分离式长电偶极子稀疏阵列的相干信号多维参数联合估计

由长电偶极子或大磁环组成的大尺寸电磁矢量传感器(ElectroMagnetic Vector Sensor,EMVS)比小尺寸EMVS辐射效率更高,研究其参数估计算法有助于推动EMVS的实装化应用.该文针对分离式长电偶极子稀疏阵列相干目标参数估计问题,提出高精度无模糊的多维参数闭式解算法.首先利用空域旋转不变性和单个矢量传感器内部属性得到方向余弦的高精度周期性模糊估计值,然后借助单个矢量传感器导向矢量推导出2维波达方向粗估计值,最后通过解模糊得到高精度无模糊的多维参数估计值.该方法规避了传统极化平滑算法的极化信息损失和迭代搜索过程,且能实现参数自动配对.计算机仿真结果表明了所提算法在分离式长电偶极子线阵中解相干的有效性.     

一种主瓣灵巧干扰环境下的盲距离-角度联合估计方法

提出了一种主瓣灵巧干扰环境下的盲距离-角度联合估计方法,可有效对抗主瓣灵巧干扰（Mainlobe Smart Jamming,MSJ）并提取目标回波的距离-角度联合参数信息.新方法首先利用阵元级数据进行盲源分离（Blind Source Separation,BSS）,分离目标回波和干扰,同时可得到信源混合矩阵的估计.然后根据主瓣灵巧干扰在某一角度上表现为多个回波信号,而目标只有一个回波这一先验信息来鉴别目标和主瓣灵巧干扰,由此可以估计目标的距离参数.最后,由上述的鉴别结果得到对应目标的混合矩阵的列矢量,其包含了目标导向矢量信息,据此可估计目标的空间角度参数.仿真结果表明,新方法可以至少有效对抗2个主瓣灵巧干扰,且可同时得到较高的目标距离-角度估计精度.另外,分析了目标输入信噪比、输入干噪比、目标与干扰的夹角、干扰空域个数对所提方法性能的影响,并给出了本文方法能够有效盲距离-角度联合估计的边界条件.     

角闪烁下基于变分贝叶斯-交互式多模型的目标跟踪

开展角闪烁噪声下的目标跟踪研究对提升传感器的探测性能具有重要意义,其中角闪烁噪声具有的分布未知和非平稳特性是长期困扰研究者的难点。针对该问题,该文首先给出角闪烁下基于变分贝叶斯参数学习的跟踪滤波理论框架。其次,提出一种联合估计运动状态和闪烁噪声分布的变分贝叶斯-交互式多模型(VB-IMM)算法,该算法通过设计多个并行的跟踪模型处理角闪烁的跟踪问题,同时利用变分贝叶斯方法实现闪烁噪声分布参数的在线学习,并反馈给跟踪模型,实时调整跟踪模型参数。最后,设计了仿真实验对算法在闪烁噪声分布未知和非平稳条件下的跟踪性能进行了验证,同时对算法的计算复杂度进行了仿真分析。仿真结果表明,在量测噪声分布未知和非平稳条件下,VB-IMM具有较高的跟踪精度,且算法复杂度较小,易于实现。     

近程强杂波限幅处理对旁瓣相消性能的影响

分析了雷达同时受到有源干扰和无源干扰的情况下其抗干扰性能下降的原因。通过数学推导以及仿真实验对各种因素进行分析,结果表明:引起雷达抗干扰性能变差的原因是由于限幅对旁瓣相消性能的影响。     

部分均匀环境中训练样本不足时的贝叶斯子空间检测器

为了解决部分均匀环境中训练数据不足时的子空间信号检测难题,采用贝叶斯理论,将噪声协方差矩阵建模为逆威沙特分布,并采用广义似然比准则（generalized likelihood ratio test,GLRT）、Rao准则和Wald准则设计自适应检测器,结果表明3种准则得到相同的结果。基于仿真及实测数据验证了所提检测器的有效性,并得出了影响检测性能的关键物理量。     

弹道类目标进动周期特征提取方法研究

提出一种自相关(AUTOC)法与平均幅度差函数(AMDF)法相结合的弹道类目标进动周期提取方法(PreAUTOC-AMDF法).该方法先对目标的雷达散射截面积时间序列进行预处理(低通滤波或平滑),再将AUTOC法的周期提取函数与AMDF法的周期提取函数的倒数相乘,以突显新构造的周期提取函数的极值点.把相邻两个极值点的时间间隔作为进动的估计周期.文中从参数估计的角度分析了目标进动周期提取方法的克拉美罗界,并将PreAUTOC-AMDF法与其他周期提取方法进行了性能比较.理论分析与计算机仿真结果表明,PreAUTOC-AMDF法的均方误差最接近克拉美罗界,具有更高的周期提取精度,是真假弹头识别应用中一种有潜力的目标进动周期提取方法.     

雷达极化对角加载检测器的最优权重算法

针对复杂海杂波环境下极化SAR图像弱小目标检测难题,最近提出的雷达极化对角加载滤波器融合了极化白化滤波器（PWF）和极化检测优化滤波器（PDOF）的优势,通过选择合适的线性加权系数,能够突破非高斯杂波背景下的目标检测性能限制。但是如何获取该线性组合的最优加权权重是该方法的难点。首先重新构造了基于线性组合的雷达极化对角加载检测器,在此基础上从曲线下面积（AUC）的检测性能评估角度给出了线性组合的最优化数学模型,并提出了基于该准则的最优权重算法。为加快求解速度,分别提出了基于Fisher准则线性判别分析（LDA）、基于口袋感知机学习算法（PPLA）和以LDA解为初值AUC求解算法等三种简化求解方法。最后通过仿真和实测实验验证了以上方法的有效性和鲁棒性,结果表明以LDA解为初值的AUC求解算法综合性能最佳。     

新形势下创新自动化公司党建工作的实践与思索

以自动化信息公司党建工作为例,分析、阐述企业党建如何创新发展,怎样才能切实做好基层党建工作的思考和认识。     

干扰背景下机载雷达广义似然比检测方法

针对干扰背景下机载雷达多通道检测问题,提出了一步广义似然比检测器(1S-GLRT)和两步GLRT(2S-GLRT)。分析了两种检测器的物理意义,证明了二者均具有恒虚警(CFAR)特性,并给出了检测器的工作流程。在性能评估阶段,通过计算机仿真验证了两种检测器均能有效的抑制干扰并实现目标检测。并且通过不同的参数设置分析了两种检测器的性能差别。结果表明:在低信杂噪比下,1S-GLRT的检测概率比2S-GLRT的略高,当SCNR较高时,二者的检测概率基本相同。但2S-GLRT的计算复杂度要低。     

机载雷达空时自适应检测方法研究进展

与空时自适应处理(STAP)相比,机载雷达空时自适应检测(STAD)方法利用待检测单元及训练样本的数据形成合理的检测统计量,直接判定目标的有无,而不用先进行杂波抑制,然后再检测。STAD 方法具有处理流程简洁、设计灵活等特点,而且其相应的检测统计量通常具有恒虚警率(CFAR)特性,因而不需要进行专门的CFAR处理。更为重要的是,STAD 往往比杂波抑制后检测的传统方法具有更好的检测性能。该文首先对STAD 的技术要点进行简要地概括,然后对现有的STAD 方法进行分类介绍,最后对STAD 的下一步研究进行展望。