[论文解读] Performance of time delay estimation in a cognitive radar

Kumar Vijay Mishra, Yonina C. Eldar|arXiv (Cornell University)|Jan 14, 2017

Radar Systems and Signal Processing参考文献 25被引用 5

一句话总结

本文通过Cramér-Rao下界（CRLB）和Ziv-Zakai下界（ZZLB）分析认知雷达（CR）中时间延迟估计的性能，表明在低信噪比（SNR）区域，子奈奎斯特CR采用等宽子带时，其时间延迟估计精度优于传统雷达，这是由于其具有更高的带内功率和子带间最优的功率分配。

ABSTRACT

A cognitive radar adapts the transmit waveform in response to changes in the radar and target environment. In this work, we analyze the recently proposed sub-Nyquist cognitive radar wherein the total transmit power in a multi-band cognitive waveform remains the same as its full-band conventional counterpart. For such a system, we derive lower bounds on the mean-squared-error (MSE) of a single-target time delay estimate. We formulate a procedure to select the optimal bands, and recommend distribution of the total power in different bands to enhance the accuracy of delay estimation. In particular, using Cramér-Rao bounds, we show that equi-width subbands in cognitive radar always have better delay estimation than the conventional radar. Further analysis using Ziv-Zakai bound reveals that cognitive radar performs well in low signal-to-noise (SNR) regions.

研究动机与目标

• 评估在真实频谱约束下认知雷达（CR）中时间延迟估计的性能。
• 通过实现自适应波形设计，解决传统雷达在频谱效率和干扰管理方面的局限性。
• 推导估计误差的下界，以指导认知雷达中子带选择与功率分配的最优化。
• 证明认知雷达在时间延迟估计精度上优于传统雷达，尤其在低SNR区域。
• 提供一种框架，用于在子带间实现最优功率分配，以最小化时间延迟估计的均方误差（MSE）

提出的方法

• 推导了采用多带、子奈奎斯特波形的认知雷达中时间延迟估计的Cramér-Rao下界（CRLB）。
• 提出了一种基于已知雷达环境图（REM）的子带选择方法，以最小化频谱干扰。
• 利用Ziv-Zakai下界（ZZLB）分析CRLB精度下降的低SNR区域的性能。
• 应用扩展Ziv-Zakai界（EZB）来建模在均匀先验分布和短脉冲假设下的时间延迟估计误差。
• 在总发射功率相同、仅子带带宽和功率分配不同的条件下，比较CR与传统雷达的性能。
• 推导了认知雷达中EZB的闭式表达式，表明其在低SNR区域具有更高的SNR容限。

实验结果

研究问题

• RQ1 采用子奈奎斯特多带波形的认知雷达与传统雷达相比，在时间延迟估计精度上表现如何？
• RQ2 当已知雷达环境图（REM）时，认知雷达的最优子带选择策略是什么？
• RQ3 应如何在子带间分配总发射功率，以最小化时间延迟估计的均方误差（MSE）？
• RQ4 在何种SNR区域，认知雷达在时间延迟估计上显著优于传统雷达？
• RQ5 CRLB和ZZLB在多大程度上能准确预测认知雷达中时间延迟估计的性能极限？

主要发现

• 无论信噪比（SNR）如何，采用等宽子带的认知雷达在时间延迟估计精度上始终优于传统雷达。
• 当子带等宽时，认知雷达的CRLB严格低于传统雷达，这是由于其具有更高的带内功率密度。
• Ziv-Zakai下界（ZZLB）表明，即使CRLB相等，认知雷达在低SNR区域的性能仍优于传统雷达。
• 认知雷达的扩展Ziv-Zakai界（EZB）显示出更低的SNR阈值以实现渐近性能，表明其在噪声条件下能更快收敛至最优估计。
• 当总功率在子带间均等分配时，认知雷达的时间延迟估计MSE相比传统雷达达到最小值。
• 认知雷达的性能增益源于更高的带内SNR和高效的频谱利用，且不损失距离分辨力。