简介:传统的线阵MIMO-SAR必须经历一个合成孔径时间,才能获得高精度的雷达三维图像。这就势必降低了成像的实时性,而面阵MIMO-SAR很好地解决了这一问题。研究了MIMO-SAR雷达在发射接收天线孔径长度、最小阵元间距和阵元数目固定等约束条件下的平面阵列天线优化问题。MIMO-SAR采用稀布平面天线,基于天线相位中心近似原理建立了阵列优化模型,提出了一种交叉率和变异率可调的遗传算法进行阵元位置优化。该优化方法有效防止了遗传算法的早熟,解决了MIMO-SAR面阵天线低旁瓣电平和窄主瓣宽度双重设计问题。仿真结果表明了该优化模型的合理性及优化方法的有效性和优越性。
简介:对于极化敏感L型阵列的多参数联合估计问题,采用传统的多重信号分类(MUSIC)算法所需计算量大,采用旋转不变子空间(ESPRIT)算法需要考虑参数配对问题。提出了模值约束下的求根多重信号分类(root-MUSIC)算法,首先利用L型阵列中两个相互垂直的线阵构造两子阵接收数据的自相关函数,采用root—MUSIC算法进行波达方向角(DOA)估计,然后根据模值约束条件构造代价函数,通过闭合式解得到极化参数估计。该算法与传统MUSIC算法相比,大大减少了计算量,同时能够实现参数自动配对,避免了ESPRIT算法的不足。计算机仿真结果表明,该算法的角度估计性能与传统MUSIC算法接近,优于ESPRIT算法,且算法收敛速度快。
简介:理想条件下,均匀线阵的互耦矩阵可用一带状、对称Toeplitz矩阵进行建模。然而实测数据表明,均匀线阵的互耦矩阵具有对称性,但不具有Toeplitz性,此时仍按理想情况建模,会导致DOA估计不准甚至完全失效。基于RBF神经网络,提出了互耦矩阵非Toeplitz条件下的DOA估计方法。算法利用了信号协方差矩阵的对称性和对角线元素不含信号DOA信息的特点,取协方差矩阵的上三角的元素作为网络输入,不仅减少了网络的输入数,同时还提高了与阵列法线夹角60°外的DOA估计精度。实验仿真结果验证了算法的有效性。