α稳定噪声中基于双参数CGM模型的Rao检测

针对α稳定分布概率密度函数无闭式表达的问题,给出了一种解析的近似模型,该模型采用双参数的柯西和高斯混合形式.由分数低阶矩,给出了混合比率的解析表达式.同传统的柯西-高斯混合模型和高斯混合模型相比,该模型具有完全的解析形式.基于该模型,导出了a稳定噪声条件下正弦信号的Rao检测统计量.通过仿真给出了不同特征指数α时Rao...     

一种适用于非高斯杂波背景的DP-TBD算法

针对动态规划检测前跟踪(DP-TBD)算法在非高斯杂波背景、起伏目标条件下检测和跟踪性能差的问题,将粒子滤波引入动态规划的似然比阶段指标函数计算中,利用粒子权值的均值表征目标存在假设下的似然函数,导出似然比指标函数模型,进而给出了一种适用于非高斯杂波背景和起伏目标的最大似然DP-TBD算法。应用文中算法在对数-正态杂波、Swerling起伏模型条件下,对目标的检测跟踪性能进行了仿真,并与两种传统的DP-TBD算法进行比较,验证了该算法的有效性。     

基于重采样平滑粒子滤波的检测前跟踪

针对基于序列重采样(SIR)粒子滤波的检测前跟踪(TBD)算法的不足,提出了重采样平滑(RS)算法以及简化的RS算法,并将其应用于常规雷达的TBD算法,得到基于序列重要性重采样平滑(SIRS)的TBD(SIRS-TBD)算法.仿真结果表明,RS算法可以有效地提高粒子的多样性,在雷达上应用SIRS-TBD算法可以实现对低可探测目标的检测和跟踪.     

应用复双谱对角切片的雷达多目标特征提取

提出了应用Chirp-z变换把依赖于傅里叶变换的双谱对角切片扩展为可在z平面上选择任意变换路径和任意频率分辨率的复双谱对角切片,并作为多目标模式的分类特征,能获取双谱以外的可分性特征。为压缩特征维数,选择可分性最好的特征,提出了实用的距离准则,在两类模式情况下,该准则等于Fisher准则,用于多类模式比Fisher准则更易于选择特征。最后应用上述方法,给出了雷达多目标特征提取的实验结果。     

一种基于非相参雷达目标回波的特征提取算法

在着重研究了非相参雷达视频回波的基础上，提出了一种基于线性预测系数及离散Ｋ－Ｌ正交变换的雷达目标回波的特征提取算法。采用实地录取到的大量雷达目标数据对这种算法进行检验，实验结果表明，这种方法具有较高的识别率。     

高斯混合噪声中弱信号的Rao检测方法

期望最大化(Expectation Maximization,EM)算法是求解参数最大似然估计(MLE)的最优迭代算法,但若参数初始化不恰当,会使估计值落入"初值陷阱",导致错误的参数估计值.为此,本文提出了估计高斯混合噪声参数的矩 - EM算法,即先求参数的矩估计,并用矩估计值初始化参数,再通过EM迭代算法估计参数.在此基础上,经高斯化滤波,导出了高斯混合噪声背景下未知幅度弱信号的Rao检验统计量.仿真结果表明,矩 - EM算法可以更准确地估计噪声参数;基于矩 - EM算法的Rao检测性能优于基于EM算法的Rao检测性能.     

非高斯杂波中反辐射导弹的Wald检测方法

Alpha稳定分布是一种有广泛适用范围的非高斯分布模型,本文基于Alpha稳定分布杂波假设,提出了一种反辐射导弹(ARM)的Wald检测方法.当Alpha稳定分布的特征参数α值较小时,基于功率谱或基于共变α谱的频率估计性能将明显下降,为此本文提出基于分数低阶协方差(FLOC)谱方法估计ARM载机信号的多普勒频率,并针对载机信号的强相关性用对消器抑制载机信号,最后导出了标准对称Alpha稳定分布杂波下ARM的Wald检测统计量.仿真结果表明,基于FLOC谱能够准确地估计信号频率,抑制载机信号;基于Alpha稳定分布杂波假设的Wald检测性能与广义似然比检测(GLRT)的渐近性能相当,且明显优于基于高斯分布杂波假设的Wald检测性能.     

基于Alpha稳定分布噪声模型的Rao统计检测

Alpha稳定分布是一种具有广泛应用范围的噪声分布模型.为此,本文提出了一种基于Alpha稳定分布噪声模型的Rao统计检测方法,导出了Alpha稳定分布噪声条件下正弦信号的Rao检测统计量.通过仿真给出了不同特征指数α时Rao检测的检测性能,并与基于高斯假设的Rao检测进行了比较.仿真结果表明,这种Pao检测器在Alpha稳定分布噪声条件下对微弱信号具有较好的检测性能,明显优于基于高斯假设下的Rao检测.     

α稳定分布噪声下信号的分数低阶协方差谱估计

针对在分布参数α值较小时α稳定分布噪声下基于共变的α谱估计性能较差这一问题，提出了一种分数低阶协方差（FLOC）谱估计方法．仿真通过对α稳定分布噪声下的正弦信号进行谱估计，结果表明，该方法对于不同的α值，在α稳定分布噪声下均具有较好的谱估计性能．     

基于FLOC的ARMA SαS模型α谱估计方法

分析了基于分数低阶矩（FLOM）估计ARMA SαS模型参数的不足,根据分数低阶协方差（FLOC）的概念,提出了一种基于分数低阶协方差系数估计ARMA SαS模型参数的方法。在此基础上,给出了ARMA SαS模型的α谱估计。通过对给定ARMA SαS模型的α谱估计、α稳定分布噪声中正弦信号的估计与分辨进行仿真,详细比较了基于FLOM的ARMA SαS模型α谱估计和基于FLOC的ARMA SαS模型α谱估计的性能。结果表明,α值较小时,基于FLOC的ARMA SαS模型α谱估计的性能明显优于基于FLOM的ARMA SαS模型α谱估计。