编辑推荐:
本工作研究了在多个干扰源存在下,使雷达波形的距离-多普勒行为逼近给定轮廓的恒模(constant-modulus, CM)波形综合问题。由于匹配滤波器输出端的干扰功率等于发射码在干扰距离-多普勒单元处求值的慢时间模糊函数(slow-time ambiguity
本工作研究了在多个干扰源存在下,使雷达波形的距离-多普勒行为逼近给定轮廓的恒模(constant-modulus, CM)波形综合问题。由于匹配滤波器输出端的干扰功率等于发射码在干扰距离-多普勒单元处求值的慢时间模糊函数(slow-time ambiguity function, STAF)的平均,因此该设计任务本质上是成形STAF。CM约束导致问题具有高维和非凸性,阻碍了欧氏空间中的常规优化工具。为克服这一困难,研究人员将该设计重新表述为黎曼流形上的无约束问题,并在该流形上直接采用信赖域方案求解。文中以闭式形式导出了四次代价的黎曼梯度(Riemannian gradient)和黎曼海森矩阵(Riemannian Hessian),通过截断共轭梯度(truncated conjugate gradient, tCG)过程求解信赖域子问题,并分析了每步迭代的计算复杂度。随后,研究人员进一步发展了一种增强型求解器——自适应三次正则化(Adaptive regularization with cubics, ARC),通过改进步长接受机制提升性能。两种干扰场景下的数值结果表明,与现有方法相比,所提方法能在干扰位置形成更深的零陷,同时所需计算时间更少。
论文解读:基于黎曼流形优化的慢时间模糊函数恒模波形设计
一、研究背景与问题
雷达系统通过发射探测波形并对回波进行匹配滤波来检测目标。匹配滤波对时延和Doppler失配副本的联合响应构成模糊函数(ambiguity function, AF),是评估分辨率、旁瓣和杂波抑制能力的重要工具。现代雷达常工作在复杂电磁环境中,地面或海面杂波、多径副本和其他干扰源的返回信号会在距离和Doppler域与目标重叠。认知雷达范式提出感知-行动循环,可从先前扫描、地形图或环境数据库获取干扰先验知识,并据此自适应调整发射波形。因此,在已知干扰分布的条件下设计发射波形,使STAF在干扰单元形成深零陷并在目标单元保持较高响应,成为亟待解决的问题。
已有研究大致分为快速时间编码和慢时间编码两类。本文关注慢时间编码,即对慢时间模糊函数(STAF)进行成形。现有慢时间设计方法存在若干局限:最大分块改进(maximum block improvement, MBI)框架通过随机化处理恒模约束;majorization–minimization(MM)结合坐标下降将四次目标替换为二次代理,因而优化的是近似代价;加速迭代序贯优化(AISO)方法对加权积分旁瓣进行最小化;四次梯度下降(quartic gradient descent, QGD)算法虽然在恒模集上定义了精确梯度,但仅使用一阶信息,在驻点附近只有线性收敛速度。这些方法要么改变原始四次代价,要么依赖一阶信息,限制了求解精度或收敛速度。另一方面,恒模可行集是复圆的乘积,具有天然的黎曼流形结构。利用黎曼信赖域(Riemannian trust-region, RTR)方法可以在该流形上直接进行二阶优化,其全局收敛到驻点且局部具有二次收敛速率。基于这两点观察,研究人员提出了本文方法。
二、研究内容与总体结论
研究人员将恒模约束下的四次STAF成形问题重新表述为复圆乘积流形上的无约束优化问题,并使用RTR算法直接求解。在该流形上,作者以闭式形式推导了四次代价的欧氏梯度和欧氏Hessian,再通过正交投影得到黎曼梯度和黎曼Hessian作用。信赖域子问题由截断共轭梯度(tCG)过程近似求解,并分析了每迭代的计算复杂度。为改进RTR中信赖域半径调整的启发式机制,研究人员进一步提出自适应三次正则化(ARC)增强求解器,用自适应三次罚函数替代硬信赖域球,并仅修改步接受机制而复用原有梯度、Hessian作用及内层求解过程。数值实验表明,在两个干扰场景下,所提方法产生的干扰零陷明显深于QGD和MM方法,同时计算时间更短,验证了方法的有效性和效率。
三、关键技术方法
研究所用主要方法包括:将慢时间码的恒模约束建模为复圆乘积黎曼流形,使原问题转化为无约束优化;采用RTR算法,在切空间建立二阶泰勒模型,并用tCG求解信赖域子问题;以闭式推导欧氏梯度与欧氏Hessian,通过正交投影和缩回映射得到黎曼梯度与Hessian作用;基于同一Hessian作用提出ARC全局化机制。仿真在MATLAB R2018、AMD Ryzen 5 CPU、16 GB RAM平台上进行,设置了两个已知干扰图场景。
四、研究结果
收敛性能:通过两个场景中黎曼梯度范数和目标函数值随迭代的变化进行分析。黎曼梯度随迭代逐步下降,约14次迭代即达到终止条件;目标函数值随迭代快速下降,说明算法具有良好收敛性能。
模糊函数成形性能:将所提方法与QGD方法、MM方法产生的STAF进行对比。场景1中,所提方法在预设干扰单元形成低于?200 dB的零陷,而QGD和MM方法分别只能达到约?100 dB和?60 dB;场景2中差距更为显著,所提方法仍保持低于?200 dB,QGD和MM方法则均约为?70 dB。距离切面显示,在给定距离和多普勒位置形成了清晰的凹口。这表明所提方法找到了原四次问题更优的局部解。
计算时间:在两种干扰场景下,所提方法的计算时间均低于QGD和MM方法。由于QGD和MM方法每迭代复杂度较高,而所提方法每迭代梯度计算及相关Hessian作用所需复杂度与梯度计算同阶,因此总计算效率更高。
对信道幅相误差的稳健性:实际辐射波形被建模为在理想优化波形上叠加零均值高斯幅度和相位误差。对每个误差水平进行100次蒙特卡罗试验并考察干扰单元的最坏情况零陷深度。结果显示,理想条件下低于?200 dB的极深零陷受数值精度限制;存在幅相误差时,可达到的抑制水平主要由误差水平决定。更重要的是,性能随误差增大平滑、单调地下降,距离切面上的凹口位置在所有误差水平下保持不变;即使在严重误差下,干扰单元仍比STAF峰值低20 dB以上,中等误差下低40 dB以上,说明算法在非理想工作条件下具有稳定性。
ARC与RTR性能比较:在两种干扰场景下,ARC和RTR均能有效完成STAF成形,ARC的性能略优于RTR,验证了自适应三次正则化对步接受机制的改进效果。
五、讨论与结论
讨论部分指出,所提设计可直接用于需要认知先验知识且杂波密集的雷达系统,例如地面监视雷达、机载预警雷达和地面动目标指示(ground moving target indication, GMTI)模式。抑制已知杂波单元的STAF可直接改善匹配滤波器输出端的目标可见性。由于求解器在普通PC上数秒内收敛,该方法也适合部署在认知感知-行动循环中进行在线波形自适应。未来工作将扩展至MIMO配置、具有先验不确定性的干扰图,并结合频谱兼容性或峰值平均功率比约束以增强实际部署能力。
研究结论可翻译为:研究人员通过将恒模约束的四次规划重新表述为复圆乘积流形上的无约束问题,并采用基于RTR的算法求解,同时提出通过施加自适应三次罚函数来增强性能的ARC框架,研究了用于STAF成形的恒模慢时间波形设计。所提方法避免了传统欧氏方法所需的松弛或majorization步骤。在两个干扰场景下的仿真表明,与现有方法相比,它能够以更低的运行时间形成更深的干扰零陷。