基于区分度增量和CPCRLB的传感器管理算法

针对传感器管理中存在的能量和资源有限问题,提出了一种基于区分度增量和条件后验克拉美—罗界(CPCRLB)的传感器管理算法,首先推导了CPCRLB在无源传感器粒子滤波情况下计算公式,然后采用条件后验CPCRLB作为矩阵遗传的适应值对传感器分配方案进行选择,同时计算每个目标的区分度增量,合理分配传感器资源。仿真结果表明:该算法能较好地实现传感器的分配,并降低了整个跟踪过程中的能耗。

基于CPCRLB的隐身目标协同检测与跟踪

针对雷达组网对隐身目标协同检测与跟踪时的动态分配问题,将条件后验克拉美罗下界(CPCRLB)用作系统跟踪性能的度量,结合改进二值粒子群优化(NBPSO)和粒子滤波,提出了一种基于CPCRLB的隐身目标协同检测与跟踪算法。该算法将雷达的动态分配问题转化成组合优化问题,根据新生目标的隐身特性对雷达分配方案的约束,借助分布在边界的检测粒子计算不同的雷达分配方案对新生目标的检测概率,并以已跟踪目标的CPCRLB衡量跟踪精度,采用NBPSO全局搜索最优分配方案,最后进行粒子滤波与协方差交集融合。

角闪烁噪声下的集中式MIMO雷达自适应资源分配算法

为解决角闪烁噪声下集中式多输入多输出(multi-input and multi-output,MIMO)雷达的资源优化分配问题,设计了一种面向多目标跟踪任务的自适应资源分配算法。首先采用平方根容积粒子滤波(square-root cubature particle filter,SCPF)算法对各目标状态进行估计,并根据其估计值来计算条件后验克拉美罗下界,从而建立起角闪烁噪声下的跟踪误差评价准则。再依据功率和带宽与条件后验克拉美罗下界(predicted conditional Cramer Rao lower bound,PC-CRLB)间的函数关系,建立起非凸优化模型。随后运用凸松弛技术和循环最小化算法将非凸优化问题转换为一系列凸优化问题,运用半正定规划(semi-definite programming,SDP)算法结合Frank-Wolfe可行方向法进行求解,从而实现资源自适应分配。最后通过仿真验证了不同场景下所提算法的有效性。