阅读说明：本技术 一种三维超稀疏阵列静态方向图综合方法 (Three-dimensional ultra-sparse array static directional diagram synthesis method ) 是由 段克清 杨兴家 李想 王煜岗 于 2021-08-04 设计创作，主要内容包括：本发明公开了一种三维超稀疏阵列静态方向图综合方法,包括步骤如下：首先获取无人机阵元实时坐标,得到二维方向图；分别设置方位向方向图、俯仰向方向图的零零主瓣宽度,将二维方向图划分为若干个待优化区域与1个主瓣区域；为若干个待优化区域设置参考电平与初始干扰值,计算各个待优化区域优化迭代前的数据协方差矩阵以及各阵元初始权值；根据LCMV方法更新不同区域的干扰值,根据干扰值迭代计算数据协方差矩阵,迭代各阵元的权矢量；将权矢量作用到三维超稀疏阵列,得到优化后二维方向图,若各个待优化区域方向图达到所设置的参考电平或收敛条件,则停止迭代；否则,继续迭代；停止迭代后,得到最终的权矢量作用到目标阵列,即可得到满足性能的二维发射方向图。(The invention discloses a three-dimensional ultra-sparse array static directional diagram comprehensive method, which comprises the following steps of: firstly, acquiring real-time coordinates of an array element of an unmanned aerial vehicle to obtain a two-dimensional directional diagram; respectively setting zero main lobe widths of an azimuth directional diagram and a pitching directional diagram, and dividing a two-dimensional directional diagram into a plurality of areas to be optimized and 1 main lobe area; setting reference levels and initial interference values for a plurality of areas to be optimized, and calculating a data covariance matrix and initial weights of array elements before optimization iteration of each area to be optimized; updating interference values of different areas according to an LCMV method, iteratively calculating a data covariance matrix according to the interference values, and iterating weight vectors of each array element; applying the weight vector to the three-dimensional ultra-sparse array to obtain an optimized two-dimensional directional diagram, and stopping iteration if each directional diagram of the area to be optimized reaches the set reference level or convergence condition; otherwise, continuing iteration; and after the iteration is stopped, obtaining a final weight vector to be applied to the target array, and obtaining a two-dimensional emission directional diagram meeting the performance.)

一种三维超稀疏阵列静态方向图综合方法

技术领域

本发明涉及雷达信号处理技术领域，更具体的，涉及一种三维超稀疏阵列静态方向图综合方法。

背景技术

面对日益复杂的作战环境和作战任务，准确获取战争信息、实现零伤亡是未来武器装备的迫切要求。然而，单平台有人机载预警雷达无法深入敌方做到稳定覆盖探测，且雷达截面积较大及机动性较差，导致战争中易被摧毁造成人员伤亡。目前，发展的大型无人预警机虽然可以降低人员伤亡，但是其成本高且机动性极差。为了改善以上预警平台缺点，研究者们将研究重心转移到小型无人机集群协同探测。

随着无人机技术的发展，无人机已逐渐从单一平台转向群协作方式。与传统的大型单基无人机平台相比，无人机集群协同探测具有许多明显的优势。首先，其更大的天线孔径和更大的空域自由度可以实现更好的空间分辨率和杂波抑制性能。其次，无人机集群可以极大地提高预警探测系统的续航能力，即使一架或多架无人机被敌人击毁，仍能保持较好的集群整体探测性能。最后，小型无人机具有更小的雷达截面积和更高的机动性，使其能够穿越隐蔽环境，通过深入靠近高威胁区域的前沿进行有效探测，从而扩大探测范围。此外，小型无人机的成本远低于大型单基无人机平台。

在实际作战当中，为了满足作战需求和无人机安全间距，无人机集群往往是随机的或按照一定编队的三维超稀疏阵列分布(阵元间距大于半波长)。这种三维超稀疏阵列分布的主波束窄空间分辨率高，但是其旁瓣电平高、栅瓣效应强容易带来强干扰信号，引起虚警与目标角度模糊。这将导致无人机集群协同探测性能大大降低。为了缓解该现象，我们需要对集群系统的方向图综合以获得低旁瓣弱栅瓣效应的阵列方向图。

目前提出的基于线性约束最小方差(LCMV)准则的方向图综合方法通过从不同角度注入虚拟干扰来计算各阵元权值，其仅针对一维或二维分布的阵列，并且只能将方位方向图与俯仰方向图旁瓣优化到相同的电平。然而，在实际作战中，方位向与俯仰向方向图的要求性能往往是不同的。因此，如果能将方位向与俯仰向方向图分别优化至不同的性能，那将更加贴近实际的作战需求，大大增加作战成功率。

发明内容

本发明为了解决以上现有技术中存在不足的问题，提供了一种三维超稀疏阵列静态方向图综合方法，方法更加贴近实际作战需求，并且比现有的LCMV方向图综合方法迭代次数更少，迭代速度更快。

为实现上述本发明目的，采用的技术方案如下：

一种三维超稀疏阵列静态方向图综合方法，所述的方法包括步骤如下：

S1：首先获取无人机阵元实时坐标，从而得到二维方向图；

S2：分别设置方位向方向图、俯仰向方向图的零零主瓣宽度，将二维方向图划分为若干个待优化区域与1个主瓣区域；

S3：分别为若干个待优化区域设置参考电平与初始干扰值，计算各个待优化区域优化迭代前的数据协方差矩阵以及各阵元初始权值；

S4：根据LCMV方法的迭代公式更新不同区域的干扰值，根据干扰值迭代计算数据协方差矩阵，迭代各阵元的权矢量；

S5：将步骤S4所得的权矢量加权到三维超稀疏阵列的各阵元中，得到优化后二维方向图，若各个待优化区域方向图达到所设置的参考电平或收敛条件，则停止迭代；否则，回到步骤S4继续迭代；

S6：停止迭代后，得到最终的权矢量加权到目标阵列，即可得到满足性能的二维发射方向图。

优选地，各架无人机搭载8×6阵元且阵元间距半波长的相控阵列天线，在接收端各无人机的相控阵列天线微波合成一个通道，因此整个阵列为32通道的超稀疏大孔径阵列，波长λ＝0.6m，主波束指向

进一步地，设置方位向方向图的零零主瓣宽度为20°，设置俯仰向方向图的零零主瓣宽度为8°，将待优化区域分为3个区域，分别如下：区域1为方位旁瓣-俯仰主瓣)、区域2为方位主瓣-俯仰旁瓣，区域3为方位旁瓣-俯仰旁瓣；主瓣区域为方位主瓣-俯仰主瓣。

再进一步地，设置区域1、区域2、区域3的参考电平分别对应为P_r1＝-40dB，P_r2＝-30dB，P_r3＝-50dB。

再进一步地，不同区域的干扰值ξ_i迭代公式如下：

其中，ξ_i表示区域i的干扰值，i＝1、2、3；k表示迭代次数；为各区域方向图数值；P_ri表示区域i的参考电平，δ为迭代步长。

再进一步地，更新迭代干扰值：当所在角度方向图电平低于参考电平时，该角度干扰值减小；反之，该角度干扰值增大。

再进一步地，构造各个区域的信号流形矩阵，结合不同区域的干扰值迭代计算数据协方差矩阵；

其中，构造各个区域的信号流形矩阵如下：

其中，i＝1,2,3，P_i表示区域i方位向的干扰数量，Q_i表示区域i俯仰向的干扰数量；表示信号导向矢量。

再进一步地，第k次迭代数据协方差矩阵R_k的计算公式如下：

R_k＝[A₁ A₂ A₃]·diag[ξ_1kξ_2kξ_3k]·[A₁ A₂ A₃]^H+σI

其中，σ表示一个常数，I表示(32×8×6)维的单位矩阵。

再进一步地，第k次迭代歌阵元的权矢量w表示为：

其中，当k＝0时，令ξ_i0＝0，则R₀＝σI，w₀表示为：

再进一步地，设置收敛条件为Δ＜σ，其中Δ表达式如下：

Δ＝|mean[F_sl(k)]-mean[F_sl(k-1)]|

其中，F_sl为方向图的旁瓣电压数值，mean表示均值。

本发明的有益效果如下：

本发明通过对三维超稀疏阵列的二维方向图进行划分为若干个待优化区域与1个主瓣区域分区处理，然后分别给待优化区域设置不同的参考电平，通过给不同区域注入干扰，使不同区域的方向图电平不断逼近所设电平直到收敛。该方法可以将方位与俯仰方向图分别优化至不同参考电平，从而更加贴近实际作战需求。同时，通过这种分区操作，该方法比传统LCMV方法迭代速度更快，收敛效果更好。因此本发明适用于无人机集群协同探测。

附图说明

图1是本实施例1所述的方法的步骤流程图。

具体实施方式

下面结合附图和具体实施方式对本发明做详细描述。

实施例1

假设32架无人机随机在240×240×240m³三维空间，飞行安全间距为10m以上，无人机集群高度为5000m，各架无人机载8×6阵元且阵元间距半波长的相控阵阵列天线，在接收端各无人机相控阵天线微波合成一个通道，因此整个阵列为32通道的超稀疏大孔径阵列，波长λ＝0.6m，主波束指向下面结合图1和实例说明一下整个发明的详细步骤：

如图1所示，一种三维超稀疏阵列静态方向图综合方法，所述的方法包括步骤如下：

S1：首先采用三维超稀疏阵列机载雷达获取无人机阵元实时坐标，从而得到二维方向图，所述的三维超稀疏阵列机载雷达采用相控阵天线；

S2：分别设置方位向方向图、俯仰向方向图的零零主瓣宽度，将二维方向图划分为若干个待优化区域与1个主瓣区域；

S3：分别为若干个待优化区域设置参考电平与初始干扰值，计算各个待优化区域优化迭代前的数据协方差矩阵以及各阵元初始权值；

S4：根据LCMV方法的迭代公式更新不同区域的干扰值，根据干扰值迭代计算数据协方差矩阵，迭代各阵元的权矢量；

S5：将步骤S4所得的权矢量加权到三维超稀疏阵列的各阵元中，得到优化后二维方向图，若各个待优化区域方向图达到所设置的参考电平或收敛条件，则停止迭代；否则，回到步骤S4继续迭代；

S6：停止迭代后，得到最终的权矢量加权到目标阵列，即F＝|w_optA|，其中w_opt为最优权矢量，A为阵列的信号流矩阵，可得到满足性能的二维发射方向图F。

在一个具体的实施例中，设置方位向方向图的零零主瓣宽度为20°，设置俯仰向方向图的零零主瓣宽度为8°，将待优化区域分为3个区域，分别如下：区域1为方位旁瓣-俯仰主瓣)、区域2为方位主瓣-俯仰旁瓣，区域3为方位旁瓣-俯仰旁瓣；主瓣区域为方位主瓣-俯仰主瓣。所述的方位向与俯仰向主瓣宽度为零零主瓣宽度，且与所设旁瓣电平相关。

本实施例设置区域1的参考电平为P_r1＝-40dB；设置区域2参考电平为P_r2＝-30dB；区域3的参考电平为P_r3＝-50dB。待优化区域的初始干扰值设置为1。

在一个具体的实施例中，不同区域的干扰值ξ_i迭代公式如下：

其中，ξ_i表示区域i的干扰值，i＝1、2、3；k表示迭代次数；为各区域方向图数值；P_ri表示区域i的参考电平，δ为迭代步长。

本实施例利用LCMV迭代公式可以更新迭代干扰值：当所在角度方向图电平低于参考电平时，该角度干扰值应该减小；反之，该角度干扰值应该增大。

在一个具体的实施例中，构造各个区域的信号流形矩阵，结合不同区域的干扰值迭代计算数据协方差矩阵；

其中，构造各个区域的信号流形矩阵如下：

其中，i＝1,2,3，P_i表示区域i方位向的干扰数量，Q_i表示区域i俯仰向的干扰数量；表示信号导向矢量。

其中，第k次迭代数据协方差矩阵R_k的计算公式如下：

R_k＝[A₁ A₂ A₃]·diag[ξ_1kξ_2kξ_3k]·[A₁ A₂ A₃]^H+σI

其中，σ表示一个常数，I表示(32×8×6)维的单位矩阵；diag()表示一种函数，其作用是矩阵对角元素的提取和创建对角阵。

在一个具体的实施例中，第k次迭代歌阵元的权矢量w表示为：

其中，当k＝0时，令ξ_i0＝0，则R₀＝σI表示初始化数据协方差矩阵，w₀表示初始化权矢量为：

在一个具体的实施例中，根据方向图特性设置收敛条件，比如当旁瓣方向图的平均电平变化小于一个较小的常数时，停止迭代。因此本实施例停止迭代设置收敛条件为Δ＜σ，其中Δ表达式如下：

Δ＝|mean[F_sl(k)]-mean[F_sl(k-1)]|

其中，F_sl为方向图的旁瓣电压数值，mean表示均值。

本实施例将所得的权矢量作用到三维超稀疏阵列，可以将不同区域旁瓣电平压低到不同的值同时减小栅瓣效应，更加贴近实际作战需求。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。