本文主要内容来自于何浩的著作《有源感知系统波形设计算法》 建议阅读英文版,中文版有些符号有点问题。
He, H., Li, J., & Stoica, P. (2012). Waveform Design for Active Sensing Systems: A Computational Approach. Cambridge: Cambridge University Press. doi:10.1017/CBO9781139095174
一、设计准则
在雷达系统中,模糊函数是分析给定波形分辨率、副瓣性能以及多普勒和距离模型方面十分有用的工具。自相关函数可以看作零多普勒的模糊函数剖面。考虑发射信号
s
(
t
)
s(t)
s(t)由
N
N
N 个符号组成:
s
(
t
)
=
∑
n
=
1
N
x
(
n
)
p
n
(
t
)
(1)
s(t)=\sum_{n=1}^{N} x(n) p_{n}(t)\tag{1}
s(t)=n=1∑Nx(n)pn(t)(1)
其中,
p
n
(
t
)
p_n(t)
pn(t)为成形脉冲,
{
x
(
n
)
}
n
=
1
N
\{x(n)\}_{n=1}^N
{x(n)}n=1N表示其中的
N
N
N个符号。当考虑恒模约束,可以将符号函数表示为:
x
(
n
)
=
e
j
ϕ
(
n
)
,
n
=
1
,
…
,
N
(2)
x(n)=e^{j\phi(n)},\quad n=1,\ldots,N\tag{2}
x(n)=ejϕ(n),n=1,…,N(2)
进一步,
x
(
n
)
x(n)
x(n)的自相关函数可以表示为:
r
(
k
)
=
∑
n
=
k
+
1
N
x
(
n
)
x
∗
(
n
−
k
)
=
r
∗
(
−
k
)
,
k
=
0
,
…
,
N
−
1
.
(3)
r(k)=\sum_{n=k+1}^{N} x(n) x^{*}(n-k)=r^{*}(-k), \quad k=0, \ldots, N-1 \text {. }\tag{3}
r(k)=n=k+1∑Nx(n)x∗(n−k)=r∗(−k),k=0,…,N−1. (3)
上述自相关函数
{
r
(
k
)
}
k
=
−
N
+
1
N
−
1
\{r(k)\}_{k=-N+1}^{N-1}
{r(k)}k=−N+1N−1更准确的叫法是非周期自相关函数(Aperiodic Auto Correlation Function, AACF),并且
r
(
0
)
r(0)
r(0)称为同相相关,总是等于信号能量。
如果仅考虑单个脉冲序列的性能,可以通过对序列的自相关函数进行设计,进而得到所需的脉冲序列。一般而言,非周期序列设计的目标是使 { r ( k ) } k ≠ 0 \{r(k)\}_{k\ne 0} {r(k)}k=0尽可能小。传统准则主要有两个:积分旁瓣电平(Integrated Sidelobe Level, ISL)和峰值旁瓣电平 (Peak Sidelobe Level, PSL)。ISL 衡量的是波形 ACF 整体旁瓣电平,以 ISL 为准则优化得到的波形旁瓣整体性能较均衡;而 PSL 衡量的是波形 ACF 旁瓣峰值,码长越长,以 PSL 为准则优化得到的旁瓣峰值越低。
二、设计方法
Stoica P, He H, Li J. New algorithms for designing unimodular sequences with good correlation properties [J]. IEEE Transactions on Signal Processing, 2009, 57(4): 1415-1425.
CAN (Cyclic algorithm-new) 算法 采用积分旁瓣电平作为序列性能的衡量准则,其定义如下:
I
S
L
=
∑
k
=
−
(
N
−
1
)
k
≠
0
N
−
1
∣
r
(
k
)
∣
2
=
2
∑
k
=
1
N
−
1
∣
r
(
k
)
∣
2
(4)
\mathrm{ISL}=\sum_{\substack{k=-(N-1) \\ k \neq 0}}^{N-1}|r(k)|^{2}=2 \sum_{k=1}^{N-1}|r(k)|^{2}\tag{4}
ISL=k=−(N−1)k=0∑N−1∣r(k)∣2=2k=1∑N−1∣r(k)∣2(4)
另一种等价表述是品质因数(Merit Factor, MF):
M
F
=
∣
r
(
0
)
∣
2
∑
k
=
−
(
N
−
1
)
k
≠
0
N
−
1
∣
r
(
k
)
∣
2
=
N
2
I
S
L
(5)
\mathrm{MF}=\frac{|r(0)|^{2}}{\sum_{\substack{k=-(N-1) \\ k \neq 0}}^{N-1}|r(k)|^{2}}=\frac{N^{2}}{\mathrm{ISL}}\tag{5}
MF=∑k=−(N−1)k=0N−1∣r(k)∣2∣r(0)∣2=ISLN2(5)
在恒模约束的条件下,CAN是一种可以得到使ISL或与ISL相关的准则最小的恒模序列的高效优化方法。其算法流程如下所示。
2.1 CAN算法推导
CAN算法第一步是将ISL准则转换到频域表示。 对于任何一个频点
ω
∈
[
0
,
2
π
]
\omega\in\left[0,2\pi\right]
ω∈[0,2π],
∣
∑
n
=
1
N
x
(
n
)
e
−
j
ω
n
∣
2
=
∑
k
=
−
(
N
−
1
)
N
−
1
r
(
k
)
e
−
j
ω
k
≜
Φ
(
ω
)
(6)
\left|\sum_{n=1}^N x(n) e^{-j \omega n}\right|^2=\sum_{k=-(N-1)}^{N-1} r(k) e^{-j \omega k} \triangleq \Phi(\omega)\tag{6}
n=1∑Nx(n)e−jωn
2=k=−(N−1)∑N−1r(k)e−jωk≜Φ(ω)(6)
此时,利用帕塞瓦尔定理,可以将ISL度量等价为:
I
S
L
=
1
2
N
∑
p
=
1
2
N
[
Φ
(
ω
p
)
−
N
]
2
=
1
2
N
∑
p
=
1
2
N
(
∣
∑
n
=
1
N
x
(
n
)
e
−
j
ω
p
n
∣
2
−
N
)
2
(7)
\mathrm{ISL}=\frac{1}{2 N} \sum_{p=1}^{2 N}\left[\Phi\left(\omega_p\right)-N\right]^2=\frac{1}{2 N}\sum_{p=1}^{2 N}\left(\left|\sum_{n=1}^N x(n) e^{-j \omega_p n}\right|^2-N\right)^2\tag{7}
ISL=2N1p=1∑2N[Φ(ωp)−N]2=2N1p=1∑2N
n=1∑Nx(n)e−jωpn
2−N
2(7)
其中,
{
ω
p
}
\{\omega_p\}
{ωp}是以下傅里叶频率:
ω
p
=
2
π
2
N
p
,
p
=
1
,
…
,
2
N
(8)
\omega_p=\frac{2 \pi}{2 N} p, \quad p=1, \ldots, 2 N\tag{8}
ωp=2N2πp,p=1,…,2N(8)
这个结果有一个明显的直观解释:最小化ISL使序列表现得像白噪声,因此其周期图在频率上应该几乎是恒定的。
一个问题是,式(6)中的准则是
{
x
(
n
)
}
\left\{x(n)\right\}
{x(n)}的四次函数。但是,Petre Stoica发现,对
{
x
(
n
)
}
\left\{x(n)\right\}
{x(n)}的最小化几乎等同于以下
{
x
(
n
)
}
\left\{x(n)\right\}
{x(n)}的二次函数:
min
{
x
(
n
)
}
n
=
1
N
;
{
ψ
p
}
p
=
1
2
N
∑
p
=
1
2
N
∣
∑
n
=
1
N
x
(
n
)
e
−
j
ω
p
n
−
N
e
j
ψ
p
∣
2
.
(9)
\min _{\{x(n)\}_{n=1}^{N} ;\left\{\psi_{p}\right\}_{p=1}^{2 N}} \sum_{p=1}^{2 N}\left|\sum_{n=1}^{N} x(n) e^{-j \omega_{p} n}-\sqrt{N} e^{j \psi_{p}}\right|^{2} .\tag{9}
{x(n)}n=1N;{ψp}p=12Nminp=1∑2N
n=1∑Nx(n)e−jωpn−Nejψp
2.(9)
(上式等价性的说明可以参考《有源感知系统波形设计算法》的附录2A)
当完成频域变换后,令
a
p
H
=
[
e
−
j
ω
p
⋯
e
−
j
2
N
ω
p
]
,
(10)
\mathbf{a}_p^H=\left[e^{-j\omega_p}\cdots e^{-j2N\omega_p}\right],\tag{10}
apH=[e−jωp⋯e−j2Nωp],(10),
设
A
H
\mathbf{A}^{H}
AH是一个
2
N
×
2
N
2N\times 2N
2N×2N的酉矩阵,由
A
H
=
1
2
N
[
a
1
H
⋮
a
2
N
H
]
(11)
\mathbf{A}^{H}=\frac{1}{\sqrt{2 N}}\left[\begin{array}{c} \mathbf{a}_{1}^{H} \\ \vdots \\ \mathbf{a}_{2 N}^{H} \end{array}\right]\tag{11}
AH=2N1
a1H⋮a2NH
(11)
设
z
\mathbf{z}
z是序列
{
x
(
n
)
}
n
=
1
N
\left\{x(n)\right\}_{n=1}^N
{x(n)}n=1N进行补零后的序列,填充了
N
N
N个
0
0
0:
z
=
[
x
(
1
)
,
⋯
,
x
(
N
)
,
0
,
⋯
,
0
]
2
N
×
1
T
(12)
\mathbf{z}=\left[x(1),\cdots,x(N),0,\cdots,0\right]_{2N\times1}^T\tag{12}
z=[x(1),⋯,x(N),0,⋯,0]2N×1T(12)
将(6)中的准则可以重写成更紧凑的形式
min
z
∥
A
H
z
−
v
∥
2
,
(13)
\min _{\mathbf{z}}\|\mathbf{A}^H\mathbf{z}-\mathbf{v}\|^2,\tag{13}
zmin∥AHz−v∥2,(13)
其中,
v
\mathbf{v}
v为相位辅助变量,
v
=
1
2
[
e
j
ψ
1
,
⋯
,
e
j
ψ
2
N
]
T
.
(14)
\mathbf{v}=\frac{1}{\sqrt{2}}\left[e^{j\psi_1},\cdots,e^{j\psi_{2N}}\right]^T.\tag{14}
v=21[ejψ1,⋯,ejψ2N]T.(14)
对于给定的
z
\mathbf{z}
z,(13)关于
{
ψ
p
}
\left\{\psi_p\right\}
{ψp}的最小值是直接计算的,即表示
z
\mathbf{z}
z的傅里叶变换:
f
=
A
H
z
(15)
\mathbf{f}=\mathbf{A}^H\mathbf{z}\tag{15}
f=AHz(15)
ψ
p
=
arg
(
f
p
)
,
p
=
1
,
⋯
,
2
N
(16)
\psi_p=\arg\left(f_p\right),\quad p=1,\cdots,2N\tag{16}
ψp=arg(fp),p=1,⋯,2N(16)
同样地,对于一个给定的
v
\mathbf{v}
v,利用
A
\mathbf{A}
A的正交性,直接求解
v
\mathbf{v}
v的逆傅里叶变换(IFFT):
g
=
A
v
(17)
\mathbf{g}=\mathbf{A}\mathbf{v}\tag{17}
g=Av(17)
因为
∥
A
H
z
−
v
∥
2
=
∥
z
−
A
v
∥
2
\|\mathbf{A}^H\mathbf{z}-\mathbf{v}\|^2=\|\mathbf{z}-\mathbf{A}\mathbf{v}\|^2
∥AHz−v∥2=∥z−Av∥2,所以最小化序列
{
x
(
n
)
}
\left\{x(n)\right\}
{x(n)}是由
x
(
n
)
=
e
j
arg
(
g
n
)
,
n
=
1
,
⋯
,
N
.
(18)
x(n)=e^{j\arg(g_n)},\quad n=1,\cdots,N.\tag{18}
x(n)=ejarg(gn),n=1,⋯,N.(18)
下表总结了循环局部最小化的CAN算法。由于只涉及简单的FFT和IFFT操作,即使在PC上也可以计算码长达
1
0
6
10^6
106的序列。