一种新的分布式MIMO雷达系统运动目标定位代数解算法

该文针对分布式MIMO雷达系统中的运动目标定位问题,以双基地距离(BR)及其变化率(BRR)作为观测量,提出一种基于多步加权最小二乘的代数解算法。算法共需要3步加权最小二乘估计。首先,在第1步加权最小二乘估计中,通过选取适当的辅助参数,将非线性的BR和BRR的观测方程进行伪线性化处理,从而得到目标位置和速度的粗略解;而后在后两步加权最小二乘估计中,利用目标位置参数和辅助参数之间的约束关系构建方程,从而得到目标位置和速度的精确估计。最后,推导了算法的理论误差,从理论上证明了算法可以达到克拉美罗界。在仿真实验中,将所提算法与现有算法进行了对比,验证了算法的优越性。     

基于DOA-TDOA-FDOA的单站无源相干定位代数解

针对利用单站接收多个外辐射源信号实现目标定位的问题,该文提出一种基于两步加权最小二乘的到达角度(DOA)、时差(TDOA)和频差(FDOA)联合定位代数解算法.首先,在第1步加权最小二乘估计中,通过引入辅助参数,将非线性的角度、时差和频差方程转化为伪线性形式,并利用加权最小二乘得到目标位置和速度的粗估计;而后在第2步加权最小二乘估计中利用辅助参数和目标位置参数之间的约束关系来构造另外一组线性方程,并再次利用加权最小二乘得到目标位置和速度的精确估计.推导了联合角度、时差和频差定位的克拉美罗界.理论分析和仿真结果表明,算法在观测误差较小时的定位误差可以达到克拉美罗界.     

基于DOA-TDOA-FDOA的单站无源相干定位代数解

针对利用单站接收多个外辐射源信号实现目标定位的问题,该文提出一种基于两步加权最小二乘的到达角度(DOA)、时差(TDOA)和频差(FDOA)联合定位代数解算法。首先,在第1步加权最小二乘估计中,通过引入辅助参数,将非线性的角度、时差和频差方程转化为伪线性形式,并利用加权最小二乘得到目标位置和速度的粗估计;而后在第2步加权最小二乘估计中利用辅助参数和目标位置参数之间的约束关系来构造另外一组线性方程,并再次利用加权最小二乘得到目标位置和速度的精确估计。推导了联合角度、时差和频差定位的克拉美罗界。理论分析和仿真结果表明,算法在观测误差较小时的定位误差可以达到克拉美罗界。     

误差校正下单站多外辐射源BR/BRR多目标定位算法

单站多外辐射源雷达定位系统利用多组双基距(BR)和双基距变化率(BRR)量测值对多运动目标定位.量测偏差的存在使得定位性能下降,对此该文提出一种基于迭代后验关联最小二乘估计的联合误差校正和目标定位算法.首先引入辅助变量对BR和BRR非线性观测方程伪线性化,建立目标参数和偏差的联合估计方程.其次,利用辅助变量和目标参数之间的关系构建新的等式方程设计关联最小二乘算法,并采用后验迭代校正固定偏差进一步提高定位精度和全局收敛性.最后对算法的理论误差和全局收敛性进行了分析,仿真结果显示:所提算法具有较好的全局收敛性且目标定位性能达到克拉美罗下界.     

误差校正下单站多外辐射源BR/BRR多目标定位算法

单站多外辐射源雷达定位系统利用多组双基距(BR)和双基距变化率(BRR)量测值对多运动目标定位。量测偏差的存在使得定位性能下降,对此该文提出一种基于迭代后验关联最小二乘估计的联合误差校正和目标定位算法。首先引入辅助变量对BR和BRR非线性观测方程伪线性化,建立目标参数和偏差的联合估计方程。其次,利用辅助变量和目标参数之间的关系构建新的等式方程设计关联最小二乘算法,并采用后验迭代校正固定偏差进一步提高定位精度和全局收敛性。最后对算法的理论误差和全局收敛性进行了分析,仿真结果显示:所提算法具有较好的全局收敛性且目标定位性能达到克拉美罗下界。     

误差校正下外辐射雷达无源定位算法

针对多基外辐射源雷达定位中存在系统误差的问题,提出了一种基于到达角度(DOA)与到达时差(TDOA)的外辐射源雷达无源定位和系统误差校正算法。首先,该方法引入辅助变量对非线性的DOA 和TDOA 量测方程进行线性化,利用迭代加权最小二乘算法得到对目标位置和系统误差的联合估计;然后,利用辅助变量与目标位置的关联性,设计了一种关联最小二乘算法对初始估计值进行改进;最后,通过后验迭代估计进一步提高目标定位精度。仿真结果表明该算法能够有效地估计系统误差和目标状态。     

基于总体最小二乘算法的多站无源定位

将总体最小二乘算法应用于多站无源定位中,分别提出了基于角度估计的总体最小二乘算法,基于时差估计的总体最小二乘算法以及基于角度和时差估计的总体最小二乘算法。算法首先把非线性的观测方程转化为伪线性的观测方程,然后构造增广矩阵,并对该矩阵进行奇异值分解即可估计出目标位置,因此无需迭代计算或者获得目标位置的粗略估计,仿真结果表明该算法具有较高的定位精度。     

多雷达跟踪定位精度分析

多传感器组网的数据融合,可以提高目标的定位精度.文中提出了一种雷达网空中目标的空间位置融合的加权最小二乘算法,在目标位置估计Fisher信息矩阵基础上给出了目标位置估计误差的克拉美-罗下限.经蒙特卡罗仿真实验表明,该融合算法已逼近了克拉美-罗限,是一种理想的多雷达跟踪定位算法.     

基于约束加权最小二乘的多站无源定位

针对传统加权最小二乘算法在噪声较大时会出现门限效应的问题。本文将约束加权最小二乘算法应用于多站无源定位,分别提出了基于多站时差定位的约束加权最小二乘算法以及基于时差频差联合定位的约束加权最小二乘算法。算法首先将非线性观测方程转化为两个伪线性方程,然后对伪线性方程加入限制条件,得到目标位置。仿真实验表明,与经典加权最小二乘算法及其改进算法相比,新算法在计算量增大不多的情况下扩展了适用范围,当噪声超过门限值时依然能获得较高的定位精度。新算法对噪声具有较强的鲁棒性,能有效克服门限效应带来的影响。      

观测站有位置误差的多维标度时频差定位算法

定位精度对观测站位置误差很敏感。论文针对观测站位置和速度有误差的情况,提出了一种加权多维标度时频差定位算法。该算法利用了多维标度定位通过特征结构和维度信息抑制噪声的优势,它将定位残差表示成测量误差和观测站位置误差的线性形式,然后通过加权最小二乘给出了目标位置和速度估计的闭式解。仿真结果表明,在小的测量误差和观测站位置误差时,该算法对目标位置和速度的估计能够达到克拉美劳下界。与两步加权最小二乘和约束总体最小二乘算法相比,该算法在测量噪声和观测站位置误差较大时有更高的定位精度。      

基于目标高度先验信息的多站时差无源定位方法

该文针对利用多站到达时差观测量的辐射源目标定位问题,已知目标高度先验信息,提出一种基于加权最小二乘的闭式高精度定位方法。近距离场景下,可忽略地球曲率影响,此时目标高度信息可等效为目标的1维坐标。基于该条件,使用一种新的两步加权最小二乘算法实现对目标的定位解算。该算法不需要目标位置初始值估计,无需迭代运算,计算量较小。仿真表明:利用目标高度先验信息可有效提高对目标的定位精度;在观测量噪声为高斯噪声且功率较小时,算法定位性能可达到克拉美罗界。     

基于Chan算法的水下测控设备组网数据融合技术研究

依据水下测控设备组网系统的工作特点,为了有效挖掘现有测控设备的使用效能,构建高精度的综合性水下测控网络,该文提出基于Chan算法的水下测控设备组网集中式数据融合定位算法。该算法首先利用基于波达时间的加权最小二乘算法粗测目标位置,然后依据该目标位置和测量时延信息的关系,构造新的误差矢量,利用该误差矢量再次加权最小二乘估计解算目标位置。研究结果表明,该算法可实现多套水下测控设备的数据融合,可有效提高全域范围的定位精度,且精度高于纯基于波达时间的融合定位算法。     

基于压缩感知和三次相位变换的低复杂度空中机动目标参数估计

该文提出一种基于压缩感知和三次相位变换(Cubic Phase Transform, CPT)的低复杂度空中机动目标参数估计方法。首先利用CPT将机动目标回波信号中的两个参数进行分离,然后采用压缩感知技术完成机动目标参数的估计。在机载雷达发射脉冲数有限的情况下,该方法能够获得准确的参数估计结果;仿真实验验证了该方法有效性。     

面向高分辨SAR成像的正则参数自学习

针对基于正则优化的高分辨SAR成像惩罚项系数自学习难点问题,本文提出一种贝叶斯边缘估计（Marginal Estimation Bayes,MEB）算法,以实现目标多先验模型的高精度特征拟合,提升成像特征恢复精度。该方法根据观测数据进行交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）凸优化框架建模,并利用贝叶斯理论推导参数的最大边缘似然分布,同时采用Moreau-Yoshida未经调整的朗之万算法（Moreau-Yoshida Unadjusted Langevin Algorithm,MYULA）实现后验采样求解,引入梯度投影法解决正则参数自学习问题,最后利用自学习参数进行优化成像。该算法可实现多正则项优化多参数协同自适应参数估计。另外,针对可能存在的目标先验非可微问题,本文利用近端算法中的次梯度优化,通过邻近算子来求解非可微先验的次梯度,可实现非可微正则函数的参数自学习。实验部分利用点目标仿真与美国Sandia实验室公布的实际数据。实验结果表明,相对于遍历最优结果,本文所提方法得到的结果与最优值的误差均在15%之内。另外,通过相变热力图（Phase Transition Diagram,PTD）定量验证了算法的有效性,同时将本文算法与其他自学习算法进行对比,验证了算法的实用性。      

一种双基地MIMO雷达目标参数估计算法

为了实现双基地多输入多输出(MIMO)雷达目标参数估计,建立了双基地MIMO雷达信号模型,提出了一种目标方向角和多普勒频率估计方法,该方法利用2次ESPRIT方法分别估计目标的多普勒频率和来波角度(DOA),然后利用ROOT-MU-SIC方法估计得到目标去波方向(DOD)。所提算法只进行3次特征值分解,避免了多维非线性的谱峰搜索,配对过程简单。仿真结果证明了该算法的有效性。     

基于截断修正平滑l0范数的MIMO雷达目标参数估计

在多输入多输出(MIMO)雷达中,针对平滑l0范数(SL0)因感知矩阵的病态性而导致其失效的问题,提出了一种基于截断修正SL0的MIMO雷达目标参数估计方法.该方法在对MIMO雷达感知矩阵进行截断奇异值分解(TSVD)处理的基础上,将保留的奇异值以均值为截断门限,分成较大和较小的两部分,分别采用不同的修正准则进行修正;然后经奇异值分解(SVD)反变换获得非病态感知矩阵,利用该非病态感知矩阵通过SL0算法对MIMO雷达目标参数进行估计,从而显著提高了MIMO雷达目标参数估计的精度和速度.仿真结果验证了该方法的有效性.     

Weighted least-squares reconstruction methods for positron emissiontomography

We present unpenalized and penalized weighted least-squares (WLS) reconstruction methods for positron emission tomography (PET), where the weights are based on the covariance of a model error and depend on the unknown parameters. The penalty function for the latter method is chosen so that certain a priori information is incorporated. The algorithms used to minimize the WLS objective functions guarantee nonnegative estimates and, experimentally, they converged faster than the maximum likelihood expectation-maximization (ML-EM) algorithm and produced images that had significantly better resolution and contrast. Although simulations suggest that the proposed algorithms are globally convergent, a proof of convergence has not yet been found. Nevertheless, we are able to show that the unpenalized method produces estimates that decrease the objective function monotonically with increasing iterations