论文部分内容阅读
分置天线MIMO雷达采用广泛分布的多个发射接收站,这种布阵方式带来的几何增益和分集增益可以有效高雷达系统多方面的性能,因而成为国内外研究的重点方向之一。实际工作环境中常常存在杂波,给目标检测带来困难,如何根据杂波特征优化检测方案,自适应地检测目标,也是研究的难点和热点之一。本文针对分置天线MIMO雷达在杂波环境中的目标自适应检测问题,研究基于统计模型的MIMO雷达检测器,出基于深度学习的自适应MIMO检测器,进一步出基于统计方法和深度学习联合处理的MIMO雷达自适应目标检测新方法。首先采用传统方法,构建杂波环境中的MIMO雷达接收信号统计模型,考虑在复合高斯杂波环境中目标以已知速度运动,假设杂波参数和目标反射系数未知的非理想情况。根据二元假设检验理论,推导基于统计模型的广义最大似然检测器(GLRT)。进一步考虑目标以未知速度运动的情况,研究MIMO雷达动目标检测的GLRT方法。分析MIMO雷达天线数、目标反射系数、杂波纹理分量、杂波协方差矩阵等系统和环境参数对检测性能的影响。在不具足统计先验信息的情况下,构建MIMO雷达的深度神经网络(DNN)来解决自适应检测问题,利用接收数据对网络进行训练,使网络从中学习到从当前杂波环境中检测出目标的最佳方式,从而达到目标自适应检测的目的。数值仿真分析基于DNN的自适应检测器的性能。接着考虑具足雷达模型先验与数据信息的情况。出基于统计模型和深度学习联合处理的MIMO雷达目标自适应检测。首先考虑速度已知的简单场景。引入目标检测参量,将MIMO雷达目标检测问题重新表达为一个等效的、关于目标检测参量的估计问题。构造基于统计的纽曼皮尔逊(Neyman-Pearson,NP)准则的深度学习网络损失函数。同时考虑NP准则和深度学习网络,出联合统计和深度学习的MIMO雷达检测方案(NPnet)。数值仿真验证在模型匹配情况下,NPnet与GLRT的性能趋于一致,目标反射系数随机场景中NPnet性能优于DNN自适应网络。模型失配情况下,NPnet性能远优于GLRT检测器。进一步考虑运动目标且速度未知的情况,将未知速度估计以及检测NP准则同时纳入深度学习损失函数的构造中,以对目标速度和检测参量进行联合优化。在NPnet基础上加入速度估计网络模块,出结合MIMO雷达目标检测器和速度估计器的方案(JNPnet)。数值仿真分析结论与NPnet相似。