【人工智能-机器学习-噪声MIMO雷达角度估计算法研究】
在雷达技术中，人工智能和机器学习的应用日益广泛，尤其是在噪声MIMO雷达的角度估计算法领域。MIMO（多输入多输出）技术最初在无线通信中取得了显著成效，随后被引入雷达系统，形成了MIMO雷达的新概念。MIMO雷达主要分为分布式和集中式两种类型。分布式MIMO雷达通过较大的发射/接收阵元间距实现空间分集，提高目标检测性能，而集中式MIMO雷达则通过发射正交波形来实现波形分集，增强角度分辨率和目标识别能力。
本文聚焦于噪声MIMO雷达的目标发射角（DOD）和接收角（DOA）估计问题。作者深入分析了噪声信号的脉压输出特性，建立了脉压输出主旁瓣比的数学模型，揭示了脉压长度和多普勒频率等因素对其影响的定量关系。此外，提出了一种快速设计随机多相码信号的方法，这种信号具有低的互相关旁瓣电平，适合用于MIMO雷达发射。
在发射波束形成方面，文章介绍了一种子波束合成算法，该算法通过对多个发射信号加权形成子波束，形成具有特定空域增益特性的发射波束，以提升接收端的信噪比，而且算法实现简单，运算量小。
接着，文章探讨了双基地MIMO雷达的信号模型，阐述了虚拟阵列的形成原理，并给出了双基地MIMO雷达角度估计的克拉美罗下界（CRB），这对于理解雷达系统的理论性能极限具有重要意义。
在DOD-DOA估计方面，文章研究了基于联合矩阵分解技术的算法。其中，联合矩阵对角化（JMD）算法通过奇异值分解和秩1矩阵判断定理进行目标角估计，避免了二维谱峰搜索，提供精确的闭式解。联合矩阵上三角化（JMUT）算法则是利用矩阵QR分解和扩展QZ迭代，同样实现了高精度的角估计，并且具有较低的运算量。
此外，文章还引入了张量高阶奇异值分解（HOSVD）来处理MIMO雷达的数据，通过构造协方差张量和互协方差张量，改进了传统的二维MUSIC和ESPRIT算法，提高了估计的精度，特别是当目标数量小于阵列元素数量时，优势更为明显。同时，通过张量因子分解技术和酉ESPRIT（UESPRIT）的扩展，提出了HOSVD UESPRIT算法，针对具有相关散射系数的目标，进一步提升了角度和多普勒频率的估计准确性。
这篇论文详细研究了噪声MIMO雷达的角度估计算法，包括信号设计、波束形成、角估计方法等多个关键环节，展示了人工智能和机器学习在雷达信号处理中的创新应用，为MIMO雷达系统的性能提升提供了理论基础和技术支持。
