С.Е. Мищенко – д.т.н., профессор, вед. науч. сотрудник, 

ФГУП «РНИИРС» ФНПЦ

В.В. Шацкий – Засл. изобретатель РФ, к.т.н., доцент, начальник бюро, 

ФГУП «РНИИРС» ФНПЦ

Л.В. Винник – инженер-программист, 

ФГУП «РНИИРС» ФНПЦ

А.В. Литвинов – начальник сектора, 

ФГУП «РНИИРС» ФНПЦ

А.С. Помысов – руководитель группы, 

ФГУП «РНИИРС» ФНПЦ

Постановка проблемы. Преодоление ограничений критерия Рэлея в цифровых антенных решетках является одной из актуальных проблем развития радиотехнических систем. Ее решение связано с получением в реальном времени детального радиолокационного изображения.

Цель. Предложить способ повышения разрешающей способности приемных цифровых антенных решеток (ЦАР) при обработке сигналов в реальном масштабе времени. Для этого рассмотрено адекватное решение задачи экстраполяции поля в раскрыве реальной антенны на раскрыв большего размера с использованием при обработке принятых ЦАР сигналов генетического алгоритма, обеспечивающего восстановление пространственного распределения источников.

Результаты. Разработан метод детализации радиолокационного изображения с использованием генетического алгоритма при обработке принятых цифровой антенной решеткой комплексных амплитуд сигналов. Метод обеспечивает восстановление пространственного распределения и непосредственное определение параметров источников излучения в результате решения задачи минимизации среднеквадратического отклонения фурье-образов принятого и моделируемого распределений комплексных амплитуд.

Практическая значимость. Работоспособность метода подтверждена результатами численного моделирования и в ходе обработки результатов эксперимента. Для рассматриваемой цифровой антенной решетки получены оценки быстродействия генетического алгоритма, на основе которого реализован предлагаемый метод.

1. Лаговский Б.А. Восстановление изображения групповой цели цифровыми антенными решетками // Антенны. 2011. № 2(165). С. 40−46.
2. Shamsunder S., Giannakis G.B. Detection and parameter estimation of multiple nongaussian sources via higher order statistics // IEEE Trans. Signal process. 1994. V. 42. № 5. P. 1145−1155.
3. Nikel U. Algebraic formulation of Kumaression-Tufts superresolution method, showing relation to ME and MUSIC methods // IEE Proc. Pt.F. 1988. V. 135. № 1. P. 7−14.
4. Ратынский М.В. Адаптация и сверхразрешение в антенных решетках. М.: Радио и связь. 2003. 200 с.
5. Литвинов О.С. Алгоритм сверхразрешения по методу Кейпона при обработке сигналов в адаптивной антенной решетке с неидентичными каналами // Антенны. 2004. № 8−9(87−88). С. 72−79.
6. Лаговский Б.А. Сверхразрешение на основе синтеза апертуры цифровыми антенными решетками // Антенны. 2013. № 6(193). С. 9−16.
7. Ashikhmin A.V., Pasternak Yu.G., Rembovskiy Yu.A., Fedorov S.M. Virtual antenna array theory and applications // American Journal      of      Electromagnetics      and      Applications.      2015.      № 3(1)      P. 1−11.      Published      online      January      30,      2015. (http://www.sciencepublishinggroup. com/j/ajea), doi: 10.11648/j.ajea.20150301.11.
8. Марков Г.Т., Петров Б.М., Грудинская Г.П. Электродинамика и распространение радиоволн. М.: Сов. радио. 1969. 376 с.
9. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. М.: Изд-во МГТУ им. Н.Э. Баумана. 2014. 446 с.
10. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации. СПб.: Наука и техника. 2003. 384 с.