高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多帧相位增强的米波雷达低仰角目标DOA估计方法

项厚宏 陈伯孝 杨婷 杨明磊

项厚宏, 陈伯孝, 杨婷, 杨明磊. 基于多帧相位增强的米波雷达低仰角目标DOA估计方法[J]. 电子与信息学报, 2020, 42(7): 1581-1589. doi: 10.11999/JEIT190432
引用本文: 项厚宏, 陈伯孝, 杨婷, 杨明磊. 基于多帧相位增强的米波雷达低仰角目标DOA估计方法[J]. 电子与信息学报, 2020, 42(7): 1581-1589. doi: 10.11999/JEIT190432
Houhong XIANG, Baixiao CHEN, Ting YANG, Minglei YANG. Low-elevation DOA Estimation for VHF Radar Based on Multi-frame Phase Feature Enhancement[J]. Journal of Electronics and Information Technology, 2020, 42(7): 1581-1589. doi: 10.11999/JEIT190432
Citation: Houhong XIANG, Baixiao CHEN, Ting YANG, Minglei YANG. Low-elevation DOA Estimation for VHF Radar Based on Multi-frame Phase Feature Enhancement[J]. Journal of Electronics and Information Technology, 2020, 42(7): 1581-1589. doi: 10.11999/JEIT190432

基于多帧相位增强的米波雷达低仰角目标DOA估计方法

doi: 10.11999/JEIT190432
基金项目: 国家自然科学基金(61571344, 61971323),中央高校基本科研业务费专项基金,西安电子科技大学研究生创新基金
详细信息
    作者简介:

    项厚宏:男,1994年生,博士生,研究方向为阵列信号处理、米波雷达测高、机器学习,深度学习

    陈伯孝:男,1966年生,教授,博士生导师,研究方向为新体制雷达系统设计及其实现、目标精确制导与跟踪、机器学习、深度学习等

    通讯作者:

    陈伯孝 bxchen@xidian.edu.cn

  • 中图分类号: TN958

Low-elevation DOA Estimation for VHF Radar Based on Multi-frame Phase Feature Enhancement

Funds: The Natural Science Foundation of China (61571344, 61971323), The Fundamental Research Funds for the Central University, Innovation Fund of Xidian Univerisity
  • 摘要:

    针对米波雷达低仰角目标的DOA估计问题,该文提出一种新的基于多帧相位特征增强方法,所提方法可以有效解决低仰角条件下阵列接收信号中直达信号相位特征模糊问题,进而提高DOA估计精度。通过学习多帧原始数据的相位分布特征与理想环境下直达波信号的相位分布特征之间的复杂映射关系,有效削弱多径信号引起的相位误差,将增强后的相位信息与原始的幅度信息进行数据重组,并利用已有的超分辨算法进行DOA估计。通过计算机仿真实验和实测数据验证,该文所提方法在DOA估计性能以及泛化能力上优于基于物理驱动的MUSIC算法以及数据驱动的基于特征反演和基于支持向量回归的两种估计方法。

  • 图  1  信号模型

    图  2  幅相敏感度分析

    图  3  相位增强系统框图

    图  4  深度神经网络结构

    图  5  深度卷积神经网络结构

    图  6  信噪比匹配条件下,DNN增强的RMSE与信噪比关系曲线

    图  7  信噪比匹配条件下,CNN增强的RMSE与信噪比关系曲线

    图  8  信噪比匹配条件下,DNN增强的GOF与信噪比关系曲线

    图  9  信噪比匹配条件下,CNN增强的GOF与信噪比关系曲线

    图  10  误差匹配条件下DNN增强的RMSE与相位误差关系曲线

    图  11  误差匹配条件下CNN增强的RMSE与相位误差关系曲线

    图  12  误差匹配条件下DNN增强的GOF与相位误差关系曲线

    图  13  误差匹配条件下CNN增强的GOF与相位误差关系曲线

    图  14  信噪比失配条件下DNN增强的RMSE与信噪比关系曲线

    图  15  信噪比失配条件下CNN增强的RMSE与信噪比关系曲线

    图  16  信噪比失配条件下DNN增强的GOF与信噪比关系曲线

    图  17  信噪比失配条件下CNN增强的GOF与信噪比关系曲线

    图  18  误差失配条件下DNN增强的RMSE与相位误差关系曲线

    图  19  误差失配条件下CNN增强的RMSE与相位误差关系曲线

    图  20  误差失配条件下DNN增强的GOF与相位误差关系曲线

    图  21  误差失配条件下CNN增强的GOF与相位误差关系曲线

    图  22  相位增强前后分布图

    图  23  目标航迹图和测角结果图

    图  24  DNN增强后测角误差

    图  25  CNN增强后测角误差

    表  1  深度神经网络结构配置

    网络结构激活函数学习率初始化方式
    ${{x}} \times 1024 \times 1024 \times 1024 \times {{o}}$ReLU10–4高斯随机初始化
    下载: 导出CSV

    表  2  深度卷积神经网络结构配置

    网络结构卷积核大小池化层大小激活函数学习率初始化方式
    2层卷积层$3 \times 1 \times 15$$1 \times 3$ReLU10–4高斯随机
    3层全连接层$3 \times 15 \times 30$初始化
    下载: 导出CSV

    表  3  有效点数占比(%)

    方法DBFSSMUSIC3帧DNN5帧DNN7帧DNN3帧CNN5帧CNN7帧CNN
    占比1.80.295.693.589.885.181.172.7
    下载: 导出CSV
  • 朱伟. 米波数字阵列雷达低仰角测高方法研究[D]. [博士论文], 西安电子科技大学, 2013.

    ZHU Wei. Study on low-angle altitude measurement in VHF Radar[D]. [Ph.D. dissertation], Xidian University, 2013.
    郑轶松. 米波阵列雷达低仰角测高若干问题研究[D]. [博士论文], 西安电子科技大学, 2017.

    ZHENG Yisong. Study on some issues of low-angle altitude measurement for VHF array radar[D]. [Ph.D. dissertation], Xidian University, 2017.
    李存勖. 米波雷达低仰角测高相关问题研究[D]. [博士论文], 西安电子科技大学, 2018.

    LI Cunxu. Study on some issues of altitude measurement of low-angle target for VHF array radar[D]. [Ph.D. dissertation], Xidian University, 2018.
    陈伯孝, 胡铁军, 郑自良, 等. 基于波瓣分裂的米波雷达低仰角测高方法及其应用[J]. 电子学报, 2007, 35(6): 1021–1025. doi: 10.3321/j.issn:0372-2112.2007.06.003

    CHEN Baixiao, HU Tiejun, ZHENG Ziliang, et al. Method of altitude measurement based on beam Split in VHF radar and its application[J]. Acta Electronica Sinica, 2007, 35(6): 1021–1025. doi: 10.3321/j.issn:0372-2112.2007.06.003
    ZHU Wei and CHEN Baixiao. Altitude measurement based on terrain matching in VHF array radar[J]. Circuits, Systems, and Signal Processing, 2013, 32(2): 647–662. doi: 10.1007/s00034-012-9472-4
    郑轶松, 陈伯孝. 米波雷达低仰角目标多径模型及其反演方法研究[J]. 电子与信息学报, 2016, 38(6): 1468–1474. doi: 10.11999/JEIT151013

    ZHENG Yisong and CHEN Baixiao. Multipath model and inversion method for low-angle target in very high frequency radar[J]. Journal of Electronics &Information Technology, 2016, 38(6): 1468–1474. doi: 10.11999/JEIT151013
    SCHMIDT R. Multiple emitter location and signal parameter estimation[J]. IEEE Transactions on Antennas and Propagation, 1986, 34(3): 276–280. doi: 10.1109/TAP.1986.1143830
    ROY R and KAILATH T. ESPRIT-estimation of signal parameters via rotational invariance techniques[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1989, 37(7): 984–995. doi: 10.1109/29.32276
    ZISKIND I and WAX M. Maximum likelihood localization of multiple sources by alternating projection[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1988, 36(10): 1553–1560. doi: 10.1109/29.7543
    CHOI Y H. Alternating projection for maximum-likelihood source localization using eigendecomposition[J]. IEEE Signal Processing Letters, 1999, 6(4): 73–75. doi: 10.1109/97.752057
    WU Bo, LI Kehuang, GE Fengpei, et al. An end-to-end deep learning approach to simultaneous speech dereverberation and acoustic modeling for robust speech recognition[J]. IEEE Journal of Selected Topics in Signal Processing, 2017, 11(8): 1289–1300. doi: 10.1109/JSTSP.2017.2756439
    WU Bo, LI Kehuang, YANG Minglei, et al. A reverberation-time-aware approach to speech dereverberation based on deep neural networks[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2017, 25(1): 102–111. doi: 10.1109/TASLP.2016.2623559
    XIANG Houhong, CHEN Baixiao, YANG Minglei, et al. Altitude measurement based on characteristics reversal by deep neural network for VHF radar[J]. IET Radar, Sonar & Navigation, 2019, 13(1): 98–103. doi: 10.1049/iet-rsn.2018.5121
    WU Liuli and HUANG Zhitao. Coherent SVR learning for wideband direction-of-arrival estimation[J]. IEEE Signal Processing Letters, 2019, 26(4): 642–646. doi: 10.1109/LSP.2019.2901641
    WERBOS P J. Backpropagation through time: What it does and how to do it[J]. Proceedings of the IEEE, 1990, 78(10): 1550–1560. doi: 10.1109/5.58337
    LECUN Y, BOSER B, DENKER J S, et al. Backpropagation applied to handwritten zip code recognition[J]. Neural Computation, 1989, 1(4): 541–551. doi: 10.1162/neco.1989.1.4.541
    KINGMA D P and BA J. Adam: A method for stochastic optimization[J]. arXiv: 2014, 1412.6980.
    SRIVASTAVA N, HINTON G, KRIZHEVSKY A, et al. Dropout: A simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014, 15(1): 1929–1958.
  • 加载中
图(25) / 表(3)
计量
  • 文章访问数:  608
  • HTML全文浏览量:  238
  • PDF下载量:  28
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-06-13
  • 修回日期:  2019-10-08
  • 网络出版日期:  2020-02-05
  • 刊出日期:  2020-07-23

目录

    /

    返回文章
    返回

    官方微信,欢迎关注