基于UKF和后向平滑的单站无源定位跟踪算法

为利用无源固定单站对运动辐射源快速定位,将不敏卡尔曼滤波(UKF)和后向平滑算法应用于单站无源定位,给出了一种基于后向平滑的改进UKF算法;该算法利用当前时刻滤波结果通过后向平滑算法平滑估计前一时刻状态向量和协方差矩阵的估计值,为前向滤波提供较高精度的起始值。仿真结果表明改进的UKF算法在保证实时性的基础上改善了定位性能。     

一种基于支持向量机的无源雷达目标识别方法

针对传统的无源雷达目标识别系统存在的不足,提出了一种新的基于模式识别的目标识别方法。在提取雷达辐射源信号熵特征的基础上,设计支持向量机(SVM)分类器完成目标的分类识别。理论分析和实验结果表明,提出的方法在较大信噪比范围内均能获得比较满意的识别率及识别效率,优于传统的基于常规特征参数的识别方法。     

差分多普勒在无源雷达目标速度估计中的应用

提出了一种差分多普勒信息在目标速度估计中的应用方法,并给出了具体的算法。对差分多普勒信息应用于目标速度估计中的精度进行了理论分析,通过Monte carlo仿真对提出的算法进行了验证。仿真结果表明,利用差分多普勒信息能够有效地提高对目标速度的估计精度,并且对目标机动段也能够取得很好的速度估计精度。     

使用辅助变量的单静止站纯方位目标跟踪

利用现时刻之前的方位测量构造现在方位的预测值 ,形成了与现在测量方位在统计上独立的辅助变量 ,该辅助变量用以对拟线性估计算法的修正 ,能产生无偏的目标参数估计     

锥体空间目标基于进动特性识别

为了研究基于空间锥体目标进动特性的识别方法,通过对空间锥体目标的弹道建模,分析了进动锥体目标姿态角变化,引入平均视线角变化对回波RCS的影响,推导了空间锥体目标相对雷达波的姿态角计算公式,分析RCS随时间变化关系,通过回波RCS序列估计进动周期及进动角参数,以惯量比为特征,提出弹头和诱饵的识别方法,仿真试验证明了算法的有效性.     

基于神经网络和遗传算法对反装甲目标威胁度评估研究

针对威胁度估计问题和装甲车辆在战场上的实际情况,运用神经网络和遗传算法理论探索反装甲目标威胁度评估问题。基于BP神经网络模型的算法,利用神经网络良好的自适应能力和遗传算法强大的全局搜索能力,通过样本数据训练,提高了威胁度估计的准确性和适应性。经过验证该算法能够有效反应出反各种反装甲目标的威胁度,其稳定性、精确性也比较高。     

基于协方差矩阵估计的稳健Capon波束形成算法

常规Capon波束形成器性能对模型误差或失配非常敏感,尤其是当期望信号包含在训练数据中,导向矢量失配将引起性能急剧下降。为解决这一问题,提出了一种采用干扰噪声协方差矩阵和导向矢量联合估计的稳健波束形成算法。该方法通过对Capon空间谱在非目标信号的方位区域内的积分,实现对干扰噪声协方差矩阵的估计,解决数据协方差矩阵包含有目标信号时引起信号自相消问题;其次为了克服导向矢量失配的影响,通过最大化输出功率,并增加二次型约束防止估计的导向矢量接近于干扰导向矢量,实现对导向矢量的估计。仿真实验表明:该算法能获得近似最优的输出信干噪比,与现有算法相比稳健性更强。     

一种固定单站对运动辐射源的无源定位跟踪算法

首先提出了一种测量目标辐射源脉冲到达时间和到达方向实现固定单站对运动辐射源进行无源定位的算法,该算法克服了EKF(扩展卡尔曼滤波)算法的一些缺点。另外给出了两种将该算法和卡尔曼滤波算法结合的改进方法,可以获得更优的定位效果。计算机仿真结果证明了上述两种方法是正确的。     

信号变频引入相差后的时延估计方法

分析了用同-本振对两路存在相对时差的信号进行变频时引入新的相差的原因,提出了一种新的相位补偿时延估计算法,与传统的存在相差的时延估计方法相比,新方法将传统的对相差和时差的二维搜索改进为单纯对时差的一维搜索,大大地提高了运行效率,巧妙地解决了变频引入相差条件下的时延估计问题.