logo móvil
Contáctanos

Un método de estimación de DOA basado en aprendizaje bayesiano escaso con el filtro de Kalman en radar MIMO

Autores: Liu, Song; Tang, Lan; Bai, Yechao; Zhang, Xinggan

Idioma: Inglés

Editor: MDPI

Año: 2020

Descargar PDF

Acceso abierto

Artículo científico
2020

Un método de estimación de DOA basado en aprendizaje bayesiano escaso con el filtro de Kalman en radar MIMO


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Eléctrica y Electrónica

Palabras clave

Sistema de radar
Estimación de la dirección de llegada
Radar MIMO
Objetivos en movimiento rápido
Aprendizaje bayesiano disperso
Filtro de Kalman

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 23

Citaciones: Sin citaciones


Descripción
El problema de estimación de la dirección de llegada (DOA) como un problema esencial en el sistema de radar es importante en las aplicaciones de radar. En este documento, considerando un sistema de radar de entrada múltiple y salida múltiple (MIMO), se investiga el problema de estimación de DOA en el escenario con objetivos de movimiento rápido. El modelo del sistema se formula primero, y luego, aprovechando tanto la dispersión del objetivo en el dominio espacial como la correlación temporal de los objetivos en movimiento, se propone un método de estimación de DOA basado en aprendizaje bayesiano disperso (SBL) combinado con el filtro de Kalman (KF). Además, las actuaciones de los métodos basados en dispersión tradicionales están limitadas por el problema, y los métodos fuera de la cuadrícula basados en expansión de Taylor también tienen una alta complejidad computacional y un rendimiento limitado. El método propuesto rompe el límite al transformar el problema en el dominio espacial a aquel en el dominio del tiempo utilizando la característica de movimiento. Los resultados de la simulación muestran que el método propuesto supera a los métodos existentes en el problema de estimación de DOA para los objetivos de movimiento rápido.

Otros recursos que podrían interesarte

Temas Virtualpro