基于开关的部分极化信号多极化阵列测向方法

    公开(公告)号:CN113937514B

    公开(公告)日:2024-03-26

    申请号:CN202111086755.4

    申请日:2021-09-16

    发明人: 潘玉剑 崔世豪

    IPC分类号: H01Q21/24

    摘要: 本发明公开了基于开关的部分极化信号多极化阵列测向方法,具体用于减少接收机中的射频链路数以及提高测向精度。本发明方法首先布置多极化阵列,然后基于开关的部分极化信号接收采样,得到多极化阵列各方向极化单元的输出向量,获得多极化阵列各个极化方向输出对应的协方差矩阵,对各个极化方向的协方差矩阵求和,最后基于求和后的协方差矩阵进行测向。本发明方法减少了射频链路的数量,从而降低了成本和功耗,相对传统测向方法具有更高的精度。本发明方法既可应用于双极化阵列,也可应用于三极化阵列。相比于双极化阵列,三极化阵列可提供更高的测向精度。

    一种基于中心共轭零化的快速高精度阵列互耦自校正方法

    公开(公告)号:CN115828081A

    公开(公告)日:2023-03-21

    申请号:CN202211525491.2

    申请日:2022-11-30

    摘要: 本发明涉及一种基于中心共轭零化的快速高精度阵列互耦自校正方法,用于提高阵列的互耦校正精度和提高算法执行速度。本发明方法首先进行阵列布阵及互耦存在时的信号建模,然后基于奇异值分解进行数据维度压缩,再基于中心共轭零化建立优化问题,并基于实数SQP优化方法求解该优化问题,最后估计波达方向和阵列互耦。本发明方法通过赋予零化滤波器中心共轭的性质,从而让滤波器的零点位于单位圆上,使得所建模型与阵列信号处理模型相符,可提高互耦校正精度;其次,本发明方法无需进行二次迭代计算,因而可提高算法执行速度。

    基于开关的部分极化信号多极化阵列测向方法

    公开(公告)号:CN113937514A

    公开(公告)日:2022-01-14

    申请号:CN202111086755.4

    申请日:2021-09-16

    发明人: 潘玉剑 崔世豪

    IPC分类号: H01Q21/24

    摘要: 本发明公开了基于开关的部分极化信号多极化阵列测向方法,具体用于减少接收机中的射频链路数以及提高测向精度。本发明方法首先布置多极化阵列,然后基于开关的部分极化信号接收采样,得到多极化阵列各方向极化单元的输出向量,获得多极化阵列各个极化方向输出对应的协方差矩阵,对各个极化方向的协方差矩阵求和,最后基于求和后的协方差矩阵进行测向。本发明方法减少了射频链路的数量,从而降低了成本和功耗,相对传统测向方法具有更高的精度。本发明方法既可应用于双极化阵列,也可应用于三极化阵列。相比于双极化阵列,三极化阵列可提供更高的测向精度。

    基于三极化嵌套阵列的部分极化信号参数估计方法

    公开(公告)号:CN113552531A

    公开(公告)日:2021-10-26

    申请号:CN202110718742.8

    申请日:2021-06-28

    发明人: 潘玉剑 高晓欣

    IPC分类号: G01S3/14 G06F17/16

    摘要: 本发明公开了一种基于三极化嵌套阵列的部分极化信号参数估计方法,主要用于解决欠定条件下部分极化信号波达方向及极化参数估计问题。其实现步骤是:根据优化法则布置三极化嵌套阵列;构建三极化阵列的部分极化信号接收模型;利用子协方差矩阵相加构造虚拟均匀线阵;利用子协方差矩阵相加构造虚拟协阵输出;利用Toeplitz方法恢复矩阵的秩;估计信号波达方向;估计噪声方差;估计信号极化参数。该方法优势:采用的三极化阵列及子协方差矩阵相加方法可累积信号所有极化分量的功率;采用了优化的嵌套阵列,可在欠定条件下估计噪声方差,从而实现极化参数的无偏估计;除了能估计信号的波达方向和极化度,还能估计极化指向角和极化椭圆率角。

    一种基于零化去噪技术的互质阵欠定测向方法

    公开(公告)号:CN110749856B

    公开(公告)日:2021-07-27

    申请号:CN201910851814.9

    申请日:2019-09-10

    IPC分类号: G01S3/14 G06F17/16

    摘要: 本发明提供了一种基于零化去噪技术的互质阵欠定测向方法,具体包括以下步骤:互质阵布阵并接收阵列数据;数据预处理;构造均匀虚拟阵列数据向量及模型噪声协方差矩阵;迭代求解零化系数;方程求根并测向。该方法相比现有技术的优势在于:首先,在欠定求解过程中引入了对阵列噪声方差的估计,且用零化去噪的技术实现了对互质阵虚拟阵列中的孔洞进行了插值,充分利用了所有的阵元信息以及阵列自由度;其次,本发明对由有限快拍数引起的模型噪声进行了建模,可提高测向精度;最后,本发明提出的方法属于无网格算法,不存在网格效应,也无需进行空域网格扫描。

    一种箔条云RCS获取方法

    公开(公告)号:CN109215072B

    公开(公告)日:2021-07-20

    申请号:CN201810818113.0

    申请日:2018-07-24

    IPC分类号: G06T7/62 G06F17/16

    摘要: 本发明公开了基于tanh‑sinh积分法的箔条云RCS获取方法。传统的箔条云RCS算法的计算效率低,当计算大规模箔条云时,其计算量将无法满足实际需求。本发明如下:一、获取箔条云及特征箔条的信息,并建立全局坐标系、局部坐标系。二、获取特征箔条的双站散射系数。三、计算被积函数σ⊥to⊥、σ⊥to//、σ//to//的奇异点。四、剖分σ⊥to⊥、σ⊥to//、σ//to//的待积分区域。五、分别积分各小区域的雷达散射截面积。六、通过叠加的方式计算特征箔条的雷达散射截面积。七、通过乘上箔条数量计算箔条云的雷达散射截面积。本发明在计算精度接近蒙特卡罗法的同时,大大增强了计算效率。

    基于方向函数的非均匀圆阵相位干涉仪测向解模糊方法

    公开(公告)号:CN109633526B

    公开(公告)日:2020-09-01

    申请号:CN201910086713.7

    申请日:2019-01-29

    IPC分类号: G01S3/46

    摘要: 本发明提供了一种基于方向函数的非均匀圆阵相位干涉仪测向解模糊方法,传统方法具有立体基线法对于大俯仰角目标难以解方位角的镜像模糊导致的成功解模糊概率低的技术问题,本发明具体包括以下步骤:计算基线相位差最大模糊数;写出基线组的所有解模糊相位差组合;由解模糊相位差组合计算方向函数;选择基线组并构造方向矩阵;选择参考基线组进行解模糊并计算俯仰角与方位角。基于方向函数的解模糊方法,在解模糊时不需要计算俯仰角与方位角,避免了大俯仰角目标情形下解方位角镜像模糊成功概率低导致的最终解相位模糊成功概率低的问题,提高了大俯仰角目标情形下的成功解模糊概率,从而改善其测向性能。

    一种基于零化插值的互质阵部分极化信号参数估计方法

    公开(公告)号:CN112731275B

    公开(公告)日:2023-11-03

    申请号:CN202011578139.6

    申请日:2020-12-28

    发明人: 潘玉剑 高晓欣

    IPC分类号: G01S3/14

    摘要: 本发明公开了一种基于零化插值的互质阵部分极化信号参数估计方法,用于估计欠定条件下部分极化信号波达方向及极化参数。包括按互质阵列排布接收端;构建部分极化信号接收模型并采样;构造阵元不重复虚拟阵列输出及其模型噪声协方差矩阵;初始化内插输出信号;初始化迭代变量;求解线性等式约束最小二乘;估计信号的波达方向与极化参数。与现有技术相比,该方法在欠定估计信号参数时采用互质阵列代替嵌套阵列,增大阵元间孔径,降低了阵元互耦,可以同时估计信号波达方向和极化参数,在处理互质阵列数据时,利用零化插值对其虚拟阵列孔洞处进行插值,将非连续阵列变为连续均匀虚拟线阵,利用全部阵元信息和自由度,提高可估计信号的数量和精度。

    一种基于深度学习的非理想非均匀阵列单快拍测向方法

    公开(公告)号:CN115758087A

    公开(公告)日:2023-03-07

    申请号:CN202211515822.4

    申请日:2022-11-30

    摘要: 本发明涉及一种基于深度学习的非理想非均匀阵列单快拍测向方法,包括暗室采集数据并获取阵列导向矢量;计算阵列输出的协方差矩阵以及深度学习标签;生成深度学习网络训练数据集;设计深度学习网络架构与损失函数并训练网络;利用训练好的深度学习网络重构托普利兹协方差矩阵;利用重构的托普利兹协方差矩阵估计目标数以及信号波达方向。相对于传统处理方法,由于在网络训练过程中保持了协方差矩阵的托普利兹性,使得本发明方法能过获得高精度的测向性能。另外,本发明通过神经网络模型重构均匀线阵的协方差矩阵,同时完成了去噪、秩恢复、阵列插值和阵列校准功能,降低了后续常规阵列信号信号处理的难度。

    基于深度学习重构协方差矩阵的互质阵波达方向估计方法

    公开(公告)号:CN114879137A

    公开(公告)日:2022-08-09

    申请号:CN202210661582.2

    申请日:2022-06-10

    摘要: 本发明公开了一种基于深度学习重构协方差矩阵的互质阵波达方向估计方法。本发明方法步骤为:互质阵列布阵;互质阵列输出建模;深度学习标签的协方差矩阵建模;生成深度学习网络训练数据集;设计深度学习网络架构及构建半正定协方差矩阵;设置损失函数并训练深度学习网络;利用深度学习网络重构半正定协方差矩阵,并估计信号源数;利用重构的半正定协方差矩阵估计信号波达方向。使用本发明方法充分利用了深度学习强大的拟合能力,通过深度学习网络模型的输出直接重构均匀线阵的协方差矩阵,等效实现了虚拟阵列孔洞的插值问题。对应的波达方向估计性能相对于传统信号处理方法得到提升,估计的均方根误差更加接近克拉美罗理论下限。