基于多体制探测数据融合的MUF预报方法

提出了一种基于多体制探测数据融合的最高可用频率（maximum usable frequency，MUF）预报方法.该方法基于数据融合的思想，将电离层垂测数据和斜向探测数据进行融合处理，对短波通信最大可用频率进行预报，试验结果表明，该方法能够有效提升对MUF预报的准确性，预报相对误差降低19.23%，绝对误差降低0.33 MHz；对比实验结果，春秋季和冬季的预报精度提升尤为明显，平均达到25%以上，夏季能达到10%以上.该方法易于工程实现，能够对短波通信选频、短波广播覆盖分析等提供准确的数据支撑.     

用于机动目标跟踪的分段机动识别方法

分段轨迹识别方法是一种将目标轨迹分成若干段曲线,对每一段曲线进行参数估计进而估计目标状态的跟踪方法.基于分段轨迹识别方法提出了一种分段机动识别方法,使之能够适用于更多的目标机动类型.针对速度变化的目标,提出了新的曲线参数描述的模型以及新的优化跟踪性能的代价函数,改进了判断分段结束的条件以及起始新分段的方法.仿真结果表明:分段机动识别方法在稳态性能不变的情况下,能够更好地跟踪加减速目标;同时,分段机动识别方法对于高度机动目标的跟踪性能和准确构造的交互多模型算法相似,且远优于匀速直线运动模型下的卡尔曼滤波器.     

基于加权l1最小化的低复杂度波达方向估计算法

基于阵列协方差矩阵的稀疏表征和阵列响应矩阵的Khatri-Rao积,提出了一种低运算复杂度的波达方向估计算法.所提算法在减少未知数个数的同时,通过线性变换降低约束方程的维数,可有效减少优化问题的计算复杂度.为充分利用阵列协方差矩阵中蕴涵的信息,使用Capon谱的倒数作为权值构建出了加权l1最小化问题,这使得所提算法在降低运算量的同时能够获得较好的估计性能.仿真实验验证了所提算法的有效性.