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。     

低信噪比条件下天基预警雷达目标运动参数估计方法

天基预警雷达目标回波包络峰值的距离徙动会导致FFT相参积累增益降低,为了对回波信号进行运动补偿,需要对目标运动参数进行估计。由于天基雷达对目标的观察距离较远,因此回波信噪比较低,直接影响了运动参数的估计精度。针对这一问题,本文提出了一种低信噪比条件下天基预警雷达目标运动参数估计方法。首先建立了目标回波模型,并对雷达观测距离范围内的回波信噪比进行了计算分析;然后利用Keystone变换对回波包络距离徙动进行校正,并对校正后的回波信号作离散短时傅里叶变换,得到回波信号方位向上的时频分布;最后利用Hough变换将时频域变换到参数域,得到运动参数的估计值。仿真结果表明,本文方法在低信噪比条件下能有效地估计目标运动参数,并且估计精度对信噪比的变化不敏感,具有良好的鲁棒性。      

一种基于二阶Markov目标状态模型的多帧关联动态规划检测前跟踪算法

传统的动态规划检测前跟踪(Dynamic Programming Track-Before-Detect,DP-TBD)算法在每一阶段的数据关联中,仅用当前帧的观测数据与前一帧的指标函数进行关联积累,对目标状态在连续相邻帧间的相关性以及目标运动特征的考虑不充分,这样在低信噪比时,容易发生目标关联错误,严重影响了DP-TBD算法的检测和跟踪性能。针对此问题,该文提出了一种基于二阶Markov目标状态模型的DP-TBD算法,该算法以目标状态的条件概率比最大为准则,采用二阶Markov模型描述目标状态的相关性,并根据目标运动特征给出了一种与目标转弯角度相关的状态转移概率模型。在此基础上,实现了多帧数据关联的DP-TBD算法。通过仿真实验与传统的DP-TBD算法进行了比较,验证了该算法的检测及跟踪性能。     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.     

天基预警雷达MPRF的设计与选择

根据天基预警雷达天-空下视工作模式中波束覆盖区域面积随扫描角变化的特点,分析在雷达参数约束下不同波束位置驻留时间的选择和分配;在考虑地球自转带来的主瓣杂波展宽的基础上,确定M/N准则和重频范围,并利用遗传算法,设计一组适用于整个搜索空域的中脉冲重复频率(MPRF);最后通过具体实例利用距离-多普勒盲区图进行了验证.     

一种天基预警雷达目标运动参数估计方法

天基预警雷达系统中,由于卫星平台和目标间存在高速径向运动,回波信号会产生距离徙动和多普勒走动,导致FFT相参积累增益降低,不利于微弱目标检测。为了提高检测性能,需要准确估计出目标的运动参数,并对回波信号进行运动补偿。首先建立了目标回波模型,分析了回波距离徙动和多普勒走动特性;其次利用Keystone变换校正回波距离徙动,并通过对多普勒模糊数的广义最大似然估计和MTD处理估计出目标的径向速度;然后对校正后的回波信号在方位向作延迟自相关处理,再利用FFT和Jacobson校正算法估计出目标的径向加速度;最后通过仿真实验验证了本文算法的有效性。     

部分均匀环境中训练样本不足时的贝叶斯子空间检测器

为了解决部分均匀环境中训练数据不足时的子空间信号检测难题,采用贝叶斯理论,将噪声协方差矩阵建模为逆威沙特分布,并采用广义似然比准则（generalized likelihood ratio test,GLRT）、Rao准则和Wald准则设计自适应检测器,结果表明3种准则得到相同的结果。基于仿真及实测数据验证了所提检测器的有效性,并得出了影响检测性能的关键物理量。     

一种基于多帧积累粒子初始化的PF-TBD算法

针对低信噪比条件下传统粒子滤波-检测前跟踪(PF-TBD)算法粒子初始分布针对性不强而导致起始阶段检测和跟踪性能较差的问题,提出一种粒子初始化新算法.该算法首先利用目标幅度帧间的相关性,通过多帧的幅度积累,突出目标可能的位置;然后再根据这些位置初始化粒子,增强粒子分布的针对性,使粒子快速向目标真实位置聚集.理论分析和仿真结果表明,新算法提高了起始阶段目标的检测和跟踪性能.     

基于多目标灰狼优化的PHD粒子滤波改进算法

针对传统PHD粒子滤波算法存在目标数目估计精度低且位置估计误差大的缺陷,提出一种结合多目标灰狼优化的PHD(MOGWO-PHD)粒子滤波算法.该算法在预测和更新过程之间加入多目标灰狼优化算法,利用最新的观测信息将预测后的粒子集进行重新优化分布,使粒子移动至目标存在的高似然概率区域,减轻重采样后易出现的粒子贫乏问题;然后使用基于密度聚类(DBSCAN)算法对粒子进行聚类并提取目标状态.仿真结果表明,在不同杂波密度下,MOGWO-PHD算法对目标数目和状态的估计精度均优于传统PHD粒子滤波算法.