【DOA估計】MIMO雷達發(fā)射方向圖綜合與DOA估計方法研究matlab復(fù)現(xiàn)
【DOA估計】MIMO雷達發(fā)射方向圖綜合與DOA估計方法研究matlab復(fù)現(xiàn)
TT_Matlab
博主簡介：擅長智能優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)預(yù)測、信號處理、元胞自動機、圖像處理、路徑規(guī)劃、無人機等多種領(lǐng)域的Matlab仿真，完整matlab代碼或者程序定制加qq1575304183。機器學習之心，前程算法屋的代碼一律可以八折購買。
?作者簡介：熱愛科研的Matlab仿真開發(fā)者，修心和技術(shù)同步精進，代碼獲取、論文復(fù)現(xiàn)及科研仿真合作可私信。
個人主頁：Matlab科研工作室
個人信條：格物致知。
更多Matlab完整代碼及仿真定制內(nèi)容點擊
智能優(yōu)化算法 神經(jīng)網(wǎng)絡(luò)預(yù)測 雷達通信 無線傳感器 電力系統(tǒng)
信號處理 圖像處理 路徑規(guī)劃 元胞自動機 無人機
物理應(yīng)用 機器學習
內(nèi)容介紹
本文將非線性最小二乘方向圖綜合法應(yīng)用到MIMO雷達方向圖綜合中,首先對發(fā)射波形的協(xié)方差矩陣進行分解,然后構(gòu)造非線性最小二乘代價函數(shù)優(yōu)化分解因子,從而使綜合的方向圖最大限度地逼近期望方向圖。與現(xiàn)有MIMO雷達方向圖綜合方法相比,本文方法能通過罰函數(shù),靈活調(diào)節(jié)綜合方向圖的過渡帶寬度和主瓣波動幅度,且具有更小的均方誤差。此外,還研究了MIMO雷達模型下的一種子空間DOA估計方法,通過直接對數(shù)據(jù)協(xié)方差矩陣進行變換,依據(jù)過估計理論,構(gòu)造得到信號子空間和噪聲子空間的投影矩陣。該方法既不需要對數(shù)據(jù)協(xié)方差矩陣進行特征分解,也不需要已知信源數(shù),而且適用于相干源問題,在低信噪比、多目標情況下估計性能依然良好。仿真實驗驗證了本文方法的有效性。
部分代碼
%%%
%%%
%%%
%%%
%%%
%%%
%%%
%%%
%%%
%%%
%%%
%%%
%%%
%%%
%%%
%%%
%%%
%MIMO模型：子空間方法(相干/非相干源皆可）
%不需要已知信源數(shù)，且不需要特征分解
%
clc;close all;clear all
Nt=
2
; %發(fā)射陣元數(shù)
Nr=
10
; %接收陣元數(shù)
lambda=
0
.
03
;%波長
c=
3
e8; %光速
dr=
0
.
5
*lambda; %接收陣元間距=半波長
monte_carlo=
100
;
L=
100
; %快拍數(shù)
K=
4
; %目標數(shù)
Snr=
5
; %信噪比：dB
SNR=
10
.^(Snr/
20
);
doa=[-
20
,-
10
,
10
,
20
]*pi/
180
;%,目標DOA
Ar=exp(j*
2
*pi*dr*(
0
:Nr-
1
)
’*sin(doa)/lambda);%接收導向矢量
%waveform: hardmard codes(發(fā)射正交波形)
temp=1;
for kk=1:ceil(log2(L))
temp=[temp temp; temp -1*temp]; %#ok<AGROW>
end
waveformSet=temp;
wa
J=fliplr(J);
Rb=J*conj(Rx)*J;
Rx=(Rx+Rb)/2;
Ps=zeros(Nr);
%%%============過估計============%%%
for m=1:2
R=Rx(:,m:Nr+m-2);%+R1;
Ps=Ps+R*pinv(R’
*R)*R
’;
end
Ps=Ps/2;
%%%===============================%%%
Pn=eye(Nr)-Ps;
temp_00=zeros(1,length(theta));
for ii=1:length(theta)
aseek=exp(j*2*pi*dr*sin(theta(ii))*(0:Nr-1)’
/lambda);
temp_0
0
(ii)=abs(
1
/(aseek
’*Pn*aseek)); %改進方法
end
% temp_00=10*log10(temp_00/max(temp_00));%
p=p+temp_00;
end
P=p/monte_carlo;
P=10*log10(P/max(P));
figure
plot(theta*180/pi,P),grid on
% plot(doa(1)*180/pi,-35:0.2:0,’
r-
’)
% plot(doa(2)*180/pi,-35:0.2:0,’
r-
’)
% plot(doa(3)*180/pi,-35:0.2:0,’
r-
’)
% plot(doa(4)*180/pi,-35:0.2:0,’
r-
’)
xlabel(’
掃描區(qū)域(circ)
’)
ylabel(’
spectrum/dB
’)
title(’
非相干源DOA估計
’)
% title(’
相干源DOA估計
’)
?? 運行結(jié)果
參考文獻
[1]莫海生.MIMO雷達發(fā)射方向圖綜合與DOA估計方法研究[D].西安電子科技大學[2024-04-04].DOI:10.7666/d.y1485984.
部分理論引用網(wǎng)絡(luò)文獻，若有侵權(quán)聯(lián)系博主刪除
關(guān)注我領(lǐng)取海量matlab電子書和數(shù)學建模資料
私信完整代碼和數(shù)據(jù)獲取及論文數(shù)模仿真定制
1 各類智能優(yōu)化算法改進及應(yīng)用
生產(chǎn)調(diào)度、經(jīng)濟調(diào)度、裝配線調(diào)度、充電優(yōu)化、車間調(diào)度、發(fā)車優(yōu)化、水庫調(diào)度、三維裝箱、物流選址、貨位優(yōu)化、公交排班優(yōu)化、充電樁布局優(yōu)化、車間布局優(yōu)化、集裝箱船配載優(yōu)化、水泵組合優(yōu)化、解醫(yī)療資源分配優(yōu)化、設(shè)施布局優(yōu)化、可視域基站和無人機選址優(yōu)化、背包問題、 風電場布局、時隙分配優(yōu)化、 最佳分布式發(fā)電單元分配、多階段管道維修、 工廠-中心-需求點三級選址問題、 應(yīng)急生活物質(zhì)配送中心選址、 基站選址、 道路燈柱布置、 樞紐節(jié)點部署、 輸電線路臺風監(jiān)測裝置、 集裝箱船配載優(yōu)化、 機組優(yōu)化、 投資優(yōu)化組合、云服務(wù)器組合優(yōu)化、 天線線性陣列分布優(yōu)化、 CVRP問題、VRPPD問題、多中心VRP問題、多層網(wǎng)絡(luò)的VRP問題、 多中心多車型的VRP問題、 動態(tài)VRP問題、雙層車輛路徑規(guī)劃（2E-VRP）、充電車輛路徑規(guī)劃（EVRP）、油電混合車輛路徑規(guī)劃、 混 合流水車間問題、 訂單拆分調(diào)度問題、 公交車的調(diào)度排班優(yōu)化問題、航班擺渡車輛調(diào)度問題、 選址路徑規(guī)劃問題
2 機器學習和深度學習方面
2.1 bp時序、回歸預(yù)測和分類
2.2 ENS聲神經(jīng)網(wǎng)絡(luò)時序、回歸預(yù)測和分類
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量機系列時序、回歸預(yù)測和分類
2.4 CNN/TCN卷積神經(jīng)網(wǎng)絡(luò)系列時序、回歸預(yù)測和分類
2.5 ELM/KELM/RELM/DELM極限學習機系列 時序、回歸 預(yù)測和分類
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU門控神經(jīng)網(wǎng)絡(luò) 時序、回歸 預(yù)測和分類
2.7 ELMAN遞歸神經(jīng)網(wǎng)絡(luò)時序、回歸預(yù)測和分類
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/長短記憶神經(jīng)網(wǎng)絡(luò)系列時序、回歸預(yù)測和分類
2.9 RBF徑向基神經(jīng)網(wǎng)絡(luò)時序、回歸預(yù)測和分類