,构建了基于先验驱动的残差注意力网络,并引入残差注意力块对协方差矩阵的特征进行加权处理,旨在学习阵元故障下存在数据缺失的协方差矩阵和完整协方差矩阵生成向量之间的映射关系。然后,根据残差注意力网络输出的生成向量估计值得到完整的协方差矩阵。最后,利用RD-ESPRIT(Reduced Dimension ESPRIT)算法估计目标DOA。仿真结果表明,所提算法在阵元故障下的DOA估计性能优于现有算法,在信噪比为15 dB时,其DOA估计精度比效果最好的现有算法提高了43.26%。展开更多
文摘双基地多输入多输出(Multiple-Input Multiple-Output, MIMO)雷达阵元故障会导致三阶观测张量中出现缺失切片数据,严重影响目标角度估计性能。为此,提出一种基于原子范数的阵元故障MIMO雷达差分共阵角度估计方法。首先,对MIMO雷达三阶观测张量进行PARAFAC分解得到收发阵列的不完整因子矩阵;然后,利用收发阵列的因子矩阵分别获得发射和接收差分共阵的导向矩阵,并利用差分共阵的冗余度对故障阵元缺失数据进行填充,从而得到等效虚拟收发阵列的虚拟因子矩阵;最后,为了填补等效虚拟阵列中的空洞,分别对等效虚拟收发阵列的虚拟因子矩阵建立原子范数约束下的低秩矩阵重构模型,并将其表述为半正定规划(Semi-definite Programming, SDP)问题,利用交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)求解该矩阵重构模型。仿真结果表明,所提方法可以有效重构出不完整因子矩阵中的缺失数据,从而改善MIMO雷达阵元故障下的角度估计性能。
