基于深度学习的FDA-MIMO雷达协方差矩阵缺失数据恢复方法

TN958; 频控阵-多输入多输出(FDA-MIMO)雷达通过波束形成技术实现抗干扰的研究已经十分丰富.然而,在实际工作中,受元器件老化和存储设备容量等硬件因素的影响,计算得到的信号协方差矩阵可能会出现数据缺失的情况.为了克服协方差矩阵数据缺失对波束形成算法性能的影响,该文提出了一种基于深度学习的FDA-MIMO雷达协方差矩阵数据恢复方法,并建立了协方差矩阵恢复-自适应波束形成的两阶段处理框架;提出了一种双通道生成对抗网络(GAN)来解决矩阵数据恢复问题,该网络主要由鉴别器(D)和生成器(G)两部分组成:生成器主要功能是输出完整的矩阵数据,鉴别器则是判别数据为真实数据还是填补数据.整个网络通过...

Full description

Saved in:
Bibliographic Details
Published in雷达学报 Vol. 12; no. 5; pp. 1112 - 1124
Main Authors 丁梓航, 谢军伟, 王博
Format Journal Article
LanguageChinese
Published 空军工程大学防空反导学院 西安 710051%空军工程大学空管领航学院 西安 710051 2023
Subjects
Deep learning
生成对抗网络
Beamforming
Generative Adversarial Network(GAN)
数据恢复
波束形成
FDA-MIMO雷达
深度学习
Matrix recovery
Frequency-Diverse Arrays and Multiple-Input and Multiple-Output(FDA-MIMO)radar
Online AccessGet full text
ISSN2095-283X
DOI10.12000/JR23002

Cover

More Information
Summary:TN958; 频控阵-多输入多输出(FDA-MIMO)雷达通过波束形成技术实现抗干扰的研究已经十分丰富.然而,在实际工作中,受元器件老化和存储设备容量等硬件因素的影响,计算得到的信号协方差矩阵可能会出现数据缺失的情况.为了克服协方差矩阵数据缺失对波束形成算法性能的影响,该文提出了一种基于深度学习的FDA-MIMO雷达协方差矩阵数据恢复方法,并建立了协方差矩阵恢复-自适应波束形成的两阶段处理框架;提出了一种双通道生成对抗网络(GAN)来解决矩阵数据恢复问题,该网络主要由鉴别器(D)和生成器(G)两部分组成:生成器主要功能是输出完整的矩阵数据,鉴别器则是判别数据为真实数据还是填补数据.整个网络通过鉴别器和生成器之间相互对抗使生成器生成样本接近于真实数据的分布,从而实现对协方差矩阵缺失数据的恢复.此外,考虑到协方差矩阵数据为复数,分别构造两个独立的GAN网络以满足矩阵数据实部和虚部的训练.最后,数值实验结果表明,协方差矩阵真实数据与恢复后的数据平均均方根误差仅为0.01量级,验证了所提方法能够有效恢复协方差矩阵的缺失数据.
ISSN:2095-283X
DOI:10.12000/JR23002