分布式OSCA-CFAR检测系统的检测性能

分布式检测系统可以提供更高的信噪比,提高系统在复杂电磁环境下的生存能力,抗干扰能力。由于OSCA-CFAR检测器具有较好的抗干扰性能,因此,在此研究了分布式OSCA-CFAR检测系统采用＂AND＂,＂OR＂融合准则时在非均匀背景下的检测性能。分析表明,分布式OSCA-CFAR检测系统采用＂OR＂融合准则时在非均匀背景下具有更好的抗干扰性能。     

分布式检测系统的模糊有序统计融合算法

为提高基于二元局部判决的分布式检测系统的检测性能，研究了基于模糊隶属度函数的分布式检测系统融合算法，提出了模糊有序统计融合准则。通过对肼传感器进行分布式检测系统仿真，结果表明：模糊有序统计融合准则在均匀环境中能获得比基于二元判决准则更好的检测性能，也好于同样采用模糊隶属度函数的求和准则的检测性能，且在多目标环境下获得了较强的适应性。     

基于排序数据变率的最大似然恒虚警检测方法

在韦布尔杂波背景下,针对在未知数目的目标干扰情况下不能够正确估计杂波统计模型的参数,进而影响雷达对目标的恒虚警检测性能,提出了一种基于排序数据变率的自适应删除最大似然恒虚警检测(ACML-CFAR)。利用基于排序数据变率(ODV)的删除算法对杂波单元进行自适应删除,然后使用其余参考单元采样基于最大似然法来估计杂波分布的参数,并形成检测器的检测门限。仿真结果表明:在均匀杂波下,ACML-CFAR略好于ML-CFAR,表明了ACML-CFAR对于拖尾杂波中的部分较强的杂波尖峰也能够删除;在干扰杂波背景下,能够自适应删除杂波中的干扰,不需要关于干扰目标数的先验信息,克服了ML-CFAR检测器在删除个数小于干扰个数时检测性能严重下降的问题。     

基于Hopfield网解决TSP问题

利用神经网络解决组合优化问题是神经网络应用的一个重要方面。组合优化问题,就是在给定约束条件下,使目标函数极小(或极大)的变量组合问题。首先介绍了Hopfield神经网络的工作原理,然后具体介绍了TSP问题,然后给出了Hopfield神经网络解决TSP问题的实例,最后的结果表明利用Hopfield神经网络解决TSP问题可以求得问题最优解的次优解。     

一种基于检测统计量的SOSGO-CFAR 检测算法

提出了一种新的恒虚警检测算法SOSGO-CFAR.该算法应用检测单元采样作为选择参考单元的依据,使用了基于转换恒虚警(S-CFAR)和排序选大恒虚警(OSGO-CFAR)的复合算法.文章给出了该算法在均匀背景中的数学分析.并在均匀背景、杂波边缘和多目标情况下,用MonteCarlo方法进行了仿真分析.结果表明,该检测器既具有均匀背景下和CA-CFAR相近的良好性能,在杂波边缘环境中,具有接近OSGO-CFAR的性能,且在多目标环境中,其性能明显好于S-CFAR.     

基于约束总体最小二乘方法的到达时差到达频差无源定位算法

两步加权最小二乘方法(two-stage WLS)是求解TDOA/FDOA无源定位问题的经典线性方法,但也存在着定位偏差和均方误差对测量噪声的适应能力较差的缺点。该文根据TDOA/FDOA的伪线性定位方程组特点,将其建立为一种带约束条件的约束总体最小二乘(CTLS)模型,并采用拉格朗日乘子法求解带约束条件的CTLS问题,建立了几种最小二乘类定位方法的统一解,从而将约束加权最小二乘(CWLS)定位解和约束最小二乘(CLS)定位解变为该文CTLS定位解的特例。仿真表明,该文方法比两步加权最小二乘方法具有更低的均方误差,并能够有效减小定位偏差,因而具有更好的测量噪声适应能力。