認(rèn)知雷達(dá)信號(hào)處理——檢測(cè)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(hào)處理檢測(cè)和跟蹤姓名：夏雙志申請(qǐng)學(xué)位級(jí)別：博士專業(yè)：信號(hào)與信息處理指導(dǎo)教師：劉宏偉201209認(rèn)知雷達(dá)信號(hào)處理一檢測(cè)和跟蹤期望極大化算法估計(jì)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(cè)數(shù)據(jù)得到未知分量的極大似然估計(jì)，由此能夠得到更加準(zhǔn)確的未知分量的估計(jì)值，進(jìn)而改善系統(tǒng)的檢測(cè)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(dòng)狀態(tài)呈現(xiàn)多模特性；對(duì)于基于粒子濾波器的貝葉斯檢測(cè)前跟蹤算法，如果直接應(yīng)用這些粒子估計(jì)目標(biāo)運(yùn)動(dòng)狀態(tài)，噪聲的影響將會(huì)過(guò)多地融入到目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)值中，這將導(dǎo)致目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)值性能的下降；在不同時(shí)刻，目標(biāo)運(yùn)動(dòng)狀態(tài)按照目標(biāo)運(yùn)動(dòng)模型進(jìn)行變化；而在不同時(shí)刻，出現(xiàn)較大觀測(cè)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(dòng)特性，本文提出了一種基于WeightedRivalPenalizedCompetitiveLearning和Dyna

3、micProgramming的目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)算法，以緩解噪聲對(duì)目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)值的影響。3、本文研究了貝葉斯檢測(cè)前跟蹤算法的檢測(cè)閾值設(shè)置方法。對(duì)于貝葉斯檢測(cè)前跟蹤算法，由于觀測(cè)模型中高度的非線性，以及在計(jì)算過(guò)程中所涉及到的高維積分運(yùn)算，使得很難對(duì)貝葉斯檢測(cè)前跟蹤算法的檢測(cè)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(jì)算檢測(cè)閾值。針對(duì)Neyman—Pearson準(zhǔn)則，本文從似然比檢測(cè)形式入手，詳細(xì)推導(dǎo)了檢測(cè)統(tǒng)計(jì)量的表達(dá)式，得出了系統(tǒng)虛

4、警概率同檢測(cè)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(cè)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(shí)地設(shè)置檢測(cè)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(cè)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(cè)和跟蹤性能的情況下，本文提出了一種分布式貝葉斯檢測(cè)前跟蹤算法和一種帶有反饋的分布式貝葉斯檢測(cè)前跟蹤算法。相比于集中式貝葉斯檢測(cè)前跟蹤算法，提出的分布式貝葉斯檢測(cè)前跟蹤算法的檢測(cè)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(wèn)需要傳輸?shù)臄?shù)據(jù)量。相比于集中式貝葉斯檢測(cè)前跟蹤算法，提出的帶有反饋的分布式貝葉斯檢測(cè)前跟蹤算法的檢測(cè)和跟蹤性能略有損失，但能夠減少各傳感器與融合中心問(wèn)需要傳輸?shù)臄?shù)據(jù)量。相比于提出的分布式貝葉斯檢測(cè)前跟蹤算法，提出的帶有反饋的分布式貝葉斯檢測(cè)前跟蹤算法的檢測(cè)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?jī)H略有增加。關(guān)鍵詞：認(rèn)知雷達(dá)檢測(cè)和跟蹤檢測(cè)前跟蹤貝葉斯理論粒子濾波器序貫判決馬爾可