分布式MIMO雷达目标检测性能分析

程子扬 何子述 王智磊 鲁彦希

引用本文:
Citation:

分布式MIMO雷达目标检测性能分析

    作者简介: 何子述(1962–),男,教授,研究方向为雷达信号与信息处理、自适应及阵列信号处理、高速实时信号处理与实现。.
    通讯作者: 程子扬, czy1285569413@163.com
  • 基金项目:

    国家自然科学基金(61671139)

  • 中图分类号: TN955+.1

Detection Performance Analysis for Distributed MIMO Radar

    Corresponding author: Cheng Ziyang, czy1285569413@163.com ;
  • Fund Project: The National Natural Science Foundation of China (61671139)

    CLC number: TN955+.1

  • 摘要: 针对分布式MIMO雷达目标检测问题,该文首先根据分布式MIMO雷达站间的位置几何分布,给出了分布式MIMO雷达系统的3种形态:分布式相参MIMO雷达、相位随机MIMO雷达和幅相随机MIMO雷达。然后重点推导了低信噪比条件下相位随机和幅相随机MIMO雷达的平方律检测器结构,并详细分析了这两种检测器的检测性能。最后的仿真实验说明了该文的理论分析对实际工程具有一定的指导意义。
  • 图 1  分布式MIMO雷达系统

    Figure 1.  Distributed MIMO radar system

    图 2  相位随机MIMO雷达平方律检测器

    Figure 2.  Square law detector structure of random phase MIMO radar

    图 3  幅相随机MIMO雷达平方律检测器

    Figure 3.  Square law detector structure of random amplitude-phase MIMO radar

    图 4  相位随机MIMO检测器性能

    Figure 4.  Performance of random phase MIMO radar detector

    图 5  幅相随机MIMO检测器性能

    Figure 5.  Performance of random amplitude-phase MIMO radar detector

  • [1] Fishler E, Haimovich A, and Blum S. MIMO radar: An idea whose time has come[C]. IEEE National Radar Conference, Philadelphia, PA, 2004: 71–78.
    [2] Li Jian and Stoica P. MIMO radar with colocated antennas[J]. IEEE Signal Processing Magazine, 2007, 24(5): 106–114. doi: 10.1109/MSP.2007.904812
    [3] Haimovich A, Blum R, and Cimini L. MIMO radar with widelyseparated antennas[J]. IEEE Signal Processing Magazine, 2008, 25(1): 116–129. doi: 10.1109/MSP.2008.4408448
    [4] Xu Lu-zhou, Li Jian, and Stoica P. Target detection and parameter estimation for MIMO radar systems[J]. IEEE Transactions on Aerospace & Electronic Systems, 2008, 44(3): 927–939.
    [5] Fishler E, Haimovich A, and Blum R. Spatial diversity in radars-models and detection performance[J]. IEEE Transactions on Signal Processing, 2006, 54(3): 823–838. doi: 10.1109/TSP.2005.862813
    [6] De Maio A and Lops M. Design principles of MIMO radar detectors[J]. IEEE Transactions on Aerospace & Electronic Systems, 2007, 43(3): 886–898.
    [7] Chen Chun-yang and Vaidyanathan P P. MIMO radar ambiguity properties and optimization using frequency-hopping waveforms[J]. IEEE Transactions on Signal Processing, 2008, 56(12): 5926–5936.
    [8] He Qian and Blum R. Diversity gain for MIMO Neyman-Pearson signal detection[J]. IEEE Transactions on Signal Processing, 2011, 59(3): 869–881. doi: 10.1109/TSP.2010.2094611
    [9] He Qian, Lehmann N, and R Blum. MIMO radar moving target detection in homogeneous clutter[J]. IEEE Transactions on Aerospace & Electronic Systems, 2010, 46(3): 1290–1301.
    [10] 宋靖, 张剑云. 分布式全相参雷达相参性能分析[J]. 电子与信息学报, 2015, 37(1): 9–14.Song Jing and Zhang Jianyun. Coherence performance analysis for distributed aperture coherent radar[J]. Journal of Electronics & Information Technology, 2015, 37(1): 9–14.
    [11] 臧会凯, 雷欢, 但晓东. 分布式雷达相参发射原理与性能分析[J]. 电子与信息学报, 2015, 37(8): 1801–1807.Zang Hui-kai, Lei Huan, and Dan Xiao-dong. Theory and performance analysis of coherent transmission for distributed radar[J]. Journal of Electronics & Information Technology, 2015, 37(8): 1801–1807.
    [12] 曾涛, 殷丕磊, 杨小鹏. 分布式全相参雷达系统时间与相位同步方案研究[J]. 雷达学报, 2013, 2(1): 105–110. doi: 10.3724/SP.J.1300.2013.20104Zeng Tao, Yin Pi-lei, and Yang Xiao-peng. Time and phase synchronization for distributed aperture coherent radar[J]. Journal of Radars, 2013, 2(1): 105–110. doi: 10.3724/SP.J.1300.2013.20104
    [13] He Qian, Blum R, Godrich H, et al.. Target velocity estimation and antenna placement for MIMO radar with widely separated antennas[J]. IEEE Journal of Selected Topics in Signal Processing, 2010, 4(1): 79–100. doi: 10.1109/JSTSP.2009.2038974
    [14] Abramuwitz M and Stegun I. Handbook of Mathematical Functions: with Formulas, Graphs, and Mathematical Tables[M]. Dover Publications, 1968.
    [15] Thomas A and Arthur A. Detection and Estimation: Theory and Its Application[M]. Prentice Hall Press, 2007.
    [16] Anthony D. Detection of Signals in Noise[M]. New York: Academic Press, 1971.
  • [1] 李尚远肖雪迪郑小平 . 基于微波光子学的分布式相参孔径雷达. 雷达学报, 2019, 8(2): 178-188. doi: 10.12000/JR19024
    [2] 鲁彦希何子述程子扬刘爽利 . 多目标跟踪分布式MIMO雷达收发站联合选择优化算法. 雷达学报, 2017, 6(1): 73-80. doi: 10.12000/JR16106
    [3] 曾涛殷丕磊杨小鹏范华剑 . 分布式全相参雷达系统时间与相位同步方案研究. 雷达学报, 2013, 2(1): 105-110. doi: 10.3724/SP.J.1300.2012.20104
    [4] 鲁耀兵高红卫周宝亮 . 分布式孔径相参合成雷达技术. 雷达学报, 2017, 6(1): 55-64. doi: 10.12000/JR17014
    [5] 金镇谢良贵文树梁 . 分布式MIMO 雷达单脉冲测角. 雷达学报, 2014, 3(4): 474-479. doi: 10.3724/SP.J.1300.2014.13077
    [6] 闫州杰王华兵陈远征赵艳丽 . 超大阵面分布式相控阵雷达的自-交叉相位定标方法. 雷达学报, 2013, 2(4): 439-444. doi: 10.3724/SP.J.1300.2013.13054
    [7] 谷文堃王党卫马晓岩 . 分布式MIMO-ISAR子图像融合方法. 雷达学报, 2017, 6(1): 90-97. doi: 10.12000/JR16042
    [8] 周宝亮周东明高红卫杨杰 . 分布式孔径相参合成雷达联合天线增益分析. 雷达学报, 2017, 6(4): 332-339. doi: 10.12000/JR17055
    [9] 万显荣易建新程丰饶云华龚子平柯亨玉 . 单频网分布式外辐射源雷达技术. 雷达学报, 2014, 3(6): 623-631. doi: 10.12000/JR14156
    [10] 吴秉横纪奕才方广有 . 带反射腔的分布式电阻加载探地雷达天线设计与分析. 雷达学报, 2015, 4(5): 538-544. doi: 10.12000/JR15070
    [11] 万显荣孙绪望易建新吕敏饶云华 . 分布式数字广播电视外辐射源雷达系统同步设计与测试. 雷达学报, 2017, 6(1): 65-72. doi: 10.12000/JR16134
    [12] 李道京滕秀敏潘舟浩 . 分布式位置和姿态测量系统的概念与应用方向. 雷达学报, 2013, 2(4): 400-405. doi: 10.3724/SP.J.1300.2013.13086
    [13] 李洋漾李雯易伟孔令讲 . 基于DP-TBD的分布式异步迭代滤波融合算法研究. 雷达学报, 2018, 7(2): 254-262. doi: 10.12000/JR17057
    [14] 张晶晶洪文尹嫱 . 基于球形截断协方差矩阵的极化SAR分布式目标稳健定标方法. 雷达学报, 2016, 5(6): 701-710. doi: 10.12000/JR16138
    [15] 李航舰王宇邓云凯王伟张衡 . 分布式星载SAR系统时间同步和波束同步误差分析. 雷达学报, 2018, 7(2): 244-253. doi: 10.12000/JR17028
    [16] 朱丹徐威远陈文娟刘江潘时龙 . 基于光波分复用网络的分布式多目标定位系统. 雷达学报, 2019, 8(2): 171-177. doi: 10.12000/JR19028
    [17] 夏正欢张群英叶盛波吴世有谭恺方广有阴和俊 . 一种便携式伪随机编码超宽带人体感知雷达设计. 雷达学报, 2015, 4(5): 527-537. doi: 10.12000/JR15027
    [18] 管司慧宋耀良穆童范事成翁美丽 . 基于分布式无线网络的无线电层析成像方法与实验研究. 雷达学报, 2014, 3(4): 490-495. doi: 10.3724/SP.J.1300.2014.13120
    [19] 刘振魏玺章黎湘 . 一种新的随机PRI脉冲多普勒雷达无模糊MTD算法. 雷达学报, 2012, 1(1): 28-35. doi: 10.3724/SP.J.1300.2013.10063
    [20] 苏海张晓娟叶盛波张群英方广有 . 一种基于射频开关切换的伪随机编码超宽带多发多收雷达设计. 雷达学报, 2017, 6(1): 43-54. doi: 10.12000/JR16076
  • 加载中
图(5)
计量
  • 文章访问数:  557
  • HTML浏览量:  85
  • PDF下载量:  703
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-12-19
  • 录用日期:  2017-01-23
  • 网络出版日期:  2017-03-08
  • 刊出日期:  2017-02-28

分布式MIMO雷达目标检测性能分析

    通讯作者: 程子扬, czy1285569413@163.com
    作者简介: 何子述(1962–),男,教授,研究方向为雷达信号与信息处理、自适应及阵列信号处理、高速实时信号处理与实现。
  • 电子科技大学   成都   611731
基金项目:  国家自然科学基金(61671139)

摘要: 针对分布式MIMO雷达目标检测问题,该文首先根据分布式MIMO雷达站间的位置几何分布,给出了分布式MIMO雷达系统的3种形态:分布式相参MIMO雷达、相位随机MIMO雷达和幅相随机MIMO雷达。然后重点推导了低信噪比条件下相位随机和幅相随机MIMO雷达的平方律检测器结构,并详细分析了这两种检测器的检测性能。最后的仿真实验说明了该文的理论分析对实际工程具有一定的指导意义。

English Abstract

    • 多输入多输出(MIMO)雷达作为一种新体制雷达 [1] ,目前已受到雷达界学者的广泛关注。MIMO雷达利用多个发射天线发射波形,通过对多个接收天线接收到的信号进行联合处理以提高对目标的探测性能。根据雷达站的空间分布位置,MIMO雷达可以被分为两大类。一类是天线集中式布置的MIMO雷达(colocated MIMO) [2] ,另一类是天线分布式布置的MIMO雷达(distributed MIMO) [3]

      根据各通道回波信号的相关性,分布式MIMO雷达又可以分为两种情况:相参MIMO雷达(coherent MIMO)和非相参MIMO雷达(noncoherent MIMO) [3] 。前者各传输通道中目标回波表现出相同的特性,接收端能够进行相参处理,利用相参增益提高对目标的探测性能 [4] ;后者通过观测某一域上不同维度的目标来进行检测,如波形分集、空间分集和极化分集,利用回波信号的分集增益提高性能 [5] 。分集处理可以克服传统相控阵雷达在弱目标,尤其是隐身目标检测方面的不足。

      目前,针对MIMO雷达目标检测的研究比较多。文献[5]对比了MIMO雷达和相控阵雷达的目标检测性能,并深入研究了目标雷达散射截面(Radar Cross Section, RCS)起伏对雷达检测性能的影响。文献[ 6]研究了加性高斯白噪声中统计MIMO雷达中的广义似然比检测器(Generalized Likelihood Ratio Test, GLRT),同时给出了检测概率的闭合表达式。文献[ 7]研究了频率分集MIMO雷达目标检测性能,并说明了这种分集具有同空间分集类似的效果。

      现有的论文都只是单独地分析分布式MIMO雷达在某种形态下的检测性能 [8 , 9] ,而没有系统地分析分布式MIMO雷达不同形态下的检测性能。本文将从布站间隔与回波的相参性出发,首先给出分布式MIMO雷达的3种形态,接着分别分析分布式MIMO雷达3种形态下的检测性能。由于分布式相参MIMO检测性能很多文献都已讨论 [1012] ,限于篇幅,本文不再详细讨论,本文的重点将放在相位随机分布式MIMO雷达、幅相随机分布式MIMO雷达这两种非相参MIMO雷达的检测性能分析上。本文最后通过仿真对比了分布式MIMO雷达在不同形态下的检测性能。

    • 本节根据分布式MIMO雷达系统相对于目标的分布场景,如 图1 所示,将分别讨论分布式MIMO雷达的3种形态。分布式MIMO雷达系统的每个收发路径都具有不同且未知的幅度和相位,根据雷达天线的分布位置不同,其形态可以分为3种。

      图  1  分布式MIMO雷达系统

      Figure 1.  Distributed MIMO radar system

    • 当分置MIMO雷达系统各站在空间的位置分布相对集中,即各站之间的间隔满足文献[5]中的相参关系,可以认为各站是从同一方向照射与接收目标回波信号,且各站信号是相参发射与接收的,此时,同一个目标的各收发路径的回波表现出相同的散射特性,即,不同路径目标反射系数的幅度相等且相位相同。每条路径的信号回波是相参的。此种场景下,分布式MIMO雷达系统可以看作分布式相参MIMO雷达系统,在发射端和接收端进行相参处理,利用相参增益来提高对目标的检测性能。

      分布式MIMO雷达实现全相参后,其检测器结构与传统相控阵雷达一致,此处不再讨论。通过 N 个雷达站的全相参处理,可以带来 N 倍的信噪比改善。

    • 同2.1小节布站场景相同,即分置MIMO雷达系统各站在空间的位置分布相对集中,各站是近似从同一方向照射与接收目标回波信号,但各站发射与接收信号是非相参的,此时,同一个目标的各收发路径回波表现出相同的幅度特性,但相位是随机的,即可以认为各个路径散射系数的幅度相同,仅散射系数的相位相互独立。通常假设每条路径反射系数的相位服从 $\left( {0,\;2{{π}} } \right)$ 上的均匀分布。

    • 下面两种主要场景,将使得分布式MIMO雷达系统各接收路径,对同一个目标的回波RCS幅度和相位都是随机的(无论各站间信号源是否相参)。

      (1) 当分布式MIMO雷达系统各站在空间的位置分散,即各站之间的间隔不满足远远小于雷达到目标的距离,可认为各站是从不同方向照射与接收目标回波信号,此时可以认为接收到的各路径回波RCS幅度和相位都是随机的。

      (2) 无论分布式MIMO雷达系统各站在空间的位置如何分布,如果各站发射信号间的频率相差较大,即各雷达站发射不同频段的探测信号,此时同一目标对不同频段的探测信号,将呈现不同的RCS,此时,各路径回波RCS幅度和相位也是随机的。

    • 本节将详细推导相位随机MIMO雷达检测器结构,并重点分析低信噪比条件下平方律检测器的检测性能。

    • 不失一般性,假设衰减系数已知,且并入反射系数中。设接收天线数目为 M ,接收天线的数目为 N ,发射信号的总能量为 E

      接收天线 n 的回波信号模型为:

      ${r_n}\left( t \right) = \sqrt {\frac{E}{M}} \sum\limits_{m = 1}^M {{\eta _{mn}}{s_m}\left( {t - {\tau _{mn}}} \right)} + {u_n}\left( t \right)$

      式中, ${\eta _{mn}}$ 为第 m 个发射天线到第 n 个接收天线的复散射系数, ${\eta _{mn}} = {\alpha _{mn}}{{\rm e}^{{\rm j}{\beta _{mn}}}}$ , ${\alpha _{mn}}$ 为散射系数的幅度, ${\beta _{mn}}$ 为散射系数的相位。 ${\tau _{mn}}$ 为第 m 个发射天线到第 n 个接收天线的传播延时。 ${u_n}\left( t \right)$ 是均值为0,方差为 $\sigma _n^2$ 的复高斯白噪声。 ${s_m}\left( t \right)$ 为第 m 个发射站发射的信号,发射波形满足正交性 [13] ,即

      $\int_T {{s_m}\left( t \right)s_{m'}^*\left( t \right)} {\rm d}t = \left\{ {\begin{array}{*{20}{c}}\!\!\!{1,} & {m = m'}\\\!\!\!{0,} & {m \ne m'}\end{array}} \right.$

      对于每个接收天线的接收回波,利用 M 个发射信号分别进行匹配滤波分离出各个路径的信号。称“目标出现在检测单元中”的假设为 H 1,“没有目标出现”的假设为 H 0,则在两种假设下,由发射天线 m ( $m = 1, \cdots ,M$ )发射的信号,经接收天线 n ( $n = 1, \cdots ,N$ )接收后的观测值为:

      ${y_{mn}} = \left\{ \begin{array}{l}\!\!\!\sqrt {\frac{E}{M}} {\alpha _{mn}}{{\rm e}^{{\rm j}{\beta _{mn}}}} + {u_{mn}}, \;\;{H_1}\\\!\!\!{u_{mn}},\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; \quad \;\,{H_0}\end{array} \right.$

      其中, ${u_{mn}} = \int_T^{} {{u_n}\left( t \right)s_m^*\left( t \right)} {\rm d}t$ 为匹配滤波后输出噪声。对于仅相位随机情况,此时,各个散射系数的幅度是相同的,即 ${\alpha _{11}} = {\alpha _{21}} = \cdots = {\alpha _{MN}} = \alpha $ 。 MN 个相位 ${\beta _{11}},{\beta _{21}}, \cdots ,{\beta _{MN}}$ 相互独立,且都服从 $\left( {0,2{{π}} } \right)$ 上的均匀分布。将所有观测值表示成向量的形式为:

      ${y} = \left[ {{y_{11}}\: \cdots \:\:{y_{M1}}\:{y_{12}}\: \cdots \:\:{y_{mn}}\: \cdots \:\:{y_{MN}}} \right]$

      H 1假设下的联合条件概率密度函数为 [14]

      $\begin{array}{l}{p_1}\!\left( {{y}|{{β}} } \right) \!\!=\!\! \prod\limits_{m = 1}^M\! {\prod\limits_{n = 1}^N \!{\frac{1}{{{{π}} \sigma\!_n\,\!\!^2}}} }\! \exp\! \!\left( \!{ \!-\! \frac{1}{{\sigma _n^2}}\!{{\left| {{y_{mn}} \!-\! \sqrt {\frac{E}{M}} \alpha {{\rm e}^{{\rm j}{\beta _{mn}}}}} \right|}^2}}\!\right)\\\;\;\;\;\;\;\;\;\;\;\;\; = \prod\limits_{m = 1}^M {\prod\limits_{n = 1}^N {\frac{1}{{{{π}} \sigma\! _n\,\!\!^2}}} } \exp\! \left( { - \frac{1}{{\sigma _n^2}}{{\left| {{y_{mn}}} \right|}^2}} \right)\\\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\cdot \exp \left( { - \frac{E}{{M\sigma _n^2}}{\alpha ^2}} \right) \\\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\cdot \exp \left( {\frac{{2\alpha }}{{\sigma _n^2}}\sqrt {\frac{E}{M}} \left| {{y_{mn}}} \right|\cos \left( {{\beta _{mn}}\! -\! {\zeta _{mn}}} \right)}\! \right)\end{array}$

      式中, ${\zeta _{mn}}$ 为复观测值 ${y_{mn}}$ 的相位, ${{β}} {\rm{ = }}\left[ {{\beta _{11}}} \quad \right.{\beta _{21}}$ $\left. { \cdots {\beta _{MN}}} \right]$ 。在 MN 个相位上求平均,可得到在假设 H 1下的联合密度函数为:

      $\begin{array}{l}{p_1}\left( {y} \right) = \int_0^{2{{π}} } {{p_1}\left( {{y}|{{β}}} \right)p\left( {{β}} \right){\rm d}{{β}}} \\\;\;\;\;\;\;\;\;\;\; = \prod\limits_{m = 1}^M {\prod\limits_{n = 1}^N {\frac{1}{{{{π}} \sigma _n^2}}} } \exp \left( { - \frac{1}{{\sigma _n^2}}{{\left| {{y_{mn}}} \right|}^2}} \right)\\\;\;\;\;\;\;\;\;\;\;\;\;\; \cdot \exp \!\left( \! \!{ - \frac{E}{{M\sigma _n^2}}{\alpha ^2}} \!\right) {I_0}\left( \!{\frac{{2\alpha }}{{\sigma _n^2}}\sqrt {\frac{E}{M}} \left| {{y_{mn}}} \right|} \!\right)\end{array}$

      式中, ${I_0}( \cdot )$ 为修正的零阶贝塞尔函数,其表达式为:

      ${I_0}\left( x \right) = \frac{1}{{2{{π}} }}\int_0^{2{{π}} } {{{\rm e}^{x\cos \left( {\beta - \zeta } \right)}}} {\rm d}\beta $

      H 0假设下的联合条件概率密度函数可表示为:

      ${p_0}\left( {y} \right) = \prod\limits_{m = 1}^M {\prod\limits_{n = 1}^N {\frac{1}{{{{π}} \sigma _n^2}}} } \exp \left( { - \frac{1}{{\sigma _n^2}}{{\left| {{y_{mn}}} \right|}^2}} \right)$

      由式(6)和式(8)可以得到对数似然比函数,

      $\ln L\left( {y} \right) = \ln \left( {\frac{{{p_1}\left( {y} \right)}}{{{p_0}\left( {y} \right)}}} \right) = \sum\limits_{m = 1}^M {\sum\limits_{n = 1}^N {{W_{mn}}} } $

      式中分支判决变量 W mn 可以表示为:

      ${W_{mn}} = \ln {I_0}\left( {\frac{{2\alpha }}{{\sigma _n^2}}\sqrt {\frac{E}{M}} \left| {{y_{mn}}} \right|} \right) - \frac{{E{\alpha ^2}}}{{M\sigma _n^2}}$

      式(10)中的检测器包含了相同的非线性部分,记为 $\ln {I_0}( \cdot )$ 。非线性的性能相当好,但实际很少能够实现,工程中常采用一种折中的方法 [15]

      (1) 当 x 很小时,则有 $\ln {I_0}(x) \approx {x^2}/4$ ,故称为“低信噪比”平方律处理检测器;

      (2) 当 x 很大时,则有 $\ln {I_0}(x) \approx x$ ,故称为“高信噪比”线性处理检测器。

      限于篇幅,本文仅讨论低信噪比情况下的处理方法,于是,相位随机MIMO雷达的平方律检测器的结构如 图2 所示,图2给出检测统计量式(9)的检测器结构。

      图  2  相位随机MIMO雷达平方律检测器

      Figure 2.  Square law detector structure of random phase MIMO radar

    • 在低信噪比条件下, $\ln {I_0}(x) \approx {x^2}/4$ ,因此,式(10)可以近似为:

      ${W_{mn}} = {\left( {\frac{\alpha }{{\sigma _n^2}}\sqrt {\frac{E}{M}} \left| {{y_{mn}}} \right|} \right)^2} - \frac{{E{\alpha ^2}}}{{M\sigma _n^2}}$

      H 1假设下,由于 y mn 是复高斯随机变量,其均值为 $E\left\{ {{y_{mn}}} \right\} = \sqrt {E/M} \alpha {{\rm{e}}^{{\rm{j}}{\beta _{mn}}}}$ ,方差为 $V\left\{ {{y_{mn}}} \right\} = $ $ \sigma _n^2$ 。

      且令 $\left| {{y_{mn}}} \right| = \sqrt {{{\left( {\Re \left\{ {{y_{mn}}} \right\}} \right)}^2} + {{\left( {\Im \left\{ {{y_{mn}}} \right\}} \right)}^2}} $ ,复高斯分布的模服从莱斯分布,且有

      $p\left( {\left| {{y_{mn}}} \right|} \right) = \frac{{\left| {{y_{mn}}} \right|}}{{\sigma _n^2/2}}\exp \left( { - \frac{{{{\left| {{y_{mn}}} \right|}^2} + E{\alpha ^2}/M}}{{2\sigma _n^2/2}}} \right)\\\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; \cdot {I_0}\left( {\frac{{\sqrt {E/M} \alpha \left| {{y_{mn}}} \right|}}{{\sigma _n^2/2}}} \right)$

      令 ${T_{mn}} = {\left( {\displaystyle\frac{\alpha }{{\sigma _n^2}}\sqrt {\frac{E}{M}} \left| {{y_{mn}}} \right|} \right)^2}$ ,则有

      $\left| {{y_{mn}}} \right| = \frac{{\sigma _n^2}}{{\alpha \sqrt {E/M} }}\sqrt {{T_{mn}}} $

      ${\rm d}{T_{mn}} = 2{\left( {\frac{\alpha }{{\sigma _n^2}}\sqrt {\frac{E}{M}} } \right)^2}\left| {{y_{mn}}} \right|{\rm d}\left| {{y_{mn}}} \right|$

      也即

      $\left| {{y_{mn}}} \right|{\rm d}\left| {{y_{mn}}} \right| = \frac{{\sigma _n^4}}{{2{\alpha ^2}E/M}}{\rm d}{T_{mn}}$

      继而可得 T mn 的概率密度函数为:

      $\begin{array}{l}p\left( {{T_{mn}}} \right) = \frac{{\sigma _n^4}}{{2{\alpha ^2}E/M}}\frac{1}{{\sigma _n^2/2}}\\\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; \cdot \exp \left( { - \frac{{{{\left( \Large{\frac{{\sigma _n^2}}{{\alpha \sqrt {E/M} }}}\Large \right)}^2}{T_{mn}} + E{\alpha ^2}/M}}{{\sigma _n^2}}} \right)\\\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; \cdot {I_0}\left( {\displaystyle\frac{{\sqrt {\displaystyle\frac{E}{M}} \alpha \displaystyle\frac{{\sigma _n^2}}{{\alpha \sqrt {E/M} }}\sqrt {{T_{mn}}} }}{{\sigma _n^2/2}}} \right)\\\;\;\;\;\;\;\;\;\;\;\;\; = \frac{{\sigma _n^2}}{{{\alpha ^2}E/M}}\exp \left( { - \frac{{\sigma _n^2{T_{mn}}}}{{{\alpha ^2}E/M}} - \frac{{E{\alpha ^2}/M}}{{\sigma _n^2}}} \right)\\\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; \cdot {I_0}\left( {2\sqrt {{T_{mn}}} } \right)\\\;\;\;\;\;\;\;\;\;\;\;\;=\! \frac{1}{{2s_{mn}^2}}\exp \!\left(\! { -\! \frac{{{T_{mn}} + {\eta _{mn}}}}{{2s_{mn}^2}}} \!\right)\!{I_0}\!\left( \!{\frac{{\sqrt {{T_{mn}}{\eta _{mn}}} }}{{s_{mn}^2}}} \right)\end{array}$

      其中

      $s_{mn}^2 = \frac{{{\alpha ^2}E/M}}{{2\sigma _n^2}}, \quad {\eta _{mn}} = 4s_{mn}^4$

      T mn 为非中心的卡方分布, T mn 的特征函数可表示为 [16]

      $\begin{aligned}{{{Φ}}_{mn}}\left( {{\rm j}\omega } \right) = & \exp \left( { - \frac{{ {\eta _{mn}}}}{{2s_{mn}^2}}} \right)\frac{1}{{1 - 2{\rm j}\omega s_{mn}^2}}\\& \cdot \exp \left( {\frac{{{\eta _{mn}}/2s_{mn}^2}}{{1 - 2{\rm j}\omega s_{mn}^2}}} \right)\end{aligned}$

      因此, ${T_1} = \sum\nolimits_{m = 1}^M {\sum\nolimits_{n = 1}^N {{T_{mn}}} } $ 的特征函数为:

      ${{Φ}} \left( {{\rm j}\omega } \right) = \prod\limits_{m = 1}^M {\prod\limits_{n = 1}^N {{{{Φ}} _{mn}}\left( {{\rm j}\omega } \right)} } $

      为了简化分析,假设所有接收站的方差相等,即 $\sigma _1^2 = \sigma _2^2 = \cdots = \sigma _N^2 = {\sigma ^2}$ ,于是可以简化符号,使得 $s_{mn}^2 = {s^2}$ 和 ${\eta _{mn}} = \eta $ ,于是,式(19)可以写为:

      ${{Φ}} \left( {{\rm j}\omega } \right) = \exp \left( { - \frac{{ MN\eta }}{{2s_{}^2}}} \right)\frac{1}{{{{\left( {1 - 2{\rm j}\omega s_{}^2} \right)}^{MN}}}}\\\;\;\;\;\;\;\;\;\;\;\;\;\;\;\,\cdot \exp \left( {\frac{{MN\eta /2s_{}^2}}{{1 - 2{\rm j}\omega s_{}^2}}} \right)$

      因此,可以得到 T 1的概率密度函数为 [14]

      $p\left( {{T_1}} \right) = \frac{1}{{2{s^2}}}{\left( {\frac{{{T_1}}}{{MN\eta }}} \right)^{\textstyle\frac{{MN - 1}}{2}}}\\\;\;\;\;\;\;\;\;\;\;\;\;\; \cdot \exp \left( { - \frac{{{T_1} + MN\eta }}{{2{s^2}}}} \right){I_{MN - 1}}\left( {\frac{{\sqrt {MN\eta {T_1}} }}{{{s^2}}}} \right)$

      此函数被认为是自由度为2 MN 的非中心卡方分布的密度函数。

      H 0假设下, y mn 仅有噪声,则有

      ${\left| {{y_{mn}}} \right|^2} = \frac{{{\sigma ^2}}}{2}{\left| {\frac{{{y_{mn}}}}{{\sigma /\sqrt 2 }}} \right|^2} \sim \frac{{{\sigma ^2}}}{2}\chi _{\left( 2 \right)}^2$

      式中, $\chi _{\left( 2 \right)}^2$ 是自由度为2的中心卡方分布。由于

      ${T_0} = \sum\limits_{m = 1}^M {\sum\limits_{n = 1}^N {{{\left( {\frac{\alpha }{{\sigma _{}^2}}\sqrt {\frac{E}{M}} \left| {{y_{mn}}} \right|} \right)}^2}} } \\\;\;\;\;\,= \frac{{{\alpha ^2}}}{{\sigma _{}^4}}\frac{E}{M}\frac{{{\sigma ^2}}}{2}\sum\limits_{m = 1}^M {\sum\limits_{n = 1}^N {{{\left| {\frac{{{y_{mn}}}}{{\sigma /\sqrt 2 }}} \right|}^2}} } \\\;\;\;\;\,= \frac{{{\alpha ^2}}}{{2\sigma _{}^2}}\frac{E}{M}\sum\limits_{m = 1}^M {\sum\limits_{n = 1}^N {{{\left| {\frac{{{y_{mn}}}}{{\sigma /\sqrt 2 }}} \right|}^2}} } $

      T 0服从自由度为2 MN 的中心卡方分布,自由度为 $\nu $ 的中心卡方分布定义为 [14]

      $p\left( x \right) = \left\{ \begin{array}{l}\!\!\frac{1}{{{2^{\nu /2}}\Gamma \left( {\nu /2} \right)}}{x^{\nu /2 - 1}}\exp \left( { - \frac{x}{2}} \right), \\\;\;\;\;\;\;\;\;x > 0\\\!\!0,\;\;\;\;\;\;x < 0\end{array} \right.$

      因此, T 0的密度函数为:

      $p\left(\! {{T_0}} \right) \!=\! \frac{1}{{{s^{2MN}}{2^{MN}}\Gamma \left( {MN} \right)}}T_0^{MN - 1}\exp \!\left( \!{ -\! \frac{{{T_0}}}{{2{s^2}}}} \!\right)$

      其中, $\Gamma ( \cdot )$ 是伽马函数,它定义为:

      $\Gamma \left( x \right) = \int_0^\infty {{t^{x - 1}}} \exp ( - t){\rm d}t$

      x 为整数时, $\Gamma \left( x \right) = \left( {x - 1} \right)!$ 。

      假设所有常量项均归入门限内,由纽曼-皮尔逊准则 [16] ,检测概率为:

      ${P_{\rm{d}}} = {Q_{MN}}\left( {\frac{{\sqrt {MN\eta } }}{s}, \frac{{\sqrt {\gamma '} }}{s}} \right) \\\;\;\;\;\;= {Q_{MN}}\left( {2s\sqrt {MN} ,\frac{{\sqrt {\gamma '} }}{s}} \right)$

      其中, $\gamma '$ 为门限, $Q\left( \cdot \right)$ 为广义 Q 函数。

      同样,也可以得到虚警概率为:

      ${P_\rm{f}} = \exp \left( { - \frac{{\gamma '}}{{2{s^2}}}} \right){\sum\limits_{k = 0}^{MN - 1} {\frac{1}{{k!}}\left( {\frac{{\gamma '}}{{2{s^2}}}} \right)} ^k}$

      $\gamma ' = {s^2}F_{\chi _{2MN}^2}^{ - 1}\left( {1 - {P_\rm{f}}} \right)$

      式中, $F_{\chi _{2MN}^2}^{ - 1}$ 表示 $\chi _{\left( {2MN} \right)}^2$ 分布的累积函数的逆函数。

    • 本节将详细推导幅相随机MIMO雷达检测器结构,并重点分析低信噪比条件下平方律检测器的检测性能。

    • 本节重点讨论莱斯幅度模型的最优检测器。为了清晰地表示未知幅度的依赖性,将式(5)重新写为如下形式:

      $\begin{array}{l}{p_1}\!\left( {{y}|{{β}},\!{{α}}}\! \right) = \\\prod\limits_{m = 1}^M\! {\prod\limits_{n = 1}^N\!\! {\frac{1}{{{{π}} \sigma _n^2}}} } \!\exp\!\! \left(\!\!\! { -\! \frac{1}{{\sigma _n^2}}\!\!{{\left| {{y_{mn}} \!-\!\! \sqrt {\frac{E}{M}} {\alpha \!_{mn}}{{\rm e}^{{\rm j}{\beta _{mn}}}}}\! \right|}^2}}\! \right)\\\;\;\;\;\;\;\;\;\;\;\;\;\;\; = \prod\limits_{m = 1}^M {\prod\limits_{n = 1}^N {\frac{1}{{{{π}} \sigma _n^2}}} } \exp \left( { - \frac{1}{{\sigma _n^2}}{{\left| {{y_{mn}}} \right|}^2}} \right)\\\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\cdot \exp \left( { - \frac{E}{{M\sigma _n^2}}\alpha _{mn}^2} \right) \\\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\cdot \exp\! \left(\! {\frac{{2{\alpha _{mn}}}}{{\sigma _n^2}}\sqrt {\frac{E}{M}} \left| {{y_{mn}}} \right|\cos \left( {{\beta _{mn}} - {\zeta _{mn}}} \right)} \!\right)\end{array}$

      式中, ${{α}} = [{\alpha _{11}} \ \:{\alpha _{21}}\: \cdots \:\:{\alpha _{MN}}]$ 。首先,在 MN 个相互独立的未知相位上求平均,得到仅关于发射系数 ${{α}}$ 的条件分布,

      ${p_1}\left( {{y}|{{α}}} \right) = \prod\limits_{m = 1}^M {\prod\limits_{n = 1}^N {\frac{1}{{{{π}} \sigma _n^2}}} } \exp \left( { - \frac{1}{{\sigma _n^2}}{{\left| {{y_{mn}}} \right|}^2}} \right)\\\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\cdot \exp \!\left( \!{ -\! \frac{E}{{M\sigma _n^2}}\!\alpha _{mn}^2} \!\right) {I_0}\left(\! {\frac{{2{\alpha _{mn}}}}{{\sigma _n^2}}\!\sqrt {\frac{E}{M}}\! \left| {{y_{mn}}} \right|} \!\right)$

      假设,各个路径上的反射系数的幅度均服从莱斯分布,且有

      $p\left( {{\alpha _{mn}}} \right) = \frac{{{\alpha _{mn}}}}{{\tilde \sigma _{mn}^2}}\exp \left( { - \frac{1}{{2\tilde \sigma _{mn}^2}}\left( {\alpha _{mn}^2 + \chi _{mn}^2} \right)} \right)\\\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\cdot{I_0}\left( {\frac{{{\alpha _{mn}}{\chi _{mn}}}}{{\tilde \sigma _{mn}^2}}} \right)$

      式中, $\chi _{mn}^2$ 与能量呈正比,并且 $\tilde \sigma _{mn}^2$ 与多径能量呈正比。如果 $\chi _{mn}^2 = 0$ ,则密度函数为瑞利分布。利用式(32),非条件密度函数可以表示为:

      $\begin{array}{l}{p_1}\!\left( {y} \right) \!\!=\!\! \int\! {{p_1}\left( {{y}|{{α}}} \right)p\left( {{α}} \right)} {\rm d}{{α}}\\\;\;\;\;\;\;\;\; =\! \prod\limits_{m = 1}^M\! {\prod\limits_{n = 1}^N \!{\frac{1}{{{{π}} \sigma _n^2}}} }\! \exp \! \left(\! { \!-\! \frac{1}{{\sigma _n^2}}\!{{\left| {{y_{mn}}} \right|}^2} \!-\! \frac{{\chi _{mn}^2}}{{2\tilde \sigma _{mn}^2}}}\!\! \right) \\\;\;\;\;\;\;\;\;\;\;\cdot \int_0^\infty \! \!\!\!{\frac{{{\alpha _{mn}}}}{{\tilde \sigma _{mn}^2}}} \exp \left( { - \alpha _{mn}^2\left[ {\frac{E}{{M\sigma _n^2}} + \frac{1}{{2\tilde \sigma _{mn}^2}}} \right]} \right) \\\;\;\;\;\;\;\;\;\;\;\cdot {I_0}\!\left( \!{\frac{{2{\alpha _{mn}}}}{{\sigma _n^2}}\!\sqrt {\frac{E}{M}} \left| {{y_{mn}}} \right|}\!\!\right)\!\!{I_0}\!\left(\!\! {\frac{{{\alpha _{mn}}{\chi _{mn}}}}{{\tilde \sigma _{mn}^2}}}\!\! \right)\!\!{\rm d}{\alpha _{mn}}\end{array}$

      式(33)由如下公式计算 [15]

      $\int_0^\infty \!\!\!\! {\alpha \exp \left( { - c{\alpha ^2}} \right){I_0}\left( {g\alpha } \right){I_0}\left( {e\alpha } \right)} {\rm d}\alpha \\\;\;\;\;\;\;\;\;\;\;\;= \frac{1}{{2c}}\exp \left( {\frac{{{g^2} + {e^2}}}{{4c}}} \right){I_0}\left( {\frac{{ge}}{{2c}}} \right)$

      因此, H 1下的联合密度函数为:

      ${p_1}\!\left( \!{y} \!\right) \!\!=\!\! \prod\limits_{m = 1}^M\! {\prod\limits_{n = 1}^N\! {\frac{1}{{{{π}} \sigma _n^2\tilde \sigma _{mn}^2}}} } \exp \!\left(\! { - \!\frac{1}{{\sigma _n^2}}\!\!{{\left| {{y_{mn}}} \right|}^2} \!\!- \!\!\frac{{\chi _{mn}^2}}{{2\tilde \sigma _{mn}^2}}}\! \right) \\\;\;\;\;\;\;\;\;\;\cdot \frac{1}{{2{c_{mn}}}}{\rm exp} \left( {\frac{{g_{mn}^2 + e_{mn}^2}}{{4{c_{mn}}}}} \right){I_0}\left( {\frac{{{g_{mn}}{e_{mn}}}}{{2{c_{mn}}}}} \right)$

      式中

      ${c_{mn}} = \frac{E}{{M\sigma _n^2}} + \frac{1}{{2\tilde \sigma _{mn}^2}}$

      随机变量 g mn 为:

      ${g_{mn}} = \frac{2}{{\sigma _n^2}}\sqrt {\frac{E}{M}} \left| {{y_{mn}}} \right|$

      ${e_{mn}} = \frac{{{\chi _{mn}}}}{{\tilde \sigma _{mn}^2}}$

      由式(35)和式(8),可得似然比为:

      $\ln L\left( {y} \right) = \ln \left( {\frac{{{p_1}\left( {y} \right)}}{{{p_0}\left( {y} \right)}}} \right) = \sum\limits_{m = 1}^M {\sum\limits_{n = 1}^N {{W_{mn}}} } $

      这里,

      ${W_{mn}} = - 2\ln \left( {{{\tilde \sigma }_{mn}}} \right) - \frac{{\chi _{mn}^2}}{{2\tilde \sigma _{mn}^2}} - \ln \left( {2{c_{mn}}} \right)\\\;\;\;\;\;\;\;\;\;\;\;+ \frac{{g_{mn}^2 + e_{mn}^2}}{{4{c_{mn}}}} + \ln {I_0}\left( {\frac{{{g_{mn}}{e_{mn}}}}{{2{c_{mn}}}}} \right)$

      本节对 $\ln {I_0}( \cdot)$ 采用低信噪比时的平方律近似,由式(40),可以得到

      ${W_{mn}} = g_{mn}^2\left( {\frac{1}{{4{c_{mn}}}} + \frac{{e_{mn}^2}}{{4c_{mn}^2}}} \right) - 2\ln \left( {{{\tilde \sigma }_{mn}}} \right) \\ \;\;\;\;\;\;\;\;\;\;\;\;- \frac{{\chi _{mn}^2}}{{2\tilde \sigma _{mn}^2}} - \ln \left( {2{c_{mn}}} \right) + \frac{{e_{mn}^2}}{{4{c_{mn}}}}$

      因为 ${g_{mn}} = \displaystyle\frac{2}{{\sigma _n^2}}\sqrt {\frac{E}{M}} \left| {{y_{mn}}} \right|$ ,所以有

      $\begin{array}{l}{W_{mn}} = \frac{4}{{\sigma _n^4}}\frac{E}{M}{\left| {{y_{mn}}} \right|^2}\left( {\frac{1}{{4{c_{mn}}}} + \frac{{e_{mn}^2}}{{4c_{mn}^2}}} \right) - 2\ln \left( {{{\tilde \sigma }_{mn}}} \right)\\\;\;\;\;\;\;\;\;\;\;\;- \frac{{\chi _{mn}^2}}{{2\tilde \sigma _{mn}^2}} - \ln \left( {2{c_{mn}}} \right) + \frac{{e_{mn}^2}}{{4{c_{mn}}}}\\\;\;\;\;\;\;\;\;\; = {\left( {{a_{mn}}\left| {{y_{mn}}} \right|} \right)^2} \!-\! 2\ln \left( {{{\tilde \sigma }_{mn}}} \right)\! -\! \frac{{\chi _{mn}^2}}{{2\tilde \sigma _{mn}^2}}\\ \;\;\;\;\;\;\;\;\;\;\;\;-\ln \left( {2{c_{mn}}} \right) \!+\! \frac{{e_{mn}^2}}{{4{c_{mn}}}}\end{array}$

      其中

      ${a_{mn}} = \sqrt {\frac{4}{{\sigma _n^4}}\frac{E}{M}\left( {\frac{1}{{4{c_{mn}}}} + \frac{{e_{mn}^2}}{{4c_{mn}^2}}} \right)} \\\;\;\;\;\;\;\,{\rm{ = }}\sqrt {\displaystyle\frac{{\displaystyle\frac{{E/M}}{{\sigma _n^4}}\left( {\left( {\displaystyle\frac{{E/M}}{{\sigma _n^2}} + \displaystyle\frac{1}{{2\tilde \sigma _{mn}^2}}} \right) + \displaystyle\frac{{\chi _{mn}^2}}{{\tilde \sigma _{mn}^4}}} \right)}}{{{{\left( {\displaystyle\frac{{E/M}}{{\sigma _n^2}} + \frac{1}{{2\tilde \sigma _{mn}^2}}} \right)}^2}}}} $

      假设所有的常量归入门限内,其平方律合并检测器可简化为 图3 ,图中给出检测统计量式(39)的检测器结构。

      图  3  幅相随机MIMO雷达平方律检测器

      Figure 3.  Square law detector structure of random amplitude-phase MIMO radar

    • 类似于3.2小节中非相参MIMO雷达检测性能分析。将式(12)重新表示为条件密度函数:

      $p\left( {\left| {{y_{mn}}} \right||{\alpha _{mn}}} \right) = \frac{{\left| {{y_{mn}}} \right|}}{{\sigma _n^2/2}}\exp \left( { - \frac{{{{\left| {{y_{mn}}} \right|}^2} + E\alpha _{mn}^2/M}}{{2\sigma _n^2/2}}} \right)\\\;\;\;\;\;\; \quad \quad \quad \quad \quad \cdot {I_0}\left( {\frac{{\sqrt {\displaystyle\frac{E}{M}} {\alpha _{mn}}\left| {{y_{mn}}} \right|}}{{\sigma _n^2/2}}} \right) \ $

      因此,由式(32), ${\alpha _{mn}}$ 服从莱斯分布,无条件密度函数为:

      $\begin{array}{l}p\left( {\left| {{y_{mn}}} \right|} \right) = \int_0^\infty {p\left( {\left| {{y_{mn}}} \right||{\alpha _{mn}}} \right)p\left( {{\alpha _{mn}}} \right)} {\rm d}{\alpha _{mn}}\\ \quad \quad \quad \ \ \,= \int_0^\infty {\left\{ {\frac{{\left| {{y_{mn}}} \right|}}{{\sigma _n^2/2}}\exp \left( { - \frac{{{{\left| {{y_{mn}}} \right|}^2} + E\alpha _{mn}^2/M}}{{2\sigma _n^2/2}}} \right){I_0}\left( {\frac{{\sqrt {\displaystyle\frac{E}{M}} {\alpha _{mn}}\left| {{y_{mn}}} \right|}}{{\sigma _n^2/2}}} \right)} \right\}} \\ \quad \quad \quad \quad \quad \cdot \left\{ {\frac{{{\alpha _{mn}}}}{{\tilde \sigma _{mn}^2}}\exp \left( { - \frac{1}{{2\tilde \sigma _{mn}^2}}\left( {\alpha _{mn}^2 + \chi _{mn}^2} \right)} \right){I_0}\left( {\frac{{{\alpha _{mn}}{\chi _{mn}}}}{{\tilde \sigma _{mn}^2}}} \right)} \right\}{\rm d}{\alpha _{mn}}\\ \quad \quad \quad \ \ \,= \frac{{\left| {{y_{mn}}} \right|}}{{\tilde \sigma _{mn}^2\sigma _n^2/2}}\exp \left( { - \frac{{{{\left| {{y_{mn}}} \right|}^2}}}{{2\sigma _n^2/2}} - \frac{{\chi _{mn}^2}}{{2\tilde \sigma _{mn}^2}}} \right) \\ \quad \quad \quad \quad \quad \cdot \int_0^\infty {{\alpha _{mn}}\exp \left( { - \alpha _{mn}^2\left( {\frac{{E/M}}{{2\sigma _n^2/2}} + \frac{1}{{2\tilde \sigma _{mn}^2}}} \right)} \right)} {I_0}\left( {\frac{{\sqrt {\displaystyle\frac{E}{M}} {\alpha _{mn}}\left| {{y_{mn}}} \right|}}{{\sigma _n^2/2}}} \right){I_0}\left( {\frac{{{\alpha _{mn}}{\chi _{mn}}}}{{\tilde \sigma _{mn}^2}}} \right){\rm d}{\alpha _{mn}}\\\end{array}$

      又根据 [14]

      $\int_0^\infty \alpha \exp \left( { - p{\alpha ^2}} \right){I_0}\left( {a\alpha } \right){I_0}\left( {\beta \alpha } \right){\rm d}\alpha \\ \quad \quad \ \ \ = \frac{1}{{2p}}\exp \left( {\frac{{{a^2} + {\beta ^2}}}{{4p}}} \right){I_0}\left( {\frac{{a\beta }}{{2p}}} \right)$

      可求解式(46),得

      $\begin{array}{*{20}{l}}\begin{array}{l}p\left( {\left| {{y_{mn}}} \right|} \right) = \frac{{\left| {{y_{mn}}} \right|}}{{\tilde \sigma _{mn}^2\sigma _n^2/2}}\exp \left( { - \frac{{{{\left| {{y_{mn}}} \right|}^2}}}{{2\sigma _n^2/2}} - \frac{{\chi _{mn}^2}}{{2\tilde \sigma _{mn}^2}}} \right)\\ \quad \quad \quad \quad \quad \cdot \frac{1}{{2\left( {\displaystyle\frac{{E/M}}{{2\sigma _n^2/2}} + \displaystyle\frac{1}{{2\tilde \sigma _{mn}^2}}} \right)}}\end{array}\\ \begin{array}{l} \quad \quad \quad \quad \quad \cdot \exp \left( {\frac{{{{\left( {\displaystyle\frac{{\sqrt {\displaystyle\frac{E}{M}} \left| {{y_{mn}}} \right|}}{{\sigma _n^2/2}}} \right)}^2} + {{\left( {\displaystyle\frac{{{\chi _{mn}}}}{{\tilde \sigma _{mn}^2}}} \right)}^2}}}{{4\left( {\displaystyle\frac{{E/M}}{{2\sigma _n^2/2}} + \displaystyle\frac{1}{{2\tilde \sigma _{mn}^2}}} \right)}}} \right)\\ \quad \quad \quad \quad \quad \cdot {I_0}\left( {\displaystyle\frac{{\left( {\displaystyle\frac{{\sqrt {\displaystyle\frac{E}{M}} \left| {{y_{mn}}} \right|}}{{\sigma _n^2/2}}} \right)\left( {\displaystyle\frac{{{\chi _{mn}}}}{{\tilde \sigma _{mn}^2}}} \right)}}{{2\left( {\displaystyle\frac{{E/M}}{{2\sigma _n^2/2}} + \displaystyle\frac{1}{{2\tilde \sigma _{mn}^2}}} \right)}}} \right)\end{array}\\ \begin{array}{l} \quad \quad \quad \quad \!= \frac{{\left| {{y_{mn}}} \right|}}{{\tilde \sigma _{mn}^2E/M + \sigma _n^2/2}}\\ \quad \quad \quad \quad \quad \cdot \exp \left( { - \frac{{{{\left| {{y_{mn}}} \right|}^2} + \chi _{mn}^2E/M}}{{2\tilde \sigma _{mn}^2E/M + \sigma _n^2}}} \right)\\ \quad \quad \quad \quad \quad \cdot {I_0}\left( {\frac{{\left| {{y_{mn}}} \right|{\chi _{mn}}\sqrt {E/M} }}{{\tilde \sigma _{mn}^2E/M + \sigma _n^2/2}}} \right)\end{array}\end{array}$

      此式可以看作另一个莱斯分布,剩下的过程跟相位未知的情况类似。

      假设 ${T_{mn}} = {\left( {{a_{mn}}\left| {{y_{mn}}} \right|} \right)^2}$ ,由此可得到 T mn 的概率密度函数为:

      $\begin{array}{l}p\left( {{T_{mn}}} \right) = \frac{1}{{2a_{mn}^2\left( {\tilde \sigma _{mn}^2E/M + \sigma _n^2/2} \right)}}\\ \quad \quad \quad \quad \; \cdot \exp \left( { - \frac{{{T_{mn}} + a_{mn}^2\chi _{mn}^2E/M}}{{2a_{mn}^2\left( {\tilde \sigma _{mn}^2E/M + \sigma _n^2/2} \right)}}} \right)\\ \quad \quad \quad \quad \; \cdot {I_0}\left( {\frac{{\sqrt {{T_{mn}}} {\chi _{mn}}\sqrt {E/M} }}{{{a_{mn}}\left( {\tilde \sigma _{mn}^2E/M + \sigma _n^2/2} \right)}}} \right)\\\;\;\;\;\;\;\;\;\;\;\;\; =\! \frac{1}{{2s_{mn}^2}}\exp\! \left(\! { -\! \frac{{{T_{mn}} \!+\! {\eta _{mn}}}}{{2s_{mn}^2}}} \right)\!{I_0}\!\left(\! {\frac{{\sqrt {{T_{mn}}{\eta _{mn}}} }}{{s_{mn}^2}}}\! \right)\end{array}$

      其中

      $\left. {\begin{array}{*{20}{c}}{s_{mn}^2 = a_{mn}^2\left( {\tilde \sigma _{mn}^2E/M + \sigma _n^2/2} \right)}\\{{\eta _{mn}} = a_{mn}^2\chi _{mn}^2E/M} \quad \quad \quad \quad \end{array}} \right\}$

      只有假设所有接收站的噪声方差相等,即 $\sigma _1^2 =$ $\sigma _2^2 = \cdots = \sigma _N^2 = {\sigma ^2}$ ,才能进一步分析,则可利用相位未知所采用的方法。

    • 本节分别仿真了相位随机MIMO雷达和幅相随机MIMO雷达检测器的检测概率曲线。仿真对比了不同收发站数目对MIMO雷达仿真性能的影响。

    • 图4 对比了不同数目的收发站,相位随机MIMO雷达检测性能曲线。仿真中,固定虚警概率 P f=10 –6 。每个路径相位服从 $(0,2{{π}} )$ 之间的均匀分布。

      图  4  相位随机MIMO检测器性能

      Figure 4.  Performance of random phase MIMO radar detector

      图4 可以看出,随着观测路径的增加,要想达到同单路径相同的检测性能需要更低的信噪比。在 图4 中,要达到0.8的检测概率,单发单收雷达系统需要将近12.8 dB信噪比,2发2收的系统需要10.1 dB信噪比,而2发4收的系统仅需要5.5 dB信噪比。相比于单发单收系统,改善增益分别为2.7 dB和7.3 dB,这就是分集增益带来的信噪比的改善,而且改善的增益介于 $10\log (\sqrt {MN} )$ 和 $10\log (MN)$ 之间。这对工程应用具有重要的指导意义,特别是对反隐身,针对单部雷达反隐身能力不足,可以通过多部雷达组成分布式MIMO雷达系统,利用分布式MIMO雷达系统的分集增益,以达到反隐身的目的。

    • 图5 对比了在虚警概率为 P f=10 –6 时,不同数目的收发站,幅相随机MIMO雷达检测性能曲线。每个路径的幅度服从均值为0,方差为1的莱斯分布,相位服从 $(0,2{{π}} )$ 之间的均匀分布。

      图  5  幅相随机MIMO检测器性能

      Figure 5.  Performance of random amplitude-phase MIMO radar detector

      图5 中可以看出,在幅相随机的场景下,要达到0.8的检测概率,单发单收雷达系统需要将近18 dB信噪比,2发2收的系统需要15 dB信噪比,而2发4收的系统仅需要10.5 dB信噪比。相比于单发单收系统,改善增益分别为3.0 dB和7.5 dB,这种改善增益也介于 $10\log (\sqrt {MN} )$ 和 $10\log (MN)$ 之间。同时,对比 图4图5 ,在相同的条件下,幅相随机比仅相位随机,需要更大的信噪比,这与工程实际也是相符的,因为多了个随机变量,目标的检测性能应该下降。

    • 本文根据分布式MIMO雷达站相对于目标的分布场景,分别说明了分布式MIMO雷达3种工作形态,即,分布式相参MIMO雷达、相位随机MIMO雷达和幅相随机MIMO雷达,后两者亦是非相参MIMO雷达。随后,本文推导了非相参MIMO雷达检测器,相位服从 $(0,2{{π}} )$ 均匀分布,幅度服从莱斯分布模型,并详细分析了两种情况的非相参MIMO雷达检测的检测性能。最后,本文通过仿真说明了非相参MIMO雷达的分集增益带来的信噪比的改善,这种改善的增益介于 $10\log (\sqrt {MN} )$ 和 $10\log (MN)$ 之间。本文的结论对工程应用具有重要的指导意义。

参考文献 (16)

目录

    /

    返回文章
    返回