基于信息论的OTFS雷达波形设计——论文阅读

简介: 本文提出一种基于条件互信息(CMI)的OTFS雷达波形设计方法,首次将信息论准则引入延迟-多普勒域波形优化。通过建立扩展目标回波模型,推导出CMI与波形自相关旁瓣及互相关的等价关系,并提出Multi-CAN算法优化恒模波形。仿真表明,优化波形显著降低旁瓣电平,提升信息获取能力,增强高动态环境下雷达检测性能。

基于信息论的OTFS雷达波形设计

Miao, Q.; Kuang, L.; Zhang, G.; Shao, Y. OTFS Radar Waveform Design Based on Information Theory. Entropy 2025, 27, 211.

1. 引言与研究背景

正交时频空间(Orthogonal Time-Frequency Space, OTFS)调制是一种革命性的二维调制方案,它在延迟-多普勒域中进行信号处理,相比于传统的正交频分复用(OFDM)在时频域的处理方式,OTFS在高移动性信道环境中展现出显著优势。本研究首次将条件互信息(Conditional Mutual Information, CMI)作为OTFS波形设计的准则,建立了信息论与雷达波形优化之间的桥梁。

OTFS技术的核心优势在于其固有的多普勒容忍特性。在传统雷达系统中,高速移动目标产生的多普勒效应会严重影响系统性能,而OTFS通过在延迟-多普勒域进行信号设计,能够自然地适应这种快速变化的信道环境。此外,OTFS提供了更高的延迟-多普勒分辨率,使得在复杂的多目标场景中能够准确分辨和跟踪各个目标。

信息论在雷达波形设计中的应用可以追溯到Bell的开创性工作。条件互信息被选择作为设计准则,因为它能够量化在给定先验知识(目标反射率和噪声特性)的情况下,雷达系统可以从目标获取多少信息。这个度量直接关联到雷达的目标检测、识别和跟踪能力。

2. OTFS雷达系统建模与理论框架

2.1 扩展目标模型

扩展目标与点目标的根本区别在于其回波携带了目标的结构信息。对于包含$P$个散射中心的扩展目标,其无噪声回波可以表示为:

$$r(t) = \sum_{p=1}^{P} \alpha_p \exp\left(j2\pi f_{d_p}t\right) x\left(t - \tau_p\right)$$

其中:

  • $x(t)$是OTFS调制的发射信号
  • $\alpha_p$是第$p$个散射中心的复散射系数
  • $f_{d_p}$是第$p$个散射中心产生的多普勒频移
  • $\tau_p$是第$p$个散射中心的往返延迟

目标在延迟-多普勒域的冲激响应表征为:

$$\rho(\tau, f_d) = \sum_{p=1}^{P} \alpha_p \delta\left(\tau - \tau_p\right) \delta\left(f_d - f_{d_p}\right)$$

这个表示清晰地展示了扩展目标在二维延迟-多普勒平面上的分布特性。

2.2 OTFS雷达系统架构

图1描述:OTFS雷达系统框图

image.png

图1展示了完整的OTFS雷达信号处理流程。系统分为发射端和接收端两个主要部分:

发射端处理流程:

  1. 延迟-多普勒域发射矩阵$\chi \in \mathbb{C}^{M \times N}$首先经过逆辛有限傅里叶变换(ISFFT)
  2. 转换得到时频域发射矩阵$\hat{\chi} \in \mathbb{C}^{M \times N}$
  3. 通过海森堡变换(Heisenberg Transform)生成时域连续信号$x(t)$

接收端处理流程:

  1. 接收信号$r(t)$包含目标反射和噪声
  2. 通过维格纳变换(Wigner Transform)转换到时频域,得到$\hat{\Upsilon} \in \mathbb{C}^{\hat{N} \times \hat{M}}$
  3. 最终通过辛有限傅里叶变换(SFFT)得到延迟-多普勒域接收矩阵$\Upsilon \in \mathbb{C}^{\hat{M} \times \hat{N}}$

2.3 输入输出关系建模

在理想脉冲假设(A1)和无分数多普勒假设(A2)下,接收矩阵与发射矩阵的关系可以精确表示为:

$$\Upsilon[m, n] = \sum_{p=1}^{P} \alpha_p \chi\left[[m - m_p]_M, [n - n_p]_N\right]$$

其中$[\cdot]_M$表示模$M$运算。延迟和多普勒的离散化关系为:

  • $\tau_p = m_p \Delta t$,其中$\Delta t$是采样间隔
  • $f_{d_p} = \frac{n_p}{NT}$,其中$T$是OTFS块持续时间

通过适当选择观测窗口$\hat{M} \geq M$和$\hat{N} \geq N$,可以避免模运算带来的混叠效应。引入加性高斯白噪声后,系统模型变为:

$$\Upsilon[m, n] = \sum_{p=1}^{P} \alpha_p \chi[m - m_p, n - n_p] + \mathcal{N}[m, n]$$

3. 基于条件互信息的波形优化理论

3.1 条件互信息推导

定义目标散射系数向量$\boldsymbol{\alpha} = [\alpha_1, \alpha_2, \ldots, \alpha_P]^T$。在以下统计假设下:

  • (B1) $\boldsymbol{\alpha}$是零均值高斯随机向量,协方差矩阵$\Sigma\alpha = \text{diag}{\sigma{\alpha1}^2, \ldots, \sigma{\alpha_P}^2}$
  • (B2) 噪声$\mathcal{N}$是方差为$\sigma_n^2$的加性高斯白噪声

将OTFS发射矩阵扩展定义,当$m < 0$或$n < 0$时,$\chi[m,n] = 0$。组织$\chi$为列向量形式$\chi = [\mathbf{x}_1, \mathbf{x}_2, \ldots, \mathbf{x}_N]$,每个$\mathbf{x}_i \in \mathbb{C}^{M \times 1}$。

定义OTFS发射移位矩阵$\mathbf{Q}_p(\chi) \in \mathbb{C}^{\hat{M} \times \hat{N}}$:

$$\mathbf{Q}_p(\chi) = \begin{bmatrix} \mathbf{0}_{M \times n_p} \\ \mathbf{0}_{m_p \times \hat{N}} \\ \chi \\ \mathbf{0}_{(\hat{M}-M-m_p) \times \hat{N}} \\ \mathbf{0}_{M \times (\hat{N}-n_p-N)} \end{bmatrix}$$

向量化后的系统模型为:

$$\mathbf{y} = \mathbf{Q}(\chi)\boldsymbol{\alpha} + \mathbf{n}$$

其中$\mathbf{Q}(\chi) = [\mathbf{q}_1(\chi), \mathbf{q}_2(\chi), \ldots, \mathbf{q}_P(\chi)]$。

3.2 CMI表达式与优化问题

根据信息论,条件互信息可以表示为:

$$I(\mathbf{y}; \boldsymbol{\alpha}|\chi) = \log \det\left(\sigma_n^{-2}\Sigma_\alpha \mathbf{Q}(\chi)^H\mathbf{Q}(\chi) + I_{\hat{N}\hat{M}}\right)$$

波形设计的优化问题因此可以形式化为:

$$\begin{aligned} \max_{\chi} \quad & \log \det\left(\sigma_n^{-2}\Sigma_\alpha \mathbf{Q}(\chi)^H\mathbf{Q}(\chi) + I_{\hat{N}\hat{M}}\right) \\ \text{s.t.} \quad & |\chi[i,j]| = 1, \quad \forall i \in \{1,\ldots,M\}, j \in \{1,\ldots,N\} \end{aligned}$$

3.3 与自相关旁瓣和互相关的等价性

根据引理1,当$\mathbf{Q}(\chi)^H\mathbf{Q}(\chi)$为对角矩阵时,CMI达到最大值。定义波形序列的互相关函数:

$$\gamma_{i,j}(z) = \sum_{u=0}^{M-1} x_i^*(u)x_j(u-z) = \gamma_{j,i}^*(-z)$$

矩阵$\mathbf{Q}(\chi)^H\mathbf{Q}(\chi)$的非对角元素$Q_{ij}$可以表示为:

  1. 当多普勒相同、延迟不同时:
    $$Q_{ij} = \sum_{n=1}^{N} \gamma_{n,n}(z), \quad z \neq 0$$

  2. 当多普勒和延迟都不同时:
    $$Q_{ij} = \sum_{n=1}^{N} \gamma_{n,n+\kappa}(z), \quad \kappa \neq 0$$

定义ASaCC(自相关旁瓣和互相关)度量:

$$\zeta = \sum_{n=1}^{N} \sum_{\substack{z=-M+1\\z \neq 0}}^{M-1} |\gamma_{n,n}(z)|^2 + \sum_{n_1=1}^{N} \sum_{\substack{n_2=1\\n_2 \neq n_1}}^{N} \sum_{z=-M+1}^{M-1} |\gamma_{n_1,n_2}(z)|^2$$

4. Multi-CAN优化算法

4.1 算法设计原理

Multi-CAN(Multiple Cyclic Algorithm-New)算法结合了循环搜索和梯度优化的优势。算法的核心思想是通过迭代优化每个波形元素,同时保持恒模约束。

4.2 算法实现步骤

算法: Multi-CAN for OTFS Waveform Design
输入: 初始波形矩阵 χ₀, 最大迭代次数 K, 收敛阈值 ε
输出: 优化的波形矩阵 χ*

1: 初始化 χ = χ₀
2: for k = 1 to K do
3:     for i = 1 to M do
4:         for j = 1 to N do
5:             固定 χ 中除 χ[i,j] 外的所有元素
6:             计算 ∂ζ/∂χ[i,j]
7:             更新 χ[i,j] 使得 |χ[i,j]| = 1 且 ζ 减小
8:         end for
9:     end for
10:    if |ζₖ - ζₖ₋₁| < ε then
11:        break
12:    end if
13: end for
14: return χ* = χ

5. 仿真结果与性能分析

5.1 系统参数设置

仿真采用以下参数:

  • 载频: $f_c = 10$ GHz
  • 带宽: $B = 100$ MHz
  • 脉冲持续时间: $T_p = 10$ μs
  • 脉冲重复频率: $PRF = 100$ kHz
  • OTFS帧大小: $M = 64$, $N = 5$
  • 调制阶数: 4-QAM
  • 编码率: $R = 1/2$

5.2 相关特性分析

图2描述:Multi-CAN优化结果的相关系数

image.png

图2展示了经过Multi-CAN优化后的波形相关特性:

(a) 自相关系数:图中蓝色曲线表示初始随机波形的自相关,橙色曲线表示优化后波形的自相关。可以观察到,优化后的波形在零延迟处保持主瓣峰值为0 dB,而旁瓣电平从约-15 dB降低到-25 dB,实现了约10 dB的改善。

(b) 互相关系数:展示了不同多普勒通道之间的互相关特性。优化前的随机波形互相关峰值约为-20 dB,而优化后降低到约-25 dB,改善了约5 dB。

5.3 条件互信息演化

图3描述:CMI随迭代次数的变化

image.png

图3展示了三种不同OTFS矩阵尺寸($M=16,N=3$;$M=32,N=3$;$M=32,N=5$)下CMI随迭代次数的演化过程。关键观察包括:

  1. 所有配置下,CMI都随迭代次数单调递增,最终收敛到稳定值
  2. 较大的矩阵尺寸($M=32,N=5$)实现了最高的CMI值(约510 bits)
  3. 大部分性能改善在前8次迭代内实现,表明算法具有快速收敛特性

5.4 性能比较

表1展示了不同波形的性能指标比较:

波形类型 峰值旁瓣电平 (PSL) 积分旁瓣电平 (ISL) 信噪比 (SNR)
提出的OTFS波形 -25 dB -30 dB 15 dB
随机波形 -15 dB -20 dB 10 dB
LFM波形 -20 dB -25 dB 12 dB
Barker码 -22 dB -28 dB 14 dB
最小PAPR波形 -24 dB -29 dB 16 dB

5.5 鲁棒性分析

表2展示了波形设计对关键参数的敏感性:

参数 取值 PSL (dB) ISL (dB)
噪声方差 $\sigma_n^2$ 0.01 -20.5 -25.1
0.1 -18.2 -22.5
1.0 -15.1 -19.2
10.0 -10.5 -14.5
迭代次数 10 -18.1 -22.3
50 -20.2 -24.5
100 -21.1 -25.6
200 -22.1 -26.5

附录A:条件互信息

A.1 高斯随机向量的互信息

给定线性高斯模型$\mathbf{y} = \mathbf{Q}(\chi)\boldsymbol{\alpha} + \mathbf{n}$,其中$\boldsymbol{\alpha} \sim \mathcal{N}(\mathbf{0}, \Sigma_\alpha)$,$\mathbf{n} \sim \mathcal{N}(\mathbf{0}, \sigma_n^2 I)$,且$\boldsymbol{\alpha}$与$\mathbf{n}$相互独立。

首先计算$\mathbf{y}$的协方差矩阵:

$$\mathbf{R}_y = \mathbb{E}[\mathbf{y}\mathbf{y}^H] = \mathbf{Q}(\chi)\Sigma_\alpha\mathbf{Q}(\chi)^H + \sigma_n^2 I$$

条件互信息定义为:

$$I(\mathbf{y}; \boldsymbol{\alpha}|\chi) = h(\mathbf{y}|\chi) - h(\mathbf{y}|\boldsymbol{\alpha}, \chi)$$

其中$h(\cdot)$表示微分熵。

对于高斯随机向量,微分熵为:

$$h(\mathbf{y}|\chi) = \log \det(\pi e \mathbf{R}_y)$$

$$h(\mathbf{y}|\boldsymbol{\alpha}, \chi) = h(\mathbf{n}) = \log \det(\pi e \sigma_n^2 I)$$

因此:

$$\begin{aligned} I(\mathbf{y}; \boldsymbol{\alpha}|\chi) &= \log \det(\mathbf{R}_y) - \log \det(\sigma_n^2 I) \\ &= \log \det\left(\sigma_n^{-2}\mathbf{R}_y\right) \\ &= \log \det\left(I + \sigma_n^{-2}\mathbf{Q}(\chi)\Sigma_\alpha\mathbf{Q}(\chi)^H\right) \end{aligned}$$

A.2 矩阵行列式恒等式

利用Sylvester行列式恒等式:

$$\det(I_m + AB) = \det(I_n + BA)$$

其中$A \in \mathbb{C}^{m \times n}$,$B \in \mathbb{C}^{n \times m}$。

应用到我们的情况:

$$\det\left(I + \sigma_n^{-2}\mathbf{Q}(\chi)\Sigma_\alpha\mathbf{Q}(\chi)^H\right) = \det\left(I + \sigma_n^{-2}\Sigma_\alpha\mathbf{Q}(\chi)^H\mathbf{Q}(\chi)\right)$$

因此最终得到:

$$I(\mathbf{y}; \boldsymbol{\alpha}|\chi) = \log \det\left(\sigma_n^{-2}\Sigma_\alpha\mathbf{Q}(\chi)^H\mathbf{Q}(\chi) + I_P\right)$$

A.3 对角化条件的最优性证明

引理A.1:对于固定的迹$\text{tr}(\mathbf{Q}(\chi)^H\mathbf{Q}(\chi)) = c$,当$\mathbf{Q}(\chi)^H\mathbf{Q}(\chi)$为对角矩阵时,$I(\mathbf{y}; \boldsymbol{\alpha}|\chi)$达到最大值。

证明:设$\mathbf{Q}(\chi)^H\mathbf{Q}(\chi)$的特征值为$\lambda_1, \ldots, \lambda_P$。由于:

$$I(\mathbf{y}; \boldsymbol{\alpha}|\chi) = \sum_{p=1}^{P} \log\left(1 + \sigma_n^{-2}\sigma_{\alpha_p}^2\lambda_p\right)$$

这是关于$\lambdap$的凸函数。在约束$\sum{p=1}^{P}\lambda_p = c$下,当所有$\lambda_p$相等时(即矩阵为对角阵的标量倍数),函数值最大。

附录B:OTFS发射移位矩阵的结构分析

B.1 移位矩阵的构造

对于第$p$个散射体,其对应的移位矩阵$\mathbf{Q}_p(\chi)$可以分解为:

$$\mathbf{Q}_p(\chi) = \mathbf{P}_{m_p} \chi \mathbf{C}_{n_p}$$

其中:

  • $\mathbf{P}_{m_p}$是延迟移位矩阵
  • $\mathbf{C}_{n_p}$是多普勒移位矩阵

B.2 互相关系数与矩阵元素的关系

格拉姆矩阵$\mathbf{G} = \mathbf{Q}(\chi)^H\mathbf{Q}(\chi)$的第$(i,j)$个元素为:

$$G_{ij} = \mathbf{q}_i^H(\chi)\mathbf{q}_j(\chi)$$

当$i \neq j$时,根据延迟和多普勒的差异,可以分为三种情况:

情况1:无重叠($|m_i - m_j| > M$或$|n_i - n_j| > N$)
$$G_{ij} = 0$$

情况2:同多普勒不同延迟($n_i = n_j$,$m_i \neq m_j$)
$$G_{ij} = \sum_{n=1}^{N} \gamma_{n,n}(m_i - m_j)$$

情况3:不同多普勒和延迟
$$G_{ij} = \sum_{n=\max(1, 1-\kappa)}^{\min(N, N-\kappa)} \gamma_{n,n+\kappa}(m_i - m_j)$$

其中$\kappa = n_j - n_i$。

B.3 ASaCC度量的物理意义

ASaCC度量可以分解为两部分:

  1. 自相关旁瓣能量
    $$\text{ASL} = \sum_{n=1}^{N} \sum_{z \neq 0} |\gamma_{n,n}(z)|^2$$

    这部分反映了同一多普勒通道内的距离模糊。

  2. 互相关能量
    $$\text{CCL} = \sum_{n_1 \neq n_2} \sum_{z} |\gamma_{n_1,n_2}(z)|^2$$

    这部分反映了不同多普勒通道之间的串扰。

最小化$\zeta = \text{ASL} + \text{CCL}$等价于同时抑制距离模糊和多普勒串扰,从而最大化目标信息提取能力。

目录
相关文章
|
8天前
|
存储 关系型数据库 分布式数据库
PostgreSQL 18 发布,快来 PolarDB 尝鲜!
PostgreSQL 18 发布,PolarDB for PostgreSQL 全面兼容。新版本支持异步I/O、UUIDv7、虚拟生成列、逻辑复制增强及OAuth认证,显著提升性能与安全。PolarDB-PG 18 支持存算分离架构,融合海量弹性存储与极致计算性能,搭配丰富插件生态,为企业提供高效、稳定、灵活的云数据库解决方案,助力企业数字化转型如虎添翼!
|
7天前
|
存储 人工智能 Java
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
本文讲解 Prompt 基本概念与 10 个优化技巧,结合学术分析 AI 应用的需求分析、设计方案,介绍 Spring AI 中 ChatClient 及 Advisors 的使用。
337 130
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
|
19天前
|
弹性计算 关系型数据库 微服务
基于 Docker 与 Kubernetes(K3s)的微服务:阿里云生产环境扩容实践
在微服务架构中,如何实现“稳定扩容”与“成本可控”是企业面临的核心挑战。本文结合 Python FastAPI 微服务实战,详解如何基于阿里云基础设施,利用 Docker 封装服务、K3s 实现容器编排,构建生产级微服务架构。内容涵盖容器构建、集群部署、自动扩缩容、可观测性等关键环节,适配阿里云资源特性与服务生态,助力企业打造低成本、高可靠、易扩展的微服务解决方案。
1331 8
|
7天前
|
人工智能 Java API
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)
本文介绍AI大模型的核心概念、分类及开发者学习路径,重点讲解如何选择与接入大模型。项目基于Spring Boot,使用阿里云灵积模型(Qwen-Plus),对比SDK、HTTP、Spring AI和LangChain4j四种接入方式,助力开发者高效构建AI应用。
329 122
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)
|
6天前
|
监控 JavaScript Java
基于大模型技术的反欺诈知识问答系统
随着互联网与金融科技发展,网络欺诈频发,构建高效反欺诈平台成为迫切需求。本文基于Java、Vue.js、Spring Boot与MySQL技术,设计实现集欺诈识别、宣传教育、用户互动于一体的反欺诈系统,提升公众防范意识,助力企业合规与用户权益保护。
|
18天前
|
机器学习/深度学习 人工智能 前端开发
通义DeepResearch全面开源!同步分享可落地的高阶Agent构建方法论
通义研究团队开源发布通义 DeepResearch —— 首个在性能上可与 OpenAI DeepResearch 相媲美、并在多项权威基准测试中取得领先表现的全开源 Web Agent。
1417 87
|
6天前
|
JavaScript Java 大数据
基于JavaWeb的销售管理系统设计系统
本系统基于Java、MySQL、Spring Boot与Vue.js技术,构建高效、可扩展的销售管理平台,实现客户、订单、数据可视化等全流程自动化管理,提升企业运营效率与决策能力。
|
7天前
|
弹性计算 安全 数据安全/隐私保护
2025年阿里云域名备案流程(新手图文详细流程)
本文图文详解阿里云账号注册、服务器租赁、域名购买及备案全流程,涵盖企业实名认证、信息模板创建、域名备案提交与管局审核等关键步骤,助您快速完成网站上线前的准备工作。
258 82
2025年阿里云域名备案流程(新手图文详细流程)