基于MIMO雷达降维酉求根MUSIC算法角度估计.pdf

2023 年第 7 期计算机与数字工程收稿日期：2023年1月21日，修回日期：2023年2月17日基金项目：国家自然科学基金项目（编号：61801170，61801435）资助。作者简介：尹大雨，男，硕士研究生，研究方向：MIMO雷达目标定位。章飞，男，博士，副教授，研究方向：水下自主导航、多传感器信息融合、随机集理论及应用、电力电子技术与装置等。姬传堂，男，硕士研究生，研究方向：现代测控技术。1引言多输入多输出（multiple-input-multiple-outputMIMO）雷达16采用多个天线发射和接收相互正交的雷达信号，因此能够产生虚拟阵元，扩大阵列孔径，提高测量精度，从而引起了国内外学者的广泛关注。近些年来，MIMO雷达波达方向711（Direction of Arrival，DOA）估计问题一直是个热点研究方向。文献 12 研究了基于均匀线阵与非均匀线阵MUSIC 的相关算法，但需要谱峰搜索，计算量较大。文献 13 提出了基于双基地MIMO雷达的求根MUSIC方法，通过传统求根MUSIC算法分别估计出DOD和DOA，虽避免了谱峰搜索，但当信噪比较低时，精度不高。文献 14 采用了降维求根MUSIC算法，该算法虽然降低了计算维度，但还需要进行复值协方差矩阵的特征值分解和计算。文献总第 405期2023 年第 7 期计算机与数字工程Computer&Digital EngineeringVol.51No.7基于MIMO雷达降维酉求根MUSIC算法角度估计尹大雨章飞姬传堂（江苏科技大学电子信息学院镇江212100）摘要针对均匀线阵的单基地多输入多输出（MIMO）雷达波达方向（DOA）问题，提出一种基于波束空间降维酉变换的实值求根MUSIC算法。该算法在传统MUSIC算法的基础上通过降维变换与波束空间方法对接收数据进行降维处理，接着酉变换构建实值协方差矩阵，然后进行实值特征值分解得到噪声子空间。通过构建多项式，用多项式求根的方法来代替传统MUSIC算法中的谱峰搜索，多项式所得的根即是目标的DOA估计。该方法不需要进行谱峰搜索，计算量大大减少，仿真结果验证了算法的有效性。关键词MIMO雷达；酉变换；降维变换；波束空间；求根MUSIC算法中图分类号TN953+.5DOI：10.3969/j.issn.1672-9722.2023.07.002Angle Estimation of Music Algorithm for Dimension Reduction andUnitary Rooting Based on MIMO RadarYIN DayuZHANG FeiJI Chuantang（School of Electronic Information，Jiangsu University of Science and Technology，Zhenjiang212100）AbstractTo solve the Direction of Array（DOA）problem of single-base multi-input multi-output（MIMO）radar in uniformlinear array，a real value MUSIC algorithm based on unitary transformation of dimensionality reduction in beam space is proposed.Based on the traditional MUSIC algorithm，the received data are processed by dimensionality reduction transformation and beamspace method，and then the real value covariance matrix is constructed by unitary transformation，and then the noise subspace is obtained by real value eigenvalue decomposition.By constructing polynomial，the method of finding the root of polynomial is used to replace the spectral peak search in the traditional MUSIC algorithm.The root obtained by polynomial is the DOA estimate of the target.The proposed method does not need to search the spectral peak，and the computation is greatly reduced.The simulation results verify the effectiveness of the proposed method.Key WordsMIMO radar，unitary transformation，dimensionality reduction transformation，beam space，root MUSIC algorithmClass NumberTN953+.51457第 51 卷15 通过酉求根 MUSIC算法，将协方差矩阵转化为实值协方差矩阵，在文献 13 的基础上降低了运算量，但当阵元数较多时，计算量依然比较可观。文献 16 提出了一种单基地MIMO雷达降维酉ESPRIT的方法，降低了传统 ESPRIT算法的计算量，但需要较多快拍数来提高角度估计精度。文献17 提出了波束空间算法，以减轻角度估计算法的计算负担，且有着较好的效果。文献 18 提出一种降维变换，用于通过合并MIMO雷达虚拟阵列中的重复元素来降低 MIMO 雷达角度估计的复杂性。文献 19 提出了一种基于单基地MIMO雷达波束空间降维 MUSIC空间谱的方法，该方法取得了较高的角度分辨率，但仍然需要进行谱峰搜索，计算量大。针对均匀线阵MIMO雷达MUSIC算法存在谱峰搜索计算量大，本文提出了一种基于单基地MIMO 雷达均匀线阵的波束空间降维酉求根 MUSIC算法。该算法在传统MUSIC算法的基础上通过降维变换与波束空间方法对接收数据进行降维处理，接着酉变换构建实值协方差矩阵，然后进行实值特征值分解得到噪声子空间。通过构建多项式，用多项式求根的方法来代替传统MUSIC算法中的谱峰搜索，多项式所得的根即是目标的DOA估计。该方法不需要进行谱峰搜索，计算量大大减少。2单基地均匀线阵MIMO雷达数据模型考虑包含一个均匀线阵的单基地MIMO雷达系统，如图1所示。发射阵列和接收阵列均是为间距半波长的均匀线阵，其中发射阵列包含 M个阵元，接收阵列包含N个阵元。假设存在K个不相关的信号，则接收阵列匹配滤波器的输出信号为x(t)=ar()1at()1ar()kat()ks(t)+n(t)=As(t)+n(t)（1）式中的k为第K个目标的角度估计 A=ar()1at()1ar()kat()k，ar()k和at()k分别是对应于k的接收和发射导向矢量。ar()kat()k表示Kronecker积；s(t)=s1(t)s2(t)sk(t)TCk1，sk(t)=kej2fkt，fk是多普勒频率，k表示幅度；n()t表示零均值方差为2IMN的MN1维的复高斯白噪声向量。由L个快拍数构成的数据矩阵为X=AS+N（2）式中的矩阵X为X=x()t1x()t2x()tL，S=s()t1s()t2s()tL，N=n()t1n()t2n()tL。目标发射阵列接收阵列图1单基地MIMO雷达示意图3波束空间降维变换处理接收-发射联合导向矢量ar()kat()k可以表示为ar()kat()k=Gb()k（3）其中：b(k)=1exp(-jsink)exp(-j(M+N-2)ink)T则矩阵A可表示为A=GB。B=b(1)b(2)b(k)C()M+N-1 K（4）根据式（4），定义W=GHG，同时可以表示为W=diag(12 min(MN)min(MN)|M-N+121)（5）对于接收信号x()t使用降维变换W12GH得y(t)=W(-1/2)GHx(t)=W(-1/2)GHAs(t)+W(-1/2)GHn(t)=W(-1/2)Wb(1)b(2)b(k)s(t)+W(-1/2)GHn(t)=W(1/2)Bs(t)+W(-1/2)GHn(t)（6）G=1000001000000100M010000100000010M0010000010000001MCMN()M+N-1（7）因为降维变换矩阵是稀疏矩阵且降维变换没有引起色噪声，所以变换带来的计算复杂度很小。波束空间变换20也是降低计算复杂度的一种方法，将之用于式（6）。定义矩阵Q：尹大雨等：基于MIMO雷达降维酉求根MUSIC算法角度估计14582023 年第 7 期计算机与数字工程Q=leftrightbbH()d()（8）当leftrigt，假 设 波 束 形 成 矩 阵TC()M+N1 F由对应于矩阵Q的较大特征值F（FM+N-1）的特征向量构成14。当F为波束空间的波束数的时候，根据式（6）中的波束空间处理，得到z(t)=THy(t)=THW(-1/2)GHAs(t)+THW(-1/2)GHn(t)=THW(1/2)Bs(t)+V（9）其中V=W(-1/2)GHn(t)，根据文献 17，式（9）中波束空间处理的波束形成增益定义为g()=(THW-12GHA()HTHW-12GHA()AH()A()（10）式中A()=ar()at()，Z(t)CF1，V=THV，由于THT=IF，V是一个F1的高斯白向量，均值为0，方差为2IF。对于信号模型（9）协方差矩阵RZ可由L个快排得到即RZ=1Ll=1Lz(tl)zH(tl)（11）信号子空间是由RZQS的K个最大特征值所对应的特征向量EkKk=1组成。在无噪声的情况下，信号子空间可以表示为QS=THW12BDS，其中DS为满秩矩阵。可见信号子空间是THW12B的线性组合。噪声子空间是由RZQn的 F-K个较小特征值所对应的特征向量EkFk=K+1所组成的，输入信号所对应的转向矢量THW12b()位于信号子空间QS中，因此与噪声子空间QS正交。由此可得波束空间低复杂度MUSIC空间谱如下：fmusic()=1 THW12b()HQnQHnTHW12b()（12）4酉变换实值协方差矩阵显然当RZ为中心厄密特矩阵时，具有RZ=JMNR*ZJMN这一性质。一般情况下，我们采用前后平均式的方法来改善角度估计可以得到：RQH=12RZ+JMNRZ*JMN（13）其中JMN表示MN维副对角线元素均为1，其余元素均为0的交换矩阵。对RQH进行酉变换处理RU=OHMNRQHOMN（14）OMN为稀疏酉矩阵，其偶数维和奇数维分别为O2K=12IKjIKJK-jJK（15）O2K+1=12IK0jIK0T20TJK0-jJK（16）由式（14）推导可知：RU=12OHMNRZOMN+JMN()OHMNRZOMN*JMN=1/2OHMNRZOMN+()O*MNHR*ZO*MN=Re()OHMNRZOMN（17）5单基地均匀线阵 MIMO 酉变换ROOT-MUSIC 算法对实值协方差矩阵RU进行特征值分解：RU=ESUSEHS+EnUnEHn（18）式中US为PP的对角矩阵，其对角元素包含P个较大的特征值；Un为对角元素较小的MNP个特征值的对角矩阵；ES由P个较大特征值对应的特征向量组成；En由余下的特征向量组成。由传统ROOT-MUSIC 算法的原理可以求到单基地 MIMO雷达的空间波束降维酉求根多项式：f(z)=W12b(z)HTOMN()VVH-ESEHS(TOMN)HW12b(z)（19）令f()z=0，即只需求出式（19）的N个接近于单位圆上的根即可，也就是对于等距均匀线阵有i=arcsin2dargzi i=1N（20）由式（20）可以估计出第 i个目标的 DOA。结合以上理论分析，本文的方法步骤可以总结如下：Step 1：根据单基地MIMO雷达搭建数据模型。Step 2：对接收信号进行降维变换，即y(t)=W(-1/2)GHx(t)。Step 3：基于式（8）构建波束空间变换矩阵T，利用波束空间处理获得z（t）。Step 4：对接收矩阵z（t）构造协方差矩阵RZ。Step 5：对协方差矩阵进行酉变换处理。Step 6：对实值协方差矩阵进行Root-MUSIC算法运算，估计出目标的DOA。6仿真实验本论文采用Monte Carlo实验来衡量算法的角1459第 51 卷度估计性能。定义均方根误差（Root Mean SquareError，RMSE）为RMSE=1k1k1JJ=11()KJ-k2（21）式中J=300表示Monte Carlo试验次数，KJ表示第J次实验中k的DOA估计值，k为角度真实值。本文采用的是均匀线阵的单基地MIMO雷达，阵元间距为半波长，发射阵元数M=6，接收阵源数N=6，快拍数=300，存在3个信号目标其角度分别为1=10，2=30，3=45。实验一：在信噪比SNR=5的情况下对本文角度估计算法进行100次仿真实验，如图2显示，可以看出本文算法能够同时对多个独立目标进行准确角度估计，且适用于低信噪比情况，无需进行谱峰搜索。图2本文算法在SNR=5的角度估计实验二：3个相互独立的目标，信噪比由-5dB到20dB，间隔为5dB。图3中显示的是本文算法与MIMO MUSIC算法，ESPRIT算法，UESPRIT算法随信噪比变动RMSE变化趋势。表1则给出具体对比数据，可以看出，随着信噪比的不断增大，四种算法的均方根误差都逐渐变小，且本文算法精度更高，更稳定。图3角度估计精度与信噪比的变化趋势实验三：3个相互独立目标信噪比均为 5dB，收发阵元数均为6，进行蒙特卡洛实验次数为300次，图4显示了在各个算法下的角度估计均方根误差与快拍数之间的关系，表 2 给出了具体对比数据，可以看出各个算法随着快拍数的增加均方根误差逐渐减小。本文算法精度最高，且在快拍数低的时候有比MUSIC算法，ESPRIT算法和UESPRIT算法更高的精度。表1随信噪比变化RMSE对比SNR-505101520Our method0.23090.11020.05620.02640.01530.0101MUSIC0.45290.23950.12930.07110.04170.0229ESPRIT0.6450.35170.18650.10950.06860.0321UESPRIT0.25020.1280.07080.04030.02110.012图4角度估计精度与快拍数的变化关系表2随快拍数变化RMSE对比Snapshots50100150200250300Our method0.03350.02720.02670.02510.02450.0237MUSIC0.06730.04980.04380.03840.03680.034ESPRIT0.08140.06510.04960.0440.03860.0335UESPRIT0.04840.04520.04490.04140.03680.0323实验四：快拍数=50，信噪比=10dB，在阵元数分别为10、20、30、40的情况下进行300次蒙特卡洛实验。图5显示了在不同阵元数的情形下角度估计精度的变化趋势，表3给出了具体数据对比，可以看出，随着阵元数的增加，各算法精度都在逐渐提高。在低阵元数的情况下本文算法有着比MUSIC算法，ESPRIT算法和UESPRIT算法更高的精确度。图5角度估计精度与阵元数的变化关系尹大雨等：基于MIMO雷达降维酉求根MUSIC算法角度估计14602023 年第 7 期计算机与数字工程表3随阵元数变化RMSE对比Array Number10203040Our method0.2530.09210.05110.0266MUSIC0.38550.09320.06420.0358ESPRIT0.57370.11650.07490.0513UESPRIT0.31780.10560.07010.03367结语针对均匀线阵单基地MIMO雷达的角度估计问题。提出了一种基于波束空间降维酉变换的实值求根 MUSIC算法，该算法通过降维变换与波束空间方法对接收数据进行降维处理，采用酉变换的方式将一般协方差矩阵转化为实值协方差矩阵，降低了特征值分解时计算的复杂度和运算量。仿真结果表明，在低信噪比，低快拍数的情况下，该算法有着比普通MUSIC算法，ESPRIT算法和UESPRIT算法更高的角度估计精度。参 考 文 献1Babur G，Krasnov O，Yarovoya，et al.Nearly orthogonalwaveforms for MIMO FMCW radar J.IEEE Trans.Aerospace and Electronic Systems，2019，49（3）：1426-1437.2WANG L，ZHU W，ZHANG Y L，et al.Multi-Target Detection and Adaptive Waveform Design for Cognitive MIMO RadarJ.IEEE Sensors Journal，2018，18（24）：9962-9970.3ZHENG W，ZHANG X，SHI J.Sparse Extension ArrayGeometry for DOA Estimation With Nested MIMO RadarJ.IEEE Access，2017，5：9580-9586.4Merrill I S.Introduction to radar system M.New York：Mc Graw Hill，2001.5HUANG X Y，HU S Q，ZHENG S Y.Robust tracking algorithm for radar target based on PN-learning J.Transducer and Microsystem Technologies，2016，35（12）：116-118.6LI J，Stoica P.MIMO Radar Signal Processing M.Hoboken，NewJersey：JdhnWiley&Sonspress，2009：235-251.7许红波，陈风波，郭乐江，等.空间分集MIMO雷达DOA估计新方法 J.信号处理，2010，26（7）：1084-1088.XU Hongbo，CHEN Fengbo，GUO Lejiang，et al.A NewDOA Estimation Algorithm on spatial diversity MIMO Radar J.Signal Processing，2010，26（7）：1084-1088.8LI J，JIANG D F，ZHANG X F，et al.DOA EstimationBased on Combined Unitary ESPRIT for Coprime MIMORadar J.IEEE Communications Letters，2017，21（1）：96-99.9LIANG H，CUI C.Low-complexity ESPRIT-based DOAestimation for MIMO rada with L-shaped array J.International Journal of Electronics Letters，2018，6（1）：1-13.10汪安戈，胡国平，周豪，等.MIMO 雷达双向空间平滑的多径目标 DOA 估计算法 J.空军工程大学学报（自然科学版），2017，18（3）：44-48.WANG Ange，HU Guoping，ZHOU Hao，et al.DOA Estimation Algorithm for Multi-path Target of MIMO RadarBased on FBSS J.Journal of Air Force Engineering University，2017，18（3）：44-48.11吕芳芳，裴炳南，张裔东.MIMO雷达角估计算法研究与改进 J.计算机应用与软件，2014，31（12）：287-290.LYU Fangfang，PEI Bingnan，ZHANG Yidong.Researchand Improvement of MIMO Radar Angle Estimation AlgorithmJ.Computer Applications and Software，2014，31（12）：287-290.12郑志东，张剑云，屈金佑.MIMO雷达的MUSIC算法应用 J.火力与指挥控制，2010，35（12）：181-188.ZHENG Zhidong，ZHANG Jianyun，QU Jinyou.Application of MUSIC algorithm to MIMO radar J.Fire andCommand and Control，2010，35（12）：181-188.13Xu X L，Buckley K M.A comparison of element andbeam space spatial-spectrum estimation for multiplesource clustersC/Int.Conf.on Acoustics，Speech，and Signal Processing，Albuquerque，NM，USA，April1990：2643-2646.14LI J F，ZHANU X F，CHEN W Y.Root-MUSIC basedangle estimation for MIMO radar with unknown mutualcoupling J.International Journal of Antennas&Propagation，2014（1）：1-8.15刁鸣，李永潮，高洪元.酉求根MUSIC算法在双基地MIMO 雷达中的应用J.哈尔滨工程大学学报，2016，37（9）：1292-1296.DIAO Ming，LI Yongchao，GAO Hongyuan.The application of unitary root-finding MUSIC algorithm in bistaticMIMO radar J.Journal of Harbin Engineering University，2016，37（9）：1292-1296.16文才，王彤.单基地 MIMO 雷达降维酉 ESPRIT 算法J.系统工程与电子技术，2014，36（6）：1062-1067.WEN Cai，WANG Tong.Unitary ESPRIT algorithm fordimensionality reduction of single base MIMO radar J.Systems Engineering and Electronics，2014，36（6）：1062-1067.17CHEN D F，CHEN B X，QIN G D.Angle estimation using ESPRIT in MIMO radarJ.Electronic Letters，2008，44（12）：770-771.（下转第1634页）1461第 51 卷果，提取特征后通过LSTM识别分类，Adam算法不断优化训练得到增强的识别效果。对于输入数据处理以及网络模型还有改善的空间。我们将关注3D卷积网络的结构，对视频行为方面的各种流行的方法融合应用到我们的框架中。参 考 文 献1Tran D，Bourdev L，Fergus R，et al.Learning Spatiotemporal Features with 3D Convolutional NetworksJ.Research Gate，2014：4489-4497.2Song L，Weng L，Wang L，et al.Two-Stream Designed2D/3D Residual Networks with Lstms for Action Recognition in Videos，2018：808-812.3 Brendel W，Bethge M.Approximating CNNs withBag-of-local-Features models works surprisingly well onImageNet J.ArXiv：1904.0076001（cs），2019：1-15.4Azulay A，Weiss Y.Why do deep convolutional networksgeneralize so poorly to small image transformations？J.ArXiv：1805.12177v2（cs），2018：1-25.5Kingma D，Ba J.Adam：A Method for Stochastic Optimization J.Computer Science，2014：1-15.6Simonyan K，Zisserman A.Two-Stream ConvolutionalNetworks for Action Recognition in Videos J.Advancesin Neural Information Processing Systems，2014：1-11.7Ng Y H，Hausknecht M，Vijayanarasimhan S，et al.Beyond short snippets：Deep networks for video classificationC/2015 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.IEEE，2015：1-9.8Shi Y，Tian Y，Wang Y，et al.Sequential Deep Trajectory Descriptor for Action Recognition with Three-streamCNNJ.IEEE Transactions on Multimedia，2017，19（7）：1510-1520.9Feichtenhofer C，Pinz A，Wildes R P.SpatiotemporalMultiplier Networks for Video Action RecognitionJ.IEEE，2017：1.10Srivastava N，Mansimov E，Salakhutdinov R.Unsupervised Learning of Video Representations Using LSTMsJ.JMLR.org，2015：1-12.11Wang L，Xiong Y，Wang Z，et al.Temporal SegmentNetworks：Towards Good Practices for Deep Action Recognition J.Springer，Cham，2016：1-16.12Wang H，Schmid C.Action Recognition with ImprovedTrajectoriesC/2013 IEEE International Conferenceon Computer Vision.IEEE，2014：1-8.13Feichtenhofer C，Pinz A，Wildes R P.SpatiotemporalResidual Networks for Video Action RecognitionC/2017 IEEE Conference on Computer Vision and PatternRecognition（CVPR）.IEEE，2017：1-9.14黄晴晴，周风余，刘美珍.基于视频的人体动作识别算法综述 J.计算机应用研究，2020，37（11）：19-25.HUANG Qingqing，ZHOU Fengyu，LIU Meizheng.Summary of Human Action Recognition Algorithm Based onVideoJ.Computer Application Research，2020，37（11）：19-25.15Yang H，Zhang J，Li S，et al.Bi-direction hierarchicalLSTM with spatial-temporal attention for action recognition J.Journal of Intelligent and Fuzzy Systems，2018，36（1）：1-12.16Laptev I，Lindeberg T.Space-time Interest Points J.IEEE，2003：1-8.17Scovanner P，Ali S，Shah M.A 3-dimensional SIFT descriptor and its application to action recognition J.AcmMultimedia，2007：1.18Klser A，Marszalek M，Schmid C.A Spatio-TemporalDescriptor Based on 3D-Gradients C/British MachineVision Conference，2010：1-10.19Wang H，Schmid C.Action Recognition with ImprovedTrajectories C/2013 IEEE International Conference onComputer Vision.IEEE，2014：1-8.20罗会兰，童康，孔繁胜.基于深度学习的视频中人体动作识别进展综述 J.电子学报，2019，47（5）：1162-1173.LUO Huilan，TONG Kang，KONG Fansheng.Review ofHuman Action Recognition in Video Based on DeepLearningJ.Acta Electronica Sinica，2019，47（5）：1162-1173.18ZHANG X F，XU D Z.Low-complexity ESPRIT-basedDOA estimation for collocated MIMO radar using reduced-dimension transformation J.Electronic Letters，2011，47（4）：283-284.19 Tan J，NIE Z P，WANG D B.Low complexity MUSIC-based direction-of-arrival algorithm for monostaticMIMO radarJ.Electronics Letters，2017，53（4）：275-277.20LIU H，JIANG H，YANG X，et al.Amplitude and PhaseCalibration of Digital Array Radar Using FrequencyStepped SignalsC/IET International Radar Conference，Xian，2013：1-5.（上接第1461页）林庆等：基于3D卷积神经网络的视频人体行为识别1634