来源：期刊VIP网 时间：
作者：陈康;陈金立;李家强;
单位：南京信息工程大学电子与信息工程学院;
摘要：受传感器老化和复杂背景辐射等因素的影响，多输入多输出(Multiple-Input Multiple-Output, MIMO)雷达阵列会出现增益相位误差、耦合误差以及阵元位置误差等。针对现有深度学习波达方向(Direction of Arrival, DOA)估计方法在阵列误差下精度较低和多目标场景泛化能力较弱的问题，提出了一种基于张量分解与残差注意力网络(Tensor Decomposition and Residual Attention Network, TD-RAN)的MIMO雷达DOA估计方法。利用阵列数据的多维结构，构建含阵列误差的三阶MIMO雷达观测张量，并通过CP(CANDECOMP/PARAFAC)分解提取包含目标角度信息的因子矩阵。基于因子矩阵列向量的独立性和同步置换特性，可将多目标DOA估计问题转化为单目标DOA估计问题。利用RAN学习阵列误差下因子矩阵Khatri-Rao积与理想情况下其降维后数据之间的映射关系。使用RootMUSIC算法估计目标DOA。仿真结果表明，在训练样本较少且存在阵列误差的情况下，所提算法比现有深度学习算法具有更优的DOA估计性能，并对多目标场景具有较高泛化能力。
关键词：多输入多输出雷达;;阵列误差;;张量分解;;残差网络;;波达方向估计
基金资助：国家自然科学基金(62071238);; 江苏省自然科学基金(BK20191399)~~
