17486

17486

بهبود تخمين زاويه هدف در رادارMIMO با استفاده از مدل خوشه اي بيزين در حسگري فشرده

كارشناسي ارشد

مخابرات سيستم

بهمن 1395

دكتر محمد حسين كهايي

برق

يكي از موضوع هاي مهم و مطرح در زمينه ي رادار هاي MIMO، تخمين زاويه ي هدف مي باشد. روش هاي مختلفي براي بهبود تخمين زاويه ي رادارMIMO مورد استفاده قرار مي گيرد. يكي از اين روش ها، استفاده از نظريه ي حسگري فشرده است. اين روش نمونه برداري با نرخي به مراتب كم تر از نرخ نايكوئيست را ممكن مي سازد و مي توان با در دست داشتن تعداد كمي نمونه هاي اندازه گيري شده، سيگنال هاي تنك يا تقريبا تنك را بازسازي نمود. در اين پايان نامه، با استفاده از روش حسگري فشرده بيزين، بر اساس خوشه بندي سلسله مراتبي كارايي رادار مايمو براي تخمين جهت را بهبود مي دهيم. در روش پيشنهادي ضرايب سيگنال تنك بر اساس معيارحداقل فاصله بين داده ها درمدل سلسله مراتبي تجمعي ايجاد مي شود. تعداد ضرايب غير صفر، براساس نوع خوشه بندي وبا استفاده از نرم صفر تعيين مي شود. از بردار تصادفي برنولي zبراي نشان دادن المان هاي غير صفر استفاده مي شود. اين تابع توزيع مورد نظر بر اساس نوع خوشه بندي مشخص مي شود. تركيب تابع توزيع ضرايب سيگنال تنك و بردار تصادفي برنولي، تابع توزيع احتمال پيشين spike-and-slab را تشكيل مي دهد. براي تخمين سيگنال تنك و زاويه ي اهداف مورد نظر از تابع توزيع احتمال پيشين spike-and-slab استفاده مي كنيم. روش پيشنهادي با روش حسگري فشرده بيزين مقايسه خواهد شد و زاويه ي اهداف مورد نظر با استفاده از سيگنال تنك بازسازي شده حاصل از دو روش، تخمين زده مي شود. دو روش با معيار مربع ميانگين خطاي زوايه ي هدف مقايسه مي شود. تخمين زاويه ي هدف در روش پيشنهادي، نسبت به روش حسگري فشرده بيزين به اندازه ي 35/0 بهبود مي يابد. از لحاظ زمان اجراي شبيه سازي، روش پيشنهادي به اندازه ي22/0 دقيقه ديرتر نتيجه مي دهد. روش پيشنهادي مي تواند اهداف را با اختلاف زاويه ي 3/0 درجه تفكيك نموده و جهت آن را تخمين بزند.

1396/03/27

1/1/1900 12:00:00 AM

One of the important topics in the field of radar MIMO, estimating the angle of the target. Various methods for improving the estimation of MIMO radar angle is used. One of these methods, the use of compressive sensing theory. This sampling at a rate much lower than the Nyquist rate possible and can be measured with the help of a few examples, the signal is sparse or thinning almost be restored. In this thesis, using compressive sensing Bayesian hierarchical clustering based on MIMO radar to estimate to improve our performance. In the proposed method based on sparse signal coefficients Myarhdaql the distance between the data aggregated hierarchical model is created. The number of non-zero coefficients, depending on the type of clustering is determined by the use of soft zero. Bernoulli random vector z can be used to show non-zero elements. The distribution function to be determined by the type of clustering. The combination of sparse signal distribution function coefficients and Bernoulli random vector, probability distribution function of the previous spike-and-slab form. To estimate the sparse signal and angle of the targets of the previous spike-and-slab probability distribution function we use. The proposed method will be compared with Bayesian compressive Sensing method and angle of targets using a sparse signal reconstruction of the two methods is estimated. Standardized methods to compare the mean square error of the angle. The proposed method estimates the target angle, relative to the size of the Bayesian Compressed Sensing method improves 0.35. In terms of runtime simulation, the proposed method to size 0.22 Minutes later will result. The proposed method can separate targets with different angle of 0.3 degrees and estimate its direction.