一种基于最大选择的Switching-CFAR检测器

针对传统CFAR(Constant False Alarm Rate)检测器不能同时适应于均匀和非均匀杂波背景的问题,提出了一种改进的CFAR检测器,即IEGOS(Iterative Excision Greatest of Switching)-CFAR检测器。在迭代删除的基础上,采用Switching方法,利用检测单元幅度自适应选择参考单元,得到前后滑窗的局部杂波功率估计,然后取二者中的最大值作为总的杂波功率估计,实现恒虚警检测。在SwerlingⅡ型目标和瑞利包络杂波分布的假设下,推导证明了IEGOS的恒虚警性,与CA、GO、SO、OS和EXS算法的对比分析表明IEGOS在均匀杂波、多目标干扰和杂波边缘中均拥有较好的性能,且该算法无需排序,便于工程实现。     

基于检测统计量的修正转换恒虚警检测算法

提出了一种新的恒虚警检测算法--修正的转换恒虚警检测算法(MS-CFAR).该算法考虑检测单元采样作为参考单元的选择依据,其使用了基于转换恒虚警(S-CFAR)和最大选择恒虚警(GO-CFAR)的复合算法.给出了该算法在均匀背景中的数学分析.结果表明,该检测器既具有均匀背景下和CA-CFAR相近的良好性能,在多目标环境中亦克服了GO-CFAR不能分辨主目标的弊端,具有较强的适应性.尤其在杂波边缘环境中,MS-CFAR表现出了远好于S-CFAR的控制虚警的能力.     

机载MIMO雷达稳健非均匀样本选择方法

针对杂波训练样本中混入干扰目标,导致空时自适应处理技术的杂波抑制性能下降问题,提出一种基于目标知识进行局部稀疏恢复的稳健训练样本挑选方法。该方法利用先验知识确定待检测单元中的目标区域,对整个角度-多普勒平面进行遍历,获得稀疏超完备基。通过变换矩阵对超完备基中对应的目标区域进行"挖空"处理,局部稀疏恢复出超分辨的杂波空时谱,获得杂波协方差矩阵估计。结合广义内积算法,实现非均匀训练样本挑选的过程。与常规结合广义内积方法相比,该方法对于不同干扰强度的训练样本,均有良好的检测效果。经仿真验证,所提方法的检验统计量之间区分度更加明显,对于干扰样本的挑选更加彻底,从而有效地提高了空时自适应处理技术的目标检测性能。     

基于删除平均的VI-CFAR检测器

针对MLVI-CFAR检测器在多个随机分布干扰目标背景下检测性能不好,以及OSVI-CFAR检测器在均匀环境和仅单滑窗存在干扰目标的环境下检测性能欠佳问题,提出了一种基于删除平均(CML)的VI-CFAR检测器(CMLVI-CFAR).仿真验证了CMLVI-CFAR检测器在均匀背景及多目标干扰环境下,都具有比MLVI和OSVI-CFAR检测器好的检测性能,并且其在杂波边缘背景下的虚警控制能力与前两者也基本一致,说明其在实际杂波环境中具有更强的鲁棒性和良好的应用潜力.     

结合流形滤波的矩阵信息几何检测器

针对小样本、非均匀杂波下的信号检测问题,提出一种基于流形滤波的矩阵信息几何检测器,将信号检测问题转化为矩阵流形上的几何问题。将每一个样本的相关性数据建模为一个托普利兹正定矩阵,在此基础上,利用每一个样本数据的邻近矩阵进行加权平滑滤波,去除一部分杂波能量,提升目标与杂波间的区分性。计算了辅助样本数据对应矩阵的几何均值,通过比较待检测样本数据矩阵与几何均值矩阵之间的距离与检测门限的大小,以实现信号检测。实验结果表明,与自适应匹配滤波相比,本文方法在小样本、非均匀杂波下具有明显的性能优势。     

基于QMC-IPF-JPDA的多目标无源协同定位算法

针对杂波环境中多目标的检测跟踪问题,提出一种基于拟蒙特卡罗智能粒子滤波联合概率数据关联的无源协同定位算法。该算法建立双基站无源协同定位系统目标检测跟踪的数学模型。通过拟蒙特卡罗技术使粒子分布更加均匀,并对更新阶段的粒子进行交叉变异以提高粒子多样性。结合测量信息,利用联合概率数据关联算法实现多目标检测跟踪。仿真结果表明,所提算法能有效解决杂波环境下多目标检测跟踪问题,提高跟踪性能。     

多因素观测来源不确定的多目标跟踪算法

杂波、低检测概率和目标间观测相互干扰等因素,使得目标观测的来源难以辨别,提出一种基于改进GMPHD滤波的多目标跟踪算法,通过引入目标标记和权重向量,增广了标准GMPHD迭代中目标信息.基于高斯分量合并策略、目标状态估计策略和高斯分量优化策略,能够有效地改善目标状态估计精度和滤波迭代效率.目标跟踪仿真实验结果表明了所提算法的有效性及鲁棒性.     

干扰条件下基于MMSE准则的弹载雷达认知波形优化

针对杂波、噪声和干扰环境中弹载雷达扩展目标检测识别问题,结合认知理论,在频域基于最小均方误差(minimum mean-square error,MMSE)准则提出一种新的雷达发射波形优化算法,用以抑制杂波和对抗干扰。建立雷达信号时频模型,通过目标参数贝叶斯估计构造以均方误差为代价的功率受限目标函数,利用拉格朗日乘子法得出最小代价发射信号频域能量最优波形表达式。仿真结果表明,算法能够针对目标频率响应和杂波、干扰的相对强度合理分配发射信号的频域能量,提高目标估计精确度,优化雷达检测识别性能;仿真条件下,最小均方误差准则优化波形目标识别性能优于互信息量准则。     

基于改进Hough变换的检测前跟踪算法

针对密集杂波环境中的弱小目标检测问题,提出了一种改进Hough变换的检测前跟踪算法,解决Hough变换参数空间峰值簇拥导致虚假轨迹较多的问题。采用样本方差信息对非相参积累值进行加权,利用时间信息抑制部分杂波和噪声积累峰值,改进非相参积累的积累方法;依据各单元的积累值对局部峰值簇拥的几个单元进行融合处理,改进阈值提取的峰值提取方法。仿真分析表明,改进算法检测目标虚假轨迹少于标准Hough变换方法,与先检测后跟踪方法相比,改进算法有3~4 d B信噪比得益。     

FFT-MTD滤波器组优化设计与仿真

介绍了用FFT算法实现雷达信号动目标检测(MTD)的方法,为提升MTD在强杂波环境下的检测性能,对加权FFT优化MTD时窗函数的选取进行了讨论,比较了6种窗函数加权时FFT等效多普勒滤波器组的幅频特性和改善因子,得出了适合于MTD的最佳窗函数,并针对某型雷达信号体制进行了仿真分析和验证,结果表明优化方法增强了MTD在杂波背景下的检测性能.     

杂波环境下机动目标跟踪算法研究

杂波环境下的机动目标跟踪问题具有非线性、非高斯、不完全观测的特点,其难点在于观测值与目标的对应关系及每一时刻的运动模式均呈现高度不确定性。文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的杂波环境下机动目标跟踪算法——多模型辅助粒子滤波算法(MMAPF)。仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在相同的情况下,具有更高的滤波精度和较好总体性能。     

一种新的红外图像目标检测方法

提出了一种新的海空背景下受强杂波、噪声污染的红外图像目标检测算法,算法利用了小波变换的多分辨率、多尺度特性,将要检测的图像分解到不同频率的多个尺度上,再采用形态学的背景估计和形态滤波技术,对分解后的子图像进行处理、小波重构。仿真实验表明,该算法可较强地抑制云层、海浪以及海天线的强杂波背景和强噪声的干扰,可检测出信杂比(SCR)为2的目标,适用于舰载红外警戒系统。     

两级滤波结构的导航卫星天线阵抗干扰算法

干扰和多径是影响接收机导航定位性能的两个主要因素。针对卫星导航接收机的抗干扰问题,提出了一种基于两级滤波结构的卫星导航天线阵抗干扰算法。第一级滤波采用功率倒置算法抑制干扰,通过相关解扩提高卫星信号的信噪比,并估计出其空间特征矢量。第二级滤波用估计得到的卫星信号空间特征矢量对第一级滤波输出信号进行加权处理,从而形成指向卫星信号方向的主波束来进一步提高信噪比。仿真结果表明,该算法的性能明显优于功率倒置算法,且非常接近传统的波束形成算法,不需要阵列校正以及姿态测量单元辅助,其实现代价远小于传统的波束形成算法。     

MIMO雷达信号检测前跟踪算法及性能

针对雷达目标检测中,弱小目标雷达截面积小,目标角闪烁以及目标受噪声和杂波影响比较大,基于序列检测的检测前跟踪算法是在MIMO雷达信号一般似然比检测的基础上提出来的,它能够克服强杂波噪声对信号检测的影响,在低信号杂波比的情况下滤除杂波点,实现了对弱小目标的检测。仿真实验证明,在虚警概率相同的条件下,算法的性能优于似然比检测方法。     

基于概率假设密度滤波的多目标跟踪算法

概率假设密度(PHD)滤波算法在雷达、红外以及可见光等传感器的多目标跟踪中研究越来越广泛。主要研究了基于PHD滤波的多目标跟踪算法的发展现状,简要介绍了PHD滤波算法的基本原理及其在目标运动模型、多检测情况、杂波分布规律假定等方面的研究进展,概述了PHD滤波的实现方法及研究进展,介绍了PHD滤波的主要应用领域,着眼提高目标跟踪精度和实时性的发展要求提出了PHD滤波的展望。     

海杂波背景中的一种恒虚警率检测方法

提出了一种适用于机载预警(AEW)雷达海杂波背景中目标检测的双参数有序统计恒虚警(CFAR)处理方法———BOS CFAR方法,并对该方法在非高斯海杂波背景、多脉冲非相参积累和多目标干扰环境下的检测性能进行了讨论和分析。理论分析和仿真结果表明,该方法能有效地提高AEW雷达海杂波背景中的CFAR检测性能。     

复杂场景下基于自适应多特征融合的跟踪算法

在复杂的场景下,单特征对目标描述不够充分,很难稳健地跟踪目标,针对这个问题,提出了一个基于自适应多特征融合的粒子滤波跟踪算法。该算法采用灰度和边缘特征表示目标,从目标观测似然模型构建的角度融合两种特征,利用粒子似然分布的香农熵动态地评价特征的可靠性,进而确定特征融合权重,以提高算法对场景的适应能力;同时,改进了线性加权的模型更新策略,通过对加权系数的在线调整来抑制模型漂移。实验表明,本文算法可以实现部分遮挡和背景干扰等复杂场景下的跟踪。     

杂波环境下基于IMM-PSNF的机动目标跟踪算法

鉴于现有算法对杂波环境下的机动目标跟踪,在杂波密度较大、机动性强的情况下滤波器容易发散且算法复杂度较大的问题,提出了交互式概率最强邻算法(IMM-PSNF)。该算法以传统的机动目标跟踪算法IMM为基础,利用算法复杂度较小的概率最强邻算法(PSNF)进行滤波更新,并借助两级模型概率加权波门技术增强滤波器的稳健性。理论分析和仿真结果都表明,通过最强邻思想对量测的有效选择,IMM-PSNF无论是跟踪精度还是航迹丢失率都要优于全邻滤波器IMM-PDAF。     

双树复数小波变换在杂波抑制处理中的应用

针对湮没在杂波环境下的目标检测,提出一种利用双树复数小波变换对回波信号进行分解,通过相关性滤波再进行信号重构,抑制海杂波,其后采用动目标检测的方法抑制地物杂波信号。只采用动目标检测的方法仍有海杂波的影响,在通过双树复数小波变换的杂波抑制方法后作动目标检测处理能有很好的抑制效果,能检测出湮没在杂波中的小目标。将其应用到某型雷达的信号处理系统中,仿真结果表明该方法能有效降低杂波的影响。     

一种新的高分辨极化目标检测方法

针对宽带毫米波高分辨雷达体制 ,研究了杂波环境中的目标检测问题。提出了极化域线性积累滤波的思路以提高雷达接收信号的信杂比 ,在此基础上利用宽带波形固有的径向高分辨力对目标进行一维距离成像 ,估计出回波中强散射点的数量和分布 ,通过对不同径向分辨单元内的强散射点进行整体检测 ,可进一步有效地提高信杂比 ,改善雷达的检测性能。最后在毫米波段的实验仿真结果表明该方法是一种非常有效的扩展目标检测方法