非理想检测下多雷达网络节点选择与辐射资源联合优化分配算法

该文针对分布式相控阵多雷达网络的多目标跟踪场景,研究非理想检测条件下的节点选择与辐射资源联合优化分配算法。首先,根据分布式相控阵多雷达网络构成、目标运动模型、雷达量测模型以及雷达节点检测情况,推导非理想检测下以雷达节点选择、辐射功率和信号带宽为变量的贝叶斯克拉默-拉奥下界(BCRLB)闭式解析表达式,并以此作为多目标跟踪精度衡量指标。在此基础上,以最小化系统各雷达节点对所有目标的总辐射功率为优化目标,以满足目标跟踪精度门限以及给定的系统射频辐射资源限制为约束条件,建立非理想检测条件下多雷达网络节点选择与辐射资源联合优化分配模型,对各时刻雷达节点选择、辐射功率和信号带宽等参数进行联合优化设计,以提升多雷达网络的射频隐身性能。最后,针对上述非线性、非凸优化问题,采用基于障碍函数法和循环最小化算法的4步分解算法进行求解。仿真结果表明,与现有算法相比,所提算法能在满足给定多目标跟踪精度的条件下有效降低分布式相控阵多雷达网络的总辐射功率,至少降低了约32.3%,从而提升其射频隐身性能。

非理想检测下面向异步多目标跟踪的异构多雷达网络功率时间联合优化算法

该文针对异步多目标跟踪场景,研究了非理想检测下的异构多雷达网络功率时间联合优化问题。首先,将各融合采样间隔内得到的来自不同雷达节点的所有异步量测信息融合为复合量测信息,结合该复合量测信息推导了非理想检测下包含雷达节点选择、辐射功率和驻留时间等参数的异步目标跟踪误差贝叶斯克拉美罗下界(BCRLB)解析表达式,并将其作为异步多目标跟踪精度的衡量指标。在此基础上,建立了非理想检测下面向异步多目标跟踪的异构多雷达网络功率时间联合优化模型,即以最小化异步多目标跟踪误差为优化目标,以满足给定的系统辐射资源限制为约束条件,对不同雷达网络中雷达节点的选择方式、辐射功率和驻留时间等发射参数进行自适应联合优化设计,从而提升异构多雷达网络的异步多目标跟踪精度。最后,针对上述优化问题,结合序列二次规划(SQP)算法和循环最小法,采用四步分解算法进行求解。仿真结果表明,与现有算法相比,所提算法能够有效提升异构多雷达网络的异步多目标跟踪精度。

非理想检测环境下面向射频隐身的多雷达网络多目标跟踪驻留时间优化分配算法

针对非理想检测环境下多雷达网络对多目标跟踪场景,提出了一种面向射频隐身的驻留时间优化分配算法。首先,推导了非理想检测环境下目标跟踪误差的贝叶斯克拉美-罗下界解析表达式,并将其作为目标跟踪性能的衡量指标。其次,将各雷达节点照射目标的驻留时间总和作为优化目标函数,将系统射频辐射资源以及给定的目标跟踪精度门限作为约束条件,建立了非理想检测环境下面向射频隐身的多雷达网络多目标跟踪驻留时间优化分配模型。在此基础上,采用基于内点法与循环最小法的两步分解算法对上述优化模型进行求解。仿真结果表明,相较于驻留时间均匀分配算法,所提算法可以有效降低多雷达网络的驻留时间消耗,提升系统的射频隐身性能;另外,随着检测概率逐渐减小,系统需要更多的驻留时间,使得射频隐身性能逐渐变差。

非理想检测下基于多目标跟踪的多雷达网络功率时间管控算法

为了在非理想检测下提升多雷达网络多目标跟踪的射频隐身性能,提出了一种多雷达网络功率时间管控算法。首先,推导并计算了非理想检测下目标跟踪误差的贝叶斯克拉美-罗下界,将其作为目标跟踪精度的衡量指标。其次,将多雷达网络系统中分配的雷达节点对目标的总辐射功率与总驻留时间作为优化函数,以预先设定的目标跟踪精度阈值以及系统射频辐射资源作为约束条件,建立了非理想检测下基于多目标跟踪的多雷达网络功率时间优化模型。最后,提出了一种结合障碍函数法与循环最小法的多步分解算法进行求解。仿真结果表明,随着检测概率逐渐降低,为了满足目标跟踪精度要求,系统需要分配更多的辐射功率和驻留时间,导致系统射频隐身性能变差,而相较于其他对比算法,所提算法辐射功率消耗最大降低约52.6%,驻留时间消耗最大降低约33.1%,有效提升了系统射频隐身性能。

Generalization Capabilities of Feedforward Neural Networks for Pattern Recognition

This paper studies the generalization capability of feedforward neural networks (FNN).The mechanism of FNNs for classification is investigated from the geometric and probabilistic viewpoints. It is pointed out that the outputs of the output layer in the FNNs for classification correspond to the estimates of posteriori probability of the input pattern samples with desired outputs 1 or 0. The theorem for the generalized kernel function in the radial basis function networks (RBFN) is given. For an 2-layer perceptron network (2-LPN). an idea of using extended samples to improve generalization capability is proposed. Finally. the experimental results of radar target classification are given to verify the generaliztion capability of the RBFNs.