目前基于正交时频空(orthogonal time frequency space,OTFS)的雷达目标参数估计算法以在网估计为主,但在网估计算法无法有效应对现实应用中的离网现象。同时,现有离网估计算法的目标参数估计性能受建模误差的限制,也难以确保雷达系统...目前基于正交时频空(orthogonal time frequency space,OTFS)的雷达目标参数估计算法以在网估计为主,但在网估计算法无法有效应对现实应用中的离网现象。同时,现有离网估计算法的目标参数估计性能受建模误差的限制,也难以确保雷达系统在复杂环境下的有效应用。针对以上问题,提出了一种基于OTFS调制的动态稀疏贝叶斯(dynamic-sparse Bayesian learning,dynamic-SBL)算法。该算法在稀疏贝叶斯学习框架下引入动态虚拟网格,通过不断更新调整网格参数降低建模误差,提升目标参数估计性能。同时利用OTFS雷达信道特有的稀疏性对网格参数进行选择性局部更新,以降低算法的复杂度。仿真结果表明,所提算法估计的目标归一化时延和多普勒频率的均方误差较小,目标参数的估计性能优于传统离网估计方法的。该算法在实际雷达系统中具有较大应用潜力。展开更多
外辐射源雷达利用直达天线接收的参考信号作为样本滤除目标回波中的杂波,但由于雨、云、树木或其他运动物体等的影响,回波内可能会包含非零频杂波,导致处理后杂波残余较大,影响目标检测。针对上述问题,提出了一种基于杂波识别的扩展最...外辐射源雷达利用直达天线接收的参考信号作为样本滤除目标回波中的杂波,但由于雨、云、树木或其他运动物体等的影响,回波内可能会包含非零频杂波,导致处理后杂波残余较大,影响目标检测。针对上述问题,提出了一种基于杂波识别的扩展最小均方(Least Mean Square,LMS)对消算法。首先利用模糊函数估计杂波的频率和时延分布,构建含频率信息的多个参考信号。再把多个参考信号插入LMS算法中推导了扩展LMS算法,利用扩展LMS算法可以同时对消静、动杂波。扩展LMS算法能降低对消剩余,提高目标的信噪比,仿真分析和实测数据处理验证了算法的有效性。展开更多
针对同时含有恒定传感器系统偏差和重尾量测噪声的非线性系统目标跟踪问题,提出一种基于交互式多模型框架的增量容积卡尔曼滤波器(Incremental Cubature Kalman Filter Based on Interactive Multiple Mode Framework,IMM-ICKF)。首先,...针对同时含有恒定传感器系统偏差和重尾量测噪声的非线性系统目标跟踪问题,提出一种基于交互式多模型框架的增量容积卡尔曼滤波器(Incremental Cubature Kalman Filter Based on Interactive Multiple Mode Framework,IMM-ICKF)。首先,针对带有非高斯重尾量测噪声的目标估计问题,IMM-ICKF将量测噪声建模成高斯混合分布。然后,对相邻两个时刻存在恒定传感器系统偏差的量测进行差分得到增量量测,减弱了恒定传感器系统偏差对滤波的不利影响。同时,根据增量量测噪声的高斯混合分布特性,在交互式多模框架下将增量量测噪声分解成多个并行滤波器进行处理,最后综合多个并行滤波器的递推估计结果进行融合输出。仿真结果表明,在同时含有恒定传感器系统偏差和重尾量测噪声的非线性系统环境下,与基于高斯混合的增量容积卡尔曼滤波算法相比,IMM-ICKF位置跟踪精度提升约10%,运行时间降低约92%。展开更多
针对跟踪复杂机动目标过程中由于目标运动状态发生变化导致的跟踪误差较大的问题,提出一种自适应交互多模型无迹卡尔曼滤波(interacting multiple model unscented Kalman filter,IMM-UKF)算法,使用模型概率后验信息和模型似然函数自适...针对跟踪复杂机动目标过程中由于目标运动状态发生变化导致的跟踪误差较大的问题,提出一种自适应交互多模型无迹卡尔曼滤波(interacting multiple model unscented Kalman filter,IMM-UKF)算法,使用模型概率后验信息和模型似然函数自适应修正马尔可夫转移概率矩阵(transition probability matrix,TPM)。设计模型概率校正方法和模型转移加速方法,两种方法分别作用于模型稳定阶段和模型转移阶段,提高模型概率准确度和模型转移响应速度,减小状态估计误差。最后,通过两种场景下的实验验证所提算法在目标具有复杂运动状态下的性能,并与传统方法进行对比分析,在目标做机动运动时,位置精度和速度精度分别提高了15%和26%,验证了算法的有效性和可行性。展开更多
文摘目前基于正交时频空(orthogonal time frequency space,OTFS)的雷达目标参数估计算法以在网估计为主,但在网估计算法无法有效应对现实应用中的离网现象。同时,现有离网估计算法的目标参数估计性能受建模误差的限制,也难以确保雷达系统在复杂环境下的有效应用。针对以上问题,提出了一种基于OTFS调制的动态稀疏贝叶斯(dynamic-sparse Bayesian learning,dynamic-SBL)算法。该算法在稀疏贝叶斯学习框架下引入动态虚拟网格,通过不断更新调整网格参数降低建模误差,提升目标参数估计性能。同时利用OTFS雷达信道特有的稀疏性对网格参数进行选择性局部更新,以降低算法的复杂度。仿真结果表明,所提算法估计的目标归一化时延和多普勒频率的均方误差较小,目标参数的估计性能优于传统离网估计方法的。该算法在实际雷达系统中具有较大应用潜力。
文摘外辐射源雷达利用直达天线接收的参考信号作为样本滤除目标回波中的杂波,但由于雨、云、树木或其他运动物体等的影响,回波内可能会包含非零频杂波,导致处理后杂波残余较大,影响目标检测。针对上述问题,提出了一种基于杂波识别的扩展最小均方(Least Mean Square,LMS)对消算法。首先利用模糊函数估计杂波的频率和时延分布,构建含频率信息的多个参考信号。再把多个参考信号插入LMS算法中推导了扩展LMS算法,利用扩展LMS算法可以同时对消静、动杂波。扩展LMS算法能降低对消剩余,提高目标的信噪比,仿真分析和实测数据处理验证了算法的有效性。
文摘针对同时含有恒定传感器系统偏差和重尾量测噪声的非线性系统目标跟踪问题,提出一种基于交互式多模型框架的增量容积卡尔曼滤波器(Incremental Cubature Kalman Filter Based on Interactive Multiple Mode Framework,IMM-ICKF)。首先,针对带有非高斯重尾量测噪声的目标估计问题,IMM-ICKF将量测噪声建模成高斯混合分布。然后,对相邻两个时刻存在恒定传感器系统偏差的量测进行差分得到增量量测,减弱了恒定传感器系统偏差对滤波的不利影响。同时,根据增量量测噪声的高斯混合分布特性,在交互式多模框架下将增量量测噪声分解成多个并行滤波器进行处理,最后综合多个并行滤波器的递推估计结果进行融合输出。仿真结果表明,在同时含有恒定传感器系统偏差和重尾量测噪声的非线性系统环境下,与基于高斯混合的增量容积卡尔曼滤波算法相比,IMM-ICKF位置跟踪精度提升约10%,运行时间降低约92%。
文摘针对跟踪复杂机动目标过程中由于目标运动状态发生变化导致的跟踪误差较大的问题,提出一种自适应交互多模型无迹卡尔曼滤波(interacting multiple model unscented Kalman filter,IMM-UKF)算法,使用模型概率后验信息和模型似然函数自适应修正马尔可夫转移概率矩阵(transition probability matrix,TPM)。设计模型概率校正方法和模型转移加速方法,两种方法分别作用于模型稳定阶段和模型转移阶段,提高模型概率准确度和模型转移响应速度,减小状态估计误差。最后,通过两种场景下的实验验证所提算法在目标具有复杂运动状态下的性能,并与传统方法进行对比分析,在目标做机动运动时,位置精度和速度精度分别提高了15%和26%,验证了算法的有效性和可行性。
