1.基于流形优化的MIMO雷达波形生成方法，其特征在于：对MIMO雷达波形基于流形优化生成最优解的步骤如下：步骤1：构造随机初始波形s0；

步骤2：初始化参数k＝1，计算步骤3：通过Armoji线性搜索方法计算步长tk；

步骤4：采用黎曼最陡下降算法并收缩运算更新sk+1；

步骤5：更新黎曼梯度，黎曼梯度为欧式梯度在切空间TsV上的正交投影；

步骤6：采用向量变换法则将dk转换到切空间步骤7：计算Polark‑Ribière参数βk，并令k＝k+1；

k+1

步骤8：如果||gradf(s)||≤ε，其中ε是控制收敛的参数，输出波形的最优解sopt＝s ；

否则，回到第3步直至收敛；

最优解为MIMO雷达发射机的发射波形。

2.根据权利要求1所述的基于流形优化的MIMO雷达波形生成方法，其特征在于，所述MIMO雷达拥有Nt根发射天线和NR根接收天线，发射波形Sm为表示第n根天线的第m个快拍的发射波形， n＝1,2,…,NT,m＝1,2,…,M远场目标接收端的数据矩阵表示为：xm＝α0A(θ0)sm+dm+vm          (1)其中：

1)α0是散射系数，θ0是方位角，

2) at(θ)为发射端的方向向量，ar(θ)为接收端的方向向量，at(θ)和ar(θ)分别表示为：

3) m＝1,2,…,M,表示K个信号独立的点干扰信号的叠加向量，

4) m＝1,2,…,M,表示高斯白噪声向量，其均值为0，方差为 满足

3.根据权利要求2所述的基于流形优化的MIMO雷达波形生成方法，其特征在于，包括对于第k个干扰源的方向为θk，d(m)表示为：其中，散射系数为αk，k＝1,2,…,K。

4.根据权利要求2所述的基于流形优化的MIMO雷达波形生成方法，其特征在于，还包括搭建基于流形优化的最小化问题的优化模型：其中，优化问题为计算SINR的推导结果，即 包括计算接收到的信号能量，干扰能量和噪声能量；

波形s的各个模值均控制为1，即其中 噪声能量是 接收的干扰能量可以被计算如下：目标能量其计算如下：

其中 表示波形协方差矩阵；

其中

5.根据权利要求4所述的基于流形优化的MIMO雷达波形生成方法，其特征在于，基于流形优化的最小化问题的优化模型用于恒模约束问题求解，同时转换为流形V上的一个无约束优化问题的优化模型，V表示如下：流形V上的一个无约束优化问题的优化模型为：对于V上的一个点s来说，其的切向量被定义为从流形V上通过s的任意平滑曲线相切的向量，这些切向量构建了一个切平面，被表示为TsV：其中εs是在点s上的一个切向量， 表示MNT维的零向量，切空间TsV可以将V转向一个欧式空间 的黎曼子流形，进行收缩操作，将更新后的变量收缩回原流形V：定义黎曼梯度为grad f(s)，其满足其中

表示f(s)在方向εs∈TsV上对s的一阶导数，黎曼梯度为欧式梯度在切空间TsV上的正交投影，令▽f表示f(s)的欧式梯度，则f(s)的黎曼梯度为：其中 表示▽f到TsV上的正交投影，▽f计算如下：采用黎曼共轭梯度(RCG)算法来解决流形V上的一个无约束优化问题。

6.根据权利要求5所述的基于流形优化的MIMO雷达波形生成方法，其特征在于，采用黎曼共轭梯度(RCG)算法来解决流形V上的一个无约束优化问题的具体步骤如下：描述RCG算法之前，通过重构搜索方向dk，共轭梯度(CG)方法在最陡下降算法的基础上添加一层复杂度，dk在CG方法中被第k‑1步的搜索方向dk‑1和当前的最陡下降方向联合决定：

dk＝‑▽xf(xk)+uk‑1dk‑1              (18)其中uk‑1是一个需要合理设置的参数，在欧式空间地最陡下降算法迭代步骤可表示为xk+1＝xk+tkdk                      (19)其中dk＝‑▽xf(xk)是在点xk的最陡下降方向，▽xf(xk)是f(x)的欧式梯度，tk＞0是步长，再通过(13)的收缩运算得到：为了保证f(s)在每一次迭代中是单调递减的，RCG算法采用Armiko线性搜索方法选择步长tk，黎曼共轭梯度 的更新方法由下给出：其中uk‑1是Polark‑Ribière参数，Trans表示为：Trans代表向量变换法则，将切向量 从点sk‑1∈V到另一个点sk∈V。