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
通过压缩信道状态信息(Channel Status Information,CSI)传输码字降低大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的CSI反馈开销,可以有效减少计算资源的使用和信息传输时间的消耗。针对如何使用轻量化模型准确估计...通过压缩信道状态信息(Channel Status Information,CSI)传输码字降低大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的CSI反馈开销,可以有效减少计算资源的使用和信息传输时间的消耗。针对如何使用轻量化模型准确估计低压缩比条件下CSI反馈的问题,通过设计的轻量化迭代交叉网络(Iterative Cross Network,ICNet)模型,在用户端使用设计的迭代压缩模块压缩CSI反馈,基站端使用设计的迭代重建模块估计CSI反馈,以较高的准确率和较低的时间消耗估计了低压缩比条件下的CSI反馈。在COST2100模型生成的数据样本下评估了ICNet在低压缩比条件下的鲁棒性,实验表明,在较小的1/64压缩比条件下,ICNet的归一化均方误差比次优值降低了8.48%,ICNet的参数量降低了35%左右。展开更多
为解决在双可重构智能超表面(Reconfigurable Intelligent Surface,RIS)系统中获取高维信道状态信息(Channel State Information,CSI)的挑战,提出了一种基于混合张量分解的多链路联合信道估计算法。首先,通过设计导频传输机制,将单反射...为解决在双可重构智能超表面(Reconfigurable Intelligent Surface,RIS)系统中获取高维信道状态信息(Channel State Information,CSI)的挑战,提出了一种基于混合张量分解的多链路联合信道估计算法。首先,通过设计导频传输机制,将单反射链路和双反射链路的接收信号分别建模为平行因子模型和平行因子塔克(Tucker)张量模型,将信道估计问题转化为混合张量因子矩阵的拟合问题。然后,考虑到多条链路之间共享的CSI,采用一种基于交替最小二乘迭代算法来分解混合张量,以有效估计出因子矩阵。最后,通过对该混合张量进行唯一性分析,与传统的Khatri-Rao分解方法相比,所提方法具备更为灵活的参数设计特点。仿真实验结果表明,该方法能够在训练块数小于RIS单元数的情况下有效估计反射链路CSI。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。
文摘为解决在双可重构智能超表面(Reconfigurable Intelligent Surface,RIS)系统中获取高维信道状态信息(Channel State Information,CSI)的挑战,提出了一种基于混合张量分解的多链路联合信道估计算法。首先,通过设计导频传输机制,将单反射链路和双反射链路的接收信号分别建模为平行因子模型和平行因子塔克(Tucker)张量模型,将信道估计问题转化为混合张量因子矩阵的拟合问题。然后,考虑到多条链路之间共享的CSI,采用一种基于交替最小二乘迭代算法来分解混合张量,以有效估计出因子矩阵。最后,通过对该混合张量进行唯一性分析,与传统的Khatri-Rao分解方法相比,所提方法具备更为灵活的参数设计特点。仿真实验结果表明,该方法能够在训练块数小于RIS单元数的情况下有效估计反射链路CSI。
