【DOA估计】MIMO雷达发射方向图综合与DOA估计方法研究【含Matlab源码 4188期】

最新推荐文章于 2024-06-26 22:04:37 发布

Matlab武动乾坤

最新推荐文章于 2024-06-26 22:04:37 发布

阅读量986

点赞数 23

分类专栏： Matlab信号处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/137181453

版权

Matlab信号处理（进阶版）专栏收录该内容

658 篇文章 58 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、MIMO雷达发射方向图综合与DOA估计方法研究

1 研究背景及其意义
在过去的50多年里，雷达理论研究已经成为一个活跃的科学领域，雷达理论
在许多方面都有着重要的应用。雷达可以全天候、全天时、远距离对目标进行检测和定位，是军用和许多民用领域的重要传感器。过去几年里，计算技术的提高和硬件设备的改善，使得雷达系统发展迅速。早期的雷达都是采用方向性天线，而当代的相控阵雷达可以综合发射波束并且能同时扫描整个空域。相控阵雷达由许多相距很近的全向天线组成，既可以发射信号，也可以接收信号，而且相控阵雷达采用相扫，不需要复杂的机械结构，可以同时形成多个波柬，跟踪多个目标，相比以前的雷达，已经有了很大的改进。
雷达技术在发展，反雷达技术同样也在发展。现代的巡航导弹和战斗机都能
在贴近地表或海面飞行，而地表面和海平面存在多径和遮挡现象，这就使得低空／超低空目标难以探测，因此，低空突防成为雷达的一大威胁：此外，反辐射导弹攻击、电磁干扰以及隐身目标等问题也严重威胁现有雷达的生存。传统相控阵雷达在应对这些威胁时也显得束手无策。纵观雷达的发展历程，雷达从早期简单的低分辨能力虱后来的采用相控阵以及合成孔径雷达(SAR)、逆合成孔径雷达(ISAR)、预警，每一次新体制的出现都离不开对雷达理论的突破和发展。因此，为了应付当前雷达面对的严峻挑战，现代雷达必须寻找新的理论和处理方法，提出新的雷达体制。多输入多输出(MIMO)雷达正是应此而提出的崭新概念。
传统相控阵雷达都只利用了接收端孔径，而且这方面已经研究比较成熟了．
很难再有大的突破。MIMO雷达可以通过收发多天线配置，空间多通道并行传输，同时利用发射和接收孔径，期望在雷达领域能够获得像在通信领域一样的突破，以解决雷达目前面临的一系列挑战。相比传统雷达，MIMO雷达有以下几方面优势：
①RCS平均近似恒定。由于目标是出许多小的敏射体组成，所以目标到雷达
的距离、方位轻微变动都会引起目标的散射截面(RCS)变化，即引起反射波的能量的变化。M蹦0雷达利用了目标RCS的统计特性，可使目标对MIM0雷达的散射截面近似恒定，提高了雷达的检测性能。
②由于增加了空域和波形的资源，对于强的电磁干扰可以通过空、时、波形
域的信号处理加以抑制。
③M肼O雷达的多个发射天线照射到目标的不同侧面，检测到了更多的目标
特征信息，提高了目标识剐能力。
④理论上来说，MIMO雷达无需扫描，可进行长时间的相干积累，提高信噪
比。
⑤反隐身效果好。MIMO雷达利用了不同角度的散射特性，而隐身飞行器不
可能做到任何角度都具有隐身效果，所以总有大的RCS被侦测到。
⑥抗摧毁能力强。MIM0雷达发射天线间距很大，不容易同时被摧毁，即使
失去若干个发射天线对系统的性能影响也不大。
MIMO雷达作为一种新的雷达体制，一经提出，便受到了国内外的广泛关注。但目前对MIMO雷达的研究大多停留在理论阶段，有很多理论问题亟待突破。如何寻找最优的正交相位编码，寻找更稳健的高分辨算法等都是在MlMO雷达领域需要继续深入研究的方向。因此，作为一种很有潜力的新雷达体制，MIMO雷达非常值得我们关注和研究。

2 前言
本文将非线性最小二乘方向图综合法应用到MIMO雷达方向图综合中，首先对发射波形的协方差矩阵进行分解，然后构造非线性最小二乘代价函数优化分解因子，从而使综合的方向图最大限度地逼近期望方向图。与现有MIMO雷达方向图综合方法相比，本文方法能通过罚函数，灵活调节综合方向图的过渡带宽度和主瓣波动幅度，且具有更小的均方误差。此外，还研究了MIMO雷达模型下的一种子空间DoA估计方法，通过直接对数据协方差矩阵进行变换，依据过估计理论，构造得到信号子空间和噪声子空间的投影矩阵。该方法既不需要对数据协方差矩阵进行特征分解，也不需要已知信源数，而且适用于相干源问题，在低信噪比、多目标情况下估计性能依然良好。仿真实验验证了本文方法的有效性。

⛄二、部分源代码

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%提出一种新的子空间方法
%不需要估计信源数，且不需要特征分解及信源数相干性的判断
%本程序用于画随SNR变化的角度估计误差曲线
%
close all;clear all;clc;
Nt=2; %发射阵元数
Nr=10; %接收阵元数
lambda=0.03;%波长
c=3e8; %光速
dr=0.5*lambda; %接收阵元间距=半波长

monte_carlo=1000;
Snr=-5:5:20;
error0Sum=zeros(1,length(Snr));
error1Sum=zeros(1,length(Snr));
error2Sum=zeros(1,length(Snr));
error3Sum=zeros(1,length(Snr));
L=80;%快拍数
K=1; %目标数

doa=0pi/180;%目标doa
Ar=exp(j2pidr*(0:Nr-1)'sin(doa)/lambda);%接收导向矢量
%%%发射阵元到目标的时延%%%
% tao=[-2.644;2.7368];%2randn(Nt,K);
% At=exp(j2pic/lambdatao);
delta=3*pi/180;
theta=doa-delta:0.0001:doa+delta;

for mc=1:monte_carlo
error0=zeros(1,length(Snr));
error1=zeros(1,length(Snr));
error2=zeros(1,length(Snr));
error3=zeros(1,length(Snr));

alpha=abs(randn(Nt,K));%目标散射幅度
phi=randn(Nt,K);
alpha=alpha.*exp(j*phi);
for n=1:length(Snr)
    SNR=10.^(Snr(n)/20);

    %waveform: hardmard codes
    temp=1;
    for kk=1:ceil(log2(L))
        temp=[temp temp; temp -1*temp]; %#ok<AGROW>
    end;
    waveformSet=temp;
    waveform=(waveformSet(1:Nt, 1:L)+j*waveformSet(Nt+1:2*Nt, 1:L))/sqrt(2);
    resignal=zeros(Nr,L);
    for ii=1:K
        resignal=resignal+Ar(:,ii)*(alpha(:,ii)).'*waveform;
    end
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    % 白色噪声
    Noise=1/SNR*(randn(Nr,L)+j*randn(Nr,L));
    X=resignal+Noise;

    %%%匹配滤波
    Xp=X*waveform';
    Rx=zeros(Nr,Nr);
    for ii=1:Nt
        Rx=Rx+Xp(:,ii)*Xp(:,ii)';
    end
    Rx=Rx/Nt;

    %%%==========平滑处理==========%%%
    J=eye(Nr);
    J=fliplr(J);
    Rb=J*conj(Rx)*J;
    Rx=(Rx+Rb)/2;

    Rx_inv=pinv(Rx);%capon法
    %%%======music(信源数已知)========%%%
    [Uu,Dd,Vv]=svd(Rx);
    Unn=Uu(:,K+1:end);
    Pn_music=Unn*Unn';
    %%%===============================%%%
    %%%===============================%%%
    [U,D]=eig(Rx);
    d=diag(D);
    %%%%%%%%%%%%%文献[1]方法%%%%%%%%%%%%%
    m=1;
    lam=1./(d.^m);
    Un=U*diag(lam);
    Pn1=Un*Un';
    %%%%%%%%%%%%文献[2]方法%%%%%%%%%%%%%%
    U_1=U(:,1);
    Pn2=U_1*U_1';

    Ps=zeros(Nr);
    %%%============过估计============%%%
    for m=1:2
        R=Rx(:,m:Nr+m-2);
        Ps=Ps+R*pinv(R'*R)*R';
    end
    Ps=Ps/2;
    %%%===============================%%%
    Pn=eye(Nr)-Ps;
    
    p0_music=zeros(1,length(theta));
    p1_music=zeros(1,length(theta));
    p2_music=zeros(1,length(theta));
    p_capon=zeros(1,length(theta));
    for ii=1:length(theta)
        aseek=exp(j*2*pi*dr*sin(theta(ii))*(0:Nr-1)'/lambda);
        p0_music(ii)=abs(1/(aseek'*Pn*aseek)); %改进music方法
        p1_music(ii)=abs(1/(aseek'*Pn1*aseek));%文献[1]方法
        p2_music(ii)=abs(1/(aseek'*Pn2*aseek));%文献[2]方法
        p_capon(ii)=abs(1/(aseek'*Rx_inv*aseek));%Capon法

% p0_music(ii)=abs(1/(aseek’Pn_musicaseek)); %传统music方法
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]郑炜.基于改进小波阈值的电能质量扰动信号去噪算法[J].电气开关. 2021,59(01)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰