آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,988,716 |
| تعداد دریافت فایل اصل مقاله | 4,032,570 |
طراحی دنباله کد فرستنده به منظور آشکارسازی اهداف گسترده در حضور تداخل وابسته به سیگنال | ||
| رادار | ||
| مقاله 6، دوره 6، شماره 2 - شماره پیاپی 20، بهمن 1397، صفحه 59-71 اصل مقاله (1.62 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| سید محمد کرباسی1؛ محمد مهدی نقش* 2؛ مریم مسجدی2؛ محمدحسن باستانی1 | ||
| 1دانشگاه صنعتی شریف | ||
| 2دانشگاه صنعتی اصفهان | ||
| تاریخ دریافت: 08 مهر 1397، تاریخ بازنگری: 10 اسفند 1397، تاریخ پذیرش: 15 اردیبهشت 1398 | ||
| چکیده | ||
| در این مقاله، مسئله طراحی دنباله کد فرستنده بهمنظور بهبود کارآیی آشکارسازی یک هدف گسترده در حضور تداخل را در نظر می‌گیریم. پاسخ ضربه هدف (TIR) به دو صورت مدل می‌شود: ضرب پاسخ ضربه قطعی در یک ضریب انعکاس نامعلوم و یا به‌صورت بردار تصادفی گوسی با کوواریانس معلوم. برای هر یک از دو مدل مذکور، قید نسبت پیک به توان متوسط و قید شباهت را به‌صورت مجزا، به مسئله طراحی کد اعمال می‌کنیم. در مدل اول، کارآیی آشکارساز آزمون نسبت درستنمایی تعمیم‌یافته (GLRT)، به‌طور یکنوا به نسبت سیگنال به اختلال باضافه نویز (SINR) وابسته است. بنابراین، با بیشینه کردن SINR، کد را طراحی می‌کنیم. مسئله بهینه‌سازی حاصل، غیرمحدب بوده که برای حل آن یک روش جدید پیشنهاد می‌کنیم. در مدل دوم، وابستگی کارآیی آشکارساز بهینه به پارامترهای مسئله، بسیار پیچیده است. بنابراین، از اطلاعات متقابل بین TIR و اکوی دریافتی، بهعنوان معیار طراحی استفاده می‌کنیم. برای حل مسئله بهینه‌سازی غیرمحدب حاصل، یک روش تکرار بر اساس روش MM (Majorization-Minimization) ارائه می‌کنیم. هم‌چنین، روش پیشنهادی را در مقابل عدم قطعیت در دانش اولیه در مورد تداخل، مقاوم‌سازی می‌کنیم. نتایج و تحلیل‌های عددی، مؤثر بودن روش‌های پیشنهادی در مقایسه با روش‌های موجود را نشان می‌دهند. | ||
| کلیدواژه‌ها | ||
| اطلاعات متقابل؛ کارآیی آشکارسازی؛ طراحی کد؛ طراحی مقاوم؛ هدف گسترده | ||
| عنوان مقاله [English] | ||
| Transmit Code Design for Detection of an Extended Target Embedded in Signal-Dependent Interference | ||
| نویسندگان [English] | ||
| seyed mohammad Karbasi1؛ Mohammad Mahdi Naghsh2؛ Maryam Masjedi2؛ mohammad hasan bastani1 | ||
| 1Sharif University of Technology | ||
| 2Isfahan University of Technology | ||
| چکیده [English] | ||
| We consider the problem of transmit code design to enhance the detection performance of an extended target embedded in clutter. We model the target impulse response (TIR) in two frameworks, either via the product of a deterministic TIR with an unknown reflection factor or as a Gaussian random vector (with known covariance). For both frameworks, we impose either the peak-to-average-power ratio or the similarity constraints on the sought code, separately. In the former framework, the performance of the generalized likelihood-ratio test depends monotonically on the signal-to-interference-plus-noise ratio (SINR) of the detector. Hence, we cope with the code design, maximizing the SINR. The resulting optimization problem is non-convex, and we propose a novel approach to tackle it. In the latter, dependence of the optimal detector’s performance on the metrics is too complex for code design. Consequently, we employ the mutual information between the TIR ensemble and the received echo as the design metric. We devise an iterative method based on majorization-minimization technique to deal with the resulting non-convex constrained problem. We make the proposed method robust to deal with uncertainties about prior knowledge of clutter and interference. Numerical analyses highlight the effectiveness of the proposed methods comparing to their counterparts. | ||
| کلیدواژه‌ها [English] | ||
| Code Design, Detection Performance, Extended Target, Mutual Information, Robust Design | ||
| مراجع | ||
|
[1] F. Gini, A. De Maio, and L. Patton, “Waveform Design and Diversity for Advanced Radar Systems,” London, UK: Institution of Engineering and Technology, 2012. [2] M. R. Bell, “Information Theory and Radar Waveform Design,” vol. 39, no. 5, pp. 1578–1597, 1993. [3] A. Aubry, A. De Maio, A. Farina, and M. Wicks, “Knowledge-Aided (Potentially Cognitive) Transmit Signal and Receive Filter Design in Signal-Dependent Clutter,” vol. 49, no. 1, pp. 93–117, 2013. [4] A. De Maio, “Polarimetric Adaptive Detection of Range Distributed Targets,” vol. 50, no. 9, pp. 2152–2159, 2002. [5] A. Aubry, A. De Maio, L. Pallotta, and A. Farina, “Radar Detection of Distributed Targets in Homogeneous Interference Whose Inverse Covariance Structure is Defined via [6] S. M. Karbasi, A. Aubry, A. De Maio, and M. H. Bastani, “Robust Transmit Code and Receive Filter Design for Extended Targets in Clutter,” vol. 63, pp. 1965–1976, April 2015. [7] S. Pillai, H. Oh, D. Youla, and J. Guerci, “Optimal [8] R. Romero and N. Goodman, “Waveform Design in [9] F. Yin, C. Debes, and A. M. Zoubir, “Parametric Waveform Design using Discrete Prolate Spheroidal Sequences for Enhanced Detection of Extended Targets,” vol. 60, no. 9, pp. 4525–4536, 2012. [10] S. M. Karbasi, M. M. Naghsh, and M. H. Bastani, “Transmit Code Design for Extended Target Detection in the Presence of Clutter,” ICASSP, (Australia), 2015. [11] C. Y. Chen and P. P. Vaidyanathan, “MIMO Radar Waveform Optimization with prior Information of the Extended Target and Clutter,” vol. 57, no. 9, pp. 3533–3544, 2009. [12] B. Tang, J. Tang, and Y. Peng, “Waveform Optimization for MIMO Radar in Colored Noise: Further Results for Estimation-Oriented Criteria,” vol. 60, pp. 1517–1522, March 2012. [13] B. Tang, M. M. Naghsh, and J. Tang, “Relative EntropyBased Waveform Design for MIMO Radar Detection in the Presence of Clutter and Interference,” vol. 63, pp. 3783–3796, July 2015. [14] J. R. Guerci, “Cognitive Radar: a Knowledge-aided Fully Adaptive Approach,” in IEEE Radar Conference, pp. 1365–1370, 2010. [15] S. M. Kay, “Fundamentals of Statistical Signal Processing,” vol. II: Detection Theory, Upper Saddle River, NJ: Prentice Hall, 1998. [16] A. De Maio, S. De Nicola, Y. Huang, S. Zhang, and [17] Y. Yang and R. S. Blum, “MIMO Radar Waveform Design Based on Mutual Information and Minimum Mean-Square Error Estimation,” vol. 43, no. 1, pp. 330–343, 2007. [18] M. M. Naghsh and M. Modarres-Hashemi, “Exact Theoretical Performance Analysis of Optimum Detector for Statistical MIMO Radars,” vol. 6, pp. 99–111, 2012. [19] M. M. Naghsh, M. Soltanalian, P. Stoica, and [20] J. A. Tropp, I. S. Dhillon, R. W. Heath, and T. Strohmer, “Designing Structured Tight Frames via an Alternating Projection Method,” vol. 51, no. 1, pp. 188–209, 2005. [21] W. Ai, Y. Huang, and S. Zhang, “Further Results on RankOne Matrix Decomposition and its Application,” Math. Program, 2008. [22] S. M. Karbasi, A. Aubry, V. Carotenuto, M. M. Naghsh, and M. H. Bastani, “Knowledge-based Design of SpaceTime Transmit Code and Receive Filter for a MultipleInput Multiple-Output Radar in Signal-dependent Interference,” vol. 9, pp. 1124–1135, September 2015. [23] R. Horn and C. Johnson.Matrix Analysis, “Matrix Analysis,” Cambridge University Press, 2012. [24] P. Stoica and Y. Selen, “Cyclic Minimizers, Majorization Techniques, and the Expectation-Maximization Algorithm: a Refresher,” vol. 21, pp. 112 – 114, Jan 2004. [25] S. P. Boyd and L. Vandenberghe, “Convex Optimization,” Cambridge University Press, 2004. [26] M. Skolnik, “Radar Handbook,” New York: McGraw-Hill, Third ed., 2008. [27] M. Grant, S. Boyd, and Y. Ye, “CVX: MATLAB Software for Disciplined Convex Programming,” 2008. | ||
|
آمار تعداد مشاهده مقاله: 617 تعداد دریافت فایل اصل مقاله: 315 |
||