非理想条件下分布式MIMO雷达目标检测

针对任意波形相关、任意阵列配置情况下分布式MIMO雷达目标检测问题,提出了一种基于Cholesky分解的MIMO雷达检测器;首先分析了分布式MIMO雷达回波的相关性,并给出了任意阵列配置时MIMO雷达检测算法;同时,为了解决发射波形相关矩阵出现奇异性导致无法获得检测统计量的问题,提出了基于Cholesky分解的分布式MIMO雷达检测方法,给出了统一框架下的检测统计量表达式,推导了虚警概率和检测概率的近似解析式;研究得出:在低信噪比情况下,相关性越大,检测性能越好;在高信噪比时,相关性越小,检测性能越优;最后数值仿真验证了理论分析的有效性和正确性.     

单脉冲雷达导引头多目标检测研究

单脉冲雷达导引头搜索捕捉目标时,如果多个目标存在同一分辨单元内,导引头将难以区分,而无法检测雷达主波束内多个目标的存在就不能进行多目标的分辨,最终无法完成对既定目标的成功打击;采用基于Neyman-Person准则的广义似然比检测（Generalized Likelihood Ratio Test,GLRT）方法可以对单脉冲雷达导引头同一分辨单元内多个Swerling II型目标的存在性进行检测,仿真实验证明了有效性。     

磁浮列车双冗余加速度传感器故障检测研究

磁浮列车双冗余加速度传感器外置于电磁铁之上,运行时受振动、电磁干扰、温湿度变化等因素影响,测量特性不稳定,体现为动态的测量噪声。现阶段工程中常采用测试对比法检测冗余传感器,动态噪声下易出现虚警漏警的问题,检测准确率低,因此提出了基于自适应多点广义似然比检验的传感器故障检测方法。采用多点判决形式,增强对离群点的鲁棒性,同时引入滑动窗方差估计,递推估计奇偶向量的方差,调整判决函数,实现对动态噪声的自适应。经小比例悬浮试验台验证,相比同类传统方法,算法在静态噪声实验中检测准确率提高15%,在动态噪声实验中检测准确率提高13%,且显著改善了虚警漏警抑制能力,对动态噪声具有良好的鲁棒性。     

概率整形对数似然比计算方法

概率整形技术可改变星座点概率分布从而提升传输性能,其传输重要环节之一的对数似然比计算采用log-map算法复杂度太高,难以进行硬件实现。针对上述问题,提出了一种简化的概率整形对数似然比计算方法。首先对16QAM同相或正交分量任一方向进行log-map算法简化处理,主要依据为指数累和运算的对数计算表达式,起主导作用的是求和项中的最大值。其次,依据映射符号和对应的比特顺序使用前述化简式逐个比特进行分解,概率使用玻尔兹曼分布代入计算。然后,依据浮点数值超出-1～1范围表示对数似然比软判决为比特0或1的概率足够大的规则再次进行简化。最后,将同相分量与正交分量方向的对数似然比合并构成16QAM对数似然比简化计算方法。简化算法在降低实现复杂度的基础上保持了较高的解调性能,相比log-map算法性能只退化0.1 dB,相同BER条件下比均匀分布SNR低约3.1 dB。     

海杂波背景下的组合自适应GLRT-LTD

为了检测海杂波背景下的微弱运动目标,相干检测器通常需要作长时间的累积。然而,长时累积条件下的目标多普勒频率的扩散和幅度的起伏以及海杂波空间非均匀性对参考单元数目的限制导致传统的自适应检测器没法工作。注意到逆伽马(IG)纹理的复合高斯分布(CGD)可以很好地描述海杂波和目标的瞬时频率是时间的慢变函数,该文提出一种组合自适应检测器,即组合自适应广义似然比线性门限检测器(CA-GLRT-LTD),它由自适应GLRT-LTD在几个连续的短的累积间隔上的最大响应的乘积的构成。由于GLRT-LTD对IG纹理的复合高斯杂波的最优性,该检测器相比组合自适应归一化匹配滤波(CANMF)检测器具有更好的检测性能。     

改进的均值移位红外目标跟踪

提出了一种改进的均值移位红外目标跟踪算法,该算法融合了基于均值移位的梯度匹配搜索策略与基于特征分类的跟踪算法。以目标与局部背景灰度特征的似然比作为目标区域核直方图的权值,建立了改进的目标表征模型。以Bhattacharyya系数作为相似性度量,在均值移位框架下推导了应用该目标模型下移位向量的表达形式。同时,提出了基于跟踪复杂度估计的目标遮挡情况下的模型更新判别准则。实验结果表明,该算法能够提高目标像素灰度的移位权重,抑制背景干扰,对于低对比度红外目标的跟踪具有稳健的性能,在正确跟踪情况下平均Bhattacharyya系数保持在0.97以上。     

一种稳健的被动目标跟踪方法

针对海洋环境中估计目标方位的误差而导致多传感器被动目标跟踪算法效果不佳、稳定性差的问题,提出一种稳健的多传感器被动目标跟踪方法。该方法首先将各个传感器的观测信息从角度转化为位置,从而有效地线性化了系统模型,然后运用卡尔曼滤波,在滤波过程中根据滤波预测值剔除通信过程中因误码率产生的失真角度测量值,并用预测值代替,从而有效地保证了目标跟踪方法的稳健性。最后进行了数值仿真,结果表明该方法在信息误差较大时也可以提供较为稳健的跟踪性能。     

Turbo-MIMO系统中一种基于部分后验概率的软检测算法

迭代树搜索(ITS)是一种有效的基于M-算法的软MIMO检测方案。然而ITS会遇到某些比特的对数似然比(LLR)无法确定的情况,虽可采用赋常数值方法(称为clipping)解决,但这会影响系统性能。为此,该文提出一种新的基于M-算法的软检测方案。该方案在树的每一级递推计算部分符号序列的后验概率,并基于此近似计算从第1级到该级的所有比特LLR,再采用M-算法保留部分符号序列延伸至下一级。该算法可确保每比特都可计算LLR,且能得到可靠性高的LLR值。考虑到某些比特LLR会多次计算,文中给出了算法的低复杂度实现。另外,该文还给出了一种计算符号序列后验概率的简单方法。最后,仿真结果表明所提算法相比ITS具有更好的性能,并使性能与复杂度达到较好的折中。     

面向不完全维修的数控机床可靠性评估

为实现不完全维修条件下的数控机床可靠性评估,提出基于对数线性比例强度模型(Log-linear proportional intensity model, LPIM)的多台数控机床可靠性评估方法,建立故障时间的对数线性比例强度函数式。用极大似然估计法和Fisher信息矩阵法给出了模型参数的点估计与区间估计,给出机床可靠性指标的点估计和基于Delta法的区间估计,采用似然比检验方法对时间趋势和修复功效的显著性进行检验。实例分析表明,考虑维修活动影响时,LPIM优于Weibull分布法和非齐次泊松过程模型,能定量反映出维修对机床可靠性的作用,得出的瞬时和累积可靠性特性更符合实际。     

结合对数似然比的领域本体概念和关系的提取

本体学习已成为计算机领域的一个研究热点,目前本体学习的研究重点在于概念及关系的提取。针对现有学习方法准确率不高,提出一种结合对数似然比（Log-Likelihood Ratio,LLR）的本体学习方法,采用对数似然比计算概念与领域及概念与概念之间的相关性,将其应用到概念与关系提取中。实验结果表明,结合对数似然比的学习方法能够有效改进概念和关系提取的准确度。