本發(fā)明涉及一種基于截?cái)嘈拚齭l0算法的mimo雷達(dá)目標(biāo)參數(shù)估計(jì)方法，屬于mimo雷達(dá)目標(biāo)參數(shù)估計(jì)技術(shù)領(lǐng)域。

背景技術(shù)：

多輸入多輸出雷達(dá)(multipleinputandmultipleoutput，mimo)是一種新體制雷達(dá)系統(tǒng)。與相控陣?yán)走_(dá)相比，mimo雷達(dá)采用波形分集技術(shù)，提高了目標(biāo)分辨率，增強(qiáng)了系統(tǒng)參數(shù)識(shí)別能力，在參數(shù)估計(jì)、噪聲抑制和目標(biāo)探測(cè)方面具有很大優(yōu)勢(shì)。壓縮感知(compressedsensing,cs)是一種新興的信號(hào)采樣和重建理論，不同于傳統(tǒng)的奈奎斯特(nyquist)采樣定理，它通過(guò)隨機(jī)采樣的少量觀測(cè)值就能實(shí)現(xiàn)稀疏信號(hào)重構(gòu)，是目前信號(hào)處理領(lǐng)域的研究熱點(diǎn)。在實(shí)際雷達(dá)探測(cè)區(qū)域，目標(biāo)呈稀疏分布，其回波信號(hào)呈稀疏性，故可以將cs理論應(yīng)用于雷達(dá)目標(biāo)探測(cè)。稀疏重構(gòu)問(wèn)題等價(jià)于l0范數(shù)最小化問(wèn)題，此問(wèn)題是np-hard，其求解難度隨著維度增加而增大，因此利用l0范數(shù)最小化難以對(duì)高維度稀疏重構(gòu)問(wèn)題進(jìn)行求解?，F(xiàn)有技術(shù)中，提出一種利用正則化迭代重加權(quán)最小化方法(regularizediterativereweightedminimizationapproach，rirma)實(shí)現(xiàn)mimo雷達(dá)目標(biāo)參數(shù)估計(jì)，該方法通過(guò)一系列迭代加權(quán)l(xiāng)q(0＜q≤1)范數(shù)來(lái)逼近l0范數(shù)，只需少量觀測(cè)值即可精確重構(gòu)mimo雷達(dá)的目標(biāo)信號(hào)，但rirma方法在每次迭代時(shí)需對(duì)更新后的大維度矩陣進(jìn)行求逆，導(dǎo)致該方法計(jì)算速度較慢。sl0(smoothedl0norm)算法是一種匹配度高和計(jì)算效率高的稀疏重構(gòu)算法，它由一系列高斯函數(shù)來(lái)趨近l0范數(shù)，從而將l0范數(shù)最小化問(wèn)題轉(zhuǎn)化成平滑函數(shù)最小化問(wèn)題，并利用最速下降法和梯度投影法求解該最小化問(wèn)題，從而快速實(shí)現(xiàn)稀疏信號(hào)的重構(gòu)。還有將sl0算法應(yīng)用于mimo雷達(dá)的目標(biāo)參數(shù)估計(jì)，采用收斂性更好的雙曲正切函數(shù)來(lái)近似l0范數(shù)，然后利用修正牛頓法求解該極值問(wèn)題，并采用正則化方法改善sl0算法中的病態(tài)問(wèn)題，提高了mimo雷達(dá)目標(biāo)參數(shù)估計(jì)的實(shí)時(shí)性。

為保證稀疏重構(gòu)算法對(duì)mimo雷達(dá)目標(biāo)參數(shù)估計(jì)的精度，目標(biāo)場(chǎng)景一般被劃分成精細(xì)的柵格，則mimo雷達(dá)的感知矩陣不可避免地存在近似線性相關(guān)的列，從而導(dǎo)致該矩陣呈病態(tài)。將sl0算法應(yīng)用于mimo雷達(dá)能明顯提高其目標(biāo)參數(shù)的估計(jì)速度，但是sl0算法中初值和梯度投影步驟都需要對(duì)病態(tài)感知矩陣求偽逆，則當(dāng)mimo雷達(dá)的接收信號(hào)中存在微小的噪聲擾動(dòng)時(shí)，就會(huì)引起初值和梯度投影計(jì)算誤差較大，進(jìn)而導(dǎo)致sl0算法失效?，F(xiàn)有技術(shù)中，將截?cái)嗥娈愔捣纸?truncatedsingularvaluedecomposition，tsvd)技術(shù)引入sl0算法，對(duì)感知矩陣進(jìn)行奇異值分解，通過(guò)剔除對(duì)噪聲干擾較為敏感的較小奇異值及其對(duì)應(yīng)的左右奇異矩陣，改善感知矩陣的病態(tài)性，從而提高了sl0算法的穩(wěn)健性。但是該方法僅僅剔除感知矩陣中較小的奇異值而未對(duì)較大奇異值進(jìn)行修正，導(dǎo)致感知矩陣病態(tài)性的改善效果有限。因此，為了能將sl0算法應(yīng)用于mimo雷達(dá)目標(biāo)參數(shù)估計(jì)問(wèn)題中，對(duì)mimo雷達(dá)感知矩陣的奇異值進(jìn)行截?cái)嘈拚幚硪愿纳破洳B(tài)性是非常有必要的。

技術(shù)實(shí)現(xiàn)要素：

目的：為了克服sl0算法在mimo雷達(dá)目標(biāo)參數(shù)估計(jì)中因感知矩陣的病態(tài)性而導(dǎo)致其失效的問(wèn)題，本發(fā)明提供基于截?cái)嘈拚齭l0算法的mimo雷達(dá)參數(shù)估計(jì)方法。

技術(shù)方案：為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案為：

一種基于截?cái)嘈拚齭l0算法的mimo雷達(dá)參數(shù)估計(jì)方法，包括如下步驟：

步驟一：建立mimo雷達(dá)接收信號(hào)向量模型；

步驟二：通過(guò)對(duì)mimo雷達(dá)感知矩陣的奇異值進(jìn)行二次截?cái)嗪鸵淮涡拚幚韥?lái)改善感知矩陣的病態(tài)性，并利用svd反變換獲得非病態(tài)感知矩陣；

步驟三：利用sl0算法對(duì)mimo雷達(dá)目標(biāo)參數(shù)進(jìn)行估計(jì)，并在計(jì)算初值和梯度投影值的步驟中，將病態(tài)感知矩陣的偽逆由上面獲得的非病態(tài)感知矩陣的偽逆代替；

步驟四：最終輸出求解后的目標(biāo)場(chǎng)景向量α，根據(jù)最終輸出求解后的目標(biāo)場(chǎng)景向量α中的非零元素位置來(lái)確定各個(gè)目標(biāo)的角度、距離和多普勒頻移值。

作為優(yōu)選方案，所述步驟一包括如下步驟：

1a：建立mimo雷達(dá)的接收信號(hào)為式中，(·)^*表示復(fù)共軛轉(zhuǎn)置，e是加性噪聲，αp,k,h(p＝1,...,p,k＝1,...,k,h＝1,...,h)表示目標(biāo)的復(fù)散射系數(shù)，jp是用來(lái)描述從不同距離單元返回的信號(hào)所用的轉(zhuǎn)移矩陣；

1b：將上式簡(jiǎn)化成向量形式，定義

式中，vec(·)表示矩陣向量化運(yùn)算，a是感知矩陣，α是目標(biāo)場(chǎng)景向量；

1c：得到接收信號(hào)的向量模型為y＝aα+e式中，e＝vec(e)。

作為優(yōu)選方案，所述步驟二包括如下步驟：

2a：對(duì)a作奇異值分解:a＝uσv^*，其中為由奇異值σi(i＝1,2,…,mr(n+p-1))構(gòu)成的對(duì)角矩陣，u、v分別為奇異值對(duì)應(yīng)的左奇異矩陣、右奇異矩陣。

2b：選取一次截?cái)嚅T(mén)限保留大于等于的奇異值，剔除小于的奇異值，即

2c：對(duì)保留的大于等于的奇異值再次截?cái)嗖⑿拚?，選擇二次截?cái)嚅T(mén)限將保留的奇異值分成大于等于和小于的兩部分，利用tikhonov正則化準(zhǔn)則對(duì)大于等于的奇異值進(jìn)行修正，將小于的奇異值修正為與接近的常數(shù)值，即q1和q2為修正參數(shù)；

2d：定義u1和v1分別為修正后的奇異值所對(duì)應(yīng)的左奇異矩陣和右奇異矩陣，其中u1＝u(:,1:t1)由矩陣u的前t1列組成的矩陣，v1＝v(1:t1,:)由矩陣v的前t1行組成的矩陣，σ1由經(jīng)修正后的奇異值σ'm(1≤m≤t1)構(gòu)成的對(duì)角矩陣；利用svd反變換獲得非病態(tài)感知矩陣a1＝u1σ1v1^*，矩陣a1的偽逆

作為優(yōu)選方案，所述步驟三包括如下步驟：

3a：初始化:

(1)令初值內(nèi)循環(huán)次數(shù)為l、步長(zhǎng)μ，其中l(wèi),μ＞0；

(2)選取一個(gè)序列[δ1,δ2,...,δj]，且δ1＞δ2＞...＞δj，其中，3b：算法迭代：

forj＝1,2,...,j

(1)令δ＝δj

(2)利用最速下降法求解fδ(α)的最小值，并將其投影到可行集上；

初始化：

forl＝1,...,l

(a)設(shè)φ＝[α1exp(-α1²/2δ²),...,αzexp(-αz²/2δ²)]^t，其中z＝p·k·h，p、k和h分別是在目標(biāo)探測(cè)場(chǎng)景中所劃分的距離單元個(gè)數(shù),角度單元個(gè)數(shù)，以及多普勒單元個(gè)數(shù)；

(3)令

3c：當(dāng)或δj≤δj時(shí)，轉(zhuǎn)至步驟四，否則，令j＝j(luò)+1，δj＝ρδj-1，返回步驟二；其中η為一個(gè)正數(shù)，用于判斷算法是否終止，ρ為衰減因子，0＜ρ＜1。

有益效果：本發(fā)明提供的基于截?cái)嘈拚齭l0算法的mimo雷達(dá)參數(shù)估計(jì)方法，該方法在截?cái)嗥娈愔捣纸?truncatedsingularvaluedecomposition，tsvd)法基礎(chǔ)上，通過(guò)設(shè)置截?cái)嚅T(mén)限將保留的感知矩陣奇異值分成較大和較小兩部分，并分別采用不同的修正準(zhǔn)則對(duì)它們進(jìn)行修正，然后利用svd反變換從修正后的奇異值及其對(duì)應(yīng)的左右奇異矩陣中獲得非病態(tài)感知矩陣，在sl0算法中以截?cái)嘈拚蟮姆遣B(tài)感知矩陣來(lái)重構(gòu)mimo雷達(dá)的目標(biāo)信號(hào)，從而顯著提高了mimo雷達(dá)目標(biāo)參數(shù)估計(jì)的精度和速度。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)：

1、在利用sl0算法對(duì)mimo雷達(dá)目標(biāo)參數(shù)進(jìn)行估計(jì)時(shí)，由于mimo雷達(dá)的感知矩陣呈病態(tài)性，則雷達(dá)接收信號(hào)中微小的噪聲干擾會(huì)導(dǎo)致sl0算法中初值和梯度投影計(jì)算誤差較大，進(jìn)而使得sl0算法失效；本發(fā)明方法通過(guò)對(duì)mimo雷達(dá)感知矩陣的奇異值進(jìn)行兩次截?cái)嗪鸵淮涡拚幚?，明顯改善了感知矩陣的病態(tài)性，從而提高了sl0算法中初值和梯度投影的計(jì)算精度，使得sl0算法能夠以較高的精度重構(gòu)出mimo雷達(dá)的稀疏目標(biāo)信號(hào)，解決了病態(tài)感知矩陣下mimo雷達(dá)目標(biāo)參數(shù)估計(jì)問(wèn)題。

2、本發(fā)明方法能利用sl0算法對(duì)mimo雷達(dá)的目標(biāo)參數(shù)進(jìn)行快速估計(jì)，降低了mimo雷達(dá)目標(biāo)參數(shù)估計(jì)的復(fù)雜度，有利于工程實(shí)現(xiàn)，適合于在現(xiàn)代戰(zhàn)爭(zhēng)中要求實(shí)時(shí)性較高的目標(biāo)探測(cè)場(chǎng)合。

附圖說(shuō)明

圖1為不同方法在snr＝0db時(shí)距離-角度二維估計(jì)圖；

圖2為不同方法在snr＝0db時(shí)距離-多普勒二維估計(jì)圖；

圖3為不同方法的重構(gòu)信噪比和回波信噪比的變化關(guān)系圖；

圖4為不同方法的運(yùn)行時(shí)間和回波信噪比的變化關(guān)系圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明作更進(jìn)一步的說(shuō)明。

一種基于截?cái)嘈拚齭l0算法的mimo雷達(dá)參數(shù)估計(jì)方法，包括如下步驟：

一、mimo雷達(dá)接收信號(hào)模型

假設(shè)mimo雷達(dá)的發(fā)射陣列和接收陣列分別由mt個(gè)發(fā)射陣元和mr個(gè)接收陣元組成，其中，發(fā)射陣元和接收陣元間隔分別為dt和dr。發(fā)射陣列的發(fā)射信號(hào)矩陣表示為

式中，sm＝[sm(1),sm(2),...,sm(n)]^t表示第m個(gè)發(fā)射陣元的發(fā)射信號(hào),n為發(fā)射信號(hào)長(zhǎng)度。

將雷達(dá)目標(biāo)探測(cè)場(chǎng)景劃分為z(z＝p·k·h)個(gè)離散的距離-角度-多普勒單元，其中，p是距離單元個(gè)數(shù),k是角度單元個(gè)數(shù)，h是多普勒單元個(gè)數(shù)。τp(1≤p≤p)表示第p個(gè)距離單元的延遲，且目標(biāo)回波間最大延時(shí)單元(系統(tǒng)第一個(gè)距離單元的發(fā)射信號(hào)與最后一個(gè)距離單元反射信號(hào)的時(shí)延)為p-1；θk(1≤k≤k)表示第k個(gè)角度單元對(duì)應(yīng)的目標(biāo)角度；ωh(1≤h≤h)為第h個(gè)多普勒單元對(duì)應(yīng)的目標(biāo)多普勒頻移。則對(duì)應(yīng)ωh的多普勒頻移信號(hào)矩陣為

式中，

和d(ωh)分別表示對(duì)應(yīng)ωh的多普勒頻移信號(hào)向量和多普勒頻移向量。

令

式中，是補(bǔ)零發(fā)射信號(hào)矩陣，0(p-1)×mt為維度(p-1)×mt的零矩陣。發(fā)射陣列和接收陣列的導(dǎo)向向量分別表示為

式中，λ0表示載波波長(zhǎng)。因此，mimo雷達(dá)的接收信號(hào)為

式中，(·)^*表示復(fù)共軛轉(zhuǎn)置，e是加性噪聲，αp,k,h(p＝1,...,p,k＝1,...,k,h＝1,...,h)表示目標(biāo)的復(fù)散射系數(shù)。jp是用來(lái)描述從不同距離單元返回的信號(hào)所用的轉(zhuǎn)移矩陣，其表達(dá)式如下

將式(8)簡(jiǎn)化成向量形式，定義

式中，vec(·)表示矩陣向量化運(yùn)算。a是感知矩陣，α是目標(biāo)場(chǎng)景向量。則接收信號(hào)的向量模型為

y＝aα+e(12)

式中，e＝vec(e)。由于α中非零元素只占少數(shù)，式(12)為稀疏表示的mimo雷達(dá)接收信號(hào)模型，可以利用稀疏重構(gòu)算法估計(jì)α，根據(jù)α中非零元素的位置從而獲得目標(biāo)的參數(shù)信息(距離、角度、多普勒)。

感知矩陣a存在近似線性相關(guān)的列會(huì)導(dǎo)致矩陣病態(tài)。a中列向量bp,k,h等價(jià)于劃分柵格{(τp,θk,ωh)}上單位幅度假想目標(biāo)的回波信號(hào)。為了使鄰近的角度(距離或多普勒)單元所對(duì)應(yīng)的感知矩陣a中列向量線性無(wú)關(guān)，則其角度(距離或多普勒)單元?jiǎng)澐珠g隔需大于或等于角度(距離或多普勒)分辨率。以角度分辨率為例，mimo雷達(dá)接收陣列在波束指向角為θk時(shí)的角分辨率為定義δθ＝θk+1-θk為角度劃分間隔大小，則當(dāng)滿足δθ≥θ0.5s時(shí)，可認(rèn)為a中相鄰角度θk和θk+1所對(duì)應(yīng)的列向量近似無(wú)關(guān)。假設(shè)mimo雷達(dá)接收陣元數(shù)mr＝8，陣元間隔dr＝0.5λ0，θk＝0°，則此時(shí)的角分辨率為θ0.5s＝12.7°，即當(dāng)角度劃分間隔|δθ|≥12.7°時(shí)，a中相鄰角度θk和θk+1所對(duì)應(yīng)的列向量近似無(wú)關(guān)。而在實(shí)際雷達(dá)探測(cè)場(chǎng)景中，為保證稀疏重構(gòu)算法的精確性，其角度單元?jiǎng)澐珠g隔一般遠(yuǎn)小于角分辨率，則感知矩陣a中不可避免地會(huì)存在線性相關(guān)的列。同樣，當(dāng)距離和多普勒單元精細(xì)劃分時(shí)也會(huì)導(dǎo)致mimo雷達(dá)感知矩陣a中存在近似線性相關(guān)的列，且a的條件數(shù)非常大，從而呈嚴(yán)重的病態(tài)性。

二、通過(guò)對(duì)mimo雷達(dá)感知矩陣的奇異值進(jìn)行二次截?cái)嗪鸵淮涡拚幚韥?lái)改善感知矩陣的病態(tài)性，并利用svd反變換獲得非病態(tài)感知矩陣。

具體步驟如下：

(1)對(duì)a作奇異值分解:a＝uσv^*，其中為由奇異值σi(i＝1,2,…,mr(n+p-1))構(gòu)成的對(duì)角矩陣，u、v分別為奇異值對(duì)應(yīng)的左奇異矩陣、右奇異矩陣。

(2)選取一次截?cái)嚅T(mén)限保留大于等于的奇異值，剔除小于的奇異值，即

(3)對(duì)保留的大于等于的奇異值再次截?cái)嗖⑿拚哼x擇二次截?cái)嚅T(mén)限將保留的奇異值分成大于等于和小于的兩部分，利用tikhonov正則化準(zhǔn)則對(duì)大于等于的奇異值進(jìn)行修正，將小于的奇異值修正為與接近的常數(shù)值，即q1和q2為修正參數(shù)。

(4)定義u1和v1分別為修正后的奇異值所對(duì)應(yīng)的左奇異矩陣和右奇異矩陣，其中u1＝u(:,1:t1)由矩陣u的前t1列組成的矩陣，v1＝v(1:t1,:)

由矩陣v的前t1行組成的矩陣，σ1由經(jīng)修正后的奇異值σ'm(1≤m≤t1)構(gòu)成的對(duì)角矩陣。利用svd反變換獲得非病態(tài)感知矩陣a1＝u1σ1v1^*，矩陣a1的偽逆為

三、利用sl0算法對(duì)mimo雷達(dá)目標(biāo)參數(shù)進(jìn)行估計(jì)，并在計(jì)算初值和梯度投影值的步驟中，將病態(tài)感知矩陣的偽逆由上面獲得的非病態(tài)感知矩陣的偽逆代替。

具體步驟如下：

(1)初始化:

(a)令初值內(nèi)循環(huán)次數(shù)為l、步長(zhǎng)μ，其中l(wèi),μ＞0。

(b)選取一個(gè)序列[δ1,δ2,...,δj]，且δ1＞δ2＞...＞δj。其中，

(2)算法迭代：

forj＝1,2,...,j

①令δ＝δj

②利用最速下降法求解fδ(α)的最小值，并將其投影到可行集上

初始化：

forl＝1,...,l

(a)設(shè)φ＝[α1exp(-α1²/2δ²),...,αzexp(-αz²/2δ²)]^t，其中z＝p·k·h，p、k和h分別是在目標(biāo)探測(cè)場(chǎng)景中所劃分的距離單元個(gè)數(shù),角度單元個(gè)數(shù)，以及多普勒單元個(gè)數(shù)。

③令

(3)當(dāng)或δj≤δj時(shí)，轉(zhuǎn)至步驟(4)，否則，令j＝j(luò)+1，δj＝ρδj-1，返回步驟(2)。其中η為一個(gè)正數(shù)，用于判斷算法是否終止，ρ為衰減因子，0＜ρ＜1。

(4)最終輸出求解后的目標(biāo)場(chǎng)景向量α。根據(jù)最終輸出求解后的目標(biāo)場(chǎng)景向量α中的非零元素位置來(lái)確定各個(gè)目標(biāo)的角度、距離和多普勒頻移值。

本發(fā)明的技術(shù)效果可以通過(guò)以下仿真結(jié)果進(jìn)一步說(shuō)明。設(shè)mimo雷達(dá)的發(fā)射陣元數(shù)和接收陣元數(shù)分別為mt＝8和mr＝8，發(fā)射陣元間隔和接收陣元間隔分別為dt＝2.5λ0、dr＝0.5λ0；采用相互正交的噪聲調(diào)頻信號(hào)作為發(fā)射陣列的發(fā)射信號(hào)，發(fā)射波形采樣個(gè)數(shù)n＝32；回波噪聲采用均值為零、方差為σn²的加性高斯白噪聲，定義回波信噪比為

snr＝10log10{tr(s^*s)/nσn²}(13)

式中，tr(·)表示矩陣求跡運(yùn)算。假設(shè)雷達(dá)目標(biāo)探測(cè)場(chǎng)景有p＝12個(gè)距離單元，雷達(dá)掃描角度范圍[-30°,30°]，以1°為間隔將其劃分成61個(gè)角度單元，即k＝61；目標(biāo)的多普勒頻移用角度表示，即φh＝ωhn(180°/π)，目標(biāo)多普勒范圍[-25°,25°]，以5°為間隔將其劃分成11個(gè)多普勒單元，即h＝11。

在迭代加權(quán)l(xiāng)q算法中，設(shè)置迭代次數(shù)l＝8，迭代范數(shù)q＝0.9，ε＝0.01，η＝0.01。sl0_tsvd算法表示采用tsvd方法解決sl0算法中的病態(tài)問(wèn)題；sl0_tikhonov正則化法表示采用tikhonov正則化方法解決sl0算法中的病態(tài)問(wèn)題。為了表述方便，本發(fā)明算法簡(jiǎn)稱為tmsl0算法。在sl0算法、sl0_tsvd算法、sl0_tikhonov正則化法及tmsl0算法中，設(shè)置σj＝0.01，ρ＝0.8，η＝0.01，內(nèi)循環(huán)次數(shù)l＝50，步長(zhǎng)μ＝2。在tmsl0算法中，設(shè)置c＝25，滿足條件0<c<100，以確定截?cái)嚅T(mén)限修正參數(shù)q1＝115，q2＝95。在sl0_tsvd方法和sl0_tikhonov方法中截?cái)鄥?shù)和正則化參數(shù)的選取都是采用經(jīng)典的l曲線法。

定義重構(gòu)信噪比如下，

式中，α為真實(shí)目標(biāo)場(chǎng)景向量；目標(biāo)場(chǎng)景向量估計(jì)值；||·||2表示2-范數(shù)。

仿真內(nèi)容1：mimo雷達(dá)在回波信噪比snr＝0db時(shí)的距離-角度-多普勒估計(jì)圖

圖1為mimo雷達(dá)目標(biāo)的距離-角度估計(jì)圖，回波信噪比為0db。圖1(a)為真實(shí)目標(biāo)在多普勒單元5°處的距離-角度單元估計(jì)圖，圖1(b)、圖1(c)、圖1(d)、圖1(e)和圖1(f)分別是sl0算法、迭代加權(quán)l(xiāng)q方法、sl0_tikhonov方法、sl0_tsvd方法和tmsl0方法估計(jì)得到的距離-角度估計(jì)圖。圖2(a)為真實(shí)目標(biāo)在角度單元-10°處的距離-多普勒單元估計(jì)圖，回波信噪比為0db。圖2(b)、圖2(c)、圖2(d)、圖2(e)和圖2(f)分別是由上述五種方法獲得的的距離-多普勒單元估計(jì)圖。由圖1和圖2可知，當(dāng)感知矩陣病態(tài)時(shí)，sl0算法失效，導(dǎo)致其無(wú)法有效重構(gòu)mimo雷達(dá)的目標(biāo)信號(hào)；而迭代加權(quán)l(xiāng)q方法、sl0_tikhonov方法、sl0_tsvd方法雖都對(duì)病態(tài)感知矩陣作了不同的修正處理，在一定程度上改善了mimo雷達(dá)感知矩陣的病態(tài)性，但是這些方法在參數(shù)估計(jì)時(shí)存在旁瓣電平較高，并在真實(shí)目標(biāo)附近存在許多虛假目標(biāo)的問(wèn)題；tmsl0方法對(duì)感知矩陣奇異值進(jìn)行二次截?cái)嗪鸵淮涡拚幚恚M(jìn)一步改善了mimo雷達(dá)感知矩陣的病態(tài)性，從而能夠以較高的精度重構(gòu)目標(biāo)信號(hào)，該方法的目標(biāo)參數(shù)估計(jì)性能最好。

仿真內(nèi)容2：五種方法的重構(gòu)信噪比與回波信噪比的變化關(guān)系

設(shè)回波信噪比在-10db～20db之間變化，重復(fù)100次單獨(dú)實(shí)驗(yàn)。圖3為五種算法重構(gòu)性能與回波信噪比的變化關(guān)系。由圖3可知，由于sl0_tikhonov方法和sl0_tsvd方法都不同程度地改善了感知矩陣的病態(tài)性，它們的重構(gòu)信噪比都明顯高于sl0方法，而本發(fā)明提出的tmsl0方法重構(gòu)性能優(yōu)于sl0_tikhonov方法和sl0_tsvd方法，相比之下，tmsl0方法更適合應(yīng)用于mimo雷達(dá)目標(biāo)參數(shù)估計(jì)。

仿真內(nèi)容3：四種方法運(yùn)行時(shí)間與回波信噪比的變化關(guān)系

設(shè)回波信噪比在-10db～20db之間變化，重復(fù)100次單獨(dú)實(shí)驗(yàn)。圖4表示四種方法運(yùn)行時(shí)間與回波信噪比的變化關(guān)系。迭代加權(quán)l(xiāng)q方法的每次迭代都需要對(duì)更新后的大維度矩陣進(jìn)行求逆運(yùn)算，導(dǎo)致利用該方法對(duì)mimo雷達(dá)目標(biāo)參數(shù)估計(jì)耗時(shí)較長(zhǎng)。sl0_tikhonov方法、sl0_tsvd方法及tmsl0方法的運(yùn)行時(shí)間明顯低于迭代加權(quán)l(xiāng)q方法，在較低的信噪比情況下，tsvd方法和tikhonov方法由于采用l曲線法求解截?cái)鄥?shù)和正則化參數(shù)不穩(wěn)定，對(duì)感知矩陣的病態(tài)性改善效果不理想，導(dǎo)致sl0算法中初值求解的精度較低，則需要更多的迭代次數(shù)才能達(dá)到退出條件，因此這兩種方法運(yùn)行時(shí)間較長(zhǎng)，而當(dāng)信噪比增加后，這三種方法的運(yùn)行時(shí)間接近。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。