Capon估计算法的推导

Capon估计算法的推导

前言

本文针对2008年Xu Luzhou发表在IEEE TAES的论文《Target detection and parameter estimation for MIMO radar systems》中提到的Capon估计算法进行推导。

一. MIMO雷达系统建模

（这里直接使用论文中的场景图）MIMO窄带雷达系统配备有$N$个位置任意的发射天线，$M$个任意位置的接收天线。系统发射的独立波形为${\mathbf{s}}_n\in {\mathbb{C}}^{L\times 1},n=1,2,...,N$，其中$L$是数据采样点数，发射信号矩阵$\mathbf{S}=[{\mathbf{s}}_1;{\mathbf{s}}_2;...{\mathbf{s}}_N{]}^T\in {\mathbb{C}}^{N\times L}$。令$\theta$表示目标的具体角度，${\mathbf{a}}_t(\theta )$为发射阵列导向矢量，则目标接收到的信号为${\mathbf{a}}_t^T(\theta )\mathbf{S}$，接收阵列输出端的信号为
$$\mathbf{X}={\mathbf{a}}_r(\theta )\beta (\theta ){\mathbf{a}}_t^T(\theta )\mathbf{S}+\mathbf{Z}\text{\hspace{1em}(1)}$$
其中，$\mathbf{X}\in {\mathbb{C}}^{M\times L}$是接收的数据样本，${\mathbf{a}}_r(\theta )\in {\mathbb{C}}^{M\times 1}$为接收阵列导向矢量，$\beta (\theta )\in \mathbb{C}$是角度为$\theta$的目标回波复振幅，$\mathbf{Z}\in {\mathbb{C}}^{M\times L}$是随机项，包括噪声、杂波等（假设其与$\theta$无关）。

角度估计的目的：从观测信号矩阵$\mathbf{X}$中估计$\beta (\theta )$。

二. Capon估计算法

Step1：Capon波束成形

Capon波束成形器满足的问题模型为
$$\begin{array}{rl}\underset{\mathbf{w}}{\min }& {\mathbf{w}}^H\hat{\mathbf{R}}\mathbf{w}\\ \text{s.t.}& {\mathbf{w}}^H{\mathbf{a}}_r(\theta )=1\end{array}\text{\hspace{1em}(2)}$$
其中，$\mathbf{w}\in {\mathbb{C}}^{M\times 1}$是加权矢量，用于抑制噪声、干扰和杂波，同时保证期望信号不失真；$\hat{\mathbf{R}}$是观测采样数据的协方差矩阵，即$\hat{\mathbf{R}}=\frac{1}{L}\mathbf{X}{\mathbf{X}}^H$。

求解上述最小化问题得到最优的${\hat{\mathbf{w}}}_{capon}$为
$${\hat{\mathbf{w}}}_{capon}=\frac{{\hat{\mathbf{R}}}^{-1}{\mathbf{a}}_r(\theta )}{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}{\mathbf{a}}_r(\theta )}\text{\hspace{1em}(3)}$$

则Capon波束形成器的输出为${\mathbf{w}}_{capon}^H\mathbf{X}$，将（1）式代入得
$$\begin{array}{rl}{\mathbf{w}}_{capon}^H\mathbf{X}& =\frac{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}\mathbf{X}}{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}{\mathbf{a}}_r(\theta )}=\frac{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}({\mathbf{a}}_r(\theta )\beta (\theta ){\mathbf{a}}_t^T(\theta )\mathbf{S}+\mathbf{Z})}{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}{\mathbf{a}}_r(\theta )}\\ & =\beta (\theta ){\mathbf{a}}_t^T(\theta )\mathbf{S}+\frac{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}\mathbf{Z}}{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}{\mathbf{a}}_r(\theta )}\end{array}\text{\hspace{1em}(4)}$$
注：若$\mathbf{A}$为$n\times n$维Hermite半正定矩阵，$\mathbf{X}\in {\mathbb{C}}^{n\times m},\mathbf{B}\in {\mathbb{C}}^{n\times k},\mathbf{C}\in {\mathbb{C}}^{m\times k}$，$\mathbf{B}$是列满秩矩阵（$n\ge k$），则最小化问题
$$\begin{array}{rl}\underset{\mathbf{X}}{\min }& {\mathbf{X}}^H\mathbf{AX}\\ \text{s.t.}& {\mathbf{X}}^H\mathbf{B}=C\end{array}$$
的唯一解为
$${\mathbf{X}}_0={\mathbf{A}}^{-1}\mathbf{B}({\mathbf{B}}^H{\mathbf{A}}^{-1}\mathbf{B}{)}^{-1}{\mathbf{C}}^H$$
特别地，当$m=k=1$，即$\mathbf{X}$和$\mathbf{B}$都是向量，且$C=1$的情况，
$${\mathbf{X}}_0=\frac{{\mathbf{A}}^{-1}\mathbf{B}}{{\mathbf{B}}^H{\mathbf{A}}^{-1}\mathbf{B}}$$

Step2：最小二乘（Least Squares，LS）估计

LS的目的是使估计误差的平方和最小。假设$\mathbf{x}\in {\mathbb{C}}^{M\times 1}$的估计值为$\hat{\mathbf{x}}=\mathbf{h}\hat{\theta }$，其中$\mathbf{h}\in {\mathbb{C}}^{M\times 1}$，则估计误差平方和为
$$\begin{array}{rl}J(\hat{\theta })={\mathbf{e}}^H\mathbf{e}& =(\mathbf{x}-\mathbf{h}\hat{\theta }{)}^H(\mathbf{x}-\mathbf{h}\hat{\theta })\\ & =({\mathbf{x}}^H-(\mathbf{h}\hat{\theta }{)}^H)(\mathbf{x}-\mathbf{h}\hat{\theta })\\ & ={\mathbf{x}}^H\mathbf{x}-{\mathbf{x}}^H\mathbf{h}\hat{\theta }-(\mathbf{h}\hat{\theta }{)}^H\mathbf{x}+(\mathbf{h}\hat{\theta }{)}^H(\mathbf{h}\hat{\theta })\end{array}\text{\hspace{1em}(5)}$$
令$J(\hat{\theta })$对$\hat{\theta }$求导可得，
$$\begin{array}{rl}\frac{\partial J(\hat{\theta })}{\partial \hat{\theta }}& =-{\mathbf{h}}^H\mathbf{x}-{\mathbf{h}}^H\mathbf{x}+({\mathbf{h}}^H\mathbf{h}+{\mathbf{h}}^H\mathbf{h})\hat{\theta }\\ & =-2{\mathbf{h}}^H\mathbf{x}+2{\mathbf{h}}^H\mathbf{h}\hat{\theta }\end{array}\text{\hspace{1em}(6)}$$
注：这里用到的矩阵求导公式有：$\frac{\partial {\mathbf{x}}^T\mathbf{a}}{\partial \mathbf{x}}=\frac{\partial {\mathbf{a}}^T\mathbf{x}}{\partial \mathbf{x}}=\mathbf{a},\frac{\partial {\mathbf{x}}^T\mathbf{Bx}}{\partial \mathbf{x}}=(\mathbf{B}+{\mathbf{B}}^T)\mathbf{x}$。

令$\frac{\partial J(\hat{\theta })}{\partial \hat{\theta }}=0$可得：
$$\hat{\theta }=({\mathbf{h}}^H\mathbf{h}{)}^{-1}{\mathbf{h}}^H\mathbf{x}\text{\hspace{1em}(7)}$$
由于噪声项$\mathbf{Z}$与$\theta$无关，因此将（1）式转化为$\frac{\mathbf{X}{\mathbf{S}}^H{\mathbf{a}}_t^{\ast }(\theta )}{{\mathbf{a}}_t^T(\theta ){\mathbf{SS}}^H{\mathbf{a}}_t^{\ast }(\theta )}={\mathbf{a}}_r(\theta )\beta (\theta )$并代入式（7）得，
$$\begin{array}{rl}{\beta }_{LS}(\hat{\theta })& =({\mathbf{a}}_r^H(\theta ){\mathbf{a}}_r(\theta ){)}^{-1}{\mathbf{a}}_r^H(\theta )\frac{\mathbf{X}{\mathbf{S}}^H{\mathbf{a}}_t^{\ast }(\theta )}{{\mathbf{a}}_t^T(\theta ){\mathbf{SS}}^H{\mathbf{a}}_t^{\ast }(\theta )}\\ & =\frac{{\mathbf{a}}_r^H(\theta ){\mathbf{XS}}^H{\mathbf{a}}_t^{\ast }(\theta )}{||{\mathbf{a}}_r|{|}^2{\mathbf{a}}_t^T(\theta ){\mathbf{SS}}^H{\mathbf{a}}_t^{\ast }(\theta )}\end{array}\text{\hspace{1em}(8)}$$
将LS方法应用于Capon波束形成器，由于噪声项$\mathbf{Z}$与$\theta$无关，将式（4）转化为$\frac{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}\mathbf{X}{\mathbf{S}}^H{\mathbf{a}}_t^{\ast }(\theta )}{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}{\mathbf{a}}_r(\theta ){\mathbf{a}}_t^T(\theta ){\mathbf{SS}}^H{\mathbf{a}}_t^{\ast }(\theta )}=\beta (\theta )$并代入式（7）得到最小二乘Capon估计值为：
$$\begin{array}{rl}{\beta }_{capon}(\hat{\theta })& =\frac{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}{\mathbf{XS}}^H{\mathbf{a}}_t^{\ast }(\theta )}{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}{\mathbf{a}}_r(\theta ){\mathbf{a}}_t^T(\theta ){\mathbf{SS}}^H{\mathbf{a}}_t^{\ast }(\theta )}\\ & =\frac{{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}{\mathbf{XS}}^H{\mathbf{a}}_t^{\ast }(\theta )}{L[{\mathbf{a}}_r^H(\theta ){\hat{\mathbf{R}}}^{-1}{\mathbf{a}}_r(\theta )][{\mathbf{a}}_t^T(\theta ){\hat{\mathbf{R}}}_{ss}{\mathbf{a}}_t^{\ast }(\theta )]}\end{array}\text{\hspace{1em}(9)}$$

其中，${\hat{\mathbf{R}}}_{ss}=\frac{1}{L}{\mathbf{SS}}^H$。

参考文献

[1] XU L, LI J, STOICA P. Target detection and parameter estimation for MIMO radar systems[J]. IEEE Transactions on Aerospace and Electronic Systems, 2008, 44(3): 927-939.

[2] STOICA P, MOSES R L. Spectral analysis of signals[M]. Upper Saddle River, N.J: Pearson/Prentice Hall, 2005.