论文部分内容阅读
从短波到毫米波，从超视距探测到无线传感网络，从合作目标到非合作目标，辐射源的高精度定位在不同频段、不同传播信道、不同系统结构的各类应用背景下均有广泛且迫切的需求。传统的辐射源间接定位方法忽略了测量参量之间的内在联系，且其额外的数据关联步骤也为定位结果带来了不确定因素，因而在实际应用中的性能提升空间受限。空间谱估计技术因具备超分辨、高精度等优越性能而被广泛应用于来波信号的角度测量中，并根据应用场景及需求的不同发展出了一系列性能优良的方法。因此，本文以直接定位的思想为指导，从系统及算法两个角度出发，将空间谱估计领域中若干技术手段引入并加以扩展改造，以期获得辐射源定位性能的提升。本文的主要研究内容及成果如下：
首先，为从系统角度提高辐射源定位性能，本文提出了一种有向天线阵列设计方法及一种非理想阵列校正方法。在所提有向天线阵列设计方法中，为提高包含所有潜在入射方向的感兴趣空域中角估计精度，本文利用最小二乘拟合技术构造了基于克拉美罗界（Cramér-Rao Bound，CRB）赋形的优化问题以获得阵元辐射特性的最优设计。为求解上述优化问题，本文引入了经典模拟退火技术（Simulated Annealing，SA），并设计了一种基于参数迭代的改进SA算法以应对经典SA求解性能不佳的情形。相比于传统均匀线阵（Uniform Linear Array，ULA），设计得到的有向天线阵列可在感兴趣空域内获得均匀且更高的估计精度。另外，对天线辐射特性进行的优化设计还能够抑制模糊，且在不同阵列孔径下均能保持有效性。在所提非理想阵列校正方法中，本文通过对阵列响应的分析发现保留不同校正角度下测量采样之间的相位关系是经典流形分离技术（Manifold Separation Technique，MST）在实际应用中不可或缺的步骤。因此，本文微调了传统阵列校正系统的结构，以便得到测量采样的相位参考。另外，与仅利用单快拍数据进行校正的经典MST不同，所提方法利用子空间分解技术充分联合了多次观测的信息。与传统MST相比，所提校正方法可在相同测量环境下获得更好的阵列校正效果，进而提高阵列的估计性能。
其次，对于经典线性模型下的辐射源定位问题，本文分别提出了两种基于到达角度（Angle-of-Arrival，AOA）信息及一种联合到达时差（Time-Difference-of-Arrival，TDOA）及AOA信息的直接定位算法。在基于AOA信息的全局窄带条件下，本文利用延迟互相关处理得到了一种具有多维谐波恢复形式的辐射源定位新模型。由于自由度的增加，上述模型结合多维谱估计技术后即可有效求解欠定条件下的辐射源定位问题。为进一步提高系统所能够处理的辐射源数目，本文还将上述模型扩展至了嵌套阵情形下。所提新模型下的NM-Capon方法能够在无须数据关联处理、无须已知辐射源数目的条件下得到高精度的辐射源定位结果，且能够对抗阵元间的相关噪声。在基于AOA信息的局域窄带条件下，本文推导了最大似然（Maximum Likelihood，ML）估计器，并利用期望最大（Expectation Maximization，EM）及多项式求根算法直接确定了辐射源位置。所提方法无需数据关联步骤，相比现有局域窄带条件下的AOA定位方法具有更高的估计精度，相比于全局窄带条件下的方法具有对信号带宽更强的鲁棒性。在联合利用TDOA及AOA信息的数据模型下，本文提出了一种基于空时处理的直接定位算法。该方法构造了各站接收数据之间的延迟互相关累积量并对其性质进行了分析，而后利用子空间原理得到了辐射源位置估值。所提方法无需各站之间的数据关联步骤，且能够在未知辐射源数目先验的情况下给出欠定条件下的目标定位结果。相比于仅利用AOA信息的辐射源定位算法，所提方法在低信噪比及大带宽条件下具有更好的估计性能。相比于现有的TDOA-AOA定位方法，所提方法在高信噪比及小带宽条件下具有更好的估计性能。
最后，本文在稀疏贝叶斯学习（Sparse Bayesian Learning，SBL）框架下为辐射源直接定位问题提供了新的视角。本文分别在三种定位模型下给出了基于SBL技术的辐射源定位方法：包括稀疏建模下的全局AOA模型、局域AOA模型及TDOA-AOA模型。不同于现有的基于?1惩罚的定位算法，SBL框架下的扩展使得求解具有部分未知字典的稀疏恢复问题成为可能。本文在BSBL-BO（Bound-Optimization Block Sparse Bayesian Learning）求解方法的基础上作出了适应于定位模型的改进：包括在求解步骤中增加了对信道衰减因子的更新；将原有基于单观测矢量（Single Measurement Vector，SMV）的方法扩展至了多观测矢量（Multiple Measurement Vectors，MMV）情形下；以及利用交替最小化策略更新待定参量以保证迭代收敛。所提方法无需站间数据关联处理，无须已知辐射源个数，无须超参数整定，且相比现有方法具备更高或相近的估计精度。
首先，为从系统角度提高辐射源定位性能，本文提出了一种有向天线阵列设计方法及一种非理想阵列校正方法。在所提有向天线阵列设计方法中，为提高包含所有潜在入射方向的感兴趣空域中角估计精度，本文利用最小二乘拟合技术构造了基于克拉美罗界（Cramér-Rao Bound，CRB）赋形的优化问题以获得阵元辐射特性的最优设计。为求解上述优化问题，本文引入了经典模拟退火技术（Simulated Annealing，SA），并设计了一种基于参数迭代的改进SA算法以应对经典SA求解性能不佳的情形。相比于传统均匀线阵（Uniform Linear Array，ULA），设计得到的有向天线阵列可在感兴趣空域内获得均匀且更高的估计精度。另外，对天线辐射特性进行的优化设计还能够抑制模糊，且在不同阵列孔径下均能保持有效性。在所提非理想阵列校正方法中，本文通过对阵列响应的分析发现保留不同校正角度下测量采样之间的相位关系是经典流形分离技术（Manifold Separation Technique，MST）在实际应用中不可或缺的步骤。因此，本文微调了传统阵列校正系统的结构，以便得到测量采样的相位参考。另外，与仅利用单快拍数据进行校正的经典MST不同，所提方法利用子空间分解技术充分联合了多次观测的信息。与传统MST相比，所提校正方法可在相同测量环境下获得更好的阵列校正效果，进而提高阵列的估计性能。
其次，对于经典线性模型下的辐射源定位问题，本文分别提出了两种基于到达角度（Angle-of-Arrival，AOA）信息及一种联合到达时差（Time-Difference-of-Arrival，TDOA）及AOA信息的直接定位算法。在基于AOA信息的全局窄带条件下，本文利用延迟互相关处理得到了一种具有多维谐波恢复形式的辐射源定位新模型。由于自由度的增加，上述模型结合多维谱估计技术后即可有效求解欠定条件下的辐射源定位问题。为进一步提高系统所能够处理的辐射源数目，本文还将上述模型扩展至了嵌套阵情形下。所提新模型下的NM-Capon方法能够在无须数据关联处理、无须已知辐射源数目的条件下得到高精度的辐射源定位结果，且能够对抗阵元间的相关噪声。在基于AOA信息的局域窄带条件下，本文推导了最大似然（Maximum Likelihood，ML）估计器，并利用期望最大（Expectation Maximization，EM）及多项式求根算法直接确定了辐射源位置。所提方法无需数据关联步骤，相比现有局域窄带条件下的AOA定位方法具有更高的估计精度，相比于全局窄带条件下的方法具有对信号带宽更强的鲁棒性。在联合利用TDOA及AOA信息的数据模型下，本文提出了一种基于空时处理的直接定位算法。该方法构造了各站接收数据之间的延迟互相关累积量并对其性质进行了分析，而后利用子空间原理得到了辐射源位置估值。所提方法无需各站之间的数据关联步骤，且能够在未知辐射源数目先验的情况下给出欠定条件下的目标定位结果。相比于仅利用AOA信息的辐射源定位算法，所提方法在低信噪比及大带宽条件下具有更好的估计性能。相比于现有的TDOA-AOA定位方法，所提方法在高信噪比及小带宽条件下具有更好的估计性能。
最后，本文在稀疏贝叶斯学习（Sparse Bayesian Learning，SBL）框架下为辐射源直接定位问题提供了新的视角。本文分别在三种定位模型下给出了基于SBL技术的辐射源定位方法：包括稀疏建模下的全局AOA模型、局域AOA模型及TDOA-AOA模型。不同于现有的基于?1惩罚的定位算法，SBL框架下的扩展使得求解具有部分未知字典的稀疏恢复问题成为可能。本文在BSBL-BO（Bound-Optimization Block Sparse Bayesian Learning）求解方法的基础上作出了适应于定位模型的改进：包括在求解步骤中增加了对信道衰减因子的更新；将原有基于单观测矢量（Single Measurement Vector，SMV）的方法扩展至了多观测矢量（Multiple Measurement Vectors，MMV）情形下；以及利用交替最小化策略更新待定参量以保证迭代收敛。所提方法无需站间数据关联处理，无须已知辐射源个数，无须超参数整定，且相比现有方法具备更高或相近的估计精度。