1.一种基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法,其特征在于,所述算法包括:S1、根据匹配滤波后的阵列信号模型构建三阶平行因子张量模型;
S2、对所述三阶平行因子张量模型进行平行因子分解,得到因子矩阵的估计值;
S3、根据因子矩阵的估计值,采用ESPRIT算法获得对方位角的估计,利用矢量叉乘的性质获得俯仰角的估计;
S4、利用最小二乘法获得二维极化角的估计。
2.根据权利要求1所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法,其特征在于,所述步骤S1中,所述三阶平行因子张量模型具体的张量形式如下:其中, 式中
Bt和At分别表示发射阵列对应的发射方向矩阵和发射极化响应矩阵,Br和Ar分别表示接收阵列对应的接收方向矩阵和接收极化响应矩阵,⊙表示按列克罗内克积,F是目标特征矩阵, 是相对应的噪声张量,下标×n表述张量的模n乘积。
3.根据权利要求1所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法,其特征在于,所述步骤S2具体为:S21、将对因子矩阵Dt,Dr,F的估计问题转化为求解如下优化问题:S22、根据张量展开的定义,将 以矩阵的形式展开:其中, 表示 的模n展开;将对因子矩阵Dt,Dr,F的估计问题转化为如下优化问题:S23、通过三线性交替最小二乘法来求解步骤S22所述优化问题,其最优解分别为:根据所述最优解得到因子矩阵的估计值 和
4.根据权利要求1所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法,其特征在于,所述步骤S3中,2D-DOD估计过程具体为:S301、计算
其中, 定义
表示置换矩阵,Δ1是K×K实对角矩阵;
S302、对 进行特征值分解,得到特征值 和相应的特征向量 θt,k的估计为:
S303、计算At的估计:
round{·}表示取近似值;令 和 分别代表 第k列的前三个和最后三个元素,则矢量叉积 φt,k的估计为:其中,pt,k(1)和pt,k(2)分别表示pt,k的第一和第二个元素。
5.根据权利要求4所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法,其特征在于,所述步骤S4中,2D-TPA估计为:令 根据 构建方向矩阵Vt,k,则极化向量可以通过下式估计:二维发射极化角的估计为:
其中gt,k(1)和gt,k(2)分别表示gt,k的第一和第二个元素。
6.根据权利要求1所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法,其特征在于,所述步骤S3中,2D-DOA估计为:S311、计算
其中
Δ2是K×K实对角矩
阵;
S312、对 进行特征分解,λr,k为 的第k个对角元素,则θr,k的估计为:S313、计算At的估计:
令 和 分别代表 第k列的前三个和最后三个元素,则矢量叉积φt,k的估计为:
其中,pr,k(1)和pr,k(2)分别表示pr,k的第一和第二个元素。
7.根据权利要求6所述基于平行因子算法的双基地EMVS-MIMO雷达角度估计算法,其特征在于,所述步骤S4中,2D-RPA估计为:令 根据 构建方向矩阵Vr,k,则极化向量可以通过下式估计:二维发射极化角可以通过下式来计算:其中gr,k(1)和gr,k(2)分别表示gr,k的第一和第二个元素。
8.一种基于平行因子算法的双基地EMVS-MIMO雷达角度估计装置,其特征在于,所述装置包括:模型构建模块:根据匹配滤波后的阵列信号模型构建三阶平行因子张量模型;
因子分解模块:对所述三阶平行因子张量模型进行平行因子分解,得到因子矩阵的估计值;
角度估计模块:根据因子矩阵的估计值,采用ESPRIT技术获得对方位角的估计,利用矢量叉乘的性质获得俯仰角的估计;利用最小二乘技术获得二维极化角的估计。