辐射源多阵列直接定位算法研究

【摘要】：辐射源的多阵列联合定位是利用多个阵列接收的同一个目标的辐射信号对目标进行的定位。传统的多阵列联合定位采用二步定位的模式,即系统首先估计窄带辐射信号到达各阵列的达方向(direction of arrival, DOA),然后再用这些估计结果对目标进行交叉定位。这种定位模式在参数估计过程中会带来目标信息的损失,因此具有一定的局限性,在低信噪比下定位性能难以进一步的提高。多阵列的直接定位(direct position determination, DPD)算法是近年来兴起的一个重要的研究方向,该算法在函数层或者数据层直接进行数据融合,估计目标的位置。因为直接数据融合模式损失的目标信息更少,因此在低信噪比下该算法较传统二步定位模式具有更高的定位精度和稳定性。此外,DPD算法在多目标条件下不需要进行参数匹配,可实现多目标直接定位。在实际应用中,由于计算所需的数据量较大,对测量站与处理中心间的数据通信链路提出较高要求。大多数多阵列DPD算法都是基于阵列流形精确已知,且接收噪声为高斯白噪声的假设,因此理论性能优良；但是在实际应用中,各类阵列误差不可避免,各阵列间甚至各阵元之间的接收噪声也可能是非均匀的甚至具有相关性,这往往导致多阵列DPD算法的定位性能变差。因此,本文从实际应用中可能遇到的多种模型误差入手,深入研究模型误差对多阵列DPD算法带来的影响,并借鉴经典的阵列空间谱估计理论,设计了不同形式阵列模型误差下的多阵列DPD校正算法。本文致力于进一步提高多阵列DPD算法在实际应用过程中的定位精度,研究工作围绕多阵列时域数据和频域数据DPD定位模型、阵列通道幅相误差下的多阵列DPD算法设计、非均匀噪声下的多阵列DPD算法设计以及阵列色噪声下的多阵列DPD算法设计四个方面展开。论文的主要内容以及创新点如下：1.总结与比较传统二步定位模型与现有DPD算法的数据融合形式,深入分析并指出二步定位方法的局限以及DPD算法在低信噪比下具有较高性能的根本原因；根据处理的数据形式,将现有多阵列DPD算法分为时域数据DPD算法和频域数据DPD算法两种；分析了和比较了各类DPD算法的优劣势,明确了其适用范围,并明确指出频域数据DPD算法存在视距范围内的适用限制。2.给出了阵列通道幅相误差下基于频域数据的多阵列DPD定位模型,并提出了一种阵列幅相误差下的多阵列DPD自校正算法。该算法使用迭代的方式同时估计各阵列通道幅相误差以及目标位置,提高了阵列幅相误差下的多阵列DPD定位精度。3.给出了非均匀噪声下的多阵列时域数据DPD定位模型,设计了非均匀噪声下的多阵列时域数据DPD算法,该算法利用各阵列输出协方差矩阵迭代估计非均匀噪声的协方差矩阵和目标位置,从而降低了非均匀噪声对DPD算法的影响；对于多目标的情况,则使用交替投影方法降低定位算法的搜索维度；在多阵列时域数据DPD定位模型的基础上推导了相应的克拉美罗界。该算法能够较为准确的估计非均匀噪声功率,提高DPD算法在非均匀噪声下的定位精度,在高信噪比时能够逼近相应的克拉美罗界。4.给出了非均匀噪声下的多阵列频域数据DPD定位模型,设计了非均匀噪声下的多阵列频域数据DPD算法,该算法利用多个阵列输出频域数据的协方差矩阵首先估计噪声频域数据的协方差矩阵,然后用估计结果预白化阵列输出数据协方差矩阵,再对目标位置进行估计。该算法可以对非均匀噪声的协方差矩阵进行较为准确的估计,经过校正后DPD算法在计算量增加不大的情况下,定位精度有较大的提高。5.以上的三种算法均要求阵列接收噪声是空域白噪声,即各阵元接收噪声不相关。但实际应用中阵列接收噪声为色噪声的情况也是存在的,噪声建模的错误将会导致DPD算法定位精度的下降。针对阵列色噪声下的多阵列联合定位问题,给出了阵列色噪声下的多阵列时域数据DPD定位模型,设计了基于四阶累积量的多阵列时域数据的DPD算法,并推导出了克拉美罗界。该算法对高斯噪声模型不敏感,因而在空域高斯色噪声场中也能够取得精确的定位效果,且在高信噪比时可达到相应的克拉美罗界。