認(rèn)知雷達(dá)信號處理——檢測和跟蹤.pdf

1、西安電子科技大學(xué)博士學(xué)位論文認(rèn)知雷達(dá)信號處理檢測和跟蹤姓名：夏雙志申請學(xué)位級別：博士專業(yè)：信號與信息處理指導(dǎo)教師：劉宏偉201209認(rèn)知雷達(dá)信號處理一檢測和跟蹤期望極大化算法估計模型中的未知分量不需要將未知參數(shù)作為額外的狀態(tài)，能夠融合處理未知分量的模型，能夠利用所有觀測數(shù)據(jù)得到未知分量的極大似然估計，由此能夠得到更加準(zhǔn)確的未知分量的估計值，進(jìn)而改善系統(tǒng)的檢測和跟蹤性能。在低信噪比情況下，將有很多噪聲單元的回波強(qiáng)度大于目標(biāo)單元的回波強(qiáng)度，

2、這將導(dǎo)致目標(biāo)運(yùn)動狀態(tài)呈現(xiàn)多模特性；對于基于粒子濾波器的貝葉斯檢測前跟蹤算法，如果直接應(yīng)用這些粒子估計目標(biāo)運(yùn)動狀態(tài)，噪聲的影響將會過多地融入到目標(biāo)運(yùn)動狀態(tài)估計值中，這將導(dǎo)致目標(biāo)運(yùn)動狀態(tài)估計值性能的下降；在不同時刻，目標(biāo)運(yùn)動狀態(tài)按照目標(biāo)運(yùn)動模型進(jìn)行變化；而在不同時刻，出現(xiàn)較大觀測值的噪聲的位置是相互獨(dú)立的；利用目標(biāo)和噪聲的運(yùn)動特性，本文提出了一種基于WeightedRivalPenalizedCompetitiveLearning和Dyna

3、micProgramming的目標(biāo)運(yùn)動狀態(tài)估計算法，以緩解噪聲對目標(biāo)運(yùn)動狀態(tài)估計值的影響。3、本文研究了貝葉斯檢測前跟蹤算法的檢測閾值設(shè)置方法。對于貝葉斯檢測前跟蹤算法，由于觀測模型中高度的非線性，以及在計算過程中所涉及到的高維積分運(yùn)算，使得很難對貝葉斯檢測前跟蹤算法的檢測性能進(jìn)行定量分析，也很難根據(jù)系統(tǒng)要求的虛警概率計算檢測閾值。針對Neyman—Pearson準(zhǔn)則，本文從似然比檢測形式入手，詳細(xì)推導(dǎo)了檢測統(tǒng)計量的表達(dá)式，得出了系統(tǒng)虛

4、警概率同檢測閡值之間的關(guān)系，并在復(fù)高斯白噪聲背景下，給出了檢測閾值的近似閉式解。由此，使得能夠按照系統(tǒng)要求的虛警概率實(shí)時地設(shè)置檢測閾值，從而使得實(shí)際系統(tǒng)的虛警概率滿足要求。4、本文研究了多傳感器貝葉斯檢測前跟蹤算法，在綜合考慮融合系統(tǒng)的通信負(fù)擔(dān)和系統(tǒng)檢測和跟蹤性能的情況下，本文提出了一種分布式貝葉斯檢測前跟蹤算法和一種帶有反饋的分布式貝葉斯檢測前跟蹤算法。相比于集中式貝葉斯檢測前跟蹤算法，提出的分布式貝葉斯檢測前跟蹤算法的檢測和跟蹤性能

5、有損失，但能夠極大地減少各傳感器與融合中心問需要傳輸?shù)臄?shù)據(jù)量。相比于集中式貝葉斯檢測前跟蹤算法，提出的帶有反饋的分布式貝葉斯檢測前跟蹤算法的檢測和跟蹤性能略有損失，但能夠減少各傳感器與融合中心問需要傳輸?shù)臄?shù)據(jù)量。相比于提出的分布式貝葉斯檢測前跟蹤算法，提出的帶有反饋的分布式貝葉斯檢測前跟蹤算法的檢測和跟蹤性能改善明顯，且各傳感器和融合中心間需要傳輸?shù)臄?shù)據(jù)量僅略有增加。關(guān)鍵詞：認(rèn)知雷達(dá)檢測和跟蹤檢測前跟蹤貝葉斯理論粒子濾波器序貫判決馬爾可