目前基于正交时频空(orthogonal time frequency space,OTFS)的雷达目标参数估计算法以在网估计为主,但在网估计算法无法有效应对现实应用中的离网现象。同时,现有离网估计算法的目标参数估计性能受建模误差的限制,也难以确保雷达系统...目前基于正交时频空(orthogonal time frequency space,OTFS)的雷达目标参数估计算法以在网估计为主,但在网估计算法无法有效应对现实应用中的离网现象。同时,现有离网估计算法的目标参数估计性能受建模误差的限制,也难以确保雷达系统在复杂环境下的有效应用。针对以上问题,提出了一种基于OTFS调制的动态稀疏贝叶斯(dynamic-sparse Bayesian learning,dynamic-SBL)算法。该算法在稀疏贝叶斯学习框架下引入动态虚拟网格,通过不断更新调整网格参数降低建模误差,提升目标参数估计性能。同时利用OTFS雷达信道特有的稀疏性对网格参数进行选择性局部更新,以降低算法的复杂度。仿真结果表明,所提算法估计的目标归一化时延和多普勒频率的均方误差较小,目标参数的估计性能优于传统离网估计方法的。该算法在实际雷达系统中具有较大应用潜力。展开更多
文摘目前基于正交时频空(orthogonal time frequency space,OTFS)的雷达目标参数估计算法以在网估计为主,但在网估计算法无法有效应对现实应用中的离网现象。同时,现有离网估计算法的目标参数估计性能受建模误差的限制,也难以确保雷达系统在复杂环境下的有效应用。针对以上问题,提出了一种基于OTFS调制的动态稀疏贝叶斯(dynamic-sparse Bayesian learning,dynamic-SBL)算法。该算法在稀疏贝叶斯学习框架下引入动态虚拟网格,通过不断更新调整网格参数降低建模误差,提升目标参数估计性能。同时利用OTFS雷达信道特有的稀疏性对网格参数进行选择性局部更新,以降低算法的复杂度。仿真结果表明,所提算法估计的目标归一化时延和多普勒频率的均方误差较小,目标参数的估计性能优于传统离网估计方法的。该算法在实际雷达系统中具有较大应用潜力。
