基于扩展H_∞滤波自适应误差配准算法

提出了基于扩展的H∞滤波和地心坐标系的自适应多传感器误差配准方法,该方法采用地心坐标系来消除地球曲率对配准算法的影响,采用扩展的H∞滤波来消除状态模型和量测模型噪声方差的不准确对配准算法的影响,该方法能够解决多传感器异步数据的误差配准问题,并且状态方程和量测方程的噪声可以是非高斯的,并采用修正的基于BLUE的量测转换方法对修正后的传感器的量测进行滤波.仿真试验表明,该算法能有效地估计时变的传感器误差,即使在运动方程和量测方程的噪声方差不准确的情况下,也能得到满意的配准结果.     

基于高阶累积量虚拟阵列扩展的DOA估计

该文提出了一种基于高阶累积量虚拟阵列扩展的DOA估计新方法。该方法基于高阶累积量孔径扩展的性质,由实际阵元的坐标与方向矢量直接计算出虚拟阵元的坐标与方向矢量,利用两种阵元的坐标之间的关系构造四阶或六阶协方差矩阵,运用MUSIC方法对非高斯独立信号源进行DOA估计。该方法在任意阵列的情况下,对非高斯独立信号源进行一维与二维DOA估计,均能准确地估计出多于实际阵元数目的方向角与仰角。实验表明,该方法简单、有效地扩展了阵列孔径,提高了阵列的空间分辨能力,有效地抑制了高斯噪声的干扰,降低了高阶累积量协方差矩阵的计算量。     

一种改进的高斯逆威沙特概率假设密度扩展目标跟踪算法

假设扩展目标(ET)的扩展和量测数目分别为椭圆和泊松模型,高斯逆威沙特概率假设密度(GIW-PHD)能够估计扩展目标的运动和扩展状态。然而,该滤波器对空间邻近目标的数目、非椭圆目标和受到遮挡目标的扩展估计不够准确。针对这些问题,该文提出一种改进的GIW-PHD。首先,假设目标扩展为一个相同尺寸的参考椭圆,通过设计新的散射矩阵得到改进的随机矩阵(RM)方法。然后,将改进的RM方法与假设量测数目服从多伯努利分布的ET-PHD结合,得到改进的GIW-PHD滤波器。仿真和实验结果表明,与传统GIW-PHD相比,改进的GIW- PHD估计的目标数目和量测数目较多,扩展较大的椭圆和非椭圆目标的扩展更准确。     

EK-GMPHD滤波算法

针对杂波环境下多目标数目时变的跟踪问题,提出了一种适用于非线性系统的扩展卡尔曼-高斯混合概率假设密度滤波算法(EK-GMPHD)。对高斯分量进行递推时,利用扩展卡尔曼滤波器思想进行局部线性化,解决了量测方程和状态方程的非线性问题;在缩减高斯项数目时,建立了一种新的合并准则,综合考虑了高斯分量协方差对估计精度的影响;利用当前时刻目标估计数目对前一时刻的目标估计数目进行平滑,消除了孤立点的影响;仿真结果表明,该算法可有效滤除杂波影响,准确估计多目标数目和状态。     

多站无源跟踪边缘化卡尔曼滤波算法

多站无源跟踪量测方程非线性强,对跟踪算法的稳定性及精度提出了更高的要求。为实现稳定高精度跟踪,提出了新的基于边缘化卡尔曼滤波（MKF）的多机无源跟踪算法。该算法将非线性的量测方程表示为p阶Hermite多项式的加权和,将加权矩阵的先验分布建模为高斯过程,求得其后验分布后对其进行积分来消除加权矩阵的影响,最终可得对状态及其协方差矩阵估计的闭式解。以只测角跟踪为例对所提算法性能进行验证,仿真结果表明,相对于扩展卡尔曼滤波（EKF）算法、不敏卡尔曼滤波（UKF）算法及容积卡尔曼滤波（CKF）算法,所提算法具有更好的跟踪性能。      

色噪声环境下MIMO雷达角度估计算法

针对色噪声环境下的MIMO雷达目标角度估计问题,提出一种基于四阶累积量切片的角度估计算法。算法利用MIMO雷达的接收数据计算出四阶累积量,构造出累积量切片矩阵,通过特征分解,结合ESPRIT算法实现了雷达目标的角度估计。同时进行了低复杂度改进,去掉了冗余信息,保留了MIMO雷达阵元扩展能力和目标分辨力,具有自动抑制加性高斯噪声和任意高斯色噪声的能力。最后计算机仿真结果证实了算法的有效性和可行性。     

基于联合似然函数的多扩展目标广义标签多伯努利滤波器

高分辨率雷达监视系统可观测到区域内不同形状的多个扩展目标,可靠的形状估计有利于提高扩展目标跟踪性能,并可作为战场态势评估的重要依据。该文针对不同形状多扩展目标跟踪问题,提出一种基于联合似然函数的广义标签多伯努利(JL-GLMB)滤波器,可实现目标数目、航迹以及形状的精确估计。首先,将目标形状建模为星凸集,并利用非线性量测变换滤波器更新GLMB分布中的高斯分量,有效提高扩展目标状态估计精度。然后,通过对数加权融合策略,构造联合似然函数,综合衡量扩展目标和量测单元之间的相似程度。最后,基于吉布斯采样,提出快速计算扩展目标状态后验概率密度的方法,有效提高数据关联的准确率和计算效率。仿真实验结果表明,所提滤波器能够有效估计不同形状的多扩展目标状态,且在杂波环境下具有稳定的势估计。     

基于星-凸形RHM的扩展目标跟踪算法

针对扩展目标联合估计运动状态和目标外形的问题,提出了一种基于星-凸形随机超曲面模型的扩展目标高斯混合概率密度滤波算法。该算法利用星-凸形随机超曲面模型对量测的扩散程度进行建模,同时利用约束对目标外形参数进行限制。在高斯混合概率假设密度的框架下,通过对量测模型下的量测似然、新息等参数的求解和更新递推实现扩展目标的跟踪。仿真实验表明,所提算法在保证跟踪有效性和可行性的同时提高了对扩展目标运动状态和目标外形的估计精度。     

基于EM算法的非高斯噪声参数估计

EM算法是一种从＂不完全数据＂中求解模型参数的极大似然估计的方法,在非高斯噪声的参数估计问题中是一种比较优秀的算法。非高斯噪声的参数估计问题的主要困难是充分统计量是不存在的,这意味着从观测空间到估计空间的映射依赖于这里试图估计的参数。在未知噪声概率密度的情况下,EM算法可以更准确地对非高斯噪声参数进行估计,估计方差接近C-R下界。     

变维的机动目标跟踪算法

为改善现有机动目标跟踪方法存在的跟踪精度不高、滤波易发散的问题,提出了一种RA-Jerk-EKF算法,该算法将目标径向加速度信息引入量测向量,通过增加雷达量测向量维数提高机动目标的跟踪精度。在信号处理阶段利用分数阶傅里叶变换(FRFT)估计出目标的径向加速度,并将其通过坐标转换引入量测向量中;在数据处理阶段采用Jerk模型和扩展卡尔曼滤波(EKF)算法解决滤波算法中非线性量测方程问题;最后将该方法与传统的不带径向加速度的Jerk-EKF方法进行了仿真比较。结果表明,该方法在跟踪精度,位置、加速度和速度估计精度方面均有所改善。     

基于形态匹配聚类的近邻扩展目标跟踪算法

针对传统扩展目标跟踪（Extended Target Tracking, ETT）算法在处理近邻目标时面临的计算效率低下和跟踪不准确的问题,提出了一种形态匹配聚类量测集划分与高斯逆威沙特概率假设密度（Gaussian Inverse Wishart Probability Hypothesis Density, GIW-PHD）滤波器相结合的跟踪处理方法。该方法首先由GIW-PHD滤波器得到预测的目标状态,其次使用DBSCAN(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)算法完成量测集的初步划分,在此基础上利用较高权重的预测分量实现对多个近邻目标混合量测簇的判断,进而使用椭圆形状约束（Elliptic Shape Constraint, ESC）的FCM(Fuzzy C-Means, FCM)算法（ESC-FCM）对混合簇进行二次划分得到更精确的划分结果,最后将划分结果合并后送入GIW-PHD滤波器完成目标状态的更新。仿真结果表明,本文所提量测集划分方法能够充分利用GIW-PHD滤波器预测步获取...     

高斯噪声背景下多用户波达方向估计与互耦自校正

在高斯噪声背景下,针对互耦条件下的均匀线阵(Uniform Linear Array, ULA),该文提出了一种联合多用户波达方向(Direction Of Arrival, DOA)估计与互耦误差自校正算法。该算法首先利用特征矩阵联合相似对角化(Joint Approximative Diagonalization of Eigen matrix, JADE)方法估计出各用户广义空间特征矢量,然后定义了一个将各用户广义空间特征矢量转换为只与部分阵元相关的转换矩阵,进而在斜投影及前后向空间平滑的基础上,实现了多用户相干信源DOA估计,最后以多用户相干信源DOA及广义空间特征矢量估计值为基础,给出一种互耦自校正方法。仿真结果表明:该算法具有较高的DOA估计精度及DOA估计成功率,而且对高斯白噪声/色噪声背景,阵列互耦误差已知/未知情形,均具有普适性。     

Maximum likelihood estimation of the parameters of discretefractionally differenced Gaussian noise process

A maximum-likelihood estimation procedure is constructed for estimating the parameters of discrete fractionally differenced Gaussian noise from an observation set of finite size N. The procedure does not involve the computation of any matrix inverse or determinant. It requires N²/2+O(N) operations. The expected value of the loglikelihood function for estimating the parameter d of fractionally differenced Gaussian noise (which corresponds to a parameter of the equivalent continuous-time fractional Brownian motion related to its fractal dimension) is shown to have a unique maximum that occurs at the true value of d. A Cramer-Rao bound on the variance of any unbiased estimate of d obtained from a finite-sized observation set is derived. It is shown experimentally that the maximum-likelihood estimate of d is unbiased and efficient when finite-size data sets are used in the estimation procedure. The proposed procedure is extended to deal with noisy observations of discrete fractionally differenced Gaussian noise     

宽频段空间信号频率、二维到达角和极化联合估计

在空间欠采样的条件下,通过巧妙定义稀疏L型阵列的四阶累积量输出矩阵,利用高阶累计量的盲高斯及阵列扩展特性,实现了宽频段空间非高斯信号频率、到达角和极化估计的分离,给出了一个基于四阶累积量 ESPRIT和整数搜索解模糊的任意高斯噪声环境下多个独立空间信号频率、二维到达角和极化的联合估计算法,L型阵列由和坐标轴方向一致的偶极子对组成,数值模拟结果证实了该文方法的有效性。     

多扩展目标跟踪中基于多特征优化的传感器控制方法

针对多扩展目标的优化跟踪问题,该文在有限集统计(FISST)理论框架下,提出一种能够综合优化多扩展目标跟踪性能的传感器控制方法。首先,该文给出加权广义最优子模式分配(WGOSPA)距离构造多扩展目标跟踪多特征估计在其统计平均周围的广义离差,进而研究提出多特征融合下的传感器控制最优决策方法,并利用序贯蒙特卡罗(SMC)技术研究传感器控制最优决策过程的数值求解方法,然后利用伽马高斯逆威沙特多伯努利(GGIW-MBer)滤波器实现所提出的传感器控制策略。最后通过仿真实验验证了所提算法的有效性。     

Adaptive subspace detection of extended target in white Gaussian noise using sinc basis

For the high resolution radar (HRR), the problem of detecting the extended target is considered in this paper. Based on a single observation, a new two-step detection based on sparse representation (TSDSR) method is proposed to detect the extended target in the presence of Gaussian noise with unknown covariance. In the new method, the Sinc dictionary is introduced to sparsely represent the high resolution range profile (HRRP). Meanwhile, adaptive subspace pursuit (ASP) is presented to recover the HRRP embedded in the Gaussian noise and estimate the noise covariance matrix. Based on the Sinc dictionary and the estimated noise covariance matrix, one step subspace detector (OSSD) for the first-order Gaussian (FOG) model without secondary data is adopted to realise the extended target detection. Finally, the proposed TSDSR method is applied to raw HRR data. Experimental results demonstrate that HRRPs of different targets can be sparsely represented very well with the Sinc dictionary. Moreover, the new method can estimate the noise power with tiny errors and have a good detection performance.     

估算红外成像作用空间分辨率的新方法

提出了一种新的基于特征熵的估算红外成像作用空间分辨率的方法，研究红外目标在各分辨等级（发现、识别、确认）所需的红外成像空间分辨率。首先，通过下采样获取各分辨率等级下的目标图像；其次，提取目标的特征（纹理、形状和全局统计特征），并对目标的特征空间进行归一化，得到其特征直方图；然后通过计算其特征熵，度量目标的信息量；最后根据设定的阈值，给出红外目标在不同的识别等级下所需的最低成像分辨率结论，并以计算机仿真红外目标为例进行验证。实验结果表明:文中结论与识别结果较好吻合，能够为红外识别系统的优化设计和分析提供参考依据。     

新的双基地MIMO雷达角度估计方法

为降低双基地MIMO雷达前端数据处理的计算量,构造出了“扩展”信号子空间,并根据此信号子空间的特点,提出了多项式求根—空域滤波的收发角度估计算法,避免了二维谱搜索,实现了目标角度的自动配对,并推导了多目标和单目标下双基地MIMO雷达角度估计的克拉美罗下界（CRB）。研究表明空域滤波时,泰勒级数展开的阶数越高,目标的角度估计精度越好;当目标各发射角度相隔较近时,仍能得到较好的估计结果;在低信噪比时,估计精度优于ESPRIT算法,在高信噪比时,2种算法的估计精度均接近于CRB。     

协方差矩阵稀疏表示在网格失配波达方向估计中的应用

该文利用了入射信号在空域的稀疏性,将波达方向（DOA）估计问题描述为在网格划分的空间协方差矩阵稀疏表示模型,并将其松弛为一个凸问题,从而提出了一种网格匹配下的交替迭代方法（AIEGM）。传统的基于稀疏重构的波达方向估计算法由于其模型的局限性,一旦入射角不在预先设定的离散化网格上,就会造成估计性能的急剧恶化。针对这个问题,该算法可以在离散化网格比较粗糙的前提下,通过交替迭代的方法求解一系列基追踪去噪（BPDN）问题,对于不在网格上的真实角度估计值进行修正,从而达到更精确的波达方向估计。仿真结果证明了AIEGM算法的有效性。