ДОКЛАДЫ АКАДЕМИИ НАУК
ВЫСШЕЙ ШКОЛЫ РОССИЙСКОЙ ФЕДЕРАЦИИ

В статье произведен сравнительный анализ различных конфигураций разреженных антенных решеток, используемых для повышения количества различаемых источников и разрешающей способности средств пассивной радиолокации за счет формирования «виртуальной» разностной подрешетки. В работе описан алгоритм виртуализации решеток с разреженной конфигурацией, приведены преимущества и недостатки каждого из рассматриваемых типов разреженных решеток, построены азимутальные зависимости множителя антенной решетки для 8-элементных структур. Полученные зависимости указывают на существенное преимущество разреженных конфигураций над классическими эквидистантными топологиями в ширине главного лепестка, при этом одновременно наблюдается значительно возросший уровень боковых лепестков. Дополнительно построены нормированные пеленгационные характеристики алгоритма MUSIC с пространственным сглаживанием при облучении решетки семью некоррелированными источниками радиоизлучения в азимутальной плоскости с угловым разнесением пять градусов. Несмотря на относительно большие размеры апертуры, занимаемой виртуальной решеткой, только три из шести рассматриваемых конфигураций имеют возможность различения всех источников радиоизлучения с удовлетворительной точностью. В соответствии с результатами математического моделирования выбрана оптимальная конфигурация антенной решетки с соблюдением баланса между точностными характеристиками и занимаемой апертурой.

1. Some aspects of array signal processing / S. Haykin, J.P. Reilly, V. Kezys, E. Vertatschitsch // IEE Proceedings. F, Radar and Signal Processing. – 1992. – Vol. 139 (1). – P. 1–26. – DOI: 10.1049/ip-f-2.1992.0001.
2. Krim H., Viberg M. Two decades of array signal processing research: the para­metric approach // IEEE Signal Processing Magazine. – 1996. – Vol. 13 (4). – P. 67–94. – DOI: 10.1109/79.526899.
3. Yang X. Direction of arrival estimation with coprime arrays: doctoral thesis. – Universite De Nantes, 2020. – 129 p.
4. Vaidyanathan P.P., Pal P. Sparse sensing with coprime arrays // 2010 44th Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, USA. – IEEE, 2010. – P. 1405–1409. – DOI: 10.1109/ACSSC.2010.5757766.
5. Liu C.-L. Sparse array signal processing: new array geometries, parameter estimation, and theoretical analysis. Dissertation (Ph.D.). – California Institute of Technology, 2018. – DOI: 10.7907/NSTQ-SD57.
6. Liu C.-L., Vaidyanathan P.P. Remarks on the Spatial Smoothing Step in Coarray MUSIC // IEEE Signal Processing Letters. – 2015. – Vol. 22 (9). – P. 1438–1442. – DOI: 10.1109/LSP.2015.2409153.
7. Patwari A. Sparse linear antenna arrays: a review // Antenna Systems. – IntechOpen, 2021. – DOI: 10.5772/intechopen.99444.
8. Rajamäki R, Koivunen V. Sparse linear nested array for active sensing // 2017 25th European Signal Processing Conference (EUSIPCO). – IEEE, 2017. – P. 1976–1980. – DOI: 10.23919/EUSIPCO.2017.8081555.
9. Ishiguro M. Minimum redundancy linear arrays for a large number of antennas // Radio Science. –1980. – Vol. 15 (6). – P. 1163–1170. – DOI: 10.1029/ RS015i006p01163.
10. Camps A., Cardama A., Infantes D. Synthesis of large low-redundancy linear arrays // IEEE Transactions on Antennas and Propagation. – 2001. – Vol. 49 (12). – P. 1881–1883.
11. Chen C.-Y., Vaidyanathan P.P. Minimum redundancy MIMO radars // Proceedings – IEEE International Symposium on Circuits and Systems. – IEEE, 2008. – P. 45–48. – DOI: 10.1109/ISCAS.2008.4541350.
12. Wang M. Statistical performance analysis of sparse linear arrays. Doctor of Philosophy diss. – Washington University, 2018. – URL: https://openscholarship.wustl. edu/eng_etds/381 (accessed: 16.06.2025).
13. Comparative analysis and practical implementation of sparse arrays vs. uniform linear arrays for angle of arrival estimation precision / O.A. Elkasrawi, A.M. AbdelAziz, H.E.A. Bakr, M.A. Aboelazm // Journal of Information Hiding and Multimedia Signal Processing. – 2023. – Vol. 14 (4). – P. 195–207.
14. Direction-of-arrival estimation for coprime array via virtual array interpolation / C. Zhou, Y. Gu, X. Fan, Z. Shi, G. Mao, Y.D. Zhang // IEEE Transactions on Signal Processing. – 2018. – Vol. 66 (22). – P. 5956–5971. – DOI: 10.1109/TSP.2018. 2872012.
15. Liu C.-L., Vaidyanathan P.P. Super nested arrays: linear sparse arrays with reduced mutual coupling. Part I: Fundamentals // IEEE Transactions on Signal Processing. – 2016. – Vol. 64 (15). – P. 3997–4012. – DOI: 10.1109/TSP.2016. 2558159.
16. Augmented nested arrays with enhanced DOF and reduced mutual coupling / J. Liu, Y. Zhang, Y. Lu, S. Ren, S. Cao // IEEE Transactions on Signal Processing. – 2017. – Vol. 65 (21). – P. 5549–5563. – DOI: 10.1109/TSP.2017.2736493.
17. Kazarinov A.S., Malyshev V.N. The experimental research of DOA estimation based on difference Co-array Method // 2023 IEEE 24th International Conference of Young Professionals in Electron Devices and Materials (EDM). – Novosibirsk, Russian Federation, 2023. – P. 390–393. – DOI: 10.1109/EDM58354. 2023.10225152.
18. Experimental study on the performance of DOA estimation algorithm using a coprime acoustic sensor array without a priori knowledge of the source number / F. Dong, Y. Jiang, J. Liu, L. Jia // Applied Acoustics. – 2021. – Vol. 186. – P. 108502. – DOI: 10.1016/j.apacoust.2021.108502.
19. Experimental assessment of the coarray concept for DoA estimation in wireless communications / J. Wang, H. Xu, G.J.T. Leus, G.A.E. Vandenbosch // IEEE Transactions on Antennas and Propagation. – 2018. – Vol. 66 (6). – P. 3064–3075. – DOI: 10.1109/TAP.2018.2819824.