Resumen

La localización de objetivos en un radar distribuido de múltiples entradas y múltiples salidas (MIMO) es un problema de gran interés. Este problema se complica para el caso de multiobjetivo en el que la medición debe asociarse con el objetivo correcto. Se ha demostrado que la representación dispersa es un marco potente para los algoritmos de determinación directa de la posición (DPD) que evitan el proceso de asociación. En este trabajo, exploramos un nuevo método DPD basado en la sparsity para localizar múltiples objetivos utilizando un radar MIMO distribuido. Dado que los coeficientes de representación dispersa presentan dispersidad de bloques, utilizamos un método de aprendizaje bayesiano disperso por bloques (BSBL) para estimar las localizaciones de los objetivos múltiples, lo que presenta muchas ventajas sobre los algoritmos existentes basados en modelos dispersos por bloques. Los resultados experimentales ilustran que el DPD utilizando BSBL puede lograr una mejor precisión de localización y una mayor robustez frente a la coherencia de bloques y la detección comprimida (CS) que los algoritmos populares en la mayoría de los casos, especialmente para el caso de objetivos densos.

• Materias:Propagación de ondas Electromagnetismo Redes de telecomunicaciones Radiofrecuencia Teoría de Antenas
• Subjects:Wave propagation Electromagnetism Telecommunications networks Radio frequency Antenna theory
• Palabras claves:bloque bayesiano disperso, métodos dpd basados, radar mimo distribuido, aprendizaje bayesiano disperso, localización de multiobjetivo, mejor precisión de localización, caso de multiobjetivo, coeficiente de representación dispersa, determinación directa de la posición, caso de objetivo denso
• Keywords:block sparse bayesian, based dpd methods, distributed mimo radar, sparse bayesian learning, location of multitarget, better localization accuracy, case of multitarget, sparse representation coefficient, direct position determination, dense target case